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
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
Hasil perhitungan nilai X bar dan R dapat dilihat pada kolom X dan R pada
gambar data di atas
Langkah 2
Langkah 3
Menghitung CL, UCL dan LCL untuk X bar Chart dan R
= (166)/5 =33, 2
CL - R Chart
=4
= 2,114*4 = 8.456
= 0*4 = 0
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).
● 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
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:
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:
= 521/25
=20,77
=34,88/25
=1,30
Catatan: Dengan asumsi bahwa jumlah subgroup > 10, maka Nilai A3 dapat
dilihat pada Tabel Nilai A3, B3 dan B4
Peta kendali S :
= 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
Subgroup Size A3 B3 B4
2 2.659 ----- 3.267
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
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
X Y
1 1
2 1.5
3 2.5
4 2.8
5 4
Jawab :
Dalam hal ini, e adalah nol karena diasumsikan bahwa variabel bebas (X) memiliki
kesalahan yang dapat diabaikan.
b = [ XY – (∑Y)(∑X)/n ] / (X-X') 2
b = 1,02
a = Y – b(X)
a = -1,06
Dengan mensubstitusi nilai a, b dan X, kita dapat menemukan nilai Y yang sesuai.
Ketika X = 1
Ketika X = 2
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:
dimana:
x = garis pusat
σ ❑
UCL MA = X - 3
√n .w
dimana :
R
σ=
d2
σ
UCL MA = X + 3
√ n−t
σ
UCL MA = X - 3
√ n−t
dimana :
R
σ=
d2
1 t
F t+1 = Σ X
N i=t− N+ 1 i
dimana :
X t ,t −1 ,t−2 , ...= nilai observasi dari variabel itu pada periode t, t-1, t-2, …
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
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
Contoh Soal:
C. Pengendalian rata - rata bergerak geometri (Geometric Moving
Average)
Untuk nilai G 0 bila tidak diketahui nilainya maka diasumsikan sama dengan
● Lalu mencari nilai r :
2
r=
w+1
● Menentukan garis pusat
dimana :
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 ;
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)
Untuk setiap pemeriksaan (sampel i), hitung fraksi cacat dengan rumus :
Si=
√ 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
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
x
p=
n
Dimana
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 :
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:
Untuk P dan np Chart, Jika data out of control maka perlu dilakukan:
Perlu direvisi dengan cara mengeluarkan sampel out of control
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
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.
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 :
n = ukuran sampel
Contoh Soal :
Data observasi ke 9 berada diluar batas control yang disebabkan oleh sebab
khusus maka harus direvisi
• 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:
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).
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
Cpc = 0,0027/(1 - p)
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:
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
31 52,0 77,4
Saya sumarikan dari kedua graphik dalam bentuk tabel seperti di bawah ini:
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.