PENGENDALIAN DAN KUALITAS STATISTIK

(SPC)

A. Pengertian Pengendalian dan Kualitas Statistik (SPC)

Pengendalian dan kualitas statistik (SPC) adalah ilmu yang mempelajari

tentang teknik/metode pengendalian kualitas berdasarkan prinsip/ konsep
statistic. Pengendalian kualitas statistik adalah alat yang sangat berguna dalam
membuat produk sesuai dengan spesifikasi sejak dari awal proses hingga akhir
proses. Dalam banyak proses produksi, akan selalu ada gangguan yang dapat
timbul secara tidak terduga. Apabila gangguan tidak terduga dari proses ini
relatif kecil biasanya dipandang sebagai gangguan yang masih dapat diterima
atau masih dalam batas toleransi. Apabila gangguan proses ini relatif besar atau
secara kumulatif cukup besar dikatakan tingkat gangguan yang tidak dapat
diterima.
Ide menemukan pengendalian kualitas statistical adalah untuk
mengetahui apa yang sedang terjadi dan bisa digunakan untuk memprediksi
apa yang akan terjadi sehingga tindakan yang di pandang perlu, bisa segera
dilakukan melalui penggambaran control chart.

B. Tujuan Pengendalian Kualitas Statistik

Tujuan dari pengendalian kualitas statistic terhadap produksi yaitu:
1. Memperoleh jaminan kualitas (quality assurance) dapat dilakukan
dengan rencana sampel penerimaan
2. Menjaga konsistensi kualitas, dilaksanakan dengan control chart. Dengan
penerapan pengendalian kualitas statistical perusahaan akan
mendapatkan manfaat atau keuntungan antara lain :
1). Untuk mempertinggi kualitas atau mengurangi biaya.
2). Menjaga kualitas lebih uniform.
3). Penggunaan alat produksi lebih efisien.
4). Mengurangi rework dan pembuangan.
5). Inspeksi yang lebih baik.
6). Memperbaiki hubungan produsen-konsumen.
7). Spesifikasi lebih baik.
 Gambar bagan peta kendali

Tabel Rumus Control Chart

Sumber : Ilmumanajemenindustri.com
 DATA VARIABEL

A. Pengertian Data Variabel

Data Variabel adalah data yang bisa diukur dan dinyatakan secara
kuantitatif. Contoh dari data variabel yaitu panjang, lebar, tinggi, berat,
temperatur, dan lain-lain. Sifat continuous distribution pada data variabel
menggambarkan data berbentuk selang bilangan yang bisa terjadi dalam digit
dibelakang koma hingga n digit, tidak dapat dihitung, dan tidak terhingga.
Bentuk distribusi yang rapat seperti ini lebih sensitif terhadap perubahan,
namun akan lebih sulit baik dalam mengidentifikasi apa yang harus diukur dan
juga dalam pengukuran aktual. Ketika kita mempunyai data variabel, ada tiga
jenis peta kendali yang dapat kita gunakan, yaitu:

1. 𝑋̅ dan R Chart
Xbar – R Chart adalah Peta kendali untuk mengendalikan proses
berdasarkan Rata-rata (Xbar) dan Range (R). Xbar – R Chart digunakan
apabila ukuran sampel (subgroup) 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. 𝑋̅ dan S Chart
Xbar–S Chart adalah peta kendali untuk mengendalikan proses
berdasarkan Rata-rata (X-bar) dan Standar Deviasi (S). Xbar-S Chart
digunakan apabila ukuran sampel (subgroup) yang dikumpulkan berjumlah
lebih dari 5 (n > 5) pada setiap set sampel data, Jumlah set sample yang ideal
adalah 20 – 25 set sampel.

3. I-MR Chart (Individual Moving Range Chart)

I-MR Chart digunakan apabila data sampel yang dikumpulkan hanya
berjumlah 1 unit. Chart jenis ini sering digunakan jika sampel yang
diperiksa tersebut harus dimusnahkan (tidak dapat dipakai kedua kalinya)
atau pada produk yang berharga tinggi. (Kali ini tidak ada pembahasan lebih
lanjut tentang I-MR Chart).
 PEMBUATAN CHART
̅ dan R Chart
A. 𝑿
Jika sampel relatif kecil (n ≤ 10), kita tidak perlu menggunakan standar
deviasi untuk melihat variasi dalam peta kendali. Nilai range dapat digunakan
untuk membangun peta kendali. Peta kendali ini dikenal dengan nama Xbar
dan R-chart, yang terdiri dari Xbar-chart dan R-chart. Xbar berarti nilai rata-
rata sampel dan R berarti “range”. Range secara sederhana adalah beda nilai
terendah dan tertinggi sampel yang diobservasi, ini akan memberikan
gambaran mengenai variabilitas. R-chart dibuat untuk menata interval variasi
data ke dalam interval yang terkendali sehingga distribusi data membentuk
kurva normal yang ideal. Selanjutya, Xbar-chart dibuat untuk mengarahkan
nilai tengah data hasil R-chart ke titik di mana nilai tengah distribusi normal
berada.

Rumus rata-rata:

Rumus range:

̅ dan R Chart
Langkah-langkah untuk membuat 𝑿
1. Tentukan ukuran subgroup (n=2,3,4,5,…<10).
2. Tentukan banyaknya subgroup (m) setidaknya 20 subgroup.
3. Hitunglah nilai rata-rata dari setiap subgroup.
4. Hitunglah nilai rata-rata keseluruhan yang merupakan centerline dari peta
kontrol.
5. Hitunglah nilai selisih antara data terbesar dan data terkecil, hasil dari
perhitungan tersebut adalah range.
6. Hitunglah nilai rata-rata dari range keseluruhan yang merupakan centerline
dari peta kontrol R.
7. Menghitung batas kontrol untuk peta kontrol X:

8. Menghitung batas control untuk peta control R:

9. Plot data dan R pada peta kontrol dan R serta amati apakah data tersebut
berada dalam pengendalian atau tidak.

10. Hitung Indeks Kapabilitas Proses

 Tabel Nilai-nilai koefisien A2,d2,D3,D4
Subgroup
A2 d2 D3 D4
Size
2 1.88 1.128 ----- 3.268
3 1.023 1.693 ----- 2.574
4 0.729 2.059 ----- 2.282
5 0.577 2.326 ----- 2.114
6 0.483 2.534 ----- 2.004
7 0.419 2.704 0.076 1.924
8 0.373 2.847 0.136 1.864
9 0.337 2.97 0.184 1.816
10 0.308 3.078 0.223 1.777
11 0.285 3.173 0.256 1.744
12 0.266 3.258 0.283 1.717
13 0.249 3.336 0.307 1.693
14 0.235 3.407 0.328 1.672
15 0.223 3.472 0.347 1.653
16 0.212 3.532 0.363 1.637
17 0.203 3.588 0.378 1.622
18 0.194 3.64 0.391 1.608
19 0.187 3.689 0.403 1.597
20 0.18 3.735 0.415 1.585
21 0.173 3.778 0.425 1.575
22 0.167 3.819 0.434 1.566
23 0.162 3.858 0.443 1.557
24 0.157 3.895 0.451 1.548
25 0.153 3.931 0.459 1.541

CONTOH SOAL
CV Pendulum adalah perusahaan pembuat produk industri berupa barang.
Ditetapkan spesifikasi adalah : 3.05 ± 0,05 mm. Untuk mengetahui kemampuan
proses dan mengendalikan proses itu bagian pengendalian CV Pendulum telah
melakukan pengukuran terhadap 20 sampel subgroup. Masing-masing berukuran 4
unit (n=4).

Sampel Hasil Pengamatan

1 X1 X2 X3 X4
2 3.02 3.01 3.1 3
3 3.04 3.07 3.04 3.01
4 3.01 3.05 3.05 3.05
5 3.01 3.05 3.09 3
6 3.05 3.04 3.06 3.02
7 3.09 3.1 3.04 3.06
8 3.02 3.01 3.06 3.07
 9 3.07 3 3.01 3.02
10 3.01 3.05 3.09 3.04
11 3.06 3.06 3.08 3.08
12 3.09 3.04 3.01 3.08
13 3.05 3.07 3.07 3.01
14 3.03 3.04 3.06 3.07
15 3.07 3.03 3.09 3
16 3.05 3.05 3 3.06
17 3.05 3.07 3.02 3.03
18 3.07 3.07 3.04 3.05
19 3.03 3.06 3.03 3.1
20 3.09 3.05 3 3.01

1. Tentukan nilai CL, UCL dan LCL untuk membuat X bar dan R Chart
2. Tentukan nilai CPk

Jawab
1. Sebelum menentukan nilai CL, UCL, dan LCL maka pertama-tama perlu
diketahui dulu nilai rata-rata tiap subgroup.
𝛴𝑋𝑖 𝑋1𝑖+𝑋2𝑖+𝑋3𝑖+𝑋4𝑖
Dimana nilai 𝑋̅i = =
𝑛𝑖 4
Hasil Pengamatan Rata-rata Range
Sampel
X1 X2 X3 X4
1 3.04 3.06 3.05 3.02 3.0425 0.04
2 3.02 3.01 3.1 3 3.0325 0.1
3 3.04 3.07 3.04 3.01 3.04 0.06
4 3.01 3.05 3.05 3.05 3.04 0.04
5 3.01 3.05 3.09 3 3.0375 0.09
6 3.05 3.04 3.06 3.02 3.0425 0.04
7 3.09 3.1 3.04 3.06 3.0725 0.06
8 3.02 3.01 3.06 3.07 3.04 0.06
9 3.07 3 3.01 3.02 3.025 0.07
10 3.01 3.05 3.09 3.04 3.0475 0.08
11 3.06 3.06 3.08 3.08 3.07 0.02
12 3.09 3.04 3.01 3.08 3.055 0.08
13 3.05 3.07 3.07 3.01 3.05 0.06
14 3.03 3.04 3.06 3.07 3.05 0.04
15 3.07 3.03 3.09 3 3.0475 0.09
16 3.05 3.05 3 3.06 3.04 0.06
17 3.05 3.07 3.02 3.03 3.0425 0.05
18 3.07 3.07 3.04 3.05 3.0575 0.03
19 3.03 3.06 3.03 3.1 3.055 0.07
20 3.09 3.05 3 3.01 3.0375 0.09
Jumlah 60.9 1.23
 Rata-Rata 3.04 0.06
Menentukan nilai rata-rata dari X bar:
𝛴𝑋̅ 60.9
𝑋̿ = = = 3.04
𝑁 20

Menentukan nilai rata-rata R (range)

𝛴𝑅 1.23
𝑅̅ = = = 0,06
𝑁 20

Menentukan Nilai tengah (CL) untuk X bar Chart dan R Chart

CL - X bar Chart
𝛴𝑋̅
CL = 𝑋̿ = = 3.04
𝑁
CL - R Chart
𝛴𝑅
̅=
CL = 𝑅 = 0,06
𝑁

Menentukan Batas Atas Kendali (UCL), dan Batas Bawah Kendali (LCL) untuk
Peta Kendali X bar
UCL = 𝑋̿ + (A2*𝑅̅ )
= 3.04 + (0,729*0.06)
= 3.08
LCL = 𝑋̿ - (A2*𝑅̅ )
= 3.04 - (0,729*0.06)
= 2.99

X Bar Chart
3.1

3.08

3.06

3.04

3.02

2.98

2.96

2.94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Xi CL UCL LCL

Menentukan Batas Atas Kendali (UCL), dan Batas Bawah Kendali (LCL) untuk
Peta Kendali R:
UCL = D4*𝑅̅
 = 2.282*0.06
= 0.14
LCL = D3*𝑅̅
= 0*0,06
=0

R Chart
0.16
0.14
0.12
0.1
0.08
0.06
0.04
0.02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

R CL UCL LCL

Dari hasil Plotting diketahui bahwa tidak ada data yang out of control. Sehingga
dilanjutkan kedalam penghitungan kapabilitas proses.
Menentukan nilai S
𝑅̅ 0,06
S= = = 0.029
𝑑2 2.059
Menentukan nilai Cp
𝑈𝐶𝐿−𝐿𝐶𝐿 3.08−2.99
Cp = = = 0,52
6𝑆 6 (0.029)

Menentukan nilai UCL atau CPU

̿
𝑈𝐶𝐿−𝑋 3.08−3.04
CPU = = = 0,46
3𝑆 3(0,029)
Menentukan nilai LCL atau CPL
𝑋̿ − 𝐿𝐶𝐿 3.04−2.99
CPL = = = 0,57
3𝑆 3(0,029)
Menentukan nilai Indeks Kapabilitas Proses
Cpk = Minimum { CPU;CPL}
Cpk = 0,46

Kesimpulan :
1. Berdasarkan data grafik diatas tidak ada yan melewati batas sehingga dapat
dinyatakan baik.
2. Nilai Cpk sebesar 0.46 yang diambil dari nilai CPU menunjukkan bahwa proses
cenderung mendekati batas spesifikasi atas.
3. Nilai Cp sebesar 0.52 ternyata kurang dari 1, hal ini menunjukkan kapabilitas
proses untuk memenuhi spesifikasi yang ditentukan rendah.
 ̅ dan S Chart
B. 𝑿
Pada R-chart di atas, kita telah mengukur variabilitas (mengestimasi standar
deviasi) proses secara tidak langsung melalui penggunaan range R. Dalam
kondisi tertentu terutama ketika anggota subgrup analisis di atas 10 atau 12 (n
> 10), dan ukuran subgrup tidak konstan, kita perlu mengestimasi standar
deviasi proses secara langsung. S-chart dapat menggantikan R-chart, yang
mana s dalam S-chart berarti sigma (σ) atau standar deviasi sampel.
Seperti halnya X-bar dan R-chart, X-bar dan S-chart juga terdiri dari
sepasang peta kendali, satu untuk memantau standar deviasi proses dan satu
lagi untuk memantau rata-rata proses. Untuk lebih jelasnya perhatikan contoh
kasus di bawah ini. Seorang analis mengumpulkan tujuh sampel subgrup
masing-masing terdiri dari 20 pengamatan selama 1 shift produksi.

̅ dan S Chart
Langkah-langkah pembuatan 𝑿
1. Tentukan ukuran subgroup (n >10).
2. Tentukan banyaknya subgroup (k) setidaknya 20 subgroup.
3. Hitunglah nilai rata-rata dari setiap subgroup.
4. Hitunglah nilai rata-rata keseluruhan yang merupakan centerline dari peta
kontrol.

5. Hitunglah nilai simpangan baku dari setiap subgroup.

6. Hitunglah nilai rata-rata dari seluruh simpangan baku yang merupakan

garis tengah pada peta kendali S.
7. Menghitung batas kontrol untuk peta kontrol X:

8. Menghitung batas kontrol untuk peta kontrol S:

9. Plot data X dan S pada peta control X dan S serta amati apakah data
tersebut berada dalam pengendalian atau tidak.

Tabel Nilai A3, B3, B4

Subgroup
A3 B3 B4
Size
2 2.659 ----- 3.267
3 1.954 ----- 2.568
4 1.628 ----- 2.266
5 1.427 ----- 2.089
6 1.287 0.03 1.97
7 1.182 0.118 1.882
8 1.099 0.185 1.815
9 1.032 0.239 1.761
10 0.975 0.284 1.716
11 0.927 0.321 1.679
12 0.886 0.354 1.646
13 0.85 0.382 1.618
14 0.817 0.406 1.594
15 0.789 0.428 1.572
16 0.763 0.448 1.552
17 0.739 0.466 1.534
18 0.718 0.482 1.518
19 0.698 0.497 1.503
20 0.68 0.51 1.49
21 0.663 0.523 1.477
22 0.647 0.534 1.466
23 0.638 0.545 1.455
24 0.619 0.555 1.445
25 0.606 0.565 1.435
CONTOH SOAL
Perusahaan Besi Palu melakukan monitoring terhadap produk yang dihasilkan
oleh bagian produksi selama 20 hari. Setiap hari diambil 10 produk untuk diukur
panjangnya. Selengkapnya tersaji dalam tabel berikut:
Hasil Pengamatan
Sampel
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
1 3.02 3.01 3.1 3 3.1 3.09 3.04 3.01 3.08 3.06
2 3.04 3.07 3.04 3.01 3.04 3.07 3.01 3.06 3.07 3.06
3 3.01 3.05 3.05 3.05 3.05 3.02 3 3.01 3.02 3.01
4 3.01 3.05 3.09 3 3.09 3.04 3.05 3.09 3.04 3.09
5 3.05 3.04 3.06 3.02 3.06 3.01 3.06 3.08 3.08 3.08
6 3.09 3.1 3.04 3.06 3.04 3.05 3.05 3.04 3.01 3.06
7 3.02 3.01 3.06 3.07 3.06 3.05 3 3.1 3.09 3.04
8 3.07 3 3.01 3.02 3.01 3.04 3.01 3.04 3.07 3.01
9 3.01 3.05 3.09 3.04 3.09 3.1 3.05 3.05 3.02 3
10 3.06 3.06 3.08 3.08 3.08 3.01 3 3.09 3.04 3.05
11 3.09 3.04 3.01 3.08 3.06 3.09 3.02 3.06 3.01 3.06
12 3.05 3.07 3.07 3.01 3.09 3.08 3.06 3.04 3.05 3.05
13 3.03 3.04 3.06 3.07 3.05 3.01 3.07 3.06 3.05 3.09
14 3.07 3.03 3.09 3 3.03 3.07 3.02 3.01 3.04 3.06
15 3.05 3.05 3 3.06 3.07 3.02 3.01 3 3.09 3.04
16 3.05 3.07 3.02 3.03 3.05 3.04 3.09 3.02 3.06 3.01
17 3.07 3.07 3.04 3.05 3.05 3.08 3.08 3.06 3.04 3.05
18 3.03 3.06 3.03 3.1 3.07 3.08 3.06 3.07 3.06 3.05
19 3.09 3.05 3 3.01 3.09 3.01 3.09 3.02 3.01 3.04
20 3.06 3.07 3.03 3.04 3 3.07 3.05 3.04 3.09 3.1

1. Tentukan nilai CL, UCL dan LCL untuk membuat X bar dan S Chart
Jawab
Seperti metode untuk membuat X bar dan R Chart, pertama-tama cari terlebih
dahulu nilai rata-rata tiap subgroup.
𝛴𝑋𝑖
𝑋̅𝑖 = 𝑛

Rata-
Sampel S
rata
1 3.051 0.037802
2 3.047 0.021932
3 3.027 0.019519
4 3.055 0.032326
5 3.054 0.023324
 6 3.054 0.024576
7 3.05 0.031305
8 3.028 0.024413
9 3.05 0.032863
10 3.055 0.029069
11 3.052 0.029257
12 3.057 0.021471
13 3.053 0.021471
14 3.042 0.027857
15 3.039 0.029138
16 3.044 0.023749
17 3.059 0.014457
18 3.061 0.020224
19 3.041 0.035057
20 3.055 0.028018
Jumlah 60.974 0.527828
Rata-Rata 3.0487 0.026391

Setelah mengetahui nilai rata-rata nya, kemudian cari nilai S nya dengan rumus:
𝛴(𝑋𝑖−𝑋)^2
S=√ 𝑛−1

𝛴𝑆𝑖
𝑆̅ = 𝑁

Kemudian tentukan nilai CL, UCL, dan LCL untuk peta kendali rata-rata X dan
peta kendali S.
Nilai CL untuk X Chart
𝛴𝑋̅60.974
CL = 𝑋̿ = 𝑁 = 20 = 3.0487

Nilai CL untuk S Chart

0.527828
CL = 𝑆̅ = 20 = 0.026391

Nilai UCL & LCL untuk X Chart

UCL = 𝑋̿ + (A3*𝑆̅ )
= 3.0487 + (0,975*0,026391)
= 3.0744
LCL = 𝑋̿ - (A3*𝑆̅ )
= 3.0487 – (0,975*0,026391)
= 3.0229
NIlai UCL & LCL untuk S Chart
UCL = B4*𝑆̅
= 1.716*0,026391 = 0,0453
LCL = B3*𝑆̅
= 0,284*0,026391 = 0,0075

X Bar Chart
3.08
3.07
3.06
3.05
3.04
3.03
3.02
3.01
3
2.99
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Xi CL UCL LCL

S Chart
0.05
0.045
0.04
0.035
0.03
0.025
0.02
0.015
0.01
0.005
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Si CL UCL LCL
 DATA ATRIBUT

Peta Kendali (P dan nP)

Peta kendali atau control chart adalah peta yang digunakan dengan metode
grafik untuk mengevaluasi suatu proses, apakah dalam keadaan terkendali atau
tidak. Dalam keadaan terkendali maksudnya adalah apakah proses itu masih dalam
batasan batas toleran atau tidak. Masalah yang harus diselesaikan dengan peta
kendali adalah apakah variasi yang diamati berada pada kondisi normal atau tidak
normal.
Peta kendali secara garis besar ada 2, yaitu peta kendali atribut dan peta kendali
variabel. Peta kendali variabel untuk data berkelompok atau dalam bentuk variabel,
sedangkan peta kendali atribut untuk data berbentuk atribut, data kuantitatif yang
dapat dipetakan secara langsung. Peta kendali P dan nP adalah termasuk dalam peta
kendali atribut.

Peta kendali P
Peta kendali P (pengendali proporsi kesalahan) merupakan salah satu peta
kendali atribut yang digunakan untuk mengendalikan bagian produk cacat dari hasil
produksi. Pengendali proporsi kesalahan (p-chart) digunakan untuk mengetahui
apakah cacat produk yang dihasilkan masih dalam batas yang disyaratkan atau
tidak. Dapat dikatakan juga sebagai perbandingan antara banyaknya cacat dengan
semua pengamatan, yaitu setiap produk yang diklasifikasikan sebagai “diterima”
atau “ditolak” (yang diperhatikan banyaknya produk cacat).
Peta pengendali proporsi kesalahan digunakan bila kita memakai ukuran cacat
berupa proporsi produk cacat dalam setiap sempel yang diambil. Bila sampel yang
diambil untuk setiap kali melakukan observasi jumlahnya sama maka kita dapat
menggunakan peta pengendali proporsi kesalahan (p-chart) maupun banyaknya
kesalahan (np-chart). Namun bila sampel yang diambil bervariasi untuk setiapkali
melakukan observasi berubah-ubah jumlahnya atau memang perusahaan tersebut
akan melakukan 100% inspeksi maka kita harus menggunakan peta pengendali
proporsi kesalahan (p-chart).
Langkah-langkah pembuatan peta kendali p konstan dan variasi adalah sebagai
berikut:
 No Konstan
1 Tentukan ukuran contoh/subgrup yang cukup besar (n > 30)
2 Kumpulkan banyaknya subgrup (k) sedikitnya 20–25 sub-grup
3 Hitung untuk setiap subgrup nilai proporsi unit yang cacat
𝑥
p=𝑛
dengan : p = proporsi kesalahan
setiap sampel
x = banyaknya produk
yang salah dalam
setiap sampel
n = banyaknya sampel
yang diambil dalam
inspeksi
4 Hitung nilai rata-rata dari p, yaitu p dapat dihitung dengan :

5 Hitung batas kendali CL, UCL dan LCL dari peta kendali p :

6 Plot data proporsi (persentase) unit cacat serta amati apakah data
tersebut berada dalam pengendalian atau diluar pengendalian.

Bila sampel yang diambil bervariasi untuk setiap kali melakukan observasi atau
jumlah sampel berubah-ubah jumlahnya atau memang perusahaan tersebut akan
melakukan 100% inspeksi maka kita harus menggunakan peta pengendali proporsi
kesalahan (p-chart) model harian/individu atau dengan model rata-rata. Namun
yang lebih sering digunakan karena caranya yang simpel adalah model peta
pengendali proporsi kesalahan rata-rata dengan rumus batas pengendali sebagai
berikut:
p = jumlah Xi / jumlah sampel ke i
 Bila sampel yang diambil bervariasi untuk setiapkali melakukan observasi
atau jumlah sampel berubah-ubah jumlahnya, maka pada kolom “subgroup sizes”
diisi dengan jumlah seluruh ukuran sampel.
Individu Rata-rata
Garis
Pusat

Dimana :
Pi = proporsi kesalahan setiap
sampel pada setiap kali observasi
xi = banyaknya kesalahan setiap
sampel pada setiap kali observasi
ni = banyaknya sampel yang
diambil pada setiap kali observasi
yang selalu bervariasi
g = banyaknya observasi
Batas
Atas &
Batas
Bawah

Rata-rata
nilai
Batas
Atas dan
Batas
Bawah

Ketentuan penggunaan P chart individu dan rata rata yaitu:

1. Bila LCL < pi < UCL dan ni < n menggunakan peta pengendali rata-rata
2. Bila LCL < pi < UCL dan ni > n manggunakan peta pengendali individu
3. Bila pi < LCL atau pi > UCL dan ni > n menggunakan peta pengendali rata_rata
4. Bila pi < LCL atau pi > UCL dan ni < n Menggunakan peta pengendali individu
 Peta kendali NP
Seperti yang telah dijelaskan sebelumnya bahwa bila sampel yang diambil
setiap kali melakukan observasi jumlahnya sama maka kita dapat menggunakan
peta pengendali proporsi kesalahan (p-chart) maupun banyaknya kesalahan (np-
chart). Bila peta kendali p digunakan untuk memetakan proses secara proporsional,
maka peta kendali np merupakan peta kendali yang digunakan untuk mengukur
banyaknya produk cacat per item.
Peta kendali np biasa digunakan untuk memetakan jumlah item cacat atau
banyaknya cacat dari sebuah sampel yang diambil. Berbeda dengan peta kendali p
yang dapat memetakan proses dengan jumlah sampel tiap observasi sama maupun
tidak sama, peta kendali np hanya biasa digunakan apabila sampel yg diambil tiap
observasi jumlahnya sama.
Langkah-langkah untuk membuat peta kendali NP tidak jauh berbeda dengan
peta kendali P yang perlu diperhatikan adalah jika P memonitor proporsi cacat
dalam jumlah sampel, maka NP memonitor jumlah cacat itu sendiri. Perbedaan-
perbedaan lainnya yaitu:

1. Batas kendali dihitung dengan np ± 3√np(1 – p) , yang mana n adalah

ukuran sampel dan p adalah proporsi cacat. Jika nilai standar untuk p tidak
tersedia, 𝑝̅ (rata-rata p) dapat digunakan untuk menghampiri p.
2. Data yang di-plot-kan pada peta kendali adalah jumlah cacat (np), bukan
proporsi cacat (p̂).
3. Ukuran sampel (n) harus konstan.

CONTOH SOAL

1. Pada perusahaan pembuatan gelas kimia ditemukan cacat produk dalam sampel
yang bervariasi setiap kali melakukan observasi. Adapun sampel yang diambil
dan kesalahan yang terjadi sebagai berikut:
 Banyaknya Banyaknya Produk Proporsi Produk
Observasi
Sampel Cacat Cacat
1 100 10 0.1
2 90 8 0.09
3 100 14 0.14
4 40 2 0.05
5 50 4 0.08
6 20 1 0.05
7 30 2 0.07
8 50 2 0.05
9 90 10 0.11
10 100 8 0.08
11 60 6 0.1
12 70 9 0.13
13 30 3 0.1
14 70 4 0.06
15 20 2 0.1
16 80 6 0.08
17 90 9 0.1
18 30 2 0.07
19 40 5 0.125
20 20 2 0.1

Cara untuk mencari nilai proporsi produk cacat yaitu

𝑥
p=
𝑛
Tentukan gambar P Chartnya
Jawab
Banyaknya Banyaknya Produk Proporsi Produk
Observasi
Sampel Cacat Cacat UCL LCL
1 100 10 0.1 0.179238 0.005507
2 90 8 0.09 0.183937 0.000809
3 100 14 0.14 0.179238 0.005507
4 40 2 0.05 0.229719 -0.04497
5 50 4 0.08 0.215219 -0.03047
6 20 1 0.05 0.28661 -0.10186
7 30 2 0.07 0.250967 -0.06622
8 50 2 0.05 0.215219 -0.03047
9 90 10 0.11 0.183937 0.000809
10 100 8 0.08 0.179238 0.005507
11 60 6 0.1 0.204516 -0.01977
12 70 9 0.13 0.196197 -0.01145
13 30 3 0.1 0.250967 -0.06622
14 70 4 0.06 0.196197 -0.01145
 15 20 2 0.1 0.28661 -0.10186
16 80 6 0.08 0.189491 -0.00475
17 90 9 0.1 0.572927 0.000809
18 30 2 0.07 0.250967 -0.06622
19 40 5 0.125 0.092373 -0.04497
20 20 2 0.1 0.28661 -0.10186
Jumlah 1180 109 1.785 4.630179 -0.68362
Rata-Rata 59 5.45 0.08925 0.231509 -0.03418

LCL yang bernilai negative akan dibulatkan menjadi 0 karena tidak mungkin
bernilai negative, LCL bernilai negarif karena terjadi tingkat ketidaksesuaian yang
kecil, yang menyebabkan CL dari grafik pengendali p mendekati nol.
𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑜𝑑𝑢𝑘 𝐶𝑎𝑐𝑎𝑡
𝑃̅ = 𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑜𝑑𝑢𝑘 𝐷𝑖𝑖𝑛𝑠𝑝𝑒𝑘𝑠𝑖

CL = 𝑃̅
𝑃̅ (1−𝑃̅ )
UCL = 𝑃̅ + 3 √ 𝑛

̅
𝑃 (1−𝑃 ) ̅
LCL = 𝑃̅ - 3 √ 𝑛

P Chart
0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Pi CL UCL LCL

Kemudian lakukan plotting data, dikarenakan terdapat data yang melewati batas
maka proses produksi gelas kimia tersebut harus dilakukan pengulangan
pengambilan data dengan menghilangkan data ke -19.
 Banyaknya Banyaknya Produk Proporsi Produk
Observasi
Sampel Cacat Cacat UCL LCL
1 100 10 0.1 0.177608 0.004848
2 90 8 0.09 0.182281 0.000176
3 100 14 0.14 0.177608 0.004848
4 40 2 0.05 0.227807 0
5 50 4 0.08 0.213388 0
6 20 1 0.05 0.28438 0
7 30 2 0.07 0.248936 0
8 50 2 0.05 0.213388 0
9 90 10 0.11 0.182281 0.000176
10 100 8 0.08 0.177608 0.004848
11 60 6 0.1 0.202744 0
12 70 9 0.13 0.194472 0
13 30 3 0.1 0.248936 0
14 70 4 0.06 0.194472 0
15 20 2 0.1 0.28438 0
16 80 6 0.08 0.187804 0
17 90 9 0.1 0.568795 0.000176
18 30 2 0.07 0.248936 0
19 20 2 0.1 0.28438 0
Jumlah 1140 104 1.66 4.500199 0
Rata- Rata 60 5.473684211 0.087368421 0.236853 0

Kemudian lakukan plotting data ulang dengan data yang baru

P Chart Revisi
0.6

0.5

0.4

0.3

0.2

0.1

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

Pi CL UCL LCL
2. Pada perusahaan pembuatan gelas kimia ditemukan cacat produk dalam sampel
yang bervariasi setiap kali melakukan observasi. Adapun sampel yang diambil
dan kesalahan yang terjadi sebagai berikut:
Banyaknya Banyaknya Produk
Observasi
Sampel Cacat
1 70 4
2 70 5
3 70 2
4 70 6
5 70 4
6 70 6
7 70 1
8 70 3
9 70 7
10 70 1
11 70 3
12 70 7
13 70 8
14 70 2
15 70 4
16 70 4
17 70 6
18 70 2
19 70 2
20 70 8
Jumlah 1400 85

Jawab
Metode P Chart
Banyaknya Banyaknya Produk Proporsi Produk
Observasi
Sampel Cacat Cacat
1 70 4 0.057142857
2 70 5 0.071428571
3 70 2 0.028571429
4 70 6 0.085714286
5 70 4 0.057142857
6 70 6 0.085714286
7 70 1 0.014285714
8 70 3 0.042857143
9 70 7 0.1
10 70 1 0.014285714
11 70 3 0.042857143
12 70 7 0.1
 13 70 8 0.114285714
14 70 2 0.028571429
15 70 4 0.057142857
16 70 4 0.057142857
17 70 6 0.085714286
18 70 2 0.028571429
19 70 2 0.028571429
20 70 8 0.114285714
Jumlah 1400 85 1.214285714
Rata- Rata 70 4.25 0.060714286

𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑜𝑑𝑢𝑘 𝐶𝑎𝑐𝑎𝑡

𝑃̅ = 𝑇𝑜𝑡𝑎𝑙 𝑃𝑟𝑜𝑑𝑢𝑘 𝐷𝑖𝑖𝑛𝑠𝑝𝑒𝑘𝑠𝑖 = 0,06

CL = 𝑃̅
𝑃 (1−𝑃 )̅ ̅
0.06 (1−0.06 )
UCL = 𝑃̅ + 3 √ 𝑛 = 0,06 + 3 √ = 0.15
70

̅
𝑃 (1−𝑃 ) ̅
0.06 (1−0.06 )
LCL = 𝑃̅ - 3 √ 𝑛 = 0,06 - 3 √ = -0,03 = 0
70

LCL yang bernilai negative akan dibulatkan menjadi 0 karena tidak

mungkin bernilai negative, LCL bernilai negarif karena terjadi tingkat
ketidaksesuaian yang kecil, yang menyebabkan CL dari grafik pengendali p
mendekati nol.

Chart Title
0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Pi CL UCL LCL

Kemudian lakukan plotting data, dikarenakan seluruh data tidak ada yang
melewati batas maka proses produksi gelas kimia tersebut sudah terkendali.
Metode NP Chart
Banyaknya Banyaknya Produk Proporsi Produk
Observasi
Sampel Cacat Cacat
1 70 4 0.057142857
2 70 5 0.071428571
3 70 2 0.028571429
4 70 6 0.085714286
5 70 4 0.057142857
6 70 6 0.085714286
7 70 1 0.014285714
8 70 3 0.042857143
9 70 7 0.1
10 70 1 0.014285714
11 70 3 0.042857143
12 70 7 0.1
13 70 8 0.114285714
14 70 2 0.028571429
15 70 4 0.057142857
16 70 4 0.057142857
17 70 6 0.085714286
18 70 2 0.028571429
19 70 2 0.028571429
20 70 8 0.114285714
Jumlah 1400 85 1.214285714
Rata-Rata 70 4.25 0.060714286

Pertama-tama cari dulu nilai NP nya

𝐵𝑎𝑛𝑦𝑎𝑘 𝑃𝑟𝑜𝑑𝑢𝑘 𝐶𝑎𝑐𝑎𝑡 85
NP = = 20 = 4.25
𝐽𝑢𝑚𝑙𝑎ℎ 𝑂𝑏𝑠𝑒𝑟𝑣𝑎𝑠𝑖

UCL = NP + 3 √𝑁𝑃 (1 − 𝑃̅ ) = 4.25 + 3 √4.25 (1 − 0.06) = 10.25

LCL = NP - 3 √𝑁𝑃 (1 − 𝑃̅ ) = 4.25 - 3 √4.25 (1 − 0.06) = -1.75 = 0

 NP Chart
12

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Npi CL UCL LCL

Kemudian lakukan plotting data, dikarenakan seluruh data tidak ada yang melewati
batas maka proses produksi gelas kimia tersebut sudah terkendali.
 DAFTAR PUSTAKA
https://sites.google.com/site/kelolakualitas/p-Chart/Contoh-p-Chart-Sampel-
Bervariasi
https://sites.google.com/site/kelolakualitas/Xbar-R-Chart
https://sites.google.com/site/kelolakualitas/Xbar-R-Chart
https://sites.google.com/site/kelolakualitas/Xbar-R-Chart/Contoh-Xbar-R-chart-2
https://sites.google.com/site/kelolakualitas/p-Chart
https://sites.google.com/site/kelolakualitas/x-S-Chart/Contoh-x-S-Chart
https://sites.google.com/site/kelolakualitas/tabel-nilai-A2d2D3D4
https://sites.google.com/site/kelolakualitas/tabel-nilai-A3B3B4
https://sites.google.com/site/kelolakualitas/x-S-Chart
https://www.academia.edu/12120886/Peta_Kendali_p_dan_np
Juran, M, Joseph, Juran’s Quality Handbook Fifth Edition, Mc Graw Hills, New York
TUGAS PENGENDALIAN DAN PENJAMINAN MUTU

Oleh:
Rheannisa Priyanka (1813008)
Mufassir Ahnaf Ahrsy (1813009)
Peter Christian (1813015)
Farhandika Akbar Romanto (1813016)
Gede Ngurah Surya Kencana (1813034)

PROGRAM STUDI TEKNIK INDUSTRI S-1

FAKULTAS TEKNIK INDUSTRI
INSTITUT TEKNOLOGI NASIONAL MALANG
2019