1
Analisis Pengendalian Kualitas Statistik pada
Produksi Bantal dengan Menggunakan Peta
Kendali C dan U
MuhammadIr.Arya
Sri Mumpuni
Irfandi (1061810000032),
Retnaningsih, M.Si,
Departemen Statistika Bisnis, FakultasVokasi, Institut Teknologi Sepuluh Nopember (ITS)
Kampus ITS Sukolilo-Surabaya 60111, Indonesia
e-mail: arya.irfandi@gmail.com
Abstrak— Bantal merupakan salah satu
produk yang paling sering di gunakan ketika
hendak ingin tidur. Bantal dapat menyanggah
kepala dengan baik agar kepala terjaga dari
benturan dan juga sakit pada leher. Biasanya
bantal berisi kapuk, bulu angsa dan lainnya.
Perusahaan bantal ingin memenuhi kebutuhan
pelanggannya berdasarkan kualitas sehingga bantal
yang diproduksi haruslah bantal yang memenuhi
standar yang diberikan perusahaan dan sesuai
dengan spesifikasi dari konsumen sehingga
memiliki manfaat yang maksimal sesuai yang
diharapkan konsumen. Penelitian ini bertujuan
untuk mengetahui apakah spesifikasi karakteristik
kualitas produk bantal itu cacat atau tidak cacat
sesuai dengan spesifikasi dengan menggunakan peta
kendali C dan U. Diharapkan dalam praktikum
dapat mengerti tentang konsep penggunaan peta
kendali C dan peta kendali U
B
Kata Kunci—Bantal, Peta kendali C , Peta
kendali U
I. PENDAHULUAN
antal merupakan salah satu produk yang paling sering
di gunakan ketika hendak ingin tidur. Bantal dapat
menyanggah kepala dengan baik agar kepala terjaga
dari benturan dan juga sakit pada leher. Biasanya bantal
berisi kapuk, bulu angsa dan lainnya. Perusahaan bantal
ingin memenuhi kebutuhan pelanggannya berdasarkan
kualitas sehingga bantal yang diproduksi haruslah
bantal yang memenuhi standar yang diberikan
perusahaan dan sesuai dengan spesifikasi dari
konsumen sehingga memiliki manfaat yang maksimal
sesuai yang diharapkan konsumen. Untuk
memaksimalkan kualitas yang diharapkan sesuai
dengan spesifikasi konsumen. Pada proses produksi
pembuatan bantal dilakukan pengamatan untuk
mengetahui kualitas hasil proses produksi bantal
apakah terkendali secara statistik dengan menggunakan
peta kendali.
Peta kendali (Control chart) adalah suatu teknik
statistik yang sering digunakan dalam menjamin bahwa
suatu proses memenuhi standar dan memiliki batas
Annisa
Iis Dewi
Teja Indrayani
Ratih, S.Si,
(1061810000082)
M.Si
kendali atas (Upper Control Limit) dan batas kendali
bawah (Lower Control Limit), untuk
menginterpretasikan data suatu proses dengan cara
membuat gambar batasan-batasan variasi yang
diperbolehkan dan secara objektif menentukan apakah
suatu proses ada “dalam batas kendali“ atau “diluar
batas kendali“. Peta kendali diperkenalkan oleh Dr.
Walter A. Shewhart pada tahun 1920-an, sangat
bermanfaat untuk mengetahui variabilitas yang terjadi
dalam suatu proses produksi [1].
Penelitian ini bertujuan untuk mengetahui apakah
spesifikasi karakteristik kualitas produk bantal itu cacat
atau tidak cacat sesuai dengan spesifikasi dengan
menggunakan peta kendali C dan U.
II. TINJAUAN PUSTAKA
A. Peta Kendali
Peta kendali (Control chart) adalah suatu teknik
statistik yang sering digunakan dalam menjamin bahwa
suatu proses memenuhi standar dan memiliki batas
kendali atas (Upper Control Limit) dan batas kendali
bawah (Lower Control Limit), untuk
menginterpretasikan data suatu proses dengan cara
membuat gambar batasan-batasan variasi yang
diperbolehkan dan secara objektif menentukan apakah
suatu proses ada “dalam batas kendali“ atau “diluar
batas kendali“. Peta kendali diperkenalkan oleh Dr.
Walter A. Shewhart pada tahun 1920-an, sangat
bermanfaat untuk mengetahui variabilitas yang terjadi
dalam suatu proses produksi [1].
1. Peta Kendali C
Peta kendali C adalah suatu peta kendali yang
digunakan untuk mengevaluasi stabilitas suatu
proses yang berkenaan dengan perhitungan
kejadian-kejadian dalam suatu klasifikasi yang
diberikan pada suatu sampel. [2].Rumus untuk
mencari nilai C dan batas pengendalian adalah
sebagai berikut :
totalsampe l
c
Rata-rata proses: sampel
 2

masalah untuk selanjutnya diambil tindakan

Standar deviasi:
c  c perbaikan. Dari akibat tersebut kemudian dicari
beberapa kemungkinan penyebabnya[5] 
Batas kendali: UCL  c  z D. Uji Keacakan
Uji run test merupakan uji deret untuk melihat
LCL  c  z keacakan. Tujuan dari uji run test adalah untuk
mengetahui apakah dalam suatu data merupakan data
2. Peta Kendali U
acak, maka dari pengujian run test akan didapatkan
Peta kendali U adalah peta kendali yang dua kemungkinan, yaitu jika data bersifat acak
digunakan untuk menganalisis setiap unit sampel yang (random) terhadap median maka data tersebut
jumlah atau ukurannya sama. Peta kendali sama seperti homogen, sedangkan jika data memiliki
peta kendali np tetapi pada peta kendali U, jumlah cacat kecenderungan di atas atau di bawah median maka
yang dianalisis lebih dari satu [3]. Rumus menghitung data tersebut tidak homogen. Asumsi-asumsi data
peta kontrol np, yaitu: yang tersedia untuk uji run test dapat dikategorikan ke
dalam dua kelompok dengan r adalah banyaknya
ci runtun, n1 adalah banyaknya data yang bernilai lebih
Ui  atau di atas median, sedangkan n2 adalah data yang
ni
bernilai kurang atau lebih kecil dari median.[6]
U
c i Hipotesis yang digunakan adalah sebagai berikut.
n i
Hipotesis:
H0: Data pengamatan telah diambil secara acak dari
Keterangan: suatu populasi
Ui : unit cacat per sampel H1: Data pengamatan yang diambil dari populasi tidak
acak
ci : Unit cacat ke-i
Statistik Uji
ni : jumlah sampel Inspeksi ke-
r = banyaknya total rangkaian
rumus untuk batas kendali
Daerah Kritis
CL  U Tolak H0 jika r ≤ rbawah atau  r ≥ ratas  dari nilai kritis
pada Tabel A5 dan A6 (Daniel)
u untuk r dengan n1 dan n2.
UCL  U  K
ni
untuk batas kendali atas E. Distribusi Poisson
Distribusi Poisson adalah suatu distribusi yang
u teoritis yang berhubungan dengan variabel acak
UCL  U  K diskrit. Distribusi poisson memiliki peluang yang
ni
untuk batas kendali bawah tetap dan timbulnya kejadian yang mengikuti
distribusi poisson adalah tetap. Distribusi poisson
B. Diagram Sebab – akibat (Ishikawa)
digunakan untuk menentukan peluang berbagai
Diagram sebab akibat (Ishikawa) adalah suatu
peristwia dalam perioode yang panjang atau dalam
diagram yang menunjukkan hubungan antara sebab
suatu daerah tertentu.[7] berikut adalah rumus
dan akibat, atau yang juga sering disebut sebagai
ditribusi poisson :
Diagram Tulang Ikan. Diagram sebab akibat
biasanya sering digunakan untuk membantu e−μ μ X
Poisson (X; μ) =
mengidentifikasi penyebab suatu masalah, dan X!
membantu dalam mencari solusi atau pemecahan Keterangan:
masalah [4]
e : nilai logaritma dengan nilai 2,71828
C. Diagram Pareto
Diagram sebab-akibat dikembangkan oleh Dr. μ : rata rata
Kaoru Ishikawa pada tahun 1943, sehingga sering
disebut dengan diagram Ishikawa. Diagram tersebut X : jumlah kejadian atau peristiwa
digunakan untuk mengetahui akibat dari suatu
 3

Pareto Chart of Jenis Cacat

500
F. Bantal 100

Bantal  adalah penyangga kepala, biasanya 400

Jumlah Sampel Sama

80
digunakan untuk tidur di atas ranjang, atau untuk
300
penyangga tubuh di sofa atau kursi. Bantal

Percent
60

biasanya diisi oleh kapas, bulu unggas, kapuk dan 200

40
sebagainya [8].
100 20
III. MOTODOLOGI PENELITIAN
A. Sumber Data 0
Jenis Cacat Kekencangan Jahitan Ketebalan Ketidakhalusan Kain
0

Data yang digunakan dalam praktikum ini adalah Jumlah Sampel Sama
Percent
154
33,4
154
33,4
153
33,2
data primer yang diperoleh dengan generate data Cum % 33,4 66,8 100,0

sebanyak 20 data. Data di ambil pada hari Selasa, 7
April 2020, di rumah masing masing.
B. Variabel Penelitian
Variabel penelitian yang digunakan dalam
pembahasan adalah bantal yang di amati selama 20 hari
di bulan Juni tahun 2019 sebagai subgroup dan sampel
sebanyak 15 per hari dengan tingkat produksi 300
bantal/hari. Karakteristik kualitas yang dimiliki bantal
antara lain ketebalan bantal, kekencangan jahitan, kain
bantal yang tidak halus.
C. Langkah Analisis
Langkah analisis yang dilakukan pada praktikum
ini adalah sebagai berikut.
1. Generate data mengenai proses produksi bantal
dengan skala data nominal
2. Membuat diagram pareto
3. Melakukan Uji Poisson
4. Membuat peta kendali c dan peta kendali u
berdasarkan kasus yang sesuai
5. Melakukan uji keacakan
6. Membuat diagram sebab akibat
7. Menarik kesimpulan dan saran
II. ANALISIS DAN PEMBAHASAN
A. Menganalisis Kapabilitas Proses Pembuatan
Bantal Jumlah Sampel Sama
1. Diagram Pareto Untuk Jumlah Sampel Sama
Berikut ini merupakan diagram pareto unutk jenis
cacat pada jumlah sampel sama.
Gambar 4.1 Diagram Pareto Jumlah Sampel Sama
Berdasarkan diagram pareto diatas dapat dikatakan
bahwa jumlah cacat terbanyak terjadi pada jenis cacat
ketebalan dan kekencangan jahitan yaitu sebanyak 154
cacat, sedangkan jumlah cacat paling sedikit yaitu pada
jenis cacat ketidakhalusan kain yaitu sebanyak 153
cacat. Jenis cacat kekencangan jahitan disebabkan oleh
assignable causes yaitu karena memakai benang dari
supplier baru, sedangkan pada ketebalan disebabkan
olrh random causes.
2. Uji Poisson Jumlah Cacat Jumlah Sampel Sama
Data jumlah cacat pada produksi bantal dengan
jumlah sampel sama yang sudah didapatkan lalu di
lakukan uji poisson. Dengan Hipotesis sebagai berikut:
Hipotesis:
H0 : Data jumlah cacat berdistribusi poisson.
H1 : Data jumlah cacat tidak berdistribusi poisson.
Taraf signifikan : α = 5%
Daerah kritis : tolak H0 apabila P-value < α ( 0,05)
Statistik Uji:
P-value yang didapat dari pengujian
menghasilkan p-value sebesar 0,549
Keputusan:
Gagal Tolak H0 karena p-value = 0,549 > α = 0,05
Kesimpulan:
Data jumlah cacat berdistribusi poisson pada taraf
signifikan α = 5%, sehingga dapat dilanjutkan untuk
analisis selanjutnya.
3. Membuat Peta Kendali C dan U untuk Jumlah
Sampel Sama
a. Peta Kendali C
Setelah diketahui data berdistribusi poisson,
selanjutnya data jumlah cacat digambarkan sebagai
berikut.
 4

C Chart of Jumlah cacat

H1 : Sampel dari data keacakan data jumlah cacat
40 diambil tidak acak
UCL=37,52
Taraf signifikan α = 0,05
35
Daerah kritis : tolak H0 saat p-value < α
30 Statistik Uji:
Sample Count

25 _ P-value yang didapat dari pengujian

C=23,1

20 menghasilkan p-value sebesar 0,378.

15
Keputusan:
Gagal tolak H0 karena p-value = 0,378 > α = 0,05
10
LCL=8,68
Kesimpulan:
1 3 5 7 9 11 13 15 17 19
Sample Data jumlah cacat diambil secara acak pada taraf
Gambar 4.2 Peta kendali C Jumlah Sampel Sama signifikan α = 5%, sehingga dapat dilanjutkan untuk
Berdasarkan peta kendali C diatas bisa di lihat analisis selanjutnya.
bahwa peta tersebut tidak ditemukan titik merah atau
5. Diaram Ishikawa Untuk Assignable Causes pada
out of control pada titik persebarannya dengan batas
Jumlah Cacat Sampel Sama
kendali atas sebesar 37,52, garis tengah 23,1 dan batas
kendali bawah sebesar 8,68 maka dapat dikatakan peta Untuk mengetahui penyebab dari titik merah pada
sudah terkendali secara statistik. peta kendali x-bar pada n=15 dapat ditunjukkan oleh
diagram ishikawa di bawah ini.
b. Peta kendali U
Cause-and-Effect Diagram
Setelah diketahui data berdistribusi poisson, Measurements Material Personnel
selanjutnya data jumlah cacat digambarkan sebagai
berikut.
U Chart of Jumlah cacat

B
en
an
g
da
ri
s
up
2,5 UCL=2,501

pli
er
ba
Penyebab

ru
Benang dari supplier
baru
Frek uensi
C acat
Tertinggi
Sample Count Per Unit

2,0

_
1,5 U=1,54

Environment Methods Machines

1,0

Gambar 4.4 Diagram ishikawa untuk assignable causes

0,5
LCL=0,579 Jumlah Sampel Sama
1 3 5 7 9 11 13 15 17 19 Berdasarkan gambar diatas dapat dikatakan bahwa
Sample
yang menjadi penyebab frekuensi cacat terbesar pada
Gambar 4.3 Peta Kendali U Jumlah Sampel Sama kekencangan jahiran adalah pada faktor material yaitu
Berdasarkan peta kendali U diatas bisa di lihat benang dari supplier baru.
bahwa peta tersebut tidak ditemukan titik merah atau
out of control pada titik persebarannya dengan batas B. Analisis Kapabilitas untuk Produksi Bantal
kendali atas sebesar 2,501, garis tengah 1,54 dan batas Jumlah Cacat Jumlah Sampel Berbeda
kendali bawah sebesar 0,579 maka dapat dikatakan peta
sudah terkendali secara statistik 1. Diagram Pareto untuk Jumlah sampel Berbeda
Berikut ini Berikut ini merupakan diagram pareto
4. Uji Keacakan
unutk jenis cacat pada jumlah sampel berbeda.
Menguji keacakan data jumlah caact, merupakan
salah satu syarat yang harus dipenuhi sebelum
melakukan analisis kapabilitas. Tabel berikut
merupakan hasil pengujian dengan metode run test
dengan software Minitab.
Hipotesis :
H0 : Sampel dari data keacakan data jumlah cacat
diambil secara acak
 5

Pareto Chart of Jenis Cacat U Chart of jumlah cacat

500 2,5
100 UCL=2,341

400
Jumlah Sampel Berbeda

2,0

Sample Count Per Unit

80

300

Percent
60 _
1,5
U=1,419
200
40
1,0
100 20

0,5 LCL=0,496
0 0
Jenis Cacat Kekencangan Jahitan Ketebalan Ketidakhalusan Kain
Jumlah Sampel Berbeda 154 150 150 1 3 5 7 9 11 13 15 17 19
Percent 33,9 33,0 33,0
Sample
Cum % 33,9 67,0 100,0 Tests performed with unequal sample sizes

Gambar 4.5 Diagram Pareto Jumlah Sampel Berbeda Gambar 4.4 Peta kendali U Jumlah Sampel Berbeda
Berdasarkan diagram pareto diatas dapat dikatakan Berdasarkan peta kendali U diatas bisa di lihat
bahwa jumlah cacat terbanyak terjadi pada jenis cacat bahwa peta tersebut tidak ditemukan titik merah atau
kekencangan jahitan yaitu sebanyak 154 cacat, out of control pada titik persebarannya dengan batas
sedangkan jumlah cacat paling sedikit yaitu pada jenis kendali atas sebesar 2,341, garis tengah 1,419 dan batas
cacat ketebalan dan ketidakhalusan kain yaitu sebanyak kendali bawah sebesar 0,496 maka dapat dikatakan peta
150 cacat. Pada jenis cacat kekencangan jahitan sudah terkendali secara statistik.
mendapatkan jumlah cacat terbanyak disebabkan oleh 3. Uji Keacakan
assignable causes yaitu karena memakai benang dari Menguji keacakan data jumlah caact, merupakan
supplier baru. salah satu syarat yang harus dipenuhi sebelum
2. Uji Poisson Sampel Berbeda melakukan analisis kapabilitas. Tabel berikut
merupakan hasil pengujian dengan metode run test
Data jumlah cacat pada produksi bantal dengan dengan software Minitab.
jumlah sampel sama yang sudah didapatkan lalu di Hipotesis :
lakukan uji poisson. Dengan Hipotesis sebagai berikut: H0 : Sampel dari data keacakan data jumlah cacat
Hipotesis: diambil secara acak
H0 : Data jumlah cacat berdistribusi poisson. H1 : Sampel dari data keacakan data jumlah cacat
H1 : Data jumlah cacat tidak berdistribusi poisson. diambil tidak acak
Taraf signifikan : α = 5% Taraf signifikan α = 0,05
Daerah kritis : tolak H0 apabila P-value < α ( 0,05) Daerah kritis : tolak H0 saat p-value < α
Statistik Uji: Statistik Uji:
P-value yang didapat dari pengujian P-value yang didapat dari pengujian
menghasilkan p-value sebesar 1 menghasilkan p-value sebesar 0,178.
Keputusan:
Gagal Tolak H0 karena p-value = 1 > α = 0,05 Keputusan:
Kesimpulan: Gagal tolak H0 karena p-value = 0,178 > α = 0,05
Data jumlah cacat berdistribusi poisson pada taraf Kesimpulan:
signifikan α = 5%, sehingga dapat dilanjutkan untuk Data jumlah cacat diambil secara acak pada taraf
analisis selanjutnya. signifikan α = 5%, sehingga dapat dilanjutkan untuk
2. Membuat Peta Kendali U untuk Jumlah Sampel analisis selanjutnya.
Berbeda
4. Diaram Ishikawa Untuk Assignable Causes pada
Setelah diketahui data berdistribusi poisson, Jumlah Cacat Sampel Berbeda
selanjutnya data jumlah cacat digambarkan sebagai
berikut. Untuk mengetahui penyebab dari titik merah pada
peta kendali x-bar pada n=15 dapat ditunjukkan oleh
diagram ishikawa di bawah ini.
 6

Cause-and-Effect Diagram
bagaimana suatu proses dikatakan terkendali. Saran
Measurements Material Personnel untuk peneliti adalah agar memasukkan data yang jelas
dan lengkap agar memudahkan ketika akan dilakukan
analisis dan teliti saat mengolah data.

B
en
an
g
da
ri
DAFTAR PUSTAKA

s
up
pli
er
ba
Penyebab

ru
Benang dari supplier
baru
Frek uensi
C acat
[1] Evans, James R. & William M. Lindsay. 2007. An
Tertinggi
Introduction to Six Sigma & Process Improvement.
Jakarta: Salemba Empat.
[2] Montgomery, D. C., 2009 Introduction to
Environment Methods Machines
Statistical Quality Control. United States of
America: John Wiley & Sons, Inc.
Gambar 4.4 Diagram ishikawa untuk assignable causes [3] Montgomery, D.C, Design and Analysis of
Jumlah Sampel Sama Experiments. New York: John Wiley and Sons
Berdasarkan gambar diatas dapat dikatakan bahwa (2009).
yang menjadi penyebab frekuensi cacat terbesar pada [4] Purwanto, Djoko, 2007.Korespondensi Bisnis
kekencangan jahiran adalah pada faktor material yaitu Modern. Jakarta : Erlangga Group
benang dari supplier baru. [5] Marimin, 2008, Teknik dan Aplikasi Pengambilan
Keputusan Kriteria Majemuk, Jakarta : Grasindo
III. KESIMPULAN DAN SARAN [6] Montgomery, D.C, Design and Analysis of
Berikut ini merupakan kesimpulan dan saran yang Experiments. New York: John Wiley and Sons
didapatkan berdasarkan hasil analisis pada Pembuatan (2009).
Bantal dengan jumlah observasi sama dan berbeda. [7] Montgomery, D. C., 2009 Applied Statistics and
Probability for Engineers. United States of
A.Kesimpulan America: John Wiley & Sons, Inc
Berikut ini merupakan kesimpulan yang didapatkan [8] Regina, Belinda . 2013 . Bantal Fancy. Depok :
berdasarkan hasil analisis pada panjang pembuaatan Kanaya Press
Bantal dengan jumlah observasi sama dan berbeda
1. Pada analisis pembuatan bantal dengan jumlah
observasi sama yaitu dengan n=15, jumlah cacat
terbanya yaitu pada jenis cacat kekencangan
jahitan dikarenankan oleh random causes yaitu
benang dari supplier baru dan ketebalan yang
disebabkan oleh radom causes. data jumlah cacat
bantal yang berdistribusi poisson selanjutnya
dilakukan analisis menggunakan peta kendali c
dan u. Menghasilkan gambar garis yang sama
tentu saja dengan garis tengah dan batas kendali
yang berbeda. Data jumlah cacat adalah acak. LAMPIRAN
2. Pada analisis pembuatan bantal dengan jumlah
 Output Software Distribusi Poisson untuk Jumlah
observasi berbeda, jumlah cacat terbanyak yaitu Sampel Sama
pada jenis cacat kekencangan jahitan dikarenankan
One-Sample Kolmogorov-Smirnov Test
oleh random causes yaitu benang dari supplier
baru. data jumlah cacat bantal yang berdistribusi JumlahCacat_n
poisson selanjutnya dilakukan analisis Sama
menggunakan peta kendali u. Data jumlah cacat
N 20
adalah acak.
a,b
Poisson Parameter Mean 23,1000
B, Saran
Most Extreme Differences Absolute ,178
Saran untuk pembaca adalah untuk
Positive ,178
memperhatikan dengan seksama agar paham
Negative -,127
 7

Kolmogorov-Smirnov Z ,797
Asymp. Sig. (2-tailed) ,549

a. Test distribution is Poisson.

b. Calculated from data.
 Output Software Distribusi Poisson untuk Jumlah
Sampel Berbeda
One-Sample Kolmogorov-Smirnov Test

JumlahCacat_n
Beda

N 20
a,b
Poisson Parameter Mean 22,7000
Most Extreme Differences Absolute ,079
Positive ,065
Negative -,079
Kolmogorov-Smirnov Z ,355
Asymp. Sig. (2-tailed) 1,000

a. Test distribution is Poisson.

b. Calculated from data.
 Output Software Uji Keacakan untuk Jumlah Sampel
Sama
Runs test for Jumlah cacat

Runs above and below K = 23,1

The observed number of runs = 9
The expected number of runs = 10,9
11 observations above K; 9 below
* N is small, so the following
approximation may be invalid.
P-value = 0,378

 Output Software Uji Keacakan untuk Jumlah Sampel

Berbeda
[1] Runs test for jumlah cacat
[2]
[3] Runs above and below K = 22,7
[4] The observed number of runs = 8
[5] The expected number of runs = 10,9
[6] 11 observations above K; 9 below
[7] * N is small, so the following
approximation may be invalid.
[8] P-value = 0,178
[9]