Statistika Pengendalian Mutu

Peta Kendali Variabel

OLEH :

AGNES MONICA PUTRI 1611142013

RISMAN 1611142014

PROGRAM STUDI MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI MAKASSAR

2019
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Kualitas merupakan ukuran seberapa baik produk itu sesuai dengan spesifikasi dan kelonggaran
yang disyaratkan dalam rancangan. Kualitas menjadi faktor dasar keputusan konsumen dalam banyak
produk dan jasa. Dalam hal ini kualitas memegang peranan penting dalam menentukan penjualan dan
berapa hasil yang akan diterima perusahaan. Diperlukan suatu pengendalian kualitas untuk menjaga
kualitas produk dan jasa yang dihasilkan. Pengendalian kualitas tersebut meliputi aktivitas pengukuran
ciri-ciri kualitas produk, membandingkannya dengan spesifikasi, dan mengambil tindakan penyehatan
yang sesuai apabila ada perbedaan antara hasil pengamatan dengan standar.

Salah satu contohnya misalkan PT.ZZZ memproduksi Cylinder Liner type RC100 yang bahan
bakunya berasal dari perusahaan rekanan pemesan Cylinder Liner. PT. ZZZ membuat Cylinder Lyner
tersebut sesuai dengan spesifikasi pemesan yaitu menyangkut diameter silinder. Agar dapat memenuhi
spesifikasi perusahaan pemesan dan mengontrol kualitas silinder maka diperlukan pembuatan diagram
kontrol atau peta kendali variable pada proses pengendalian kualitas.

1.2 Rumusan Masalah

1. Bagaimana definisi peta kendali variabel?

2. Bagaimana bagan pengendalian peta kendali 𝑥̅ dan R ?

3. Bagaimana bagan pengendalian peta kendali 𝑥̅ dan S ?

4. Bagaimana bagan pengendalian peta kendali I-MR ?

1.3 Tujuan

1. Untuk mengetahui definisi peta kendali variabel

2. Untuk mengetahui bagan pengendalian peta kendali untuk 𝑥̅ dan R

3. Untuk mengetahui bagan pengendalian peta kendali ̅𝑥 dan S

4. Untuk mengetahui bagan pengendalian peta kendali I-MR

 BAB II

PEMBAHASAN

2.1 Definisi

Variabel merupakan suatu karakteristik kualitas yang dapat diukur seperti berat, diameter dan
volume (Douglas C. Montgomery, 1998). Banyak karakteristik kualitas yang dapat dinyatakan dalam
bentuk ukuran angka. Misalnya diameter cincin silinder mesin dan volume botol.

Peta kendali variable merupakan metode statistika untuk menggambarkan adanya variasi atau
penyimpangan dari mutu (kualitas) hasil produksi yang diinginkan. Dengan peta kendali dapat dibuat
batas-batas dimana hasil produksi menyimpang dari ketentuan, dapat mengawasi dengan mudah apakah
proses dalam kondisi stabil atau tidak, dan bila terjadi banyak variasi atau penyimpangan suatu produk
dapat segera menentukan keputusan apa yang harus diambil.

Peta kendali variabel yang memberikan informasi tentang penampilan proses yang lebih banyak
daripada grafik pengendali atribut (Douglas C. Montgomery, 1998). Peta kendali variabel terdiri atas peta
kendali X dan R, peta kendali X dan S, dan peta kendali individu (I-MR). Pada grafik pengendali kita
mengendalikan nilai mean karakteristik kualitas dan variabilitasnya.

Peta kendali untuk mean atau grafik X digunakan pada pengendalian rata-rata proses mean
untuk tingkat kualitas. Sedangkan variabilitas atau pemencaran proses dapat dikendalikan dengan peta
kendali untuk deviasi standart (grafik S) atau peta kendali untuk rentang (grafik R), namun peta R lebih
banyak digunakan. Biasanya grafik R dan grafik X yang terpisah dibuat untuk tiap karekteristik kualitas
menarik perhatian. Apabila karekteristik kualitas saling rapat berhubungan dapat mengakibatkan hasil
yang kurang bagus. Peta X dan R termasuk teknik pengendalian proses statistik yang paling berguna dan
penting.

2.2 Peta Kendali X dan R

Apabila karakteristik kualitas berdistribusi normal dengan mean  dan deviasi standart  ,
dengan  dan  keduanya diketahui. Jika x1,x2,..,xn sampel berukuran n maka rata- rata sampel tersebut
adalah

x1  x 2  ...  x n
x  (2.1)
n
 Diketahui bahwa x adalah mean dari supgrup yang berdistribusi normal dengan mean  dan

deviasi standart  x =  dan probalilitasnya adalah 1 -  , setiap mean sampel akan di antara
n


  Z  / 2 x    Z  2
n


  Z  / 2 x    Z  2 (2.2)
n

Dengan demikian, jika  dan  keduanya diketahui dapat digunakan sebagai batas kendali atas dan
bawah pada grafik pengendali mean sampel. Untuk Z  2 diganti dengan 3 sehingga digunakan batas 3-
sigma. Distrubusi karakteristik kualitas adalah normal, tetapi teorema limit pusat hasil di atas kira-kira
masih benar meskipun disrtibusinya bukan normal. Jika  dan  tidak diketahui , nilai-nilai tersebut
ditaksir dari sampel-sampel pendahuluan yang diambil prosess itu diduga terkendali. Biasanya taksiran ini
didasarkan pada paling sedkit 20 sampai 25 sampel. Sampel-sampel kecil dari pembentukan himpunan
bagian rasional yang kenyataannya biaya pengambilan dan pemeriksa sampel dengan pengukuran
variabel relati tinggi. Misalnya x 1 , x 2 ,...., x m adalah rata-rata tiap sampel. Maka penaksir terbaik untuk
rata-rata proses  adalah rata-rata keseluruhannya, rumusnya adalah

x1  x 2  ....  x m
x (2.3)
m

Untuk membuat batas kendali pada saat akan memusatkan pada metode rentang perlu penaksir untuk
deviasi standart  atau rentang m sampel tersebut. Jika x1,x2,..,xn sampel berukuran n, maka rentang
sampel tersebut adalah selisih observasi terbesar dan terkecil yakni

R= xmax - xmin (2.4)

Terdapat hubungan antara rentang suatu sampel dari deviasi standart  dan distribusi normal,
variabel random W = R  dinamakan rentang relatif. Parameter distribusi W adalah fungsi ukuran
sampel n dan meannya adalah d2. Sehingga penaksir untuk  adalah ˆ  R d 2 . Sedangkan nilai d2 untuk
berbagai ukuran sampel dapat dilihat di tabel. Misalkan R1, R2, ..., Rn adalah rentang m sampel, rumus
rentang rata-ratanya sebagai berikut.

R1  R2  ...  Rm
R (2.5)
m

Taksiran dapat dihitung dengan rumus yakni

ˆ  R d 2 (2.6)
 Jika ukuran sampel relatif kecil, metode rentang menghasilkan penaksir untuk variansi yang hampir
sama baiknya seperti penaksir kuadratik yang biasa (variansi sampel S2).

Untuk nilai n yang agak besar ( n  10 ) rentang kehilangan efesiensinya secara cepat, karena rentang
mengabaikan informasi dalam sampel antara xmax dan xmin . Tetapi untuk ukuran sampel yang kecil kerap
kali digunakan pada peta kendali variabel ( n= 4, 5, atau 6) sangat memuaskan. Jika x digunakan sebagai
penaksir untuk  dan R d 2 sebagai penaksir untuk  , maka parameter X adalah :

3
UCL = x  R
d2 n

Centre line = x

3
LCL = x  R (2.7)
d2 n

UCL adalah nilai batas atas dari grafik X dan LCL adalah nila batas bawah dari peta X .

Kuantitas (A2 ) adalah konstan yang hanya tergantung pada ukuran sampel. A2 adalah

3
A2  (2.8)
d2 n

Maka parameter grafik X adalah

Centre line = x

UCL = x  A2 R

LCL = x  A2 R (2.9)

dimana : Centre Line = Garis tengah

UCL = Upper Control Limit (BPA)

LCL = Lower Control Limit (BPB)

Untuk konstan A2 dapat dilihat pada tabel.

Variablititas proses dapat dikendalikan dengan menggambarkan nilai-nilai R dari sampel-sampel

yang berurutan pada peta kendali,sedangkan garis tengahnya dalah R itu sendiri. Untuk menentukan batas
pengendaliannya perlu taksiran untuk  R . Dengan menganggap karakteristik kualitas berdistribusi
normal, estemasi ˆ R dapat diperoleh dari distribusi rentang relatif W = R  , deviasi strandart W dapat
dikatakan d3 yang merupakan fungsi n yang diketahui. Karena R = W  maka deviasi strandart R adalah
R
 R  d 3 . Jika  tidak diketahui menaksir  R dengan ˆ R  d 3 . Dengan demikian parameter
d2
grafik R dengan batas pengendali 3-sigma yang biasa adalah :

R
UCL = R + 3 ˆ R = R + 3d 3
d2

Centre line = R

R
LCL = R - 3 ˆ R = R - 3d 3 (2.10)
d2

d3 d
Misalkan D3  1  3 dan D4  1  3 3
d2 d2

Parameter-parameter grafik R dapat didefinisikan sebagai berikut :

UCL = D4 R

Centre line = R

LCL = D3 R (2.11)

UCL adalah nilai batas atas dari grafik R dan LCL adalah nila batas bawah dari grafik R .

Konstan D4 dan D3 untuk berbagai nilai n dapat dilihat pada tabel.

Apabila sampel-sampel pendahuluan digunakan untuk membentuk grafik pengendali X dan R yang
memperlakukan batas pengendali tersebut sebagai nilai-nilai percobaan. Maka m mean dan rentang
sampel harus tergambar pada grafik dan setiap sampel yang diluar batas pengendali harus diselidiki.
Apabila sebab – sebab terduga untuk titik-titik ini ditemukan, titik-titik tersebut harus dibuang dan
ditentukan batas pengendali yang baru.

Untuk parameter peta kendali X dapat dituliskan rumus sebagai berikut :


UCL =   3
n

Centre line = 


LCL =   3 (2.12)
n
Kuantitas 3/ n = A misalnya adalah suatu konstan yang tergantung pada n, dengan demikian parameter
grafik X dapat dituliskan rumus sebagai berikut

UCL =   A

Centre line = 

LCL =   A (2.13)

Untuk membentuk R dengan nilai standart  , maka parameter peta kendalinya adalah :

UCL = d 2 + 3 d 3

Centre line = d 2

LCL = d 2 - 3 d 3 (2.14)

Sedangakan konstan D1 = d 2 + 3 d 3 dan D2 = d 2 - 3 d 3

Konstan ini dapat dilihat dalam tabel, jadi parameter peta kendali R dan  adalah

UCL = D2

Centre line = D2

LCL = D3 (2.15)

Contoh :

Berikut diberikan contoh membuat peta kendali atau control chart X bar dan R chart. Setelah melakukan
penelitian pada produk Vane Opening di PT CALA dengan menggunakan sample number sebanyak 20
subgroup dan dengan ukuran sampel sebanyak 5 unit, diperoleh data-data sebagai berikut:
Karena jumlah n atau subgroup size atau jumlah observasi= 5 maka dilakukan analisis dengan
menggunakan X bar dan R Chart.

Langkah 1 : Menghitung nilai X dan R untuk setiap subgrup

Untuk 𝑋̅
∑ 𝑋𝑖
𝑋̅𝑛𝑖 =
𝑛𝑖

dimana, 𝑋̅𝑛𝑖 = rata-rata nilai X pada subgrup sampel ke i

𝑛𝑖 = banyaknya sampel pada subgrup ke i (sample size)

∑ 𝑋𝑖 = jumlah nilai X pada subgrup sampel ke i

Untuk R (range) R = Ximaks - Ximin

Setelah menghitung, diperoleh hasil pada tabel.

Langkah 2 : Menghitung rerata X dan R

Untuk X dapat dihitung dengan cara:

∑ 𝑥̅
𝑋̿ =
𝑁

Untuk R dapat dihitung dengan cara:

∑𝑅
𝑅̅ =
𝑁

dimana, 𝑅̅ = rata-rata R

∑ 𝑅 = jumlah nilai R

N = Banyaknya subgrup sampel

Hasil perhitungan dapat dilihat pada kolom X dan R pada tabel data baris terakhir

Langkah 3 : Menghitung CL, UCL dan LCL untuk X dan R

Nilai CL (nilai tengah) untuk X dan R

 CL - X
∑ 𝑥̅
CL = 𝑋̿ = 𝑁 = (606,4) / 20 = 33,32

 CL – R
CL = 𝑅̅ = 5,8

Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk X

 UCL = 𝑋̿ + (𝐴2 ∗ 𝑅̅ ) = 33,32 +(0,577*5,8) = 36,67

 LCL = 𝑋̿ − (𝐴2 ∗ 𝑅̅ ) = = 33,32 - (0,577*5,8) = 29,97

Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk R

 UCL = D4*𝑅̅ = 2,114 ∗ 5,8 = 12,2612 𝑎𝑡𝑎𝑢 12,27

 LCL = D3*𝑅̅ = 0 ∗ 5,8 = 0

Tabel A2, d2, D3 an D4 merupakan tabel yang berisi nilai-nilai konstanta A2 yang digunakan dalam
membuat peta kendali X . Sedang nilai d2 digunakan untuk mengestimasi nilai sigma. Nilai D3 dan D4
digunakan untuk menentukan batas atas dan batas bawah pada peta kendali R chart. Besaran nilai A2, d2,
D3 dan D4 akan bergantung ukuran subgroup dari setiap sampel.
Setelah dihitung nilai CL, UCL dan LCL baik untuk X dan R Chart, maka selanjutnya memplotkan
setiap data subgroup ke dalam Chart yang nampak seperti berikut:

Langkah 4 : melakukan revisi dengan menghilangkan data-data yang out of control yakni data subgroup
6, 8, 9, 11 dan 19 dan hitung kembali Rerata X dan Rerata R dimana N = 15 karena ada 5 data yang
dikeluarkan dari perhitungan.
Langkah 5 : CL, UCL, dan LCL pun kemudian dihitung kembali. dengan menggunakan rumus
matematik yang sama dengan sebelumnya dimana N atau jumlah subgroup = 15 karena ada 5 data yang
tidak diperhitungkan.

Nilai CL yang baru untuk X dan R setelah 5 sampel yang out of control dikeluarkan dari perhitungan
adalah sebagai berikut:

∑ 𝑥̅
 CL = 𝑋̿ = 𝑁
= (498,2)/15 =33,21

 CL = 𝑅̅ = 75/15 = 5

Nilai UCL dan LCL baru untuk X chart setelah 5 sampel yang out of control dikeluarkan dari
perhitungan adalah sebagai berikut:

 UCL = 𝑋̿ + (𝐴2 ∗ 𝑅̅ ) = 33,21 +(0,577*5) = 36,10

 LCL = 𝑋̿ − (𝐴2 ∗ 𝑅̅ ) = 33,21 - (0,577*5) = 30

Nilai UCL dan LCL baru untuk R Chart setelah 5 data sampel yang out of control dikeluarkan dari
perhitungan adalah sebagai berikut :

 UCL = D4*𝑅̅ = 2,114 ∗ 5 = 10,57

 LCL = D3*𝑅̅ = 0 ∗ 5,8 = 0
Setelah CL, UCL dan LCL baik untuk X maupun R dihitung ulang, kemudian dilakukan plotting ulang
setiap data keculai data yang out of control ke Chart yang baru.

2.3 Peta Kendali X dan S

Apabila ukuran sampel n cukup besar (n>10) metode rentang guna menaksir  kehilangan efesiensi
statistiknya. Maka yang perlu dilakukan adalah mengganti grafik X dan R yang biasa dengan grafik X
dan S dengan standart proses ditaksir secara langsung tidak melalui R. Jika tidak  diketahui, maka
2

penaksir tak bias untuk 

2
adalah variansi sampel. Rumusnya sebagai berikut.

 (x
2
i x )
i 1
S2  (2.16)
n 1

Tetapi deviasi standart sampel S bukan penaksir tak bias untuk  . Jika berdistribusi normal, S
sebenarnya menaksir c4 dengan C4 adalah suatu konstan yang tergantung pada ukuran sampel n.

Deviasi standart S adalah  1  c 2 dan dapat digunakan untuk membentuk grafik pengendali X dan S.
Karena E(S)= c4 , maka batas pengendali 3-sigma S adalah

UCL = c4 + 3  1  c 2

LCL = c4 - 3  1  c 2 (2.17)

Sedangkan definisi konstannya adalah

B5 = c4 - 3  1  c4
2

B6 = c4 +3  1  c4
2
(2.18)
 Parameter grafik S dengan nilai standart adalah

UCL = B6 

Centre line = c 4
LCL = B5  (2.19)

Jika nilai standart bagi  tidak diberikan, maka harus ditaksir dengan menganalisa data yang lalu.
Jika tersedia m sampel pendahuluan masing-masing berukuran n, misalkan Si adalah deviasi standart
1 m
sampai ke-i. Rata-rata deviasi standart sampai ke-i adalah S  Si
m i 1
(2.20)

S /C4 adalah penaksir tak bias untuk  , maka parameter grafik S yakni

S
UCL = S +3  1  c4 2
c4

Centre line = S

S
LCL = S - 3  1  c4 2 (2.21)
c4
Definisi konstan yakni

3 3
B3 = 1-  1  c 4 2 dan B4 = 1+  1  c 4 2 (2.22)
c4 c4
Parameter grafik S dapat diltulis sebagai berikut

UCL = B4 S

Centre line = S

LCL = B3 S (2.23)

UCL adalah nilai batas atas dari grafik S dan LCL adalah nila batas bawah dari grafik S .

S /C4 digunakan untuk menaksir  , maka batas pengendali grafik X sekawannya yakni :
 3S
UCL = x
c4 n

Centre line = x

3S
LCL = x (2.24)
c4 n

UCL adalah nilai batas atas dari grafik X dan LCL adalah nila batas bawah dari grafik X .

Misalkan konstan A3  3(c 4 n ), maka parameter grafik S dapat diltulis sebagai berikut :

UCL = x  A3 S

Centre line = x

LCL = x  A3 S (2.25)

Contoh : Berikut adalah data diameter ring

Pada data diketahui jumlah observasi (n) setiap sampelnya > 10, maka pada pengolahan data akan
menggunakan peta kendali rata – rata (Xbar) dan standar deviasi (S).

Langkah 1 : Menghitung nilai rata-rata X dan S

Untuk X dengan cara

 ∑ 𝑋𝑖
𝑋̅𝑛𝑖 =
𝑛𝑖

Untuk S dengan cara

∑ 𝑆𝑖
𝑆̅ =
𝑁
Hasilnya dapat dilihat pada tabel.

Langkah 2 : Menghitung CL, UCL dan LCL untuk X dan S

Nilai CL (nilai tengah) untuk X dan S

 CL - X
∑ 𝑋̅ 17,794
CL = 𝑋̿ = 𝑁
= 15
=1,186
 CL –S
∑ 𝑆𝑖 0,596
𝐶𝐿 = 𝑆̅ = = =0,040
𝑁 15
Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk X

 UCL = 𝑋̿ + (𝐴3 ∗ 𝑆̅ ) = 1,186 +(0,789*0,040) = 1,217

 LCL = 𝑋̿ − (𝐴3 ∗ 𝑆̅ ) = 1,186 - (0,789*0,040) = 1,154
Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk S

 UCL = B4*𝑆̅ = 1,572 ∗ 0,040 = 0,062

 LCL =B3*𝑆̅ = 0,428 ∗ 0,040 = 0,017

Setelah dihitung nilai CL, UCL dan LCL baik untuk X dan S Chart, maka selanjutnya memplotkan
setiap data subgroup ke dalam Chart yang nampak seperti berikut:
Dari pengumpulan data yang telah didapatkan, maka didapat grafik pengendalian pada gambar dengan
banyak sampel 15. Dilihat dari grafik pengendalian sample range diatas terdapat data yang tidak
terkendali (out of control) yaitu data ke 13. Sehingga data ke 13 harus dihapus kemudian dilakukan
analisa pengendalian grafik lagi.

melakukan revisi dengan menghilangkan data-data yang out of control yakni data subgroup 13 dan hitung
kembali Rerata X dan Rerata R dimana N = 14 karena ada 1 data yang dikeluarkan dari perhitungan.

Langkah 3 : CL, UCL, dan LCL pun kemudian dihitung kembali. dengan menggunakan rumus
matematik yang sama dengan sebelumnya dimana N atau jumlah subgroup = 14 karena ada 1 data yang
tidak diperhitungkan.

Nilai CL yang baru untuk X dan S setelah 1 sampel yang out of control dikeluarkan dari perhitungan
adalah sebagai berikut:
  CL - X
∑ 𝑋̅ 16,587
CL = 𝑋̿ = 𝑁
= 14
=1,185
 CL –S
∑ 𝑆𝑖 0,531
𝐶𝐿 = 𝑆̅ = 𝑁
= 14
=0,037

Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk X

 UCL = 𝑋̿ + (𝐴3 ∗ 𝑆̅ ) = 1,184 +(0,789*0,037) = 1,213

 LCL = 𝑋̿ − (𝐴3 ∗ 𝑆̅ ) = 1,184 - (0,789*0,037) = 1,154

Nilai UCL(batas atas kendali) dan LCL (batas bawah kendali) untuk S

 UCL = B4*𝑆̅ = 1,572 ∗ 0,037 = 0,058

 LCL =B3*𝑆̅ = 0,428 ∗ 0,037 = 0,015

Setelah CL, UCL dan LCL baik untuk X maupun S dihitung ulang, kemudian dilakukan plotting ulang
setiap data keculai data yang out of control ke Chart yang baru.

Dari hasil perbaikan grafik dapat dilihat pada gambar diatas bahwa sudah tidak ada data yang (out of
control), dengan data sebanyak 14 sampel maka data dapat diverifikasi terkendali (incontrol).

2.4 I-MR (Individuals Moving Range)

Individuals and moving range (I-MR) yang juga dikenali dengan nama X-MR atau Shewhart
individuals control chart adalah peta kendali variabel yang digunakan jika jumlah observasi dari masing-
masing subgrup hanya satu (n = 1). I-MR diperlukan dalam situasi-situasi sebagai berikut :
 1. Menggunakan teknologi pengukuran dan inspeksi otomatis, dan setiap unit yang diproduksi dapat
dianalisis sehingga tidak ada dasar untuk pengelompokan rasional ke dalam subgrup.
2. Siklus produksi sangat lama, dan menyulitkan jika mengumpulkan sampel sebanyak n > 1.
3. Pengukuran berulang pada proses akan berbeda karena faktor kesalahan (error) lab atau analisis,
seperti pada proses kimia.
4. Beberapa pengukuran diambil pada unit produk yang sama, seperti mengukur ketebalan oksida di
beberapa lokasi yang berbeda pada sebuah wafer di fabrikasi alat semikonduktor.
5. Dalam pabrik-pabrik proses tertentu, seperti pabrik kertas, pengukuran pada beberapa parameter
seperti ketebalan lapisan di seluruh gulungan kertas akan berbeda sangat sedikit dan
menghasilkan standar deviasi yang jauh terlalu kecil jika tujuannya adalah untuk mengendalikan
ketebalan lapisan sepanjang gulungan kertas.

Contoh : Diberikan Individuals & Moving Range Control Chart untuk Data Viskositas Cat Primer
Pesawat Terbang sebagai berikut.

Langkah 1 : Menghitung moving range, rata-rata nilai individu, dan rata-rata moving range

Untuk n = 2 : D3 = 0, D4 = 3.267, d2 = 1.128

Rata-rata dari nilai-nilai ini dihitung sebagai berikut:

𝑀𝑅 0.35+0.81+⋯+0.32
𝑀𝑅 = ∑𝑛𝑖=2 𝑛−1𝑖 =
̅̅̅̅̅
19
= 0.57

Rata-rata nilai-nilai individu

∑𝑋 34.05+34.40+⋯+34.05
𝑋̅𝑛𝑖 = 𝑖 = = 34.09
𝑛𝑖 20
Langkah 2 : Menghitung peta kendali moving range

 ̅̅̅̅̅ = 0,57
CL = 𝑀𝑅
 UCL = D4 𝑀𝑅̅̅̅̅̅ = 3,267(0,57) = 1,87
 LCL = D3 𝑀𝑅̅̅̅̅̅ = 0(0,57) = 0

Langkah 3 : Menghitung peta kendali individu

 CL = 𝑋̅ = 34,09
̅̅̅̅̅
𝑀𝑅 0.57
 UCL = 𝑋̅ + 3 𝑑2 = 34,09 + 31,128 = 35,61
̅̅̅̅̅
𝑀𝑅 0.57
 LCL =𝑋̅ - 3 𝑑2 = 34,09 - 31,128 = 32,57

Kemudian setelah diplot

BAB III
 PENUTUP

1. Kesimpulan

Peta kendali variable merupakan metode statistika untuk menggambarkan adanya variasi
atau penyimpangan dari mutu (kualitas) hasil produksi yang diinginkan. Dengan peta kendali
dapat dibuat batas-batas dimana hasil produksi menyimpang dari ketentuan, dapat mengawasi
dengan mudah apakah proses dalam kondisi stabil atau tidak, dan bila terjadi banyak variasi atau
penyimpangan suatu produk dapat segera menentukan keputusan apa yang harus diambil.

1. X dan R adalah peta kendali untuk mengendalikan proses berdasarkan rata-rata (Xbar)
dan Range (R). Xbar-R Chart digunakan apabila ukuran sampel yang dikumpulkan
berjumlah lebih dari 2 dan kurang dari atau sama dengan 5 (2<n≤5) pada setiap set
sampel data, jumlah set sampel yang ideal adalah 20-25 set sampel.
2. X dan S adalah peta kendali untuk mengendalikan proses berdasarkan rata-rata (Xbar)
dan Standar Deviasi (S). Xbar-S Chart digunakan apabila ukuran sampel yang
dikumpulkan berjumlah lebih dari 5 (n>5) pada setiap sampel data, jumlah set sampel
yang ideal adalah 20-25 set sampel.
3. I-MR (Individual Moving Range ) I-MR Chart digunakan apabila data sampel yang
dikumpulkan hanya berjumlah satu unit. Chart jenis ini sering digunakan jika sampel
yang diperiksa tersebut harus dimusnahkan (tidak dapat dipakai kedua kalinya) atau pada
produk yang berharga tinggi