Materi Ke 1 Pasca UTS 1

Perencanaan Sampling
Penerimaan dengan Atribut
Dr. Ir. Eko Pujiyanto, S.Si., M.T., IPM
ekopujiyanto@ft.uns.ac.id
Isi
1. Pendahuluan
2. Keuntungan dan kerugian sampling
3. Resiko produsen dan konsumen
4. Kurva karakteristik operasi
5. Jenis perencanaan sampling : single, double,
multiple
6. Masalah sampling penerimaan
7. Alat untuk mengevaluasi rencana sampling
8. Perencanaan sampling tunggal untuk atribut
9. Perencanaan sampling ganda untuk atribut
ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

1. Pendahuluan
Tiga aspek penting tentang sampling

1. Bertujuan untuk ‘memvonis’ lot , bukan
meng-estimasi kualitas lot
2. Tidak menyediakan informasi langsung
kualitas lot Hanya menerima atau
menolak lot
3. Bukan untuk meng-inspeksi kualitas
produk , tetapi lebih merupakan alat untuk
menjamin bahwa output produk sesuai
dengan kebutuhan

1. Pendahuluan
Sampling penerimaan baik digunakan pada

kondisi berikut :
1. Tes produknya bersifat merusak
2. Inspeksi 100% sangat mahal
3. Inspeksi 100% tidak feasibel
4. Item yang diinspeksi sangat banyak
5. Ketika supplier mempunyai sejarah baik
6. Ketika produknya beresiko

1. Pendahuluan
Mengapa sampling penerimaan dan bukan inspeksi

100% ?
1. Tes merusak
2. Biaya inspeksi 100% sangat tinggi
3. Inspeksi 100% tidak fisibel ( membutuhkan
banyak waktu )
4. Jika vendor mempunyai sejarah kualitas yang
baik

2. Keuntungan dan kerugian
sampling
Jika dibandingkan dengan inspeksi
100% , keuntungannya adalah :
1. Lebih murah biayanya
2. Mereduksi produk yang dites mereduksi
kerusakan
3. Aplikatif untuk tes yang merusak
4. Membutuhkan sedikit personal
5. Mereduksi kesalahan inspeksi
6. Memotivasi suplier untuk meningkatkan
kualitas

sampling
Kerugian sampling penerimaan
1. Terdapat resiko , menerima lot yang
jelek atau menolak lot yang bagus
2. Informasi kualitas produk sedikit
3. Memerlukan prosedur khusus dan
dokumentasi

sampling
Beberapa kata kunci tentang sampling
 Jalan tengah antara inspeksi 100% dan tidak
melakukan inspeksi
 Walapun tidak mengontrol kualitas secara
langsung , sampling penerimaan memberikan
jaminan yang baik bagi konsumen dan
produsen
 Memberikan informasi sejarah kulitas
 Memberikan tekanan pada suplier untuk selalu
meningkatkan kualitas

3. Resiko produsen dan resiko
konsumen
 Resiko produsen : ditolaknya lot yang bagus kualitasnya
 Level kualitas yang diterima ( Acceptable Quality Level
(AQL)) :
 Level kualitas terjelek dari kualitas proses produsen
dimana konsumen mempertimbangkan menerima
sebagai rata-rata proses
 Definisi numerik dari lot bagus, berasosiasi dengan
resiko produsen
 AQL merupakan karakteristik dari proses
manufaktur produsen , bukan karakteristik dari
perencanaan sampling

konsumen
 Resiko konsumen : menerima lot yang kualitasnya jelek
 Limit Quality Level (LQL) :
 Jaminan yang diberlakukan untuk setiap lot dengan
kualitas yang jelek ( atau tingkat kualitas terendah
dalam lot yang akan diterima konsumen )
 Definisi numerik dari kualitas lot jelek, berasosiasi
dengan resiko konsumen (ditetapkan oleh konsumen )
 Alias : RQL,UQL,LQ and LTPD

konsumen
Contoh :
 Resiko produsen 5 % untuk AQL of 0.02
 2 % produk tidak sesuai dan
 Lot ditolak oleh konsumen tidak lebih 5 %
 Resiko konsumen 10% untuk LQL 0.08
 8 % produk berkualitas jelek
 Menerima lot tersebut tidak lebih dari 10 %

4. Kurva karakteristik
operasi ( OC curve )
 OC curve adalah ukuran performansi perencanaan
sampling
 Merupakan plot antara probabilitas penerimaan
dengan fraksi ketidaksesuaian (p)
 OC curve menunjukan probabilitas dimana lot dengan
fraksi cacat tertentu akan diterima atau ditolak
 OC curve dikembangkan dengan mengevaluasi fungsi
binomial ( didekati dengan poisson) untuk nilai p yang
bervariasi

Contoh :
Sebuah perencanaan sampling tunggal
diterapkan pada lot berukuran (N) 2000 item
produk, jika ukuran sample (n) 50 dan angka
penerimaan (c) 2. Buatlah OC curve-nya
Jawab :
Untuk nila p bervariasi, misalkan p = 0 sampai
0.15, kita dapat menyusun tabel berikut (
menggunakan lampiran A-2 : Distribusi
poisson )

p=0.02 → np=5*0.02=1
Lihat Lampiran A-2 : untuk
mean = 1 dan x =c=2 →
Pa = 0.920

( 0.02 , 0.920 )

Pengaruh n dan c pada OC Curve
• Perubahan c kurang signifikan mengubah
kemiringan OC curve.
• Jika c naik, OC curve bergeser ke kanan
• Perubahan n cukup signifikan mengubah
kemiringan OC curve.
• Jika n naik, OC curve bergeser ke kiri.

Perubahan kurva
karena n berubah

Perubahan kurva
karena c berubah

5. Jenis perencanaan
sampling
1. A single sampling plan ( perencanaan sampling tunggal)
didefinisikan dengan ukuran sampel (n) dan angka
penerimaan (c). Misalkan terdapat N item dalam satu lot.
Ambil n item secara random. Jika terdapat paling sedikit
c item yang cacat (d) , tolak lot.
N = Ukuran lot
n = Ukuran sampel
c = Angka penerimaan
d = Jumlah observasi yang cacat

sampling
2. Double-sampling plan (perencanaan
sampling ganda )
3. Multiple-sampling plan
4. Sequential-sampling

sampling
 Memilih jenis sampling
Mempertimbangkan faktor-faktor seperti
efesiensi administratif, informasi yang
diperoleh seperti apa, rata-rata jumlah
inspeksi yang dibutuhkan berapa, dan
apakah ada pengaruh terhadap aliran
material pada manufaktur.

6. Masalah sampling
1. Formasi Lot
 Lot harus homogen
 Lebih baik ukuran lot besar ( lebih
efisien secara ekonomis )
 Lot harus sesuai dengan penangan
material, baik untuk pihak konsumen
dan produsen.
2. Random Sampling
 Unit yang diambil harus random
 Jika tidak random akan terjadi bias

7. Alat untuk mengevaluasi
rencana sampling
1. Average Outgoing Quality ( AOQ )

 Rata-rata level kualitas lot yang keluar
dari stasiun inspeksi untuk berbagai nilai
p (rata-rata kualitas proses )
 AOQ akan bervariasi sesuai dengan fraksi
cacat lot yang datang
 Ketika lot yang datang kualitasnya bagus,
makan AOQ juga bagus

rencana sampling
Average Outgoing Quality ( AOQ )

 Ordinat maksimum pada AOQ
menggambarkan kemungkinan rata-rata
kualitas terjelek jika ralat inspeksi
dilakukan
 Ordinat maksimum dari kurva AOQ ini
disebut Average Outgoing Quality Limit (
AOQL )

rencana sampling
AOQL is the
Contoh AOQ dan AOQL maximum point on
the curve

rencana sampling
AOQ untuk sampling tunggal
Pa p( N  n)
AOQ 
N
AOQ untuk sampling ganda
AOQ 
P 1
a ( N  n )  P 2
a ( N  n1  n2 ) p 
N

rencana sampling
2. Average Total Inspection ( ATI )
 Rata-rata jumlah item yang diinspeksi per lot
 Rumus ATI untuk sampling tunggal
 ATI untuk sampling ganda
ATI  n1 P1a  (n1  n2 ) P 2 a  N (1  Pa )

rencana sampling
Contoh ATI untuk
berbagai nilai N

rencana sampling
3. Average Sample Number ( ASN )
 Rata-rata jumlah item yang diinspeksi untuk
sejumlah lot yang digunakan untuk mengambil
keputusan
 Untuk sampling tunggal ASN = ukuran sampel (n)
 Untuk sampling ganda
ASN  n1 P1  (n1  n2 )(1  P1 )

 n1  n2 (1  P1 )

rencana sampling
Contoh ASN

8. Rencana Sampling
Tunggal Untuk Atribute
 Menentukan ukuran sampel n dan angka
penerimaan c
 Contoh 9-5 :
Tentukan rencana sampling tunggal
dimana resiko produsen sebesar 5 %
untuk setiap lot yang mengandung 1.5 %
cacat

8. Rencana Sampling
 Jawab 9-5 :
  0.05 , p1  AQL  0.015 , suppose the acceptance number 1
For c  1 , Table 9 - 5 , gives np1  0.355 alternatif – 1 :
The sample size is
0.355 0.355 c=1 dan n = 24
n   23.67  24
p1 0.015
For c  3 , Table 9 - 5 , gives np1  1.366
alternatif – 2 :
The sample size is
1.366 1.366 c=3 dan n = 92
n   91.07  92
p1 0.015

8. Rencana Sampling
 Contoh 9-6 :
dimana resiko konsumen sebesar 10 %
untuk setiap lot yang mengandung 8 %
cacat

8. Rencana Sampling
 Jawab 9-6 :
  0.10 , p2  LQL  0.08 , suppose the acceptance number 1
The sample size is
alternatif – 1 :
3.890 3.890 c=1 dan n = 49
n   48.26  49
p2 0.08
The sample size is alternatif – 2 :
6.681 6.681 c=3 dan n = 132
n   131.65  132
p2 0.08

8. Rencana Sampling
 Contoh 9-7 :
dimana resiko produsen sebesar 5 %
untuk setiap lot yang mengandung 1.8 %
cacat dan resiko konsumen sebesar 10 %
untuk setiap lot yang mengandung 9 %
cacat

8. Rencana Sampling
 Solution 9-7 :
  0.05 , p1  AQL  0.018,
  0.10 , p2  LQL  0.09
First we compute the ratio
np2 p2 0.09
   5.00
np1 p1 0.018
For   0.05 ,   0.10 ,

8. Rencana Sampling
 Solution 9-7 :
Table 9  5 : ratio fall betwen 6.51 and 4.89
corresponding to acceptance numbers of 2 and 3
For c  2 , np1  0.818 and sample size is
np1 0.818
n   45.44  45
p1 0.018
np1 1.366
n   75.88  76
p1 0.018

8. Rencana Sampling
 Solution 9-7 :

np2 5.322
n   59.13  60
p2 0.09
np2 6.681
n   74.23  75
p2 0.09

8. Rencana Sampling
 Jawab 9-7 :
Empat kandidat
1. n=45 , c=2
2. n=76 , c=3
3. n=60 , c=2
4. n=75 , c=3
8. Rencana Sampling
 Solution 9-7 :
For n  45 and c  2 , if   0.10, then np2  5.322
np2 5.322
p2    0.1183
n 45
For n  76 and c  3 , if   0.10, then np2  5.322
np2 6.681
p2    0.0879
n 76

8. Rencana Sampling
 Solution 9-7 :
From problem  p2  0.09
For n  45 and c  2 , p2  0.1183
For n  76 and c  3 , p2  0.0879  Closer

8. Rencana Sampling
 Solution 9-7 :
For n  60 and c  2 , if   0.05, then np1  0.818
np1 0.818
p1    0.0136
n 60
For n  75 and c  3 , if   0.05, then np1  1.366
np1 1.366
p1    0.0182
n 75

8. Rencana Sampling
 Solution 9-7 :
From problem  p1  0.0180
For n  60 and c  2 , p1  0.0136
For n  75 and c  3 , p1  0.0182  Closer

8. Rencana Sampling
 Jawab 9-7 :
Kriteria lain untuk memilih kandidat
rencana adalah yang paling sedikit
ukuran sampelnya  biaya
inspeksinya minimum 
n = 45 dan c = 2

9. Rencana Sampling Ganda
untuk Atribut
Parameter dalam sampling ganda
 N = Ukuran lot
 n1 = Ukuran sampel pertama
 c1 = Angka penerimaan pertama
 n2 = Ukuran sampel kedua
 c2 = Angka penerimaan kedua
eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

untuk Atribut
Contoh :
N = 10.000
n1 = 50 , c1 = 1
n2 = 100 , c2 = 3
Apa maksudnya ?

untuk Atribut

untuk Atribut
• Keuntungan sampling ganda dibanding sampling

tunggal adalah mereduksi jumlah item yang
diinspeksi
• Misalkan sampel pertama dalam sampling ganda
lebih kecil dari sampling tunggal , maka
• Jika lot diterima atau ditolak , ongkos inspeksi
lebih rendah
• Juga memungkinkan menolak lot tanpa harus
menginspeksi sampel kedua

untuk Atribut
Kurva OC untuk
n1 = 50 , c1 = 1
n2 = 100 , c2 = 3

untuk Atribut
Membuat rencana sampling ganda :
 Menentukan n1 , c1 , n2 dan c2
dengan memperhatikan resiko
produsen dan konsumen
 Asumsikan , misalnya n1 = n2 atau
2n1 = n2

untuk Atribut
Contoh 9-13 :
Tentukan rencana sampling ganda , jika
diketahui N = 2500 dimana lot yang
ditolak tidak lebih dari 5% pada lot yang
mengandung 1.2 % cacat. Dan jika lot
mengandung 7.5 % cacat , lot yang
diterima sama dengan 10 %. Asumsikan
n1 = n2 dan resiko produsen lebih
diutamakan

untuk Atribut
Jawab 9-13 :
N  2500, asumsi n1  n2
  0.05 , p1  AQL  0.012,
  0.10 , p2  LQL  0.075
First we compute the ratio
p2 0.075
R   6.25
p1 0.012
Dari tabel 9 - 9 ( hal 352 , Mitra edisi 1 ) ,
Nilai terdekat dari R  6.25 adalah 6.79 ( rencana nomor 3 )

untuk Atribut
Jawab 9-13 :
Rencana nomor 3 :
c1  0 , c2  2
Untuk p1  0.012 dan Pa  0.95  n1 p  0.43
0.43
maka ukuran sampel pertama adalah n1   35.83  36
0.012
Asumsi n1  n2 maka n2  36
Sehingga rencana sampling ganda adalah
n1  36 , c1  0 , n2  36 , c2  2

QUIZ
1. Apa keuntungan dan kerugian dari
rencana sampling.
2. Jelaskan arti rencana sampling
berikut
N=10.000
n1 = 50, c1 = 2 , n2 = 80 , c2 = 4
3. Apa perbedaan antara ASN dan ATI

Materi Ke 1 Pasca UTS 1

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Materi Ke 1 Pasca UTS 1

Diunggah oleh

Hak Cipta:

Format Tersedia

Perencanaan Sampling

Penerimaan dengan Atribut

Dr. Ir. Eko Pujiyanto, S.Si., M.T., IPM

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

Tiga aspek penting tentang sampling

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

Sampling penerimaan baik digunakan pada

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

Mengapa sampling penerimaan dan bukan inspeksi

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

1. Average Outgoing Quality ( AOQ )

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

Average Outgoing Quality ( AOQ )

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

 ATI untuk sampling ganda

ATI  n1 P1a  (n1  n2 ) P 2 a  N (1  Pa )

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ASN  n1 P1  (n1  n2 )(1  P1 )

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

For c  2 , np2  5.322 and sample size is

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

ekopujiyanto@ft.uns.ac.id Prodi Sarjana Teknik Industri UNS

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

• Keuntungan sampling ganda dibanding sampling

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005

eko@uns.ac.id, industrial engineering department UNS , 17 Dec 2005