BAB II

TINJAUAN PUSTAKA

2.1. Pendahuluan

Berdasarkan uraian yang dikemukakan pada Bab I bahwa

permasalahan yang teridentifikasi adalah PT. Vonex Indonesia belum

memiliki cara untuk mengatur proses stabilitasi pada benang TS 248 yang

mengakibatkan sulit untuk mengetahui dan mengurangi keabnormalan

yang ada pada benang TS 248. Benang TS 248 sendiri adalah produksi

utama dari PT. Vonex Indonesia yang kualitasnya harus tetap dijaga dan

ditingkatkan agar dapat memuaskan konsumen, oleh karena itu penulis

mencoba menganalisis stabilitas proses produk benang TS 248 yang ada

pada PT. Vonex Indonesia dan menerapkan suatu metode terstruktur yang

telah terbukti keefektifannya. Montgomery (2009) menjelaskan bahwa ada

beberapa buah metode yang sampai saat ini banyak digunakan oleh

perusahaan dalam pengendalian kualitas, yaitu Total Quality Management

(TQM), Statistical Process Control (SPC) dan Six Sigma.

Sebelum masuk ke tiga jenis metode pengendalian kualitas di atas

akan terlebih dahulu dijelaskan mengenai karakteristik data.

Jumlah variabel yang ada pada penelitian kali ini ada sebanyak 7

variabel yaitu kekuatan (X1), Konversi Strength (X2), Mulur (X3), Uster

(X4), NEP (X5), Shrinkage (X6) dan Putus Benang (X7) yang memiliki

keterkaitan satu sama lain berarti data yang dimiliki adalah data

multivariat.

6
 7

TQM adalah konsep dan metode yang memerlukan komitmen dan

keterlibatan pihak manajemen dan seluruh organisasi dalam pengolahan

perusahaan untuk memenuhi keinginan atau kepuasan pelanggan.

Sedangkan Six Sigma merupakan hasil evolusi terakhir dari quality

improvement yang berkembang sejak tahun 1940-an dan menjadi suatu

potensi untuk mencapai sukses melampaui tingkat perbaikan yang telah

dicapai melalui banyak usaha TQM. Konsep dasar Six Sigma sendiri

banyak diambil dari Total Quality Management (TQM). Six Sigma adalah

TQM yang lebih praktis.

Meskipun penggunaan Total Quality Management dan Six Sigma

ini dapat digunakan untuk data multivariat namun pada penelitian kali ini

tidak menggunakan kedua metode tersebut dikarenakan proses yang

dilibatkan adalah pihak manajemen dan seluruh organisasi sedangkan data

yang peneliti dapat adalah data dari bagian controlling. Selain itu menurut

Montgomery (2009) pada metode Six Sigma diperlukan adanya proses

yang harus dilakukan peneliti yakni proses Define, Measure, Analyze,

Improve dan Control dimana keseluruhan langkah tersebut harus

dilakukan.

Pada Statistical Process Control sendiri menurut Montgomery

(2009) Terdapat tujuh alat dalam pengendalian proses. Ketujuh alat

tersebut antara lain lembar pemeriksaan (check sheet), histogram, diagram

pareto (pareto chart), diagram fishbone (cause-and-effect diagram),

stratifikasi (stratification), diagram pencar (scatter diagram) dan diagram

kendali (control chart). SPC sendiri dapat dilakukan pada data multivariat
 8

sehingga terjadi perubahan nama menjadi Multivariate Statistical Process

Control. Berdasarkan tujuan awal penelitian, keuntungan dari MSPC

sendiri adalah pada MSPC tidak diperlukan kewajiban untuk melakukan

keseluruhan dari ketujuh alat tersebut dalam pelaksanaan prosesnya.

MSPC juga diperuntukkan untuk melihat stabilitas proses dari suatu

produksi agar menjadi efektif, selain itu MSPC merupakan metode

pengendalian kualitas pertama yang dipakai dibidang industri modern

(Montgomery, 2009).

Pada analisis MSPC sendiri nantinya akan ada beberapa alat yang

dapat digunakan untuk menganalisis penggunaan diagram kontrol yang

memang merupakan salah satu bagian dari MSPC yaitu diagram kontrol

multivariat CUSUM, diagram kontrol T2 Hotelling, diagram kontrol

multivariat EWMA, diagram kontrol MNP, diagram kontrol dari chi-

square dan CCC & C chart dan lain-lain

Pada penelitian kali ini data yang digunakan adalah data variabel

bukan data atribut, oleh sebab itu diagram kontrol MNP yang

penggunannya menggunakan data atribut tidak dapat digunakan (Lu,

1998), sedangkan untuk diagram kontrol chi-square dan CCC & C yang

dihitung berdasarkan jarak juga tidak dapat digunakan karena data yang

harus digunakan adalah data atribut. Pada diagram kontrol Cumulative

SUM atau biasa disebut CUSUM dan juga multivariat EWMA atau

biasa disebut MEWMA adalah pengembangan dari proses untuk data

univariat, konsepnya adalah menggunakan informasi hanya dari sampel

yang ada sekarang, jadi pemakaian alat ini efektif apabila digunakan
 9

untuk ukuran sampel yang kecil (Montgomery, 2009). Selain itu

penggunaan CUSUM dapat dilakukan apabila terdapat informasi secara

lengkap mengenai total produksi sedangkan diagram kontrol MEWMA

sendiri dapat dilakukan apabila terdapat pembobotan pada masing-

masing variabel yang menyebabkan perbedaan perlakuan pada masing-

masing variabel.

Montgomery (2009) menyatakan bahwa prosedur yang paling

umum dan familiar untuk Multivariate SPC dengan data variabel adalah

diagram kontrol T2 Hotelling untuk melihat vektor rata-rata dari proses

kontrol dengan asumsi normal multivariat. Berdasarkan penjelasan yang

telah dituliskan sebelumnya maka untuk penelitian kali ini digunakan

metode MSPC dengan diagram kontrol T2 Hotelling.

2.2. Pengertian Kualitas

Ada dua segi umum tentang kualitas yaitu kualitas rancangan dan

kualitas kecocokan. Berbagai barang maupun jasa dihasilkan dalam

berbagai tingkat kualitas. Variasi dalam tingkatan merancang ini memang

disengaja, maka dari itu istilah teknik yang sesuai adalah kualitas

rancangan. Kualitas kecocokan adalah seberapa baik produk itu sesuai

dengan spesifikasi dan kelonggaran yang disyaratkan oleh rancangan itu.

Kualitas kecocokan dipengaruhi oleh beberapa atau bahkan banyak faktor,

termasuk proses pembuatan, latihan dan pengawasan para pekerja, jenis

sistem jaminan kualitas (kontrol proses, uji aktivitas pemeriksaan dan

sebagainya) yang digunakan, seberapa jauh prosedur jaminan kualitas ini

 10

diikuti, motivasi angkatan kerja untuk mencapai kualitas. (Montgomery,

2009)

Prof. David Garvin memberikan pemikirannya mengenai mutu dari

suatu produk yang dapat dipahami dengan mudah yang disebut sebagai

Delapan Dimensi Kualitas Garvin. (Garvin, 1979) Delapan dimensi

kualitas Garvin yaitu:

 Performance (performa)

Fungsi dan kegunaan dari suatu produk itu sendiri jelas adalah

karakteristik utama dari produk tersebut terutama dari para konsumen

untuk membeli produk tersebut

 Features (fitur)

Hal ini berkaitan dengan aspek performa tambahan yang dapat mendukung

fungsi utamanya.

 Reliability (keandalan)

Hal ini berkaitan dengan probabilitas suatu produk dapat bekerja dengan

memuaskan atau tidak dalam jangka waktu tertentu dan kondisi tertentu

pula.

 Conformance to Standard (kesesuaian dengan standar)

Hal ini berkaitan dengan kesesuaian dengan spesifikasi tang ditentukan

berdasarkan keinginan pelanggan.

 Durability (ketahanan)

Hal ini berkaitan dengan daya tahan atau masa pakai suatu produk.

 Serviceability
 11

Hal ini berkaitan dengan kemudahan, kompetensi, kecepatan, dan akurasi

dalam memberikan perbaikan.

 Aesthetics (estetik)

Hal ini berkaitan dengan tampilan, bau, rasa, dan bunyi dari suatu produk.

 Perceived Quality

Hal ini berkaitan dengan mutu atau kualitas yang dirasa oleh konsumen

seperti jaminan merk dan ratings yang diberikan oleh suatu majalah.

Pengendalian mutu statistika (statistical quality control) baru

dikembangkan secara besar-besaran pada abad ke-20. Walter A. Shewhart

dari Bell Telephone Laboratories adalah orang yang pertama kali

menggunakan pengendalian mutu statistika. Alat yang sangat terkenal

dalam pengendalian mutu adalah seven tools of quality control, yakni

suatu grafik dan alat statistika yang banyak digunakan dalam penyelesaian

masalah pengendalian mutu (Quality Control). Nama lain dari alat ini

adalah The Magnificent Seven.

2.3. Statistical Process Control

Statistical process control atau yang sering disebut dengan statistik

pengendalian kualitas merupakan aplikasi dari teknik statistik yang

mengontrol suatu proses. Diagram kontrol (control chart) merupakan awal

dari SPC. metode pengendalian kualitas pertama yang dipakai dibidang

industri modern (Montgomery, 2009)

Pada SPC terdapat beberapa alat yang digunakan untuk

menganalisis stabilitas proses. Terdapat tujuh alat utama yang masing-

 12

masing dari ketujuh alat tersebut telah digunakan secara terpisah sebelum

tahun 1960. Pada awal tahun 1960, beberapa ilmuwan Jepang yang

dipimpin oleh Kaoru Ishikawa menggabungkan alat tersebut sehingga

menghasilkan alat pengendalian mutu yang efektif dan mudah untuk

digunakan. Ketujuh alat tersebut antara lain lembar pemeriksaan (check

sheet), histogram, diagram pareto (pareto chart), diagram fishbone (cause-

and-effect diagram), stratifikasi (stratification), diagram pencar (scatter

diagram) dan diagram kendali (control chart) ( Montgomery, 2009).

Dalam teori statistic process control, kondisi diluar kontrol

biasanya disebabkan oleh sebab-sebab yang telah diketahui dengan pasti,

atau bisa juga dikarenakan oleh sebab-sebab khusus, seperti misalnya

perubahan dari bahan baku, degradasi atau penyalahgunaan mesin,

pergantian operator / user dari suatu mesin, dan lain-lain. Jika kondisi

diluar kontrol ini terjadi, maka biasanya proses produksi akan dihentikan

untuk mencegah adanya produksi yang tidak sesuai dengan kualitas yang

seharusnya, kemudian pihak dari perusahaan yang akan melakukan

penyelidikan untuk mencari tahu apa penyebab dari kondisi tersebut

terjadi, serta menghilangkan penyebab tersebut. Sehingga dengan

demikian maka kualitas dari produk yang dihasilkan akan tetap terjaga

(Montgomery, 2009).

Pada kasus univariate, dimana hanya ada satu varibabel yang perlu

dimonitor dan dikontrol, ada banyak sekali diagram kontrol yang tersedia.

Untuk datal atribut, peta kontrol yang populer mencakup fraction defective

chart (p chart) dan count chart (c chart). Untuk data yang kontinu,
 13

diagram kontrol yang populer antara lain “X-bar chart dan R charts”, dan

“X-bar dan S charts”. Akan tetapi pada pembahasan selanjutnya

univariat tidak akan dibahas lebih jauh karena metode yang dipakai

merupakan bagian dari multivariat ( Montgomery, 2009)

Di dunia industri, variabel yang harus dikontrol dalam proses

kebanyakan merupakan multivariat. Sebagai contoh pada perusahaan

perakitan mobil. Dimensi dari bagian-bagian yang harus diproses

merupakan multivariat dan mempunyai hubungan yang erat. Didalam

industri kimia, banyak sekali variabel proses, seperti temperatur,

tekanan, dan konsentrasi.

Namun yang disayangkan adalah pada dunia industri dalam

mengatasi data multivariat dan hubungan yang erat ini biasanya

menggunakan satu peta kontrol univariat untuk setiap variabelnya.

Pendekatan ini menjadikan ada banyak sekali peta kontrol dan dapat

membingungkan pengguna/pihak perusahaan sehingga dapat

menyebabkan kesalahan keputusan. Oleh sebab itulah perlu dipakainya

metode yang bisa mendeteksi kasus multivariat, seperti T2 Hotelling,

EWMA multivariat control chart, principal component, PLS dan lain-lain .

2.4. Diagram Kontrol Univariat

Diagram kontrol dapat menjamin proses produksi masih berada

dalam keadaan baik atau normal dan juga diagram kontrol dapat

menunjukan pergerakan atau variasi data dari waktu ke waktu. Misalkan

jika ada proses tidak terkendali, maka kemungkinan ada dua penyebab
 14

proses menjadi tidak terkendali. Begitu juga apabila terdapat proses tidak

terkendali, maka perlu dilakukan identifikasi penyebab proses yang tidak

terkendali tersebut dengan mencari penyebab (assignable cause). Dan jika

terlacak penyebabnya, maka titik tersebut dikeluarkan dan selanjutnya

dibuat batas kendali baru. Tetapi apabila tidak terlacak (common cause),

maka data tersebut dapat dipertahankan atau tetap dibuang dengan asumsi

bahwa pasti ada penyebabnya (Montgomery,2009).

Diagram kontrol dapat diterapkan untuk data yang bersifat kontinu

(variabel) di mana data tersebut diperoleh dari hasil pengukuran dan dapat

pula diterapkan untuk data yang bersifat diskrit (atribut). Maka dalam

analisisnya dapat digunakan diagram kontrol X , R, moving average untuk

mengendalikan karakteristik mutu variabel. Dan menggunakan grafik

pengendali p, C, U, dan D untuk mengendalikan karakteristik atribut pada

kasus univariat (Montgomery, 2009).

Tujuan dibuatnya diagram kendali adalah untuk :

1 Mengecek jika proses berada dalam kondisi tidak terkendali.

2 Untuk membedakan assignable variability atau random variability.

3 Untuk menunjukkan waktu di mana terlihat adanya proses di luar kendali.

4 Untuk menentukan penyebab proses keluar dari kendali.

Untuk kasus ini diagram kontrol untivariat tidak akan dibahas

terlalu menyeluruh karena fokus penelitian ada pada data multivariat yang

nantinya juga akan digunakan pada diagram kontrol yang digunakan

nantinya, yakni antara diagram kontrol multivariat atribut dengan diagram

kontrol multivariat variabel.

 15

2.5. Diagram Kontrol Multivariat

Diagram kontrol adalah salah satu alat yang digunakan dalam

pengendalian kualitas atau mutu baik industri jasa maupun manufaktur.

Diagram kontrol adalah tampilan dalam bentuk grafik dari beberapa

karakteristik kualitas yang telah diukur dan telah dihitung sebelumnya

(Montgomery, 2009).

Alat yang paling sering dan paling ampuh digunakan untuk

proses multivariat sama seperti pada kasus univariat, yakni diagram

kontrol. Kemudian mereka melanjutkan contoh diagram kontrol

multivariat yaitu diagram kontrol multivariat Shewhart, diagram kontrol

multivariat CUSUM, diagram kontrol T2 Hotelling, diagram kontrol

multivariat EWMA dan lain-lain

2.5.1. Diagram Kontrol Multivariat Atribut

Menurut Montgomery ( 2009 ), banyak karakteristik kualitas tidak

dapat dengan mudah dinyatakan secara numerik karena pada banyak

kasus, kualitas dapat dilihat secara langsung tanpa melakukan pengukuran

secara numerik. Pada keadaan seperti itu, biasanya tiap objek yang

diperiksa akan diklasifikasikan sebagai objek yang sesuai dengan

spesifikasi dan objek yang tidak sesuai dengan spesifikasi. Batas

spesifikasi yang digunakan merupakan batas yang digunakan perusahaan.

Karakterstik kualitas seperti ini dinamakan kualitas atribut.

Jika variabel karakteristik kualitas yang diperiksa lebih dari

satu dan antar variabel yang satu dengan yang lain ada hubungan
 16

maka disebut multivariat (Johnson & Winchern, 1998). Diagram kontrol

multivariat atribut adalah diagram control yang digunakan ketika

terdapat lebih dari satu karakteristik kualitas dalam suatu pemeriksaan.

(Mukhopadhyay, 2008).

Beberapa diagram kontrol yang digunakan untuk menganalisis

kasus multivariat atribut yaitu mahalanobis distance, MNP chart,

diagram kontrol multivariate atribut yang berdasarkan jarak dari chi-

square dan CCC & C chart. Bahkan dapat dilakukan pengembangan dari

suatu metode pembuatan diagram kontrol berdasarkan cumulative counts

of conforming (CCC).

Untuk pengembangannya sendiri, Mukhopadhyay (2008)

mengembangkan diagram kontrol mahalanobis distance sedangkan Lu

(1998) mencoba untuk mengembangkan diagram kontrol multivariat NP

atau biasa disebut diagram kontrol MNP.

2.5.2. Diagram Kontrol Multivariat Variabel

Menurut Montgomery (2009) karakteristik mutu yang diukur dari

skala numeric disebut variabel. Contohnya adalah panjang atau lebar, suhu

dan juga volume. Ketika menyadari data yang diperoleh adalah data

variabel. Untuk mengukur rata-rata proses atau untuk melihat tingkatan

mutu rata-rata atau bisa disebut juga diagram kontrol ̅ sedangkan untuk

melihat proses varians dapat menggunakan diagram kontrol S dan untuk

melihat proses untuk jarak dapat menggunakan diagram kontrol R.

 17

Diagram pengendali variabel dapat dibangun dari pengamatan individu.

Hal ini sering terjadi apabila pemeriksaan dilakukan secara otomatis dan

bila tingkat produksi sangat lambat sehingga sulit untuk mengambil

ukuran contoh lebih besar dari satu. Demikian pula dalam kasus di mana

pengukuran sangat mahal dan / atau bersifat merusak.

Menurut Sachlas, Papaioannou, dan Bersimis dalam jurnal

Controlling non-normal Multivariate Processes mengatakan bahwa

contoh diagram kontrol multivariat yaitu diagram kontrol multivariat

Shewhart, diagram kontrol multivariat CUSUM, diagram kontrol T2

Hotelling, diagram kontrol multivariat EWMA dan lain-lain

Montgomery (2009) menyatakan bahwa prosedur yang paling

umum dan familiar untuk Multivariate SPC adalah diagram kontrol T2

Hotelling untuk melihat vektor rata-rata dari proses kontrol.

Montgomery melanjutkan pada diagram kontrol T2 Hotelling dibagi

menjadi dua kasus yakni kasus untuk data subgroup dan data untuk

individual.

Untuk diagram kontrol Cumulative SUM atau biasa disebut

CUSUM dan juga multivariat EWMA atau biasa MEWMA adalah

pengembangan dari proses untuk data univariat, konsepnya adalah

menggunakan informasi hanya dari sample yang ada sekarang, jadi

pemakaian alat ini efektif apabila digunakan untuk ukuran sampel yang

kecil. (Montgomery, 2009)

 18

2.6. Distribusi Normal Multivariat

Menurut Johnson & Wichern ( 1998 ) hampir keseluruhan teknik

analisis dengan data multivariat terutama data variabel membutuhkan

asumsi bahwa data mendekati distribusi normal multivariat. Beberapa

pengembangan fungsi densitas normal untuk beberapa dimensi

memainkan peran yang mendasar dalam analisis multivariat. Meskipun

pada kenyataanya data yang diperoleh sangat sulit atau bahkan tidak

pernah mutlak berdistribusi normal multivariat, namun fungsi densitas

normal seringkali digunakan sebagai pendekatan distribusi populasi yang

sebenarnya. (Montgomery, 2009).

Variabel x1 , x2 ,....,x p sendiri dapat dikatakan berditribusi normal

multivariat dengan parameter  dan σ2jika mempunyai fungsi densitas:

1
1
1
 ( x   )' 2 ( x   )
f ( x)  e 2 untuk -∞<x<∞ ( 2.1 )
2 p/2
( 2 ) p/2


Fungsi densitas normal multivariat p = 1 , 2 , … . , q diperoleh

dengan mengganti persamaan jarak yang telah distandarisasi dengan jarak

multivariat dalam bentuk yang lebih umum dan mengganti konstanta

1
 2 untuk membuat fungsi densitas multivariat bersatu untuk

berapapun nilai p. Sehingga fungsi densitas normal multivariat menjadi:

1
1
1
( x   )' 2 ( x   )
f ( x)  1/ 2
e 2 ( 2.2 )
( 2 ) p / 2  2

Dimana -  x   dan p = 1, 2, …, q. Densitas normal p-

 19

dimensi maka akan dinotasikan dengan N  μ, σ2 . (Montgomery, 2009)

Selain menggunakan Q-Q Plot perhitungan untuk melihat

kenormalan data dapat dilihat melalui nilai skewness dan kurtosis, untuk

pengujian normal multivariat sendiri dapat digunakan hipotesis dimana

hipotesisnya yaitu:

H0 : β1,p = 0 (data berdistribusi normal multivariat)

H1 : β1,p ≠ 0

untuk statistik ujinya sendiri dapat dilihat dengan rumusan:

( p  1)(n  1)(n  3)
zskew  b1, p
6  (n  1)( p  1)  6
( 2.3 )

tolak hipotesis nol jika zskew ≥ χ21/6 p (p+1) (p+2)

atau tolak hipotesis nol jika nilai p-value ≤ α (0.05)

Untuk melihat nilai kurtosisnya dapat dilihat distribusi yang tidak

terlalu menanjak ataupun yang tidak terlalu kecil. Untuk hipotesisnya

sendiri adalah:

H0 : β2,p = 0 (data berdistribusi normal multivariat)

H1 : β2,p ≠ 0

dimana statistik ujinya adalah:

b2, p  p( p  2)
zkurtosis 
8 p( p  2) / n ( 2.4 )

tolak hipotesis nol jika jika β2,p lebih besar dari batas atas 2.5% dan lebih

kecil dari nilai batas bawah 25% dari distribusi z.

atau tolak hipotesis nol jika nilai p-value ≤ α (0.05)

 20

2.7. Diagram Kontrol Multivariat T2 Hotelling

Akhir-akhir ini, proses produksi modern telah berubah menjadi

kompleks dan terintegrasi. Dengan demikian, monitoring karakteristik

kualitas proses perlu dilakukan secara terpisah, dengan mengabaikan

interaksi yang mungkin terjadi antara karakteristik kualitas proses, namun

hal itu belumlah cukup untuk mencerminkan situasi proses secara

utuh. Oleh karena itu, perlu dilakukan beberapa pengembangan dan

perbaikan. Salah satu yang paling sering dibahas adalah Diagram

Kontrol multivariat T2 Hotelling. Menurut Montgomery (2009) diagram

kontrol T2 Hotelling merupakan salah satu diagram kontrol multivariat

yang mengontrol vektor rata-rata suatu proses dan memiliki analogi

dengan diagram kontrol univariat Shewhart. Berdasarkan hasil

pengamatannya, diagram kontrol T2 Hotelling dibagi menjadi dua

yaitu diagram kontrol T2 Hotelling untuk pengamatan Subgrup dan

diagram kontrol T2 Hotelling untuk pengamatan individual.

Selain itu untuk menggunakan rumusan T2 Hotelling pada data multivariat

variabel dibutuhkan asumsi normal multivariat (Montgomery, 2009)

2.8. Diagram Kontrol Multivariat T2 Hotelling Bebas Distribusi

Diagram kontrol T2 Hotelling adalah alat statistik yang cukup tepat

digunakan untuk data berdistribusi normal multivariat untuk melihat

bagaimana mengontrol stabilitas proses produksi. (Montgomery, 2009)

Kenyataan yang ada pada realita di lapangan, data yang dimiliki

 21

perusahaan yang akan dikenakan proses pengendalian kerap kali sering

tidak dapat memenuhi asumsi normal multivariat.

Cara mengatasi masalah yang ada mengenai tidak dapat terpenuhinya

asumsi normal multivariat yaitu dengan menggunakan diagram kendali

T 2 Hotelling dengan prosedur bebas distribusi (Mason & Young,

2002). Selain itu cara ini dalam pembuatannya hampir mirip dengan

rumusan T 2 Hotelling dengan asumsi normal multivariat, namun yang

membedakannya terdapat pada penentuan nilai batas atas kendalinya

(UCL). Hal ini dikarenakan pada data multivariat batas bawah kendali

(LCL) sama dengan 0.

Menurut Mason & Young (2002) ada tiga metode yang dapat

digunakan Diagram kontrol T2 Hotelling bebas distribusi yakni teorema

Chebyshev, Confidence Interval bebas distribusi, dan metode kernel

smoothing. Namun yang alat yang umum dipakai untuk digunakan

melihat nilai UCL ini adalah dengan menggunakan teorema Chebyshev.

Tanpa memperhatikan distribusi dari nilai x, teori ini perumusannya

adalah:

P(   k  x    k )  1  1/ k 2 ( 2.5 )

dengan µ dan σ2 adalah rata-rata dan varians dari x dan dengan k>1 adalah

nilai konstan yang ditentukan. Sedangkan untuk menentukan nilai UCLnya

digunakanlah rumusan:

UCL  T  ksT ( 2.6 )

dimana T dan sr adalah rata-rata dan standar deviasi dari T2 Hotelling.

Nilai dari k ditentukan dengan pemilihan nilai α dengan rumusannya

 22

adalah:

α=1/k2 ( 2.7 )

2.9. Analisis Kapabilitas Proses

Menurut Montgomery (2009) diagram kontrol adalah teknik paling

mudah dan efektif untuk melihat analisis kapabilitas proses. Kemudian

Montgomery melanjutkan bahwa analisis kapabilitas proses ini

merupakan teknik statistik yang dapat membantu untuk menganalisis

produk, termasuk untuk menganalisis keragaman variabel yang ada atau

dibutuhkan oleh perusahaan.

Metode yang dapat digunakan untuk mengukur kapabilitas suatu

proses untuk data multivariat adalah metode Taam. Metode Taam adalah

sebuah metode multivariat kapabilitas dengan memodifikasi volume

batas toleransi (R1) menjadi volume 3σ yakni 99,73% untuk batas proses

(R2). Berikut ini adalah hubungan σ dengan peluang tanpa kecacatan

(keabnormalan) untuk distribusi normal.

Tabel 2.1
Hubungan Sigma dengan Probabilitas tanpa cacat untuk Distribusi
Normal
Yield
Sigma (probabilitas tanpa DPMO
cacat)
1 68.27 % 317300
2 95.45 % 45500
3 99.73 % 2700
4 99.9973 % 63
5 99.999943 % 0.57
6 99.9999998% 0.002
 23

Untuk rumusannya sendiri adalah sebagai berikut:

ˆ Volume R 1
MC pm 
Volume R 2 ( 2.8 )

Jika data yang digunakan berdistribusi normal multivariat maka

nilai dapat dirumuskan sebagai berikut:


ˆ Cp
MC pm  
D ( 2.9 )

dimana

ˆ
MC pm
= nilai taksiran kapabilitas proses multivariat


Cp
= nilai taksiran kapabilitas yang sebanding dengan nilai Cp univariat

D = nilai taksiran jarak antara rata-rata proses dengan target


Cp
Untuk nilai sendiri didapat dari

 Vol (batas toleransi)

Cp 
Vol (batas proses(99,73%)) ( 2.10 )

Vol (batas toleransi)

 1
1/ 2   p 
S ( K ) p/2
  2  1 
   ( 2.11 )

dimana

Г(p/2) : nilai dari distribusi gamma untuk p variabel

K : kuartil dari 99,73%

dengan skala proses merupakan daerah batas proses. Ri (daerah

toleransi) adalah ellipsoid terbesar yang berpusat pada target yang terletak
 24

pada toleransi yang sebenarnya

Sedangkan untuk nilai dari didapatkan dari:

1/ 2
  n 
D  1  ( X  0 ) S ( X  0 ) 
' 1

 n 1  ( 2.12 )

MC pm
Kriteria untuk kapabilitas prosesnya sendiri yaitu ketika >

1,33 maka proses kapabilitas dianggap dapat mampu memenuhi proses

sesuai dengan spesifikasinya ( Zahid dan Sultana, 2008 ).

2.10. Proses Dekomposisi Untuk Titik yang Keluar dari Batas pada

Diagram Kendali T2 Hotelling

Pada kasus ini, jika telah selesai memploting data dan melihat

seperti apa kurva yang dihasilkan namun ketika kurva selesai dibuat namun

ada titik yang diluar kendali, maka harus dilakukan proses lanjutan yakni

mencari penyebab terjadinya titik diluar kontrol tersebut Menurut

Montgomery (2009) terdapat dua penyebab utama yang menyebabkan

terjadinya titik keluar dari batas kendali, yakni common cause dan

assignable cause.

Montgomery melanjutkan bahwa assignable cause adalah penyebab

yang berasal dari permasalahan yang terlihat sehingga masih dapat disikapi

oleh perusahaan kedepannya. Contohnya adalah pada industri tekstil ketika

benang sering putus ketika proses produksi, kemungkinan penyebabnya

yaitu antara mesin yang bermasalah, kesalahan bahan baku, atau

kemungkinan bisa juga terjadi human error. Sedangkan untuk common

cause sendiri adalah penyebab yang awal permasalahannya tidak terlihat

 25

sehingga sulit untuk disikapi oleh perusahaan kedepannya. Contoh dari

common cause adalah pemadaman listrik dari PLN untuk beberapa waktu,

konsleting listrik, atau bahkan banjir

Pada proses pengendalian multivariat, sangat sulit diketahui

variabel mana yang bertanggungjawab terhadap terjadinya titik diluar

batas kendali, karena ada sebanyak p variabel yang berkontribusi

terhadap proses. Menurut Montgomery (2009) salah satu cara yang dapat

digunakan untuk mendiagnosisnya dengan menggunakan dekomposisi

nilai statistik T 2 menjadi komponen yang dapat merefleksikan kontribusi

dari masing-masing variabel. Jika T2 adalah nilai statistik dan T(i)2 adalah

sebuah nilai statistik untuk semua proses tanpa menggunakan variabel

ke-i, menurut Montgomery (2009) dapat ditunjukkan bahwa:

di  T 2  T(2i )
( 2.6 )

rumusan diatas adalah indikator dari hubungan kontribusi variabel ke-

idengan statistik seluruhnya. Semakin besar nilai di maka akan semakin

besar pula kontribusi variabel ke-i terhadap terjadinya titik yang keluar

dari batas kendali.