Statistical Quality Control

TimKMI LSBI ITS - Wibawati

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

 Kita lihat video berikut ini

https://andyor.com/en/quality-control-and-inspection/
https://www.youtube.com/watch?v=nTxQI0Z84qY
https://www.youtube.com/watch?v=KmEvku5MMQA
https://www.youtube.com/watch?v=JdTG7NUn1Kg

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

 Kita lihat video berikut ini

https://andyor.com/en/quality-control-and-inspection/
https://www.youtube.com/watch?v=nTxQI0Z84qY
https://www.youtube.com/watch?v=KmEvku5MMQA
https://www.youtube.com/watch?v=JdTG7NUn1Kg

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

 Ilustrasi lain

Variabel
Variabel Penelitian Jenis Cacat Keterangan Jenis Cacat Keterangan
Penelitian
1. Bengkok Ada lengkungan di Luka
alumunium 7. Gores memanjang
atau melintang
2. Billet Kotor Alumunium yang kotor
Adanya garis
seperti terdapat noda
8. Garis Putih putih
hitam
1 potongan Alumunium melintang
Ekstrusi 3. Die Mark Garis tajam Permukaan
tidak rata
4. Flex Adanya kotoran berbentuk 9. Gelombang
terlihat seperti
titik-titik hitam gelombang
Adanya serabut
10. Hair Line pada
5. Fusi Adanya sambungan 1 potongan alumunium
Alumunium Adanya bitnik-
6. Gas Benjolan di permukaan
Ekstrusi 11. Korosi bintik karna
alumunium uap
Permukaan
12. Kasar
yang kasar
Adanya
13. Makikomi kotoran pada
alumunium
Warna Pelangi
14. Pelangi pada
alumunium
Ada cekungan
15. Penyok pada
alumunium

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

 Ilustrasi lain

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

 Ilustrasi lain

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

DIAGR AM K O N TR O L ATR IB U T

“Statistical Quality Control” oleh : Wibawati

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

Diagram Kontrol Atribut
Diagram kontrol
atribut

p np p’ (laney p) c u u demerit

Gambar 1. Jenis-jenis diagram kontrol atribut

DIAGR AM K O N TR O L ATR IB U T
B ER B ASIS DISTR IB U SI B IN O M IAL

“Statistical Quality Control” oleh : Wibawati

INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

DIAGR AM K O N TR O L p
KRITERIA
Atribut  karakteristik kualitas yang sesuai spesifikasi atau tidak
(sesuai/tidak sesuai)

Atribut dipakai jika ada pengukuran yang tidak mungkin dilakukan,

misalnya : goresan, retak, kesalahan warna, ada bagian yang hilang

Monotoring kualitas  diagram kontrol Atribut

www.its.ac.id
KELEBIHAN
• Mudah digunakan

• Membantu identifikasi permasalahan (umum dan detail)

KEKURANGAN
• Tidak dapat diketahui seberapa jauh ketidaktepatan dengan
spesifikasi tersebut

• Ukuran sampel yang besar akan bermasalah jika pengukurannya

mahal dan destruktif

www.its.ac.id
Diagram Kontrol p
 Produk dinyatakan cacat/tidak, sesuai/tidak sesuai
 Distribusi yang mendasari adalah distribusi Binomial
 Diagram kontrol p  memonitor proporsi bagian tidak sesuai
 Pada pemeriksaan terhadap sejumlah sampel, jika terdapat produk
yang tidak sesui dengan spesifikasi disebut cacat.
 Proporsi cacat = jumlah produk cacat/jumlah sampel yang diperiksa
Diagram Kontrol p
Pada pemeriksaan terhadap n sampel
Produk cacat/tidak sesui sebanyak D
Maka D mengikuti distribusi Binomial :
𝑛𝑛 𝑑𝑑
𝑃𝑃 𝐷𝐷 = 𝑑𝑑 = 𝑝𝑝 (1 − 𝑝𝑝)𝑛𝑛−𝑑𝑑 ; 𝑑𝑑 = 0,1,2, … , 𝑛𝑛,
𝑑𝑑
dengan
𝜇𝜇 = 𝑛𝑛𝑛𝑛 dan 𝜎𝜎 = 𝑛𝑛𝑛𝑛(1 − 𝑝𝑝)
Diagram Kontrol p
Jika w menyatakan ukuran karakteristik kualitas,
- rata-rata µw
- standar deviasinya σw ,
Model general peta kontrol Shewart adalah :
UCL/BKA = µw + L σw
CL/Garis tengah = µw
LCL/BKB = µw - L σ
L = 3, bersesuaian dengan α=0,0027
Tahapan Diagram Kontrol p
• Menentukan karakteristik kualitas yang akan dimonitor
• Menghitung banyaknya bagian yang tidak sesui dalam setiap sub grup
• Menghitung statistic (proporsi bagian tidak sesuai) tiap subgrup
• Penentuan BATAS kontrol : Batas kontrol Atas (BKA); Garis Tengah
(GT); Batas kontrol Bawah (BKB).
• Interpretasi hasil (pola in-control/out of control)
• Revisi batas kontrol jika penyebab variasi diketahui (assignable
Causes)
Struktur data Diagram kontrol p
Tabel 1. Struktur Data

No Sampel ke-i Di pi= Di

n

1 n1 D1 p1
2 n2 D2 p2

i Di pi

m nm Dm pm
Batas kontrol Diagram kontrol p
Proporsi diketahui
𝑝𝑝 (1 − 𝑝𝑝)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝 + 3
𝑛𝑛
𝐺𝐺𝐺𝐺 = 𝑝𝑝 (1)
𝑝𝑝(1 − 𝑝𝑝)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝 − 3
𝑛𝑛
Batas kontrol Diagram Kontrol p
Proporsi tidak diketahui
𝑝𝑝(1
̅ − 𝑝𝑝)̅
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ + 3
𝑛𝑛
𝐺𝐺𝐺𝐺 = 𝑝𝑝̅
(2)
𝑝𝑝(1
̅ − 𝑝𝑝)̅
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ − 3
𝑛𝑛
𝐷𝐷𝑖𝑖
𝑝𝑝̂𝑖𝑖 = ; 𝑖𝑖 = 1,2, … , 𝑚𝑚
𝑛𝑛
∑𝑚𝑚 𝑚𝑚
𝑖𝑖=1 𝐷𝐷𝑖𝑖 ∑𝑖𝑖=1 𝑝𝑝�𝑖𝑖
𝑝𝑝̅ = =
𝑛𝑛𝑛𝑛 𝑚𝑚
Interpretasi Diagram Kontrol p
Proses dikatakan terkontrol jika :
Semua titik berada dalam batas kontrol dengan pola random

Jika ada yang berada diluar batas kontrol , variasi yang timbul
dalam proses produksi :
- assignable causes (diketahui sumber penyebabnya ) dihilangkan
- natural/alamiah
Contoh 1 Tabel 2.
Diambil 30 sampel dari suatU proses produksi kotak
karton orange juice, masing-masing terdiri dari 50 kaleng
minuman yang diambil setiap 1,5 jam dari suatu proses Sampel Jumlah yang Proporsi tidak Sampel Jumlah yang Proporsi tidak
produksi. Kriteria ketidak sesuai jika terjadi kebocoran. tidak sesuai sesuai (𝑝𝑝̂𝑖𝑖 ) tidak sesuai sesuai (𝑝𝑝̂𝑖𝑖 )
(𝐷𝐷𝑖𝑖 ) (𝐷𝐷𝑖𝑖 )

∑𝑚𝑚
𝑖𝑖=1 𝐷𝐷𝑖𝑖 347
𝑝𝑝̅ = 𝑛𝑛𝑛𝑛
= = 0,2313
30𝑥𝑥𝑥𝑥
𝑝𝑝(1
̅ − 𝑝𝑝)̅
𝐵𝐵𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐾𝐾𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 = 𝑝𝑝̅ ± 3
𝑛𝑛
,23131 − 0,7687)
= 0,2313 ± 3
50
𝐵𝐵𝐵𝐵𝐵𝐵 = 0,4102 dan 𝐵𝐵𝐵𝐵𝐵𝐵 = 0,0524

Sumber : Montgomery (2020)

Contoh 1 (lanjutan)
Diagram Kendali p revisi I
1
New New 0.4
UCL=0.3893
Diagram Kendali p
Material Operator
0.5 1

1 0.3

0.4 UCL=0.4102

Proportion
_
Proporsi bagian tidak sesuai

P=0.215
0.2
0.3

_
P=0.2313
0.1
0.2

LCL=0.0407

0.1 0.0
1 4 7 10 13 16 19 22 25 28
LCL=0.0524 Sample

0.0 Results exclude specified rows: 15, 23

1 4 7 10 13 16 19 22 25 28
Sampel
Gambar 2. Diagram kontrol p Gambar 3 Diagram kontrol p revisi 1
Contoh 1(lanjutan)
Monitoring pada periode berikutnya
Diagram Kendali p
Tabel 3. Data banyak bagian tidak sesuai periode 3 0.4
Alamiah 1
UCL=0.3893
minggu berikutnya
0.3

Penyesuaian

Proportion
mesin _
P=0.215
0.2

0.1

LCL=0.0407
1
0.0
1 6 11 16 21 26 31 36 41 46 51
Sample
An estimated historical parameter is used in the calculations.
Results exclude specified rows: 15, 23

Gambar 4 Diagram kontrol p

Contoh 1(lanjutan)

Gambar 5. Diagram kontrol p dengan batas kontrol baru

Diagram Kontrol p, dengan
sampel beda
a. Metode INDIVIDU  Batas kontrol tergantung ukuran sampel tertentu
sehingga BKA/BKB tidak berupa garis LURUS
b. Metode RATA-RATA  Ukuran sampel RATA -RATA dengan perbedaan
tidak terlalu besar :
∑ 𝑛𝑛𝑖𝑖
𝑛𝑛� =
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
c. Diagram kontrol yang di standariasasi
𝑝𝑝�𝑖𝑖 −𝑝𝑝 𝑝𝑝�𝑖𝑖 −𝑝𝑝̅
𝑍𝑍𝑖𝑖 = , jika 𝑝𝑝 tidak diketahui maka : 𝑍𝑍𝑖𝑖 =
𝑝𝑝(1−𝑝𝑝) � (1−𝑝𝑝
𝑝𝑝 �)
𝑛𝑛 𝑛𝑛
Batas Kontrol Diagram p
Sampel berbeda dan proporsi
tidak diketahui Diagram p yang distandarkan
𝑝𝑝(1
̅ − 𝑝𝑝)̅
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ + 3
𝑛𝑛𝑖𝑖 𝐵𝐵𝐵𝐵𝐵𝐵 = 3
𝐺𝐺𝐺𝐺 = 𝑝𝑝̅ 𝐺𝐺𝐺𝐺 =0 (4)
𝑝𝑝(1
̅ − 𝑝𝑝)̅ (3)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ − 3 𝐵𝐵𝐵𝐵𝐵𝐵 = −3
𝑛𝑛𝑖𝑖
𝐷𝐷𝑖𝑖
𝑝𝑝̂𝑖𝑖 = ; 𝑖𝑖 = 1,2, … , 𝑚𝑚
𝑛𝑛𝑖𝑖
∑𝑚𝑚
𝑖𝑖=1 𝐷𝐷𝑖𝑖
𝑝𝑝̅ = 𝑚𝑚
∑𝑖𝑖=1 𝑛𝑛𝑖𝑖
ilustrasi
(A) Diagram Kendali p (ukuran sampel berbeda) (B) Diagram Kendali p (ukuran sampel rata-rata)
0.20 1
1 UCL=0.1902 0.20
UCL=0.1864

0.15

Proporsi bagian tidak sesuai

0.15
Proportion

_
0.10 P=0.0967
_
0.10 P=0.0965

0.05
0.05

0.00 LCL=0.0032
LCL=0.0066
1 3 5 7 9 11 13 15 17 19 21 23 25 0.00
Sample 1 3 5 7 9 11 13 15 17 19 21 23 25
Tests are performed with unequal sample sizes. Pengamatan

(C) Diagram kendali bagian tidak sesuai yang distandarkan

3 UCL=3

_
Z score

0 X=0

-1

-2

-3 LCL=-3

1 3 5 7 9 11 13 15 17 19 21 23 25
Pengamatan
At least one estimated historical parameter is used in the calculations.

Gambar 6 . Diagram kontrol p dengan ukuran sampel berbeda

DIAGR AM K O N TR O L np
Diagram Kontrol np
- Monitoring banyak produk yang tidak sesuai
- Berdasarkan distribusi Binomial
Batas Kontrol Diagram np
Proporsi diketahui

𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑛𝑛𝑛𝑛 + 3 𝑛𝑛𝑛𝑛(1 − 𝑝𝑝)

𝐺𝐺𝐺𝐺 = 𝑛𝑛𝑝𝑝 (1)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝 − 3 𝑛𝑛𝑛𝑛(1 − 𝑝𝑝)
Batas kontrol Diagram np
Proporsi tidak diketahui
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑛𝑛𝑝𝑝̅ + 3 𝑛𝑛𝑝𝑝(1 ̅ − 𝑝𝑝)̅
𝐺𝐺𝐺𝐺 = 𝑛𝑛𝑝𝑝̅ (2)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ − 3 𝑛𝑛𝑝𝑝(1 ̅ − 𝑝𝑝)̅
∑𝑚𝑚
𝑖𝑖=1 𝐷𝐷𝑖𝑖
𝑝𝑝̅ = ; 𝑖𝑖 = 1,2, … , 𝑚𝑚
𝑛𝑛𝑛𝑛
Digram kontrol np
Pembentukan diagram kontrol np sama dengan diagram kontrol p,
perbedaan pada statistik nya.
Pada diagram kontrol np, statistiknya adalah 𝐷𝐷
Interpretasi Diagram Kontrol p
Proses dikatakan terkontrol jika :
Semua titik berada dalam batas kontrol dengan pola random

Jika ada yang berada diluar batas kontrol , variasi yang timbul
dalam proses produksi :
- assignable causes (diketahui sumber penyebabnya ) dihilangkan
- natural/alamiah
Contoh 1 Tabel 1.
Diambil 30 sampel, masing-masing terdiri
dari 50 keleng minuman yang diambil setiap Sampel Jumlah yang Sampel Jumlah yang

1,5 jam dari suatu proses produksi. tidak sesuai

(𝐷𝐷𝑖𝑖 )
tidak sesuai
(𝐷𝐷𝑖𝑖 )

∑𝑚𝑚
𝑖𝑖=1 𝐷𝐷𝑖𝑖 347
𝑝𝑝̅ = = = 0,2313, n=50
𝑛𝑛𝑛𝑛 30𝑥𝑥𝑥𝑥
Garis Tengah =𝑛𝑛𝑝𝑝̅ = 50(0,2313)=11,565
𝐵𝐵𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐾𝐾𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 = 𝑛𝑛𝑝𝑝̅ ± 3 𝑛𝑛𝑝𝑝(1
̅ − 𝑝𝑝)̅
= 50(0,2313) ± 3 50(0,2313)(0,7687)
𝐵𝐵𝐵𝐵𝐵𝐵 = 20,510 dan 𝐵𝐵𝐵𝐵𝐵𝐵 = 2,620
Sumber : Montgomery (2020)
 Contoh 1 (lanjutan)
Diagram kendali np
Diagram kendali np revisi 1
25 1
1
1 20 Alamiah UCL=19.46

New New UCL=20.51

20
Operator

jumlah sampel yang tidak sesuai

jumlah sampel yang tidak sesuai

Material
15

15
__
NP=10.75
__ 10
NP=11.57
10

5
5
LCL=2.04
LCL=2.62
0
0 1 4 7 10 13 16 19 22 25 28
1 4 7 10 13 16 19 22 25 28 Sampel
Sampel Results exclude specified rows: 15, 23

Gambar 1. Diagram np Gambar 2. Diagram np revisi 1

Contoh 1(lanjutan)
Monitoring pada periode berikutnya
Tabel 2. Data periode berikutnya Diagram kendali np
Alamiah 1
20
UCL=19.46

jumlah sampel yang tidak sesuai

15
Penyesuaian
mesin __
NP=10.75
10

LCL=2.04
1
0
1 6 11 16 21 26 31 36 41 46 51
Sampel
An estimated historical parameter is used in the calculations.
Results exclude specified rows: 15, 23

Gambar 3. Diagram np
Contoh 1(lanjutan)
Diagram kendali np dengan batas kendali baru
14

UCL=12.41
12
jumlah sampel yang tidak sesuai
10

6 __
NP=5.68

0 LCL=0

1 3 5 7 9 11 13 15 17 19 21
Sampel
Results exclude specified rows: 15, 23

Gambar 4. Diagram np dengan batas kontrol yang baru

DIAGR AM K O N TR O L LAN EY
La n ey P ATAU p’
Permasalahan
Monitoring proporsi bagian tidak sesuai pada saat ukuran sampel
besar yang berbasis distribusi binomial?
Permasalahan
Studi kasus pada kesalahan/error record di IGD
selama 20 Minggu Diagran Kendali p dengan ukuran tiap sampel besar
𝐷𝐷𝑖𝑖 1
1
Tabel 1. Data jumlah error 𝑝𝑝̂ 𝑖𝑖 = ; 𝑖𝑖 = 1,2, … , 𝑚𝑚 0.150

Ukuran Proporsi
𝑛𝑛𝑖𝑖
Error
sampel error ∑20
𝑖𝑖=1 𝐷𝐷𝑖𝑖
1

Proporsi bagian tidak sesuai

2500 187 0.0748 𝑝𝑝̅ = ∑20
=𝑝𝑝̅ = 0,0885 0.125
1
2245 346 0.15412 𝑖𝑖=1 𝑛𝑛𝑖𝑖 1 1
2245 215 0.09577 1

2900 189 0.06517 𝑝𝑝(1

̅ − 𝑝𝑝)̅ 0.100
UCL=0.1030
3600 378 0.105 𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ + 3 _
P=0.0885
3229
2450
413
245
0.1279
0.1
𝑛𝑛𝑖𝑖
3333
3800
157
300
0.0471
0.07895
𝐺𝐺𝐺𝐺 = 𝑝𝑝̅ (1) 0.075
1
LCL=0.0740

1
3785 421 0.11123 1
2897 255 0.08802 𝑝𝑝(1
̅ − 𝑝𝑝)̅ 0.050 1
1
3249 198 0.06094 𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ − 3 1

3860 210 0.0544 𝑛𝑛𝑖𝑖 1 3 5 7 9 11

Sampel ke-
13 15 17 19
2450 287 0.11714
3450 244 0.07072 Tests are performed with unequal sample sizes.
2145 326 0.15198
2380 266 0.11176
3850 199 0.05169
2146
3456
214
257
0.09972
0.07436
Gambar 1. Diagram kontrol p
www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia
Permasalahan
Studi kasus pada kesalahan/error record di IGD Diagram Kendali I-MR Proporsi error

selama 20 Minggu 0.20 UCL=0.2036

0.15
Tabel 2. Data jumlah error
Monitoring proporsi error dengan

proporsi error
_
0.10 X=0.0920
Ukuran Proporsi
sampel
Error
error diagram kontrol I_MR 0.05

2500 187 0.0748

0.00
2245 346 0.15412 LCL=-0.0195
2245 215 0.09577 1 3 5 7 9 11 13 15 17 19
2900 189 0.06517 Pengamatan

3600 378 0.105

0.15
3229 413 0.1279 UCL=0.1370
2450 245 0.1
3333 157 0.0471
Terkontrol secara statistik, akan 0.10

Moving Range
3800 300 0.07895
3785 421 0.11123 tetapi batas kontrol tidak 0.05 __
2897 255 0.08802 MR=0.0419

3249 198 0.06094 merefleksikan ukuran sampel

3860 210 0.0544
yang berbeda
0.00 LCL=0

2450 287 0.11714 1 3 5 7 9 11 13 15 17 19

Pengamatan
3450 244 0.07072
2145 326 0.15198

?
2380 266 0.11176
3850 199 0.05169
2146
3456
214
257
0.09972
0.07436
Gambar 2. Diagram kontrol I-MR
www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia
Permasalahan
Yang terjadi adalah :
- Overdispersion
- Batas kontrol sempit
- Banyak pengamatan yang berada diluar batas kontrol
Permasalahan
Diagram Kendali I-MR Proporsi error
Diagran Kendali p dengan ukuran tiap sampel besar
1 0.20 UCL=0.2036
1
0.150 0.15

proporsi error
_
0.10 X=0.0920
1
Proporsi bagian tidak sesuai

0.125 0.05
1
1 1 0.00
1 LCL=-0.0195

UCL=0.1030 1 3 5 7 9 11 13 15 17 19
0.100 Pengamatan
_
P=0.0885
0.15
UCL=0.1370
0.075 LCL=0.0740
0.10

Moving Range
1
1
1
1 0.05 __
0.050 1 MR=0.0419
1
1 3 5 7 9 11 13 15 17 19 0.00 LCL=0
Sampel ke- 1 3 5 7 9 11 13 15 17 19
Pengamatan
Tests are performed with unequal sample sizes.

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

Solusi
• Laney (2002)
• Modifikasi diagram kontrol p
𝑅𝑅𝑖𝑖 = 𝑧𝑧𝑖𝑖 − 𝑧𝑧𝑖𝑖−1 ; 𝑖𝑖 = 1,2, … , 𝑚𝑚

(1) (2) 𝑚𝑚
(3)
� = 1 � 𝑅𝑅′
𝑅𝑅𝑅 � 𝑖𝑖
𝑚𝑚 − 1
𝑖𝑖=2

𝑅𝑅′ 𝑅𝑅′
𝜎𝜎𝑧𝑧 = =
𝑑𝑑2 1,128
 Hasil Monitoring dengan Laney p (p’)
Diagram Kendalai Laney p
Sigma Z = 7.05593
0.25

0.20
UCL=0.1908

0.15
Proporsi error

0.10 _
P=0.0885

0.05

0.00 LCL=0
1 3 5 7 9 11 13 15 17 19
Sampel
Tests are performed with unequal sample sizes.

Gambar 2. Diagram kontrol p’

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia
 SIMULASI ARL
Tabel 3. ARL p’

 ARL0 p
false alarm
tinggi

 ARL0 p’
mendekati
teori

www.its.ac.id INSTITUT TEKNOLOGI SEPULUH NOPEMBER, Surabaya - Indonesia

DIAGR AM K O N TR O L
U N IVAR IAT ATR IB U T
B ER B ASIS DISTR IB U SI
PO ISSO N

Wibawati

www.its.ac.id
DIAGR AM K O N TR O L c
Diagram Kontrol c
 Banyak cacat/nonconformities dalam unit pengamatan suatu produk
 Distribusi yang mendasari adalah distribusi Poisson
 Diagram kontrol c  memonitor jumlah cacat/ nonconformities pada
unIt produk tunggal yang sama ukurannya
 Misal jumlah cacat pada 1 m2 kain
Diagram Kontrol c
Pada pemeriksaan terhadap n sampel
Banyak cacat/nonconfirmities sebanyak C, yang mengikuti distribusi
Poisson :
𝑒𝑒 −𝑐𝑐 𝑐𝑐 𝑥𝑥
𝑃𝑃 𝑥𝑥 = ; 𝑥𝑥 = 0,1,2, … ,
𝑥𝑥!
dengan
𝜇𝜇 = 𝑐𝑐 dan 𝜎𝜎 2 = 𝑐𝑐
Batas kontrol Diagram kontrol c
Parameter c diketahui
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑐𝑐 + 3 𝑐𝑐
𝐺𝐺𝐺𝐺 = 𝑐𝑐 (1)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑐𝑐 − 3 𝑐𝑐

Parameter c tidak diketahui

𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑐𝑐̅ + 3 𝑐𝑐̅
𝐺𝐺𝐺𝐺 = 𝑐𝑐̅ (2)
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑐𝑐̅ − 3 𝑐𝑐̅
∑𝑚𝑚
𝑖𝑖=1 𝑐𝑐𝑖𝑖
𝑐𝑐̅ =
𝑚𝑚
Contoh 1
Tabel 1. Data jumlah cacat per unit
Diambil 26 sampel, masing-masing
terdiri dari 100 papan cetak dari suatu Sampel Jumlah cacat Sampel Jumlah cacat
(𝑐𝑐𝑖𝑖 ) (𝑐𝑐𝑖𝑖 )
proses produksi.
∑𝑚𝑚
𝑖𝑖=1 𝑐𝑐𝑖𝑖 516
𝑐𝑐̅ = = = 19,85
𝑚𝑚 26
𝐵𝐵𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐾𝐾𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 = 19,85 ± 3 19,85
𝐵𝐵𝐵𝐵𝐵𝐵 = 33,22 dan 𝐵𝐵𝐵𝐵𝐵𝐵 = 6,48

Sumber : Montgomery (2020)

 Contoh 1
Diagram Kendali c Diagra Kendali c revisi I
40 1
UCL=31.11
30

Kontrol UCL=32.18
30 25
Suhu
jumlah cacat

jumlah cacat
20 _
20 _ C=18.28
C=19.08

15

10
10
LCL=5.97
1 Kesalahan inspeksi
5 LCL=5.45
1
0
1 4 7 10 13 16 19 22 25 1 4 7 10 13 16 19 22 25
Sampel Sampel
Results exclude specified rows: 20

Gambar 1. Diagram kontrol c Gambar 2. Diagram kontrol c revisi 1

 Contoh 1 Monotoring proses pada periode
Tabel 2. Data jumlah cacat per unit periode berikutnya berikutnya:
Sampel Jumlah cacat Sampel Jumlah cacat Diagra Kendali c
(𝑐𝑐𝑖𝑖 ) (𝑐𝑐𝑖𝑖 ) UCL=31.11
30

25

banyak cacat
20 _
C=18.28

15

10

5 LCL=5.45
1
1 6 11 16 21 26 31 36 41 46
Sampel
An estimated historical parameter is used in the calculations.
Results exclude specified rows: 20

Gambar 3. Diagram kontrol c

DIAGR AM k on t r ol u
Diagram kontrol u
Monitoring jumlah cacat .
Kapan digunakan :
1. Ukuran unit produk tidak sama (jumlah cacat pada papan dengan
ukuran tidak sama /m2)
2. Ukuran unit produk sama, tapi ukuran sampel tidak sama (jumlah
bangku kosong di kelas)
3. Ukuran unit produk sama, jumlah cacat perunit kecil

𝑐𝑐
u= (1)
𝑛𝑛
Batas Kontrol Diagram u
𝑢𝑢
�
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� + 3
𝑛𝑛
𝐺𝐺𝐺𝐺 = 𝑢𝑢� (2)
𝑢𝑢
�
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� − 3
𝑛𝑛
∑𝑚𝑚𝑖𝑖=1 𝑢𝑢𝑖𝑖
𝑢𝑢� =
𝑚𝑚
Contoh 1 Tabel 1. Data jumlah cacat per unit
Sampel Ukuran sampel (𝑛𝑛) Jumlah kesalahan Rata-rata kesalahan
(𝑐𝑐𝑖𝑖 ) 𝑢𝑢𝑖𝑖 = 𝑐𝑐𝑖𝑖 /𝑛𝑛

Grup supply chain, melakukan monitoring

terhadap pengiriman barang yang
dilakukan oleh suatu jaringan distribusi.
Kesalahan terjadi baik pada material
yang dikirim atau dokumennya.
Pengamatan dilakukan setiap minggu
(50 kiriman yang dipilih secara acak
diperiksa) selama 20 minggu

∑𝑚𝑚
𝑖𝑖=1 𝑢𝑢𝑖𝑖 1.48
𝑢𝑢� = = = 0,00740
𝑚𝑚 20
𝐵𝐵𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐾𝐾𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 = 0,0074 ± 3 0,074/50
𝐵𝐵𝐵𝐵𝐵𝐵 = 0,1894 , GT= 1,93
dan 𝐵𝐵𝐵𝐵𝐵𝐵 = −0,0414 = 0
Sumber : Montgomery (2020)
Hasil Contoh 1
Diagram Kendali u
0.20
UCL=0.1894

0.15

jumlah kesalahan Per Unit

0.10

_
U=0.074

0.05

0.00 LCL=0

1 3 5 7 9 11 13 15 17 19
Sampel

Gambar 3. Diagram kontrol u

 Batas kontrol Diagram kontrol u
sampel berbeda (ni)
Metode individu Metode rata-rata Diagram kontrol yang
𝑢𝑢� di standartkan
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� + 3 ∑𝑚𝑚
𝑖𝑖=1 𝑛𝑛𝑖𝑖
𝑛𝑛𝑖𝑖 𝑛𝑛� =
𝑚𝑚 𝑢𝑢𝑖𝑖 − 𝑢𝑢�
𝐺𝐺𝐺𝐺 = 𝑢𝑢� (3) 𝑢𝑢� 𝑍𝑍𝑖𝑖 =
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� + 3 𝑢𝑢� (5)
𝑢𝑢� 𝑛𝑛� (4) 𝑢𝑢𝑖𝑖
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� − 3
𝑛𝑛𝑖𝑖 𝐺𝐺𝐺𝐺 = 𝑢𝑢� 𝐵𝐵𝐵𝐵𝐵𝐵 = 3
𝑢𝑢� 𝐺𝐺𝐺𝐺 =0
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� − 3 𝐵𝐵𝐵𝐵𝐵𝐵 = −3
𝑛𝑛�
 Contoh 2 Tabel 2. Data jumlah cacat per unit
No Gulungan Banyak m2 Banyak cacat Banyak
pemeriksaan
Banyak
ketidak
Studi kasus pada pabrik tekstil, dalam sesuaan per
diperiksa cacat per 50 m2 kain. Dari 10 gulungan (n) unit
pemeriksaan
gulungan bahan diperoleh hasil 1 500 14 10 1,40
pemeriksaan disajikan pada Tabel 2
2 400 12 8 1,50
∑𝑚𝑚
𝑖𝑖=1 𝑢𝑢𝑖𝑖 153
𝑢𝑢� = = = 1,42 3 650 20 13 1,54
𝑚𝑚 107,5
4 500 11 10 1,10
Sumber : Montgomery (2020)
5 475 7 9,5 0,74
6 500 10 10 1,00
7 600 21 12 1,75
8 525 16 10,5 1,52
9 600 19 12 1,58
10 625 23 12,5 1,84
jumlah 153 107,5
Batas kontrol Tabel 2. Batas kontrol
No ni BKA BKB
Gulungan
(i)
Metode individu 1 10 2,55 0,29
∑𝑚𝑚
𝑖𝑖=1 𝑢𝑢𝑖𝑖 153
𝑢𝑢� = = = 1,42 2 8 2,68 0,16
𝑚𝑚 107,5
3 13 2,42 0,43
𝑢𝑢� 4 10 2,55 0,29
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� + 3
𝑛𝑛𝑖𝑖 5 9,5 2,58 0,26
𝐺𝐺𝐺𝐺 = 𝑢𝑢� 6 10 2,55 0,29
𝑢𝑢� 7 12 2,45 0,39
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑝𝑝̅ − 3
𝑛𝑛𝑖𝑖 8 10,5 2,52 0,32
9 12 2,45 0,39
10 12,5 2,43 0,41
Hasil Contoh 2

Gambar 3. Diagram kontrol u

DIAGR AM u Dem er it
Diagram kontrol U demerit
Pada berbagai bidang manufaktur, misalnya automobil,
computer atau alat-alat besar, sering terjadi banyak jenis cacat
dan masing-masing memiliki tingkat kepentingan yang
berbeda-beda.
Misalnya terjadi cacat yang sangat serius yang dapat
diklasifikasikan sebagai produk yang tidak sesuai persyaratan,
dan mungkin juga terjadi jenis-jenis cacat yang ringan.

Perlu Metode untuk melakukan klasifikasi cacat menurut

kepentinganya . Perlu bobot pada setiap klasifikasi
Kriteria
Cacat Kelas A- Sangat Serius :
Cacat Kelas B- Serius.
Cacat Kelas C- Agak Serius.
Cacat Kelas D- Kecil/Ringan

,
Kriteria
Misal banyak cacat pada masing-masing kelas :
𝐶𝐶𝐴𝐴 : Banyak Cacat Kelas A dengan bobot 100
𝐶𝐶𝐵𝐵 : Banyak Cacat Kelas B dengan bobot 50
𝐶𝐶𝐶𝐶 : Banyak Cacat Kelas C dengan bobot 10
𝐶𝐶𝐷𝐷 : Banyak Cacat Kelas D dengan bobot 1

Definisi : Banyak cacat pada unit pemeriksaan

𝐷𝐷 = 100𝐶𝐶𝐴𝐴 + 50𝐶𝐶𝐵𝐵 +10𝐶𝐶𝑐𝑐 + 𝐶𝐶𝐷𝐷 (1)
,
Kriteria
Misal untuk setiap unit diamati n sampel, maka banyak cacat
per unit adalah :
𝐷𝐷
𝑢𝑢 = (2)
𝑛𝑛
Karana u merupakan kombinasi linear dari variabel random
Poisson independen, maku u berdistribusi Poisson.
Batas kontrol
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� + 3𝜎𝜎� 𝑢𝑢
𝐺𝐺𝐺𝐺 = 𝑢𝑢�
𝐵𝐵𝐵𝐵𝐵𝐵 = 𝑢𝑢� − 3𝜎𝜎�𝑢𝑢 (3)
� = 𝟏𝟏𝟏𝟏𝟏𝟏�
𝒖𝒖 𝒖𝒖𝑩𝑩 +𝟏𝟏𝟏𝟏�
𝒖𝒖𝑨𝑨 + 𝟓𝟓𝟓𝟓� � 𝑫𝑫
𝒖𝒖𝒄𝒄 + 𝒖𝒖
𝟏𝟏/𝟐𝟐
𝟐𝟐 �
(𝟏𝟏𝟏𝟏𝟏𝟏) 𝒖𝒖𝑨𝑨 + 𝟓𝟓𝟓𝟓 𝟐𝟐 � 𝟐𝟐 �
𝒖𝒖𝑩𝑩 + 𝟏𝟏𝟏𝟏 𝒖𝒖𝑪𝑪 + 𝟏𝟏�
𝒖𝒖𝑫𝑫 (4)
�𝒖𝒖 =
𝝈𝝈
𝒏𝒏
� 𝑨𝑨 , 𝒖𝒖
𝒖𝒖 � 𝑩𝑩 , 𝒖𝒖
� 𝒄𝒄 𝒅𝒅𝒅𝒅𝒅𝒅 𝒖𝒖 (5)per
� 𝑫𝑫 menunjukkan jumlah cacat rata-rata
unit untuk kelas A,B C dan D.
Dalam prakteknya, besarnya bobot dan kriteria jenis cacat
dapar disesuikan dengan kondisi dilapangan
Interpretasi diagram u demerit
Suatu proses dikatakan terkontrol jika plot dari ui berada didalam
batas kandali dengan pola acak.

Jika ada pengamatan yang berada diluar batas kontrol, jika penyebab
dapat kita telusuri maka pengamatan tersebut dapat kita keluarkan
dan kita dapatkan diagram kontrol dengan batas yang direvisi
Contoh Tabel 1. Data jumlah cacat tiap kelas
Sebuah department store memperoleh feed
back terhadap kepuasan pelangan pada suatu
produk tertentu. 20 sampel masing-masing
terdiri dari 10 konsumen. Konsumen ditanya
ketidak sesuaian yang termasuk kesalahan
serious, cukup serius dan ringan berdasarkan
pengalaman mereka selama berbelanja
dengan Definisi tang sangat kelas untuk
masing-masing klategori. Hasil disaajika pada
Tabel 1. Bobot untuk kesalahan serious,
cukup serius dan ringan adalah 50,10, dan 1.
Sumber : Mitra,Amitava (2016)
 Hasil
𝑢𝑢� 𝐵𝐵 = 9⁄200 = 0,045
𝑢𝑢� 𝐶𝐶 = 74⁄200 = 0,47
𝑢𝑢� 𝐷𝐷 = 114⁄200 = 0,57
𝑢𝑢� =50(0,045)+10(0,47)+1(0,57)=6,53
1/2
(100)2 𝑢𝑢�𝐴𝐴 + 50 2 �𝑢𝑢𝐵𝐵 + 10 2 𝑢𝑢� 𝐶𝐶 + 1�
𝑢𝑢𝐷𝐷
𝜎𝜎�𝑢𝑢 =
𝑛𝑛
1/2
502 (0,045) + 102 (0,47) + 1(0,57)
𝜎𝜎�𝑢𝑢 = = 3,487
10
𝐵𝐵𝐵𝐵𝐵𝐵 = 6,53 + 3 3,874 =18,142 Gambar 3. Diagram kontrol u Demerit
𝐺𝐺𝐺𝐺 = 6,53
𝐵𝐵𝐵𝐵𝐵𝐵 = 6,53 − 3 3,874 = −5,102 = 0
TER IM A
K ASIH