Statistika Pengendalian Mutu

PENGANTAR
STATISTIKA PENGENDALIAN MUTU

Oleh
Solimun
Materi Kuliah Statistika Pengendalian Mutu (MAS-62332)

Semester Genap 2022/2022
PUSAT PENELITIAN PEMODELAN STATISTIKA BIDANG MANAJEMEN (KKU.PSBM)

FMIPA UNIVERSITAS BRAWIJAYA
2022
1
PEMIKIRAN
Data berikut adalah keuntungan per bulan (Rp milyar) Perusahaan A dan B
PERUSAHAAN A PERUSAHAAN B
4 5 5 6 6 9 5 5
4 4 6 4 4 4 8 4
5 5 4 3 7 2 4 2
4 4 3 5 4 4 2 4
6 4 5 5 3 5 4 5
Rata-rata = 4,55 Rata-rata = 4,55
Perusahaan mana yang lebih baik?

STDV Perusahaan A = 0.887 Risiko Perusahaan B lebih besar
STDV Perusahaan B = 1.849 (tinggi) dibandingkan Perusahaan A
2
PENGENDALIAN MUTU / kualitas 3
- Harapan: Identik dari unit ke unit
(variabilitas produk sangat kecil)
- Sebab variabilitas:
- Bahan baku (dapat dikontrol)
- Kinerja operator (dapat dikontrol)
- Performa mesin (dapat dikontrol)
Upaya operasional, manajerial, maupun aktivitas

keteknikan yang dilakukan oleh perusahaan guna
menjamin karakteristik kualitas produk yang dibuat
memenuhi suatu nilai tertentu/spesifikasi/standar
Terdapat Sebab variabilitas yang Mengapa ada produk

belum diketahui dan tidak terkontrol yg cacat (defect)
MUTU / KUALITAS
KUALITAS: kecocokan / kesesuaian bagi pengguna (pelanggan,

konsumen, dsb)
MANGAPA STATISTIKA?
Kentungan berpikir statistika adalah:
1. Lebih mementingkan fakta dari pada prasangka subyektif dan
konsep abstrak.
2. Tidak mengekspresikan fakta ke dalam perasaan atau ide.
Menggunakan gambaran yang diturunkan dari hasil pengamatan
spesifik.
3. Di dalam hasil pengamatan terdapat kesalah (error) dan variasi,
yang merupakan bagian yang tersembunyi. Mencari bagian
tersembunyi merupakan tujuan puncak pengamatan, untuk
menyidik terjadinya variasi mutu produk.
4. Menerima kecenderungan teratur yg timbul dalam sejumlah besar
hasil pengamatan sebagai informasi yang terpercaya, bermanfaat
untuk mengidentifikasi kausal variasi mutu produk.
4
Ciri-ciri / karakteristik kualitas
1. Fisik: panjang, berat, kadar, kekentalan, dll
2. Indera: rasa, aroma, kenampakan, dll
3. Orientasi waktu: dapat dipercaya
(keandalan), dapatnya dipelihara, dan
dapatnya dirawat
Jenis karakteristik Karakteristik, sifat, ciri
Diameter
Variabel
Panjang
Bentuk
Atribut
Warna
Kualitas dan Produktivitas: Suatu program jaminan kualitas yang efektif dapat
sebagai penolong dalam meningkatkan produktivitas
5
STATISTIKA PENGENDALIAN MUTU
Tanggung jawab kualitas tersebar di berbagai level (manajer

dan operasional) dan fungsi: teknik produksi;
pembelian; manajemen produksi; karyawan
produksi; pengujian dan pemeriksaan;
pengepakan dan pengiriman; pelayanan
konsumen
Statistika Pengendalian Mutu: Proses pengawasan yang

dilakukan oleh hasil kerjanya sendiri, berupa
umpan balik dari kualitas hasil pekerjaan semua
level dan fungsi yang terlibat.
6
APLIKASI SPM
DI PERUSAHAAN
APLIKASI SPM
DI PERUSAHAAN
RULES
• Toleransi Keterlambatan Presensi Mahasiswa di Google class
room 0 (nol) menit
• Persentase penilaian:
Tugas = 20 %
Kuis = 15 %
UTS = 30 %
UAS = 35 %
Komponen KEDISIPLINAN, KEJUJURAN, dan PERAN AKTIF
mahasiswa akan dijadikan sebagai pengurang atau penambah
pada nilai UTS dan UAS
Referensi:
1. Montgomery, D. C. 2009. Introduction to Statistical
Quality Control. New York: John Wiley & Sons.
2. Kume, Hitoshi, 1989. Metode Statistik Untuk Peningkatan
Mutu. Penerjemah Cornel Naibaho dan Nawolo Widodo.
Jakarta: MSP
10
SELAMAT BELAJAR
11
BAGAIMANA MENDAPATKAN DATA
Oleh
Solimun


2022
1
Ciri-ciri / karakteristik kualitas
1. Fisik: panjang, berat, kadar, kekentalan, dll
2. Indera: rasa, aroma, kenampakan, dll
3. Orientasi waktu: dapat dipercaya
(keandalan), dapatnya dipelihara, dan
dapatnya dirawat
Mesin Transmisi Mobil
Jenis karakteristik Karakteristik, sifat, ciri
Diameter
Variabel
Panjang
Bentuk
Atribut
Warna
1. Atribut: karakteristik mutu yang bersifat sifat kualitas, misalnya aroma, rasa,
kenampakan, dll.
2. Variabel: karakteristik mutu yang bersifat kuantitas, akan menghasilkan data
kuantitatif, misalnya kadar gula cairan infus, berat kemasan cairan infus, dll.
Data: diperoleh melalui pengamatan, pencacahan, pengukuran, atau
2
pemeriksaan laboratorium, sensor otomatis, dan sebagainya
PERANAN STATISTIKA
STATISTIKA
METODE PENGUMPULAN METODE ANALISIS
DATA DATA
SUMBER DATA INFORMASI

DATA
Statistika: Ilmu dan atau seni yang berkaitan dengan tata cara
(metode) pengumpulan data, analisis data, interpretasi
hasil analisis, untuk mendapatkan informasi yang
bermanfaat dalam kegiatan pengambilan keputusan
Peranan Statistika: Metode yang afektif untuk memperbaiki
proses produksi, mengurangi, dan mencegah
kerusakan produk 3
PERANAN STATISTIKA
Peranan Statistika melalui:
1. Mencari penyebab rusak:
a. Variasi, produk rusak dan tidak rusak dihasilkan
bersama-sama
b. Proses (produksi) adalah kumpulan penyebab variasi
2. Diagnosis proses
a. Penyebab variasi banyak (tidak terhitung)
b. Sumbangan terhadap rusak ada yang besar dan ada
yang kecil
c. Mencari jumlah kecil penyebab rusak yang
kontribusinya besar (penting)
d. Memprediksi dan mengidentifikasi penyebab rusak
4
TUJUAN MENGUMPULKAN DATA
A. BAGAIMANA MENGUMPULKAN DATA
1. Membuat tujuan yang ditetapkan menjadi jelas
Tujuan pengumpulan data:
a. Mengendalikan dan memantau proses produksi
b. Analisis untuk yang cacat (rusak, tidak memenuhi syarat)
c. Pemeriksaan
2. Apakah tujuannya?
a. Variasi harian tidak mungkin diperoleh dari data yang
dalam satu hari hanya dilakukan sekali pengamatan
b. Jika terdapat 2 pekerja, maka pengambilan data (sampel)
dilakukan secara terpisah (subgroup): stratifikasi
c. Data berpasangan: untuk analisis hubungan dua
karakteristik kualitas
5
A. BAGAIMANA MENGUMPULKAN DATA
3. Apakah pengukuran dapat dipercaya?
a. Pengukuran dengan indera (misal penciuman,
penglihatan), pencatatan harus dibedakan antar panelis
(inspektur)
b. Menggunakan alat canggih: sensor otomatis
4. Mencari jalan yang tepat dalam mencatat data
a. Asal data harus jelas
b. Data harus dicatat sedemikian rupa, sehingga dapat
dipergunakan dengan mudah. Contoh Data sheet:
6
B. LEMBAR PEMERIKSAAN
Tujuan:
1. Membuat mudah proses pengumpulan data
2. Mengatur data secara otomatis sehingga mudah
dapat dipergunakan selanjutnya
7
1. Lembar pemeriksaan Distribusi Proses Produksi
8
2. Lembar pemeriksaan Item Rusak
9
3. Lembar pemeriksaan Lokasi Cacat
10
4. Lembar pemeriksaan Sebab Cacat
11
SELAMAT BELAJAR
12
KONSEP KUALITAS
Oleh
Solimun


2022
1
2
TWO ASPECTS of
Quality of • Didasarkan pada

pangsa/permintaan pasar: bahan,
Design komponen, ketahanan produk,dll.
• Didasarkan pada seberapa sesuai produk

terhadap desain atau spesifikasi.
Quality of • Dipengaruhi oleh pemilihan mesin,
Conformance keahlian pekerja, jenis pengendalian
proses, pengujian dan pemeriksaan,
prosedur proses, motivasi pekerja.
• Darmanto 2
Konsep Kualitas / Mutu
(Sumber: Departemen Teknik Industri ITB)

4
Penjualan

Dimensi Kualitas 6
PERFORMANCE
CONFORMANCE
RELIABILITY
TO STANDARD
DIMENSION of
PERCEIVED QUALITY DURABILITY
QUALITY
(GARVIN, 1987)
FEATURES SERVICIABILITY
AESTHETICS
Darmanto - Kualitas
Dimensi Kualitas
1. Performance (will the product do the intended job?)
Performa diartikan sebagai kemampuan suatu produk beroperasi
sesuai dengan tujuan produk tersebut dibuat.
2. Reliability (how often does the product fail?)
Produk tersebut tidak sering mengalami kerusakan ketika
dioperasikan dalam kondisi yang normal.
3. Durability (how long does the product last?)
Produk yang tahan lama atau awet.
4. Serviceability (how easy is it to repair the product?)
Seberapa cepat dan murah untuk melakukan pemeliharaan dan
perbaikan dari produk yang dibuat industri tersebut.
Darmanto|MK. Statistika Pengendalian Mutu – Sub Materi: Pengantar

Dimensi Kualitas
5. Aesthetics (what does the product look like?)
Tampilan secara visual dari suatu produk.
6. Features (what does the product do?)
Produk yang mempunyai fasilitas-fasilitas tambahan yang lebih
dibandingkan produk yang sejenis.
7. Perceived Quality (what is the reputation of the company or its
product?)
Reputasi perusahaan yang membuat produk.
8. Conformance to Standards (is the product made exactly as
thedesigner intended?)
Kesesuaian pembuatan produk dengan rancangannya, yakni produk yang
berkualitas adalah produk yang tepat memenuhi spesifikasi yang telah
ditentukan oleh desainer.
Darmanto|MK. Statistika Pengendalian Mutu – Sub Materi: Pengantar

HISTORIS KUALITAS
Systematic
The first
Personal Inspection
quality
quality and testing
1700 improvement 1901 laboratory
was built in
1907 product was
by Craftsman begun by
Great Britain
AT&T
W. A.
AT&T
Shewhart ASQC is
formed a
1920s quality 1924 introduced 1946 formed, ISO
control is founded
department
chart
Darmanto – Historis Kualitas 11

12
Taguchi
Fegeinbaum
started
Ishikawa published
studied and
1948 applied of 1950 diagram was
introduced
1951 book: Total
Quality
Design of
Management
Experiment
Handbook of Technometrics
Page proposed Quality Control was
1954 CUSUM
control chart
1957 was published
by Juran and
1959 established,
EWMA was
Gyrna proposed
Quality
Six-Sigma
Engineering
1987 was 1989 was 2000s ISO spreads
initiated
established
Darmanto – Historis Kualitas

DILARANG DI-UPLOAD
13
REKAYASA KUALITAS
Elemen yang saling

berhubungan yang
menggambarkan fisik
kualitas dari suatu
produk
KARAKTERISTIK indra
KUALITAS
waktu
Darmanto – Rekayasa Kualitas 14

KUALITAS & STATISTIKA
DATA
Variabel
Atribut
Darmanto – Kualitas & Statistika 15

16
KUALITAS & STATISTIKA
target
toleransi
∅78.5 ± 1.6 Batas Nilai Spesifikasi
Upper Specification Limit
USL • ∅80.1
LSL • ∅76.9
Lower Specification Limit
Darmanto – Kualitas & Statistika

17
Fase Penerapan
Metode Rekayasa Kualitas
Acceptance Statistical Process

Experimental Design
Sampling Control
USL
Target
LSL
Darmanto – Kualitas & Statistika

SELAMAT BELAJAR
18
STATISTIKA DESKRIPTIF,
DISTRIBUSI DISKRIT DAN KONTINYU
Oleh
Solimun


2022
1
STATISTIKA DESKRIPTIF
• Salah satu cara mudah dalam mendeskripsikan data yang
didapatkan dari hasil pengukuran karakteristik kualitas suatu
produk adalah dengan menggunakan grafik.
• Grafik-grafik tersebut ditujukan untuk mengetahui secara visual
distribusi dari data. Apakah berada di sekitar nilai target atau
mengalami pergeseran. Dapat juga digunakan untuk mengetahui
seberapa lebar dispersi proses dari target yang ditetapkan oleh
perusahaan.
• Beberapa grafik yang biasa digunakan:
1. Diagram dahan-daun (Stem-Leaf Diagram)
2. Histogram
3. Box-Plot
Darmanto – Statistika Deskriptif 2
3
• Kelemahan: tidak adanya informasi waktu → waktu merupakan

faktor penting sebab terjadinya variabilitas produk.
• Contoh: Data lama waktu tunggu pembayaran klaim suatu
asuransi kepada pemegang polis.
Claim Days Claim Days Claim Days Claim Days Claim Days Claim Days Claim Days Claim Days
1 48 6 26 11 35 16 36 21 37 26 27 31 16 36 23
2 41 7 36 12 34 17 56 22 43 27 45 32 22 37 22
3 35 8 46 13 36 18 32 23 17 28 33 33 33 38 30
4 36 9 35 14 42 19 46 24 26 29 22 34 30 39 31
5 37 10 47 15 43 20 30 25 28 30 27 35 24 40 17
Darmanto – Statistika Deskriptif

Stem-and-Leaf Display: Days
4
Stem-and-leaf of Days N = 40
Leaf Unit = 1.0
Pola distribusi data
3 1 677
8 2 22234
13 2 66778
(8) 3 00012334
19 3 555666677
10 4 1233
60
6 4 56678
1 5
1 5 6
50
40
Days
30
20
10
0 10 20 30 40
Claim

5
Contoh: Data 100 ketebalan lapisan semikonduktor (𝐴)ሶ
438 450 487 451 452 441 444 461 432 471
413 450 430 437 465 444 471 453 431 458
444 450 446 444 466 458 471 452 455 445
468 459 450 453 473 454 458 438 447 463
445 466 456 434 471 437 459 445 454 423
472 470 433 454 464 443 449 435 435 451
474 457 455 448 478 465 462 454 425 440
454 441 459 435 446 435 460 428 449 442
455 450 423 432 459 444 445 454 449 441
449 445 455 441 464 457 437 434 452 439

6
30
Normal Distribution Fit 27
Mean 450.0
25 StDev 13.43
N 100
20
20
Frequency
15
15 14
12
10
5 4 4
2
1 1
0
416 432 448 464 480
Thickness

7
100
< 460A
80
Cumulative Frequency
60
40
20
0
420 430 440 450 460 470 480
Thickness

8
Contoh: Data 100 ketebalan lapisan semikonduktor (𝐴)ሶ
490
487
480
470
460
Thickness
450.01
450
440
Q1 Median Q3 IQR
430 441.00 450.00 458.75 17.75
420
413
410

9
• Misal: x1, x2, …, xn merupakan observasi sampel, maka:
n
x i
x= i =1
; i = 1, 2, , n.
n
Rata-rata menggambarkan ukuran pemusatan data observasi,
apakah proses produksi menghasilkan rata-rata yang identik,
mendekat atau menjauhi nilai target.
2
 n 
  xi 
xi2 −  i =1 
n n
 ( xi − x ) 
2
n
S= i =1
= i =1 .
n −1 n −1
Standar deviasi menggambarkan variabilitas dari proses produksi. Seberapa lebar titik-titik
observasi pada karakteristik kualitas yang diamati terhadap nilai target.
Semakin besar standar deviasi maka variabilitas proses besar, dan demikian sebaliknya.

DISTRIBUSI PELUANG
• Diagram dahan-daun, histrogram, box-plot digunakan untuk
mendeskripsikan data sampel.
• Dengan menggunakan metode statistika yang tepat, data sampel
ketebalan lapisan dianalisis, kemudian diambil kesimpulan tentang
proses produksinya.
Populasi Ketebalan Lapisan
Sampel Ketebalan Lapisan
Darmanto – Distribusi Peluang 10

11
• Distribusi peluang adalah model matematis yang menghubungkan
antara suatu nilai dari variabel tertentu (--karakteristik kualitas)
dengan peluang munculnya nilai tersebut pada populasinya.
b
P( a  x  b ) =  f ( x )dx P(73  x  81) = P( x = 73) + ... + P( x = 81)
0.05 a 0.09
0.08
0.04 0.07
0.06
Probability
0.03
Density
0.05
0.04
0.02
0.03
0.02
0.01
0.01
f(x)
0.00
0.00 61 73 81 88
a b X
X
Distribusi Kontinyu Distribusi Diskrit
Darmanto – Distribusi Peluang

RATA-RATA & VARIANS 12
 
  xi p ( xi ) ; x diskrit.
 i =1
 =
 xf ( x ) dx; x kontinyu.

 −
 
  ( xi −  ) p ( xi ) ; x diskrit.
2
 i =1
2 =
 ( x −  )2 f ( x ) dx; x kontinyu.

 −
DISTRIBUSI KONTINYU
1  x− 
2
1 −  
f ( x) = e 2  
; −  x  ; −    ;  2  0.
 2
1  x− 
x−
a − 
1 
P  x  a = F ( a ) = −  2 e
2  
dx ⎯⎯⎯⎯→
transformasi
z=

 a− a− 
P  x  a = P  z   =  .
     
 ( ) adalah distribusi kumulatif normal standar.
Darmanto – Distribusi Kontinyu 13

14
KONSEP BAGAN KENDALI

RATA-RATA & VARIANS (Di luar µ ± 3σ, tinggal 0,3%, data diluar populasi/rusak)
15
DISTRIBUSI KONTINYU - Lanjutan
• Diameter Shaft
Diameter logam shaft yang digunakan pada disk-drive berdistribusi
normal dengan rataan 0.2508 in dan standar deviasi 0.0005 in.
Spesifikasi dari shaft telah ditentukan yaitu 0.2500±0.0015 in. Berapa
persen shaft yang diproduksi memenuhi spesifikasi?
P ( 0.2485  x  0.2515 ) = P ( x  0.2515 ) − P ( x  0.2485 )
= P ( z  1.40 ) − P ( z  −4.60 ) =  (1.40 ) −  ( −4.60 )
= 0.9192 − 0.000 = 0.9192
Ada sekitar 91.92% shaft yang diproduksi
memenuhi spesifikasi.
Berapa persenkah shaft yang memenuhi
spesifikasi jika ada perbaikan mesin sehingga
rataan berubah menjadi 0.2500?
16
1  ( ln ( x ) − ) 
2
−  
1 2  
f ( x) =

e 
;0  x  
x 2
2
(e )
+
2 + 2 2
 =e 2
; = e
2
−1 ,
 =0
dan x = exp ( w ) ; w N ( ,  ) . 2
17
Masa Hidup (lifetime) Laser Medis
• Lifetime dari sebuah laser medis yang digunakan dalam pengobatan
Ophthalmic berdistribusi lognormal dengan 𝜃 = 6 dan 𝜔 =
1.2 jam. Berapa peluang lifetime laser tersebut melebihi 500 jam?
P ( x  500 ) = 1 − P exp ( w )  500 
= 1 − P  w  ln ( 500 )  = 1 − P ( z  0.1788 )
= 1 −  ( 0.1788 ) = 1 − 0.5710 = 0.4290
• Berapa lifetime paling pendek dari laser tersebut
jika peluangnya mencapai lifetime tsb 99%?
18
P ( x  a ) = 0.99
P ( x  a ) = P exp ( w )  a  = P ( w  ln ( a ) )
 ln ( a ) − 6 
= 1 − P  w  ln ( a )  = 1 − P  z  
 1.2 
 ln ( a ) − 6 
= 1−    = 0.99
 1.2 
diketahui:1 −  ( a ) = 0.99 → a = −2.33.
ln ( a ) − 6
sehingga = −2.33 → a = exp ( 3.204 ) = 24.63jam.
1.2
2
+
 =e 2
= exp ( 6 + 0.72 ) = 828.82 jam;
( )
 2 = e 2 + e − 1 = exp (12 + 1.44 ) exp (1.44 ) − 1 = 2, 212, 419.85
2 2
19
f ( x ) =  e −  x ; x  0,   0.
1 1
= ; =
2
.
  2
a
F ( a ) = P  x  a =   e − t dt
0
= 1 − e a , a  0.
20
• Distribusi eksponensial banyak digunakan dalam teknik reliabilitas.
• Secara terapan, 𝜆 menyatakan laju kerusakan sistem, dan rata-rata
distribusi 1Τ𝜆 disebut rata-rata waktu kerusakan.
• Sistem Radar Airborne

Sistem radar airborne mempunyai waktu guna (masa hidup) yang
berdistribusi eksponensial dengan laju kerusakan (𝜆) sebesar 10-4/jam
atau rata-rata waktu kerusakan sebesar 10,000jam. Ingin diketahui
peluang komponen tersebut akan rusak sebelum harapan hidupnya,
1/ 
maka  1
P x

 
 
=  e − t dt = 1 − e −1 = 0.63212.
0
21

f ( x) = ( x)
r −1
e −  x ; x  0.
 (r )
parameter bentuk r  0; parameter skala   0.
r r
= ; =
2
.
  2
22
• Standby Redundant System
Disebut standby redundant system karena ketika komponen 1 hidup,
komponen 2 mati. Dan ketika komponen 1 mati, maka akan secara
otomatis komponen 2 hidup. Jika masing-masing komponen
mempunyai masa hidup berdistribusi eksponensial dengan 𝜆 = 10-
4/jam, maka masa hidup sistem berdistribusi gamma dengan
parameter r = 2 dan 𝜆 = 10-4. Jadi rata-rata waktu kerusakan adalah
r2
 = = −4 = 2 104 jam.
 10
23
 −1 
 x  x 
f ( x ) =   exp  −    ; x  0.
       
parameter bentuk   0, parameter skala   0.
 1
 =  1 + ;
 
  2   1  
2
 =     1 +  −   1 +    .
2 2
         
  a  
F ( a ) = 1 − exp  −    .
    
24
• Waktu Kerusakan Komponen Elektronik
Waktu kerusakan komponen elektronik yang digunakan dalam
tampilan panel bersesuaian dengan distribusi Weibull dengan 𝛽 = ½
dan 𝜃 = 5,000. Ingin diketahui rata-rata waktu kerusakan dan
persentase komponen yang diharapkan bertahan hingga 20,000jam.
 1  1 
 =  1 +  = 5000 1 +  = 5000 ( 3) = 10, 000 jam.
  

1 
2
  a     20, 000 1/2  −2
1 − F ( a ) = exp  −    = exp  −    = e = 0.1353
       5, 000   13.53% komponen
DISTRIBUSI DISKRIT
# item pada kelas yang diteliti
 D N − D
   Hypergeometric with N = 50,
 x  n − x 
P ( X = x) = ; x = 0,1, 2, , min ( n, D ) D = 10, and n = 20
N
  # item pada populasi x P( X <= x ) x P( X = x )
n 0 0.00292 0 0.002925
# item pada sampel
1 0.03078 1 0.027856
Yang tergolong pada # item pada sampel 2 0.13904 2 0.108258
kelas yang diteliti 3 0.36497 3 0.225930
4 0.64503 4 0.280059
5 0.86011 5 0.215085
nD 6 0.96352 6 0.103406
= ; 7 0.99416 7 0.030639
N
8 0.99949 8 0.005334
nD  D   N − n  9 0.99998 9 0.000491
2 = 1 −   
N  N   N −1  10 1.00000 10 0.000018
Darmanto – Distribusi Diskrit 25

26
Hypergeometric, N=100, n=40

0.30
D
30
0.25 20
10
0.20
Probability
0.15
0.10
0.05
0.00
0 5 10 15 20
X
Darmanto – Distribusi Diskrit

27
n x
P ( X = x ) =   p (1 − p ) ; x = 0,1, 2,
n− x
, n.
 x
 = np; Binomial with n = 15 and p = 0.1
 2 = np (1 − p ) x P( X = x ) x P( X <= x )
0 0.205891 0 0.20589
1 0.343152 1 0.54904
2 0.266896 2 0.81594
3 0.128505 3 0.94444
4 0.042835 4 0.98728
5 0.010471 5 0.99775
6 0.001939 6 0.99969
7 0.000277 7 0.99997
8 0.000031 8 1.00000
9 0.000003 9 1.00000
10 0.000000 10 1.00000

28
Binomial, n=15
0.35
p
0.1
0.30 0.5
0.9
0.25
Probability
0.20
0.15
0.10
0.05
0.00
0 2 4 6 8 10 12 14 16
X

29
e−  x
P ( X = x) = ; x = 0,1,
x!
 = Poisson with mean = 4
2 = x
0
P( X <= x )
0.018316
x
0
P( X = x )
0.018316
1 0.091578 1 0.073263
2 0.238103 2 0.146525
3 0.433470 3 0.195367
4 0.628837 4 0.195367
5 0.785130 5 0.156293
6 0.889326 6 0.104196
7 0.948866 7 0.059540
8 0.978637 8 0.029770
9 0.991868 9 0.013231
10 0.997160 10 0.005292

30
Poisson
0.20
Mean
4
8
12
0.15 16
Probability
0.10
0.05
0.00
0 5 10 15 20 25 30
X

DISTRIBUSI SAMPLING
• Praktik: parameter proses tidak diketahui.
Proses produksi
p1 p2 Pt-1 pt
p (peluang non-conforming) berbeda tiap proses produksi
Statistik Estimasi parameter dan Uji hipotesis

Inferensi
31
32
DISTRIBUSI SAMPLING
• Tujuan Statistika Inferensi: Untuk mengambil kesimpulan (keputusan)
tentang kondisi populasi berdasarkan sampel yang diambil dari populasi
tersebut.
• 𝑥1 , 𝑥2 , … , 𝑥𝑛 adalah sampel acak berukuran n yang diambil dari

suatu populasi N atau ∞, berdistribusi secara independen dan identik.
• Dari 𝑥𝑖 yang terobservasi didapatkan statistik yang diharapkan tepat

atau mendekati parameter.
σ𝑛
𝑖=1 𝑥𝑖 σ𝑛
𝑖=1 𝑥𝑖 −𝑥ҧ
2
• 𝑅𝑎𝑡𝑎𝑎𝑛 = 𝑥ҧ = atau 𝑉𝑎𝑟𝑖𝑎𝑛𝑠 = 𝑠 2 = .
𝑛 𝑛−1
33
DISTRIBUSI SAMPLING - Lanjutan
• Jika kita mengetahui distribusi dari populasi di mana sampel
diambil, maka kita dapat menentukan distribusi dari statistik yang
kita hitung dari sampel terobservasi.
• Distribusi Sampling adalah distribusi peluang dari statistik.

34
DISTRIBUSI SAMPLING - Lanjutan
SAMPLING DARI DISTRIBUSI NORMAL
• Misal: 𝑋~𝑁 𝜇, 𝜎 2 . Jika 𝑥𝑖 adalah sampel dari suatu proses
2
yang mengikuti X, maka 𝑥~𝑁
ҧ 𝜇, Τ𝑛 .
𝜎
ҧ
𝑥−𝜇 σ𝑛
𝑖=1 𝑥𝑖 −𝑛𝜇
• 𝑛= → σ𝑛𝑖=1 𝑥𝑖 ~𝑁 𝑛𝜇, 𝑛𝜎 2 .
𝜎 𝑛𝜎
DEFINISI. TEOREMA LIMIT PUSAT

Jika 𝑥1 , 𝑥2 , … , 𝑥𝑛 merupakan sampel acak saling bebas dengan rata-rata
𝜇𝑖 dan varians 𝜎𝑖2 dan jika 𝑦 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 , maka distribusi dari:
𝑦 − σ𝑛𝑖=1 𝜇𝑖
σ𝑛𝑖=1 𝜎𝑖2
Akan mendekati N(0,1) dengan 𝑛 → ∞.
35
TERIMA KASIH
MANAJEMEN KUALITAS
Oleh
Solimun


2022
1
ASPEK MANAJEMEN KUALITAS
Perencanaan Penjaminan Pengontrolan dan

Perbaikan (Control and
(Planning) (Assurance) Improvement)
• Pengembangan produk, • Menjamin kualitas produk • Menjamin kualitas sesuai
biaya, pemasaran, terkelola dengan baik. dengan spesifikasi.
efisiensi tenaga kerja dan • Sistem dokumentasi • Menerapkan konsep
Identifikasi konsumen kualitas: statistika untuk
(suara konsumen) 1) kebijakan (yang harus- mengurangi variabilitas
kenapa dikerjakan), proses produksi,
2) prosedur, menekan dan
mengurangi produk
3) instruksi kerja dan
cacat.
spesifikasi (produk,
departemen, alat,
mesin),
4) rekaman (semua hal
ttg produksi)
Darmanto – Aspek Manajemen Kualitas 2

(Sumber: Departemen Teknik Industri ITB) 3
4
5
6
7
75% produk baik (25% cacat).

60% dari cacat, rework.
Biaya per produk Jumlah produk rework
Jumlah produk
Biaya per rework
100(1000) + 15(300)
Biaya = = Rp .1,161.11
90
Jumlah produk baik
QUALITY IMPROVEMENT
90% produk baik (10% cacat).
60% dari cacat, rework.
100(1000) + 6(300)
Biaya = = Rp .1, 060.42
96
Darmanto – Aspek Manajemen Kualitas
KUALITAS, PANGSA PASAR & PROFIT

12
1. Create a constancy of purpose focused on the improvement of products

and services
2. Adopt a new philosophy that recognizes we are in a different economic
era
3. Do not rely on mass inspection to “control” quality
4. Do not award business to suppliers on the basis of price alone, but also
consider
quality
5. Focus on continuous improvement

13
6. Practice modern training methods and invest in on-the-job
training for all employees
7. Improve leadership, and practice modern supervision methods
8. Drive out fear
9. Break down the barriers between functional areas of the business
10. Eliminate targets, slogans, and numerical goals for the workforce
11. Eliminate numerical quotas and work standards
12. Remove the barriers that discourage employees from doing their
jobs
13. Institute an ongoing program of education for all employees
14. Create a structure in top management that will vigorously
advocate the first 13 points

14
1. Lack of constancy of purpose

2. Emphasis on short-term profits
3. Evaluation of performance, merit rating, and annual reviews of
performance
4. Mobility of top management
5. Running a company on visible figures alone
6. Excessive medical costs
7. Excessive legal damage awards

15
Merencanakan perubahan atau
PLAN eskperimen untuk perbaikan
Mengadopsi perubahan atau tidak.
sistem
Jika mengadopsi, pastikan
Sifat perbaikannya permanen
ACT
Shewhart DO
Cycle
Melakukan perubahan
Atau eksperimen
Mempelajari dan menganalisis CHECK
Hasil yang telah dicapai.

16
• Perencanaan perbaikan
Planning kualitas produk
• Penjaminan kualitas produk

Controlling terpenuhi
• Perbaikan kualitas produk

Improving secara berkala

17
Quality Quality Organizational

Leadership Technology Commitment

18
• Strategi dalam menerapkan dan mengelola aktivitas perbaikan

kualitas dalam suatu organisasi.
• Dikenalkan pada awal tahun 1980an: kombinasi filosofi Deming dan
Juran.
• Dikeluarkan oleh The International Standard Organization (ISO).

19
• Leadership system; Company

1. Leadership responsibility and citizenship
2. Strategic • Strategy development process;

Planning Company strategy
3. Customer and • Customer and market knowledge;

Customer satisfaction and
Market Focus relationship enhancement

20
4. Information • Measurement and analysis of performance;

and Analysis Information management
5. Human • Work system; Employee education, training,

and development; Employee well-being and
Resource Focus satisfaction
• Management of product and service

6. Process processes; Management of business
Management processes; Management of support
processes
7. Business • Customer results; Financial and market

results; Human resource results;
Results Organizational result

21
• Dikenalkan pertama kali tahun 1980 oleh Motorola.

• Tujuan utama adalah mengurangi variabilitas proses sehingga
produk cacat yang dihasilkan sangat kecil.

22

23
24
SELAMAT BELAJAR
25
METODE STATISTIKA PENGENDALIAN PROSES
(BAGAN PARETO )
Oleh
Solimun


2022
1
PENDAHULUAN
• Kapabilitas proses: produk berkualitas dihasilkan
dari proses produksi yg dalam keadaan stabil dan
terkontrol, beroperasi dengan variabilitas kecil,
dan menghasilkan produk yang memenuhi
spesifikasi.
• Statistika Pengendalian Proses (Statistical

Process Control/SPC): sekumpulan metode yang
digunakan untuk mencapai proses dalam keadaan
stabil dan meningkatkan kapabilitas dengan cara
mengurangi variabilitas.
2
VARIASI KUALITAS: SEBAB TIDAK DIKETAHUI (CHANCE)
DAN DIKETAHUI (ASSIGNABLE)
SEBAB TIDAK DIKETAHUI (CHANCE CAUSES)

Proses produksi yang telah dirancang dengan baik dan penuh hati-hati,
masih selalu terjadi ‘variabilitas dasar atau gangguan dasar (menjadi sifat)’
dari hasil produk. Hal ini dapat dilihat dalam suatu kondisi yang sama
(persis) jika diulang-ulang kejadiannya (dari sampel yang satu dengan yang
lain) diperoleh hasil yang berbeda. Variabilitas dasar (gangguan dasar) ini
muncul karena pengaruh kumulatif dari banyak sebab-sebab kecil yang
tidak dapat dikendalikan dalam suatu proses produksi.
Jika gangguan dasar ini relatif kecil maka dipandang sebagai tingkat yang
dapat diterima dari peranan proses. Dalam pengendalian kualitas statistik,
gangguan dasar ini dinamakan sistem stabil sebab-sebab tak terduga yaitu
suatu proses yang bekerja hanya dengan adanya variasi sebab-sebab tak
terduga atau suatu proses yang ada dalam pengendalian statistik.
3
VARIASI KUALITAS: SEBAB TIDAK DIKETAHUI (CHANCE)
DAN DIKETAHUI (ASSIGNABLE)
SEBAB DIKETAHUI (ASSIGNABLE CAUSES)

Suatu variabilitas/gangguan yang bukan dasar yang muncul dari proses
produksi yang dalam karakteristik kualitas kunci timbul dari 3 sumber yaitu :
1. Mesin yang dipasang dengan tidak wajar. 2. Kesalahan operator. 3.
Bahan baku yang cacat. Dari 3 sumber tersebut dapat mengakibatkan
variabilitas (bukan dasar) hasil produksi. Variabilitas bukan dasar umumnya
lebih besar daripada variabilitas dasar.
Variabilitas bukan dasar ini dipandang sebagai tingkat yang tidak dapat
diterima dari peranan proses produksi. Dalam pengendalian kualitas
statistik disebut adanya sebab-sebab terduga, yaitu proses yang bekerja
dengan adanya sebab-sebab terduga atau suatu proses yang tidak dalam
pengendalian statistik. Suatu proses produksi yang dalam kedaan
terkendali secara statistik menghasilkan produk yang dapat diterima untuk
periode waktu yang relatif panjang
4
PENGENDALIAN KUALITAS STATISTIK
Tujuan pokok pengendalian kualitas statistik adalah

menyidik (mengetahui) dengan cepat sebab-sebab
terduga, sebab-sebab pergeseran proses yang
menyebabkan variabilitas dalam proses sehingga
tindakan pembetulan dapat segera dilaksanakan
sebelum banyak unit yang rusak.
Secara umum tujuan pokok akhir pengendalian proses
statistik adalah menyingkirkan variabilitas dalam proses.
Cara melihat atau menyidik sebab-sebab terduga
tersebut salah satunya dengan ‘Bagan Pengendali’.
5
VARIASI KUALITAS: SEBAB TIDAK DIKETAHUI
(CHANCE) DAN DIKETAHUI (ASSIGNABLE)
6
TUJUAN SPC
• Tujuan utama SPC adalah mendeteksi keberadaan sebab
assignable secara cepat sehingga pergeseran proses dapat segera
dikaji dan diperbaiki sebelum unit yang cacat diproduksi.
• Salah satu SPC yang digunakan untuk prosedur demikian adalah
bagan kendali (control chart).
• Bagan kendali secara berkala dan terus menerus memonitor proses
produksi (on-line process-monitoring technique).
• Bagan kendali dapat juga digunakan untuk mengestimasi parameter
proses, menentukan kapabilitas proses, penyedia informasi
perbaikan proses dan menghilangkan (mengurangi) variabilitas
proses.
Materi bagan kendali akan dibahas pada kuliah selanjutnya
7
METODE SPC
Ada 7 metode SPC (the magnificent seven of SPC’s
tools):
1. Histogram dan Diagram dahan-daun
2. Check Sheet
3. Diagram Kosentrasi Cacat
4. Diagram Pencar
5. Bagan Pareto
6. Diagram Sebab-Akibat
7. Bagan Kendali
8
CHECK SHEET
• Berfungsi untuk database proses produksi
• Desain check sheet:
1. Nomor mesin produksi
2. Tanggal
3. Analis
4. Semua informasi yang berguna untuk
mendiagnosis penyebab performa proses
produksi tidak sesuai dengan standar
9
10
DIAGRAM KOSENTRASI CACAT
11
DIAGRAM PENCAR
• Hubungan antar 2 karakteristik kualitas
12
BAGAN PARETO
• Berfungsi untuk mengetahui karakteristik kualitas yang
paling sering (frekuensi tinggi) terjadi ketidaksesuaian.
13
Analisis Pareto
Masalah mutu timbul dalam bentuk kerugian (rusak dan

biayanya). Kebanyakan kerugian disebabkan oleh
tipe rusak yang berjumlah kecil, dan kerusakan ini
dapat disebabkan oleh sejumlah kecil sebab. Jadi
kalau sebab rusak oleh sebab penting yang sedikit
dapat diidentifikasi, maka kita dapat menghilangkan
hampir semua kerugian, dengan cara
mengkosentrasikan pada sebab-sebab ini.
Sementara mengabaikan rusak oleh sebab-sebab
tidak penting yang banyak jumlahnya.
Dengan menggunakan Diagram Pareto, kita dapat

memecahkan masalah tipe ini dengan efisien.
14
1) Membuat Diagram Pareto
Langkah 1
Tentukan permasalahan apa yang akan diteliti dan bagaimana cara
mengumpulakan data.
a) Tentukan macam masalah yang akan diteliti, misal : item rusak,
kerugian dalam arti moneter, dll
b) Tetapkan data apa yang diperlukan dan bagaimana cara
mengklasifikasikannya, misal : rusak berdasarkan mesin, operator,
metode, pekerja, dll. Catatan : item rusak yang jarang munculnya
diringkas dalam klasifikasi “lain-lain”.
c) Tetapkan metode pengumpulan data dan periode selama data
dikumpulkan. Misal, masalahnya adalah item rusak pada plabottle.
Pengamatan dilakukan selama 1 bulan.
Langkah 2
Rencanakan lembaran catatan data yang mendaftar semua item
dengan menyediakan ruang untuk jumlah (total).
15
Langkah 3
Isi Lembar catatan dan hitung jumlah (total).
Tipe Cacat Total

KH 3
KP 4
WR 6
TS 6
BR 6
LK 15
TJ 10
PR 8
LL 4
Langkah 4
Buat lembaran data yang memuat semua item, masing-masing
jumlah (total), total komulatif, persentasi terhadap total seluruhnya
dan persentase komulatif.
16
Langkah 5
Atur item dalam urutan jumlah, dan isilah lembaran data. Item lain-lain
harus diletakan dalam baris terakhir.
Tipe cacat Jumlah Persentase Persentase

cacat Komulatif
LK 15 24.6 24.6
TJ 10 16.4 41.0
PR 8 13.3 54.1
WR 6 9.8 63.9
TS 6 9.8 73.8
BR 6 9.8 83.8
KP 4 6.6 90.2
KH 3 4.9 95.1
LL 3 4.9 100
TOTAL 61 100
Langkah 6
Gambar dua sumbu vertikal; yaitu : sebelah kiri dengan skal nol sampai total
keseluruhan dan sebelah kanan dengan skal 0 sampai 100 %.
Gambar sumbu horisontal dengan jumlah interval sama dengan jumlah item yang
telah diklasifikasikan.
Langkah 7
17
Buatlah diagram balok
Langkah 8
Gambar kurva komulatif (kurva Pareto), tandai nilai komulatif di atas interval kanan
dari setiap item (klasifikasi), dan hubungkan titik-titik tersebut dengan sebuah garis.
DIAGRAM PARETO CACAT PADA PLABOTTLE
60 100
50 80
40
Percent
Count
60
30
40
20
10
20 Hasil :
Permasalahan
0 0 rusak yang
ers
dominan adalah
Defect LK TJ PR WR TS BR KP KH Oth
akibat ketidak
Count 15 10 8 6 6 6 4 3 3 sesuaian LK.
Percent 24.6 16.4 13.1 9.8 9.8 9.8 6.6 4.9 4.9
Cum % 24.6 41.0 54.1 63.9 73.8 83.6 90.2 95.1 100.0
18
Langkah 9
Tulis hal-hal dan item (klasifikasi) yang diperlukan pada diagram
Item yang berhubungan dengan diagram : judul, keuantitas, unit, penggambar, Item
yang berhubungan dengan data : periode, pokok dan tempat penelitian, jumlah data.
DIAGRAM PARETO CACAT PADA PLABOTTLE

Interpretasi : Permasalahan
60 100 rusak yang dominan adalah
akibat ketidak sesuaian
50 80
LK, apa penyebabnya?
40
Percent
Count
60
30
20
40 Langkah berikutnya : Buat
10
20 diagram Pareto berdasarkan
sebab, untuk mengidentifikasi
0 0
sebab penting (yang jumlahnya
LK TJ PR WR TS BR KP KH ers
Defect Oth
sedikit).
Count 15 10 8 6 6 6 4 3 3
Percent 24.6 16.4 13.1 9.8 9.8 9.8 6.6 4.9 4.9
Cum % 24.6 41.0 54.1 63.9 73.8 83.6 90.2 95.1 100.0
19
Diagram Pareto berdasarkan Gejala dan berdasarkan Sebab
(a) Diagram Pareto berdasarkan Gejala
Diagram ini berhubungan dengan hasil yang tidak diinginkan, dan
digunakan untuk menemukan penyebab utama timbulnya masalah
tersebut
Misal:
(1) Mutu : rusak, gagal, item yang kembali, perbaikan, keluhan, dll
(2) Biaya : jumlah kerugian, pengeluaran
(3) Pengiriman : kekurangan persediaan, kesalahan pembayaran, dll
(4) Keselamatan : kecelakaan, kesalahan, dll
(b) Diagram Pareto berdasarkan Penyebab

Diagram ini berhubungan dengan sebab dalam proses, dan
dipergunakan untuk mencari sebab utama timbulnya permasalahan.
(1) Operator : shift, umur, pengalaman, keahlian, dll
(2) Mesin : model, alat ukur, pisau, dll
(3) Bahan baku : pembuat, asal pabrik, lot, dll
(4) Metode operasi: pengaturan, metode, keadaan, dll
Langkah berikutnya : Buat diagram Tulang ikan, untuk
mengidentifikasi penyebab potensial secar lebih detail 20
DIAGRAM PARETO
~ Petunjuk hierarki kepentingan persoalan cacat produk
~ Mekanisme
1. Buat klasifikasi cacat
2. Tentukan absis dan ordinat
3. Buat diagram → % jumlah cacat
Kumulatif % cacat
a b c d e
~ Manfaat
• membuat orang mau bekerja sama
• dampak perbaikan besar
• identifikasi tujuan terpilih
22
TERIMA KASIH
23
METODE STATISTIKA PENGENDALIAN PROSES
(DIAGRAM TULANG IKAN – SEBAB AKIBAT)
Oleh
Solimun


2022
1
DIAGRAM TULANG IKAN / ISHIKAWA / SEBAB-AKIBAT /
CAUSES EFFECT (C.E.) DIAGRAM
Untuk menelusuri penyebab potensial performa proses

produksi yang tidak sesuai standart/spesifikasi
Suatu produk yang cacat (tidak memenuhi spesifikasi) hasil dari suatu
proses produksi dapat disebabkan olah banyak faktor. Diantara
banyak faktor tersebut dapat ditemukan hubungan sebab-akibat, dan
kemudian dapat diidentifikasi strukturnya. Sangat sulit
memecahkan masalah yang kompleks tanpa mengetahui dan
memperhatikan strukturnya, yang merupakan rantai sebab akibat.
Diagram sebab akibat adalah metode untuk menyatakan hal ini secara
sederhana dan mudah.
2
3
Diagram Tulang Ikan
Diagram sebab akibat adalah sebuah diagram yang

menunjukkan karakteristik kualitas dg faktor-faktor yang
berkaitan. Pendekatan ini pertama kali dikemukakan olah
Profesor Kaoru Ishikawa pada tahun 1953, yang merupakan
ringkasan dari pendapat para ahli di sebuah pabrik.
Setelah diagram ini dapat diterapkan secara praktek, maka terbukti
sangat berguna dan segera diterapkan secara luas pada
perusahaan-perusahaan seluruh Jepang, dan dimasukkan ke
dalam JIS (Japanse Industrial Standart) mengenai terminologi
pengendalian mutu.
4
Bagaimana Membuat Diagram Sebab Akibat ?
Struktur Diagram Sebab Akibat.

Mirip dengan TULANG IKAN, sehingga diagram ini ada yang
menamakan DIAGRAM TULANG IKAN. Juga kadang-kadang ada
yang menyebut diagram Ishikawa (sesuai dengan penemunya),
diagram pohon atau diagram sungai, tetapi dalam kajian ini akan
digunakan nama diagram tulang ikan.
5
CONTOH
“Sangat sulit mengontrol kualitas pada saat proses berlangsung
karena banyak sekali faktor yang mempengaruhi kualitas dan faktor-
faktor tersebut saling terkait ”
IDE
Cari hubungan antar faktor dengan cara mencari hubungan
sebab akibatnya dengan tanda panah sbb :
Moisture content (m)
Steam pressure (P)
Reaction Liquid
temperature (t)
Aroma Kurang
Enak
1. Yield (Aroma) dipengaruhi oleh moisture content ‘m’.

2. The moisture content ‘m’ dipengaruhi oleh reaction liquid
temperature (t).
3. The liquid temperature ‘t’ dipengaruhi oleh steam pressure ‘p’.
CARA & TAHAPAN MEMBUAT DIAGRAM SEBAB
AKIBAT (CE DIAGRAM)
Step 1. Tentukan karakteristik

Yield (y) = Aroma Kurang
Step 2. Tuliskan pada sebelah kanan. Gambarkan panah dari arah kiri ke arah
kanan.
Yield (y)
Step 3. Buatlah daftar semua faktor yang mempengaruhi karakteristik tersebut

(di lembar kertas lain)
(➔Brain Storming) • Temp. of solution
• Crystalization hours
• Moisture content
Step 4. Temukan hubungan sebab akibat antar faktor (relation of perents-

children).
Misal: Yield (Aroma) dipengaruhi oleh moisture content
Step 5. Tulis faktor utama yang menyebabkan terjadinya karakteristik
tersebut. Biasanya per tahapan proses.
Raw material Raw material Raw material Raw material
Yield (y)
Catalyzer Transportation Moisture content
Step 6. Pada setiap cabang tulis secara rinci faktor yang mempengaruhi
terjadinya karakteristik tersebut.
Raw material Raw material Raw material Raw material
Yield (y)
Temp.
Steam Pressure
Catalyzer Transportation Moisture content

Step 7. Lanjutkan langkah 6 sampai semua sebab terjadinya
karakteristik tersebut tergambar pada diagram
Step 8. Lihat kembali dan tambahkan bila perlu faktor lain yang
belum ada padadiagram
Penjelasan tentang cara
Cara ini kadang-kadang sulit diterapkan. Metode yang lebih mudah
adalah dengan cara memperhatikan variasi.
10
Variasi yang mucul dalam produk (merupakan akibat) hampir dapat
dipastikan disebabkan oleh variasi dalam faktor (proses produksi).
Jadi bilamana terdapat variasi dalam karakteristik mutu, kita dapat
berfikir mengenai tulang besar, yaitu mengapa variasi itu muncul,
mungkin disebabkan oleh faktor: orang (man), oleh mesin, oleh
bahan baku (material), oleh metode, atau oleh lingkungan (adanya
pergantian hari, pergantian shif, dll).
Bila diagram sebab akibat dibuat sehubungan dengan adanya rusak
tertentu (terdapat kotor misalnya), kita dapat berfikir, kenapa rusak
terjadi lebih sering:
1. Pada akhir setiap shif ?
2. Terutama pada shif malam ?
Hal ini akan mengarahkan kita untuk mencari faktor yang membuat akhir
shif dan shif malam berbeda dengan lainnya, dan akhirnya akan
mengarahkan pembahasan yang lebih cermat pada hal tersebut.
Dengan demikian akan mengarahkan kita untuk dapat segera
menemukan sebab rusak.
11
Aplikasi metode tersebut dilakukan dengan cara mencermati
hubungan antara karakteristik mutu dengan tulang besar,
tulang besar dengan tulang sedang, dan tulang sedangn
dengan tulang kecil. Dengan demikian diagram tulang ikan akan
dapat tersusun dengan baik dan didasarkan pada logika.
Setelah diagram sebab akibat selesai dibuat, langkah berikutnya
adalah menentukan bobot kepentingan setiap faktor. Tidak
semua faktor penyebab selalu berkaitan langsung dengan
karakteristik mutu. Berikan tanda bagi faktor-faktor yang
dengan jelas berpengaruh pada karakteristik mutu.
Pada tahap akhir, masukkan informasi yang diperlukan dalam
diagram, seperti judul, nama produk, proses atau group,
tanggal, dan sebagainya.
12
C.E. DIAGRAM
~ MANFAAT
▪ Mengarahkan diskusi faktor sebab dominan
▪ Petunjuk pengumpulan dan pencatatan data
▪ Menunjukkan kemampuan pekerja
Menggambarkan hubungan sebab-akibat
~ BEBEFIT / GUNA
• Menganalisis kondisi aktual
➢ Perbaikan mutu
➢ Efisiensi sumber daya
➢  biaya
• Mengurangi / eliminasi kondisi cacat / keluhan konsumen

• Standarisasi
Statistika Pengawasan Mutu dan Pengambilan Keputusan
dalam Penyelesaian Masalah
1. Pengambilan keputusan pada hakekatnya adalah

penyelesaian suatu masalah.
2. Masalah adalah ketidaksesuaian antara harapan dengan
kenyataan, misalnya tidak sesuai dengan yang
dispesifikasikan.
3. Langkah-langkah pengambilan keputusan (menurut
Helbert A. Simon) meliputi : pemahaman masalah
(penemuan masalah), analisis masalah (design) untuk
menyediakan alternatif-alternatif pemecahannya, dan
ketiga adalah pemilihan alternatif yang tepat (choise).
14
Statistika Pengawasan Mutu dan Pengambilan Keputusan
dalam Penyelesaian Masalah
4. Pemahaman masalah atau penemuan masalah dapat

dilakukan menggunakan Grafik Pengendali.
5. Analisis masalah dapat dilakukan menggunakan Analisis
Pareto : diagram Pareto berdasarkan gejala.
6. Pemilihan alternatif pemecahan masalah dapat
menggunakan alat bantu Analisis Pareto : diagram Pareto
berdasarkan penyebab. Dilanjutkan dengan diagram
tulang ikan.
Statistika Pengawasan Mutu bermanfaat untuk

menghasilkan informasi, yang dapat digunakan
sebagai landasan untuk pengambilan keputusan
terhadap penyelesaian masalah
15
TERIMA KASIH
16
PEMODELAN KUALITAS PROSES
BAGAN KENDALI ATRIBUT
Oleh
Solimun


2022
1
Bagan Kendali Shewhart
ISTILAH:
1. Bagan Kendali
2. Grafik Kendali
3. Peta Kendali
4. dll
P Chart for BOTOL INFUS PERBAIKAN
0.028
3.0SL=0.02735
Proportion
0.023
P=0.02252
0.018
-3.0SL=0.01769
1 2 3 4 5 6 7
Sample Number
2
PENGERTIAN DASAR
3
PENGERTIAN DASAR
4
PENDEKATAN DALAM DISTRIBUSI PROBABILITAS
5
KONSEP BAGAN KENDALI
µ ± 3σ ≥ 99,97 %
6
AKURASI & PRESISI
7
PETA KENDALI
µ ± 3σ ≥ 99,97 %
8
CONTOH PETA KENDALI
P Chart for BOTOL INFUS

0.035
1
1
1 1
3.0SL=0.02852
Proportion
0.025
P=0.02358
-3.0SL=0.01864
1 1
0.015
1
0 5 10 15
Sample Number
9
PEMILIHAN PETA KENDALI
10
11
PETA KENDALI ATRIBUT
• Banyak karakteristik kualitas tidak dapat direpresentasikan

secara numerik (pengukuran), tetapi dalam bentuk kualitas
(misal rasa, aroma, kenampakan)
• Produk diklasifikasikan sebagai produk sesuai
standar/spesifikasi atau tidak sesuai
• Tiga macam bagan kendali atribut yang paling sering

digunakan:
1. Bagan kendali p: bagan kendali untuk fraksi
ketidaksesuaian
2. Bagan kendali c: bagan kendali untuk jumlah
ketidaksesuaian
3. Bagan kendali u: bagan kendali untuk jumlah
ketidaksesuaian per unit
Darmanto|MK. Statistika Pengendalian Mutu – Bagan Kendali Atribut 2
BAGAN KENDALI P
(FRACTION NONCONFORMING CONTROL CHART)
• Bagian Ketidaksesuaian (The fraction nonconforming) adalah rasio

jumlah produk yang tidak sesuai standar dengan jumlah seluruh
produk yang diobservasi.
• Karakteristik kualitas diinspeksi secara simultan. Jika satu produk

mempunyai 1 atau lebih karakteristik kualitas yang tidak standar,
maka produk dinyatakan tidak sesuai (nonconforming).
• Dikarenakan produk diklasifikasikan menjadi “sesuai” atau “tidak

sesuai”, maka data mengikuti distribusi Binomial:
n
P D = x =   p x (1− p ) x = 0,1,
n−x
,n …(1)
x
• p adalah peluang produk tidak sesuai, D adalah banyaknya produk

tidak sesuai.

BAGAN KENDALI P
• Bagian ketidaksesuaian sampel adalah rasio

banyaknya unit yang tidak sesuai (D) dengan
banyaknya sampel yang diinspeksi (n):
D
p=
ˆ …(2)
n
• dengan
p̂ = p …(3)
p (1− p)
 =
2
pˆ
…(4)
n

BAGAN KENDALI P
• Bagan Kendali p jika Standar Diketahui:
p (1− p)
UCL = p + 3
n
Center line = p …(5)
p (1− p)
LCL = p − 3
n
• Untuk LCL < 0 → LCL = 0

BAGAN KENDALI P
• Bagan Kendali p jika Standar Tidak Diketahui:

m m
 D  pˆ
i i
pˆ = i
D
i = 1, 2, ,m → p = i=1
= i=1 …(6)
n mn m
p (1− p )
UCL = p + 3
n
Center line = p …(7)
p (1− p )
LCL = p − 3
n

BAGAN KENDALI P
Tabel 1. Data Trial Control Limits Kotak Jus Jeruk, n = 50

sampel Di 𝑝Ƹ𝑖 sampel Di 𝑝Ƹ𝑖
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
347 0.23

BAGAN KENDALI P
30
30 D i
347
 D = 347 → p =
i
i=1
mn
=
30 (50)
= 0.2313
i=1
sehingga,
p (1− p ) 0.2313(0.7687)
UCL = p + 3 = 0.2313 + 3 = 0.4102
n 50
Center line = p = 0.2313
p (1− p ) 0.2313(0.7687)
LCL = p − 3 = 0.2313 − 3 = 0.0524
n 50

BAGAN KENDALI P
Cacat Cacat
0.5 1
Trial UCL=0.4102
0.4
0.3
Proportio
_
P=0.2313
0.2
n
0.1
Trial LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Gambar 1. Bagan Kendali trial Fase I Kotak Jus Jeruk

BAGAN KENDALI P
• Data ke-15 dan ke-23 dieliminasi dari set data:

28
28 D i
301
 D = 301 → p=
i
i=1
mn
=
28 (50 )
= 0.2150
i=1
sehingga,
p (1− p ) 0.2150 (0.7850)
UCL = p + 3 = 0.2150 + 3 =0.3893
n 50
Center line = p = 0.2150
p (1− p ) 0.2150 (0.7850)
LCL = p − 3 = 0.2150 − 3 =0.0407
n 50

BAGAN KENDALI P
0.5 1
Efek operator baru
1
Bahan baku baru
1
0.4
rev UCL=0.3893
0.3
Proportion
_ Batas yang
P=0.215 digunakan
0.2
0.1
rev LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Gambar 2. Bagan Kendali revisi (eliminasi titik 15 dan 23)

Fase I Kotak Jus Jeruk

BAGAN KENDALI P
Tabel 2. Data Produksi Pasca Penyesuaian Mesin Kotak Jus Jeruk, n = 50

31 9 0.18 43 3 0.06
32 6 0.12 44 6 0.12
33 12 0.24 45 5 0.1
34 5 0.1 46 4 0.08
35 6 0.12 47 8 0.16
36 4 0.08 48 5 0.1
37 6 0.12 49 6 0.12
38 3 0.06 50 7 0.14
39 7 0.14 51 5 0.1
40 6 0.12 52 6 0.12
41 2 0.04 53 3 0.06
42 4 0.08 54 5 0.1

BAGAN KENDALI P
Gambar 3. Bagan Kendali revisi dengan Data Produksi Baru

Pasca Penyesuaian Mesin

BAGAN KENDALI P
• Apakah ada proporsi tidak sesuai pra penyesuaian mesin lebih tinggi
daripada proporsi pasca penyesuaian mesin?
p1 = proporsi pra penyesuaian mesin Hipotesis:

p2 = proporsi pasca penyesuaian mesin H 0 : p1  p2 versus
−−−−−−−− H1 : p1  p2
E ( p1 ) = pˆ1= p = 0.2150;
Statistik Uji:
pˆ1− pˆ2
54
Z0 =
D
;
E ( p2 ) = pˆ2 = = 133
i 1 1
pˆ(1− pˆ) + 
i=31
= 0.1108
24 (50) 1,200  n1 n2 
n pˆ+ n pˆ
pˆ= 1 1 2 2
n1 + n2

BAGAN KENDALI P
n1 pˆ1 + n2 pˆ2 (1,400)(0.2150) + (1,200)(0.1108)

p̂ = = = 0.1669
n1 + n2 1,400 +1, 200
pˆ1− pˆ2 0.2150 − 0.1180
Z0 = = = 7.10
1 1   1 1 
pˆ(1− pˆ)  +  0.1669 (0.8331)  + 
n
 1 n2   1,400 1, 200 
Z0 = 7.10  Z0.05 =1.645
Keputusan: Tolak H0 .
Kesimpulan: Pada taraf nyata 5% dinyatakan bahwa proporsi
pra penyesuaian mesin lebih besar dari proporsi pasca
penyesuaian mesin.

BAGAN KENDALI P
Gambar 3. Perbandingan Bagan Kendali Pra dengan Pasca

Penyesuaian Mesin

Tabel 3. Data Produksi ke-2 Pasca Penyesuaian Mesin Kotak Jus Jeruk, n = 50
55 8 0.16 75 5 0.10
56 7 0.14 76 8 0.16
57 5 0.10 77 11 0.22
58 6 0.12 78 9 0.18
59 4 0.08 79 7 0.14
60 5 0.10 80 3 0.06
61 2 0.04 81 5 0.10
62 3 0.06 82 2 0.04
63 4 0.08 83 1 0.02
64 7 0.14 84 4 0.08
65 6 0.12 85 5 0.10
66 5 0.10 86 3 0.06
67 5 0.10 87 7 0.14
68 3 0.06 88 6 0.12
69 7 0.14 89 4 0.08
70 9 0.18 90 4 0.08
71 6 0.12 91 6 0.12
72 10 0.20 92 8 0.16
73 4 0.08 93 5 0.10
74 3 0.06 94 6 0.12
18
BAGAN KENDALI C
(JUMLAH KETIDAKSESUAIAN / NONCONFORMITIES CONTROL CHART)
• Produk tidak sesuai (nonconforming) adalah produk yang satu atau lebih
karakteristik kualitasnya tidak memenuhi standar. Oleh karena itu, produk
tidak sesuai mengandung minimal 1 ketidaksesuaian spesifikasi.
• Hal ini memungkinkan produk tidak diklasifikasikan ke dalam "sesuai" atau

"tidak sesuai", namun produk dihitung jumlah ketidaksesuaiannya
terhadap spesifikasi.
• Dikembangkan bagan kendali yang mengakomodir diagnosa jumlah

ketidaksesuaian (total number of nonconformities) atau rata-rata banyak
ketidaksesuaian (average number of nonconformities) dari suatu produk.
• Data banyaknya ketidaksesuaian mengikuti distribusi Poisson.
e −c c x
p (x) = x = 0,1,2,...
x!

BAGAN KENDALI C
• Bagan Kendali c Standar Diketahui:

UCL = c + 3 c
Center line = c …(10)
LCL = c − 3 c
• Bagan Kendali c Standar Tidak Diketahui:

UCL = c + 3 c
Center line = c …(11)
LCL = c − 3 c

BAGAN KENDALI C
Tabel 6. Banyak Cacat Pada 100 Sirkuit Papan Print

sampel ci sampel ci
1 21 14 19
2 24 15 10
3 16 16 17
4 12 17 13
5 15 18 22
6 5 19 18
7 28 20 39
516
8 20 21 = 30= 19.85 c
9 31 22 2624
10 25 23 CL =16c +3 U c = 19.85 + 3 19.85 = 33.22
11 20 24 line = c = 19.85
Center19
12 24 25 17
13 16 26 CL = c − 3 cL= 19.85 − 3 19.85 = 6.48
15

BAGAN KENDALI C
Pengendalian suhu
40 1
UCL=33.21
30
_
20 C=19.85
Sample
Count
10
LCL=6.48
1
0
Kesalahan inspeksi
1 4 7 10 13 16 19 22 25
Sample
Gambar 8. Bagan Kendali c trial untuk Papan Sirkuit Print

BAGAN KENDALI C
40 1
rev UCL=32.97
30
Sample Count
_
20 C=19.67
10
rev LCL=6.36
1
0
1 4 7 10 13 16 19 22 25
Sample
Gambar 9. Bagan Kendali c revisi (tanpa titik 6 dan 20)
untuk Papan Sirkuit Print

BAGAN KENDALI C
Gambar 10. Bagan Kendali c revisi (tanpa titik 6 dan 20)

untuk Papan Sirkuit Print dan Tambahan Data Produksi

BAGAN KENDALI C
• Aktifitas lanjutan dari bagan kendali c:
Gambar 11. Bagan Pareto untuk Identifikasi Ketidaksesuaian pada

Papan Sirkuit Print

BAGAN KENDALI C
Gambar 12. Diagram Ishikawa Diagnosa Sebab-Akibat Ketidaksesuaian Pada

Papan Sirkuit Print

BAGAN KENDALI U
(RATA-RATA KETIDAKSESUAIAN PER UNIT / NONCONFORMITIES PER UNIT CONTROL CHART)
• Bagan kendali c digunakan untuk inspeksi tepat 1

unit.
• Prakteknya, memungkinkan melakukan inspeksi

lebih dari 1 unit.
• Misal: pada contoh sebelumnya 1 unit papan

sirkuit = 100 buah. Jika ditentukan subgrup
unitnya k = 2.5, maka ukuran sampel adalah n =
(2.5)(100) = 250 papan.

BAGAN KENDALI U
• Ada 2 pendekatan untuk merevisi bagan kendali c
jika ada perubahan ukuran sampel karena unit
yang diinspeksi berbeda:
1. Mengalikan rata-rata banyaknya
ketidaksesuaian dengan jumlah unit yang
diinspeksi
UCL = nc + 3 nc = (2.5)(19.67) + 3 (2.5)(19.67) = 70.22
Center line = nc = (2.5)(19.67) = 49.18
LCL = nc − 3 nc = (2.5)(19.67) − 3 (2.5)(19.67) = 28.14

BAGAN KENDALI U
2. Membuat bagan kendali baru berdasarkan rata-rata banyaknya
ketidaksesuaian per unit yang diinspeksi. Jika ditemukan sejumlah
x ketidaksesuaian dalam sampel yang terdiri atas n unit yang
diinspeksi, maka rata-rata banyaknya ketidaksesuaian per unit
inspeksi adalah
x
u= ; X Poisson(c) …(12)
n
• Bagan kendali rata-rata banyaknya ketidaksesuaian per unit
adalah
u
UCL = u +3
n
Center line = u …(13)
u
LCL = u −3
n

BAGAN KENDALI U
• Misal: Tim pengawas suplai bahan baku

memonitor kiriman bahan baku dari
perusahaan rekanan yang pencatatannya
dilakukan per minggu. Setiap minggu diambil
secara acak 50 kiriman untuk diuji dan dicatat
ketidaksesuaiannya. Data untuk 20 minggu
dapat dilihat pada tabel:

BAGAN KENDALI U
Tabel 7. Banyak Cacat Pada 50 Kiriman Selama 20 Minggu

sampel xi ui sampel xi ui
1 2 0.04 11 8 0.16
2 3 0.06 12 2 0.04
3 8 0.16 13 4 0.08
4 1 0.02 14 3 0.06
5 1 0.02 15 4 0.08
6 4 0.08 16 1 0.02
7 1 0.02 17 8 0.16
8 4 0.08 18 3 0.06
9 5 0.10 19 7 0.14
10 1 0.02 20 4 0.08
rata-rata 0.074

BAGAN KENDALI U
20
u i
1.48
u= i=1
= = 0.0740
20 20
u
UCL = u + 3 = 0.0740 + 3 0.0740 =0.1894
n 50
Center line = u = 0.0740
u
LCL = u − 3 = 0.0740 − 3 0.0740 = −0.0414 0
n 50

BAGAN KENDALI U
0.20
UCL=0.1894
0.15
Sample Count Per Unit
0.10
_
U=0.074
0.05
0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Gambar 13. Bagan Kendali u Data Ketidaksesuaian Bahan Baku per Minggu

• Ukuran Subgrup Berbeda:
• Misal: Pada perusahaan tekstil, diinspeksi
banyaknya ketidaksesuaian kain celup per 50 m2.
Data 10 roll kain ditunjukkan pada tabel:
Tabel 7. Banyak Cacat Pada 10 Roll Kain Celup
banyak
total banyak unit ketidakseuaian
roll ke- total m2 kain ketidaksesuaian dalam roll, n per unit inspeksi
1 500.00 14.00 10.00 1.40
2 400.00 12.00 8.00 1.50
3 650.00 20.00 13.00 1.54
4 500.00 11.00 10.00 1.10
5 475.00 7.00 9.50 0.74
6 500.00 10.00 10.00 1.00
7 600.00 21.00 12.00 1.75
8 525.00 16.00 10.50 1.52
9 600.00 19.00 12.00 1.58
10 625.00 23.00 12.50 1.84
153.00 107.50
44
BAGAN KENDALI U
3.0
2.5
UCL=2.436
Sample Count Per Unit
2.0
1.5 _
U=1.423
1.0
0.5
LCL=0.411
0.0
1 2 3 4 5 6 7 8 9 10
Sample
Tests performed with unequal sample sizes
Gambar 13. Bagan Kendali u Data Ketidaksesuaian Kain Celup per 50 m2

REFERENSI
• Montgomery, D. C. 2009. Introduction to
Statistical Quality Control. John Wiley & Sons,
New York.

BAGAN KENDALI VARIABEL
Oleh
Solimun


2022
1
2
3
BAGAN KENDALI VARIABEL
• Bagan kendali variabel digunakan untuk
memonitor rata-rata dan variabilitas proses
produksi di mana karakteristik kualitas
dinyatakan dalam data variabel.
• Jenis bagan kendali variabel:

ഥ.
1. Memonitor rata-rata: bagan kendali 𝒙
2. Memonitor variabilitas: bagan kendali 𝑹 dan 𝒔.
Darmanto|MK. Statistika Pengendalian Mutu – Bagan Kendali Variabel 4

PERGESERAN VARIABILITAS
PERGESERAN RATA-RATA

ഥ dan 𝑹
BAGAN KENDALI 𝒙
• Misal: Karakteristik kualitas 𝑋~𝑁 𝜇, 𝜎 2 dan kedua
parameter diketahui. Jika 𝑥1 , 𝑥2 , … , 𝑥𝑛 sampel
berukuran n, maka
𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛
𝑥ҧ =
𝑛
2
• dan 𝑥~𝑁
ҧ 𝜇, Τ𝑛 . Peluang suatu 𝑥ҧ jatuh di dalam
𝜎
suatu selang:
𝜎
𝑃 𝜇 ± 𝑍𝛼ൗ = 1 − 𝛼.
2 𝑛
• Praktik: parameter tidak diketahui → estimasi dari

sampel

ഥ dan 𝑹 - Lanjutan
BAGAN KENDALI 𝒙
• Misal: Diambil 25 sampel (m) dan masing-
masing sampel terdiri atas 4, 5, atau 6
observasi (n) yang diukur. n merupakan
subgrup rasional. Kemudian diperoleh
𝑥1ҧ , 𝑥ҧ2 , … , 𝑥ҧ𝑚 yang merupakan rata-rata tiap
sampel dan didapatkan rata-rata seluruh
sampel:
𝑥1ҧ + 𝑥ҧ2 + ⋯ + 𝑥ҧ𝑚
𝑥ҧ =
Garis tengah (center line) 𝑚

BAGAN KENDALI 𝒙
• 𝜎 diestimasi dengan R (lihat efisiensi relatif R
terhadap 𝜎):
𝑅 = 𝑥𝑚𝑎𝑘𝑠 − 𝑥𝑚𝑖𝑛
• Jika 𝑅1 , 𝑅2 , … , 𝑅𝑚 merupakan jarak m sampel,
maka
𝑅1 + 𝑅2 + ⋯ + 𝑅𝑚
𝑅ത =
𝑚

BAGAN KENDALI 𝒙
• Batas kendali 𝑥ҧ dan 𝑅:

Bagan kendali ഥ
𝒙: Bagan kendali 𝑹:
UCL = x + A2 R UCL = D4 R
Center line = x Center line = R
LCL = x − A2 R LCL = D3 R

BAGAN KENDALI 𝒙
𝑅
• Misal: 𝑊 = .
Parameter-parameter dari W
𝜎
adalah fungsi dari ukuran sampel n. 𝐸 𝑊 =
𝑅 𝑅ത
𝑑2 dan 𝜎ො = → 𝜎ො = , sehingga
𝑑2 𝑑2
3
UCL = x + R
d2 n
Center line = x
UCL = x + A2 R
3 3
LCL = x − R; jika A2 = , Center line = x
d2 n d2 n
LCL = x − A2 R

BAGAN KENDALI 𝒙
• Diketahui 𝑅 = 𝑊𝜎 dan standar deviasi R adalah
𝑑3 yang merupakan fungsi dari n, sehingga 𝜎𝑅 =
𝑑3 𝜎 . Dikarenakan 𝜎 tidak diketahui, maka
𝑅ത
diestimasi 𝜎𝑅 = 𝑑3 𝑑 dan
2
R R R
UCL = R + 3ˆ R = R + 3d3 D4 = 1 + 3d3 ; D3 = 1 − 3d3
d2 d2 d2
Center line = R
UCL = D4 R
R
LCL = R − 3ˆ R = R − 3d3 Center line = R
d2
LCL = D3 R

ഥ−𝑹
TERAPAN BAGAN KENDALI 𝒙
• Dua fase:
1. FASE I
2. FASE II
FASE I:
1. Mengambil data awal (premilinary): m = banyak sampel (umumnya: 20-25), n =
banyak subgrup (umumnya: 3-5).
2. Berdasar data awal dihitung nilai target (CL) dan batas kendali (LCL-UCL) dan
dijadikan sebagai batas kendali percobaan (trial control limits)
3. Plotkan data awal pada bagan kendali percobaan. Jika semua titik yang diplotkan
berada pada batas kendali dan tidak ada pola sistematik, maka batas kendali
percobaan dapat dijadikan sebagai acuan untuk proses produksi selanjutnya.
4. Namun, jika terdapat titik yang keluar batas kendali atau berpola, maka titik
tersebut dievaluasi dan dikaji sebab assignable. Eliminasi dan lakukan revisi
terhadap batas Kendali percobaan.
5. Dengan data baru (eliminasi titik out of control) ulangi langkah 2-5 sedemikian
rupa sehingga diperoleh batas kendali yang semua titik berada di dalamnya dan
tidak terdapat indikasi berpola.
6. Lakukan revisi bagan kendali secara periodik

13
ഥ−𝑹
Xbar-R Chart of x1, ..., x5
1.7 U C L=1.6932
1.6
Sample M ean
_
_
1.5 X=1.5056
1.4
LC L=1.3180
1.3
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
U C L=0.6876
0.60
Sample Range
0.45
_
0.30 R=0.3252
0.15
0.00 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

ഥ−𝑹
• FASE II:
1. Ambil 20-25 sampel tambahan
2. Plotkan pada bagan kendali yang dihasilkan dari
Fase I.
3. Lakukan evaluasi

16
ഥ−𝑹
Xbar-R Chart of x1, ..., x5
1
1
1.7 U C L=1.6932
Sample M ean
1.6
_
_
1.5 X=1.5056
1.4
1.3 LC L=1.3180
1 5 9 13 17 21 25 29 33 37 41 45
Sample
U C L=0.6876
0.60
Sample Range
0.45
_
0.30 R=0.3252
0.15
0.00 LC L=0
1 5 9 13 17 21 25 29 33 37 41 45
Sample

Xbar-R Chart of x1, ..., x5 by fase
1 2
1
U C L=1.7383
1.7 U C L=1.6932
Sample M ean
_
_
1.6 X=1.5646
_
_
X=1.5056
1.5
1.4
LC L=1.3910
1.3 LC L=1.3180
1 5 9 13 17 21 25 29 33 37 41 45
Sample
1 2
U C L=0.6876
U C L=0.6365
0.60
Sample Range
0.45
_ _
R=0.3252 R=0.3010
0.30
0.15
0.00
LC L=0 LC L=0
1 5 9 13 17 21 25 29 33 37 41 45
Sample
18
Xbar-R Chart of x1, ..., x5 by shift
0 1
U C L=1.8557
1.8 _
_
X=1.6633
Sample M ean
U C L=1.6824
1.6 _
_
X=1.5034
LC L=1.4709
1.4
LC L=1.3244
1 5 9 13 17 21 25 29 33 37 41 45
Sample
0 1
0.8
1 U C L=0.7054
U C L=0.6562
0.6
Sample Range
_ _
0.4 R=0.3336
R=0.3103
0.2
0.0
LC L=0 LC L=0
1 5 9 13 17 21 25 29 33 37 41 45
Sample
19
ABNORMALITAS PADA POLA PETA KENDALI
20
21
22
23
24
RESUME PETA KENDALI VARIABEL
25
TERIMA KASIH
26
PENGANTAR
BAGAN KENDALI CUSUM - EWMA
Oleh
Solimun


2022
1
PENDAHULUAN
• Bagan Kendali Shewhart:
– Digunakan pada Fase I untuk menjamin proses
terkendali (in-control).
– Kurang digunakan pada Fase II (Umumnya proses pada
Fase II telah terkendali).
– Mendiagnosa pola data pada Fase I.
– Kurang sensitif dalam mendeteksi pergeseran kecil
(shift< 1,5𝜎).
– Salah satu strategi agar dapat mendeteksi pergeseran
kecil (small shift) adalah dengan menggunakan
warning limits, namun demikian akan mengurangi
nilai ARL0 meski proses in-control.
Darmanto|MK. Statistika Pengendalian Mutu – Bagan KendaliEWMA-CUSUM 2

PENDAHULUAN - Lanjutan
• Bagan Kendali Cumulative Sum (CUSUM) dan
Exponentially Weighted Moving Average
(EWMA):
– Digunakan pada Fase II
– Sensitif dalam mendeteksi small-shift.
– Seringkali disebut sebagai Bagan Kendali Time-
Weighted.

BAGAN KENDALI CUMULATIVE SUM
(CUSUM)
4
PRINSIP DASAR CUSUM
• Perhatikan data berikut: Tabel 1. Data 1
𝑪𝒊 = 𝒙𝒊 − 𝟏𝟎 𝑪𝒊 = 𝒙𝒊 − 𝟏𝟎
Sampel 𝒙𝒊 𝒙𝒊 − 𝟏𝟎 Sample, 𝒙𝒊 𝒙𝒊 − 𝟏𝟎
+ 𝑪𝒊 − 𝟏 + 𝑪𝒊 − 𝟏
1 9.45 -0.55 -0.55 16 9.37 -0.63 -0.37
2 7.99 -2.01 -2.56 17 10.62 0.62 0.25
3 9.29 -0.71 -3.27 18 10.31 0.31 0.56
4 11.66 1.66 -1.61 19 8.52 -1.48 -0.92
5 12.16 2.16 0.55 20 10.84 0.84 -0.08
6 10.18 0.18 0.73 21 10.9 0.9 0.82
7 8.04 -1.96 -1.23 22 9.33 -0.67 0.15
8 11.46 1.46 0.23 23 12.29 2.29 2.44
9 9.2 -0.8 -0.57 24 11.5 1.5 3.94
10 10.34 0.34 -0.23 25 10.6 0.6 4.54
11 9.03 -0.97 -1.2 26 11.08 1.08 5.62
12 11.47 1.47 0.27 27 10.38 0.38 6
13 10.51 0.51 0.78 28 11.62 1.62 7.62
14 9.4 -0.6 0.18 29 11.31 1.31 8.93
15 10.08 0.08 0.26 30 10.52 0.52 9.45

PRINSIP DASAR CUSUM - Lanjutan
• Perhatikan data berikut:
𝑪𝒊 = 𝒙𝒊 − 𝟏𝟎 𝑪𝒊 = 𝒙𝒊 − 𝟏𝟎
Sampel 𝒙𝒊 𝒙𝒊 − 𝟏𝟎 Sample, 𝒙𝒊 𝒙𝒊 − 𝟏𝟎
+ 𝑪𝒊−𝟏 + 𝑪𝒊−𝟏
1 9.45 -0.55 -0.55 16 9.37 -0.63 -0.37
2 7.99 -2.01 -2.56 17 10.62 0.62 0.25
3 9.29 -0.71 -3.27 18 10.31 0.31 0.56
4 11.66 1.66 -1.61 19 8.52 -1.48 -0.92
5 12.16 2.16 0.55 20 10.84 0.84 -0.08
6 10.18 0.18 0.73 21 10.9 0.9 0.82
7 8.04 𝑋~ 𝑁(10,1)
-1.96 -1.23 22 9.33 -0.67 0.15
8 11.46 1.46 0.23 23 12.29 2.29 2.44
9 9.2 -0.8 -0.57 24 11.5 1.5 3.94
10 10.34 0.34 -0.23 25 10.6 𝑋~𝑁(11,1) 4.54
0.6
11 9.03 -0.97 -1.2 26 11.08 1.08 5.62
12 11.47 1.47 0.27 27 10.38 0.38 6
13 10.51 0.51 0.78 28 11.62 1.62 7.62
14 9.4 -0.6 0.18 29 11.31 1.31 8.93
15 10.08 0.08 0.26 30 10.52 0.52 9.45

UCL=13
13 +3SL=13
12 +2SL=12
11 +1SL=11
Individual Value
_
10 CL=10
9 -1SL=9
8 -2SL=8
LCL=7
7 -3SL=7
1 4 7 10 13 16 19 22 25 28
Observation
Gambar 1. Bagan Kendali Individual Shewhart

UCL=13
𝑋~𝑁(11,1)
13 +3SL=13
12 +2SL=12
11 +1SL=11
Individual Value
_
10 CL=10
9 -1SL=9
8 𝑋~𝑁(10,1) -2SL=8
• Tidak ada yang out of control.
• Pola berada
LCL=7 di atas CL
7 -3SL=7
1 4 7 10 13 16 19 22 25 28
Observation

• Bagan kendali CUSUM pertama kali diusulkan oleh Page
(1954) dan dikaji oleh beberapa peneliti: Ewan (1963), Page
(1961), Gan (1991), Lucas (1976, 1982), Hawkins (1981,
1993a), and Woodall and Adams (1993).
• Asumsikan diambil m ≥ 1 dan 𝑥𝑗ҧ adalah rata-rata

sampel ke-
j, maka
𝐶𝑖 = ෍𝑖 𝑥𝑗ҧ − …(1)
𝜇0
𝑗=1
𝐶𝑖 adalah nilai cusum up to sampel ke-i.
𝜇0 adalah nilai target.

• Dengan 𝜇0 = 10, maka Rumusan (1) menjadi:

𝑖
𝐶𝑖 = ෍ 𝑥𝑗ҧ −
𝑗 =1
10
= 𝑥𝑖ҧ + ෍ 𝑖 −1 𝑥𝑗ҧ
𝑗=1
− 10 − 10
+ 𝐶𝑖−1
= 𝑥𝑖ҧ
− 10

𝑋~𝑁(10,1) 𝑋~𝑁(11,1)
Gambar 2. Plot nilai Ci

• Dua pendekatan membuat bagan kendali

CUSUM:
1. Tabular/Algoritmik
2. V-Mask

BAGAN KENDALI EXPONENTIALLY
WEIGTHED MOVING AVERAGE (EWMA)
32
BAGAN KENDALI EWMA
• Memberikan hasil yang relatif sama dengan bagan kendali
CUSUM.
• Lebih mudah terapannya dibandingkan dengan CUSUM.
• Disebut juga Bagan Kendali Geometric Moving Average
(GMA).
• Dikenalkan oleh Roberts (1959) dengan
𝑧𝑖 = 𝜆𝑥𝑖 + 1 − 𝜆 𝑧𝑖−1 …(12)
di mana 0 < 𝜆 ≤ 1 dan 𝑧0 = 𝜇0.
𝑧𝑖 = 𝜆𝑥𝑖 + 1 − 𝜆 𝜆𝑥𝑖−1 + 1 − 𝜆 𝑧𝑖−2

= 𝜆𝑥𝑖 + 𝜆 1 − 𝜆 𝑥𝑖−1 + 1 − 𝜆 2𝑧𝑖−2

BAGAN KENDALI EWMA - Lanjutan
Untuk 𝑧 𝑖−𝑗, 𝑗 = 2,3, … ,𝑡

𝑖−1
𝑧𝑖 = 𝜆 ෍ 1 − 𝜆 𝑗 𝑥 𝑖−𝑗 + 1 − 𝜆 𝑖𝑧0 …(13)
𝑗=0
Perhatikan bahwa:
𝑖−1
𝑗
1− 1−𝜆
𝜆෍ 1−𝜆 =𝜆
1− 1−𝜆
𝑗=0
= 1− 1−𝜆
BAGAN KENDALI EWMA- Lanjutan
• Jika 𝑋~𝑁 𝜇, 𝜎 2 , maka
𝜆 2
𝜎𝑧2𝑖 = 𝜎2 1− 1−𝜆 …(14)
2−𝜆
• Sehingga
𝜆 2
𝑈𝐶𝐿 = 𝜇0 + 𝐿𝜎 1− 1−𝜆 …(15)
2−𝜆
𝐶𝐿 = 𝜇0
𝜆 2
𝐿𝐶𝐿 = 𝜇0 − 𝐿𝜎 1− 1−𝜆 …(16)
2−𝜆

Tabel 7. EWMA Data Tabel 1. (L = 2.7, 𝜆 = 0.1)
sampel xi zi LCL UCL sampel xi zi LCL UCL

1 9.45 9.945 9.73 10.27 16 9.37 9.984256 9.391305 10.6087
2 7.99 9.7495 9.636752 10.36325 17 10.62 10.04783 9.389252 10.61075
3 9.29 9.70355 9.575997 10.424 18 10.31 10.07405 9.387595 10.61241
4 11.66 9.899195 9.532538 10.46746 19 8.52 9.918643 9.386255 10.61374
5 12.16 10.12528 9.500098 10.4999 20 10.84 10.01078 9.385172 10.61483
6 10.18 10.13075 9.47529 10.52471 21 10.9 10.0997 9.384297 10.6157
7 8.04 9.921673 9.456024 10.54398 22 9.33 10.02273 9.383588 10.61641
8 11.46 10.07551 9.440905 10.55909 23 12.29 10.24946 9.383015 10.61698
9 9.2 9.987955 9.428952 10.57105 24 11.5 10.37451 9.382551 10.61745
10 10.34 10.02316 9.419451 10.58055 25 10.6 10.39706 9.382176 10.61782
11 9.03 9.923844 9.411867 10.58813 26 11.08 10.46535 9.381872 10.61813
12 11.47 10.07846 9.405795 10.5942 27 10.38 10.45682 9.381626 10.61837
13 10.51 10.12161 9.400922 10.59908 28 11.62 10.57314 9.381426 10.61857
14 9.4 10.04945 9.397004 10.603 29 11.31 10.64682 9.381265 10.61873
15 10.08 10.05251 9.393849 10.60615 30 10.52 10.63414 9.381134 10.61887
36
10.75
UCL=10.619
10.50
10.25
_
EWM
10.00 X=10
A
9.75
9.50
LCL=9.381
1 4 7 10 13 16 19 22 25 28
Sample
Gambar 7. Bagan Kendali EWMA Data Tabel 1.

Tabel 8.

REFERENSI
New York.

PENGANTAR
BAGAN KENDALI MULTIVARIAT
Oleh
Solimun


2022
1
PENDAHULUAN
• Univariat: diasumsikan bahwa hanya ada satu
karakteristik kualitas yang dievaluasi.
• Praktek: Proses monitoring dan pengontrolan

umumnya melibatkan beberapa karakteristik
kualitas.
• Dapat dievaluasi per karakteristik kualitas
menggunakan bagan kendali univariat, tetapi
tidak efektif dan memungkinkan untuk terjadi
kesalahan dalam pengambilan kesimpulan.
Darmanto|MK. Statistika Pengendalian Mutu – Pengantar Bagan Kendali Multivariat 2

BAGAN MULTIVARIAT
• BAGAN KENDALI MULTIVARIAT: Mengakomodir secara
simultan evaluasi lebih dari satu karakteristik kualitas.
• Di antaranya: T2-Hotelling dan Multivariat EWMA.
• Keduanya efektif digunakan jika karakteristik kualitas

yang dievaluasi 2 ≤ 𝑋 ≤ 10.
• Bagaimana jika lebih dari 10? Kurangi dimensi

kualitasnya dengan memanfaatkan metode statistika
yang lain, misal: analisa komponen utama.

BAGAN MULTIVARIAT
• Ada banyak kondisi diperlukan untuk memonitor

beberapa karakteristik kualitas secara simultan.
Diameter dalam [𝑋1~𝑁(8,0.052)]
Diameter luar [𝑋2~𝑁(10,0.052)]
Gambar 1. Diameter Dalam dan Luar Bearing

BAGAN MULTIVARIAT
• Misal: masing-masing diambil 20 sampel dan

diplotkan pada bagan kendali Univariat:
8.15 UCL=8.15 10.15 UCL=10.15
8.10
Diameter Dalam 10.10
Diameter Luar
8.05 10.05
Individual Value
_ _
8.00 X=8
Individual
10.00 X=10
Value
7.95 9.95
7.90 9.90
7.85 LCL=7.85 9.85 LCL=9.85
1 3 5 7 9 11 13 15 17 19 1 3 5 7 9 11 13 15 17 19
Observation Observation
Gambar 2. Bagan Kendali I untuk Diameter Dalam dan Luar Bearing

8.15 8.15 UCL=8.15
8.10 8.10
8.05 8.05
_
8.00 8.00 X=8
x1
7.95 7.95
7.90 7.90
7.85 7.85 LCL=7.85
9.85 9.90 9.95 10.00 10.05 10.10 10.15 1 3 5 7 9 11 13 15 17 19

x2
0
10.0
5
10.0
0
10.1
5
10.1
5
9.8
0
9.9
5
9.9
1
LCL=9.85
X=10
Area gabungan X1 dan X2

3
(asumsi keduanya independen)

5
7
9
1
1
3
1
5
1
7
1
9
1
5
UCL=10.1
_
Gambar 3. Area Kendali Gabungan untuk Diameter Dalam dan Luar Bearin6g
BAGAN MULTIVARIAT
Peluang keluar batas kendali :

 1= =2 0.0027 ⎯⎯⎯ →.
1 = (0.0027 ) = 7.2910−6.
simultan 2
2
Peluang tidak keluar batas kendali :

(1− 1 )(1− 2 ) = (0.9973) 2
= 0.9973.
Mengalami Distorsi dibandingkan dengan Evaluasi Univariat
Jika independen
 = 1− (1−) p
...(1)

BAGAN MULTIVARIAT
• Pdf Normal Multivariat:

1 −
1
(x-μ) Σ-1 (x-μ)
f (x) = e 2
, ...(2)
(2)
p 1
2 Σ 2
−  x j  , j = 1,2,..., p. x1
x = (x μ 

BAGAN MULTIVARIAT
Misal sampel acak berdistribusi normal multivariat: x1 , x2 , ..., xn , di mana vektor sampel ke-i
mengandung observasi untuk tiap-tiap variabel ke-p adalah xi1, xi 2 ,..., xip , maka vektor rata-rata
sampel dinyatakan dengan
n
x =  xi
1
...(3)
n i=1
dan matriks kovarians sampel
n
S=
1

n -1 i=1
(xi - x )(xi - x ) ...(4)
dengan varians sampel sebagai diagonal utama:
 (xij − x j )
1 n 2
s =
2
n −1 i=1
j
dan kovarians sampel

n
s jk =
1
 (xij − x j )(xik − xk ).
n −1 i=1

BAGAN KENDALI T2-HOTELLING

10
I. AMATAN SUBGRUP
• Anggap ada n observasi yang terdiri atas m sampel.
Maka rata-rata dan varians dari masing-masing
sampel adl
1 n  j = 1,2,..., p
x jk =  xijk k = 1,2,..., m ...(5)
n i=1 
 j = 1,2,..., p
(xijk − x jk )
1 n
s = 
2 2
jk
n −1 i=1 k = 1,2,..., m ...(6)

xijk = observasi ke-i, variabel ke-j, sampel ke-k.
 jh
s jhk =
1 n
 (xijk − x jk )(xihk − xhk )  ...(7)
n −1 i=1 k = 1,2,..., m
Darmanto|MK. Statistika Pengendalian Mutu – Pengantar Bagan Kendali Multivariat
• Sehingga rata-rata, varians dan kovarians

untuk seluruh sampel adl
1 m
x j =  x jk ; j = 1,2,..., p ...(8a)
m k=1
m
1
s j =  jk
2
s 2
; j = 1,2,..., p ...(8b)
m k=1
m
s jk =  s jhk ; j  h
1
...(8c)
m k=1

• Sehingga untuk matriks kovarians sampel,
 s12 s12 s13 s1 p 

 
 s22 s23 s2 p 
S= s32  ...(9)
 
 

 s p2 

• Uji statistik T2-Hotelling didefinisikan sebagai,

T = n (x - x ) S −1 (x - x )
2 '
...(10)
Fase I:
p (m −1)(n −1 ) 
UCL = Fp,mn−m− ...(11)
mn − m − p +1
p+1
LCL = 0
Fase II:
p (m +1)(n −1 ) 
UCL = Fp,mn−m− ...(12)
mn − m − p +1
p+1
LCL = 0
• Untuk p = 2, statistik uji T2-Hotelling:
n  s 2
(x − x ) + s 2
(x2 − x2 )

2 1 1 1
T 2= 2 2 
s1 s2 − s122  −2s12 (x1 − x1 )(x2 − x2 ) 
 

• Kekuatan rentang dan diameter dari tekstil fiber

adalah 2 karakteristik kualitas yang penting untuk
dikontrol secara simultan. Insinyur kualitas
memutuskan untuk menggunakan n = 10 untuk
setiap sampel. Dia mengambil m = 20 sampel,
dan berdasarkan data diperoleh
x = 115,59 psi; x = 1,0610−2 inch;
1 2
s = 1,23; s 2 = 0,83;dan s = 0,79.
2
1 2 12

• Sehingga didapatkan statistik T2-Hotelling:

10
T2=
(1, 23)(0,83) − (0, 79 )2
(0,83)( x1 −115,59) + (1,23)( x2 −1,06)
 
−2 (0,79)( x1 −115,59)( x 2 −1,06) 
p (m −1)(n −1 ) 
UCL = Fp,mn−m− p+1
mn − m − p +1
2(19)(9)
= 0,001
F2,20(10)−20−2+1
20(10) − 20 − 2 +1
342 0,001
= F2,179 = (1,91)(7,18) = 13,72
179

Tabel 1. Data Kekuatan Regang dan Diameter
18
Gambar 4. Bagan Kendali T2-Hotelling untuk Data Tabel 1

II. AMATAN INDIVIDU
T 2 = (x - x )' S −1 (x - x ) ...(13)
Fase I:
(m −1)2 
UCL = p/2,(m− p−1)/2 ...(14)
m
LCL = 0
Fase II:
p (m +1)(m −1) 
UCL = Fp,m− p ...(15)
m − mp
2
LCL = 0

Tabel 2. Data Komposisi Grit, L = Large, M = Medium, S = Small
21
• Dua pendekatan perhitungan estimasi matriks

kovarians untuk amatan individu:
1 m 
1. S1 =  i
m -1 i=1
(x - x )(x i - x )
1 VV
2. S 2 = ; ...(16)
2 (m −1)
 v1 
 v 
dengan : v i = x i+1 - xi ,i = 1,2,..., m −1  V =  2 
 
v 
 m-1 
Gambar 5. Bagan Kendali T2-Hotelling untuk Data Tabel 2

REFERENSI
New York.

Statistika Pengendalian Mutu

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Statistika Pengendalian Mutu

Diunggah oleh

Hak Cipta:

Format Tersedia

PENGANTAR

STATISTIKA PENGENDALIAN MUTU

Materi Kuliah Statistika Pengendalian Mutu (MAS-62332)

PUSAT PENELITIAN PEMODELAN STATISTIKA BIDANG MANAJEMEN (KKU.PSBM)

Perusahaan mana yang lebih baik?

Upaya operasional, manajerial, maupun aktivitas

Terdapat Sebab variabilitas yang Mengapa ada produk

KUALITAS: kecocokan / kesesuaian bagi pengguna (pelanggan,

Jenis karakteristik Karakteristik, sifat, ciri

Tanggung jawab kualitas tersebar di berbagai level (manajer

Statistika Pengendalian Mutu: Proses pengawasan yang

Materi Kuliah Statistika Pengendalian Mutu (MAS-62332)

PUSAT PENELITIAN PEMODELAN STATISTIKA BIDANG MANAJEMEN (KKU.PSBM)

SUMBER DATA INFORMASI

Materi Kuliah Statistika Pengendalian Mutu (MAS-62332)

PUSAT PENELITIAN PEMODELAN STATISTIKA BIDANG MANAJEMEN (KKU.PSBM)

Quality of • Didasarkan pada

• Didasarkan pada seberapa sesuai produk

(Sumber: Departemen Teknik Industri ITB)

(Sumber: Departemen Teknik Industri ITB)

Darmanto|MK. Statistika Pengendalian Mutu – Sub Materi: Pengantar

Darmanto|MK. Statistika Pengendalian Mutu – Sub Materi: Pengantar

Darmanto – Historis Kualitas 11

Darmanto – Historis Kualitas

Elemen yang saling

Darmanto – Rekayasa Kualitas 14

Darmanto – Kualitas & Statistika 15

∅78.5 ± 1.6 Batas Nilai Spesifikasi

Upper Specification Limit

Lower Specification Limit

Darmanto – Kualitas & Statistika

Acceptance Statistical Process

Darmanto – Kualitas & Statistika

Materi Kuliah Statistika Pengendalian Mutu (MAS-62332)

PUSAT PENELITIAN PEMODELAN STATISTIKA BIDANG MANAJEMEN (KKU.PSBM)

• Kelemahan: tidak adanya informasi waktu → waktu merupakan

Darmanto – Statistika Deskriptif

Darmanto – Statistika Deskriptif

Contoh: Data 100 ketebalan lapisan semikonduktor (𝐴)ሶ

Darmanto – Statistika Deskriptif

Darmanto – Statistika Deskriptif

Darmanto – Statistika Deskriptif

Contoh: Data 100 ketebalan lapisan semikonduktor (𝐴)ሶ

Darmanto – Statistika Deskriptif

Darmanto – Statistika Deskriptif

Sampel Ketebalan Lapisan

Darmanto – Distribusi Peluang 10

Darmanto – Distribusi Peluang

Darmanto – Distribusi Kontinyu 13

KONSEP BAGAN KENDALI

• Sistem Radar Airborne

parameter r = 2 dan 𝜆 = 10-4. Jadi rata-rata waktu kerusakan adalah

# item pada kelas yang diteliti

Darmanto – Distribusi Diskrit 25

Hypergeometric, N=100, n=40

Darmanto – Distribusi Diskrit

 = np; Binomial with n = 15 and p = 0.1

Darmanto – Distribusi Diskrit

Darmanto – Distribusi Diskrit

 = Poisson with mean = 4

Darmanto – Distribusi Diskrit

Darmanto – Distribusi Diskrit

p (peluang non-conforming) berbeda tiap proses produksi

Statistik Estimasi parameter dan Uji hipotesis