Diagram Pareto dikembangkan oleh Vilfredo Frederigo Samoso pada akhir abad

ke-19 merupakan pendekatan logic dari tahap awal pada proses perbaikan suatu
situasi yang digambarkan dalam bentuk histogram yang dikenal sebagai konsep
vital few and the trivial many untuk mendapatkan menyebab utamanya. Diagram
Pareto telah digunakan secara luas dalam kegiatan kendali mutu untuk menangani
kerangka proyek; proses program; kombinasi pelatihan, proyek dan proses,
sehingga sangat membantu dan memberikan kemudahan bagi para pekerja dalam
meningkatkan mutu pekerjaan. Pareto chart sangat tepat digunakan jika
menginginkan hal-hal seperti menentukan prioritas karena keterbatasan
sumberdaya, menggunakan kearifan tim secara kolektif, menghasilkan consensus
atau keputusan akhir, dan menempatkan keputusan pada data kuantitatif.
Diagram pareto disebut juga Gambaran pemisah unsur penyebab yang paling
dominan dari unsur-unsur penyebab lainnya dari suatu masalah. Diagram Pareto
ini merupakan suatu gambar yang mengurutkan klasifikasi data dari kiri ke kanan
menurut urutan ranking tertinggi hingga terendah. Hal ini dapat membantu
menemukan permasalahan yang terpenting untuk segera diselesaikan (ranking
tertinggi) sampai dengan yang tidak harus segera diselesaikan (ranking terendah).

Manfaat Diagram Pareto

1. Diagram Pareto merupakan metode standar dalam pengendalian mutu untuk
mendapatkan hasil maksimal atau memilih masalah-masalah utama dan lagi pula
dianggap sebagai suatu pendekatan sederhana yang dapat dipahami oleh pekerja
tidak terlalu terdidik, serta sebagai perangkat pemecahan dalam bidang yang
cukup kompleks.
2. Diagram Pareto merupakan suatu gambar yang mengurutkan klasifikasi data
dari kiri ke kanan menurut urutan ranking tertinggi hingga terendah. Hal ini dapat
membantu menemukan permasalahan yang terpenting untuk segera diselesaikan
(ranking tertinggi) sampai dengan yang tidak harus segera diselesaikan (ranking
terendah).
3. Diagram Pareto juga dapat digunakan untuk mem¬bandingkan kondisi
proses, misalnya ketidaksesuaian proses, sebelum dan setelah diambil tindakan
perbaikan terhadap proses

        Diagram Pareto dibuat berdasarkan data statistik dan prinsip bahwa 20%
penyebab bertanggungjawab terhadap 80% masalah yang muncul atau
sebaliknya. Kedua aksioma tersebut menegaskan bahwa lebih mudah mengurangi
bagian lajur yang terletak di bagian kiri diagram Pareto daripada mencoba untuk
menghilangkan secara sistematik lajur yang terletak di sebelah kanan diagram. Hal
ini dapat diartikan bahwa diagram Pareto dapat menghasilkan sedikit sebab
penting untuk meningkatkan mutu produk atau jasa. Keberhasilan penggunaan
diagram Pareto sangat ditentukan oleh partisipasi personel terhadap situasi yang
diamati, dampak keuangan yang terlihat pada proses perbaikan situasi dan
penetapan tujuan secara tepat. Faktor lain yang perlu dihindari adalah jangan
membuat persoalan terlalu kompleks dan juga jangan terlalu mencari
penyederhanaan pemecahan.

        Tahapan penggunaan dari Diagram Pareto adalah mencari fakta dari data ciri
gugus kendali mutu yang diukur, menentukan penyebab masalah dari tahapan
sebelumnya dan mengelompokkan sesuai dengan periodenya, membentuk
histogram evaluasi dari kondisi awal permasalahan yang ditemui, melakukan
rencana dan pelaksanaan perbaikan dari evaluasi awal permasalahan yang
ditemui, melakukan standarisasi dari hasil perbaikan yang telah ditetapkan dan
menentukan tema selanjutnya.

Prinsip Diagram Pareto

        Prinsip Pareto juga dikenal sebagai aturan 80/20 dengan melakukan 20% dari
pekerjaan bisa menghasilkan 80% manfaat dari pekerjaan itu. Aturan 80/20 dapat
diterapkan pada hampir semua hal, seperti:
• 80% dari keluhan pelanggan timbul 20% dari produk atau jasa,
• 80% dari keterlambatan jadwal timbul 20% dari kemungkinan penyebab
penundaan,
• 20% dari produk atau account untuk layanan, 80% dari keuntungan
• 20% dari-tenaga penjualan menghasilkan 80% dari pendapatan organisasi
• 20% dari cacat sistem penyebab 80% masalah nya.
        Prinsip Pareto untuk seorang manajer proyek adalah mengingatkan untuk
fokus pada 20% hal-hal yang materi, tetapi tidak mengabaikan 80% masalah.
Berikut Hukum Pareto dalam bentuk visual:

Umumnya Diagram Pareto merupakan diagram batang tempat batang tersebut

diurutkan mulai dari yang terbanyak sampai terkecil.  Diagram Pareto memiliki
banyak aplikasi dalam bisnis dan pekerjaan. Demikian halnya Diagram Pareto
dapat diaplikasikan dalam kontrol kualitas. Ini adalah dasar bagi diagram Pareto,
dan salah satu alat utama yang digunakan dalam pengendalian kualitas total dan
Six Sigma.Satu persatu masalah di breakdown berdasarkan kategori masing –
masing. item Diagram Pareto yaitu :
1. Apa (what). Apa saja yang menjadi penyebab masalah tersebut,
2. Kapan (when).Kapan masalah tersebut paling sering muncul,
3. Dimana (where). Dimana masalah tersebut paling sering muncul
4. Siapa (who).Siapa orang atau kelompok yang mengalami paling banyak
masalah,
5. Mengapa (why). Mengapa masalah tersebut banyak terjadi
6. Bagaimana (how). Bagaimana masalah tersebut bisa terjadi,
7. Berapa biayanya (how much),
8. Masalah mana yang biayanya paling besar? / atau berapa besar biasa yang
sudah ditimbulkan?
9.
Cara Membuat Diagram Pareto
Ada delapan tahap yang tercakup dalam pembuatan diagram Pareto, seperti :
1. kumpulkanlah sebanyak mungkin data yang menunjukkan sifat dan frekuensi
peristiwa tersebut
2. tentukan kategori yang akan digunakan untuk menganilisa data tersebut
3. alokasikan frekuensi peristiwa menjadi kategori yang berbeda,
4. hitunglah frekuensi tersebut ke dalam prosentase
5. buatlah diagram batang.
6. kemudian urutkanlah diagram batang tersebut mulai dari yang terbanyak
7. ceklah dampak pareto dalam diagram batang tersebut
8. apabila dampak pareto jelas, ambil tindakan pada item / faktor yang paling
umum.

Namun demikian, penyusunan Diagram Pareto dapat juga menggunakan tujuh

langkah berikut ini:
1. Menentukan metode atau arti dari pengklasifikasian data, misalnya
berdasarkan masalah, penyebab jenis ketidaksesuaian, dan sebagainya.
2. Menentukan satuan yang digunakan untuk membuat urutan karakteristik 
karakteristik tersebut, misalnya rupiah, frekuensi, unit, dan
sebagainya.Mengumpulkan data sesuai dengan interval waktu yang telah
ditentukan.
3. Merangkum data dan membuat rangking kategori data tersebut dari yaang
terbesar hingga yang terkecil.
4. Menghitung frekuensi kumulatif atau persentase kumulatif yang digunakan.
 5. Menggambar diagram batang, menunjukkan tingkat kepentingan relatif
masing- masing masalah.
6. Mengidentifikasi beberapa hal yang penting untuk mendapat perhatian.

Contoh Diagram Pareto

Contoh di atas adalah contoh sederhana dari  sebuah  diagram pareto dengan
menggunakan sampel data frekuensi relatif dari penyebab IP rendah. Ini
memungkinkan kita untuk melihat 20% dari kasus yang menyebabkan 80% dari
masalah dan di mana upaya kita harus difokuskan untuk mencapai  peningkatan 
terbesar. (Hendra Poerwanto G)
Contoh Kasus Pengendalian Mutu di Medical Center “SEHAT’i”
 Dr. Frans Melik, Direktur Pengelola “M. C. SEHAT’i”, baru-baru ini mengadakan
survey melalui penyebaran kuesioner, guna menganalisa faktor-faktor penyebab
pasien yang semakin menurun karena akibat penurunan ini pendapatan M. C.
SEHAT’i juga turun sampai 20% dibandingkan dengan bulan yang sama periode
tahun lalu.
Hasil kuesioner dari 100 responden telah diringkas seperti dibawah ini, untuk
memudahkan, terlebih dahulu diberi kode pada masing-masing jawaban
responden.
Penyebab KODE

Obat-obatan di apotek (Klinik) kurang lengkap A

Dokter ahli (spesialis) tidak lengkap B

Tidak punya kartu berobat C

Tidak tahu ada “Klinik Sehat Krina” D

Pelayanan di Klinik kurang baik E

Lokasi Klinik jauh dari rumah F

Ruang tunggu Klinik kurang nyaman G

Belum tahu prosedur pendaftarannya H

 JUMLA PRESENTAS KOMULA
Penyebab KODE H E (%) TIF
Obat-obatan di apotek (Klinik)
kurang lengkap A 20 9,76% 9,76%
Dokter ahli (spesialis) tidak
lengkap B 22 10,73% 20,49%
Tidak punya kartu berobat C 14 6,83% 27,32%
Tidak tahu ada “Klinik Sehat
Krina” D 28 13,66% 40,98%
Pelayanan di Klinik kurang baik E 23 11,22% 52,20%
Lokasi Klinik jauh dari rumah F 50 24,39% 76,59%
Ruang tunggu Klinik kurang
nyaman G 16 7,80% 84,39%
Belum tahu prosedur
pendaftarannya H 32 15,61% 100,00%
TOTAL 205 100,00%
JUMLA PRESENTAS KOMULA
Penyebab KODE H E (%) TIF
Obat-obatan di apotek (Klinik)
kurang lengkap A 20 9,76% 9,76%
Dokter ahli (spesialis) tidak
lengkap B 22 10,73% 20,49%
Tidak punya kartu berobat C 14 6,83% 27,32%
Tidak tahu ada “Klinik Sehat
Krina” D 28 13,66% 40,98%
Pelayanan di Klinik kurang baik E 23 11,22% 52,20%
Lokasi Klinik jauh dari rumah F 50 24,39% 76,59%
Ruang tunggu Klinik kurang
nyaman G 16 7,80% 84,39%
Belum tahu prosedur
pendaftarannya H 32 15,61% 100,00%
TOTAL 205 100,00%
 Dari diagram pareto ditunjukan secara jelas masalah tertinggi sebesar 25% dari
seluruh masalah dikarenakan oleh lokasi klinik jauh dari rumah, diagram pareto
ditemukan oleh Vilfredo Pareto dan dipopulerkan oleh Joseph M. Juran yang
berpendapat bahwa 80% masalah disebabkan oleh 20% penyebab, sehingga bila
menyelesaikan 20% penyebab masalah dapat menyelesaikan 80% masalah.
Dalam diagram pareto ini masalah dapat terlihat secara urut dari yang paling tinggi
ke yang paling rendah frekuensinya, hal ini memudahkan untuk pengambilan
keputusan. Pada kasus ini masalah yang tebanyak frekuensinya adalah karena
lokasi klinik yang jauh dari rumah, untuk itu direktur pengelola mungkin dapat
mengambil suatu kebijakan atau tindakan perbaikan contohnya dengan cara
mempelajari ulang lokasi para pasien dan membuka cabang di lokasi yang dekat
dengan rumah pasien, walaupun perlu dipertimbangkan juga cost and benefit-nya
penurunan 20% pendapatan dibandingkan meraih 25% pengunjung dengan
membuka cabang baru.
Walaupun menurut asas pareto hanya 20% penyebab saja yang menyebabkan
80% masalah, direktur pengelola juga akan bijaksana melihat faktor lainnya,
contohnya frekuensi terbanyak kedua adalah ketidaktahuan pengunjung akan
prosedur klinik, seharusnya direktur pengelola dapat meninjau metoda
pemberitahuan prosedur, direktur pengelola dapat saja sebagai contoh membuat
suatu informasi mengenai prosedur klinik yang dipasang di tempat yang mudah
dilihat pengunjung, atau juga mewajibkan petugas keamanan secara proaktif
melayani pengunjung, misalnya saat membuka pintu pengunjung dapat disapa
dengan ramah dan bertanya apakah membutuhkan bantuan atau informasi.
Ketidak-tahuan pelanggan dengan adanya klinik krina dapat diselesaikan dengan
cara melakukan iklan atau pamflet atau sarana komunikasi massa lainnya supaya
masyarakat mengetahui adanya klinik sehat krina. Pelayanan klinik yang kurang
baik juga dapat menyebabkan kehilangan pasien, seharusnya pelayanan adalah
suatu masalah yang paling murah, direktur pengelola harus mempelajari masalah
ini dan mengambil tindakan untuk memperbaiki ini.
UJI NORMALITA
Data klasifikasi kontinue, data kuantitatif yang termasuk dalam pengukuran data
skala interval atau ratio, untuk dapat dilakukan uji statistik parametrik
dipersyaratkan berdistribusi normal. Pembuktian data berdistribusi normal tersebut
perlu dilakukan uji normalitas terhadap data. Uji normalitas berguna untuk
membuktikan data dari sampel yang dimiliki berasal dari populasi berdistribusi
normal atau data populasi yang dimiliki berdistribusi normal. Banyak cara yang
dapat dilakukan untuk membuktikan suatu data berdistribusi normal atau tidak.

Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.
Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya
lebih dari 30 angka (n > 30), maka sudah dapat diasumsikan berdistribusi normal.
Biasa dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal atau
tidak, sebaiknya digunakan uji statistik normalitas. Karena belum tentu data yang
lebih dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data yang
banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu perlu
suatu pembuktian. Pembuktian normalitas dapat dilakukan dengan manual, yaitu
dengan menggunakan kertas peluang normal, atau dengan menggunakan uji
statistik normalitas.

Banyak jenis uji statistik normalitas yang dapat digunakan diantaranya Kolmogorov
Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau menggunakan soft ware
computer. Soft ware computer dapat digunakan misalnya SPSS, Minitab, Simstat,
Microstat, dsb. Pada hakekatnya soft ware tersebut merupakan hitungan uji
statistik Kolmogorov Smirnov, Lilliefors, Chi- Square, Shapiro Wilk, dsb yang telah
diprogram dalam soft ware komputer. Masing- masing hitungan uji statistik
normalitas memiliki kelemahan dan kelebihannya, pengguna dapat memilih sesuai
dengan keuntungannya.

Di bawah disajikan beberapa cara untuk menguji suatu data berdistribusi normal
atau
tidak.
METODE LILIEFORS

Metode Lilliefors menggunakan data dasar yang belum diolah dalam tabel distribusi
frekuensi. Data ditransformasikan dalam nilai Z untuk dapat dihitung luasan kurva normal
sebagai probabilitas komulatif normal. Probabilitas tersebut dicari bedanya dengan
probabilitas komultaif empiris. Beda terbesar dibanding dengan tabel Lilliefors pada Tabel
Nilai Quantil Statistik Lilliefors Distribusi Normal.

Rumus :

Keterangan :

Xi = Angka pada data

Z = Transformasi dari angka ke notasi pada distribusi normal F(x)= Probabilitas komulatif
normal
S(x)= Probabilitas komulatif empiris

F(x) = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan
kurva normal mulai dari ujung kiri kurva sampai dengan titik Zi.
Persyaratan :

Data berskala interval atau ratio (kuantitatif)

Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

Dapat untuk n besar maupun n kecil.

Signifikansi :

Signifikansi uji, nilai | F (x) – S (x) | terbesar dibandingkan dengan nilai tabel Lilliefors. Jika
nilai | F (x) – S (x) | terbesar kurang dari nilai tabel Lilliefors, maka Ho diterima ; Ha ditolak.
Jika nilai | F (x) – S (x) | terbesar lebih besar dari nilai tabel Lilliefors, maka Ho ditolak ; H1
diterima.

Tabel nilai Quantil Statistik Lilliefors.

Tabel Harga Quartil Statistik Lilliefors Distribusi Normal

Ukuran P = 0,80 P = 0,85 P = 0,90 P = 0,95 P = 0,99

sampel α = 0,20 α = 0,15 α = 0,10 α = 0,05 α = 0,01
N
4 0,300 0,319 0,352 0,381 0,417
5 0,285 0,299 0,315 0,337 0,405
6 0,265 0,277 0,294 0,319 0,364
7 0,247 0,258 0,276 0,300 0,348
8 0,233 0,244 0,261 0,285 0,331
9 0,223 0,233 0,249 0,271 0,311
10 0,215 0,224 0,239 0,258 0,294
11 0,206 0,217 0,230 0,249 0,284
12 0,199 0,212 0,223 0,242 0,275
13 0,190 0,202 0,214 0,234 0,268
14 0,183 0,194 0,207 0,227 0,261
15 0,177 0,187 0,201 0,220 0,257
16 0,173 0,182 0,195 0,213 0,250
17 0,169 0,177 0,189 0,206 0,245
18 0,166 0,173 0,184 0,200 0,239
19 0,163 0,169 0,179 0,195 0,235
20 0,160 0,166 0,174 0,190 0,231
25 0,142 0,147 0,158 0,173 0,200
30 0,131 0,136 0,144 0,161 0,187
n > 30
Penerapan :

Berdasarkan penelitian tentang intensitas penerangan alami yang dilakukan terhadap 18

sampel rumah sederhana, rata-rata pencahayaan alami di beberapa ruangan dalam rumah
pada sore hari sebagai berikut ; 46, 57, 52, 63, 70, 48, 52, 52, 54, 46, 65, 45, 68, 71, 69, 61,
65, 68 lux.
Selidikilah dengan α = 5%, apakah data tersebut di atas diambil dari populasi yang
berdistribusi normal ?

Penyelesaian :
Hipotesis
Ho : tidak beda dengan populasi normal Ha : Ada beda populasi normal
Nilaiα
Nilaiα = level signifikansi = 5% = 0,05
Rumus Statistik penguji
Hitung rumus statistik penguji

NO Xi Z Xi F(x) S(x) F(x) S(x)

SD
1 45 -1,4577 0,0721 0,0556 0,0556
2 46
3 46 -1,3492 0,0885 0,1667 0,0782
 4 48
5 52
6 52
7 52 -0,6985 0,2420 0,3889 0,1469
8 54 -0,4816 0,3156 0,4444 0,1288
9 57 0,1562 0,4364 0,5000 0,0636
10 61 0,2777 0,6103 0,5556 0,0547
11 63 0,4946 0,6879 0,6111 0,0768
12 65
13 65 0,7115 0,7611 0,7222 0,0389
14 68
15 68 1,0369 0,8508 0,8333 0,0175
16 69 1,1453 0,8749 0,8889 0,0140
17 70 1,2538 0,8944 0,9444 0,0500
18 71 1,3623 0,9131 1,0000 0,0869
58,44

SD 9,22
Nilai F(x) tertinggi sebagai angka penguji normalitas, yaitu 0,1469

S(x)
Df/db/dk
Df =φ = tidak diperlukan
Nilai tabel
Nilai Kuantil Penguji Lilliefors,α = 0,05 ; N = 18 ;≈ 0,2000. Pada Tabel Lilliefors.
Daerah penolakan Menggunakan rumus
; berarti Ho diterima, Ha ditolak
Kesimpulan
Sampel diambil dari populasi normal, padaα = 0,05
METODE KOLMOGOROV-SMIRNOV

Metode Kolmogorov-Smirnov tidak jauh beda dengan metode Lilliefors. Langkah-langkah

penyelesaian dan penggunaan rumus sama, namun pada signifikansi yang berbeda.
Signifikansi metode Kolmogorov-Smirnov menggunakan tabel pembanding Kolmogorov-
Smirnov, sedangkan metode Lilliefors menggunakan tabel pembanding metode Lilliefors.

Rumus :

Keterangan :

Xi = Angka pada data

Z = Transformasi dari angka ke notasi pada distribusi normal FT = Probabilitas komulatif

normal
FS = Probabilitas komulatif empiris

FT = komulatif proporsi luasan kurva normal berdasarkan notasi Zi, dihitung dari luasan
kurva mulai dari ujung kiri kurva sampai dengan titik Z.
Persyaratan :

Data berskala interval atau ratio (kuantitatif)

Data tunggal / belum dikelompokkan pada tabel distribusi frekuensi

Dapat untuk n besar maupun n kecil.

Siginifikansi :

Signifikansi uji, nilai | FT – FS | terbesar dibandingkan dengan nilai tabel Kolmogorov

Smirnov. Jika nilai | FT – FS | terbesar kurang dari nilai tabel Kolmogorov Smirnov, maka Ho
diterima ; H1 ditolak. Jika nilai | FT – FS | terbesar lebih besar dari nilai tabel Kolmogorov
Smirnov, maka Ho ditolak ; H1 diterima.

Tabel Nilai Quantil Statistik Kolmogorov Distribusi Normal.

Harga Quantil Statistik Kolmogorov Distribusi Normal

N Tingkat Signifikasi untuk tes satu sisi

0,100 0,075 0,050 0,025 0,01 0,005
Tingkat Signifikansi untuk tes dua sisi
0,200 0,150 0,100 0,050 0,020 0,010
1 0,900 0,925 0,950 0,975 0,990 0,995
2 0,684 0,726 0,776 0,842 0,900 0,929
3 0,565 0,597 0,642 0,708 0,785 0,828
4 0,494 0,525 0,564 0,624 0,689 0,733
5 0,446 0,474 0,510 0,565 0,627 0,669
6 0,410 0,436 0,470 0,521 0,577 0,618
7 0,381 0,405 0,438 0,486 0,538 0,577
8 0,358 0,381 0,411 0,457 0,507 0,543
9 0,339 0,360 0,388 0,432 0,480 0,514
10 0,322 0,342 0,368 0,410 0,457 0,490
11 0,307 0,326 0,352 0,391 0,437 0,468
12 0,295 0,313 0,338 0,375 0,419 0,450
13 0,284 0,302 0,325 0,361 0,404 0,433
14 0,274 0,292 0,314 0,349 0,390 0,418
15 0,266 0,283 0,304 0,338 0,377 0,404
16 0,258 0,274 0,295 0,328 0,366 0,392
17 0,250 0,266 0,286 0,318 0,355 0,381
18 0,244 0,259 0,278 0,309 0,346 0,371
19 0,237 0,252 0,272 0,301 0,337 0,363
20 0,231 0,246 0,264 0,294 0,329 0,356
21 0,226 0,259 0,287 0,321 0,344
22 0,221 0,253 0,281 0,314 0,337
23 0,216 0,247 0,275 0,307 0,330
24 0,212 0,242 0,269 0,301 0,323
25 0,208 0,22 0,238 0,264 0,295 0,317
26 0,204 0,233 0,259 0,290 0,311
27 0,200 0,229 0,254 0,284 0,305
28 0,197 0,225 0,250 0,279 0,300
29 0,193 0,221 0,246 0,275 0,295
30 0,190 0,20 0,218 0,242 0,270 0,290
31 0,187 0,214 0,238 0,266 0,285
32 0,184 0,211 0,234 0,262 0,281
33 0,182 0,208 0,231 0,258 0,277
34 0,179 0,205 0,227 0,254 0,213
35 0,171 0,19 0,202 0,224 0,251 0,269
36 0,174 0,199 0,221 0,247 0,265
37 0,172 0,196 0,218 0,244 0,262
38 0,170 0,194 0,215 0,241 0,258
39 0,168 0,191 0,213 0,238 0,255
40 0,165 0,189 0,210 0,235 0,252
25 0,208 0,238 0,264 0,295 0,317
30 0,190 0,218 0,242 0,270 0,290
35 0,177 0,202 0,224 0,251 0,269
40 0,165 0,189 0,210 0,235 0,252
>40
20