6-2.2.

perkembangan dan penggunaan grafik x̅ dan R

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.

Tabel 6-1. Data cincin piston tempaan , contoh 6-1

 Apabila membuat grafik pengendali x̅ dan R , yang terbaik memulainya dengan grafik R

.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

BPB = RD3 = 0,023(0)=0

BPA = RD4 = 0,023(2,115)= 0,049

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

VI unruk sampel berukuran n=5 dan persamaan (6-7) untuk memperoleh

BPA = X̅ + A2R̅= 74,001+(0,577)(0,023)= 74,014

Dan

BPB = X̅ - A2R̅= 74,001 - (0,577)(0,023)= 73,988

Grafik x̅ ditunjukkan dalam gambar 6-3.apabila mean sampel pendahuluan di gambarkan

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

itu dalam pengendali proses pada jalur.

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

proses dapat diestimasi dengan persamaan (6-4);yakni

 R̅ 0,023
σ̅ = = 2,326 = 0,0099
d2

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

digunakan untuk menggambarkan kemampuan proses untuk memproduksi cincin piston

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

ρ̅ = ρ{x< 73,970}+ ρ{x> 73,970}

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-

masing BSA dan BSB) adalah

𝑅𝑅𝑅−𝑅𝑅𝑅
PKP = 6σ
 Perhatikan bahwa penyebaran proses 6σ adalah defenisi dasar kemampuan proses . untuk

proses cincin piston , kita peroleh

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

spesifikasi terletak di luar batas toleransi alami (BTAA= μ – 3-sigma);akibatnya , benar-

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

cukup banyak unit tak sesuai yang akan di produksi.

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

menginterpretasikan grafik pengendalian digunakan .

1. Ditanggang 0,256% ketidaksesuaian kedengarannya sangat kecil sampai kita menyadari

bahwa ini adalah 2560 ketidaksesuaian benda per juta . jika volume produksi besar 0,256%

ketidaksesuaian mungkin secara keseluruhan tidak dapat di terima.

Gamabr 6-4.kerontokan proses dan perbandingan kemampuan proses(pkp).

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

sebeb – sebab terduga .

 Batas pengendali,batas spesifikasi , dan batas toleransi alami. Satu hal yang perlu di

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.

Sebaliknya , batas spesifikasi di tentukan dari luar . batas itu mungkin

Ditentukan oleh manajemen , insinyur produksi, langganan, atau oleh perancang /

pengembang produk. Seseorang harus mempunyai pengetahuan tentang variabilitas yang

merupakan sifat proses apabila menentukan spesifikasi , tetapi ingat bahwa batas antara batas

pengendalian dan batas spesifikasi tidak ada hubungan matematika atau statistik . keadaan ini

diringkas dalam gambar 6-7. Kita telah menjumpai para praktisi

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

spesifikasi pada grafik itu.

 Himpunan bagian rasional. Pengertian tentang himpunan bagian rasional memainkan

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

memaksimumkan kemungkinan terjadinya

Perbedaan antara nilai-nilai rata-rata sampel. Sebaliknya, grafik R mengukur variabilitas

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

pada waktu tertentu).

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

taksiran kuadrat yang biasa , yaitu

∑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

menaksirkan σ adalah berbahaya ,sebab kemungkinan besar ini menggabungkan kedua

variabilitas di dalam sampel ! dan diantara sampel. Batas pengendalian harus didasarkan pada

variabilitas di dalam sampel.

garis petunjuk guna merancang grafik pengendalian . guna merancang grafik x̅ dan

R,kita harus menentukan ukuran sampel,lebar batas pengendalian,dan frekuensi pengambilan

sampel yang di gunakan . tidaklah mungkin untuk memberikan penyelesaian yang pasti

terhadap terhadap masalah rancangan grafik pengendalian,kecuali penganalisa mempunyai

informasi yang rinci tentang ciri-ciri statistik uji grafik pengendalian dan faktor-faktor

ekonomi yang mempengaruhi masalah itu.penyelesaian yang lengkap terhadap masalah itu

memerlukan pengetahuan tentang biaya pengambilan sampel,biaya penyelidikan dan

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

yang akan membantu dalam rancangan grafik pengendalian.

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

efektif.sebaliknya,jika kita mencoba menyidiki pergeseran kecil,maka diperlukan ukuran

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

sampeldiambil.jika suatu pergeseran terjadi selagi suatu sampel diambil,maka rata-rata

sampel itu dapat mengaburkan akibat ini. Dengan demikian,ini adalah suatu alasan untuk

menggunakan ukuran sampel sekecil mungkin yang konsisten dengan beesarpegeseran proses

yang di coba menyidikinya.sebagai alternatif menaikkan ukuran sampel adalah menggunakan

batas peringatan dan prosedur memperpeka yang lain untuk mempertinggi kemampuan grafik

pengendali guna menyidik pergeseran proses yang kecil.

Untuk sampel-sampel kecil, grafik R relatif tidak peka terhadap pergeseran deviasi standar

proses . misalnya, sampel-sampel berukuran n = 5 hanya mempunyai peluang sekitar 40%

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

ditunjukkan dalam paragraf 6-3.1 dan 6-3.2.

Dari segi padangan statistik , kurva karakteristik operasi grafik x dan R dapat bermanfaat

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

lebih besar tetapi lebih jarang.

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

yang tinggi kadang-kadang dimungkinkan untuk memperoleh sampel-sampel yang cukup

besar secara ekonomis. Misalnya,jika kita memproduksi 50.000 unit per jam, tidak terdapat

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.

Penggunaan batas pengendalian 3-sigma pada grafik pengendalian x̅ dan R merupakan

praktek yang meluas. Tetapi ada keadaan yang penyimpangan dari kebiasaan pemilihan batas

pengendalian ini akan bermanmaaf.misalnya, jika untuk menyelidiki tanda-tanda bahaya

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

meningkatkan kepekaan terhadap pergeseran proses yang kecil.

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

inggris dan beberapa kawasan eropa barat.

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

seperti itu dan batas pengendalian 3-sigma.

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

probabilitas grafik R adalah

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-

sigma yang biasa tidak.