TI 3221 PENGENDALIAN KUALITAS STATISTIK

TOPIK 9
PETA KENDALI KHUSUS

LD, Semester II 2003/04 Hlm. 1

TI 3221 PENGENDALIAN KUALITAS STATISTIK

1. PETA KENDALI UNTUK PENGUKURAN INDIVIDUAL

n = 1.
Situasi:
ƒ Digunakannya inspeksi & pengukuran otomatis, setiap unit produk dianalisis;
ƒ Tingkat produksi sangat rendah, dan tidak memungkinkan dilakukan sampling dengan n>1;
ƒ Pengukuran berulang pada proses akan berbeda karena faktor kesalahan lab atau analisis,
seperti pada proses kimia.
Contoh:
Pengendalian viskositas cat, dengan data sampling sbb.
∑i =1 X i
15
Batch Viskositas MR
502 ,85
1 33,75 - X = = 15
= 33 ,52 Untuk n = 2 :
n
2 33,05 0,70 D3 = 0
∑
14
3 34,00 0,95 6 ,73
i =1
MRi
MR = = = 0 ,48 D 4 = 3,267
4 33,81 0,19 14 14
d 2 = 1,128
5 33,46 0,35 PETA KENDALI MR :
6 34,02 0,56
GT = MR = 0 ,48
7 33,68 0,34
8 33,27 0,41 BKAMR = D4 MR = ( 3,267 )( 0 ,48 ) = 1,57
9 33,49 0,22 BKBMR = D3 MR = ( 0 )( 0 ,48 ) = 0
10 33,20 0,29
11 33,62 0,42 PETA KENDALI X :
12 33,00 0,62 GT = X = 33 ,52
13 33,54 0,54
MR 0 ,48
14 33,12 0,42 BKAX /BKB X = X ± 3 = 33 ,52 ± 3
15 33,84 0,72 d2 1,128
Σ 502,85 6,73 BKAX = 34 ,80 dan BKB X = 32 ,24

LD, Semester II 2003/04 Hlm. 2

1
TI 3221 PENGENDALIAN KUALITAS STATISTIK

a. Peta Kendali Moving Range

b. Peta Kendali untuk Pengukuran Individual

LD, Semester II 2003/04 Hlm. 3

TI 3221 PENGENDALIAN KUALITAS STATISTIK

Peta Kendali untuk Pengukuran Individual

Interpretasi harus hati-hati, karena terjadi korelasi antar data moving average.

a. Peta Kendali Moving Range

b. Peta Kendali untuk Pengukuran Individual

LD, Semester II 2003/04 Hlm. 4

2
TI 3221 PENGENDALIAN KUALITAS STATISTIK

2. SHORT RUN PRODUCTION

LD, Semester II 2003/04 Hlm. 5

TI 3221 PENGENDALIAN KUALITAS STATISTIK

Peta Kendali p untuk short-

short-run production

LD, Semester II 2003/04 Hlm. 6

3
 3. CUMULATIVE
TI 3221 SUM (CUSUM)
PENGENDALIAN KUALITAS STATISTIKCONTROL CHART
Kelebihan :
ƒ Menggunakan informasi yang terkandung dalam observasi sebelumnya.
ƒ Dapat mendeteksi pergeseran kecil.
ƒ Jumlah kumulatif pada sampel ke-m :
m
S m = ∑ X i − µo( )
i =1
dimana X i = rata − 2 sampel ke - i & µo = target rata - 2 proses
Batas Kendali (V-Mask) :
∆X
Jika ∆X = besar pergeseran yang ingin dideteksi , pergeseran relatif rata - 2 proses : δ =
σX
2  1− β 
Jarak pemandu V - mask : d= ln 
δ 2  α 
2
Jika probabilitas Error Tipe II , β , dipilih sangat kecil, maka : d =− ln(α )
δ2
 ∆X 
Sudut lengan V - mask : θ = tan-1   , dimana
 2k 
 
k = faktor skala yang merepresentasikan unit skala vertikal pada peta
Rekomendasi : k antara σ X dan 2σ X
1
Average Run Length : ARL =
p
p = probabilitas bahwa satu titik akan jatuh di luar batas kendali
Untuk 3σ pada peta kendali Shewhart, di mana proses dalam kendali, p = 0,026.
LD, Semester II 2003/04 Hlm. 7

3. CUMULATIVE
TI 3221 SUM (CUSUM)
PENGENDALIAN KUALITAS STATISTIKCONTROL CHART
Contoh:
Untuk pengendalian persentase kandungan kalsium dalam obat dilakukan pengecekan terhadap
15 subgrup dengan n=5. Target rata-rata yang diinginkan adalah 26,5% dengan deviasi standar
0,2%. Diinginkan peta kendali yang dapat memonitor pergeseran 0,1 dari rata-2 proses.
Diasumsikan tingkat error tipe I = 0,05.
∆X ∆X 0 ,1
DATA HASIL SAMPLING δ = = = = 1,124
σ X σ / n 0 ,2 / 5
Sub- Rata-2 Deviasi dari Cumsum 2 2
d =− ln(α ) = − ln(0 ,05 ) = 5 ,742
grup Subgrup Target (Si) δ2 (1,124 )2
1 25,5 -1,0 -1,0 Untuk k = 0,125 , maka
2 26,0 -0,5 -1,5  ∆X   
3 26,6 0,1 -1,4 θ = tan -1   = tan -1  0 ,1  = tan − 1 (0 ,4 ) = 21,8 o
 2k   2(0 ,125 ) 
   
4 26,8 0,3 -1,1
5 27,5 1,0 -0,1
6 25,9 -0,6 -0,7
7 27,0 0,5 -0,2
8 25,4 -1,1 -1,3
9 26,4 -0,1 -1,4
10 26,3 -0,2 -1,6
11 26,9 0,4 -1,2
12 27,8 1,3 0,1
13 26,2 -0,3 -0,2
14 26,8 0,3 0,1
15 26,6 0,1 0,2
LD, Semester II 2003/04 Hlm. 8

4
TI 3221 PENGENDALIAN KUALITAS STATISTIK

4. MOVING AVERAGE CONTROL CHART

• Efektif untuk mendeteksi pergeseran proses

• Untuk n=1
• Formulasi Umum : Untuk start-up period (t<w)

w
x t + x t −1 + x t − 2 + ..... + x t − w+1
x = M t= ∑x t
w x = M t= t =1
, t = 1,2,....., w − 1
w = lebar − MA t
σ2 CL = x = M t
Var ( xt ) =
n σ
1 t
1 t σ2 σ2 UCL / LCL = x ± 3 , berubah _ sesuai _ t
Var ( M t ) =
w2
∑ Var ( xi ) =
t − w +1
∑ = nw
w2 t1
− w +1 n
nt
424 3
σ2
w×
n
CL = x = M t
σ
UCL / LCL = x ± 3
nw

LD, Semester II 2003/04 Hlm. 9

TI 3221 PENGENDALIAN KUALITAS STATISTIK

20
• CONTOH SOAL (n=5, w = 6)
∑x t
503
CL = t =1
= = 25,15
Sample Moving Control Limits 20 20
Sam.
Average Average, R(diketahui) = 0,40
No
xt Mt LCL UCL
σˆ =
R
=
0,40
= 0,172
1 25.0 25.0 24.919 25.381 d 2 2,326
2 25.4 25.2 24.987 25.313 t = 3(< w) :
3 25.2 25.2 25.017 25.283 σ 0,172
UCL / LCL = x ± 3 = 25,15 ± 3
4 25.0 25.15 25.035 25.265 nt (5)(3)
5 25.2 25.16 25.047 25.253 UCL = 25,283
6 24.9 25.12 25.056 25.244 LCL = 25,017
7 25.0 25.12 25.056 25.244
8 25.4 25.12 25.056 25.244
9 24.9 25.07 25.056 25.244
10 25.2 25.10 25.056 25.244
11 25.0 25.07 25.056 25.244
12 25.7 25.20 25.056 25.244
13 25.0 25.20 25.056 25.244
14 25.1 25.15 25.056 25.244
15 25.0 25.17 25.056 25.244
16 24.9 25.12 25.056 25.244
17 25.0 25.12 25.056 25.244
18 25.1 25.02 25.056 25.244
19 25.4 25.08 25.056 25.244
20 25.8 25.20 25.056 25.244

LD, Semester II 2003/04 Hlm. 10

5
TI 3221 PENGENDALIAN KUALITAS STATISTIK

5. GEOMETRIC MOVING AVERAGE CONTROL CHART

Gt = r x t + (1 − r )Gt −1
Gt −1 = r x t −1 + (1 − r )Gt − 2
Gt = r x t + r (1 − r ) x t −1 + (1 − r ) 2 Gt − 2
Catatan:
Gt = r x t + r (1 − r ) x t −1 + r (1 − r ) 2 xt − 2 + ..... + G0 Untuk start-up period,
G0 = x = M t analog dengan
σ2 r
Var (Gt ) = ∗ {1 − (1 − r ) 2t } Moving Average
n 2−r Control Chart

Untuk t yang besar, (1-r)2t Æ 0 Untuk t kecil:

σ2 r UCL / LCL = x ± 3σ
r
[1 − (1 − r ) 2t ]
σ ⋅ G = Var (Gt ) = ⋅
n(2 − r )
n 2−r
r
UCL / LCL = x ± 3σ
(2 − r )n
R
σ ← σˆ =
d2

LD, Semester II 2003/04 Hlm. 11

TI 3221 PENGENDALIAN KUALITAS STATISTIK

• CONTOH SOAL (n = 5, w = 6, r = 0,1)

503
x= = 25,15
20
R( diketahui) = 0,40
R 0,40
σˆ = = = 0,172
d 2 0,236

G1 :
G1 = ( r )( x1 ) + (1 − r )G0
G0 = x = 25,15
G1 = (0,2)(25,0) + (1 − 0,2)(25,15) = 25,12

0,2
UCL / LCL = 25,15 ± 3(0,172) [1 − (1 − 0,2) ( 2)(1) ]
(2 − 0,2)5
UCL = 25,196
LCL = 25,104
LD, Semester II 2003/04 Hlm. 12

6
TI 3221 PENGENDALIAN KUALITAS STATISTIK

6. TREND CHART (REGRESSION CONTROL CHART)

• Untuk proses yang menggunakan tool wear atau die wear;
• Rata-rata proses awal & akhir ditentukan dengan batas spesifikasi;
• Asumsi: range batas spesifikasi > range variabilitas proses (Indeks
Kapabilitas Proses >1)

C = a + b(i )

LD, Semester II 2003/04 Hlm. 13

TI 3221 PENGENDALIAN KUALITAS STATISTIK

Formula:
• C = fitted value of the sample average for sample number i;
• a = titik interseksi pada C dengan garis sumbu vertikal;
• b = slope dari C;
• i = nomor subgrup atau sampel;
• g = jumlah subgrup.

a=
∑ x∑ i − (∑ x ⋅ i)(∑ i)
2

g ∑ i − (∑ i )
2 2

g ∑ x i − ∑ x∑ i)
b=
g ∑ i 2 − (∑ i ) 2

UCL / LCL = (a ± A2 R) + b(i )

LD, Semester II 2003/04 Hlm. 14

7
TI 3221 PENGENDALIAN KUALITAS STATISTIK
Sample Rata-2
CONTOH SOAL: No. (i)2 R
(i) x ( x)(i )
Over the course of 1 36.2 36.2 1 8.0
machining the di ameter of 2 42.4 84.8 4 11.8
steel hubs, tool wear takes 3 38.6 115.8 9 6.2
4 45.5 182.0 16 14.3
place on a gradual basis. 5 53.1 265.5 25 16.2
Samples of size 4 were 6 46.7 280.2 36 9.5
randomly selected, and the 7 55.4 387.8 49 10.2
mean and range of the hub 8 42.8 342.4 64 12.0
diameters were found. The 9 57.3 515.7 81 13.9
10 52.6 526.0 100 7.2
following table shows the 11 50.4 554.4 121 11.3
sample mean X and the 12 59.5 714.0 144 15.1
range R for 25 such 13 60.5 786.5 169 11.7
samples. 14 53.8 753.2 196 8.8
15 54.5 817.5 225 12.8
Find the center line and 16 61.2 979.2 256 14.5
control limits of a trend chart 17 60.4 1026.8 289 12.0
18 63.8 1148.4 324 10.4
for the sample average. If
19 64.2 1219.8 361 13.5
the specification limits state 20 61.4 1228.0 400 9.4
that the hub diameter must 21 66.7 1400.7 441 16.6
be from 34 mm to 78 mm, 22 63.2 1390.4 484 12.2
when should the tool be 23 62.1 1428.3 529 10.5
24 64.5 1548.0 576 12.6
changed? 25 69.6 1740.0 625 14.7
325 1,386.4 19,471.6 5,525 295

∑i ∑x ∑ ( x)(i) ∑i ∑R
LD, Semester II 2003/04 Hlm. 15

TI 3221 PENGENDALIAN KUALITAS STATISTIK

(1.386,4)(5.525) − (19.471,6)(325)
a= = 40,972
25(5.525) − (325) 2

25(1.947,6) − (1.386,4)(325)
b= = 1,114 BATAS-BATAS KENDALI
25(5.525) − (325) 2
UCL/ LCL= (a + A2 R) + b(i)
C = 40,972 + 1,114(i ) UCL/ LCL= [40,972± (0,729)(11,84)] + (1,114)(i)
R = 296 / 25 = 11,84 UCL= 49,6035+ (1,114)(i)
n = 4, A2 = 0,729
UCL= 32,341− (1,114)(i)
PETA KENDALI

LD, Semester II 2003/04 Hlm. 16

8
TI 3221 PENGENDALIAN KUALITAS STATISTIK

7. MULTIVARIATE CONTROL CHART

Korelasi : − Independen Korelasi : −

A. Area kendali segiempat (joint control), B. Area kendali elips,

Peta kendali dibangun secara Peta kendali dibangun secara simultan;
independen untuk variabel yang berkorelasi
Prob. (error tipe I) : Prob. rata-2 sampel dalam area elips
α’ = 1 – (1 - α)p (dalam kendali) = 1 - α

LD, Semester II 2003/04 Hlm. 17

TI 3221 PENGENDALIAN KUALITAS STATISTIK

Hotelling’s T2 Control Chart

T2 =
n
( s s − s122 )
2 2
1 2
[
s22 ( x1 − x1 ) 2 + s12 ( x 2 − x 2 ) 2 − 2 s12 ( x1 − x1 )( x 2 − x 2 ) ]
• dof = 2 (jumlah karakteristik kualitas), dan n-1 (dof variansi sampel).
• Jika T2 > T2α, 2, (n-1) , maka paling tidak ada satu karakteristik kualitas
yang berada di luar batas kendali.
• Hubungan distribusi T2 dan F: (n − 1)
Tα2, p ,( n −1) = p Fα , p ,n − p
(n − p )
• n = dof numerator, n-p = dof denominator distribusi F.
• Untuk lebih dari 2 karakteristik:

T 2 = n( X − X )' S −1 ( X − X ) m = jumlah subgrup (sampel)

 mnp − mp − np + p 
UCL = 
 mn − m − p + 1 
LD, Semester II 2003/04
n = ukuran subgrup
p = jumlah karakteristik yang
 Fα , p ,( mn − m − p +1) dikendalikan
Hlm. 18

9
TI 3221 PENGENDALIAN KUALITAS STATISTIK

Vektor rata-rata sampel dari i karakteristik :

X 1j 
 
X j =  X 2 j  , j = 1,2 ,..., m( no.sampel )
 M 
 
 X pj 
Nilai rata-rata observasi untuk karakteristik ke-i dari sampel ke-j:

∑ xijk
n
 i = 1,2 ,..., p
X ij = k =1 ,
n  j = 1,2 ,..., m k = no. observasi, k = 1, 2, …, n
Variansi sampel dari karakteristik ke-i dari sampel ke-j:
1 n  i = 1,2 ,..., p
sij2 = ∑ ( X ijk − X ij )2 ,
( n − 1 ) k =1  j = 1,2 ,..., m
Kovariansi antara karakteristik ke-i & ke-h dari sampel ke-j:
1 n  j = 1,2 ,..., m
sihj = ∑ ( X ijk − X ij )( X hjk − X hj ),
( n − 1 ) k =1  i≠h
LD, Semester II 2003/04 Hlm. 19

TI 3221 PENGENDALIAN KUALITAS STATISTIK

Vektor rata-rata nominal dari setiap

karakteristik untuk m sampel:
m

∑Xj =1
ij

Xi = , i = 1,2,..., p
m
Elemen matriks variansi-kovariansi S:

m
Contoh Peta Kendali Hotelling’s T2
∑ s ij
j =1
si2 = , i = 1,2,..., p
m
m

∑s
j =1
ihj

sih = ,i ≠ h
m
Matriks
variansi-  s12 s12 s13 K s1 p 
kovariansi S:  s22 s23 K s1 p 

S= s32 K s3 p 
 
 M 
 s 2p 
LD, Semester II 2003/04  Hlm. 20

10
TI 3221 PENGENDALIAN KUALITAS STATISTIK

Data for the bivariate process characteristics of single-strand

break factor and weight of textile fibers

LD, Semester II 2003/04 Hlm. 21

TIPerhitungan
3221 PENGENDALIAN KUALITAS
batas-batas STATISTIK
kendali bivariat

T2 =
n
( s s − s122 )
2 2
1 2
[
s22 ( x1 − x1 ) 2 + s12 ( x 2 − x 2 ) 2 − 2s12 ( x1 − x1 )( x 2 − x 2 ) ]
LD, Semester II 2003/04 Hlm. 22

11
TI 3221 PENGENDALIAN KUALITAS STATISTIK

Peta Kendali Hotelling’s T2

T 2 = n( X − X )' S −1 ( X − X )
 mnp − mp − np + p 
UCL =   Fα , p ,( mn − m − p +1)
LD, Semester II 2003/04
 mn − m − p + 1  Hlm. 23

12