Dalam paragraf yang lalu telah kita sajikan latar belakang statistik untuk grafik
pengendalian x̅ dan R . sekarang kita lukiskan pembentukan dan penerapan grafik-grafik ini
dalam praktek.
Contoh 6-1
Cincin piston untuk mesin automobil di produksi dengan proses penempaan . kita ingin
membuat pengendalian proses ini dengan menggunakan grafik x̅ dan R . telah diambil dua
puluh lima sampel masing –masing berukuran lima, ketika kita menyangka bahwa proses itu
terkendali . data dari sampel – sampel ini di tunjukkan dalam tabel 6-1.
.karena batas pengendalian pada grafik x̅ tergantung pada variabilitas proses, kecuali
variabilitas proses terkendali. Batas pengendali ini tidak akan banyak berarti . menggunakan
data dalam tabel 6-1, kita peroleh garis tengah untuk grafik R sama dengan
∑25
𝑅=1 𝑅𝑅 0,581
R̅ = = = 0,023
25 25
Untuk sampel dengan n = 5,kita peroleh D3 = 0 dan D4 = 2,115 dari tabel lampiran VI .
oleh karena itu, dengan menggunakan (6-10), batas pengendalian untuk grafik adalah
Grafik R ditunjukkan dalam gambar 6-2. Apabila rentang 25 sampel itu digambarkan pada
grafik ini, tidak ada petunjuk keadaan yang tidak terkendali. Karena grafik R menunjukkan
bahwa variabilitas proses terkendali sekarang kita boleh membuat grafik x̅. Garis tengahnya
adalah
∑25
𝑅=1 x̅i 1850,024
x̅ = = =74,001
25 25
untuk mendapatkan batas pengendali grafik x̅, kita gunakan A2 = 0,577 dari tabel lampiran
Dan
dalam grafik ini, tidak ada petunjuk diamatinya keadaan tak terkendali . dengan demikian ,
karena grafik x̅ dan R keduanya menunjukkan keadaan terkendali , kita simpulkan bahwa
proses terkendali pada tingkat yang dinyatakan dan memakai batas pengendalian percobaan
Grafik x̅ dan R memberikan informasi tentang kemampuan penampilan proses . dari grafik
x̅, kita dapat menaksir mean diameter cincin piston sebagai x̅ = 74,001mm. Deviasi standar
Dengan nilai d2 untuk sampel berukuran lima diperoleh dalam tabel lampiran VI. Batas
spesifikasi cincin piston ini adalah 74,00 ± 0,03 mm. Data grafik pengendalian dapat
relatif terhadap spesifikasi ini. Dengan menganggap bahwa diameter cincin piston adalah
variabel random berdistribusi normal dengan mean 74,001 dan deviasi standar 0,0099, kita
dapat menaksir bagian tak sesuai cincin piston yang diproduksi sebagai
73,970−74,001 74,030−74,001
=ϕ( ) + 1- ϕ ( )
0,0099 0,0099
= ϕ (-3,13)+1-ϕ(2,93)
= 0,00087+1-0,99831
= 0,00256
Yakni , sekitar 0,256% dari cincin piston yang diproduksi akan ada di luar spesifikasi.Cara
lain untuk menyatakan kemampuan proses adalah bentuk perbandingan kemampuan proses
(PKP),yang untuk karakteristik kualitas dengan batas spesifikasi atas dan bawah (masing-
𝑅𝑅𝑅−𝑅𝑅𝑅
PKP = 6σ
Perhatikan bahwa penyebaran proses 6σ adalah defenisi dasar kemampuan proses . untuk
74,03−73,97
PKP = 6(0,0099)
0,06
= 0,0594
= 1,01
Ini berarti bahwa batas toleransi “alami” dalam proses itu (3-sigma di atas dan di bawah
mean ) hampir tepat berimpit dengan batas spesifikasi atas dan bawah . akibatnya , cukup
rendah banyak cincin piston yang tak sesuai yang akan di produksi.
Dalam gambar 6-4(α) ditunjukkan suatu proses dengan PKP > 1. Perhatikan bahwa batas
benar tidak akan ada unit yang di produksi yang tidak sesuai. Gambar 6-4(b) menunjukkan
suatu proses dengan PKP = 1. Untuk distribusi normal,ini berarti sekitar 27 unit tak sesuai per
10.000 yang di hasilkan . akhirnya, gambar 6-4 (c) menyajikan suatu proses dengan PKP < 1
, apabila toleransi alaminya terletak di dalam spesifikasi , proses itu sangat peka hasilnya,dan
Lima belas sampel tambahan dari proses produksi cincin piston diambil setelah dibuat
grafik pengendalian itu. Data dari sampel-sampel baru ini ditunjukkan dalam tabel 6-2,dan
kelanjutan Grafik x̅ dan R ditunjukkan dalam gambar 6-5. Grafik pengendalian menunjukkan
bahwa proses dalam keadaan terkendali sebelum nilai x̅ dari sampel kedua belas digambarkan
. karena titik ini dan tiga titik berikutnya terletak di atas batas pengendalian atas, kita
menyangka bahwa sebab terduga telah terjadi sekitar waktu itu. Pola umum titik-titik pada
grafik x̅ dari sekitar 9 dan 10 , khususnya jika batas peringatan atau sesuatu aturan
pengambilan keputusan lain yang dibicarakan dalam bab 4 untuk mempekakan dan
bahwa ini adalah 2560 ketidaksesuaian benda per juta . jika volume produksi besar 0,256%
Dalam memeriksa data grafik pengendalian , kadang – kadang menolong untuk membentuk
grafik bagi observasi dalam tiap sampel . grafik ini kadang – kadang dinamakan grafik
toleransi atau diagram bertingkat . ini dapat mengungkapkan suatu pola dalam data, atau ini
dapat menunjukkan bahwa nilai x̅ Dan R tertentu dihasilkan oleh satu atau dua observasi luar
biasa dalam sampel . suatu grafik observasi – observasi dalam 15 sampel terakhir ditunjukkan
dalam gambar 6-6. Grafik ini tidak menunjukkan bahwa tanda –tanda tidak terkendali telah
Dibangkitkan oleh observasi-observasi luar biasa , tetapi tanda –tanda itu mungkin
dihasilkan dari pergeseran mean di sekitar waktu sampel 9 atau 10 diambil. Rata-rata mean
sampel 9 sampai dengan 15 adalah 74,015 mm. Batas spesifikasi 74,000 ± 0,03 mm di
tuangkan dalam gambar 6-5, bersama dengan grafik distribusi normal yang menunujukkan
hasil proses apabila mean proses sama dengan nilai terkendali 74,001 mm. Grafik distribusi
normal yang menunjukkan hasil proses pada mean diameter yang jelas baru 74,015
ditunjukkan juga pada gambar 6-6 . jelas bahwa persentase ketidak sesuaian cincin piston
yang jauh lebih tinggi akan diproduksi pada mean diameter yang baru ini ; sebenarnya
sekarang sekisar 6,43% dari hasil proses itu tidak sesuai . penyelidikan tentang sebab
pergeseran dalam mean ini harus dilakukan. Sering kali masukan dari operator , insinyur
produksi, manajemen , dan staf teknik kualitas perlu guna menemukan dan menghilangkan
tekankan adalah tidak adanya hubungan atau pertalian antara batas pengendali grafik x̅ dan R
dan batas spesifikasi proses itu. Batas pengendalian di dorong oleh variabilitas alami proses
itu (diukur dengan deviasi standar proses σ );Yakni , oleh batas toleransi alami proses itu.
merupakan sifat proses apabila menentukan spesifikasi , tetapi ingat bahwa batas antara batas
pengendalian dan batas spesifikasi tidak ada hubungan matematika atau statistik . keadaan ini
Yang menggambarkan batas spesifikasi pada grafik pengendalian x̅ . praktek ini sama
sekali tidak benar dan seharusnya tidak dilakukan. Apabila bekerja dengan grafik observasi
itu sendiri (bukan rata-ratanya) seperti dalam 6-6, akan bermanfaat menggambarkan batas
peranan penting dalam penggunaan grafik pengendali. Dalam praktek mendefinisikan suatu
himpunan bagian rasional dapat lebih mudah jika kita mempunyai pengertian yang jelas
tentang fungsi dua macam grafik pengendali itu . grafik x̅ memantau tingkat kualitas proses
rata – rata . oleh karena itu , sampel – sampel harus di pilih sedemikian rupa sehinnga
dalam suatu sampel . dengan demikian sampel-sampel harus dipilih sedemikian hingga
perbedaan – perbedaan dalam sampel-sampel itu maksimum. Cara lain dalam mengatakan hal
ini adalah grafik x̅ memantau variabilitas di antara sampel (variabilitas dalam proses seluruh
waktu ), dan grafik R mengukur variabilitas di dalam sampel (variabilitas proses seketika
Satu segi yang penting tentang ini jelas dari pemeriksaan yang cermat bagaimana batas
pengendali grafik x̅ dan R di tentukan dari data yang lalu. Taksiran deviasi standar proses σ
yang digunakan dalam pembentukan batas pengendali dihitung dari variabilitas dalam tiap
sampel (yakni dari rentangan tiap sampel). Dengan demikian, teksiran untuk σ hanya
mencerminkan variabilitas di dalam sampel . tidaklah benar menaksirkan σ berdasarkan
∑𝑅 𝑅 ̅ )2
𝑅=1 ∑𝑅−1(𝑅𝑅𝑅−x
S=√ 𝑅𝑅−1
Dengan xij adalah observasi ke-j dalam sampel ke-i, sebab jika mean sampel berbeda,maka ini
akan menyebabkan S terlalu besar .penggabungan semua data awal dengan cara ini untuk
variabilitas di dalam sampel ! dan diantara sampel. Batas pengendalian harus didasarkan pada
garis petunjuk guna merancang grafik pengendalian . guna merancang grafik x̅ dan
sampel yang di gunakan . tidaklah mungkin untuk memberikan penyelesaian yang pasti
informasi yang rinci tentang ciri-ciri statistik uji grafik pengendalian dan faktor-faktor
ekonomi yang mempengaruhi masalah itu.penyelesaian yang lengkap terhadap masalah itu
mungkin perbaikan proses sebagai jawaban terhadap tanda-tanda tak terkendali ,dan biaya
yang berkaitan dengan menghasilkan produk yang tidak memenuhi spesifikasi. Diberikan
informasi seperti ini, suatu model keputusan ekonomi dapat dibentuk guna rancangan grafik
pengendalian yang ekonomis optimal. Dalam bab 9 kita bicarakan pendekatan ini terhadap
masalah itu . tetapi, sekarang mungkin dapat memberikan beberapa garis petunjuk umum
Jika grafik x̅ yang digunakan khususnya untuk menyidiki pergeseran sedang sampai besar
, katakan pada tingkat 2σ atau lebih pergeseran sedang sampai besar , katakan pada tingkat 2σ
atau lebih besar,maka ukuran sampel yang relatif kecil n= 4,5,atau 6 cukup
sampel yang lebih besar mungkin n=15 sampai n = 25. Apabila digunakan sampel-sampel
yang lebih kecil, risikonya kecil akan terjadinya pergeseran proses selagi suatu
sampel itu dapat mengaburkan akibat ini. Dengan demikian,ini adalah suatu alasan untuk
menggunakan ukuran sampel sekecil mungkin yang konsisten dengan beesarpegeseran proses
batas peringatan dan prosedur memperpeka yang lain untuk mempertinggi kemampuan grafik
Untuk sampel-sampel kecil, grafik R relatif tidak peka terhadap pergeseran deviasi standar
akan menyidik pergeseran deviasi standar proses dari σ menjadi 2σpada sampel yang
pertama. Sampel-sampel yang lebih besar kelihatannya lebih efektif,tetapi kita tahu bahwa
metode rentang turun rendah sekali efisiennya untuk penaksir deviasi standar apabila n naik.
Sehinnga, untuk n besar, katakan n > 10 atau 12, mungkin yang terbaik tidak menggunakan
grafik R melainkan grafik pengendalian s dan s2 . pembentukan grafik-grafik ini scara rinci
dalam memilih ukuran sampel. Kepada penganalisis kurva itu akan memberikan perasaan
tentang besar pergeseran proses yang akan disidik dengan probabilitas yang dinyatakan untuk
sebaran ukuran sampel n. Kurva karakteristik operasi ini dibicarakan dalam paragraf 6-2.6.
Masalah pemilihan ukuran sampel dan frekuensi pengambilan sampel adalah masalah
menentukan upaya sampling. Umumnya, pembuat keputusan hanya akan mempunyai sumber
daya yang terbatas untuk di tentukan pada proses pemeriksaan. Strategi yang ada biasanya
memilih salah satu, mengambil sampel-sampel kecil tetapi sering, atau mengambil yang lebih
besar tetapi lebih jarang. Misalnya,pemilihan itu antara sampel-sampel berukuran lima tiap
setengah jam, atau sampel-sampel berukuran 20 tiap dua jam. Tidak mungkin untuk
mengatakan strategi mana yang terbaik dalam semua hal,tetapi praktek industri saat ini
cenderung memilih sampel-sampel kecil tetapi sering. Perasaan yang umumnya ada adalah
jika interval antara pengambilan sampel itu terlalu besar, akan terlalu banyak produk yang
cacat yang di produksi sebelum kesempatan menyidik pergeseran proses yang lain terjadi.
Dari pertimbangan ekonomi, jika biaya menghasilkan produk yang cacat tinggi, maka
sampel-sampel yang lebih kecil dan lebih sering adalah lebih baik dari sampel-sampel yang
Tingkat produksi juga mempengaruhi pemilihan ukuran sampel dan frekuensi pengambilan
sampel. Jika tingkat produksi tinggi, misalnya 50.000 unit per jam, maka di tuntut
pengambilan sampel yang lebih sering dari pada jika tingkat produksi sangat lamban. Pada
tingkat produksi yang tinggi, banyak unit produk tak sesuai yang akan di produksi dalam
waktu yang sangat singkat apabila terjadi pergeseran proses. Lagi pula, pada tingkat produksi
perbedaan waktu yang besar untuk mengumpulkan sampel berukuran 20 dibaningkan dengan
sampel berukuran 5. Jika biaya pemeriksaan dan pengujian per unit tidak tinggi, proses
produksi kecepatan tinggi kerap kali dipantau dengan ukuran sampel yang cukup besar.
praktek yang meluas. Tetapi ada keadaan yang penyimpangan dari kebiasaan pemilihan batas
yang palsu atau atau kesalahan tipe 1 (timbul tanda tak terkendali selagi sebenarnya proses
terkendali) sangat mahal, maka mungkin yang lebih lebar dari 3-sigma – mungkin selebar 4-
sigma. Tetapi, jika proses itu adalah sedemikian hinnga tanda-tanda tak terkendali dapat
diselidiki dengan mudah dan cepat dengan kehilangan waktu dan biaya yang minimal, maka
cocok dengan batas pengendali yang lebih sempit, mungkin 2-sigma. Batas peringatan pada
grafik x̅ dan R dan prosedur seperti aturan-aturan western electric dapat juga berguna untuk
Batas probabilitas pada grafik x̅ dan R. sudah merupakan kebiasaan untuk menyatakan batas
pengendsali pada grafik x̅ dan R sebagai kelipatan deviasi standar statistik yang di gambarkan
pada grafik itu . jika kelipatan itu di pilih k, maka batas itu berarti batas k-sigma,pilihan yang
biasa adalah k = 3. Tetapi seperti telah disebutkan dalam bab 4, mungkin juga untuk
mendefinisikan batas pengendalian dengan menyatakan tingkat kesalahan tipe 1 untuk uji itu.
Batas pengendalian seperti itu dinamakan batas probabilitas, dan digunakan secara luas di
Mudah untuk memilih batas probabilitas bagi grafik x̅. karena x̅ mendekati distribusi normal,
kita dapat memperoleh kesalahan tipe satuYang diinginkan σ dengan memilih kelipatan
sigma untuk batas pengendali itu sebagai K = Zα/2 dengan Zα/2 adalah titik persentase α/2
atas distribusi normal standar. Perhatikan bahwa batas 3-sigma yang biasa itu berarti
probabilitas kesalahan tipe 1 adalah σ = 0,0027. Misalkan, jika kita memilih σ = 0,002,
sebagaimana dilakukan oleh kebanyakan penulis yang menganjurkan batas probabilitas, maka
Zα/2 = Z0,001 = 3,09,dengan demikian , sangata kecil perbedaan antara batas pengendalian
Dapat juga kita membentuk grafik R dengan menggunakan batas probabilitas, jika α =
0,002, diperlukan titik persentase 0,001 dan 0,999 distribusi rentang relatif W = R/α. Jelas
bahwa titik titik-titik ini tergantung pada ukuran himpunan bagian n. Dengan menuliskan
titik-titik ini W0,001 (n) dan W0,999(n), dan menaksir σ dengan R̅ / d2, kita akan mempunyai
batas 0,001 dan 0,999 untuk R sebagai W0,001(n) /d2 dan D 0,999 = W0,999(n) /d2, maka
BPA = D 0,999 R̅
BPB = D 0,001 R̅
Tabel pasangan nilai( D 0,001 ,D 0,999) , ( D 0,005 ,D 0,995) , dan ( D 0,025 ,D 0,975) , untuk 2<n<10
ada dalam grant dan leavenwart (1980,292). Batas pengendalian ini tidak akan banyak
berbeda dengan batas 3-sigma yang biasa. Tetapi untuk ukuran sampel 3<n<6,batas itu akan
menghasilkan batas pengendalian bawah yang positif untuk grafik R sedangkan batas 3-