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
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)
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
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
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
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
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
TUJUAN MENGUMPULKAN DATA
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
TUJUAN MENGUMPULKAN DATA
B. LEMBAR PEMERIKSAAN
Tujuan:
1. Membuat mudah proses pengumpulan data
2. Mengatur data secara otomatis sehingga mudah
dapat dipergunakan selanjutnya
7
TUJUAN MENGUMPULKAN DATA
B. LEMBAR PEMERIKSAAN
1. Lembar pemeriksaan Distribusi Proses Produksi
8
TUJUAN MENGUMPULKAN DATA
B. LEMBAR PEMERIKSAAN
2. Lembar pemeriksaan Item Rusak
9
TUJUAN MENGUMPULKAN DATA
B. LEMBAR PEMERIKSAAN
3. Lembar pemeriksaan Lokasi Cacat
10
TUJUAN MENGUMPULKAN DATA
B. LEMBAR PEMERIKSAAN
4. Lembar pemeriksaan Sebab Cacat
11
SELAMAT BELAJAR
12
KONSEP KUALITAS
Oleh
Solimun
TWO ASPECTS of
• Darmanto 2
Konsep Kualitas / Mutu
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.
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
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
13
REKAYASA KUALITAS
waktu
DATA
Variabel
Atribut
USL • ∅80.1
LSL • ∅76.9
USL
Target
LSL
18
STATISTIKA DESKRIPTIF,
DISTRIBUSI DISKRIT DAN KONTINYU
Oleh
Solimun
40
Days
30
20
10
0 10 20 30 40
Claim
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
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
100
< 460A
80
Cumulative Frequency
60
40
20
0
420 430 440 450 460 470 480
Thickness
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
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.
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
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.
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
DISTRIBUSI KONTINYU - Lanjutan
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
DISTRIBUSI KONTINYU - Lanjutan
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 KONTINYU - Lanjutan
• Distribusi eksponensial banyak digunakan dalam teknik reliabilitas.
• Secara terapan, 𝜆 menyatakan laju kerusakan sistem, dan rata-rata
distribusi 1Τ𝜆 disebut rata-rata waktu kerusakan.
f ( x) = ( x)
r −1
e − x ; x 0.
(r )
parameter bentuk r 0; parameter skala 0.
r r
= ; =
2
.
2
22
DISTRIBUSI KONTINYU - Lanjutan
• 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
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
DISTRIBUSI KONTINYU - Lanjutan
• 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
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
0.20
Probability
0.15
0.10
0.05
0.00
0 5 10 15 20
X
n x
P ( X = x ) = p (1 − p ) ; x = 0,1, 2,
n− x
, n.
x
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
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
e− x
P ( X = x) = ; x = 0,1,
x!
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
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
Proses produksi
p1 p2 Pt-1 pt
31
32
DISTRIBUSI SAMPLING
• Tujuan Statistika Inferensi: Untuk mengambil kesimpulan (keputusan)
tentang kondisi populasi berdasarkan sampel yang diambil dari populasi
tersebut.
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.
ҧ
𝑥−𝜇 σ𝑛
𝑖=1 𝑥𝑖 −𝑛𝜇
• 𝑛= → σ𝑛𝑖=1 𝑥𝑖 ~𝑁 𝑛𝜇, 𝑛𝜎 2 .
𝜎 𝑛𝜎
σ𝑛𝑖=1 𝜎𝑖2
Akan mendekati N(0,1) dengan 𝑛 → ∞.
35
TERIMA KASIH
MANAJEMEN KUALITAS
Oleh
Solimun
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
(Sumber: Departemen Teknik Industri ITB) 8
(Sumber: Departemen Teknik Industri ITB) 9
KUALITAS, PANGSA PASAR & PROFIT
ACT
Shewhart DO
Cycle
Melakukan perubahan
Atau eksperimen
Mempelajari dan menganalisis CHECK
Hasil yang telah dicapai.
• Perencanaan perbaikan
Planning kualitas produk
25
METODE STATISTIKA PENGENDALIAN PROSES
(BAGAN PARETO )
Oleh
Solimun
2
VARIASI KUALITAS: SEBAB TIDAK DIKETAHUI (CHANCE)
DAN DIKETAHUI (ASSIGNABLE)
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)
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
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
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).
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.
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.
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
~ 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
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
4
Bagaimana Membuat Diagram Sebab Akibat ?
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
Yield (y)
Step 6. Pada setiap cabang tulis secara rinci faktor yang mempengaruhi
terjadinya karakteristik tersebut.
Yield (y)
Temp.
Steam Pressure
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
Penjelasan tentang cara
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
Penjelasan tentang cara
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
14
Statistika Pengawasan Mutu dan Pengambilan Keputusan
dalam Penyelesaian Masalah
16
PEMODELAN KUALITAS PROSES
BAGAN KENDALI ATRIBUT
Oleh
Solimun
0.023
P=0.02252
0.018
-3.0SL=0.01769
1 2 3 4 5 6 7
Sample Number
2
PENGERTIAN DASAR
3
(Sumber: Departemen Teknik Industri ITB)
PENGERTIAN DASAR
4
(Sumber: Departemen Teknik Industri ITB)
PENDEKATAN DALAM DISTRIBUSI PROBABILITAS
5
(Sumber: Departemen Teknik Industri ITB)
KONSEP BAGAN KENDALI
µ ± 3σ ≥ 99,97 %
6
(Sumber: Departemen Teknik Industri ITB)
AKURASI & PRESISI
7
(Sumber: Departemen Teknik Industri ITB)
PETA KENDALI
µ ± 3σ ≥ 99,97 %
8
(Sumber: Departemen Teknik Industri ITB)
CONTOH PETA KENDALI
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
(Sumber: Departemen Teknik Industri ITB)
PEMILIHAN PETA KENDALI
11
(Sumber: Departemen Teknik Industri ITB)
PETA KENDALI ATRIBUT
• dengan
p̂ = p …(3)
p (1− p)
=
2
pˆ
…(4)
n
p (1− p)
UCL = p + 3
n
Center line = p …(5)
p (1− p)
LCL = p − 3
n
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
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
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
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
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
• Apakah ada proporsi tidak sesuai pra penyesuaian mesin lebih tinggi
daripada proporsi pasca penyesuaian mesin?
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
• 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.
e −c c x
p (x) = x = 0,1,2,...
x!
LCL = c − 3 c
LCL = c − 3 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
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
u
LCL = u −3
n
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
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
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
2
(Sumber: Departemen Teknik Industri ITB)
PEMILIHAN PETA KENDALI
3
(Sumber: Departemen Teknik Industri ITB)
BAGAN KENDALI VARIABEL
• Bagan kendali variabel digunakan untuk
memonitor rata-rata dan variabilitas proses
produksi di mana karakteristik kualitas
dinyatakan dalam data variabel.
PERGESERAN RATA-RATA
R R R
UCL = R + 3ˆ R = R + 3d3 D4 = 1 + 3d3 ; D3 = 1 − 3d3
d2 d2 d2
Center line = R
UCL = D4 R
R
LCL = R − 3ˆ R = R − 3d3 Center line = R
d2
LCL = D3 R
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
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
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
_
_
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
(Sumber: Departemen Teknik Industri ITB)
ABNORMALITAS PADA POLA PETA KENDALI
21
(Sumber: Departemen Teknik Industri ITB)
ABNORMALITAS PADA POLA PETA KENDALI
22
(Sumber: Departemen Teknik Industri ITB)
ABNORMALITAS PADA POLA PETA KENDALI
23
(Sumber: Departemen Teknik Industri ITB)
ABNORMALITAS PADA POLA PETA KENDALI
24
(Sumber: Departemen Teknik Industri ITB)
RESUME PETA KENDALI VARIABEL
25
(Sumber: Departemen Teknik Industri ITB)
TERIMA KASIH
26
PENGANTAR
BAGAN KENDALI CUSUM - EWMA
Oleh
Solimun
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
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
𝑋~𝑁(10,1) 𝑋~𝑁(11,1)
𝑗=0
Perhatikan bahwa:
𝑖−1
𝑗
1− 1−𝜆
𝜆 1−𝜆 =𝜆
1− 1−𝜆
𝑗=0
= 1− 1−𝜆
Darmanto|MK. Statistika Pengendalian Mutu – Bagan KendaliEWMA-CUSUM 15
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
36
BAGAN KENDALI EWMA- Lanjutan
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
Tabel 8.
Oleh
Solimun
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
1 3 5 7 9 11 13 15 17 19 1 3 5 7 9 11 13 15 17 19
Observation Observation
8.10 8.10
8.05 8.05
_
8.00 8.00 X=8
x1
7.95 7.95
7.90 7.90
5
10.0
0
10.1
5
10.1
5
9.8
0
9.9
5
9.9
1
LCL=9.85
X=10
5
UCL=10.1
_
Gambar 3. Area Kendali Gabungan untuk Diameter Dalam dan Luar Bearin6g
BAGAN MULTIVARIAT
Jika independen
= 1− (1−) p
...(1)
− x j , j = 1,2,..., p. x1
x = (x μ
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
s jk =
1
(xij − x j )(xik − xk ).
n −1 i=1
s jk = s jhk ; j h
1
...(8c)
m k=1
LCL = 0
Fase II:
p (m +1)(n −1 )
UCL = Fp,mn−m− ...(12)
mn − m − p +1
p+1
LCL = 0
Darmanto|MK. Statistika Pengendalian Mutu – Pengantar Bagan Kendali Multivariat
BAGAN KENDALI 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 )
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
18
BAGAN KENDALI T2-HOTELLING
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
21
BAGAN KENDALI T2-HOTELLING