PENGENDALIAN DAN PENJAMINAN MUTU

RESUME PETA KONTROL/PETA KENDALI

Untuk lebih memahami, silahkan dipahami kembali. Saat ini, dibahas tentang
Pengendalian Proses Secara Statistik, yg didalamnya terdapat Peta Kendali untuk
data variable dan atribut, serta Kapabilitas Proses.

Artinya berarti, penggunaan peta kendali dan kapabilitas proses tersebut untuk
mengendalikan kualitas produksi suatu produk dari perusahaan atau organisasi

PETA KENDALI VARIABEL

Pengertian Peta Pengendali Kualitas Proses Statistik Untuk Data Variabel:

metode statistik yang membedakan adanya variasi atau penyimpangan karena sebab
umum dan karena sebab khusus pada batas pengendali.untuk mengidentifikasi
penyebab dari penyimpangan atau kesalahan yang berlebihan tersebut dan sebab
umum biasanya berada di dalam batas pengendali

Manfaat Peta Pengendali Kualitas Proses Statistik Untuk Data Variabel:

Fungsi pengendalian kualitas statistik adalah Meningkatkan kualitas sehingga
mengurangi ongkos manufaktur, scrap, rework, reschedulling, meningkatkan
kepercayaan konsumen dan memperketat batas spesifikasi serta meningkatkan
produktivitas dan hasil produksi.

Data Variabel adalah : Data variabel atau data kontinu adalah data yang sifatnya
kontinu dan umumnya berupa data terukur atau data yang didapat dari hasil
pengukuran misalnya data tebal sol sepatu.
1. PETA X DAN R
Tujuan: Xbar – R Chart adalah Peta kendali untuk mengendalikan proses
berdasarkan Rata-rata (Xbar) dan Range (R). Xbar – R Chart digunakan apabila
ukuran sampel yang dikumpulkan berjumlah lebih dari 2 dan kurang dari atau
sama dengan 5 (2 < n ≤ 5) pada setiap set sampel data
Peta X: untuk Memantau perubahan suatu sebaran atau distribusi suatu variabel
asal dalam hal lokasinya (pemusatannya).
Untuk n Konstan:
Rumus:
 Contoh Soal: Berikut diberikan contoh 2 membuat peta kendali atau control chart
X bar dan R chart. Setelah melakukan penelitian pada produk Vane Opening di PT
CALA dengan menggunakan sample number sebanyak 20 subgroup dan dengan
ukuran sampel sebanyak 5 unit, diperoleh data-data sebagai berikut:
Sample

number X1 X2 X3 X4 X5 x r

1 33 29 31 32 33 31,6 4

2 33 31 35 37 31 33,4 6

3 35 37 33 34 36 35,0 4

4 30 31 33 34 33 32,2 4

5 33 34 35 33 34 33,8 2

𝑥̅ = 33,2 𝑟̅ = 4

Diminta:
Karena jumlah n atau subgroup size atau jumlah observasi= 5 maka
dilakukan analisis dengan menggunakan X bar dan R Chart. Anda diminta
untuk membuat analisis tersebut!

Jawab:

Langkah 1
Menghitung X bar dan R

X bar dihitung dengan cara:

Nilai R dihitung dengan cara:

Hasil perhitungan nilai X bar dan R dapat dilihat pada kolom X dan R pada
gambar data di atas

Langkah 2

Menghitung Rerata X bar dan Rerata R

Nilai Rerata X bar dapat dihitung dengan cara:

Rata-rata R dapat dihitung dengan cara:

Hasil perhitungan dapat dilihat pada kolom X dan R pada tabel data baris
terakhir

Langkah 3
Menghitung CL, UCL dan LCL untuk X bar Chart dan R

Chart Nilai CL untuk X bar Chart dan R Chart

CL- X bar Chart

= (166)/5 =33, 2

CL - R Chart

=4

UCL dan LCL untuk X bar Chart

= 33,2 +(0,577*4) = 35,508

= 33,2 - (0,577*4) = 30,892

Catatan: Nilai A2 untuk jumlah observasi (subgroup size) = 5 dapat

dilihat pada Tabel Nilai A2, d2 D3, D4

UCL dan LCL untuk R

= 2,114*4 = 8.456

= 0*4 = 0

Catatan: Nilai D3, D4 untuk jumlah observasi (subgroup size) =5 dapat

dilihat pada Tabel Nilai A2, d2 ' D3, D4

Setelah dihitung nilai CL, UCL dan LCL baik untuk X bar Char maupun R
Chart, maka selanjutnya memplotkan setiap data subgroup ke dalam Chart
yang nampak seperti berikut:
2. PETA R
Tujuan : R kependekan dari Range, mengukur beda nilai terendah dan tertinggi
sampel produk yang diobservasi, dan memberi gambaran mengenai variabilitas proses.
Peta R:untuk · Memantau perubahan dalam hal spread-nya (penyebarannya).

· Memantau tingkat keakurasian/ketepatan proses yang diukur

dengan mencari range dari sampel yang diambil.
Untuk n Konstan:
Rumus:

Hitung batas kendali untuk peta kendali R

3. PETA S
Tujuan: Xbar – s Chart merupakan peta kendali untuk mengendalikan proses
berdasarkan rata-rata (x-bar) dan Standar Deviasi (s). Xbar-s Chart digunakan
apabila ukuran sampel yang dikumpulkan berjumlah lebih dari 5 (n > 5) pada
setiap set sampel data, jumlah set sample yang ideal adalah 20 -25 set sampel.

Peta S: untuk S Chart biasanya diplot bersama dengan X Chart sehingga

memberi gambaran mengenai variasi proses lebih baik. Peta kendali standar
deviasi digunakan untuk mengukur tingkat keakurasian suatu proses
.
Untuk n Konstan:
Rumus:

● Hitung nilai rata-rata dari seluruh x, yaitu x yang merupakan garis tengah
(center line) dari peta kendali x,
● Hitung simpangan baku dari setiap subgrup yaitu S,

● Hitung nilai rata-rata dari seluruh s, yaitu S yang merupakan garis tengah
dari peta kendali S,

● Hitung batas kendali atas dan bawah (UCL dan LCL)dari peta kendali x :

● Hitung batas kendali atas dan bawah (UCL dan LCL) untuk peta kendali S

Contoh Soal Kasus Perusahaan Geprek

 Misalnya, Perusahaan Geprek melakukan monitoring terhadap produk yang
dihasilkan oleh bagian produksi selama 25 hari. Setiap hari diambil 5 (harusnya >
10, namun untuk kepentingan kemudahan pembahasan dimisalkan 5) produk untuk
diukur panjangnya. Selengkapnya tersaji dalam tabel berikut:

Dari data yang diperoleh selama observasi selanjutnya dihitung nilai rata-rata x dan
S Rumus matematik untuk menghitung rata-rata x dan S setiap observasi adalah
sebagai berikut:

Rerata X dihitung dengan cara:

S dihitung dengan cara:

Hasil perhitungan seperti terlihat pada kolom x dan pada gambar di atas

Setelah dihitung nilai rata-rata x dan S selanjutnya ditentukan nilai CL, UCl dan
LCL untuk peta kendali rata-rata X dan peta kendali S.

Peta kendali x:

Nilai Cl untuk X chart

= 521/25

=20,77

Nilai CL untuk S Chart

=34,88/25

=1,30

Nilai UCL dan LCL untuk X Chart

 = 20,77 + 1,427(1,30) = 22,63

= 20,77 – 1,427(1,30) = 18,91

Catatan: Dengan asumsi bahwa jumlah subgroup > 10, maka Nilai A3 dapat
dilihat pada Tabel Nilai A3, B3 dan B4

Peta kendali S :

= 2,089 (1,30) = 2,716

= 0 (1,30) =0

Catatan: Dengan asumsi bahwa jumlah subgroup > 10, maka Nilai B3 dan B4
dapat dilihat pada Tabel Nilai A3, B3 dan B4

Tabular constant A3 values for x Chart , and B3, B4 for S chart

Subgroup Size A3 B3 B4
2 2.659 ----- 3.267

3 1.954 ----- 2.568

4 1.628 ----- 2.266

5 1.427 ----- 2.089

6 1.287 0.030 1.970

7 1.182 0.118 1.882

8 1.099 0.185 1.815

9 1.032 0.239 1.761

10 0.975 0.284 1.716

11 0.927 0.321 1.679

12 0.886 0.354 1.646

13 0.850 0.382 1.618

14 0.817 0.406 1.594

15 0.789 0.428 1.572

16 0.763 0.448 1.552

17 0.739 0.466 1.534

18 0.718 0.482 1.518

19 0.698 0.497 1.503

20 0.680 0.510 1.490

21 0.663 0.523 1.477

22 0.647 0.534 1.466

23 0.638 0.545 1.455

24 0.619 0.555 1.445

25 0.606 0.565 1.435

Untuk Peta X, R, dan S, Jika data out of control maka perlu dilakukan:
Perbaikan pada sampel dengan menghilangkan sample yang terjadi out of control
dan menghitung kembali sampai sampel berada didalam batas kendali

4. MR Untuk data Individu

Tujuannya, untuk: Pengendalian proses yang contohnya hanya satu yaitu
(n=1). Dalam pengunaanya kebanyakan terjadi bila pemeriksaan terjadi otomatis
dan pada tingkat produksi yg relatif lambat, sehingga jarang terjadinya
perhitungan contoh nilai lebih besar (n>1)
Dalam Peta Kontrol X dan MR ini hanya diterapkan pada proses yang
mengahasilkan produk relatif homogency. Pada beberapa kondisi, ukuran sample
yg digunakan adalah n=1, dimana sampel mengandung inti individu.
Rumus: Rumus Moving Range
Perbedaan data di ( x i ¿ dengan data sebelumnya ( x i−1), dihitung sebagai berikut :
M Ri= |x i−x i−1|
Selanjutnya, nilai rata - rata dari moving range dinyatakan sebagai berikut :
Σ im=2 M Ri
MR =
m−1
Jika data tersebut terdistribusi secara normal dengan simpangan baku
σ maka bisa dih arapkan nilai rata - rata dari moving range adalah:
d 2 σ=2σ / √ π
● Rumus Batas Kontrol Nilai Individu
Rata - rata nilai individual :
Σm x
x = i =1 i
m
Selanjutnya, batas kontrol atas (UCL = Upper Control Limit) dan batas kontrol
bawah (LCL = Lower Control Limit) untuk nilai individual dihitung dengan
menambah atau mengurangi 2.66 kali rata - rata moving range terhadap rata - rata
nilai individual.
UCL = X + 2.66 MR
LCL = X - 2.66 MR
(Angka 2.66 diambil dengan konstanta A3 untuk jumlah n = 2)

Contoh Soal:
Sebuah perusahaan X mempunyai data seperti tabel dibawah ini, hitunglah MR
untuk data individu?
 Batch viskositas x Moving Range MR

1 34,40

2 34,40 0,35

3 33,59 0,81

4 35,96 2,37

5 34,70 1,26

6 33,51 1,19

7 34,79 0,28

8 34,04 0,25

9 33,52 0,48

10 33,75 0,77

11 33,27 0,48

12 34,71 0,44

13 34,03 0,32

14 34,58 0,55

15 34,02 0,56

16 33,97 0,05

17 34,05 0,08

18 34,04 0,01

19 33,73 0,31

20 34,05 0,32

x=34,09 MR=0,57

1. Menghitung moving range, rata - rata nilai individu, rata - rata moving
range.
m
Σ M Ri
MR = i =2
m−1
 19
Σ M Ri
= i =2
19
(0,35+ 0,81+...+ 0,32)
=
19
= 0,57

2. Kemudian rata-rata nilai individu dihitung sebagai berikut :

m
Σ i =1 x i
x =
m
20
Σ x
= i =1 i
20
(34,05+34,40+...+34,05)
=
20
= 34,09
3. Menghitung garis pusat UCL dan LCL peta kendali
Garis pusat = MR = 0,57
UCLr = D 4 ( MR )
= 3,267 (0,57)
= 1,87
LCL r = D3( MR )
= 0 (0,57)
=0
Nilai D 3= 0 dan D4 = 3,267 adalah faktor untuk membangun peta kendali variabel
pada n = 2
4. Menghitung garis pusat UCL dan LCL pada peta kendali individu
Garis pusat = x = 34,09
MR
UCL = x + 3
d2
0,57
= 34,09 + 3
1,128
= 35,61
MR
LCL = x - 3
d2
0,57
= 34,09 - 3
1,128
= 32,57
Nilai 1,128 adalah nilai konstan d 2untuk n = 2
 5. Peta Kendali Lainnya:
a. Pengendalian Regresi
Tujuannya, untuk menyelesaikan kasus dimana rata-rata sampel setiap
observasi memiliki kecenderungan naik atau turun.
Rumus:
Y = a + bX
Y : Variabel Dependen
a : Konstanta
b : Koefisien Variable X
X : Variable Independent
Nilai a dan b dapat dihitung dengan rumus :
n(ΣXY )−(ΣX )(ΣY )
b= 2
n(Σ X )−¿ ¿
Σ y−b(Σx)
a=
n
Contoh Soal:

Misalkan nilai X dan Y diketahui.

Tabel

X Y

1 1

2 1.5

3 2.5

4 2.8

5 4

Jawab :

Persamaan utama adalah:

Y = a + b(X) +e (istilah kesalahan)

Dalam hal ini, e adalah nol karena diasumsikan bahwa variabel bebas (X) memiliki
kesalahan yang dapat diabaikan.

Oleh karena itu, tetap Y = a + b(X).

Sekarang mari kita cari nilai b.

b = [ XY – (∑Y)(∑X)/n ] / (X-X') 2

Substitusikan nilai-nilai dalam rumus di atas:

b = [ 42,7 – (15*10,8)/5 ]/10 = [ 42,7 – 162/5 ]/10 = [ 42,7 – 32,5 ]/10 = 10,2/10 =
1,02

b = 1,02

Oleh karena itu,

Oleh karena itu,

a = Y – b(X)

a = Y – 1,02(X) atau a = Y/n – 1,02 (∑X/n)a = 2.16 – 1.02*3 = 2.16 –

3.06

a = -1,06

Dengan mensubstitusi nilai a, b dan X, kita dapat menemukan nilai Y yang sesuai.

Y = a + b(X) = -1,06 + 1,02

Ketika X = 1

Y = -1,06 + 1,02*1 = -0,04

Ketika X = 2

Y = - 1,06 + 1,02*2 = 0,98

Ketika X = 3, Y akan menjadi 2

Ketika X = 4, Y akan menjadi 3,02

Ketika X = 5, Y akan menjadi 4,04.

 b. Pengendalian Rata-Rata Bergerak (Moving Average Control Chart)
Tujuannya, untuk: Metode ini lebih baik digunakan untuk menghitung data
yang bersifat stabil atau data yang tidak berfluktuasi dengan tajam atau data
yang perubahan naik dan turunnya sangat drastis. Hal ini dikarenakan data
pada setiap periode diberikan bobot yang sama sehinga tidak dapat
mewakilkan periode-periode tertentu yang bersifat khusus.

Rumus:
1. Misal sampel acak berukuran n diambil dari proses, jika t rataan sampel
pertama dinyatakan dengan x ❑1 , x ❑2, x ❑3 ,..., x ❑t . Moving average dengan
lebar w, yaitu memakai w sampel pada waktu langkah ke-t diberikan dengan :
x❑t + x ❑t −1 +, ... ,+ x ❑t −w+1
M t=
w

dimana:

Mt = rata-rata bergerak pada setiap periode

x ❑t = rata-rata setiap observasi

w = lebar rata-rata bergerak (moving average width)

1. Pada sembarang waktu langkah ke-t, moving average diperbarui dengan

membuang rataan terlama dan menambah rataan tertentu. Ragam dari tiap -
tiap rataan sampel adalah

dimana:

x = garis pusat

t = periode rata-rata bergerak

w = lebar rata-rata bergerak

3. Untuk peta pengendalian rata-rata bergerak pada periode , mencari Batas

Pengendali Atas (UCL) dan Batas Pengendali Bawah (LCL) digunakan rumus :
 σ ❑
UCL MA = X + 3
√n .w

σ ❑
UCL MA = X - 3
√n .w

dimana :

R
σ=
d2

4.Untuk peta pengendalian rata-rata bergerak pada periode , mencari Batas

Pengendali Atas (UCL) dan Batas Pengendali Bawah (LCL) digunakan rumus:

σ
UCL MA = X + 3
√ n−t

σ
UCL MA = X - 3
√ n−t

dimana :

R
σ=
d2

Peramalan dengan teknik Moving Average melakukan perhitungan terhadap

nilai data yang paling baru sedangkan data lama akan dihapus. Nilai rata-rata
dihitung berdasarkan jumlah data, yang angka rata-rata bergeraknya ditentukan dari
harga 1 sampai nilai N data yang dimiliki. Moving Average dihitung dengan
menggunakan formula sebagai berikut:

1 t
F t+1 = Σ X
N i=t− N+ 1 i
dimana :

t = nilai paling akhir

t+1 = nilai pada periode berikutnya

F t+1 = ramalan untuk periode berikutnya

X t ,t −1 ,t−2 , ...= nilai observasi dari variabel itu pada periode t, t-1, t-2, …

N = jumlah observasi yang digunakan dalam menghitung rata-rata bergerak

Dalam model Moving Average, dapat dilihat bahwa semua data observasi memiliki
bobot yang sama yang membentuk rata-ratanya. Padahal data observasi terbaru
seharusnya memiliki bobot yang lebih besar dibandingkan dengan data observasi di
masa lalu. Hal ini dipandang sebagai kelemahan dalam metode ini.

Nilai Tengah

Diberikan sekumpulan data yang meliputi N periode, waktu terakhir dan

ditentukan T titik data pertama sebagai kelompok-kelompok inisialisasi dan sisanya
sebagai kelompok pengujian. Metode rata-rata sederhana adalah mengambil rata-
rata dari semua data dalam kelompok inisialisasi tersebut, sebagai berikut:

x = Σ Ti−1 x iIT = F T+1

Sebagai ramalan untuk periode ( ), kemudian apabila data periode tersedia,

dimungkinkan untuk menghitung nilai kesalahannya.

e T +1= x T +1- F T+1

Dalam kelompok data historis masa lalu, terdapat satu lagi titik data sehingga nilai
rata-ratanya yang baru adalah:

x = Σ Ti−1
+1
x iI(T + 1) = F T+2

Apabila , unsur galat yang baru adalah:

e T +2= x T +2- F T+2

Contoh Soal:
 C. Pengendalian rata - rata bergerak geometri (Geometric Moving
Average)

Tujuannya, untuk: Mendeteksi adanya variasi penyebab khusus, meyakinkan

kestabilan sebuah proses, dan mendeteksi perubahan proses dari waktu ke waktu.
Rumus:
● Menentukan nilai rata - rata bergerak geometri setiap kali observasi atau setiap
periode (Gt) :

Untuk nilai G 0 bila tidak diketahui nilainya maka diasumsikan sama dengan
● Lalu mencari nilai r :
2
r=
w+1
● Menentukan garis pusat

● Mencari batas pengendali atas dan batas pengendali bawah :

untuk data kecil¿ w kali observasi :
 ● Untuk data t > w kali observasi :

dimana :

namun apabila kasus yang ada telah diketahui nilai R , maka :

R
σ=
d2

Contoh Soal:
Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari
data lebar kayu bangkirai oleh Suryadi Moulding pada bulan agustus 2015. Dari
data dibaawah ini dapat dilihat data lebar kayu bangkirai pada bulan sampai dengan
agustus 2015 tergapat 25 sampel dengan banyaknya pengamatan untuk setiap
sampel adalah 3.

1. Menghitung nilai R
 2 2
r= = = 0,67
w+1 2+ 1
2. Menghitung garis pusat peta pengendali rata -
3. Menghitung nilai (σ ¿
R 1,7
σ= = = 0,43
d 2 3,931
dimana :
m
Σ 1 Ri R 1+ R 2+ ...+ R 2 42,6
R= = = = 1,7
m m 25
R = x max- x min
d 2 = 3,931
4. Menghitung rata - rata bergerak geometrik
G1= 0,67(18,6) + (1-0,67) 18,8 = 18,8
G 2 = 0,67 ?(18,7) +(1 - 0,67) 18,8 = 18,7
Nilai rata - rata bergerak geometrik selengkapnya dapat dilihat pada tabel dibawah ini:

Berdasarkan tabel tersebut dapat dilihat nilai BPA dan BPB pada G1 adalah 19,1 dan 18,1.
Selanjutnya pada G2 adalah 19,1 dan 18,1. Karena peneliti memilih w = 2, maka
pergerakan BPA dan BPB hanya bergerak sampai pada nilai rata - rata bergerak geometrik
kedua.
5. Untuk menghitung batas pengendalian atas (BPA) dan batas pengendalian bawah
(BPB), hasilnya sebagai berikut :
Untuk n = 3, menggunakan nilai t = 1,
BPA :
BPB ;

Untuk n = 3, menggunakan nilai t = 2,

BPA:

BPB :

Karena lebar rata - rata bergerak yang digunakan adalah 2, maka untuk observasi ketiga
sampai dengan dua puluh lima, batas pengendalu atas dan bawahnya mengikuti batas
pengendali w = 2
6. Peta pengendali rata - rata bergerak geometrik (Geometric Moving Average)

PETA KENDALI ATRIBUT

Pengertian Peta Pengendali Kualitas Proses Statistik Untuk Data Atribut:
……………

Manfaat Peta Pengendali Kualitas Proses Statistik Untuk Data Atribut:

……………

6. Peta Pengendali Proporsi Kesalahan dan Banyaknya Kesalahan :

a. P Chart (Peta Pengendali Proporsi Kesalahan)

Tujuan, untuk:
- Menentukan rata-rata level kualitas: informasi ini menunjukkan
kemampuan proses dalam hal atribut.
- Mengetahui perubahan yang terjadi pada nilai rata-rata yang mungkin
mebutuhkan tindakan tertentu.
- Mengevaluasi performan kualitas dari operasi maupun personel
manajemen.
- Meningkatkan kualitas produk. P chart dapat memberikan ide untuk
quality improvement

Untuk Banyaknya Sample Konstan:

Rumus:
1. Lakukan pemeriksaan terhadap n buah item yang cacat (p).

Untuk setiap pemeriksaan (sampel i), hitung fraksi cacat dengan rumus :

jumla h yang ditolak

Pi=
jumla h yang diperiks a

2. Hitung rata-rata fraksi cacat dari seluruh item yang diperiksa

dengan rumus:

total jumla h yang ditolak

P=
total jumla h yang diperiksa

Dimana k = jumlah sampel yang diperiksa

 3. Hitung standar deviasi fraksi cacat dengan rumus :

Si=
√ p(1−p)
ni

4. Buat peta p dengan batas-batas kendali sebagai berikut :

a. Garis sentral (central limit) : CL = p

b. Batas kendali atas (Upper Control Limit) : UCL = p + 3

√ p(1− p)
ni

c. Batas kendali bawah (Lower Control Limit) : LCL = p - 3

√ p( 1− p)
ni

Contoh Soal :
Sebuah perusahaan pembuat plastik ingin membuat peta pengendali
untuk periode mendatang dengan mengadakan inspeksi terhadap
proses produksi bulan ini. Perusahaan melakukan 25 observasi dengan
mengambil sampel 50 buah untuk setiap observasi.

Observasi Proporsi
Ukuran sampel Banyak cacat cacat

1 50 4 0,08

2 50 2 0,04

3 50 5 0,10

4 50 3 0,06

5 50 2 0,04
6 50 1 0,02

7 50 3 0,06

8 50 2 0,04

9 50 5 0,10

10 50 4 0,08

11 50 3 0,06

12 50 5 0,10

13 50 5 0,10

14 50 2 0,04

15 50 3 0,06

16 50 2 0,04

17 50 4 0,08

18 50 10 0,20

19 50 4 0,08
20 50 3 0,06

21 50 2 0,04

22 50 5 0,10

23 50 4 0,08

24 50 3 0,06

25 50 4 0,08

Jumlah 1.250 90

Menghitung proporsi cacat untuk setiap observasi dengan cara : =

(banyaknya produk cacat)/(ukuran sampel). Hasilnya seperti yang
ditunjukkan pada kolom proporsi cacat di tabel
- Menghitung rata-rata proporsi produk cacat. Berikut perhitungan
90
rata-rata proporsi produk cacat p= =0,072
1250
- Menghitung batas pengendali atas (UCL) dan batas pengendali bawah
(LCL) untuk p chart

UCL = 0,072 + 3
√ 0,072(1−0,072)
50
=0,182

LCL = 0,072 - 3
√0,072(1−0,072)
50
=0,038
Karena pada data ada diatas di luar batas pengendalian, maka harus
dilakukan revisi

90−10
p= =0,067
1250−50

UCL = 0,067 + 3
√ 0,072(1−0,067)
50
= 0,173

LCL = 0,067 - 3
√0,072( 1−0,067)
50
= 0,039 = 0

Kondisi setelah revisi

 Untuk Banyaknya Sample Bervariasi:
Rumus:

- Hitung untuk setiap subgrup nilai proporsi unit yang cacat

x
p=
n

Dimana

p = proporsi kesalahan dalam setiap sampel

x = banyaknya produk yang salah dalam setiap sampel

n = banyaknya sampel yang diambil dalam inspeksi

- Hitung nilai rata - rata dari p

total produk yang ditolak

P=
total produk yang diinspeksi

- Buat peta p dengan batas-batas kendali sebagai berikut :

a. Garis sentral (central limit) : CL = p

b. Batas kendali atas (Upper Control Limit) : UCL = p + 3

√ p( 1− p)
ni
c. Batas kendali bawah (Lower Control Limit) : LCL = p - 3
√ p(1− p)
ni

Contoh Soal : Pada perusahaan kaos kaki ditemukan cacat produk dalam sampel
yang bervariasi setiap kali melakukan observasi. Adapun sampel yang diambil dan
kesalahan yang terjadi sebagai berikut:

Untuk observasi pertama dengan sampel 200 unit, perhitungan CL, UCL dan LCL
untuk p chart sampel bervariasi model harian/ individu adalah sebagai berikut: :

353
CL= =0,073
4860

UCL = 0,073 + 3
√ 0,073(1−0,073)
200
=0,128

UCL = 0,073 - 3
√ 0,073(1−0,073)
200
=0,017

Peta kendali :
Kemudian hitung untuk observasi kedua, ketiga, keempat dan seterusnya.
Perhitungan UCL dan LCL p chart sampel bervariasi untuk semua observasi
adalah sebagai berikut:
 Peta kendali setelah revisi :

b. np Chart (Peta Banyaknya Kesalahan):

Tujuan, untuk: untuk memetakan jumlah item cacat atau banyaknya cacat
dari sebuah sampel yang diambil

Untuk Banyaknya Sample Konstan:

Rumus:
- Center line
Jumla h sampel cacat
Np=
jumlah obser v asi
- P-bar
jumla h sampel
Np=
jumla h sampel seluru h nya
- UCL Dan LCL
UCLnp=n p+3 √ n p (1− p)❑
LCLnp=n p−3 √ n p(1− p)❑
Contoh Soal :

Suatu perusahaan pembuat mainan anak-anak ingin membuat peta

pengendali untuk periode mendatang dengan mengadakan inspeksi terhadap
proses produksi bulan ini. Perusahaan melakukan 25 observasi dengan
mengambil sampel 50 buah untuk setiap observasi. Data hasil pengambilan
sampel dapat dilihat pada tabel berikut.
Observas Banyaknya Proporsi Observ asi Banyaknya Proporsi
i Produk cacat cacat Produk cacat cacat

1 4 0,08 14 2 0,04

2 5 0,1 15 4 0,08

3 5 0,1 16 1 0,02

4 4 0,08 17 4 0,08

5 6 0,12 18 10 0,2

6 2 0,04 19 3 0,06

7 3 0,06 20 2 0,04

8 6 0,12 21 1 0,02

9 4 0,08 22 4 0,08

10 3 0,06 23 7 0,14
 11 3 0,06 24 5 0,1

12 2 0,04 25 4 0,08

13 3 0,06 Jumlah 97

Dalam soal tersebut, karena banyaknya sampel yang diambil setiap kali
melakukan observasi sama, maka dapat digunakan pula peta banyaknya
kesalahan (np-chart). Apabila digunakan peta pengendali banyaknya
kesalahan, maka garis pusat beserta batas pengendali atas dan batas
pengendali bawahnya adalah:

- Perhitungan untuk np chart mula-mula

Jumla h sampel cacat 97
np= = =3,88
jumla h observasi 25
Jumla h sampel cacat 97 97
np= = = =0,0776
jumla h sampel seluru h nya 50 x 25 1250
UCL¿ 3,88+3 √ 3,88(1−0,0776)❑ =9,55
UCL¿ 3,88−3 √ 3,88(1−0,0776)=−1,795=0❑
- Perhitungan untuk np-chart Revisi
Jumla h sampel cacat 87
np= = =3,625
jumla h observasi 24
Jumla h sampel cacat 87 87
np= = = =0,0725
jumla h sampel seluru h nya 50 x 24 1200
UCL¿ 3,625+3 √ 3,625(1−0,0725)❑=9,125
UCL¿ 3,625−3 √ 3,625(1−0,0725)=−1,875=0❑
Hasil setelah revisi

Untuk P dan np Chart, Jika data out of control maka perlu dilakukan:
Perlu direvisi dengan cara mengeluarkan sampel out of control

7. Peta Pengendali Untuk Banyaknya Kesalahan dalam Satu Unit Produk:

a. C Chart:
Tujuan, untuk: Peta pengendali ini digunakan untuk mengadakan pengujian
terhadap kualitas proses produksi dengan mengetahui banyaknya kesalahan
pada satu unit produk sebagai sampelnya.

Untuk Banyaknya Sample Konstan:

Rumus:
 Keterangan :

C = jumlah cacat
k = jumlah subgrup

Contoh Soal :
Sebuah contoh mungkin akan membantu untuk menggambarkan
bagaimana cara membuat C-chart. Dari 26 wafer yang masingmasing berisi
100 chip, kita menemukan total jumlah cacat sebanyak 516 (lihat Tabel 6).
Tabel 6 . Data jumlah cacat untuk wafer, masing-masing berisi 100 chip

Sampel jumlah cacat

Dari tabel di atas kita menghampiri c dengan menggunakan c (garis pusat),

yaitu sebagai berikut :

Oleh karena itu batas kendalinya sebagai berikut :

Gambar dibawah ini adalah C-chart dari perhitungan di atas,

b. U Chart:
Tujuan, untuk: Peta kendali u relative sama dengan peta kendali c.
Perbedaanya hanya terdapaat pada peta kendali u spesifikasi tempat dan
waktu yang selalu sama, yang membedakan dengan peta kendali c adalah
besarnya unit inspeksi perlu diidentifikasikan. U dalam U Chart menandai
“Unit” cacat dalam kelompok sampel.

Untuk Banyaknya Sample Konstan:

Rumus:

selanjutnya varians dari statistik adalah

Oleh karena itu, P-chart dibuat dengan menggunakan p sebagai garis pusat
dengan batas kendali adalah:
Model P-chart di atas menggunakan pengukuran sampel konstan, misal
ukuran sampel (subgrup) selalu sama di setiap kali observasi.

Contoh Soal :

Sebagai akibatnya garis pusat berada pada 0,0955 dan batas kendalinya
adalah :

yang mana adalah penghampir standar deviasi sampel proporsi cacat .

Perhitungan untuk menentukan batas kendali P-chart ditunjukkan tiga kolom
terakhir Tabel 4 di atas, dan Gambar 5 di bawah ini adalah P-chart tersebut.
 Untuk Banyaknya Sample Bervariasi:
Rumus:

ci = banyaknya kesalahan pd setiap unit sebagai sampel tiap observasi

m = banyaknya observasi yg dilakukan

n = ukuran sampel
Contoh Soal :

Tabel sampel U-chart

 Gambar minitab sebelum direvisi

Data observasi ke 9 berada diluar batas control yang disebabkan oleh sebab
khusus maka harus direvisi

Untuk banyaknya sampel bervariasi

• Apabila ukuran tiap sampel yang diambil dalam tiap observasi berbeda maka
digunakan u- chart.

• Untuk sampel yang bervariasi dapat digunakan model : control chart, model
harian/individu ücontrol chart model rata-rata.

Untuk C dan U Chart, Jika data out of control maka perlu dilakukan:

Menerapkan pengontrolan proses. Sebagai informasi tambahan saja bahwa seiring

dengan mobilitas produksi yang tinggi maka alangkah baiknya jika dalam aktual
penerapan pengontrolan proses itu menggunakan bantuan software (misal :
MINITAB). Hal ini bertujuan jika terjadi Out of Control(abnormality) akan segera
ketahuan dan terdeteksi.
KAPABILITAS PROSES

Dilakukan jika data sudah dalam kendali

Pengertian Analisis Kemampuan Proses: Definisi Kapabilitas Proses adalah

kemampuan suatu proses untuk menghasilkan suatu produk/jasa yang sesuai dengan
kebutuhan/syarat dari konsumen atau spesifikasi yang diharapkan. Statistical
Process Control (SPC) tidak mampu untuk menganalisa secara kuantitaif suatu
proses yang sedang berjalan, karena SPC hanya memantau/memonitor proses yang
sedang berjalan. Untuk mengetahui suatu proses berjalan secara capable/tidak
(menghasilkan produk/jasa yang sesuai spesifikasinya) dipakailah AKP. Dalam
AKP dipakai berbagai nilai indeks untuk mengetahui kualitas dari proses yang
dihasilkan. Antara lain Cp, Pp, Cpk, Ppk, Cpm, dan PPM.

Dalam SPC hanya dipakai Upper Control Limit (UCL) dan Lower Control
Limit (LCL) yaitu menggunakan batasan statistik (biasanya 3 simpangan/sigma)
namun dalam AKP selain menggunakan UCL dan LCL dipakai juga Upper
Spesification Limit (USL) dan Lower Spesification Limit (LSL).

Tujuan, untuk: untuk memprediksi seberapa konsisten proses memenuhi

spesifikasi yang telah ditentukan konsumen.

a. Rasio Kemampuan Proses/Indeks Kemampuan Proses (Nilai Cp):

Pengertian/tujuan/manfaat: Indeks Cpc yaitu indeks kemampuan proses
berdasarkan proportion of conforming (bagian yang sesuai) atau jumlah unit
produksi yang memenuhi satu atau beberapa spesifikasi dari proses produksi
tersebut atau tidak adanya cacat produk.
Rumus: Cpc = (1 - p0)/(1 - p)
p : bagian yang sesuai
P0 : proses minimum yang diijinkan.

Contoh Soal: P0 = 0,9973 (luasan dari sebaran alamiah dari suatu proses yang
besarnya 6σ)
Nilai-nilai dibawah atau diatas 0,9973 diijinkan, namun selain itu, Indeks C pc juga
didefinisikan sebagai:

Cpc = min

p1 = P(X < U), U batas spesifikasi atas

p2 = P(X < U), L batas spesifikasi bawah

Dalam tulisan ini, supaya memudahkan diasumsikan nilai p0 = 0, 9973. Jadi

Indeks Cpc dalam persamaan (1) dapat ditulis kembali dalam bentuk berikut:

Cpc = 0,0027/(1 - p)

selanjutnya akan memakai persamaan kedua. Pengujian nilai yang berbeda

untuk nilai p1 akan menghasilkan nilai Cpc sebagai berikut

1. Jika nilai p = 0, 9973, maka nilai indeks Cpc = 1

2. Jika nilai p > 0, 9973, maka nilai indeks Cpc > 1
3. Jika nilai p > 0, 9973, maka nilai indeks Cpc < 1

Satu-satunya parameter yang tidak diketahui dalam indeks Cpc adalah p nilai p
tergantung pada bentuk distribusi yang digunakan dalam proses produksi dan dapat
diestimasikan dalam bentuk sampel acak dalam proses yang diuji. Hasil estimasinya
dinotasikan dalam bentuk sehingga estimator indeks Cpc adalah :

pc = 0,0027/(1 - p ̂ )
b. Indeks Kemampuan Proses Atas dan Kemampuan Proses Bawah
Pengertian/tujuan/manfaat: Digunakan untuk mengevaluasi batas spesifikasi
yang dibutuhkan
Rumus:

CPL = (X - LSL)/3S (BAWAH)

CPU = (USL - X)/3S (ATAS)

Contoh Soal:
Periode pH MR Periode pH MR
Jul-15 10 Apr – 14 15 1
Jun-15 14 4 Mar – 14 19 4
May – 15 18 4 Jan – 14 19 0
Apr - 15 10 8 Des – 13 20 1
Mar – 15 12 2 Nov – 13 15 5
Feb – 15 9 3 Oct – 13 10 5
Jan – 15 15 6 Sep – 13 11 1
Dec – 14 10 5 Aug – 13 19 8
Nov – 14 16 6 Jul – 13 13 6
Oct – 14 15 1 Jun – 13 16 3
Sep – 14 16 1 May – 13 17 1
Aug – 15 14 2 Apr – 13 16 1
Jul – 15 20 6 Mar – 13 16 0
Jun – 14 17 3 Feb - 13 21 5
May – 14 16 1
Total 439 93
Rata- rata 15.14 3.32
USL 21
LSL 9

Spesifikasi yang ditetapkan untuk batas spesifikasi bawah (LSL) dan batas
spesifikasi atas (USL) adalah 6.0 dan 9.0. spesfikasi tersebut adalah ketetapan
perusahaan yang mengacu pada ketetapan peraturan pemerintah. Rasio
kemampuan proses (Cp) dan indeks kemampuan proses (Cpk) dapat dihitung
sebagai berikut:
S = k/d2 = 0.937/1.128 = 0,83, (nilai d2 dari table konstanta peta kendali untuk
n= 2 adalah 1,128)
Cp = (USL - LSL)/6S = (9.0 - 6.0)/(6(0.83)) = 0.602
CPU = (USL - X)/3S = (9.03 - 8.002)/(3(8.03)) = 0.4
CPL = (X - LSL)/3S = (8.002 - 6.0)/(3(8.03)) = 0.8
Cpk = min (CPL;CPU) = Min (0.8 ; 0.4) = 0.8

Sedangkan kemungkinan tingkat air limbah parameter pH (out of spec) dapat

dihitung sebagai berikut :
Za = (USL – X)/(S) = (9.0 – 8.002) / 0.83 = 1.2
Zb = (LSL – X)/(S) = (6.0 – 8.002) / 0.83 = - 2.4 p = (-2.4 < Z < 1.2)

Kemungkinan proses pengolahan air limbah yang dibawah spesifikasi adalah p

(Z < -2.4), dalam tabel distribusi normal standar dinyatakan 0.0082 x 1000000 =
8200ppm, sedangkan kemungkinan produk cacat diatas spesifikasi adalah p(Z >
1.2), dalam tabel dinyatakan Z1.2 adalah 0.6849 maka produk batas atas
dinyatakan 0.6849 x 1000000 = 684900 ppm. Dengan demikian total
kemungkinan produk di luar spesifikasi adalah 8200 + 684900 = 639100 ppm.
Perhitungan juga dapat dilakukan dengan software minitab 16 dan Gambar 2
dibawah ini menyajikan hasil perhitungan analisis kemampuan proses
menggunakan software tersebut terhadap parameter air limbah pH.

Analisis Kemampuan Proses Data Pengujian pH air limbah

Selanjutnya, berdasarkan hasil pengamatan diperoleh data pengamatan kualitas
air limbah parameter TSS sebagaimana table dibawah
S = k/d2 = 3.32/1.128 = 2.94
Cp = (USL - LSL)/6S = (21 - 9)/(6(2.94)) = 0.68
CPU = (USL - X)/3S = (21 - 15.14)/(3(2.94)) = 0.66
CPL = (X - LSL)/3S = (15.14 - 9)/(3(2.94)) = 0.70
Cpk = min (CPL;CPU) = Min (0.70 ; 0.66) = 0.70

c. Indeks Kemampuan Proses Cpk

Pengertian/tujuan/manfaat: Output dari AKP yang biasa digunakan untuk
menilai suatu kapabilitas proses adalah Cpk.
Rumus:
 Contoh Soal:
Weld

Weld Strength-1 Weld Strength-2 No Weld Strength-1

No
Strength-2

1 53,2 70,2 16 50,0 78,8

2 54,0 78,7 17 50,0 77,8

3 55,0 79,2 18 50,9 79,0

4 53,3 77,5 19 55,0 78,4

5 53,7 78,3 20 54,9 77,8

6 53,5 78,8 21 53,2 78,8

7 54,2 78,7 22 53,4 78,7

8 54,3 77,6 23 50,0 78,8

9 53,7 78,9 24 53,8 79,1

10 55,0 77,6 25 53,7 78,2

11 53,9 77,8 26 50,0 77,5

12 55,0 78,3 27 54,3 79,1

13 54,7 78,2 28 53,4 78,4

14 54,0 77,3 29 50,0 78,8

15 53,5 78,4 30 54,3 79,1

31 52,0 77,4
Saya sumarikan dari kedua graphik dalam bentuk tabel seperti di bawah ini:

Kelompok Lasan Nilai rata2 (Nilai Tengah) Nilai Cpk Nilai Cp

Lasan pertama 53,2 kN 5,69 *

Lasan kdua 78 kN 18,19 *

Dari tabel di atas jelas terlihat semakin besar nilai rata-ratanya (Nilai tengah) maka
akan semakin besar nilai Cpk nya, juga terlihat jelas bahwa nilai Cp ditandai dengan
* (atau tidak didefinisikan)
Kesimpulan: Dari kajian diatas terlihat bahwa indeks kemampuan Proses Cpc
banyak menanggulangi beberapa kekurangan dari indeks kemampuan Proses yang
lama antara lain hanya diasumsikan untuk distribusi normal, sedangkan indeks Cpc
dapat digunakan untuk distribusi Non-Normal baik untuk proses diskrit seperti
distribusi Poisson dan kontinyu seperti distribusi Eksponensial. Estimasi Parameter
dari Indeks Cpc untuk kedua distribusi cukup dengan melihat MLE dari parameter
distribusi tersebut, sedangkan limit kepercayaan hanya untuk satu sisi saja.

Jadi pemilihan penggunaan peta kendali tergantung dari:

1. Kebutuhan data yang diinginkan

2. Masalah yang dihadapi

Apakah Kapabilitas proses bisa digunakan untuk semua Peta Kendali ?