LAPORAN

PRAKTIKUM STATISTIKA

Disusun Oleh :

Kevin Renaldy Pamungkas 1411800014

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
 LEMBAR PENGESAHAN

PRAKTIKUM STATISTIK

Laporan Praktikum Statistik ini disusun sebagai tugas untuk memenuhi

syarat kelulusan pada program studi Teknik Industri.

Judul Laporan : LAPORAN PRAKTIKUM STATISTIK

Disusun Oleh : Kevin Renaldy Pamungkas

NBI : 1411800014

Program : Strata Satu ( S1 )

Program Studi : Teknik Industri

Sidoarjo, 15 Mei 2020

Menyetujui,

Dosen Pembimbing Praktikum

Siti Muhimatul Khoiroh, ST.,MT. Kevin Renaldy Pamungkas

NPP. 20410160723 NIM. 1411800014
 DAFTAR ISI
DAFTAR ISI....................................................................................................................................3
BAB 1 PENDAHULUAN............................................................................................................4
1.1 Latar Belakang...............................................................................................................4
BAB 2 LANDASAN TEORI.........................................................................................................6
2.1. Analisa Regresi dan Korelasi Linier.........................................................................6
2.1.1. Analisa Regresi...................................................................................................6
2.1.2. Analisa Korelasi Liner.......................................................................................8
2.2. Analisa Kualitas dengan Metode Statistical Proses Control.................................16
BAB 3 ANALISA DAN PENGOLAHAN DATA............................................................................27
3.1 Analisa Regresi dan Korelasi Linier.......................................................................27
3.2 Analisa Kualitas dengan metode Statistical Proces Control.................................38
BAB 4 PENUTUP....................................................................................................................44
4.1. KESIMPULAN.........................................................................................................44
BAB 5 DAFTAR PUSTAKA.......................................................................................................45

3
 BAB 1
PENDAHULUAN
1.1 Latar Belakang
Penggunaan statistika sudah dikenal sebelum abad 18, pada saat itu Negara-negara
Babylon, mesir, dan roma, mengeluarkan catatan tentang nama, usia, dan jenis kelamin,
pekerjaan, dan jumlah anggota keluarga. Kemudian pada tahun 1500 pemerintahan
Inggris mengeluarkan catatan mingguan tenang kematian dan tahun 1662,
dikembangkan catatan kelahiran dan kematian. Baru pada tahun 1772-1791, G.
Achenwall menggunakan istilah statistika sebagai kumpulan data tentang Negara.
Tahun 1791-1799, Dr. E.A.W Zimmesman mengenalkan kata statistika dalam bukunya
Statistcal Account of Scotland. Tahun 1981-1935 R.Fisher mengenalkan analisa varians
dalam literatur statistiknya.
Di Indonesia Pengantar Statistika telah dicantumkan dalam kurikulum Matematika
Sekolah Dasar sejak tahun 1975. Hal itu disebabkan karena sekitar lingkungan kita
berada selalu berkaitan dengan Statistik. Misalnya di kantor kelurahan kita mengenal
statistik desa, didalamnya memuat keadaan penduduk mulai dari banyak penduduk,
pekerjaannya, banyak anak, dan sebagainya.
Banyak analisis statistika bertujuan untuk mengetahui apakah ada hubungan antara
dua atau lebih variabel. Bila hubungan demikian ini dapat dinyatakan dalam bentuk
rumus matematik, maka kita akan dapat menggunakannya untuk keperluan peramalan.
Masalah peramalan dapat dilakukan dengan menerapkan persamaan regresi. Sekarang
ini, istilah regresi ditetapkan pada semua jenis peramalan, dan tidak harus berimplikasi
suatu regresi mendekati nilai tengah populasi. Sedangkan teknik korelasi merupakan
teknik analisis yang melihat kecenderungan pola dalam satu variabel berdasarkan
kecenderungan pola dalam variabel yang lain. Maksudnya, ketika satu variabel memiliki
kecenderungan untuk naik maka kita melihat kecenderungan dalam variabel yang lain
apakah juga naik atau turun atau tidak menentu.
Jika kecenderungan dalam satu variabel selalu diikuti oleh kecenderungan dalam
variabel lain, kita dapat mengatakan bahwa kedua variabel ini memiliki hubungan atau
korelasi (Yuswandy, 2009). Analisis regresi dapat berguna pada berbagai penelitian
anatara lain model regresi digunakan untuk mengukur kekuatan, pengaruh antara
variabel respon dan variabel prediktor, atau memprediksi pengaruh antara variabel

4
respon dan variabel prediktor. Model regresi untuk variabel respon (Y) dan untuk
variabel prediktor (X).

1.2. Identifikasi Masalah

Masalah pada saat praktikum adalah bagaimana menyajikan, mengolah dan

menganalisa data dengan menggunakan aplikasi Minitab yang ditujukan untuk
melakukan identifikasi regresi dan korelasi berdasarkan kumpulan data yang telah
didapat dan penganalisaan yang dilakukan

1.3. Tujuan

Adapun tujuan dari laporan ini adalah sebagai berikut :

a) Memenuhi syarat kelulusan pada praktikum statistic

b.) Menganalisis pengumpulan dan pengolahan data dengan metode regresi dan
korelasi

c.) Mengenal penggunaan aplikasi Minitah untuk analisis regresi dan korelasi

5
 BAB 2
LANDASAN TEORI
2.1. Analisa Regresi dan Korelasi Linier
Korelasi dan regresi keduanya mempunyai hubungan yang sangat erat. Setiap
regresi pasti ada korelasinya, tetapi korelasi belum tentu dilanjutkan dengan regresi.
Korelasi yang tidak dilanjutkan dengan regresi, adalah korelasi antara dua variabel yang
tidak mempunyai hubungan kasual/sebab akibat, atau hubungan fungsional. Untuk
menetapkan kedua variabel mempunyai hubungan kusal atau tidak, maka harus
didasarkan pada teori atau konsep-konsep tentang dua variabel tersebut.
Hubungan antara panas dengan tingkat muai panjang, dapat dikatakan sebagai
hubungan yang kausal, hubungan antara kepemimpinan dengan kepuasan kerja pegawai
dapat dikatakan hubungan yang fungsional, hubungan antara kupu-kupu yang datang
dengan banyaknya tamu di rumah bukan merupakan hubungan kausal maupun
fungsional. Kita gunakan analisis regresi bila kita ingin mengetahui bagaimana variabel
dependen/kriteria dapat diprediksikan melalui variabel independen atau variabel
prediktor, secara individual. Dampak dari penggunaan analisis regresi dapat digunakan
untuk memutuskan apakah naik dan menurunnya variabel dependen dapat dilakukan
melalui menaikan dan menurunkan keadaan variabel independen, atau meningkatkan
keadaan variabel dependen dapat dilakukan dengan meningkatkan variabel
independen/dan sebaliknya.
2.1.1. Analisa Regresi

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan
hubungan sebab-akibat antara satu variabel dengan variabel(-variabel) yang lain.
Variabel "penyebab" disebut dengan bermacam-macam istilah: variabel penjelas,
variabel eksplanatorik, variabel independen, atau secara bebas, variabel X (karena
seringkali digambarkan dalam grafik sebagai absis, atau sumbu X). Variabel terkena
akibat dikenal sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat,
atau variabel Y. Kedua variabel ini dapat merupakan variabel acak (random), namun
variabel yang dipengaruhi harus selalu variabel acak.

6
 Analisis regresi adalah salah satu analisis yang paling populer dan luas
pemakaiannya. Analisis regresi dipakai secara luas untuk melakukan prediksi dan
ramalan, dengan penggunaan yang saling melengkapi dengan bidang pembelajaran
mesin. Analisis ini juga digunakan untuk memahami variabel bebas mana saja yang
berhubungan dengan variabel terikat, dan untuk mengetahui bentuk-bentuk hubungan
tersebut.

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji

sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap
Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau
disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau
disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan
SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik yang
dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang
karakteristik kualitas maupun Kuantitas.

Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :

1. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang

dihasilkan
2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
3. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y= a + bX

Dimana :

Y = Variabel Response atau Variabel Akibat (Dependent)

X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)

a = konstanta

b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.

7
Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a =   (Σy) (Σx²) – (Σx) (Σxy)

.                n(Σx²) – (Σx)²

b =   n(Σxy) – (Σx) (Σy)

.                n(Σx²) – (Σx)²

Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear

Sederhana :

1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana

2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat
(Response)
3. Lakukan Pengumpulan Data
4. Hitung  X², Y², XY dan total dari masing-masingnya
5. Hitung a dan b berdasarkan rumus diatas.
6. Buatkan Model Persamaan Regresi Linear Sederhana.
7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau
Variabel Akibat.

2.1.2. Analisa Korelasi Liner

Analisis korelasi adalah suatu cara atau metode untuk mengetahui ada atau
tidaknya hubungan linear antar variabel. Apabila terdapat hubungan maka perubahan-
perubahan yang terjadi pada salah satu variabel X akan mengakibatkan terjadinya
perubahan pada variabel lainnya (Y). Istilah tersebut dikatakan istilah sebab akibat, dan
istilah tersebut menjadi ciri khas dari analisis korelasi.

Contoh kasus yang memiliki korelasi

 Hubungan antara kenaikan harga BBM (X) dengan harga kebutuhan pokok (Y)
 Hubungan tingkat pendidikan (X) dengan tingkat pendapatan (Y)
 Hubungan umur pernikahan pertama (X) dengan jumlah anak yang dilahirkan
(Y)

8
  Hubungan tingkat pendidikan ibu (X) dengan tingkat kesehatan/tingkat gizi bayi
(Y), dsb.

Hubungan antar variabel : Korelasi positif, korelasi negatif, korelasi lemah, tidak
berkorelasi, dan korelasi sempurna

Suatu korelasi yang terjadi antara 2 variabel tidak selamanya berupa adanya
penambahan nilai variabel Y jika variabel X bertambah, korelasi seperti ini yang disebut
sebagai korelasi positif. Terkadang ditemukan ada suatu hubungan yang apabila salah
satu nilai variabel bertambah variabel lainnya justru berkurang, hubungan seperti ini
disebut sebagai korelasi negatif. Tidak hanya korelasi positif dan negatif, namun juga
terkadang ditemukan kasus dimana hubungan antar variabel sangat lemah bahkan tidak
ditemukan korelasi.

a. Korelasi Positif

Korelasi positif atinya suatu hubungan antara variabel X dan Y yang ditunjukan
dengan hubungan sebab akibat dimana apabila terjadi penambahan nilai pada
variabel X maka akan diikuti terjadinya penambahan nilai variabel Y.

Contoh Korelasi Positif

 Dalam pernaian, jika dilakukan penambahan pupuk (X), maka produksi padi
akan meningkat (Y)
 Tentu saja semakain tinggi badan (X) seorang anak maka, berat badannya akab
bertambah pula(Y)
 Semakin luas lahan yang ditanami coklat (X) maka produksi coklat akan
meningkat

Ilustrasi Korelasi Positif

9
b. Korelasi Negatif

Jika pada korelasi positif peningkatan nilai X akan diikuti penambahan nilai Y,
korelasi negatif berlaku sebaliknya. Jika nilai variabel X meningkat nilai variabel Y
justru mengalami penurunan.

Contoh Korelasi Negatif

 Apabila harga barang (X) meningkat maka kemungkinan permintaan terhadap

barang tersebut mengalami penurunan.

c. Tidak ada korelasi atau korelasi sangat lemah

10
 Korelasi ini terjadi apabila kedua variabel (X dan Y) tidak menunjukkan adanya
hubungan linear

Contoh :

 Panjang rambut (X) dengan tinggi badan (tidak bisa dihitung hubungannya atau
tidak ada hubungannya)

d. Korelasi Sempurna

Korelasi sempurna biasanya terjadi apabila kenaikan / penurunan variabel X

selalu sebanding dengan kenaikan /penurunan variabel Y. Jika digambarkan dengan
diagram titik atau diagram pencar, titik-titik berderet membentuk satu garis lurus,
dengan hampir tidak ada pencaran.

1. Besar hubungan antara variable bebas dan variable tidak bebas tersebut biasanya
diukur dengan koefisien korelasi
2. Simbolnya:
3. ρ = koefisienkorelasi populasi dan r = koefisien korelasi sampel
4. Nilai koefisien korelasi berada dalam selang -1 s.d +1, dimana jika:

 Koefisien korelasi bernilai 0 (nol), berarti tidak ada hubungan antara kedua
variabel tersebut.
 Koefisien korelasi bernilai negatif, berarti hubungan antara kedua variabel
tersebut negatif atau saling berbanding terbalik

11
  Koefisien korelasi bernilai positif, berarti hubungan antara kedua variabel
tersebut positif atau saling berbanding lurus

Catatan

 Jika variabel 1 dan 2 saling bebas maka r = 0, tetapi jika r = 0 belum tentu
saling bebas, karena mungkin variabel tersebut tidak saling bebas tetapi
tidak berhubungan
 Korelasi tidak bisa digunakan untuk melihat hubungan kausalitas

Ada beberapa cara untuk mengetahui ada atau tidaknya korelasi, diantaranya
sebagai berikut:

Teknik untuk mengetahui ada atau tidaknya korelasi antara 2 variabel dapat
dilakukan melalui beberapa cara,yaitu membuat diagram pencar dan menghitung
koefisien korelasi.

1. Diagram Pencar (Scatter Plot)

Untuk menunjukkan ada tidaknya hubungan (korelasi) antara 2 variabel (X dan

Y) kita dapat menggunakan diagram pencar. Diagram pencar adalah sebaran nilai-
nilai dari variabel – variabel pada sumbu x dan y.

Tujuan dari diagram pencar ini adalah untuk mengetahui apakah titik-titik
koordinat pada sumbu x dan y, adan apa pola yang terbentuk dari sebaran tersebut.

Dari diagram pencar tersebut dapat dibuat sebuah garis yang kira-kira membagi
dua titik-titik koordinat pada kedua sisi garis. Dari garis tersebut dapat diketahui
korelasi antara kedua variabel.

Jika garis mengarah keatas berarti korelasi positif, jika arah garis menurun
berarti korelasi negatif. Jika tidak dapat dibuat sebuah garis maka tidak ada
korelasi,dan jika titik-titik tepat melalui garisnyaberarti korelasi sempurna

Manfaat Diagram Pencar 

12
 Membantu menunjukkan apakah terdapat hubungan yang bermanfaat antara dua
variable.
 Membantu menetapkan tipe persamaan yang menunjukkan hubungan antara dua
variabel tersebut.

Berbagai bentuk diagram pencar

2. Koefisien Korelasi

Untuk mengetahui ada / tidaknya hubungan antara kedua variabel (X dan Y)

dan seberapa erat hubungan antara kedua variabel tersebut.dapat diketahui dengan
menghitung koefisien korelasi dari kedua variabel.Jika koefisien korelasi bertanda

13
 positif (+) maka dapat disimpulkan hubungan kedua variabel positif danbegitu juga
halnya bila koefisien korelasi bertanda negative (-)

 Koefisien Korelasi Pearson

Apabila antara dua variabel (X dan Y) yang masing-masing mempunyai skala

pengukuran sekurang-kurangnya interval (ratio)dan hubungannya merupakan
hubungan linear,maka keeratan hubungan antara kedua variabel itu dapat dihitung
denganmenggunakan formula korelasi Pearson yang diberi symbol dengan ryx dan
rxy untuk sample pyx dan pxy untuk populasi.

Koefisien korelasi Pearson antara dua variabel yang datanya tidak berkelompok :

 Koefisien Korelasi Rank Spearman (Ordinal)

Untuk mengukur keeratan hubungan antara dua variabel X dan Y yang kedua-
duanya mempunyai skala pengukuran sekurang-kurangnya ordinal dapat dihitung
dengan menggunakan formula korelasi Spearman

Koefisien Korelasi Spearman antara X dan Y atau Y dan X

a. Jika tidak ada data kembar

Apabila tidak terdapat data kembar dalam kelompok data maka anda dapat
menggunakan rumus  berikut:

14
 r=1−6∑ni=1d2in3−n

di = selisih ranking antara ranking variabel X dan Y

n = banyaknya data

b. Jika ada data kembar

Jika dalam kelompok  data terdapat data kembar maka formula di atas tidak dapat
digunakan dan anda harus menggunakan formula di bawah ini;

Catatan:

Urutkan nilai observasi dan diberi rangking dari besar ke kecil

 Koefisien korelasi data berkelompok

Untuk data bekelompok rumusnya adalah sebagai berikut

 Koefisien korelasi kualitatif

Untuk data kualitatif, koefisien korelasi dapat dihitung dengan menggunakan

Contingent Coefficient :

15
 Rumusnya adalah sebagai berikut

Cc=χ2χ2+n−−−−√;χ2=Chis−quare

Penafsiran Koefisien Korelasi

Untuk menentukan keeratan hubungan bisa digunakan kriteria Guilford (1956).Jika:

Kriteria guilford (1956).

 Perbedaan Korelasi dan Regresi

a. Regresi menunjukkan hubungan antara variabel satu dengan variabel lainnya.

Sifat hubungan dapat dijelaskan: variabel yang satu sebagai penyebab, variabel
yang lain sebagai akibat.

b. Korelasi tidak menunjukkan hubungan sebab akibat, akan tetapi menunjukkan

hubungan antara variabel satu dengan yang lain. Apakah hubungan tersebut kuat
atau tidak.

2.2. Analisa Kualitas dengan Metode Statistical Proses Control

Pengendalian kualitas statistik merupakan teknik penyelesaian masalah yang

digunakan untuk memonitor, mengendalikan, menganalisis, mengelola, dan
memperbaiki produk dan proses menggunakan metode-metode statistik. Pengendalian
kualitas statistik (statistical quality control) sering disebut sebagai pengendalian proses

16
statistik (statistical process control). Pengendalian kualitas statistik dan pengendalian
proses statistik memang merupakan dua istilah yang saling dipertukarkan, yang apabila
dilakukan bersama-sama maka pemakai akan melihat gambaran kinerja proses masa
kini dan masa mendatang. Hal ini disebabkan pengendalian proses statistik dikenal
sebagai alat yang bersifat online untuk menggambarkan apa yang sedang terjadi dalam
proses saat ini. Pengendalian kualitas statistik menyediakan alat-alat offline untuk
mendukung analisis dan pembuatan keputusan yang membantu apakah proses dalam
keadaaan stabil dan dapat diprediksi setiap tahapannya, hari demi hari, dan dari
pemasok ke pemasok.

Pengendalian kualitas statistik mempunyai cakupan yang lebih luas karena di

dalamnya terdapat pengendalian proses statistik, pengendalian produk (acceptance
sampling), dan analisis kemampuan proses. Konsep terpenting dalam pengendalian
kualitas statistik adalah variabilitas, dimana semua prosedur pengendalian kualitas
statistik membuat keputusan berdasar sampel yang diambil dari populasi yang lebih
besar. Variabilitas yang dimaksud adalah variabilitas antar sampel (misalnya range atau
standar deviasi). Sampel diambil apabila sampel dari populasi yang sama, variasi
statistik akan terjadi dari sampel ke sampel dan variasi range dapat dihitung. Bentuk ini
merupakan dasar dari batas yang dihitung pada peta pengendali (control chart) dan
banyaknya penerimaan yang digunakan pada acceptance sampling. Penyimpangan atau
variabilitas tidak dikenal, maka dilakukan pencarian dengan penyesuaian proses dan
klasifikasi bahan baku yang datang (Maleyeff, 1994).

Pengendalian kualitas proses statistik (statistical process control) merupakan teknik

penyelesaian masalah yang digunakan sebagai pemonitor, pengendali, penganalisis,
pengelola, dan memperbaiki proses menggunakan metode-metode statistik. Filosofi
pada konsep pengendalian kualitas proses statistik atau lebih dikenal dengan
pengendalian proses statistik (statistical process control) adalah output pada proses atau
pelayanan dapat dikemukakan ke dalam pengendalian statistik melalui alat-alat
manajemen dan tindakan perancangan (Ariani, 2004).

Pengendalian proses statistik merupakan penerapan metode-metode statistik untuk

pengukuran dan analisis variasi proses. Menggunakan pengendalian proses statistik ini

17
maka dapat dilakukan analisis dan minimasi penyimpangan atau kesalahan,
mengkuantifikasikan kemampuan proses, menggunakan pendekatan statistik dengan
dasar six-sigma, dan membuat hubungan antara konsep dan teknik yang ada untuk
mengadakan perbaikan proses. Tujuan utama dalam pengendalian proses statistik adalah
mendeteksi adanya khusus (assignable cause atau special cause) dalam variasi atau
kesalahan proses melalui analisis data dari masa lalu maupun masa mendatang. Variasi
proses sendiri terdiri dari dua macam penyebab, yaitu penyebab umum (random cause
atau chance cause atau common cause) yang sudah melekat pada proses, dan penyebab
khusus (assignable cause atau special cause) yang merupakan kesalahan yang
berlebihan. Idealnya, hanya penyebab umum yang ditunjukkan atau yang tampak dalam
proses, karena hal tersebut menunjukkan bahwa proses berada dalam kondisi stabil dan
dapat diprediksi. Kondisi ini menunjukkan variasi minimum (Ariani, 2004).

Proses pengurangan proses apabila dilakukan akan menghasilkan beberapa

keuntungan. Keuntungan-keuntungan tersebut adalah sebagai berikut (Gryna, 2001):

1. Variabilitas menjadi lebih kecil yang dihasilkan dari adanya perbaikan kinerja
yang dapat dilihat oleh pelanggan.
2. Mengurangi variabilitas pada karakteristik komponen yang merupakan cara
untuk mengimbangi variabilitas yang tinggi pada komponen lain untuk
memenuhi persyaratan kinerja pada sistem atau perakitan, untuk dapat
memenuhi persyaratan tersebut memang diperlukan adanya pengendalian secara
ketat pada setiap komponen.
3. Beberapa karakteristik seperti berat, pengurangan variabilitas juga akan
memberikan manfaat pada perubahan rata-rata proses yang dapat
menyebabkanpengurangan biaya.
4. Berkurangnya variabilitas akan mengurangi banyaknya inspeksi dan besarnya
biaya inspeksi. Hal ini akan mendorong ditekannya harga produk tersebut.
5. Berkurangnya variabilitas merupakan faktor yang penting dalam meningkatkan
kemampuan bersaing suatu produk dan memperbesar pangsa pasar.

Proses pelayanan dikatakan dalam pengendalian statistik apabila penyebab khusus

(assignable cause atau special cause)  dari penyimpangan atau variasi tersebut seperti

18
penggunaan alat, kesalahan operator dalam melakukan proses, kesalahan dalam
penyiapan mesin untuk proses produksi. Kesalahan penghitungan, kesalahan bahan
baku, dan sebagainya tidak tampak dalam proses (Montgomery, 1991).

Pengertian lain, sasaran pengendalian proses statistik adalah mengurangi

penyimpangan khusus dalam proses dan dengan cara mencapai stabilitas dalam proses.
Stabilitas proses tercapai, kemampuan proses dapat diperbaiki dengan mengurangi
penyimpangan karena sebab umum (commoncause) seperti penyimpangan dalam bahan
baku, kondisi emosional karyawan, penurunan kinerja mesin, penurunan suhu udara,
naik-turunnya kelembaban udara, dan sebagainya (Antony, 2000).

Penentuan apakah proses berada dalam pengendalian, pengendalian proses statistik

menggunakan alat yang disebut peta pengendali (control chart) yang merupakan
gambar sederhana dengan tiga garis, di mana garis tengah yang disebut garis pusat
(center line) merupakan target nilai pada beberapa kasus, dan kedua garis lainnya
merupakan batas pengendali atau dan batas pengendali bawah. Peta pengendali (control
chart) tersebut memisahkan penyebab peyimpangan menjadi penyebab umum dan
penyebab khusus melalui batas pengendalian. Penyimpangan atau kesalahan melebihi
batas pengendalian, menunjukkan bahwa penyebab khusus telah masuk ke dalam proses
dan proses harus diperiksa untuk mengidentifikasi penyebab dari penyimpangan atau
kesalahan yang berlebihan tersebut. Kesalahan yang disebabkan karena sebab umum
berada di dalam batas pengendalian. Hal ini berarti dalam proses sebaiknya hanya
penyebab umum yang terjadi, sehingga secara langsung kesalahan yang diperoleh
tersebut dapat distabilkan (Caulcutt, 1996).

2.3.1 Manfaat Statistical Process Control (SPC)

Pengendalian proses statistik dikatakan berada dalam batas pengendalian

apabila hanya terdapat kesalahan yang disebabkan oleh sebab umum. Berdasarkan
hal tersebut tentunya memberikan manfaat penting, yaitu (Gryna, 2001):

1. Proses memiliki stabilitas yang akan memungkinkan organisasi dapat

memprediksi perilaku peling tidak untuk jangka pendek.

19
2. Proses memiliki identitas dalam menyusun seperangkat kondisi yang penting
untuk membuat prediksi masa mendatang.
3. Proses yang berada dalam kondisi “berada dalam batas pengendalian statistik”
beroperasi dengan variabilitas yang lebih kecil daripada proses yang memiliki
penyebab khusus. Variabilitas rendah penting untuk memenangkan persaingan.
4. Proses yang mempunyai penyebab khusus merupakan proses yang tidak stabil
dan memiliki kesalahan yang berlebihan yang harus ditutup dengan mengadakan
perubahan untuk mencapai perbaikan.
5. Mengetahui bahwa proses berada dalam batas pengendali statistik akan
membantu karyawan dalam menjalankan proses tersebut, atau dapat dikatakan,
apabila data berada dalam batas pengendali, maka tidak perlu lagi dibuat
penyesuaian atau perubahan. Hal ini disebabkan penyesuaian atau perubahan
kembali yang tidak diperlukan justru akan menambah kesalahan, bukan
mengurangi.
6. Mengetahui bahwa proses berada dalam batas pengendali statistik, akan
memberikan petunjuk untuk mengadakan pengurangan variabilitas proses jangka
panjang, untuk mengurangi variabilitas proses tersebut, sistem pemrosesan harus
dianalisis dan diubah oleh manajer sehingga karyawan dapat menjalankan
proses.
7. Analisis untuk pengendalian statistik mencakup penggambaran data produksi
akan memudahkan dalam mengidentifikasi kecenderungan yang terjadi dari
waktu kewaktu.
8. Proses yang berada dalam batas pengendali statistik juga dapat memenuhi
spesifikasi produk, sehingga dalam kondisi terawat dengan baik dan dapat
menghasilkan produk yang baik. Kondisi ini dibutuhkan sebelum proses diubah
dari tahap perencanaan ketahap produksi secara penuh.

Beberapa kesulitan yang dihadapi dalam pengenalan dan penerapan

pengendalian proses statistik. Kesulitan tersebut antara lain disebabkan (Antony,
2000):

1. Tidak adanya dukungan dan komitmen manajemen yang membantu pengenalan

program pengendalian proses statistik.

20
2. Tidak adanya pendidikan dan pelatihan yang dimaksudkan untuk memberikan
pengertian yang jelas mengenai alat dan teknik pengendalian proses statistik
yang dapat memberikan kompetensi bagi organisasi seperti histogram, diagram
pareto, diagram sebab-akibat, dan sebagainya.
3. Ketidak cukupan sistem pengukuran. Hal ini disebabkan sektor industri
seringkali mengabaikan sistem pengukuran selama pengenalan program
pengendalian proses statistik. Pengendalian proses statistik tergantung pada
sistem pengukuran efektif, apabila sistem pengukuran tidak memenuhi, maka
pengendalian proses statistik harus ditangguhkan penggunaannya.
4. Kurangnya  pengetahuan mengenai apa yang dimonitor dan diukur. Pengukuran
adalah elemen kunci dalam continuous improvement. Pengertian yang baik
terhadap proses sangat penting untuk mengidentifikasi karakteristik yang sesuai
dan penting bagi pelanggan.
5. Kurangnya komunikasi antara para perencana, manajer, dan operator yang
sangat penting bagi keberhasilan dalam penerapan pengendalian proses statistik.

Keberhasilan dalam program pengendalian proses statistik sangat dipengaruhi

oleh tiga faktor. Tiga faktor tersebut yaitu sistem pengukuran, sistem pelatihan yang
tepat, dan komitmen manajemen (Bird dan Dale, 1994).

Terdapat tiga aspek penting dalam pengendalian proses atau pengendalian

proses statistik untuk mengadakan perbaikan proses. Tiga aspek penting tersebut
yaitu :

1. Aspek manajemen seperti dukungan, pelatihan, kerja tim, dan sebagainya.

2. Aspek sumber daya manusia seperti penolakan terhadap perbaikan, konflik
antara operator dan komputer.
3. Aspek operasional seperti alat-alat pengendalian proses statistik, prioritasi
proses, prosedur tindakan korektif, dan sebagainya.

Alasan utama mengadakan pengendalian kualitas proses statistik adalah untuk

dapat mencapai kepuasan pelanggan. Terdapat juga beberapa alasan mengapa
organisasi atau perusahaan tidak menggunakan pengendalian kualitas proses, yaitu:

21
1. Tidak membutuhkan pengendalian proses atau kualitas proses statistik pun
organisasi telah mencapai kesuksesan.
2. Kurang menyadari manfaat pengendalian proses atau kualitas proses statistik.
3. Kurangnya sumber daya dan anggaran.
4. Budaya organisasi yang tidak siap menggunakan pengendalian proses atau
kualitas proses statistik.
5. Hambatan waktu.
6. Keputusan manajemen.
7. Bukan merupakan prioritas bisnis organisasi atau perusahaan tersebut.
8. Tidak menyadari bahwa pengendalian proses atau kualitas proses statistik untuk
jangka pendek.

2.3.2 Alat Statistical Process Control (SPC)

              Statistical process control berkaitan dengan upaya menjamin kualitas
dengan memperbaiki kualitas proses dan upaya menyelesaikan segala permasalahan
selama proses. Statistical process control bisa diterapkan, baik untuk industri
manufacturing maupun jasa. Statistical process control banyak menggunakan alat-
alat statistik untuk membantu mencapai tujuannya. Statistical process control
mempunyai alat, yaitu (Iriawan, 2006):

1. Peta kendali
2. Histogram
3. Diagram pareto
4. Lembar periksa
5. Diagram konsentrasi cacat
6. Diagram pencar

2.3.3 Konsep Kualitas

Kualitas pada dasarnya adalah ukuran tingkat kesesuaian barang/ jasa dengan
standar/spesifikasi yang telah ditentukan/ ditetapkan. Berikut adalah pendapat
beberapa ahli tentang kualitas, sebagai berikut:

22
1. (Ariani, 2004: 3) Ada dua segi umum tentang kualitas yaitu, kualitas rancangan
dan kualitas kecocokan. Semua barang dan jasa dihasilkan dalam berbagai
tingkat kualitas.
2. Elliot (1993) Kualitas adalah sesuatu yang berbeda untuk orang yang berbeda
dan tergantung pada waktu dan tempat atau dikatakan sesuai dengan tujuan yang
disengaja, maka dari itu istilah teknik yang sesuai adalah kualitas rancangan.
3. Feigenbaum (1991) Kualitas merupakan keseluruhan karakteristik produk dan
jasa yang meliputi marketing, engineering, manufacture, dan maintenance,
dalam mana produk dan jasa tersebut dalam pemakaianya akan sesuai dengan
kebutuhan dan harapan pelanggan.

2.3.4 Konsep Dasar Pengendalian Kualitas

Konsep dasar penggunaan statistik untuk pengendalian kualitas, bermula dari

berbagai kajian dan eksperimen beberapa ahli statistika. Dr. Waiter Shewhart
ilmuwan pada Laboratonum Bell, yang dipublikasikan tahun 1924. prinsip-prinsip
pengendalian mutu secara statistik mulai dikenal. Dr. Shewhar dan rekan-rekannya
mengembangkan diagram-diagram pengendalian selama 1920-1930. Dr. Waiter
Shewhart menggunakan hukum-hukum probabilitas dan statistik untuk
menggambarkan bagaimana suatu variasi mempengaruhi ukuran-ukuran sampel
bagi produk- produk manufaktur, yaitu:
1. Bila suatu barang atau jasa yang diproduksi outputnya akan serupa(similar)
tetapi tidak sama(identical).
2. Adanya variasi adalah merupakan hal yang normal dan wajar.
3. Tidak ada dua benda yang benar-benar sama. Namun Shewhart menganggap
terdapat dua variabilitas yaitu variabilitas yang berada dalam batas-batas yang
ditentukan dan variabilitas yang berada di Iuar batas-batas.
4. Dia mengamati bahwa data tidak selalu memberikan kepastian mengenai pola
yang "normal". Sehingga dari ketidak konsistenan yang ditunjukkan data, dia
menyimpulkan bahwa meskipun dalam setiap proses selalu dihasilkan variasi
pada proses yang menghasilkan variasi terkendali(controlled variation) dan ada
proses yang menghasilkan variasi tak terkendali(uncontrolled variation).

23
2.3.5 Variasi Terkendali

Adalah suatu variasi variasi karena sebab-sebab biasa (common-cause) yaitu

varasi yang terjadi secara alamiah dan merupakan suatu hal yang inheren dan
terkirakan dalam setiap proses yang stabil yang menghasilkan barang produksi atau
jasa. Variasi yang dapat diterima dan diizinkan seperti itu dapat dikaitkan dengan
sebab-sebab yang acak atau kebetulan.
Hal-hal yang dapat digolongkan sebagai penyebab biasa(common-cause) yang
dapat mengakibatkan terjadinya variasi dalam suatu proses manufaktur adalah :
1. Kualitas dari material yang digunakan.
2. Tingkat penguasaan/ keterampilan operator mesin.
3. Desain dari mesin-mesin.
2.3.6 Variasi Tak Terkendali

Variasi tak terkendali (uncontrolled variation) adalah variasi karena sebab-

sebabkhusus (special-cause). variasi yang terjadi bila suatu kejadian tidak normal
masuk ke dalam suatu proses dan menghasilkan perubahan yang tidak diharapkan
dan tidak diperkirakan sebelumnya. Variasi ini tidak dapat lagi dikaitkan dengan
sebab-sebab yang acak atau kebetulan.
Hal-hal yang dapat dimasukan sebagai penyebab khusus misalnya adalah:
1. Putusnya aliran listrik,
2. Mesin yang sudah tidak tersetel dengan baik.
3. Bidang keterampilan pekerja yang berlain-lainan

2.3.7 Diagram Kendali

Diagram kendali juga disebut diagram kendali prosesatau diagram kendali
mutu. Diagram kendali pada dewasa ini digunakan dengan sangat luas yaitu
untuk mendeteksi variasi yang terkendali dan variasi yang tidak terkendali.
Sehingga sekaligus dapat memonitor suatu proses. Diagram kendali adalah suatu
tampilan grafik (graphic display) yang membandingkan data yang dihasilkan
oleh proses yang sedang berlangsung saat ini terhadap suatu batas-batas kendali
yang stabil yang telah ditentukan dari data-data unjukkerja (performance data)
sebelumnya. Diagram kendali berfungsi sebagai suatu alat untuk

24
 mengkomunikasikan informasi mengenai unjuk kerja sebuah proses antara
kelompok produksi antara supplier atau antara operator mesin.

2.3.8 Unsur – unsur Diagram Kendali

Unsur-unsur yang dimiliki dalam diagram Diagram Kendaliadalah sebagai

berikut:
1. Batas Kendali Atas (Upper Control Limit/UCL)
2. Garis Tengah (Center Line/CL)
3. Batas Kendali Bawah (Lower Control Limit/LCL)
Garis tengah (Center Line/CL) bersesuaian dengan mean populasi yang
diperkirakandari nilai yang diamati dalam proses. Daerah antara batas kendali atas
(UCL) dan batas kendali bawah (LCL) menunjukkan variasi yang terkontrol.
Namun jika pengamatan berada di luar daerah lersebut (di atas UCL atau di bawah
LCL) hal ini menunjukkan terdapatnya suatu variasi yang tak terkontrol atau variasi
karena sebab khusus.

2.3.9 Diagram P-Chart

 Pada diagram P yang dianalisis adalah persentase atau proporsidari produk yang
cacat (defective)per sampel untuk menilai masing-masing produk dapat diterima
atau ditolak. Sebuah diagram P didasarkan pada probability dengan distribusi
binomial. unsur-unsur pada diagramnya ditentukan sebagai berikut:
1. Batas kendali atas (UCL) = ṕ + 3 S p
2. Garis tengan (CL) = ṕ
3. Batas kendali bawah (LCL) = ṕ - 3 S p
Dimana :
ṕ = perkiraan proporsi output yang cacat pada populasi
Jumlah produk cacat
ṕ =
Jumlah produk yang di observasi
Sp = perkiraan error standard proporsi pada populasi
ṕ(1− ṕ)
Sp =
√ n
jika p dinyatakan dalam fraksi

25
 ṕ(100− ṕ)
Sp =
√ n
jika p dinyatakan dalam presentase

26
 BAB 3
ANALISA DAN PENGOLAHAN DATA
3.1 Analisa Regresi dan Korelasi Linier
A. Pengambilan data diperoleh dari PT.SENTRAL YAMAHA
PALU di Palu yang bergerak dalam bidang Penjualan kendaraan bermotor.
Data hasil Pengamatan yang diperoleh adalah sebagai berikut:

Motor Motor Motor Motor

No Bulan No Bulan
Matic Bebek Matic Bebek
1 Januari 77 65 1 Februari 84 76
2 Februari 87 71 2 Maret 91 63
3 Maret 68 44 3 April 78 59
4 April 69 56 4 Mei 90 79
5 Mei 74 68 5 Juni 99 78
6 Juni 84 67 6 Juli 81 92
7 Juli 80 76 7 Agustus 82 84
Septembe
Agustus
8 87 73 8 r 79 91
Septembe
Oktober
9 r 70 77 9 69 73
10 Oktober 64 60 10 November 103 69
11 November 92 77 11 Desember 92 92
12 Desember 83 82 12 Januari 81 71
13 Januari 81 64 13 Februari 79 69
14 Februari 83 82 14 Maret 94 55
15 Maret 79 67 15 April 74 82
16 April 63 55 16 Mei 79 75
17 Mei 69 58 17 Juni 80 66
18 Juni 85 72 18 Juli 91 76
19 Juli 116 91 19 Agustus 85 84
Septembe
Agustus
20 97 79 20 r 82 59
Septembe
Oktober
21 r 99 74 21 88 71
22 Oktober 86 82 22 November 93 65
23 November 82 80 23 Desember 95 88
24 Desember 107 98 24 Januari 102 81
25 Januari 92 72 25 Februari 77 72

27
 Langkah-langkah input data Regresi di aplikasi Minitab, sebagai berikut:
Masukkan data C1 sebagai Bulan, C2 sebagai Motor Matic, C3 sebagai Motor
Bebek.

1. Klik perintah Stat  Regression  Fitted Line Plot

3. Isikan Y dengan variable terkait yaitu C2 Motor Matic dan isikan X dengan
variable bebas yaitu C3 Motor Bebek, dengan cara double klik.

28
4. Klik “OK” maka akan muncul hasilnya sebagai berikut

a. Hasil Grafik Linier

29
b. Hasil Grafik Quadratic

c. Hasil Grafik Cubic

30
5. Input data Korelasi dengan minitab masih dengan data diatas, Klik perintah
Stat  Basic Statistic  Corelation

6. Isikan variable dengan data motor matic dan motor bebek dengan cara Double
Klik C2 dan C3. Kemudian klik “OK”

31
 7. Maka akan muncul hasilnya seperti berikut

B. Pengambilan data diperoleh dari Data Kematian Penduduk Blitar Menurut

Kelurahan dan Jenis Kelamin
Diketahui Tabel data sebagai berikut :

Tahun Nomor Kelurahan Laki-laki Perempuan

1. Tlumpu 17 20
2014 2. Karangsari 33 27
3. Turi 16 15

32
 4. Blitar 19 24
5. Sukorejo 82 82
6. Pakunden 43 47
7. Tanjungsari 26 26
8. Kepanjenkidul 39 38
9. Kepanjenlor 28 31
10. Kauman 10 25
11. Bendo 32 14
12. Tanggung 30 23
13. Sentul 25 31
14. Ngadirejo 17 13
15. Rembang 22 5
16. Klampok 23 16
17. Plosokerep 18 12
18. Karangtengah 28 35
19. Sananwetan 62 57
20. Bendogerit 65 39
21. Gedog 40 41
22 Tlumpu 43 46
23 Karangsari 16 19
24 Turi 47 38
25 Blitar 18 17
25 Sukorejo 18 23
27 Pakunden 23 27
28 Tanjungsari 20 32
29 Kepanjenkidul 52 46
30 Kepanjenlor 19 29
31 Kauman 22 14
2015 32 Bendo 20 19
33 Tanggung 26 21
34 Sentul 71 83
35 Ngadirejo 35 21
36 Rembang 42 53
37 Klampok 14 22
38 Plosokerep 30 20
39 Karangtengah 65 62
40 Sananwetan 11 10
41 Bendogerit 30 25
42 Gedog 68 40
43 Tlumpu 19 9
44 Karangsari 26 28
2016 45 Turi 27 14
46 Blitar 22 12
47 Sukorejo 80 92

33
 48 Pakunden 35 45
49 Tanjungsari 30 31
50 Kepanjenkidul 52 40

1. Langkah-langkah input data Regresi di aplikasi Minitab, sebagai berikut:

Masukkan data C1 sebagai Kelurahan, C2 sebagai Laki-laki, C3 sebagai
Perempuan.

2. Klik perintah Stat  Regression  Fitted Line Plot

3. Isikan Y dengan variable terkait yaitu C2 Motor Matic dan isikan X dengan
variable bebas yaitu C3 Motor Bebek, dengan cara double klik.

34
4. Klik “OK” maka akan muncul hasilnya sebagai berikut

a. Hasil Grafik Linier

b. Hasil Grafik Quadratic

35
 c. Hasil Grafik Cubic

5. Input data Korelasi dengan minitab masih dengan data diatas, Klik perintah
Stat  Basic Statistic  Corelation

36
6. Isikan variable dengan data laki-laki dan perempuan dengan cara Double Klik
C2 dan C3. Kemudian klik “OK”

7. Maka akan muncul hasilnya seperti berikut

37
3.2 Analisa Kualitas dengan metode Statistical Proces Control
A. Pengambilan data ini diperoleh dari Laporan Produksi CV. Bagus Agriseta
Mandiri Batu Periode Bulan Mei 2018. Dari penelitian yang telah dilakukan
diperoleh hasil data sebagai berikut:

Jumlah Jumlah Jumlah Jumlah

No Produksi Cacat No Produksi Cacat
1 223 3 26 271 5
2 345 5 27 334 3
3 267 4 28 494 4
4 345 4 29 394 2
5 278 2 30 279 3
6 456 3 31 348 1
7 375 2 32 421 4
8 298 3 33 337 3
9 218 3 34 287 2
10 426 6 35 294 5
11 341 4 36 357 5
12 338 5 37 441 2
13 432 6 38 297 4
14 267 3 39 267 3
15 389 2 40 312 1
16 219 2 41 397 3
17 390 4 42 269 4
18 367 2 43 481 4
19 245 1 44 316 2
20 368 3 45 233 3
21 214 4 46 249 1

38
 22 277 2 47 3 5
23 437 2 48 369 3
24 256 5 49 358 2
25 472 5 50 293 4

B. Langkah-langkah input data di aplikasi Minitab, sebagai berikut:

1. Masukkan data “Jumlah Produksi” pada kolom C1, “Jumlah cacat” pada
C2.

2. Klik perintah Stat  Control Charts  P (Data Variasi)

39
3. Masukkan C2 “ Banyaknya Produk Cacat” ke Variabel dan C1 “ Banyaknya
sampel” ke subgroup size dengan cara double klik.

4. Klik “OK” , kemudian akan muncul hasilnya sebagai berikut

Dari hasil grafik diatas dapat dilihat bahwa semua tidak ada yang melebihi
batas pengendali atas maupun bawah.

40
C. Pengambilan data yang kedua ini dari Prosentase Produk Plastik
Polypropylene Cacat Kempes Pada Bulan Juli 2018. Dari penelitian yang
telah dilakukan, maka data yan diperoleh sebagai berikut:

41
 Jumlah Jumlah
Jumlah Ukuran cacat seal Jumlah Ukuran cacat seal
No Sample (kg ) jebol (Kg) No Sample (Kg) jebol (Kg)
1 3600 241.6 26 3700 269.6
2 3700 231.7 27 3850 286.7
3 3650 236.3 28 3600 278.9
4 3600 210.3 29 3600 254.8
5 3900 230.2 30 3950 267.9
6 3500 236.5 31 3900 243.8
7 3600 245.4 32 3500 276.9
8 3900 226.6 33 3850 268.9
9 3600 235.7 34 3800 245.4
10 3500 239.2 35 3800 258.7
11 3500 217.6 36 3700 270.3
12 3600 266.9 37 3600 245.6
13 3500 235.3 38 3500 278.7
14 3800 266.9 39 3650 261.4
15 4000 235.3 40 3700 288.1
16 3900 266.2 41 3900 274.9
17 3900 267.1 42 4000 249.7
18 3850 247.8 43 3450 226.7
19 3700 245.6 44 3700 267.1
20 3800 234.1 45 3700 241.8
21 3850 260.9 46 3700 275.4
22 3800 220.5 47 3500 233.4
23 3800 276.5 48 3550 297.5
24 3900 265.7 49 3600 269.1
25 3600 254.9 50 3900 274.6

D. Langkah-langkah input data di aplikasi Minitab sama seperti lagkah

yang sudah dilakukan pada data sebelumnya. Dari perhitungan yang telah
dilakukan di minitab, maka diperoleh grafiknya sebagai berikut:

42
43
 BAB 4
PENUTUP
4.1. KESIMPULAN

Kesimpulan dari analisa regresi pada studi kasus di PT.SENTRAL YAMAHA

memiliki nilai P - Value 0,000 karena kurang dari 0,05 sehingga R variabel
motor matic mempengaruhi variabel motor bebek secara signifikan dan regresi
Motor matic = 48,32 + 0,4934 dengan korelasi 0,449

Kesimpulan dari analisa regresi pada Data Kematian Penduduk Blitar Menurut
Kelurahan dan Jenis Kelamin memiliki nilai P-value 0,00 karena kurang dari
0,05 sehingga R variable laki-laki mempengaruhi variabel perempuan secara
signifikan dan regresi Lakki-laki = 7,008+0,8375 Perempuan dengan
korelasinya 0,872

Kesimpulan dari analisa statistical proses control (SPC) Dari hasil perhitungan
yang telah dilakukan, diperoleh P-Chart produk cacat Produksi CV. Bagus
Agriseta Mandiri Batu masih dalam batas kendali. Hal ini dibuktikan dengan
hasil grafik yang menunjukkan bahwa data produk cacat masih berada diantara
batas UCL(0,02701 ) dan LCL(0) serta mean(0,00977) .

Kesimpulan dari analisa statistical proses control (SPC) Dari hasil perhitungan
yang telah dilakukan, diperoleh P-Chart dari data Produk Plastik Polypropylene
Cacat Seal Jebol masih dalam batas kendali. Hal ini dibuktikan dengan hasil
grafik yang menunjukkan bahwa data produk cacat masih berada diantara batas
UCL(0,08020) dan LCL(0,5540) serta mean(0,06780) .

44
 BAB 5
DAFTAR PUSTAKA
Analisis Regresi Linear Sederhana (Simple Linear Regression). Retrieved from
teknikelektronika: https://teknikelektronika.com/analisis-regresi-linear-sederhana-simple-linear-
regression/

Statistical Process Control (SPC). Retrieved from ismimaulina:

https://ismimaulina.wordpress.com/2015/10/22/statistical-process-control-spc/

https://blitarkota.bps.go.id/statictable/2017/10/22/656/6-4-kematian-penduduk-menurut-
jenis-kelamin-dan-kelurahan-2016

https://blitarkota.bps.go.id/statictable/2017/06/20/506/6-4-kematian-penduduk-menurut-
jenis-kelamin-dan-kelurahan-2015

https://blitarkota.bps.go.id/statictable/2017/06/20/529/6-4-kematian-penduduk-menurut-
jenis-kelamin-dan-kelurahan-2014

http://riset.unisma.ac.id/index.php/jrm/article/download/1199/1201

https://publikasiilmiah.ums.ac.id/

45