Manajemen Operasi II

Resume
KENDALI PROSES STATISTIK

Disusun Oleh :
Kelompok 8
Bia Haqqulimara F0218018
Indah Lestari Setyaningrum F0218048
Mutia Retno Dewayani F0218076
ShaniaSurya Pratiwi F0218109

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SEBELAS MARET
2020
Kendali Proses Statistik (SPC)

Suatu proses dikatakan akan dioperasionalkan dalam kendali statistik ketika hanya ada satu
sumber variasi semata, yaitu penyebab umum (alamiah). Pertama, proses harus dimasukkan ke
dalam kendali statistik dengan mendeteksi dan menghilangkan penyebab variasi istimewa
(khusus).' Kemudian, kinerjanya dapat diprediksikan, dan kemampuannya untuk memenuhi
ekspektasi konsumen dapat dinilai. Tujuan dari sistem kendali proses adalah untuk menyediakan
suatu sinyal statistik ketikn penyebab variasi yang khusus terjadi.

Variasi natural (natural variations) adalah banyak sumber variasi yang terjadi di dalam suatu
proses, bahkan salah satu yang ada di dalam pengendalian statistik. Variasi natural membentuk
suatu pola yang dapat digambarkan sebagai distribusi.

Variasi khusus (assignable variation) dalam suatu proses dapat ditelusuri pada suatu alasan
tertentu. Faktor-faktor, misalnya keausan mesin, perlengkapan yang tidakdiperbaiki, kelelahan,
atau para pekerja yang belum terlatih, atau batch bahan material yang Baru semuanya merupakan
sumber yang berpotensial bagi variasi-variasi khusus.
Variasi natural dan khusus membedakan dua tugas bagi manajer operasional. Pertama adalah
untuk memastikan bahwa proses mampu beroperasional di bawah kendali dengan hanya variasi
natural semata. Kedua adalah, tentu saja, untuk mengidentifikasi dan menghilangkan variasi-
variasi khusus sehingga proses tersebut akan tetap bertahan di bawah kendali.

Grafik Kendali menunukan 3 distribusi yang merupakan hasil output dari 3 tipe proses. Kita
memplot sampel kecil dan kemudian memeriksa karakteristik dari data yang dihasilkan untuk
melihat jika proses berada di dalam "batas kendali. Tujuan dari diagram kendali adalah untuk
membantu membedakan di antara variasi natural dengan variasi yang sehubungan dengan
penyebab khusus.

Grafik Kendali untuk Variabel-Variabel

Variabel kepentingan di sini adalah segala sesuatu yang memiliki dimensi yang terus-menerus.

Mereka memiliki jumlah kemungkinan yang takterbatas. Grafik kendali untuk rata-rata, atau x
bar, dan kisaran R, digunakan untuk memonitor proses yang memiliki dimensi yang
berkelanjutan.

Dua tipe grafik akan berjalan beriringan ketika memonitor variabel karena mereka mengukur dua
parameter yang kritikal: kecenderungan sentral (central tendency) dan penyebaran (dispersion).

Dalil Batas Sentral.

Fondasi teoretis untuk grafik x bar adalah dalil batas sentral (central limit theorem). Dalil ini
menyatakan bahwa terlepas dari distribusi populasi, distribusi atas x (masing-masing di mana
adalah rata-rata dari sampel yang ditarik dari populasi) akan cenderung untuk mengikuti kurva
normal sebagai jumlah dari sampel yang meningkat.

Dalil ini juga inenyatakan bahwa: (1) distribusi rata-rata darix (disebut akan setara dengan rata-
rata dari keseluruhan populasi (disebut pu); dan (2) standar deviasi dari distribusi sampel, ož,
akan menjadi standar deviasi populasi (proses). dibagi dengan akar kuadrat dari ukuran sampel,
n. Dengan kata lain:

Gambar 56.3 memperlihatkan tiga kemungkinan distribusi populasi, masing-masing dengan rata-
ratanya sendiri, u, dan standar deviasi, o.

Lebih lanjut lagi, distribusi sampel, yang ditunjukkan pada Gambar S6.4, akan memiliki sedikit
variabilitas daripada distribusi proses. Karena distribusi sampel ini normal, kita dapat
menyatakan bahwa:

• sebesar 95,45% waktu, sampel rata-rata akan jatuh di dalam +20 7 jika proses hanya
memiliki variasi alamiah
• sebesar 99,73% waktu, sampel rata-rata akan jatuh di dalam 30. jika proses hanya
memiliki variasi normal.

Jika suatu titik pada diagram kendali jatuh di luar +30 7 batas kendali, kemudian kita akan
menjadi sebesar 99,73% yakin bahwa proses telah berubah. Hal ini adalah teori di belakang
grafik kendali.
Menetapkan Batas Grafik Rata-Rata (Grafik )

Apabila kita mengetahui, melalui dala masa lalu, standar deviasi dari populasi (proses),0, kita
dapat menetapkan batas kendali atas dan bawah’dengan menggunakan formula berikut.

Contoh – MENETAPKAN BATAS KENDALI PENGGUNAAN SAMPEL

Bobot kotak Oat Flakes di dalam suatu lot produksi yang besar disampel setiap jam.
Manajer ingin menetapkan batas kendali yang mencakup 99,73% dari rata-rata sampel.
PENDEKATAN – Pilih secara acak dan timbang 9 (n = 9) kotak tiap jam. Kemudian,
temukan keseluruhan rata-rata dan gunakan Persamaan (S6-3) dan (S6-4) untuk menghitung
batas kendali. Berikut sembilan kotak yang dipilih Jam 1:

SOLUSI
Berat rata-rata dalam sampel per jam pertama =
17+13+16+18+17 +16+15+17+16
=16,1 ons
9
Juga, standar deviasi populasi (proses) yang diketahui menjadi 1 ons. Kami tidak
menunjukkan tiap-tiap kotak yang dipilih secara acak dalam jam 2 hingga 12, tetapi di sini
terdapat seluruh 12 sampel setiap jam:
 Berat Sampel Berat Sampel Berat Sampel

jam x́ 9 kotak jam x́ 9 kotak jam x́ 9 kotak

1 16,1 5 16,5 9 16,3

2 16,8 6 16,4 10 14,8

3 16,5 7 16,2 11 14,2

4 16,5 8 16,4 12 17,3

Rata-rata mean x́ atas 12 sampel dihitung dengan persis tepat 16 ons

12

( ∑ ( rata−ratadari 9 kotak )
x́= i=1
12
)
Oleh karena itu, kita memiliki x́=16 ons , σ=1 ons , n=9 , dan z=3. Batas kendali adalah:

( √19 )=16+3 ( 13 )=17 ons

UCL x́ =x́+ z σ x́ =16+3

1 1
LCL =x́−z σ =16−3 ( )=16−3 ( ) =15 ons
x́ x́
√9 3

Sebanyak 12 sampel ini kemudian diplot pada grafik kendali berikut:

WAWASAN – Karena rata-rata dari sampel rata-rata terkini berada di luar batas kendali atas
dan bawah, yaitu 17 dan 15, kita dapat menyimpulkan bahwa proses menjadi tidak menentu
dan tidak terkendali.
Karena standar deviasi proses sering tidak tersedia, kita biasanya menghitung batas
kendali berdasarkan rata-rata kisaran nilai dan bukannya standar deviasi. Kisaran (R i)
didefinisikan sebagai perbedaan antara barang terbesar dan terkecil dalam satu sampel. Misalnya,
kotak Oat Flakes yang terberat dalam Jam 1 dari Contoh S1 adalah 18 ons dan yang paling
ringan adalah 13 ons, jadi kisaran untuk jam itu adalah 5 ons. Kami menggunakan persamaan:

UC Lx́ = x́ + A2 Ŕ

LC L x́ = x́−A 2 Ŕ

di mana

∑ R1 = rata-rata kisaran sampel

R= i=1
n

Ri= kisaran untuk satu sampel.

A2 = nilai pada persamaan tersebut

x́ = rata-rata dari sampel rata-rata

Contoh – MENETAPKAN BATAS RATA-RATA PENGGUNAAN TABEL NILAI

Botol minuman ringan Super Cola berlabel "berat bersih 12 ons." Memang, keseluruhan
proses rata-rata12 ons telah ditemukan dengan mengambil 10 sampel, di mana setiap sampel
berisi 5 botol. Rata-rata kisaran dari proses adalah 0,25 ons. Tim OMingin menentukan batas
kontrol atas dan bawah untuk rata-rata dalam proses ini.

PENDEKATAN – Super Cola pertama-tama memeriksa 10 sampel untuk menghitung kisaran

rata-rata proses.Berikut ini data dan perhitungannya:

Melihat pada Tabel S6.1 untuk ukuran sampel 5 pada kolom rata-rata faktor A2, kami
menemukan nilai 0,577. Dengan demikian, batas bagan kontrol atas dan bawah adalah:

UC Lx́ = x́ + A2 Ŕ

= 12 + (0,577)(0,25)

= 12 + 0,144

= 12,144 ons

LC L x́ = x́−A 2 Ŕ
 = 12 – 0,144

= 11,856 ons

WAWASAN – Keuntungan menggunakan pendekatan kisaran ini, daripada deviasi standar,

adalah pendekatan ini mudah diterapkan.

Mengatur Batas Grafik Kisaran (Grafik R)

Dalam Contoh S1 dan S2, kami menentukan batas kendali atas dan bawah untuk proses
rata-rata. Sebagai tambahan bagi yang bersangkutan dengan proses rata-rata, manajer operasi
tertarik pada penyebaran proses, atau kisaran. Meskipun proses rata - rata terkendali, namun
dispersi proses mungkin tidak. Sebagai contoh, sesuatu proses yang sedang berjalan mungkin
melewatkan satu peralatan untuk mengisi kotak-kotak Oat Flakes. Hasilnya, rata-rata sampel
mungkin tetap sama, tetapi variasi dalam sampel bisa berbeda. Untuk itu, manajer operasi
menggunakan grafik kendali atas kisaran untuk memantau variabilitas proses, serta grafik
kendali atas rata-rata, yang memantau kecenderungan sentral proses. Teori di balik grafik kendali
atas kisaran adalah sama dengan yang terdapat pada grafik kendali rata-rata proses. Batas
ditetapkan pada ±3 standar deviasi atas distribusi untuk rata-rata kisaran R. Kita dapat
menggunakan persamaan berikut untuk menetapkan batas kontrol atas dan bawah untuk kisaran:

UC LR =D 4 R

LC LR =D3 R

dimana:

UC LR =batas grafik kendali atasuntuk kisaran

LC LR =batas grafik kendali bawahuntuk kisaran

D 4 dan D 3=nilai rata−rata kisaran

Contoh – MENETAPKAN BATAS KISARAN PENGGUNAAN TABEL NILAI

Kisaran rata-rata suatu produk pada Clinton Manufacturing adalah 5,3 pound. Dengan ukuran
sampel sebanyak 5, pemilik Roy Clinton ingin menentukan batas grafik kendali atas dan
bawahnya.
 Dalam ke 5 sampel, dia menemukan bahwa D4=2,115 dan D3=0

Batas kendali kisaran adalah:

UC LR =D 4 R=( 2,115 ) (5,3 pon )=11,2 pon

LC LR =D3 R=( 0 )( 5,3 pon )=0

WAWASAN – Menghitung kisaran adalah cara yang sederhana dan mudah untuk
mengevaluasi penyebaran.

Menggunakan Grafik Rata-rata dan Kisaran

Distribusi normal didefinisikan oleh dua parameter, mean dan standar deviasi. Grafik x́
(Rata-rata) dan grafik R menyerupai kedua parameter ini. Grafik x́ peka terhadap pergeseran
dalam proses rata-rata, sedangkan grafik R peka terhadap pergeseran di dalam proses standar
deviasi.

Oleh karena itu, dengan menggunakan kedua grafik kita dapat melacak perubahan dalam
proses distribusi. Sebagai contoh, sampel dan garfik x́ yang dihasilkan pada Gambar S6.5 (a)
menunjukkan pergeseran dalam proses rata-rata, tetapi karena penyebarannya konstan, tidak ada
perubahan yang terdeteksi oleh grafik R. Sebaliknya, sampel dan grafik x́ pada Gambar S6.5 (b)
mendeteksi tidak ada pergeseran (karena tidak ada yang berganti), tetapi grafik R mendeteksi
pergeseran di dalam penyebaran. Kedua grafik diperlukan untuk menelusuri proses secara akurat.

Langkah-langkah untuk Diikuti Ketika Menggunakan Grafik Kendali. Ada lima langkah yang
umumnya diikuti dalam menggunakan grafik x́ dan R:

1. Kumpulkan 20 hingga 25 sampel, seringkali n = 4 atau n = 5 masing-masing pengamatan,

dari proses yang stabil, dan menghitung rata-rata dan kisaran masing-masing.
2. Hitung keseluruhan rata-rata (x́ dan R), tetapkan batas kendali yang sesuai, biasanya pada
level 99,73%, dan hitunglah batas kendali atas dan bawah mula-mula. Jika proses saat ini
belum stabil dan terkendali, gunakan rata-rata yang diinginkan, μ, dan bukannya x́ untuk
menghitung batas.
3. Buat grafik rata-rata dan kisaran sampel pada masing-masing grafik kendali, dan tentukan
apakah mereka berada di luar batas yang dapat diterima.
 4. Selidiki poin atau pola yang menunjukkan proses tidak terkendali. Cobalah untuk
menetapkan penyebab khusus untuk variasi, penyebabnya, dan kemudian lanjutkan
proses.
5. Kumpulkan sampel tambahan dan, jika perlu, validasi ulang batas kontrol menggunakan
data baru.

Grafik Kendali untuk Atribut

Grafik kendali untuk x́ dan R tidak berlaku ketika kita melakukan sampel atas atribut,
yang biasanya diklasifikasikan sebagai cacat atau tidak cacat. Mengukur cacat melibatkan
penghitungan mereka (misalnya, jumlah bohlam lampu yang rusak dalam suatu lot tertentu, atau
jumlah huruf atau catatan entri data yang diketik dengan keliru), sedangkan variabel biasanya
diukur pada panjang atau berat. Ada dua macam grafik kendali atribut: (1) yang mengukur
persentase kecacatan dalam sampel — disebut grafik P — dan (2) yang menghitung jumlah yang
cacat — disebut grafik C.

Grafik p Menggunakan grafik p (p-charts) adalah cara utama untuk mengendalikan atribut.
Meskipun atribut itu baik atau buruk mengikuti distribusi binomial, distribusi normal dapat
digunakan untuk menghitung batas grafik p ketika ukuran sampelnya besar. Prosedur yang
menyerupai pendekatan grafik x́, di mana juga didasarkan pada teori batas sentral.

Rumus untuk batas kendali atas dan bawah dari grafik p:

UC LP =ṕ+ z σ p

LC LP = ṕ−z σ p

di mana :

ṕ=rata−rata bagian ( persen ) kecacatan dalam sampel

z= jumlah standar deviasi ¿

σ p=standar deviasi atas distribusi sampel

ṕ(1− ṕ)
σ p=
√ n
di mana n = jumlah observasi dalam tiap-tiap sampel
CONTOH S4—MENETAPKAN BATAS KENDALI UNTUK PERSENTASE
KECACATAN

Para pegawai pada Mosier Data System penting dalam mencatat ribuan asuransi setiap hari bagi
berbagai macam perusahaan klien. CEO Donna Mosier ingin menetapkan batas kendali untuk
memasukkan 99,73% variasi acak dalam proses entri data ketika berada dalam kendali.

Pendekatan > Sampel kerja atas 20 para pegawai dikumpulkan (dan diperlihatkan dalam tabel).
Mosier berhati-hati dalam memeriksa 100 catatan yang dimasukkan oleh setiap pegawai dan
menghitung jumlah kesalahan. Dia juga menghitung bagian kecacatan dalam setiap sampel.
Persamaan sebelumnya digunakan untuk menetapkan batas kendali.

Total Jumlah Kesalahan 80

Solusi > ṕ = = = 0,04
Total jumlah kesalahan yang diperiksa (100)(20)

σ=
√ (0,04)(1−0,04)
100
= 0,02 (0,0196 dibulatkan ke atas)

(Catatan: 100 merupakan ukuran dari masing-masing sampel = n)

UCLp = ṕ + zσ p = 0,04 + 3(0,03) = 0,10

LCLp = ṕ - zσ p = 0,04 - 3(0,03) = 0

(Karena kita tidak dapat memiliki presentasi kecacatan yang negatif).

Wawasan > Ketika kita memplot batas kendali dan bagian kecacatan dari sampel, kita
menemukan bahwa hanya ada satu pegawai entri data (jumlah 17) yang berada di luar kendali.
Perusahaan berharap untuk memeriksa pekerjaan dari individual tersebut sedikit lebih mendalam
untuk melihat jika terdapat permasalahan yang serius terjadi. (lihat gambar S6,6).

Grafik c Dalam contoh S4, kita akan menghitung jumlah catatan yang cacat yang
dimasukkan. Suatu catatan yang cacat merupakan salah satu yang tidak dapat diperbaiki dengan
tepat karena terdiri dari atas setidaknya satu yang cacat. Namun, catatan yang buruk dapat berisi
lebih dari satu yang cacat. Kita akan menggunakan grafik c (c-charts) untuk mengendalikan
jumlah yang cacat per unit output (atau per catatan asuransi, dalam kasus sebelumnya).

Grafik kendali untuk cacat membantu dalam memonitor proses di mana sejumlah besar
kesalahan yang berpotensial dapat terjadi, tetapi jumlah actual yang terjadi relative kecil. Cacat
dapat berupa kesalahan dalam penulisan kata-kata pada surat kabar, sirkuit yang rusak dalam
sebuah mikrocip, noda pada meja, atau acar yang hilang pada restoran hamburger cepat saji.

Distribusi probabilitas Poisson, di mana memiliki varian yang sama dengan rata-ratanya,
adalah dasar bagi grafik ć. Karena ć adalah jumlah rata-rata per unit yang cacat, standar
deviasinya sama dengan √ ć . Untuk menghitung batas kendali 99,73% untuk ć, kita
menggunakan formula:
Batas kendali = ć ± 3 √ ć

Contoh S5 akan menunjukkan bagaimana menetapkan batas kendali untuk grafik ć

CONTOH S5—MENETAPKAN BATAS KENDALI UNTUK JUMLAH YANG CACAT

Red Top Cap Company menerima beberapa keluhan per hari mengenai perilaku dari para
pengemudinya. Selama periode 9 hari (di mana hari adalah ukuran untuk unit). Pemilik, Gordon
Hoft, menerima jumlah panggilan dari para penumpang yang marah sebagai berikut: 3, 0, 8, 9, 6,
7, 4, 9, 8 untuk total 54 keluhan . Hoft ingin menghitung batas kendali 99,73%.

Pendekatan > Dia menerapkan rumus Batas kendali = ć ± 3 √ ć

54
Solusi > ć = = 6 keluhan per hari
9
sehingga:
UCLc = ć +¿ 3 √ ć = 6 + 3 √ 6 = 6 + 3(2,45) = 13,35 atau 13
LCLc =ć −¿ 3 √ ć = 6 - 3 √ 6 = 6 - 3(2,45) = 0 (karena angka ini tidak boleh negatif)

Wawasan > Setelah Hoft memplot grafik kendali yang meringkaskan data ini dan kemudian
dipunlikasikan dengan jelas di dalam ruang loker para pengemudi, jumlah panggilan yang
diterima turun menjadi rata-rata 3 per harinya.

Permasalahan Manajerial dan Grafik Kendali

Dalam suatu dunia yang ideal, tidak ada kebutuhan akan grafik kendali. kualitas
merupakan suatu keteraturan dan sangat tinggi di mana para karyawan tidak perlu membuang
waktu dan uang untuk melakukan sampel dan memonitor variabel serta atribut. Akan tetapi,
karena sebagian besar proses masih belum mencapai kesempurnaan, para manajer harus
mengambil tiga keputusan utama mengenai grafik kendali.

Pertama, para manajer harus memilih poin-poin di dalam proses mereka yang
memerlukan SPC. Mereka akan meminta "suku cadang manakah dari pekerjaan yang sangat
penting bagi keberhasilan?" Atau "suku cadang manakah dari pekerjaan yang memiliki
kecenderungan berada di luar kendali?"
 Kedua, para manajer perlu untuk memutuskan jika grafik variabel (misalnya x́ dan R)
atau diagram atribut (misalnya p dan c) yang tepat. Grafik variabel akan memonitor berat atau
dimensi. Grafik atribut lebih dari ukuran "benar salah" atau "pergi tidak pergi" dan cenderung
sedikit mahal untuk mengimplementasikannya. tabel dapat membantu anda dalam memahami
ketika menggunakan masing-masing dari tipe-tipe grafik kendali ini.

Ketiga, perusahaan harus menetapkan kebijakan SPC yang jelas dan spesifik bagi para
karyawan untuk diikuti. Sebagai contoh haruskah proses entri data dihentikan jika
kecenderungannya terlihat dalam persen kecacatan catatan saat pengetikan? Haruskah lini
perakitan dihentikan jika rata-rata panjang dari 5 sampel secara berturut-turut di atas garis
tengah?

Suatu alat bantu dinamakan uji pengerjaan (test run) tersedia untuk membantu dalam
mengidentifikasi jenis dari keabnormalan dalam suatu proses. secara umum, pergerakan dari 5
titik diatas atau dibawah target atau garis tengah mungkin menyarankan bahwa variasi yang
khusus, atau tidak acak, terjadi. ketika hal ini terjadi, meskipun semua titik jauh didalam batas
kendali, bendera sedang dinaikkan. Hal ini berarti bahwa proses secara statistik tidak berada di
dalam kendali. Jenis variasi dari uji pengerjaan ini bergantung pada metode kualitas.

Kapabilitas Proses

Kendali proses secara statistik berarti menjaga agar suatu proses berada di dalam kendali.
Hal ini berarti bahwa variasi natural dari proses harus stabil. Akan tetapi, suatu proses yang
berada di dalam kendali statistik tidak akan menghasilkan barang atau jasa yang memenuhi
spesifikasi desain mereka (toleransi). Kemampuan suatu proses untuk memenuhi spesifikasi
desain dimana ditetapkan oleh desain rekayasa teknik atau kebutuhan konsumen dinamakan
kapabilitas proses meskipun proses tersebut secara statistik berada di dalam kendali, tetapi output
dari proses tersebut tidak akan sesuai dengan spesifikasi.

Sebagai contoh, katakanlah waktu yang diharapkan oleh konsumen untuk menunggu
penyelesaian dari pekerjaan lube (pelumasan) pada Quick Lube adalah 12 menit, dengan
toleransi yang dapat diterima kurang lebih 2 menit. Toleransi ini memberikan spesifikasi atas 14
menit dan spesifikasi bawah 10 menit. Proses lube harus memiliki kemampuan untuk
beroperasional di dalam desain spesifikasi ini jika tidak, beberapa konsumen tidak akan
memenuhi kebutuhan mereka titik seperti manufaktur misalnya, toleransi untuk roda gigi cam
Harley Davidson sangat rendah, hanya 0, 0005 inci - dan suatu proses harus dirancang sehingga
mampu untuk mencapai toleransi ini.

Terdapat dua ukuran secara kuantitatif yang sangat terkenal untuk menentukan jika suatu
proses memiliki kemampuan: rasio kapabilitas proses (Cp) dan indeks kapabilitas proses (Cpk).

Rasio Kapabilitas (Cp)

Untuk suatu proses agar mampu, nilainya harus jatuh di dalam spesifikasi atas dan
bawah. Hal ini umumnya berarti bahwa kapabilitas proses ada di dalam ± 3 standar deviasi dari
rata-rata proses. Ketika kisaran nilai adalah 6 standar deviasi, toleransi kapabilitas proses yang
mana perbedaan di antara spesifikasi atas dan bawah harus lebih besar daripada atau sama
dengan 6.

Rasio Kapabilitas Proses, Cp, dihitung dengan:

Spesifikasi atas−Spesifikasi bawah

Cp =
6σ

Contoh S6 menunjukkan perhitungan Cp.

CONTOH S6—RASIO KAPABILITAS PROSES (Cp)

Dalam proses klaim asuransi GE, x́ = 210 menit, dan σ = 0,516 menit.

Spesifikasi desain untuk memenuhi ekspektasi konsumen adalah 210 ± 3 menit. Jadi,
spesifikasi atas adalah 213 menit dan spesifikasi bawah adalah 207 menit. Manajer OM ingin
menghitung rasio kapabilitas proses.

Pendekatan > GE menerapkan persamaan.

Spesifikasi atas−Spesifikasi bawah 213−207

Solusi > Cp = = = 1,938
6 6(0,516)

Wawasan > Ketika rasio adalah 1,00 artinya bahwa 99,73% output proses berada di dalam
spesifikasi, rasio ini menyarankan suatu proses yang sangat berkemampuan, dengan
ketidaksesuaian kurang dari 4 klaim per jutaan.
Suatu proses yang berkapabilitas memiliki Cp sedikitnya 1,0. Jika Cp kurang dari 1,0, proses akan
menghasilkan produk atau jasa yang berada di luar cadangan toleransi mereka. Dengan Cp
sebesar 1,0, 2,7, suku cadang dalam 1000 dapat diharapkan menjadi “berada di luar spesifikasi.”
Rasio kapabilitas proses yang lebih tinggi, maka semakin besar kemungkinan proses akan berada
di dalam spesifikasi desain. Banyak perusahaan yang telah memilih Cp sebesar 1,33 (standar 4
sigma) sebagai target untuk mengurangi variabilitas proses. Hal ini berarti bahwa hanya ada 64
suku cadang per juta yang dapat diharapkan untuk berada di luar spesifikasi.

Meskipun Cp terkait dengan perluasan (penyebaran) dari proses output yang relative
dengan toleransinya, tidak melihat pada seberapa baik proses rata-rata yang dipusatkan pada
target nilai.

Indeks Kapabilitas Proses

Indeks kapabilitas proses, Cpk, mengukur perbedaan di antara dimensi yang diinginkan dengan
aktual atas barang atau jasa yang dihasilkan.

Rumus untuk Cpk adalah:

Batas spesifikasi atas−x x – Batas spesifikasi bawah

CPK = [ 3∝
−
3∝ ]
Di mana :
X = rata rata proses
α = standar deviasi dari populasi proses
ketika indeks Cpk untuk keduanya batas spesifikasi atas dan bawah setara dengan 1,0, variasi
proses akan dipusatkan dan proses memiliki kemampuan dalam berproduksi di dalam ±3 standar
deviasi (lebih sedikit daripada 1.700 kecacatan per juta). Cpk = 2,0 artinya bahwa proses memiliki
kemampuan dalam memproduksi lebih sedikit daripada 3,4 kecacatan per juta. Untuk Cpk
melebihi 1 maka α harus kurang daripada 1/3 atas perbedaan di antara spesifikasi dengan proses
rata rata.

Contoh S7
Indeks Kapabilitas Proses (Cpk)
Anda adalah seorang manajer perbaikan proses dan telah mengembangkan sebuah mesin baru
untuk memotong sol untuk lini unggulan sepatu olahraga. Anda sangat tertarik karena tujuan
perusahaan adalah tidak lebih dari 3,4 kecacatan per juta dan mesin lini merupakan inovasi yang
anda perlukan. Sol tidak dapat lebih dari ±0,001 inci dari ketebalan yang dibutuhkan yaitu
sebesar 0,250. Anda ingin mengetahui jika anda ingin mengganti mesin yang telah ada, yang
maan yang memiliki Cpk 1,0
Pendekatan => anda memutuskan untuk menentukan Cpk dengan menggunakan persamaan diatas,
untuk mesin yang baru dan mengambil keputusan dengan dasar tersebut
Solusi =>
Batas spesifikasi atas = 0,251 inci
Batas spesifikasi bawah = 0,249 inci
Rata rata dari proses yg baru x = 0,250 inci
Estimasi standar deviasi proses yg baru = α = 0,0005 inci
Batas spesifikasi atas−x x – Batas spesifikasi bawah
CPK = minimum dari [ 3∝
−
3∝ ]
( 0,251 ) −0,250 0,250−(0,249)
CPK = minimum dari [ ( 3 ) 0,0005
,
( 3 ) 0,0005 ]
0,001
Kedua perhitungan akan menghasilkan = 0,67
0,0015
Wawasan => karena mesin yang baru memiliki Cpk hanya 0,67 maka mesin yang baru seharusnya
tidak menggantikan mesin yang telah ada.
Catatan bahwa Cp dan Cpk akan sama ketika proses dipusatkan. Namun jika rata rata
proses tidak dipusatkan pada rata rata yang diinginkan (ditentukan) kemudian numerator yang
lebih kecil dalam persamaan yang digunakan (perbedaan minimum di antara batas spesifikasi
atas dengan rata rata atau batas spesifikasi bawah dengan rata rata). Penerapan dari Cpk
ditunjukkan dalam penyelesaian permasalahan 56.4. Cpk adalah kriteria standar yang digunakan
untuk menggambarkan kinerja proses.

Penerimaan Sampel
Adalah suatu bentuk pengujian yang melibatkan pengambilan sampel “lot” atau batch secara
acak, dari produk jadi dan mengukurnya terhadap standar yang telah ditentukan sebelumnya.
Penerimaan sampel dapat diterapkan ketika beban material yang sampai di pabrik atau pada
inspeksi final, tetapi biasanya digunakan untuk mengendalikan lot produk yang dibeli. Banyak
barang yang ditolah, didasarkan pada level kecacatan yang tidak dapat diterima yang ditemukan
dalam sampel, dapat (1) dikembalikan pada pihak pemasok, atau (2) menjadi 100% diinspeksi
untuk menyingkirkan seluruh barang cacat, dengan biaya penyaringan ini biasanya ditagihkan ke
pemasok.

Kurva Karakteristik Operasional (Operating Characteristic – OC )

Menggambarkan seberapa baiknya rencana penerimaan yang mendiskriminasikan antara lot yang
baik dan yang buruk. Sebuah kurva yang berkaitan dengan suatu rencana tertentu, yaitu terhadap
kombinasi α (ukuran sampel) dan c (level penerimaan). Hal ini dimaksudkan untuk
memperlihatkan probabilitas bahwa rencana akan menerima lot level kuatlitas yang beraneka
ragam.
Kurva OC memperlihatkan fitur dari rencana sampel tertentu, meliputi risiko dalam
mengambil keputusan yang salah. Semakin curam kurvanya, akan semakin lebih baik rencana
untuk membedakan lot yang baik dan yang buruk.
Gambar S6.8 dapat digunakan untuk mengilustrasikan salah satu rencana sampel dengan lebih
terperinci. Empat konsep yang diilustrasikan dalam gambar ini.

 Level kualitas yang dapat diterima

Adalah level kualitas terburuk di mana kita bersedia untuk menerimanya. Jika level
kualitas yang dapat diterima adalah 20 kecacatan dalam sebuah lot atas 1000 barang atau
suku cadang, kemudian AQL adalah 20/1000 = 2% kecacatan
  Presentase toleransi kecacatan lot
Adalah level kualitas lot yang kita pertimbangkan buruk. Jika disetujui bahwa level
kualitas yang tidak diterima adalah 70 kecacatan dalam lot 1000, kemudian LTPD adalah
70/1000 = 7% kecacatan
Untuk memperoleh rencana sampel, maka produsen dan konsumen harus mendefinisikan bukan
hanya “lot yang baik” dan “lot yang buruk” melalui AQL dan LTDP tetapi mereka juga harus
menspesifikasikan level resiko.
Risiko produsen (α) adalah probabilitas bahwa lot “yang baik” akan ditolak. Ini adalah
risiko di mana sampel acak akan menghasilkan proporsi kecacatan yang jauh lebih tinggi
daripada populasi keseluruhan barang. Suatu lot dengan level kualitas yang dapat diterima AQL
masih memiliki peluang α untuk ditolak. Rencana sampel seringkali dirancang untuk memiliki
resiko produsen yang ditetapkan pada α = 0,05 atau 5%
Risiko konsumen (β) adalah probabilitas bahwa lot “yang buruk” akan diterima. Hal ini
merupakan risiko bahwa sampel acak akan menghasilkan proporsi kecacatan yang lebih rendah
dari keseluruhan populasi barang. Nilai yang umum bagi resiko konsumen dalam rencana sampel
adalah β = 0,10 atau 10%
Probabilitas menolak lot yang baik dinamakan kesalahan type I. probabilitas terhadap
penerimaan lot yang buruk adalah kesalahan type II.

Kualitas Rata Rata Saat Ini

Dalam sebagian besar rencana sampel, ketika lot ditolak, keseluruhan lot diinspeksti dan seluruh
barang yang cacat digantikan. Penggunaan teknik penggantian ini meningkatkan kualitas rata
rata saat ini dalam hal persentase kecacatan. Pada kenyataannya, diberikan (1) beberapa rencan
sampel yang menggantikan seluruh barang cacat yang ditemui dan (2) persentase kecacatan yang
masuk sebenarnya untuk lot, hal ini dimungkinkan untuk menentukan kualitas rata rata saat ini
(Age Outgoing Quality – AOQ) dalam persentase kecacatan.
( P d ) ( Pa ) (N−n)
AOQ =
N
di mana
Pd = persentase kecacatan lot yang sebenarnya
Pa = probabilitas penerimaan lot untuk suatu ukuran sampel tertentu dan kuantitas kecacatan
N = jumlah barang dalam lot
N = jumlah barang dalam sampel

Nilai maksimum AOQ sesuai dengan persentase rata rata kecacatan tertinggi atau kualitas rata
rata terendah untuk rencana sampel. Hal ini disebut dengan batas kualitas rata rata saat ini
(AOQL)