Pengendalian Kualitas Statistik Produk Z di PT PQR Berdasarkan Berat

Kertas Tipe II Menggunakan Peta Kendali CUSUM dan EWMA

1
Herviana Mayu Nabila 2Asva Abadila Rouhan

1,2
Departemen Statistika Institut Teknologi Sepuluh Nopember

Jl. Raya ITS, Sukolilo, Surabaya, Jawa Timur 60111

e-mail: 1nabilamayu@gmail.com, 2abadilaasva@gmail.com

Abstrak Dalam suatu proses produksi tidak semua produk dapat memenuhi
target. Beberapa produk akan mengalami kecacatan karena tidak sesuai dengan
target. Sehingga diperlukan suatu pengendalian kualitas untuk proses produksi.
Untuk beberapa produk, kecacatan mungkin terjadi sangat kecil sehingga
pergeseran proses tidak dapat terdeteksi oleh peta kendali shewhart, maka dapat
digunakan peta kendali CUSUM dan EWMA. Begitu pula proses produksi kertas
produk Z di perusahaan PQR yang dilihat berdasarkan berat kertas setelah diberi
lem. Setelah dilakukan analisis menggunakan peta kendali CUSUM dan EWMA
didapatkan hasil bahwa proses produksi kertas produk Z tipe II tidak terkendali
secara statisik. Dengan menggunakan analisis kapabilitas proses, didapatkan hasil
bahwa proses produksi produk Z tipe II tidak kapabel.

Keywords Berat Kertas, Peta Kendali CUSUM, Peta Kendali EWMA

1 Pendahuluan
Semakin ketatnya persaingan di sektor industri membuat perusahaan berlomba-
lomba ingin memproduksi barang yang berkualitas agar dapat bersaing di pasar. Namun
dalam suatu proses produksi, produk yang dihasilkan tidak akan selalu sempurna. Pasti
ada produk yang cacat atau menyimpang dari target meski penyimpangannya hanya
sedikit. Produk yang cacat tersebut tentunya akan berkurang kualitasnya. Begitu pula
dengan proses produksi kertas, karena ketebalan kertas yang sangat tipis dan berat kertas
yang sangat ringan sehingga penyimpangan atau kesalahan produksinya kecil. Pergeseran
yang kecil tersebut seringkali tidak dapat terdeteksi oleh peta kendali shewhart. Oleh
karena itu untuk mengukur suatu pergeseran proses yang kecil dibutuhkan peta kendali
yang lebih peka terhadap pergeseran proses yang kecil yaitu peta kendali CUSUM dan
EWMA [3].
Penelitian kali ini bertujuan untuk meneliti proses pengendalian statistik di PT
PQR yang merupakan sebuah perusahaan industri yang memproduksi labelstock, release
liner dan adhesive tape. Salah satu hasil produk labelstock adalah produk Z yang sering
digunakan dalam industri manufaktur. Produk Z dipasarkan dalam bentuk lembaran atau
sheet. Produk Z terdiri dari 2 tipe yaitu tipe I dan tipe II. Pada penelitian kali ini hanya
digunakan satu variabel yaitu produk Z tipe II. Proses pengendalian produksi produk Z di
PT PQR dapat dilihat dari berat kertas, ketebalan lem, serta berat kertas setelah diberi
lem. Pada penelitian kali ini, analisis difokuskan pada variabel berat kertas setelah diberi
lem.
Penelitian kali ini menggunakan statistika deskriptif untuk mengetahui
karakteristik data. Kemudian menggunakan peta kendali CUSUM dan EWMA, serta
kapabilitas proses. Asumsi untuk peta kendali CUSUM yaitu data harus sudah diambil
secara acak dan berdistribusi normal, sedangkan untuk peta kendali EWMA asumsi yang
harus dipenuhi ialah data harus acak. Jumlah data yang digunakan minimal sebanyak 30
data serta pergeseran proses setidaknya harus berada diantara 0,5σ - 1,5σ.
Dengan adanya penellitian ini, diharapkan dapat bermanfaat bagi penulis agar
dapat memahami materi mengenai peta kendali CUSUM dan EWMA. Kemudian juga
dapat memahami materi mengenai kapabilitas proses serta diagram pareto. Manfaat untuk
PT PQR ialah dapat mengetahui pengendalian kualitas produk Z agar kedepannya dapat
terus meningkatkan kualitas produksi untuk produk Z tipe II.

2 Tinjauan Pustaka

2.1 Statistika Deskriptif

Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan
dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika
deskriptif memberikan informasi hanya mengenai data yang dipunyaidan sama sekali
tidak menarik inferensia atau kesimpulan apapun tentang gugus data induknya yang lebih
besar. Penyusunan tabel, diagram, grafik, dan besaran-besaran lain di majalah dan koran-
koran termasuk dalam kategori statistika deskriptif ini [1].

2.1.1 Mean
Mean adalah teknik penjelasan kelompok yang didasarkan atas nilai rata-rata dari
kelompok tersebut [2].
Rumus menghitung mean adalah sebagai berikut:

X i
X i 1
(2.1)
n

Keterangan:
xi = data ke-i
n = banyaknya data
2.1.2 Variance
Varians adalah salah satu ukuran penyebaran data atau ukuran variansi varians
dapat mengggambarkan bagaimana berpencarnya suatu data kuantitatif [2]. Rumus
varians adalah sebagai berikut :

 ( x  x) i
2

2  i 1
(2.2)
n

Keterangan :
σ2 = varians
= data ke-i
n = jumlah data
̅ = rata-rata data

2.1.3 Median
Median adalah salah satu teknik penjelasan kelompok yang didasarkan atas nilai
tengah dari kelompok data yang telah disusun urutannya dari yang terkecil sampai yang
terbesar, atau sebaliknya dari yang terbesar sampai yang terkecil [2]. Rumus median
adalah sebagai berikut.

Untuk n ganjil :

Me  x n 1 (2.3)
2

Untuk n genap :

xn  x n
1
Me  2 2
(2.4)
2

2.2 Uji Keacakan

Uji keacakan adalah pengujian yang dilakukan untuk menentukan apakah suatu
rangkaian data pengamatan merupakan hasil suatu proses yang acak. Adapun prosedur
dalam pengujian keacakan adalah sebagai berikut [1].
Hipotesis:
Ho : Data pengamatan telah diambil secara acak dari suatu populasi
H1 : Data pengamatan yang diambil dari populasi tidak acak
Statistika uji:
1. Jika n1 dan n2 < 20
Menghitung banyaknya runtun = r, r diperoleh dari banyaknya hasil runtun data
yang dibandingkan dengan nilai median yang diperoleh.
2. Jika n1 dan n2 > 20, maka :

 2n n 
r   1 2  1
Z  n1  n2  (2.5)
2n1n2  2n1n2  n1n2 
 n1  n2 2 ( n1n2 1)

Dengan,
r = banyaknya runtun data
n1 = banyaknya data bertanda (+)
n2 = banyaknya data bertanda (-)

Daerah kritis:
1. Untuk data < 20
Tolak H0 jika, r < atau r > , dimana dan diperoleh dari
tabel nilai kritis untuk runtun r dengan n1 dan n2.
2. Untuk data > 20

Tolak H0 jika,  Z  Z Z  atau p-value < .
1 1 2
2 2

2.3 Uji Distribusi Normal

Uji distribusi normal dapat dilakukan dengan menggunakan uji Kolmogorov
Smirnov karena pengujian tersebut adalah pengujian yang sederhana dan tidak
menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang lain [1].
Uji distribusi normal dilakukan sebelum menganalisis suatu permasalahan lebih lanjut.
Jika data tidak berdistribusi normal, maka akan terjadi kesulitan dalam menurunkan
distribusi sampling CUSUM.
Pernyataan hipotesis untuk pengujian ini adalah sebagai berikut.
H0 : Distribusi data mengikuti distribusi normal
H1 : Distribusi data tidak mengikuti distribusi normal
 Statistik uji yang digunakan adalah sebagai berikut.

D  Supx  Fn ( x)  F0 ( x)  (2.6)

Di mana Fn  x  adalah probabilitas kumulatif normal dan F0  x  adalah probabilitas

kumulatif empiris. Tolak H0 jika nilai p-value kurang dari α.

2.4 Peta Kendali Cumulative Sum (CUSUM)

Kelemahan besar dari peta kendali Shewhart adalah hanya menggunakan
informasi mengenai proses pada sampel observasi terakhir dan mengabaikan semua
informasi yang diberikan oleh seluruh urutan nilai-nilai sebelumnya. Ciri-ciri ini
membuat peta kendali Shewhart relatif kurang peka untuk mendeteksi perubahan proses
yang kecil, dalam hal ini pada nilai 1,5𝜎 ke bawah. Salah satu peta kendali alternatif yang
diajukan untuk menutupi kekurangan tersebut adalah peta kendali Cumulative Sum
(CUSUM).
Peta kendali CUSUM menghimpun secara langsung semua informasi di dalam
barisan nilai-nilai sampel dengan menambahkan jumlah kumulatif deviasi nilai sampel
dari nilai target. Sehingga peta kendali CUSUM digunakan untuk mendeteksi pergeseran
kecil pada mean atau varians dalam proses oleh karena adanya penyebab khusus secara
lebih efisien [3].
Peta kendali CUSUM secara langsung menggabungkan seluruh informasi pada
rangkaian nilai sampel dengan menggambarkan jumlah kumulatif dari nilai deviasi
sampel dari nilai objektif. Asumsikan bahwa sampel berukuran 𝑛 ≥ 1, x j adalah rata-rata
dari j-sampel , dan 𝜇0 adalah nilai yang diinginkan sebagai rata-rata proses, peta kendali
CUSUM dibentuk dengan formula :

i
Ci   ( x j  0 ) (2.7)
j 1

𝐶𝑖 adalah nilai CUSUM dari sampel ke-i, jika nilai rata-rata shift berubah naik
hingga terjadi 𝜇1 > 𝜇0 , maka pada CUSUM akan terjadi penyimpangan ke arah positif,
sebaliknya, jika nilai 𝜇1 < 𝜇0 , maka pada nilai CUSUM akan terjadi penyimpangan ke
arah negatif.

2.4.1 Tabular Cumulative Sum (CUSUM)

Misalkan 𝑖 adalah pengamatan ke-i pada proses. Ketika proses terkendali, 𝑖
berdistribusi normal dengan mean 𝜇0 dan standar deviasi 𝜎. Tabular CUSUM bekerja
dengan mengumpulkan hasil perhitungan dari nilai 𝜇0 yang berada di atas target dengan
menggunakan statistik 𝐶+, dan juga mengumpulkan hasil perhitungan dari nilai 𝜇0 yang
berada di bawah target dengan statistik 𝐶−. Statistik 𝐶+ dan 𝐶− disebut sebagai Upper
Cusum dan Lower Cusum satu arah. Keduanya dihitung sebagai berikut.

Ci  max 0, xi  ( 0  K )  Ci1 

(2.8)
Ci  max 0, ( 0  K )  xi  Ci1 

Pada Minitab, Lower Cusum didefinisikan sebagai

Ci  min 0, xi  0  k  Ci1  (2.9)

Dimana nilai awal C0  C0  0 , nilai K disebut reference value didapatkan dari nilai
tengah antara 𝜇0 dan 𝜇1 .Jika shift (𝛿) dinyatakan dengan standar deviasi, maka nilai 𝜇1
adalah

1  0  
 1  0 (2.10)
K 
2 2

𝐶𝑖− dan 𝐶𝑖+ adalah kumpulan penyimpangan dari nilai target 𝜇0 yang lebih besar
dari 𝐾. 𝑁+ dan 𝑁− adalah banyaknya periode berurutan dari 𝐶+ dan 𝐶− yang tidak bernilai
nol. Nilai 𝐻 merupakan decision interval dan nilai yang paling sering digunakan sebesar
5𝜎 [3].

2.5 Peta Kendali Exponentially Weighted Moving Average (EWMA)

EWMA merupakan alternatif dari diagram kontrol Shewhart jika terdapat
perubahan kecil  . Diagram kontrol EWMA dapat memperkirakan ekuivalen pada
diagram kontrol CUSUM sehingga sangat mudah untuk dioperasikan. Sama dengan
diagram kontrol CUSUM, EWMA dapat digunakan untuk observasi individual dan
rational subgroup dengan ukuran sampel n >1. Sama dengan diagram kontrol CUSUM,
diagram ini juga digunakan untuk memonitor rata-rata dari suatu proses [3]. Rumusnya
sebagai berikut :

zi   xi  (1   ) zi 1 (2.11)
dimana 0    1 adalah konstan (sampel pertama i=1) maka z 0   0 . Kadang-kadang
data pengamatan awal digunakan sebagai initial value untuk memulai membuat EWMA
sehingga z0  x . Jika observasi xi adalah variabel random yang independen dengan
varians  2 , maka varians dari z i sebagai berikut:

  
 z2   2   1  1    
2i
(2.12)
i
 2 

Oleh karena itu, peta kendali EWMA akan dibuat dengan memplot zi versus
jumlah sampel i. Garis tengah dan batas kendali untuk peta kendali EWMA adalah
sebagai berikut.

 
UCL  0  L 1  1    
2i

2  
CL  0 (2.13)

 
LCL  0  L 1  1    
2i

2  

Keterangan :
UCL = Batas Kendali Atas
LCL = Batas Kendali Bawah
L = Lebar batas kontrol
0 = Nilai target
λ = Konstanta
σ = Standar Deviasi

2.6 Kapabilitas Proses

Selain pembuatan diagram kontrol, hal yang juga diperlukan dalam pengendalian
kualitas adalah menghitung nilai kapabilitas dari suatu proses. Indeks Kapabilitas Proses
(Capability Process Index) adalah indeks yang menunjukkan kemampuan proses dalam
menghasilkan produk/ output yang sesuai dengan spesifikasi [3]. Kapabilitas proses
dirumuskan sebagai berikut.

USL  LSL
Cp  (2.14)
6
 Apabila 𝐶 maka produk/jasa sudah capable atau sesuai dengan spesfikasi.
Untuk spesifikasi satu arah diganakan CPU dan CPL.

USL  x
Cpu 
3
(2.15)
x  LSL
Cpl 
3

Indeks Cp tidak memperhitungkan perbedaan rataan proses terhadap rataan

spesifikasi Cpk merupakan perbaikan Cp.

Cpk  min(Cpu, Cpl ) (2.16)

Jika Cp = Cpk, proses terpusat di rataan spesifikasi, dan tidak terpusat bila Cp <
Cpk. Cp dinamakan kapabilitas potensial, Cpk mengukur kapabilitas aktual.
Syarat-syarat proses dapat disebut kapabel yaitu sebagai berikut.
a. Proses terkendali secara statistik
b. Memenuhi batas spesifikasi
c. Presisi dan akurasi proses tinggi
Beberapa kegunaan utama dalam analisis kapabilitas proses adalah memperkirakan
seberapa baik proses akan memenuhi toleransi yang diberikan, membantu
mengembangkan produk dalam memilih atau mengubah proses, serta mengurangi
variabilitas dalam proses produksi.

3 Metodologi Penelitian

3.1 Sumber Data

Data yang digunakan pada praktikum kali ini adalah data sekunder yaitu data
berat kertas setelah diberi lem jenis kertas tipe II pada Bulan Januari 2013. Data yang
diambil berasal dari Tugas Akhir mahasiswa ITS yang berjudul Proses Pengendalian
Produksi Produk Z di PT “PQR”. Pengambilan data dilakukan di Ruang Baca Statistika
pada Kamis, 8 November 2018.

3.2 Variabel Penelitian

Variabel penelitian yang digunakan pada praktikum ini adalah data kualitas
produksi produk Z berdasarkan berat kertas tipe II setelah diberi lem.
3.3 Struktur Data
Struktur data pada praktikum ini adalah sebagai berikut.

Tabel 3.1 Struktur Data

Observasi Berat Kertas+Lem
1 x1
2 x2

70 x70

3.4 Langkah Analisis

Langkah analisis pada praktikum ini adalah sebagai berikut.

1. Mengumpulkan data.
2. Mengidentifikasi karakteristik data menggunakan statistika deskriptif.
3. Menguji keacakan dan distribusi normal pada data.
4. Membuat peta kendali CUSUM dan EWMA.
5. Menganalisis kapabilitas proses.
6. Menarik kesimpulan.

4 Analisis dan Pembahasan

4.1 Karakteristik Data

Karakteristik data merupakan hal yang wajib dilakukan sebelum [3]statistika
deskriptif. Berikut ini adalah statistika deskriptif data berat kertas setelah dilem jenis
kertas tipe II.

Tabel 4.1. Statistika Deskriptif Data Berat Kertas Tipe II

Mean Variance Minimum Median Maximum
96,357 6,913 92 96 104
Berdasarkan Tabel 4.1 diketahui bahwa rata-rata berat kertas setelah diberi lem
jenis kertas tipe II sebesar 96,357 gram. Nilai ini hampir sama dengan median data yaitu
96 gram. Kedua nilai ini tidak sama dengan target yang ditentukan yaitu 95. Kertas
dengan berat paling ringan adalah kertas ke-17 dengan berat 92 gram sedangkan kertas
paling berat adalah kerta ke-68 dengan brat sebesar 104 gram. Kertas yang paling berat
juga tidak sesuai dengan spesifikasi, yaitu berat maksimum 98. Berat 50% data berada
kurang dari 96 gram. Berat kertas ini cukup bervariasi karena nilai variansnya 6,913.
4.2 Uji Asumsi Keacakan dan Distribusi Normal
Data yang akan digunakan dalam pengendalian proses statistika menggunakan
peta kendali CUSUM harus memenuhi asumsi keacakan dan berdistribusi normal.
Sedangkan asumsi yang digunakan pada peta kendali EWMA harus memenuhi asumsi
acak. Berikut ini uji asumsi keacakan dan distribusi normal data berat kertas setelah
dilem jenis kertas tipe II.

Tabel 4.2. Uji Asumsi Keacakan dan Distribusi Normal Data Berat Kertas Tipe II
Uji Keacakan Uji Distribusi Normal
P-value 0,194 >0,15
Berdasarkan Tabel 4.2 didapatkan bahwa nilai p-value untuk kedua uji asumsi
bernilai lebih dari α=0,05. Maka dapat disimpulkan bahwa data berat kertas setelah dilem
jenis kertas tipe II telah memenuhi asumsi keacakan dan distribusi normal. Sehingga
pengendalian proses statistika menggunakan peta kendali CUSUM dan EWMA dapat
dilakukan.

4.3 Peta Kendali CUSUM

Peta kendali CUSUM adalah alternatif dari peta kendali Shewhart yang relatif
kurang peka untuk mendeteksi pergeseran proses yang kecil. Peta kendali CUSUM dapat
mendeteksi pergeseran proses dari 0,5𝜎 - 1,5𝜎. Berikut ini peta kendali CUSUM untuk
data berat kertas tipe II.
CUSUM Chart of Berat Kertas + Lem
50

40

30
Cumulative Sum

20

10
UCL=7.95

0 0

LCL=-7.95
-10
1 8 15 22 29 36 43 50 57 64
Sample
An estimated historical parameter is used in the calculations.

Gambar 4.1 Peta Kendali CUSUM Data Berat Kertas Tipe II

Dari hasil analisis peta kendali CUSUM didapatkan nilai UCL (Upper
Central Limit) sebesar 7,95 serta nilai LCL (Lower Central Limit) sebesar -7,95.
Berdasarkan Gambar 4.1, dapat dilihat bahwa terdapat titik-titik merah yang
keluar dari batas kendali atas atau UCL. Sehingga dapat ditunjukkan bahwa
terjadi pergeseran rata-rata proses pada berat kertas setelah diberi lem yang terjadi
mulai pada pengamatan ke-48. Maka proses produksi kertas tipe II berdasarkan
berat kertas setelah diberi lem tidak terkendali secara statistik.

4.4 Peta Kendali EWMA

Peta kendali EWMA digunakan untuk memonitor rata-rata dari suatu proses
produksi produk Z kertas tipe II berdasarkan berat kertas setelah dilem. Pada peta kendali
EWMA diperlukan bobot  .  optimum dicari dengan cara memasukkan bobot antara
0,1-0,9 kemudian memilih bobot  dari selisih terkecil antara observasi out of control
terjauh dan batas kendali. Berikut ini adalah perbandingan bobot  data berat kertas
setelah dilem jenis kertas tipe II.
Tabel 4.2 Perbandingan Lamda (λ)
Bobot  Data out of control Batas Kendali Atas Selisih
0,1 98,893 96,326 2,567
0,2 100,45 96,927 3,523
0,3 101,249 97,428 3,821
0,4 102,11 97,89 4,22
0,5 102,7 98,34 4,36
0,6 103,08 98,78 4,3
0,7 103,3 99,24 4,06
0,8 103,62 99,72 3,9
0,9 103,87 100,23 3,64

Berdasarkan Tabel 4.3 dapat disimpulkan bahwa Bobot  optimum adalah 0,1
karena memiliki selisih terkecil di antara bobot  lainnya. Batas kendali atas digunakan
karena ada data yang lebih besar dari batas spesifikasi yang ditentukan. Berikut ini adalah
peta kendali EWMA dengan bobot  sebesar 0,1 untuk data berat kertas setelah dilem
jenis kertas tipe II.
 99

98

97

UCL=96,326
EWMA

96

_
_
95 X=95

94
LCL=93,674

93
1 8 15 22 29 36 43 50 57 64
Sample

Gambar 4.2 Peta Kendali EWMA Data Berat Kertas Tipe II

Peta kendali EWMA data berat kertas tipe II dengan bobot  sebesar 0,1
berdasarkan Gambar 4.2 menghasilkan batas kenali atas 96,326 dan batas kendali bawah
sebesar 93,674. Terdapat 12 data yang terletak di luar batas kendali atas. Hal ini
menandakan bahwa proses produksi produk Z kertas tipe II berdasarkan berat kertas
setelah dilem tidak terkendali secara statistik dan terdapat pergeseran mean pada proses
tersebut.

4.5 Kapabilitas Proses

Indeks Kapabilitas Proses (Capability Process Index) adalah indeks yang
menunjukkan kemampuan proses dalam menghasilkan produk/ output yang sesuai
dengan spesifikasi [3]. Berikut hasil analisis kapabilitas proses untuk data berat kertas
tipe II.

Gambar 4.3 Kapabilitas Proses Data Berat Kertas Tipe II

 Berdasarkan hasil analisis kapabilitas proses pada Gambar 4.3 diperoleh nilai Pp
sebesar 0.38, artinya presisi dari berat kertas tipe II rendah dan variansi antar pengamatan
tinggi. Nilai Ppk sebesar 0.21, artinya berat kertas tipe II memiliki akurasi yang rendah.
Sehingga proses produksi kertas tipe II berdasarkan berat kertas setelah diberi lem tidak
kapabel serta tidak memenuhi batas spesifikasi yang telah ditentukan perusahaan yaitu 92
– 98 gsm. Nilai Ppm sebesar 200000 artinya dalam satu juta produk Z tipe II yang
produksi terdapat 200000 produk yang tidak memenuhi batas spesifikasi.

5 Kesimpulan dan Saran

5.1 Kesimpulan
Berdasarkan hasil analisis dan pembahasan diperoleh kesimpulan sebagai berikut.
1. Rata-rata berat kertas produk Z tipe II setelah diberi lem adalah sebesar 96,357 gram,
Median sebesar 96 gram, dan varians sebesar 6,913. Kertas dengan berat paling ringan
adalah kertas ke-17 dengan berat 92 gram sedangkan kertas paling berat adalah kertas
ke-68 dengan berat sebesar 104 gram.
2. Berdasarkan Uji Keacakan dan Uji nNormalitas didapatkan p-value untuk kedua uji
asumsi bernilai lebih dari α=0,05. Maka data berat kertas tipe II setelah diberi lem
telah memenuhi asumsi keacakan dan distribusi normal.
3. Berdasarkan peta kendali CUSUM terjadi pergeseran proses mulai pada pengamatan
ke-48. Sehingga proses produksi kertas tipe II setelah diberi lem tidak terkendali
secara statistik.
4. Pada Peta kendali EWMA dengan bobot  sebesar 0,1 terdapat 12 titik yang berada
di atas LCL. Sehingga proses produksi kertas tipe II setelah diberi lem tidak terkendali
secara statistik.
5. Berdasarkan hasil analisis kapabilitas proses diperoleh nilai Pp sebesar 0.38, niilai Ppk
sebesar 0.21. Nilai Pp dan Ppk < 1 artinya proses produksi kertas tipe II berdasarkan
berat kertas setelah diberi lem tidak kapabel serta tidak memenuhi batas spesifikasi
yang telah ditentukan perusahaan. Nilai Ppm sebesar 200000 artinya dalam satu juta
produk Z tipe II yang produksi terdapat 200000 produk yang tidak memenuhi batas
spesifikasi.

5.2 Saran
Saran yang diberikan kepada pengamatan selanjutnya adalah lebih teliti
lagi dalam melakukan pengamatan. Selain itu, dibutuhkan ketelitian dalam proses
input data hasil pengamatan agar tidak terjadi kesalahan dalam proses analisis.
Selanjutnya untuk proses produksi kertas produk Z tipe II di PT PQR diharapkan
lebih ditingkatkan lagi kualitasnya agar berat produk kertas setelah diberi lem
dapat akurat dan presisi sesuai dengan target spesifikasi yang telah ditentukan.
Daftar Pustaka

[1] W. W. Daniel, Statistik Nonparametrik Terapan, Jakarta: PT Gramedia, 1989.

[2] R. E. Walpole, Pengantar Metode Statistika, Jakarta: PT. Gramedia Pustaka Utama,
2012.

[3] D. C. Montgomery, Introduction To Statistical Quality Control, Arizona: John Wiley

& Sons, Inc., 2013.

Lampiran

Observasi Berat Observasi Berat Observasi Berat Observasi Berat

1 95,33 21 95,67 41 94 61 97,33
2 95,33 22 96 42 96 62 98,33
3 95 23 94,33 43 97,33 63 96,67
4 94 24 94 44 94 64 96
5 94,33 25 96,67 45 95,67 65 97,33
6 93,67 26 98 46 97,67 66 103,33
7 94 27 96 47 98,33 67 104
8 95 28 98,33 48 97 68 103,33
9 95,67 29 97 49 96,33 69 101
10 102,33 30 95,33 50 92,67 70 101,33
11 93,33 31 98 51 95,33
12 94 32 95 52 97,67
13 94,33 33 96,67 53 99
14 98 34 96,67 54 98
15 95,33 35 95 55 93,67
16 92 36 93,33 56 97,33
17 98,67 37 98,33 57 93
18 96,33 38 96,33 58 92,33
19 94 39 92,67 59 95,67
20 93,67 40 98,67 60 99