SIX SIGMA Concept

6σ
6 sigma
toward zero defect
( the high quality control program )

Richard hutajulu & partners

ISO club consultant
This document belong to richard hutajulu & partners @

Revision 00
12 April 2001
1 / 164
BAB 1 : DEFINISI PERMASALAHAN
6σ
1-1 Konsep Six Sigma
1-2 Pendekatan Langkah-Langkah Six Sigma
1-3 Pengetahuan Konsep Dasar Statistik
1-4 Apa yang dimaksud dengan Kualitas Six Sigma?
1-5 Langkah-langkah memfokuskan masalah

2 / 164
Six Sigma Sebagai Konsep Metrik
6σ
σ-Level PPM
6 3.4 Buah yang Enak

Desain untuk
produktivitas
5 233 Buah yang di tengah

Proses Karakterisasi
dan Optimisasi
4 6,210 Buah di bagian bawah

Gunakan alat dasar
7QCTools
3 66,807
Buah yang jatuh

Gampang diambil
2 308,537
Kemampuan Kesempatan
Proses Cp Cacat
Dist. digeser = ± 1.5σ
Tingkatan cacat turun secara eksponesial sebagai tingkatan sigma yang naik
dari satu nilai dan seterusnya secara linier
3 / 164
Konsep Six Sigma
6σ
Perusahaan dengan 3 Sigma Perusahaan dengan 6 Sigma
• Dari 10∼15% nilai penjualan untuk • Dari 5% nilai penjualan untuk

membiayai kegagalan membiayai kegagalan
• Mempunyai 66,807 cacat per satu • 3.4 cacat per satu juta (ppm)
juta (ppm)
• Mendeteksi untuk mencari yang • Berfokus pada proses agar tidak

cacat membuat cacat
• Percaya bahwa kualitas yang baik • Mewujudkan kualitas tinggi

berbiaya mahal sehingga berbiaya rendah
• Tidak ada sistem yang sistematis • Menggunakan pengetahuan untuk

mengukur, menganalisa, perbaikan
dan pengendalian
• Benchmarking dilakukan untuk • Benchmarking dilakukan untuk
berkompetisi mencapai yang terbaik di dunia
• Percaya 99% cukup baik • Percaya 99% tidak bisa diterima
• Mendefinisikan CTQ secara • Mendefinisikan CTQ dari sudut

internal pandang pelanggan
4 sigma Level? 1misspelled word per 30pages of newspaper.

5 sigma Level? 1misspelled word in a set of encyclopedias.
6 sigma Level? 1misseplled word in all of the books contained in a small library.
4 / 164
Konsep Six Sigma
6σ
Perusahaan dengan 3 Sigma Perusahaan dengan 6 Sigma
• 54,000 resep obat yang salah • Satu resep obat salah selama 25 tahun
selama satu tahun
• 40,500 bayi jatuh oleh dokter • 3 bayi jatuh oleh dokter maupun
maupun perawat setiap tahun perawat selama seratus tahun
• Kebocoran air minum 2 jam per • Kebocoran air minum jam dalam 16
bulan tahun
• Telepon tak dijawab selama 27 • Telepon tak dijawab selama 6 detik

menit dalam seminggu dalam 100 tahun
• 5 pendaratan tidak tepat di • Satu pendaratan tidak tepat di United

O’Hare Airport dalam sehari States selama 10 tahun
• 1,350 kegagalan operasi bedah • Satu kegagalan operasi bedah selama

dalam seminggu 20 tahun
• 54,000 kehilangan artike atau surat • 35 kehilangan artike atau surat salah
salah alamat dalam satu jam alamat dalam satu tahun
5 / 164
Konsep Six Sigma
6σ
Langkah Tools
1) Process Mapping
2) Logic Tree
Definition
3) Pareto Analysis
4) QFD, FMEA
5) Gage R&R
Measurement 6) Rational Subgroup

7) Process Capability
8) Hypothesis Test
Analysis 9) Regression
10) Graph Analysis
11) DoE(Design of Experiment)

Improvement
12) ANOVA ( Analysis Of Variance )
13) SPC
Control
6sigma quality tools can be effectively applied to improve problems.
6 / 164
Konsep Six Sigma
6σ
Y = f(X)
Pertanyaan 1) Mana yang menjadi fokus Y atau X?
•Y • X1 … Xn
• Variabel Tak Independen • Independent Variable
• Output/Keluaran • Input/Masukan
• Effect/Akibat • Cause/Penyebab
• Symptom/Gejala • Problem/Masalah
• Monitor • Control object
Pertanyaan 2), Perlukah untuk mengaudit atau menguji Y secara teratur jika X
bagus?
6 Sigma activity is concerned about the problem happened(in the sector of

manufacturing and non manufacturing). They could be improved by focusing
the factor which causes the problem.
7 / 164
Pendekatan langkah-langkah Six Sigma
6σ
2
Langkah Kegiatan Fokus
1. Clarifying improvement target object.
Define 2. Forecasting improvement effect.
3. CTQ selection for products and process. Y
4. Understanding process capability for ‘Y’ Y

5. Clarifying measurement method of ‘Y’ Y
Measurement
6. Specific description of Target object for Y
improving against ‘Y’
7. Clarifying Target for improving ‘Y’ Y

Analysis
8. Clarifying factors which affect ‘Y’ X1 .... Xn
9. Extract the vital few factors through X1 .... Xn

screening
Improvement 10. Understanding correlation of vital few Vital Few X1
factors
11. Process optimization and confirmation Vital Few X1
experiment
12. Confirm measurement system for ‘X’ Vital Few X1
13. Selection method how to control vital Vital Few X1
Control
few factors
14. Build up process control system & audit Vital Few X1
for vital few
6 Sigma activity with 5 steps of D-M-A-I-C, will pass through the major 14 steps.
6 Sigma activity have D-M-A-I-C process breaking down the problem through
the condition analysis, finding the potential causal factor , and improving
the vital few factors
After the condition identification, we have the first action about the part being
improved at first, and then we proceed continually the improvement activity
at the next step.
8 / 164
Pemahaman Dasar-dasar Statistik
6σ
Metoda komputasi data
• Komputasi ukuran nilai tengah

1 n
· Rata-Rata Hitung(x) : x= Σ xi
n i=1
1
· Rata-rata harmonik(H) :H =
1 1
[Σ ]
n x
~ : nilai tengah suatu nilai yang telah diurutkan berdasarkan ukuran

· Median(x)
· Modus : nilai yang paling sering muncul
• Komputasi ukuran variasi atau keragaman
· S(Total Sum of Squares) : adalah total kuadrat kesalahan atau error
(Σxi)²
S = Σ (xi - x)² = Σ xi² -
n
· Variansi tak bias : suatu nilai yang dibagi dengan

n-1, derajat kebebasan, dari S(Total Sum of Squares)
S
V =
n-1
·Akar kuadrat atau standar deviasi dari variansi tak bias
S
V =
n-1
9 / 164
6σ
Parameter & Statistik
• Parameter : nilai yang menggambarkan karakteristik suatu populasi

• Statistik : nilai yang menggambarkan karakteristik sampel
Kategori Parameter Statistik
Rata-rata Rata-rata populasi, µ Rata-rata sampel, x
Variansi populasi, Variansi sampel,

σ² Variansi tak bias, V
Σ (xi - x)² Σ(xi - x)²
Variansi σ²= V =
n n-1
S S
= =
n n-1
Deviasi sampel,
Deviasi populasi,
Akar kuadrad variansi tak
σ
bias
S
Deviasi σ = σ²= v =
S²
n
S
=
n-1
Jumlah n kesalahn atau error adalah selalu nol, jika n-1 , maka yang lainnya
ditentukan olehnya juga, maka n-1 disebut (Derajat Kebebasan atau Degree of
Freedom)
10 / 164
6σ
Konsep Six Sigma
• Sigma berarti variasi atau keragaman proses, huruf Yunani

• Sigma menggambarkan standar deviasi atau variasi dekat rata-rata dalam statistik
atau kemungkinan yang menyebabkan sesuatu
• Sigma adalah ukuran satuan statistik yang menggambarkan kemampuan proses Cp
dan ukuran nilai sigma dinyatakan dalam DPU(Defect Per Unit), PPM
• Dapat dikatakan bahwa proses dengan nilai sigma lebih tinggi dalam proses
akan mempunyai cacat yang lebih sedikit
• Makin bertambah nilai sigma,
makin berkurang biaya kualitas dan waktu siklus
Inflection : Ukuran atau standar deviasi yang

Point menunjukkan jarak antara inflection
point dan rata-rata.
Dapat diakatakan proses mempunyai
kemampuan 3 sigma jika 3 kali
deviasi adalah merupakan jarak
1σ
σ
antara target dan batas spesifikasi
μ USL
T 3σ
σ
11 / 164
6σ
Jika nilai rata-rata dalam tes bahasa korea dalam suatu kelas adalah 60, standar
deviasi 5, dan distribusi adalah normal.
Jika kita memilih murid, berapa kemungkinan jumlah murid yang dapat nilai 70
atau lebih.
1 x-µ
1 − [ ]
2
f(x) = e 2 σ
σ 2π
68.3%
95.4%
99.7%
Measurement(Point): 45 50 55 60 65 70 75
Z-Value σ : -3 -2 -1 0 1 2 3
• Distribusi Normal : N(60, 5²)

• Standar Distribusi Normal : N(0, 1²)
• Bilamana nilai 70, Nilai–Z adalah
x - µ 70 - 60
Z = = = 2
σ 5
Jika USL(Upper Spec Limit) adalah 75 nilai kemampuan proses saat ini adalah z=3 atau
3 σ.
Nilai Z’ adalah satuamn ukuran berapa stadra deviasi (σ

σ) dapat diselipkan dari nilai
rata-rata ke USL atau LSL
12 / 164
6σ
Komputasi Nilai-Z
• Berapa kemungkinan yang mendapat nilai 70?

· Luas area pada distribusi normal adalah “1”
· Nilai yang sedang dibagi dengan jarak variabel
random “X” ke rata-rata hitung “μ”
menjadi standar deviasi dinyatakan dengan “Z”
· Jika spesifikasi atas atau spesifikasi bawah
diubah menjadi “X”, area ekor dari distribusi
normal diatas spesifikasi atas adalah
“kemungkinan cacat”. Nilai-Z digunakan untuk
mengukur kemampuan proses dan juga standar
deviasi di dalam proses. Ingat dan perhatikan hal Performance
Limit
ini!
· Nilai- Z adala area di bawah 2.0, katakanlah Z
0.0228. Ini adalah luas dari total area, 1. x - µ

σ Probability
of Defect
45 50 55 60 65 70 75
x - µ 70 - 60
Pr(X > 70) = [ > ]
σ 5
= (Z > 2) Z 0 0.01 0.02 0.03 0.04 ···
0.0 5.00E-01 4.96E-01 4.92E-01 4.88E-01 4.84E-01

0.1 4.60E-01 4.56E-01 4.52E-01 4.48E-01 4.44E-01
= 2.28% or 0.2 4.21E-01 4.17E-01 4.13E-01 4.09E-01 4.05E-01
0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01

22,800PPM 0.4 3.45E-01 3.41E-01 3.37E-01 3.34E-01 3.30E-01
0.5 3.09E-01 3.05E-01 3.02E-01 2.98E-01 2.95E-01
0.6 2.74E-01 2.71E-01 2.68E-01 2.64E-01 2.61E-01
0.7 2.42E-01 2.39E-01 2.36E-01 2.33E-01 2.30E-01
0.8 2.12E-01 2.09E-01 2.06E-01 2.03E-01 2.00E-01
0.9 1.84E-01 1.81E-01 1.79E-01 1.76E-01 1.74E-01
1.0 1.59E-01 1.56E-01 1.54E-01 1.52E-01 1.49E-01

1.1 1.36E-01 1.33E-01 1.31E-01 1.29E-01 1.27E-01
1.2 1.15E-01 1.13E-01 1.11E-01 1.09E-01 1.07E-01
1.3 9.68E-02 9.51E-02 9.34E-02 9.18E-02 9.01E-02
1.4 8.08E-02 7.93E-02 7.78E-02 7.64E-02 7.49E-02
1.5 6.68E-02 6.55E-02 6.43E-02 6.30E-02 6.18E-02
1.6 5.48E-02 5.37E-02 5.26E-02 5.16E-02 5.05E-02
1.7 4.46E-02 4.36E-02 4.27E-02 4.18E-02 4.09E-02
1.8 3.59E-02 3.51E-02 3.44E-02 3.36E-02 3.29E-02
1.9 2.87E-02 2.81E-02 2.74E-02 2.68E-02 2.62E-02
Nilai ekor sebelah kiri bisa 2.0 2.28E-02 2.07E-02

2.1 1.79E-02 Tabel area di bawah 1.62E-02
2.2 1.39E-02 1.25E-02
diperoleh pada tabel statistik 2.3 1.07E-02 kurva normal 9.64E-03
2.4 8.20E-03 7.34E-03
yang ada di buku-buku. 2.5 6.21E-03 5.54E-03
…
13 / 164
6σ
Menggunakan Z sebagai satuan ukuran kemampuan proses
•Z =3
LSL USL
1σ 2σ 3σ
Kemampuan 3σ
σ
•Z =6
LSL USL
1σ 2σ 3σ 4σ 5σ 6σ
Kemampuan 6σ
σ
Bila keragaman/variasi turun, kemungkinan cacat juga turun untuk batas spesifikasi
yang ada, maka kemampuan (capability) meningkat
Apa yang dilakukan secara statistik untuk meningkatkan menjadi kemampuan proses
6σ
σ memahami isu fenomena yang dianalisis?
14 / 164
6σ
Apa yang kita perlukan, pengendalian atau teknologi?
Short Term Capability Long Term Capability

Kemampuan Jangka Pendek Kemampuan Jangka Panjang
• Menghitung dari data yang • Mengitung dari data yang diambil

diambil dalam periode yang pada periode yang cukup panjang
pendek yang tidak ada pengaruh yang
luar terhadap suatu proses bisa saja ada pengaruh faktor luar
• Zst(σst) , Cp terhadap suatu proses
• Butuh teknologi untuk perbaikan • Zlt(σlt) , Cpk
Kemampuan proses pada kondisi • Perlu teknologi dan pengendalian
yang optimum untuk perbaikan
• 6σ : Zst=6.0, Cp=2.0
• Zst = 3 × Cp • 6σ : Zlt=4.5, Cpk=1.5
• Zlt = 3 × Cpk
Z. lt adalah selalu < Z.st, karena nilai jangka panjang akan berkurang dengan
menggeser dan mengedrift proses
Zshift = Zst - Zlt > Zst = Zlt + 1.5
15 / 164
Apa yang dimaksud dengan Kualitas Six Sigma? 6σ
Rata-rata variasi distribusi normal adalah (± 1.5σ)
-1.5σ +1.5σ
LSL USL
-6σ -5σ -4σ -3σ -2σ -1σ X +1σ +2σ +3σ +4σ +5σ +6σ
Cacat sehubungan dengan perubahan spesifikasi dan pengesseran rata-rata hitung
Berkaitan dengan Cacat (Tak ada variasi) Cacat (±1.5σ Shift)

Spesifikasi (Proses rasional)
±1 σ 317,300 697,700
±2 σ 45,500 308,700
±3 σ 2,700 66,810
±4 σ 63 6,210
±5 σ 0.57 233
±6 σ 0.002 3.4
Tingkatan Kualitas 6 Sigma adalah 3.4PPM , yang berarti Cp = 2.0, Cpk = 1.5
16 / 164
Apa yang dimaksud dengan Kualitas Six Sigma? 6σ
4 Block Diagram
Poor 2.5
2.0 A B
Z shift
1.5
process control
1.0 C D
Good 0.5
1 2 3 4 5 6
Zst
Poor Good
Technology
• A : Pengendalian/kontrol lemah, teknologi lemah

• B : Harus mengendalikan proses lebih baik, teknologi baik

• C : Pengendalian baik, lemah teknologi
• D : World Top Class – Peusahaan Dunia tingkat atas – huebat!
17 / 164
Langkah-langkah memfokuskan pada masalah
6σ
1. Mendefisikan area permasalahan
(Dimanakah kita mempunyai masalah?)
• Process Mapping Pemetaan Proses

· Pemetaan proses dibuat untuk mendokumentasikan proses untuk
menjelaskan aliran part/material dan informasi
· Ini adalah alat kunci untuk mengidentifikasi kesempatan perbaikan
• Metoda Pemetaan Proses

· Definisikan batasan-batasan proses.
(Area umum atau proses khusus yang cenderung akan diperbaiki)
· Brainstorming dan buat urutan langkah-langkah dengan tim Anda)
· Gunakan lambang-lambang untuk mengkodekan kegiatan agar mudah
dipahami
· Amati lagi dari awal untuk memastikan peta yang telah dibuat
· Tambahkan satuan ukuran proses yang utama:
- yield, costs, rolled throughput yield, scrap, overtime $, capacity,
%schedule, %OTD
· Analisa peta terhadap isu-isu bisnis utama sebaiknya ada di area:
- Kerugian atau pemborosan proses
- Perbaikan waktu siklus
- Perbaikan kualitas
- Perbaikan aliran
18 / 164
6σ
1. Mendefinisikan area permasalahan
• QFD(Quality Function Deployment)

· QFD digunakan untuk menghubungkan kebutuhan utama pelanggan terhadap
spesifikasi teknik dan potensial part CTQ. QFD dibuat oleh sekelompok tim ahli
• Proses QFD
· Identifikasi kebutuhan utama pelangga dengan cara mereview pasar, kebutuhan
keandalan, kebutuhan umum dan isu0isu kualitas saat ini.
· Rangking petunjuk yang penting dan terjemahkan menjadi spesisikasi teknis
yang sesuai dengan keinginan pelanggan
· Rangking spesifikasi teknik yang paling berpengaruh langsung terhadap
keinginan pelanggan dan terjemahkan menjadi karakteristik suatu part atau
produk (CTQ)
· Raknking karakteristik part yang berpengaruh untuk membuat spesifikasi teknik
(CTQ)
QFD adalah alat untuk mengubah kebutuhan kritikal pelanggan dan menjadikannya
sebagai suatu faktor kuanatitatif
Kebutuhan pelanggan dikuantifikasi dengan QFD, dan akhirnya, kita memilih CTQ
potensial dan kemudian mendeploi menjadi kegiatan perbaikan
19 / 164
6σ
1. Mendefinisikan area permasalahan
• FMEA(Failure Modes & Effects Analysis)

· FMEA digunakan secara proaktif untuk mengidentifikasi dan merangking
dalam mendesain produk dan melaksanakan tindakan yang sesuai sebagai
langkah pencegahan macam kegagalan
• Proses FMEA
· Brainstorm kegagalan potensial pada pengembanangan produk.
· Melaksanakan signifikan dan kemungkinan (likelihood of occurrence)
terbesar yang menyebabkan macam kegagalan
· Menentukan tolok ukur pengendalian yang ada saat ini untuk menghilangkan
macam kegagalan yang signifikan
· Mengembagkan tindakan untuk menghilangkan atau mengurangi resiko pada
semua sisa macam kegagalan
• Pareto Analysis
· Ini digunakan untuk mendapatkan isu-isu yang dari masalah yang ada
· Pada umumnya 80% permasalahan disebabkan oleh 20% macam masalah.
2. Tema dan Keputusan Kegiatan dari Insinyur Paruh-Waktu yang terkait
• Anda bisa mendeploy sebuah permasalahan dengan mentoda semacam Logic

Tree, ambil insinyur yang berpengalaman memimpin kegiatan terdahulu, dan

dapatkan insinyur tersebut melaksanakan tema kegiatan
20 / 164
6σ
3. Memfokuskan pada isu-isu khusus
• Brainstorming : Sebuah pendekatan tim untuk memperoleh ide-ide dalam

waktu singkat.
• Types of Brainstorming
· Free Wheeling/Roda berputar : setiap anggota mengungkapkan ide secara
spontan pada saat mendapatkan giliran secara berputar.
· Round Robin/Putaran Robin : setiap anggota meberikan ide dan pendapat
dengan berderet.
· Card Method/Metoda Kartu : setiap anggota menuliskan ide-ide pada
kartu tanpa mendiskusikan dahulu.
• Petunjuk melakukan Brainstorming
· Dilarang mengkritik
· Semua ide dicatat
· Dilarang menginterpretasikan masukan
· Gunakan ide-ide teman yang lain
· Dilarang mendiskusikan ide saat brainstorming
· Setiap ide dihargai
· Setiap anggota tim berpartisipasi
• Logic Tree(Structure Tree)

· Digunakan untuk memecahkan masalah dengan membuatnya jadi logik.

· Membagi setiap permasalahan berdasar MECE.
*. MECE(Mutually Exclusive and Collective Exhaustive)
6 sigma is a kind of type which can improve the problem(RPM) by practicing

improvement activity for the lower level displayed in the long run.
21 / 164
6σ
4. Menghitung manfaat secara finasial
: Diskusikan dengan bagian keuangan atau hitung dengan Tim Advokasi
Discuss untuk mengkonfirmasikan hasil manfaat secara finansial yang diperoleh.
5. Menuliskan Pernyataan Masalah

: Adalah suatu hal kritikal untuk menuliskan dan mendefinisikan pernyataan
masalah. Sebuah pernyataan masalah sebaiknya mengandung “As Is” dan “Hasil
yang ingin Dicapai” suatu isu secara spesifik dan teruukur.
6. Membuat Project Schedule

: Sebuah project schedule mengorganisasikan kegiatan proyek yang kritikal dan
menjaga agar kegiatan sesuai dengan rencana semula.
22 / 164
BAB 2 : PENGUKURAN
6σ
2-1 Pengertian Noise
2-2 Gage R&R
2-3 Analisa Data Kontinu
2-4 Analisa Data Diskret

23 / 164
Pengertian Variasi
6σ
Jenis Data
Perbaikan Permasalahan
Continuous Data
Discrete Data
Masalah Proses/Bottle Neck/Issue Item
• Data Kontinu
. Data yang merupakan hasil penghitungan, seperti Inch, Kg, Detik
. Mengandung informasi yang lebih lengkap daripada data Diskret
• Data Diskret
. Merupakan data hasil menghitung atau membilang
. Dapat berupa informasi bersifat pendapat seperti : Accept dan Reject
. Tidak dapat dibagi lagi menjadi unit yang lebih detail lagi
Jika data tidak berdasarkan hasil pengukuran, mungkin kesempatan untuk melakuka
n perbaikan kecil. Dengan kata lain, tidak dapat diperbaiki melalui 6 Sigma tool yang
segala permasalahan harus terukur
24 / 164
Pengertian Variasi
6σ
White Noise
• White Noises adalah penyimpangan / deviasi yang dipengaruhi

oleh faktor yang ada di dalam proses.
• Tidak dapat dikontrol melalui teknologi yang ada sekarang
• Mempengaruhi deviasi proses pada banyak kasus
• Dipengaruhi oleh banyak faktor yang tidak bagus
• Ditunjukkan oleh Z.st
Black Noise
• Black Noises dipengaruhi oleh faktor eksternal, dan umumnya kita
dapat menganalisa penyebabnya.
• Tidak dapat dikendalikan didalam proses.
• Umumnya nilai Mean bergeser dari nilai target.
• Berdasarkan overtime, kita tidak dapat melacak perubahan capability
Contoh Pembagian White Noise dan Black Noise

Line 1 Line 2 Line 3
Operator 1 Operator 4 Operator 7
• White Noise : Variasi proses Mean pada setiap Line 1,2,3

• Black Noise : Variasi rata-rata diantara line 1,2,3
25 / 164
Pengertian Variasi
6σ
Rational Subgroup
• Rational Subgroup adalah sample dari suatu group yang dikerjakan pada kondisi
yang sama dan pada kurung waktu yang seoptimal mungkin (sependek mungkin
).
Black Noise Rational Subgroups

Process Response
White Noise
Time
Rational Subgroup membolehkan sample diambil dari white noise. Black noise terjadi dianta
ra beberapa sample
Kapabilitas Long Term dan Short Term dapat diidentifikasi oleh rational subgroup.
Data yang dikoleksi selama periode long term termasuk black noise dan white noise
26 / 164
Pengertian Variasi 6σ
Kenapa harus melakukan Rational Subgroup
• Rational Subgroup adalah salah satu kekuatan dari 6 sigma tools.
• Merupakan suatu metode yang sangat penting sehingga kita dapat

mengidentifikasikan long term capability dan short term capability
· Kita dapat mengidentifikasi apakah noise bermasalah atau mean shift
bermasalah.
· Merupakan langkah pertama untuk menggolongkan permasalahan
• Factor yang harus termasuk dalam Rational Subgroup.

: Menggunakan 5M dari analisa penyebab dan pengaruh sebagai checklist
untuk membantu mengidentifikasi penyebab potensial didalan proses.
Man : Perubahan Operator, kerja shift, Operator baru
Mesin : Perubahan seting mesin, Perawatan mesin
Material : Incoming Lots, Work Arrangement, Raw Material
Metode : Perbedaan metode kerja diantara beberapa operator
Measurement : Variasi dari operator, variasi dari pengukuran
Contoh Rational Subgroup
• Kita akan melakukan perbaikan mutu dari Back Cover TV, lalu kita memeriksa
penyebab dari variasi Back Cover. Selanjutnya kita melaksanakan Rational Subgroup.
Potensial Faktor X dan rencana implementasi.

Dua perbedaan dari mesin injeksi molding : pengambilan data dengan
pengulangan terhadap dua mesin tersebut.
Kerja Shift : Pilih sampel dari setiap waktu kerja shift dan dianalisa.
Pekerja shift per satu minggu : Pilih sampel pada pekerja yang bekerja pada
setiap shift dan dianalisa.

Analisa perbedaan raw material pada setiap lot.
27 / 164
Gage R&R
6σ
Definisi Gage R&R ?
• Gage R&R adalah suatu alat statistik untuk menganalisa seberapa besar
variasi pengukuran yang berakibat pada variasi dari suatu proses.
Gage R&R Study
• Ragam dalam Gage R&R Study

Repeatability (Equipment Variation)
Reproducibility (Appraiser Variation)
Total Measurement Variation
Tentukan seberapa besar kontribusi terhadap total variasi proses atau
spesifikasi
Rumus Total Variasi
s2 Total = (sPart-part)2 + (sR&R)2
Total Variasi Variasi Part Variasi Pengukuran

Data
Pentingnya Gage R&R Study
Dari Gage R&R Study kita dapat memperoleh informasi sebagai berikut :
Gage Resolusinya cukup

Sistem pengukuran secara statistik adalah stabil
Menghasilkan suatu pengukuran yang dapat diterima dan tingkat
kesalahannya kecil.
(Dari sini kita dapat menemukan faktor X yang benar yang menyebabkan variasi ‘Y
’ dengan variasi pengukuran yang kecil).
28 / 164
Gage R&R
6σ
Keputusan Menerima Gage R&R Study
Tingkat Kesalahan Gage terhadap Keputusan

Toleransi
Dibawah 20 % Diterima
20 % - 30 % Diterima namun dengan persyaratan

tertentu tergantung dari kepentingan
Diatas 30 % Ditolak
• Bila hasil pengukuran menghasilkan variasi R&R yang besar maka pengukuran
harus diperbaiki atau diulang, oleh sebab itu Gage R&R Study harus dilakukan
dengan cermat dan hati-hati.
Resolusi Gage
• Pengukuran harus mempunyai resolusi kurang dari atau sama dengan 10 % dari
spesifikasi atau variasi proses.
Resolution : Unit terkecil dari ukuran gage yang dapat dibaca.
Contoh : Suatu part mempunyai toleransi sama dengan + 0.020, maka
pengukuran harus mempunyai resolusi 0.002 dan Gage R&R < 20 %

sebagai persyaratan agar diterima.
Sampling Gage R&R
• Jika sampel tidak dilaksanakan secara random, maka proses perencanaannya

harus dilaksanakan dengan sebaik mungkin supaya dapat menutupi total range
variasi dan spesifikasi.
29 / 164
Gage R&R
6σ
Pengertian Sistem Variasi Pengukuran
• Repeatability adalah Variasi pengamatan dengan satu alat pengukuran yang

digunakan beberapa kali oleh seorang operator untuk mengukur.
Repeatability
• Reproducibility merupakan variasi yang didapatkan dari perbedaan operator

dalam mengukur dengan menggunakan alat ukur yang sama.
Reproducibility
30 / 164
Gage R&R
6σ
• Stability (Keseimbangan) adalah total variasi pada pengukuran yang

dilakukan pada kondisi yang sama dan pada periode waktu yang panjang.
Time 1
Time 2
Stability
• Bias (Akurasi) adalah penyesuaian nilai pengukuran sehingga mendekati

nilai sesungguhnya (True magnitude).
Bias
Nilai Nilai rata-rata

sesungguhnya hasil pengamatan
31 / 164
Gage R&R
6σ
• Linearity : Perbedaan nilai bias seluruhnya terhadap jarak yang diinginkan

pada pengukuran.
Nilai Nilai Referensi

Aktual
Nilai Aktual
32 / 164
Gage R&R
6σ
Jenis Gage R&R Study
• Metode Short Study

Dilakukan oleh 2 operator dengan junlah sampel 5 tanpa pengulangan.
Tidak dapat dianalisa secara cepat apakah hasil Gage diterima atau
ditolak.
Tidak dapat dibagi menjadi Repeatablity dan Reproducibility
• Metode Long Study

Biasanya dilakukan oleh 2 sampai 3 operator, jumlah sampel 10 dengan
pengukuran yang diulang sebanyak 2 sampai 3 kali.
Dapat diketahui seberapa besar variasi pengukuran dan repeatability serta
besarnya reproducibilitysehingga kita dapat mengetahui perbaikannya.
33 / 164
Gage R&R
6σ
Metode Short Study
• Panjang suatu komponen dengan spesifikasi = 2.000 + 0.015
Part Operator 1 Operator 2 Range(1-2) |
1 2.003 2.001 0.002

2 1.998 2.003 0.005
3 2.007 2.006 0.001
4 2.001 1.998 0.003
5 1.999 2.003 0.004
Total Range SR = 0.015
Rata-rata range = SR/5 = 0.015/5 = 0.003

Gage error = (5.15/1.19) X (R) = 4.33 X (0.003) = 0.013
% Tolerance Gage R&R = (0.013 X 100) / 0.030 = 43.35%
# Nilai 1,19 didapat dari tabel, sedangkan 5,15 adalah confidence Interval 99 %
terhadap pengukuran.
• Nilai untuk distribusi dari rata-rata jarak
Jumlah Jumlah Operator

Part 2 3 4 5
1 1,41 1,91 2,24 2,48

2 1,28 1,81 2,15 2,4
3 1,23 1,77 2,12 2,38
4 1,21 1,75 2,11 2,37
5 1,19 1,74 2,1 2,36
6 1,18 1,73 2,09 2,35
7 1,17 1,73 2,09 2,35
8 1,17 1,72 2,08 2,35
9 1,16 1,72 2,08 2,34
10 1,16 1,72 2,08 2,34
34 / 164
Gage R&R
6σ
Metode Long Study (Menggunakan Minitab)
• Contoh kasus untuk ketebalan dari part Monitor Cover

• Spec. = 2.3 + 1.5
• Pengkuran dilakukan oleh 3 operator dengan pengulangan 2 kali dan jumlah sampel
adalah 10
• Nama file : Gageaiag.mtw
Hasil pengukuran dari

3 operator dengan
pengulangan 2 kali pada
setiap sampel
35 / 164
Gage R&R 6σ
• Stat > Quality Tools > Gage R&R Study
Pilih AN
OVA
• klik OK > lihat halaman selanjutnya
36 / 164
Gage R&R
6σ
Gage R&R Study - ANOVA Method

Gage R&R for Thicknes
Two-Way ANOVA Table With Interaction
Source DF SS MS F P
Part_ 9 2,05871 0,228745 39,7179 0,0000
0
Operator 2 0,04800 0,024000 4,1672 0,0325
6
Operator*Part_ 18 0,10367 0,005759 4,4588 0,0001
6
Repeatability 30 0,03875 0,001292
Total 59 2,24913
Gage R&R
Source VarComp StdDev 5,15*Sigma
Total Gage R&R 0,004437 0,066615 0,34306

Repeatability 0,001292 0,035940 0,18509
Reproducibility 0,003146 0,056088 0,28885
Operator 0,000912 0,030200 0,15553
Operator*Part_ 0,002234 0,047263 0,24340
Part-To-Part 0,037164 0,192781 0,99282
Total Variation 0,041602 0,203965 1,05042
Source %Contribution %Study Var %Tolerance

Total Gage R&R 10,67 32,66 11,44
Repeatability 3,10 17,62 6,17
Reproducibility 7,56 27,50 9,63
Operator 2,19 14,81 5,18
Operator*Part_ 5,37 23,17 8,11

Part-To-Part 89,33 94,52 33,09
Total Variation 100,00 100,00 35,01
Number of Distinct Categories = 4
• % Study Var
Menunjukkan apakah ada perbedaan pengukuran antara part yang
diukur.(untuk kontrol proses < 20%)
• % Tolerance
Menunjukkan perbedaan antara part yang diukur dalam toleransi yang telah
diberikan.
(Menentukan apakah hasil Gage R&R diterima atau ditolak)
37 / 164
Gage R&R
6σ
• Number of Distinct Categories = 4

Artinya adalah jumlah, bukan merupakan duplikat confidence interval (tingkat
kepercayaan) dari pengukuran part.
4 kategori
4 Nilai pengukuran dibagi menjadi 4 bagian, bukan menrupakan jumlah duplikat

dari Confidence Interval, yang dilakukan oleh 2 operator, pengulangan 2 kali pada
karakteristik dan kondisi yang sama terhadap part dan alat ukur. Mungkin
pengukurannya akurat dengan tingkat kepercayaan yang kecil walaupun
pengukuran dilakukan secara berulang sebanyak 2 kali oleh masing-masing
operator.
• Number of Distinct Categories

Jika Number of Distinc Categories 0 - 1:Ditolak
(Perbaiki sistem pengukuran)
Jika Number of Distinc Categories 2 - 4 : Diterima dengan syarat
tertentu
Jika Number of Distinc Categories > 5 : Diterima
38 / 164
Gage R&R
6σ
• Memahami grafik dari Gage R&R

X-bar Control Chart

• Dapat diketahui apakah pengukuran keluar atau tidak dari Limit kontrol / batas
kontrol
• Jika 50% dari pengukuran keluar dari batas kontrol maka sistem pengukuran
kurang bagus
• Batas kontrol didapat dari variasi pengukuran antara operator. Jika variasinya
kecil maka batas kontrol akan kecil.
R Control Chart
• Semua hasil pengukuran masuk dalam batas kontrol
• Hasil pengulangan pengukuran pada setiap sampel menunjukkan bahwa tidak
ada data yang perbedaannya terlalu jauh.
39 / 164
Gage R&R
6σ
• Memahami grafik dari Gage R&R
Tidak ada perbedaan dalam pengukuran diantara

operator untuk semua part, kecuali operator 1 untuk Perlu dicari penyebab kenapa
part yang ke 4 perbedaan pengukuran besar
• Pengaruh pengukuran part sangat penting sekali. Bila satu variabel saja berbeda
jauh maka akan mempengaruhi terhadap keseluruhan variabel. Gage R&R
dipengaruhi oleh interaksi antara part dengan operator.
40 / 164
Gage R&R
6σ
Gage R&R untuk data Atribut
Setiap part yang diterima memenuhi kriteria data atribut (Pass/Fall atau Go/No go
Kasus : VCR Coating
Dua orang mengecek 20 part dengan pengulangan 2 kali.
Appraiser 1 Appraiser 2
Number
1 2 1 2
1 G G G G
2 G G G G
3 NG
NG G G G
4 NG NG NG NG
5 G G G G
6 G G G G
7 NG NG NG NG
8 NG
NG NG
NG G G
9 G G G G
10 G G G G
11 G G G G
12 G G G G
13 G NGG G G
14 G G G G
15 G G G G
16 G G G G
17 G G G G
18 G G G G
19 G G G G
20 G G G G
• Jika hasil pengecekan sama, maka hasil Gage dapat diterima.

• % Gage R&R = [3 : 20]X100 = 15 %
41 / 164
Gage R&R
6σ
Yang harus diperhatikan dalam menjalankan Gage R&R
• Pelaksanaan pengukuran dilakukan dengan random dan diantara operator tidak

saling mengetahui
• Putuskan jumlah sampel dan jumlah pengulangannya disesuaikan dengan

kebutuhan
• Putuskan berapa banyak operator yang dibutuhkan untuk melakukan pengukuran.
• Putuskan berapa banyak sampel yang akan diambil dan berapa kali akan diadakan
pengulangan.
• Ketika Gage R&R dilaksanakan pastikan memilih operator dengan tingkat

keahlihan yang sama.
• Apakah Gage R&R diterima atau ditolak ditentukan oleh % Tolerance. Namun
ketika % Study Variance-nya lebih dari 20 %, pengukuran perlu diperiksa
kembali.
42 / 164
Kemampuan Proses
6σ
Pengertian Kemampuan Proses (Process Capability)
• Seberapa besar variasi suatu faktor dari nilai yang diukur pada suatu produk yang
diproduksi apakah proses dapat memenuhi spesifikasi atau tidak.
• Kemampuan proses menunjukkan tingkatan sigma
Short Term Capability
• Short Term Capability hanya terdapat pada random Error dan harus berada
pada tingkatan kualitas yang sama, pada data sampling, umumnya perubahan
means dari karakteristik kualitas dipengaruhi oleh faktor teknis.
Oleh karena itu bila variasi dari karakteristik kualitas semakin besar dan
random error juga semakin besar maka short term capability-nya jelek.
• Proses Short Term Capability Indeks
• Zst (sst), Cp
• Zst = 3 X Cp
Long Term Capability
• Long Term Capability termasuk variasi random dan Mean Shift dan
membutuhkan teknologi dan proses kontrol untuk memperbaikinya. Bila kita

telah memahami situasi dari proses, kita harus mengidentifikasi variasi dari
faktor proses kontrol dan teknologi dari data sampling pada periode Long Term
Capability.
• Zlt (slt), Cpk .
• Zlt = 3 X Cpk
43 / 164
Kemampuan Proses
6σ
Evaluasi Kemampuan
Short-term σ st
Capability
(6σ)
σ st
σ st
Time
σ st
σ lt
Long-term
Capability
(3σ)
SL SU
Variasi Long Term Capability lebih besar dari pada Short Term Capability karena faktor
yang dipengaruhi oleh beragam variasi faktor eksternal (4M)
44 / 164
Kemampuan Proses
6σ
Rumus Kemampuan Proses
• Ratio/Perbandingan Capability mempunyai dua sisi

Spesifikasi.
Cp = (SU - SL) / 6σ
SL X SU
• Ratio/Perbandingan Capability yang mempunyai

static mean shift.
K
Cpk = (1 - K) Cp
|M- X |
K = ----------------------
T/2
SL M X SU
Ket : K = Area pergeseran toleransi (jika K=0, maka Cp = Cpk)

M = (Mid-range)
T = Tolerance
SU = Batas atas
SL = Batas bawah
45 / 164
Kemampuan Proses
6σ
Persamaan Kemampuan Proses (Cp)
• Rasio kemampuan proses yang hanya

mempunyai batas atas
Cpu = (SU - X ) / 3σ
X SU
Persamaan Kemampuan Proses (Cp)
• Rasio kemampuan proses yang hanya

mempunyai batas bawah
CpL = ( X - SL ) / 3σ
SL X
46 / 164
Kemampuan Proses
6σ
Kemampuan Proses dengan menggunakan Minitab
• Seorang petani anggur ingin mengadakan suatu improvement terhadap kualitas

anggur. Dia mengambil
sampel kualitas anggur ‘Y’ berdasarkan faktor ‘X’ melalui rational subgroup.
• Faktor X = Region, oakyness, flavor, clarity, aroma,body
• Nama File : LATIHAN MINITAB/Sixsigma.mtw
47 / 164
Kemampuan Proses
6σ
Test Normalitas Data
• Stat > Basic Statistic > Normality Test
• Setelah klik OK
Berdasarkan test normalitas

nilai P-Value lebih besar dari

a level (0.05), berarti data
berdistribusi normal
48 / 164
Kemampuan Proses
6σ
Kemampuan Proses menggunakan Minitab
• Stat > Quality Tools > Capability Analysis (Normal)
• Single Column : Quality

• Subgroup Size : 5
• Lower Spec : 8
• Upper Spec : 22
49 / 164
Kemampuan Proses
6σ
Kemampuan Proses menggunakan Minitab
• Setelah Klik OK
Nilai yang dihitung berdasarkan p

Nilai ekspektasi dari data
pm,
proses Long term
dengan melihat jumlah defect yang
terhadap ratio defect untuk
keluar
batas atas dan
dari batas kontrol pada data pengu
batas bawah
kuran
Observed Performance
Kapabilitas pada saat ini, yang menandakan jumlah defect sebenarnya terhadap batas a
tas dan batas bawah
Expected Performance
Kapabilitas pada saat ini yang menandakan jumlah ekspektasi terhadap batas atas dan
batas bawah
50 / 164
Proses Analisa Data Diskret
6σ
Istilah dalam proses analisa data Diskret
• D (Defect) : adalah suatu prosedur guna memuaskan permintaan

konsumen
Contoh : Kesalahan dalam menuliskan klaim konsumen
• DO (Defect Opportunity) : Kejadian mungkin yang menyebabkan defect.

Contoh : Jumlah artikel yang harus ditulis dalam satu sheet claim
• U (Unit) : suatu barang yang tersedia untuk pengukuran

Contoh : Form klaim
• DPU (Defect per unit) : Jumlah defect yang terdapat pada satu unit
• DPO (Defect Per Opportunity) : Jumlah defect yang kemungkinan

muncul yang terdapat dalam satu unit produk.
• DPMO (Defect per million opportunity)

DPO X 1.000.000
Dapat ditransfer ke skala Six Sigma.
• P (ND) : Probabilitas / kemungkinan tidak terjadi defect

P (ND) = 1 - DPO
51 / 164
6σ
Contoh soal perhitungan DPU/DPO/DPMO/P(ND)
Terdapat 100 unit faktur. 100 item dinyatakan defect. Jika ada 10 item setiap
unitnya, hitunglah DPU/DPO/DPMO/P(ND) ?
• DPU = D / U
DPU = 100/100 = 1 (100 %)
Jadi rata-rata setiap faktur mengadung 1 defect.
• DPO = D/(U X Opp)

DPO = 100 / (100 X 10) =0,1 (10 %)
Artinya pada setiap item dari setiap unit faktur kemungkinan terjadi
defect adalah 10% dengan sedikitnya 1 buah defect
• DPMO = DPO X 1.000.000

0,1 X 1.000.000 = 100,000 DPMO
• P(ND) = 1 - DPO = 1 - 0,1 = 0,9 (90 %)

52 / 164
6σ
Perhitungan menggunakan Rumus Poisson
• Poisson Defect
Y (yield)= (dpur e -dpu ) / r
Y = Hasil (Yield)
DPU = Jumlah defect per unit
r = Jumlah kejadian
e = Fungsi eksponensial (e=2.718)
• Bila r = 0
Y = [1 ( e -dpu) ] / 0
Y = e -dpu
Jumlah kesempatan munculnya defect mendekati tak
hingga atau hasilnya mendekati nol.
53 / 164
6σ
Contoh soal Proses Yield
Terdapat 34 defect pada 750 unit produk, Hitunglah DPU/DPO/DPMO/ Y

ield/nilai sigma ? (Opportunity defect adalah 10 per unit)
• DPU = Jumlah defect / Jumlah Unit

= 34 / 750 = 0.0453
• DPO = Jumlah defect / (Jumlah Unit X Jumlah Opportunity)

= 34 / (750 X 10) = 0.00453
• Nilai Yield Y = e -dpu

= 2.7138 -0.045 = 0.956
= 95.6 %
• Y = P (ND) = (1 - DPO)
= (1 - 0.0045)
= 0.996 = 99.6 %
• DPMO = DPO X 1.000.000

= 0,0045 X 1.000.000
= 4.500 PPM
> Defect mempunyai 45.500 ppm per 1 unit

• Sigma = Zinv (0.956) + 1.5 Shift

= 1.71 + 1.5 = 3.21
Zinv didapat dari tabel standard distribusi normal
54 / 164
6σ
Macam dan jenis dari Yield
• YFT (First Time Yield) : adalah hasil (yield) dari proses pertama dan tanpa
rework.
Aplikasi : dihitung pada tiap quality level dari proses individu yang digunakan.
• YRT (Rolled Troughput Yield)

Suatu proses besar dengan beberapa kegiatan yang berurutan didalamnya
Aplikasi : Merupakan akumulasi dari tiap-tiap langkah proses, yang digunakan
untuk evaluasi quality level
• YNA (Normalized Yield) : Hasil (yield) rata dari urut-urutan proses.

Aplikasi : Digunakan untuk mengevaluasi tingkatan kualitas pada satu produk
yang lengkap
Perbandingan Konsep Yield
Rolled Troughput Yield (YRT) First Time Yield (YFT)
> Yield diambil pada setiap step dari > Diambil pada proses yang paling
proses akhir
> Termasuk rework dan scrap > Tidak termasuk rework dan scrap
> Terdapat probabilitas terhadap > Tidak terdapat probabilitas

kemungkinan terjadi Zero defect dari terhadap kemungkinan terjadinya
seluruh langkah pada suatu proses Zero Defect dari seluruh langkah
pada suatu proses.
> Melihat kualitas dari seluruh proses > Hanya melihat kualitas pada akhir
proses
> YRT = e > YF = S / U
Y = Y1 X Y2 X …….. X Yn S : Jumlah produk yang diterima
U : Jumlah produk yang dites
55 / 164
6σ
YRT (Rolled Troughput Yield)
Input
100 %
Proses 1 : 99 %
Proses 2 : 92 %
Proses 3 : 93 %
Inspeksi Akhir : 97 %
Uncontrolled Loss
Uncontrolled Loss
Uncontrolled Loss
Waktu
YRT = 0.99 X 0.92 X 0.93 X 0.97 = 82.2 %
56 / 164
6σ
YFT (First Time Yield)
Scrap Hidden Factory

15 Unit
Rework
100
A Produk
Unit
Jadi 85 Unit
70 Unit
• Pada proses A, inputnya adalah 100 unit.

70 % unit input tidak terdapat defect.
30 % unit input terdapat defect dan rework.
15 unit dapat diperbaiki, sisanya tidak dapat diperbaiki (scrap)
Penghitungan hasil Yield (YF) adalah 85 %
• First Time Yield (YFT) adalah 70 %

57 / 164
6σ
YRT (Rolled troughput Yield)
Jika Produk A yang prosesnya terdiri dari 3 urutan langkah operasi, tentu
kan nilai YRT / YND ?
Langkah 1 Langkah 2 Langkah 3
YFT = 80% YFT = 70% YFT = 90%

YF = 100 % YF = 90 % YF = 95 %
• Menghitung YRT dari setiap operasi

YRT = 0.8 X 0.7 X 0.9 = 0.504 (50.4 %)
n
• Menghitung YND (normalized Yield) dari setiap langkah =
YRT
‘n’ adalah jumlah langkah operasi dalam proses
3
YND = = 0.7958 (79.6 %)
0.504
Berarti Rata-rata YFT pada setiap langkah operasi adalah 79.6 %
Normalized Yield adalah rata-rata Yield pada keseluruhan proses, dan nilai sigma
ditentukan dari hasil perhitungan YND
Hasil akhir dari Yield (cumulative yield) didapat dari YRT.

Semakin sedikit jumlah part atau langkah pengerjaan, hasil Yield akan semakin besar
58 / 164
6σ
Penghitungan YRT pada proses Pararel
Bila terjadi perubahan terhadap proses yang semula pararel menjadi proses seri, maka
penggambaran peta prosesnya adalah :
Operasi 1 Operasi 2 Operasi 3 Operasi 4
99 % ? 97 % 98 %
91% 99% 99%
• YRT = Y1 X Y2 X Y3 X Y4
= 0.99 X [0.91 X 0.99 X 0.99] X 0.97 X 0.98
= 0.9035
• YNA = (YRT)1/4 = (0.9035)1/4

= 0.9749
• P (defect) = 1 - 0.9749
= 0.0251
Nilai Z0.0251 dilihat dari tabel distribusi normal = 1.96
59 / 164
Bab 3 : Analisis 6σ
3-1 Analisis Grafik
3-2 Uji Hipotesis (untuk variabel)
3-3 Uji Hipotesis (untuk atribut)

60 / 164
Analisis Grafik 6σ
Apa yang ingin Anda ketahui ?
• Menjelaskan keluaran dari apa yang Anda ingin ketahui berdasar

kan masalah praktis
• Mengharafkan keluaran yang sedang diperhatikan dalam rencana
percobaan
• Menyusun rencana pengumpulan data yang diperlukan
Bagaimana Anda mengetahuinya ?

• Menganalisa kapan jenis grafik tertentu digunakan untuk seku
mpulan data.
Apa yang perlu Anda lakukan dengan hasil analisis grafik
• Berdasarkan hasil dari analisa grafik, konfirmasi bahwa Anda

memperoleh hasil output yang Anda kehendaki dan putuskan
jika terdapat topik yang perlu dibahas lebih dalam
• Mengenai perbaikan masalah praktis, ambil tindakan secepatn
ya jika ditemukan sebuah isu.
61 / 164
Analisis Grafik 6σ
Analisis Grafik dengan MINITAB
• Dalam sebuah pabrik AC, waktu pemasangan compressor san

gat penting dan hal ini mempengaruhi kelembabannya. Data t
entang waktu pemasangan dari tiga orang operator di tiga lin
e.
• Nama file : training/s2/asmbtime.mtw
Membuat Histogram
• Pilih Graph > Histogram
Klik ‘OK’
62 / 164
Analisis Grafik 6σ
Membuat plot dengan MINITAB
• Pilih Graph > Plot
• Klik ‘OK’
Informasi apa yang Anda dapatkan setelah dilakukan Analisis Grafik ?
63 / 164
Analisis Grafik 6σ
Membuat box plot dengan MINITAB
• Pilih Graph > Box Plot

Masukan kolom yang berisi variabel
• Klik OK
32
*
31
time
*
30
*
29
1 2 3
operator
• Kotak di tengah-tengah grafik melambangkan Persentil ke-50 dari total da

ta
• Garis di tengah-tengah kotak menunjukan nilai median
• Simbol di dalam kotak menggambarkan nilai rata-rata dari data.
64 / 164
Analisis grafik 6σ
Membuat Matriks plot dengan MINITAB
• Klik Graph > Matrx Plot

Masukkan kolom-kolom
variabel yang akan dianalisa
• Klik OK
31,4894
time
29,9624
2,5
operator
1,5
24 94 1,5 2,5
,96 ,48
29 31
65 / 164
Uji Hipotesis Untuk Variabel 6σ
Hipotesis adalah ?
• menguji tentang sesuatu yang telah diketahui sebelumnya, yang i
ngin diuji apakah hipotesa tersebut dapat diterima secara statistik
berdasarkan data sampel
Penggunaan Uji Hipotesis

• Flatron baru lebih baik dari produk konvensional lainnya untuk k
elelahan mata.
• TV digital LG lebih baik dari pesaingnya dilihat dari ketajaman ga
mbarnya
• 6σ quality improvement tools lebih baik dari quality improvemen
lainnya dilihat dari efek perbaikkannya.
• 019PCS lebih baik dari pesaingnya dalam kualitas komunikasi.
66 / 164
Memahami Kalimat dalam Uji Hipotesis
Hipotesis Nol (H0) : Hipotesis yang diuji
• Jika Ho diterima, hal ini berarti tidak dapat dibuktikan sebaliknya
• Diasumsikan hal tersebut selalu sama
Hipotesis Alternatif (H1) : Hipotesis yang dibuktikan dengan dasar

pasti
Secara umum, perhatian kita adalah H1 dan berharap membuktikan
nya.
Kekeliruan Tipe I (α) : Kekeliruan yang dibuat saat kita menolak H0
yang seharusnya diterima (karena H0 benar).
Kekeliruan Tipe II (β) : Kekeliruan yang dibuat saat kita menerima
H0 yang seharusnya ditolak (karena H1 yang benar)
Statistik Uji : Nilai yang diperoleh dengan menghitung dari sampel

untuk memutuskan menolak atau tidak menolak H0.
Tingkat Signifikansi : α = 0.05 (atau o.o1 atau 0.10)
α = peluang menolak H0 yang seharusnya diterima (karena H0 bena
r)
BENAR
H0 H1
Kekeliruan
Keputusan Tipe II
H0 Benar
β)
(β
TERIMA
Kekeliruan
Tipe I Keputusan
H1
Benar
α)
(α
67 / 164
Metode Penetapan Hipotesis
• Hipotesis Nol selalu mengasumsikan bahwa populasi sama dengan sampel
nya.
H0 : µ1 = µ2
H0 : µ1 = µ2 = µ3 =…=µn
H0 : σ1 = σ2
H0 : σ1 = σ2 = … = σn
• Hipotesis Alternatif selalu mengasumsikan bahwa populasi tidak sama den

gan sampelnya.
Pengujian dua pihak : H0 : µ1 ≠ µ2
Pengujian satu pihak : H0 : µ1 < µ2
H0 : µ1 > µ2
Pengujian dua pihak : H0 : σ1 ≠ σ2

Pengujian satu pihak : H0 : σ1 < σ2
H0 : σ1 > σ2
Bentuk Uji Hipotesis

Data Variabel (Data hasil pengukuran) : gunakan Z, Statistik Uji t

Untuk menguji nilai rata-rata, Anda harus menguji homogenitas penyebarann
ya.
Uji F digunakan untuk membandingkan distribusi dari dua buah atau lebih p
opulasi.
Data Atribut (data hasil penjumlahan) : gunakan statistik Chi Square

penjumlahan, frekwensi, dll
68 / 164
Ukuran Sampel dalam Pengujian Hipotesis
Apa yang harus dilakukan atas ukuran sampel pada saat pengujian ?
• Jika sampel sedikit, pengujian kemungkinan akan berakhir dengan kekeliru

an sebab kesulitan dalam merepresentasikan populasinya.
• Lebih lanjut, jika kita menentukan jumlah sampel lebih banyak, hal ini tidak
relistis untuk menyesuaikan dilihat dari sisi biaya dan waktu yang terbuang.
Bagaimana sampel yang baik ?

• Merupakan konsep dasar statistik bahwa sampel dikumpulkan dengan sam
pling acak dari populasinya.
• Tetapi, dalam kenyataannya, sampel yang dikumpulkan hampir tidak ditunj
ukkan oleh karakter khusus dari populasinya. Jadi, hasil pengujian sering ke
liru.
• Oleh karena itu, sampel harus dikumpulkan dengan range yang lebar.
Langkah-langkah dalam Pengujian Hipotesis
• Tetapkan Hipotesis Nol dan Hipotesis Alternatifnya (H0 & H1)

• Putuskan tingkat signifikansi (α = 0.10, 0.05, 0.01)
• Tentukan statistik uji yang akan digunakan (Z, t, Chi-Square, dll)
• Hitung daerah kritis
• Hitung statistik uji dari data, kemudian analisa hasilnya
Jika peluang < α, tolak H0 dan terima H1

Jika peluang > α terima H0 dan tolak H1
• Ulangi hasil-hasil tersebut dan terjemahkan hasil-hasil statistik tersebut ke dala
m penyelesaian praktis.
69 / 164
Keputusan Pengujian Hipotesis
Batas Kritis
Daerah Penerimaan Daerah Penolakan

•Terima H0 •Tolak H0
•Tolak H1 •Terima H1
α)
Tingkat Signifikansi (α
Titik Kritis
Keputusan Secara Statistik

Jika nilai statistik hitung < Nilai titik kritis (Z atau t atau Chi-Squared yang diperole
h dari Tabel), TERIMA H0
Jika nilai statistik hitung > Nilai titik kritis (Z atau t atau Chi-Squared yang diperole
h dari Tabel), TOLAK H0
•Jika nilai “0” berada DI DALAM interval confidence, TERIMA H0

•Jika nilai “0” berada DI LUAR interval confidence, TOLAK H0
Keputusan Menggunakan MINITAB

Jika P-Value atau nilai peluang terjadinya kriteria hipotesis > α, TERIMA H0
Jika P-Value atau nilai peluang terjadinya kriteria hipotesis < α, TOLAK H0
• Hipotesis yang diterima (H0) menunjukkan hal tersebut tidak dapat diyaki
ni berdasarkan hasil-hasil yang diperoleh dari data.
70 / 164
Uji Hipotesis Menggunakan Minitab
• Lower Transmision Housing dalam sebuah mesin cuci mempunyai 10 CTQ, 8

diantaranya mempunyai pengaruh terhadap pengaturan tinggi rendahnya pen
gereman dan kuatnya penggabungan.
Ada 8 fixture (peralatan) yang berbeda. Ingin diketahui apakah ada perbedaan
efek dari setiap ukuran ketinggian.
Terdapat perbedaan efek dari tinggi setiap peralatan, yaitu, jika memang benar
, kita perlu melakukan survey penyebab-penyebabnya yang akan dipandang s
ebagai faktor ‘X’ dan akan memperbaikinya.
• File : Minitab Exercise/S2/Lth.mtw
• Pilih Graph > Box Plot
Masukkan Variabel yang

akan dianalisa
• Klik OK
5,395
• Fixture 3 dan 5 jelas memp
unyai perbedaan rata-rata
total ht
5,390 • Fixture 2 lebih kecil dari va

rian yang berbeda
5,385
1 2 3 4 5 6 7 8
fixture
71 / 164
• Pilih Stat > ANOVA > Homogeneity of Variance
• Klik OK
Homogeneity of Variance Test for total ht

95% Confidence Intervals for Sigmas Factor Levels
Untuk data yang
1 berdistribusi normal
Bartlett's Test
2
Test Statistic: 4,298
3 P-Value : 0,745
4 Untuk data yang

berdistribusi bukan normal
5
Levene's Test
6
Test Statistic: 0,818
P-Value : 0,576
7
0,0005 0,0015 0,0025 0,0035
Κ Informasi apa yang dapat Anda tarik setelah dilakukan Analisis Grafik ?
72 / 164
• Pilih Stat > Basic Statistics > 1-Sample t
Nilai target
Klik Boxplot
• Klik OK (Window Session)
T-Test of the Mean

P-Value < 0.05

Test of mu = 5,39500 vs mu not = 5,39500 Tolak H0
Variable N Mean StDev SE Mean T P

fix 1 10 5,38990 0,00110 0,00035 -14,66 0,0000
73 / 164
• Klik OK (grafik)
Boxplot of fix 1
(with Ho and 95% t-confidence interval for the mean)
[ _ ]
X
5,388 5,389 5,390 5,391
fix 1
• Berdasarkan sampel, nilai target berbeda dengan nilai yang dihar

apkan, yaitu rata-rata populasi, artinya, terdapat perbedaan yang
berarti seperti yang dijelaskan H1.
• Fixture 1 tidak dapaty mencapai target artinya sesuatu harus dila
kukan untuk menyelesaikan masalah ini.
74 / 164
• Pilih Stat > Basic Statistics > 2-Sample t
Klik Assume Equal Variances

sebab varians harus sama dalam
pengujian kesamaan dua populasi
Klik Boxplot
• Klik OK (window session)

Two Sample T-Test and Confidence Interval
Two sample T for fix 1 vs fix 3
N Mean StDev SE Mean

fix 1 10 5,38990 0,00110 0,00035 P-Value < 0.05
fix 3 10 5,39470 0,00116 0,00037 Ho ditolak
95% CI for mu fix 1 - mu fix 3: ( -0,00586; -0,00374)

T-Test mu fix 1 = mu fix 3 (vs not =): T = -9,50 P = 0,0000 DF = 18
Both use Pooled StDev = 0,00113
75 / 164
• Klik OK (Grafik)
Boxplots of fix 1 and fix 3

(means are indicated by solid circles)
5,397
5,396
5,395
5,394
5,393
5,392
5,391
5,390
5,389
5,388
fix 1 fix 3
Terdapat perbedaan secara statistik atas rata-rata fixture 1 dan fixture 3
76 / 164
Uji Hipotesis Untuk Attribut 6σ
Chi-square
Uji Kecocokan (Kesesuaian)

• Kecocokan / Kesesuaian : menjelaskan apakah data pengamatan
sesuai atau dapat memenuhi teori
yang mendasarinya.
• Uji kecocokan : Untuk mengetahui apakah data
sesuai dengan distribusi teorinya.
Bentuk Hipotesis
H0 : P1 = P2 = P3 = … = Pn
H1 : P1 ≠ P2 ≠ P3 ≠ … ≠ Pn
Tabel Kontingensi
• Apa yang dimaksud Tabel Kontingensi ?
Tabel yang mempunyai sebuah baris dan beberapa kolom tertentu
, di mana kolom-kolom tersebut mewakili kategori-kategori pemb
agian populasi.
• Uji Kebebasan (Independensi)
Untuk mengetahui hubungan (bebas atau tidak bebas) diantara va
riabel-variabel.
• Penentuan Hipotesis
Ho : Independent (Tidak terdapat hubungan diantara kejadian-
kejadian yang diamati)
H1 : Dependent (Terdapat hubungan diantara peristiwa yang

diamati
Jika frekwensi yang diharapkan adalah E dan frekwensi hasil observasi adalah O,
2
apa yang dimaksud statistik Chi-Square χ ?
Freqwensi Yg Diharapkan : Nilai yang diharapkan dari hasil sesuatu
Frekwensi Observasi : Nilai tertentu hasil sebuah observasi tentang sesuatu
Statistik χ 2 adalah :
(O − E ) 2
χ =∑ 2
77 / 164
Chi-square
• Selama tiga bulan, jenis-jenis kerusakan monitor diklasifikasikan menurut p
erubahan pekerja dan dilakukan survey untuk mengetahui apakah ada hub
ungan (dependen) atau tidak (independen). Jika terdapat hubungan jenis ke
rusakan, aktifitas perbaikan dapat dilakukan dengan penelitian terhadap jen
is-jenis kerusakan dalam setiap perubahan pekerja beserta penelitian-penelit
ian lebih lanjut.
Dicatat total n = 309 kerusakan monitor, dan kerusakan diklasifikasikan men
jadi 4 kategori (A, B, C & D)
• Penggunaan Chi Square
• Hipotesis Nol (Ho) : Tidak terdapat hubungan antarajenis-jenis

kerusakan dengan perubahan para pekerja
• Hipotesis Alternatif (H1) : Terdapat hubungan antara jenis-jenis
kerusakan produk dengan perubahan para
pekerja.
• Nama file Minitab Exercise/S2/Chi Square
Jenis-jenis kerusakan : A = Peyok
B = sealed system leaks
C = Kegagalan penggantian (switch failure)
D = Komponen hilang
PERUBAHAN A B C D
PEKERJA
1 15 21 45 13
2 26 31 34 5
3 33 17 49 20
• Hipotesis Nol (Ho) : Jenis kerusakan adalah independen atas

perubahan pekerja
• Hipotesis Alternatif (H1) : Jenis kerusakkan depend bergantung atas
perubahan pekerja
78 / 164
• Pilih Stat > Tables > Chi-Square Test
• Klik OK
Chi-Square Test
Expected counts are printed below observed counts
A B C D Total Nilai yang diharapk

1 15 21 45 13 94 an dan Nilai Chi Sq
22,51 20,99 38,94 11,56 Nilai Yg Diharapkan uare untuk kerusak
an A berdasarkan p
2 26 31 34 5 96 erubahan pekerja.
22,99 21,44 39,77 11,81 Nilai Yg Diharapkan
E = (94 x 74)/309
3 33 17 49 20 119 = 22.51
28,50 26,57 49,29 14,63 Nilai Yg Diharapkan
Chi-Square
Total 74 69 128 38 309 =(15-22.51)2/22.51
= 2.506
Chi-Sq = 2,506 + 0,000 + 0,944 + 0,179 +
0,394 + 4,266 + 0,836 + 3,923 +
0,711 + 3,449 + 0,002 + 1,967 = 19,178
DF = 6, P-Value = 0,004
Karena P-Value < 0.05, tolak Ho dan terima H1.
Oleh karena itu, dapat dikatakan secara statistik bahwa
terdapat hubungan antara jenis kerusakan produk
dengan perubahan pekerja
79 / 164
Bab 4 : PERBAIKAN 6σ
4-1 Pengertian Analisis Variasi
4-2 Perencanaan Eksperimen
4-3 ANOVA Satu Pihak (One Way Anova)
4-4 ANOVA Dua Pihak (Two Way Anova)
4-5 Desain Faktorial
4-6 Desain Fraksi Faktorial
4-7 Regresi
80 / 164
Pengertian Analisa variasi 6σ
Apakah ANOVA itu ?
• Suatu metode guna menganalisa hasil dari eksperimen yang telah dilakukan
• Kita wakilkan karakteristik variasi (Variabel Y) terhadap jumlah total

eksperimen.
Kita bagi SSB dan SSW sebagai suatu nilai SS terhadap faktor (Faktor X) atau
level yang mempengaruhi langsung pada nilai karakteristik, selanjutnya metode
ini adalah bagaimana menemukan level faktor yang berpengaruh paling besar,
bila dibandingkan dengan level faktor lainnya.
• Kita analisa data kontinu dari ‘Y’ pada tiap level dari ‘X’ melalui pembagian
level X.
• Suatu prosedur yang menggambarkan hasil dari suatu eksperimen pada tiap level
dari populasi yang sama.
4 Bagaimana mencari faktor ‘X’ yang paling berpengaruh
Pengertian istilah ANOVA
• Faktor adalah Variabel indenpenden /bebas guna menyelidiki gejala.

• Level adalah fakta dari suatu level.
• Sum of square adalah nilai perhitungan dari variasi X dari tiap level X
• Balance / Unbalance of Experiment : Apakah jumlah sampel dari suatu eksperimen
sama atau tidak untuk tiap level dari seluruh faktor.
Kapan kita menggunakan ANOVA
• One Way Anova (Anova Satu Pihak) digunakan apabila jumlah level lebih dari satu
terhadap satu faktor.
• Two Way Anova (Anova Dua Pihak) digunakan apabila terdapat lebih dari dua
faktor dan tiap faktor terdiri dari beberapa level.
• (DoE=Design Experiment)
Guna mencari kondisi optimal yang ditentukan dari level tiap faktor dengan melihat
pengaruh yang paling besar terhadap total variasi diantara beberapa faktor.
81 / 164
Perencanaan Eksperimen
6σ
• Menentukan tujuan
• Menentukan variabel Y (dependen)
• Menentukan Variabel X (Independent)
• Pemilihan Desain Eksperimen
• Menjalankan Eksperimen dan Pengumpulan Data
• Analisa Data
• Menggambarkan Kesimpulan
82 / 164
6σ
Menetapkan Tujuan
• Tuliskan tujuan dari eksperimen pada suatu form

> Perkirakan pengaruhnya : Buat daftar variabel independent (‘X’)
> Perkirakan hasilnya/gejalanya : Buat daftar variabel dependent (‘Y’)
• Ketika merencanakan eksperimen, akan timbul pertanyaan-pertanyaan sebagai

berikut :
• Keputusan apa yang dibuat terhadap data ?
• Bagaimana data akan dianalisa setelah dikumpulkan ?
• Apakah data dan analisa mengikuti kebijakan yang telah dibuat ?
• Jika jawaban dari pertanyaan diatas tidak ada, maka eksperimen harus didesain ulang.
Menentukan Variabel Y
• Dari tema yang terpilih idealnya beberapa variabel dependent adalah terukur
- Setelah tema diperinci melalui Logic Tree, perbaiki ‘Yn’ terpilih melalui
setiap faktor independent ‘X’.
• Kadang agak sukar untuk mendapatkan pengukuran kuantitatif dari suatu gejala,
maka biasanya digunakan rangking atau membandingkan standard.
• Tidak ada gunanya untuk menunda pengukuran.
• Pengambilan data haruslah dilaksanakan dengan cara random dan masing-
masing operator tidak saling mengetahui.
• Data yang dikumpulkan dan diukur haruslah valid sebelum melaksanakan
eksperimen. Sebab jika tidak maka pengukuran tidak diterima dan harus
diperbaiki hingga gage R&R mencapai kurang dari 20 %.
83 / 164
6σ
Menentukan Variabel X
• Ada beberapa macam jenis dari variabel X

• Variabel desain, dengan sengaja dirubah didalam eksperimen
• Variabel yang dimonitor, namun tidak sengaja dirubah.
• Variabel Pemblokan (Blocking Variable)
• Variabel Lurking.
• Pemilihan Variabel X
• Gunakan analisis statistik dalam pengukuran.
• Pendapat dari ahlinya.
• Brainstorming
• Flow Chart
• Data Baseline
• Cause & Effect diagram (Diagram Sebab Akibat)
• Analisa Competitive
• Customer & Supplier input
• Peta Proses
• Rolled Throughput Yield
• Variabel Potensial
Walaupun variabel potensial mempengaruhi respon, kita tidak dapat mengukur
dan mengkontrolnya. Blocking dan random digunakan untuk mengurangi.
• Main effect & interaction

Pada umumnya, Main effect lebih penting daripada Interaction. Jika
Interaction dianggap lebih penting, maka Interaction tersebut dapat

dijadikan faktor.
84 / 164
6σ
Menentukan Level untuk Variabel X
• Banyaknya jumlah level tergantung dari tujuan eksperimen dan grafik dari respon.
• Kita dapat menentukan variabel yang penting dengan menyaring
eksperimen, biasanya jumlah levelnya ada dua.
• Jika ada perbedaan Range harus cukup lebar untuk memperlihatkan
perbedaan,
> Perubahan temperatur sebanyak satu derajat ternyata
memberikan pengaruh yang sedikit, mungkin kesimpulan kita
terhadap temperatur itu salah dan bukan merupakan variabel
yang penting.
• Range pada level seharusnya tidak boleh melebihi ketentuan yang
ada.
• Beberapa kombinasi pada percobaan akan menghasilkan respon yang
ditolak dan hal tersebut adalh kondisi yang diinginkan.
Menentukan Desain Eksperimen
• Ketika Desain Eksperimen ingin dijalankan, ada 10 pertimbangan penting.

• Orthogonality
• Ramdomization
• Peplication
• Repetition
• Controls
• Lurking Variables (Variabel lurking)

• Noise Variables (variabel noise)
• Blocking
• Sample Size (ukuran sampel)
• Confounding (Pengacakan)
85 / 164
6σ
• Orthogonal arrangement : (Merencanakan faktorial dan fraksi faktorial) digunakan

untuk memisahkan pengaruh-pengaruh yang ada pada variabel.
• Randomization : Untuk mengurangi pengaruh-pengaruh terhadap variabel-

variabel yang tidak ada hubungannya, dan memastikan bahwa test
statistiknya valid.
• Random dalam pelaksanaan eksperimen.
• Random dalam pengambilan sampel.
• Random dalam pengukuran.
• Replication (Reproducibility) : Melakukan eksperimen ulang guna

mendapatkan hasil yang lebih lengkap pada tingkatan level yang sama.
• Repetition (Repeatability) : Pengukuran sampel yang berulang dari tiap

eksperimen.
• Lurking Variables : merupakan variabel yang tidak mempengaruhi hasil

namun tidak terkontrol, dan tidak terukur.
Pengaruh dari variabel lurking seringkali dapat diminimasi melalui blocking dan
randomization.
• Noise variables : Merupakan variabel yang teridentifkasi berpengaruh

terhadap hasil, namun kita juga tidak dapat menkontrolnya. Untuk
meminimasi pengaruh dari variabel noise, pilih variabel tesnya yang dapat
dimonitor terhadap keseluruhan level dalam melakukan eksperimen.
• Blocking : berarti pengalokasian unit-unit eksperimen kedalam blok

sedemikian sehingga unit-unit dalam blok secara relatif bersifat homogen
sedangkan sebagian besar dari variasi yang dapat diperkirakan diantara unit-
unit telah baur dengan blok.
• Jika kita memilih variabel blok, kita analisa eksperimen faktorial
apakah cukup atau tidak.
• Jika kita tidak memilih variabel blok, kita tidak dapat menemukan
penyebab ketika hasil eksperimen mempunyai masalah.
86 / 164
6σ
• Sample Size : Biasanya berhubungan dengan biaya dan ketepatan dalam

menentukan banyaknya sampel.
• Confounding : adalah ketidakmampuan guna memisahkan pengaruh dari

variabel yang satu dengan yang lainnya atau dari interaksi. Ingat bahwa
semua faktorial fraksi mempunyai kesamaan dalam pembauran. Umumnya,
Interaksi main effeknya lebih besar dan interaksi diantara lebih dari 3 faktor
tingkat signifikannya kecil.
Melaksanakan eksperimen dan pengumpulan data.
• Pastikan sebelum melaksanakan eksperimen dibuat suatu sheet untuk

seluruh data dalam betuk form.
• Pastikan untuk selalu hadir dalam pelakasaan eksperimen

> Dapat diketahui dari pengamatan mana yang terdapat hubungan paling kuat.
> Selama eksperimen, dapat ketahui mana level dari faktor yang paling
berpengaruh terhadap range.
• Urut-urutan Eksperimen : Lebih baik pelaksanaan eksperimen dilakukan

dalam skala kecil dibandingkan dengan eksperimen dalam skala besar.
• Sebelum melaksanakan eksperimen.

> Saringlah faktor yang terpenting dan mekanismenya dapat dipahami, sehingga
kita dapat melakukan eksperimen lebih efektif pada masa depan.
87 / 164
6σ
Analisa Data
• Analisa Grafik
• Analisa Kapabilitas
• Histogram
• Box Plot
• Pareto
• Scatter Plot
• Cube Plot
• Main effect plot : Mean & standard deviatin
• Interction Plot : Mean & standard deviatin
• Confedence Interval
• P-value, Test statistik
• T-test, F-test, Chi-square
• ANOVA Tables
• Regresi.
88 / 164
6σ
Menggambarkan Kesimpulan
• Apakah hasilnya secara statistik significan ?

> Apakah ada tool yang tidak digunakan dalam langkah ini, Pengukuran /
analisa / improvement ?
> Apakah hasilnya secara statistik sesuai dengan permasalahan yang ada ?
• Apakah ada bukti perubahan pada basis long term
• Apakah hasilnya benar-benar berarti ?

> Apakah kemampuan proses dapat diperbaiki ?
> Apakah “Y” yang terpilih sebagai tema dapat di-improve pada basis long term ?
> Apakah ada efek sampingannya ?
• Apakah eksperimen dapat langsung membawa kita bagaimana mengatasi problem ?
• Apakah perlu diadakan eksperimen tambahan ?
Kepastian eksperimen terhadap Faktor dan Level yang terpilih
• Kepastian tersebut sangat penting sekali guna menguji apakah kita telah melakukan
perbaikan dengan benar, dan tentu saja sebelumnya faktor dan level tersebut harus
melalui rational subgroup terlebih dahulu.
• Pastikan bahwa yang dilakukan pada eksperimen adalah variabel vital X.

• Yang harus diperhatikan

• Pastikan bahwa test run telah dilaksanakan.
• Pastikan bahwa tiap level dari variabel independent adalah akurat.
• Pastikan bahwa eksperimen tidak merusak alat serta aman.
89 / 164
Perencanaan Eksperimen 6σ
Yang Diperhatikan dalam eksperimen
• Jangan salah dalam mengidentifikasi faktor

> Salah dalam mengidentifikasikan hubungan antara beberapa faktor
• Pilihlah Kondisi paling optimal .

> Biaya tinggi dalam eksperimen harus dihindari
> Seluruh kebijakan mungkin akan berubah.
• Bila tidak ada kontrol, tidak mungkin untuk memutuskan bila ada suatu hal lain yang
berubah.
• Tidak termasuk variabel indenpenden penting.

• CTQ yang berpengaruh terhadap kualitas tidak termasuk.
• Variasi pengukuran yang besar tidak akan mengubah apapun

90 / 164
Desain One Way Factorial
6σ
One way Factorial Design
• Contoh design eksperimen dengan satu faktor
• Pada suatu proses pembuatan benang, ingin diketahui pengaruh temperatur terhadap
tingkat kerenggangan.
• Dibuat design eksperimen dengan level dari temperatur adalah : 600C, 650C, 700C dan
750C, dengan total eksperimen 12 kali dengan pengulangan 3 kali (repetition) pada
setiap level temperatur secara random.
• Data eksperimen dari tension (Unit : Kg/mm2)
Levels of factor
600C 650C 700C 750C
Repetition
8.44 8.59 9.34 8.92

8.36 8.91 9.41 8.92
8.28 8.60 9.69 8.74
91 / 164
6σ
One way Factorial Design (using Minitab)
Data input
92 / 164
6σ
• Stat > ANOVA > One-way
Klik OK
One-way Analysis of Variance

Analysis of Variance for C5

Source DF SS MS F P
C6 3 1,9788 0,6596 31,19 0,000
Error 8 0,1692 0,0211 P-value lebih kecil dari
Total 11 2,1480 a = 0.05, berarti ada
Individual 95% CIs For Mean perbedaan yang berarti
Based on Pooled StDev
Level N Mean StDev -------+---------+---------+---------
1 3 8,3600 0,0800 (---*---)
2 3 8,7000 0,1819 (---*---)
3 3 9,4800 0,1852 (---*--)
4 3 8,8600 0,1039 (---*---)
-------+---------+---------+---------
Pooled StDev = 0,1454 8,50 9,00 9,50
93 / 164
6σ
• Graph > Plot
• Klik OK
9,7
9,2
stack data
8,7
8,2
1 2 3 4
factor
94 / 164
6σ
• Stat > Anova > Main effects plot
• Klik OK
Main Effects Plot - Data Means for stack data

Hasil tension paling tinggi

9,5
dihasilkan pada level
temperatur 70o C
stack data
9,0
8,5
1 2 3 4
factor
95 / 164
Desain Two Way Factorial
6σ
Two way Factorial Design
• Design eksperimen dengan dua faktor
• Contoh kasus pada suatu perusahaan kimia, ingin mengetahui pengaruh

temperatur dan material terhadap hasil produksi (%). Faktornya adalah
Temperatur dan Material, dengan Two way Factorial Design tanpa pengulangan
(repetition)
• Jumlah level pada tiap faktor adalah sbb :

Temperatur (A) : A1(180oC), A2 (190oC), A3 (200oC), A4(210oC)
Material (B) : B1 (USA), B2 (Jepang), B3 (Lokal)
Data eksperimen adalah sbb :
Factor A
A1 A2 A3 A4
Factor B
B1 8.44 8.59 9.34 8.92

B2 8.36 8.91 9.41 8.92
B3 8.28 8.60 9.69 8.74
96 / 164
6σ
Two Way Factorial design (using Minitab)
Data input
97 / 164
6σ
• Stat > ANOVA > Two-way
• Klik OK
Two-way Analysis of Variance
Analysis of Variance for Response

Source DF SS MS F P
Temperat 3 2,2200 0,7400 7,93 0,016
Material 2 3,4400 1,7200 18,43 0,003
Error 6 0,5600 0,0933
Total 11 6,2200
P-Value lebih kecil

a = 0.005, maka ada
perbedaan yang berarti
98 / 164
6σ
• Stat > ANOVA > Main effects plot
• Klik OK
Main Effects Plot - Data Means for Response
Temperatur Material
98,2
Response
97,9
97,6
97,3
97,0
180 190 200 210 1 2 3
• Kondisi optimal berada pada A = A3, B = B3
99 / 164
Desain Faktorial 6σ
Eksperimen Faktorial
• Yaitu eksperimen yang semua level sebuah faktor tertentu

dikombinasikan atau disilangkan dengan semua (hampir semua)
taraf/level tiap faktor lainnya yang ada dalam eksperimen itu.
Jenis Design Faktorial
• 2n Eksperimen
yaitu eksperimen dengan jumlah faktor n dan jumlah level tiap faktor
adalah 2.
• 3n Eksperimen
yaitu eksperimen dengan jumlah faktor n dan jumlah level tiap faktor
adalah 3
Keuntungan dari design faktorial
• Dapat melaksanakan seluruh kombinasi pada semua level dan semua

faktor.
• Kita dapat memperkirakan pengaruh dari seluruh faktor dan
interaksinya.
100 / 164
Design Faktorial 22
• Kita akan membuat ban dengan campuran dua jenis karet (Ao , A1) dan dengan
dua jenis mold atau cetakan (B0, B1). Kita akan test keseimbangan dari ban
sebanyak empat kali pada setiap kondisi.
• Data Eksperimennya adalah sbb :
Ao A1 Jumlah
B0 31 82
45 110 517
165 352
46 88
43 72
22 30
B1 218
21 84 37 134
18 38
23 29
Jumlah 249 486 735
101 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Stat > DoE > Create factorial design

Eksperimen seharusnya
dilaksanakan dengan random
102 / 164
Desain Faktorial
6σ
• Setelah Klik OK
Masukkan data
berdasarkan
hasil eksperimen
103 / 164
Desain Faktorial
6σ
• Stat > DOE > Analyze Factorial Design

Pilih semua faktor
104 / 164
Desain Faktorial
6σ
Fractional Factorial Fit
Estimated Effects and Coefficients for Response (coded units)
Term Effect Coef StDev Coef T P

Constant 45,94 2,282 20,13 0,000
Mix -29,62 -14,81 2,282 -6,49 0,000
Mold 37,37 18,69 2,282 8,19 0,000
Mix*Mold -17,13 -8,56 2,282 -3,75 0,003
Analysis of Variance for Response (coded units)
Source DF Seq SS Adj SS Adj MS F P

Main Effects 2 9098,1 9098,1 4549,06 54,60 0,000
2-Way Interactions 1 1173,1 1173,1 1173,06 14,08 0,003
Residual Error 12 999,7 999,8 83,31
Pure Error 12 999,8 999,8 83,31
Total 15 11270,9
Unusual Observations for Response
Obs Response Fit StDev Fit Residual St Resid

7 110,000 88,000 4,564 22,000 2,78R

15 72,000 88,000 4,564 -16,000 -2,02R
R denotes an observation with a large standardized residual
Alias Structure
I
Mix
Mold
Mix*Mold
105 / 164
Desain Faktorial
6σ
• Stat > DOE > Factorial Plots
106 / 164
• Main effect plot
Main Effects Plot (data means) for Response
-1 1 -1 1
66
56
Response
46
36
26
Mix Mold
• Setting optimal adalah pada posisi Mix : 1 ; Mold : -1

• Kita tahu bahwa pengaruh mold lebih besar daripada campuran karet.
Pada main effect plot, semakin besar slope dari suatu faktor, semakin berpengaruh
terhadap response (hasil)
107 / 164
Desain Faktorial
6σ
• Interaction plot
Interaction Plot (data means) for Response
Mix
-1
80 1
70
60
Mean
50
40
30
20
-1 1
Mold
• Mungkin ada sedikit interaksi antara dua faktor (mix,mould). Maka perlu untuk
dianalisa lebih jauh agar interaksi tersebut lebih terjadi pada kondisi yang nyata
Apakah Interaction (Interaksi) itu ?
Interaksi menggambarkan apakah ada hubungan yang saling mempengaruhi atau tidak ya
ng terjadi pada respon diantara level yang satu dengan yang lainnya dalam suatu faktor.
Y Y Y
X X X
Tidak ada interaksi Ada sedikit interaksi Interaksi kuat
108 / 164
Desain Faktorial
6σ
• Cube plot
Keseimbangan Optimal
hasil kombinasi dari
kedua faktor
Cube Plot (data means) for Response
1 88,00 41,25
Mold
-1 33,50 21,00
-1 1
Mix
• Hasil yang paling optimal adalah dengan Mix Rubber : -1, Mold : 1
• Mungkin ada sedikit interaksi
109 / 164
Desain Faktorial
6σ
Design Faktorial 23
• Kemampuan mencuci dari suatu mesin cuci dikatakan bagus ditentukan dari
sedikitnya sisa kotoran yang dihasilkan atau bersihnya suatu cucian. Eksperimen
dilakukan dengan dua level pada tiap faktornya
Faktor Level
-1 1
A. Temperatur Warm Hot
B. Time Short Long
C. Concentration Low High
• Ekperimen dilakukan dua kali dan harus diletakkan dalam satu kolom
• Hasil eksperimen adalah sebagai berikut
Run Temp Time Conc. Yield

1 -1 -1 -1 65
2 1 -1 -1 43
3 -1 1 -1 46
4 1 1 -1 43
5 -1 -1 1 60
6 1 -1 1 44
7 -1 1 1 61
8 1 1 1 44
110 / 164
Desain Faktorial
6σ
• Stat > DOE > create factorial design
Pilih jumlah
faktor
Pilih 8 kali
eksperimen
Tentukan banyaknya
jumlah pengulangan
111 / 164
Desain Faktorial
6σ
• Setelah klik OK
Input data berdasarkan

hasil eksperimen
112 / 164
• Stat > DOE > Anayze Factorial Design
113 / 164
Desain Faktorial
6σ
Estimated Effects and Coefficients for Yield (coded units)
Term Effect Coef

Constant 49,500
temp. -12,000 -6,000
time -7,000 -3,500
conc. 0,500 0,250
temp.*time 7,000 3,500
temp.*conc. 0,500 0,250
time*conc. 2,500 1,250
temp.*time*conc. -2,500 -1,250
Analysis of Variance for Yield (coded units)

Main Effects 3 386,50 386,50 128,83 * *
2-Way Interactions 3 111,00 111,00 37,00 * *
Residual Error 0 0,00 0,00 0,00
Total 7 510,00
Alias structure
I
temp
time
conc
temp*time
temp*conc
time*conc
temp*time*conc
114 / 164
Desain Faktorial
6σ
• Stat > DOE > Factorial Plots….
115 / 164
Desain Faktorial
6σ
• Main effects plot
Main Effects Plot (data means) for Yield
-1 1 -1 1 -1 1
55,0
52,5
50,0
Y ield
47,5
45,0
temp. time conc.

• Grafik diatas menggambarkan pengaruh faktor terhadap hasil
• Temperatur mempunyai pengaruh terbesar terhadap hasil eksperimen, namun

concentration mempunyai pengaruh yang kecil terhadap hasil eksperimen.
• Faktor mana yang paling terpenting ?
• Faktor mana yang peling kecil pengaruhnya ?
116 / 164
Desain Faktorial
6σ
Interaction Plot (data means) for Yield

-1 1 -1 1
62
temp.
1 52
-1
42
62
time
1 52
-1
42
conc.
• Temp*Time : Pengaruh temperatur berubah berdasarkan waktu. Pengaruh paling

besar adalah waktunya pendek dan temperaturnya rendah
• Temp*Conc : Temperatur yang tinggi mempunyai pengaruh paling sedikit

tanpa memperhatikan concentration. Dan tidak ada interaksi
• Time*Conc : Waktu yang lama mempunyai residu sedikit

Pengaruh waktu lebih besar pada saat konsentrasi rendah
117 / 164
Desain Faktorial
6σ
• Cube plot
Cube Plot (data means) for Yield
51 44
46 43
1
time 60 44
1
conc.
-1 65 43 -1
-1 1
temp.
• Ketika temp : 1, time:1, conc:-1 atau temp :1, time:-1, conc:-1 merupakan komposisi
terbaik yang menghasilkan paling sedikit residu.
• Grafik diatas menggambarkan pengaruh faktor terhadap hasil
• Temperatur mempunyai pengaruh terbesar terhadap hasil eksperimen, namun

concentration mempunyai pengaruh yang kecil terhadap hasil eksperimen.
118 / 164
Desain Fractional Factorial
6σ
Apakah Fractional Factorial Desain
• Dalam suatu eksperimen, semakin banyak Faktor maka akan semakin banyak
juga eksponennya.
• Bila melaksanakan percobaan dengan banyak faktor maka akan membutuhkan

waktu dan mungkin biaya yang besar
• Jumlah eksperimen dapat dikurangi dengan aturan Fractional Factorial , yaitu

dengan mendesain percobaan hanya sebagian saja tidak dengan full factorial
design.
Kenapa menggunakan Desain fractional factorial ?
• Dapat menyaring faktor vital X

• Pertimbangan ekonomi, karena akan banyak mengalami hambatan bila
melaksanakan percobaan dengan cara full factorial experiment.
Keuntungan dari Desain Fractional Factorial
• Mendapatkan hasil yang bagus dengan mengadakan eksperimen lebih sedikit

• Sedikit eksperimen dengan banyak faktor
119 / 164
6σ
25 Eksperimen
StdOrder RunOrder CenterPt Bloks Kolom1 Kolom2 Kolom3 Kolom4 Kolom5 Respon
1 1 1 1 - - - - - 61
2 2 1 1 + - - - - 53
3 3 1 1 - + - - - 63
4 4 1 1 + + - - - 61
5 5 1 1 - - + - - 53
6 6 1 1 + - + - - 56
7 7 1 1 - + + - - 54
8 8 1 1 + + + - - 61
9 9 1 1 - - - + - 69
10 10 1 1 + - - + - 61
11 11 1 1 - + - + - 94
12 12 1 1 + + - + - 93
13 13 1 1 - - + + - 66
14 14 1 1 + - + + - 60
15 15 1 1 - + + + - 95
16 16 1 1 + + + + + 98
17 17 1 1 - - - - + 56
18 18 1 1 + - - - + 63
19 19 1 1 - + - - + 70
20 20 1 1 + + - - + 65
21 21 1 1 - - + - + 59
22 22 1 1 + - + - + 55
23 23 1 1 - + + - + 67
24 24 1 1 + + + - + 65
25 25 1 1 - - - + + 44
26 26 1 1 + - - + + 45
27 27 1 1 - + - + + 78
28 28 1 1 + + - + + 77
29 29 1 1 - - + + + 49
30 30 1 1 + - + + + 42
31 31 1 1 - + + + + 81
32 32 1 1 + + + + + 82
• Idealnya eksperimen dilakukan secara penuh (full experiment), namun demikian hal
tersebut akan sulit untuk dilaksanakan disebabkan beberapa kondisi seperti waktu,
tenaga, biaya, material.
120 / 164
6σ
25 Eksperimen
• Dipilih 16 kali eksperimen diantara total keseluruhan yang berjumlah 32

eksperimen.
# X1 x X2 x X3 x X4 x X5 = -1 atau
# X1 x X2 x X3 x X4 x X5 = +1
• Jika telah diseleksi melalui perkalian dari total faktor secara ortogonal.
# Faktor adalah independent, pengukuran sampel dari suatu eksperimen
harus dipastikan berulang.
• Jika diseleksi secara random, maka tidak ortogonal, dan faktor menjadi
dependen, maka hasil eksperimen kemungkinan salah
• Susunan dari data eksperimen fraksi faktorial
StdOrder Kolom1 Kolom2 Kolom3 Kolom4 Kolom5 12 13 14 15 23 24 25 34 35 45 Respon

2 + - - - - + + + - + + - + - - 53
3 - + - - - - - - - + + + + + + 63
5 - - + - - - + + + - - - + + + 53
8 + + + - - + - - + - - + + - - 61
9 - - - + - + - + + - + + - - + 69
12 + + - + - - + - + - + - - + - 93
14 + - + + - - - + - + - + - + - 60
15 - + + + - + + - - + - - - - + 95
17 - - - - + + + - + + - + - + - 56
20 + + - - + - - + + + - - - - + 65
22 + - + - + - + - - - + + - - + 55
23 - + + - + + - + - - + - - + - 67
26 + - - + + + - - - - - - + + + 45
27 - + - + + - + + - - - + + - - 78
29 - - + + + - - - + + + - + - - 49
32 + + + + + + + + + + + + + + + 82
121 / 164
6σ
25 Eksperimen
• Pada desain fraksi faktorial dengan 16 kali eksperimen, tiap Cube mempunyai
> 2 eksperimen diatas dan 2 eksperimen dibawah
> 2 eksperimen dikiri dan 2 eksperimen dikanan
> 2 eksperimen didepan dan 2 eksperimen dibelakang
+1
X5
-1
+1
X2
+1
-1 X3
-1 X1 +1 -1 +1
-1
X4
122 / 164
Desain Fractional Factorial 6σ
25 Eksperimen
• Desain fraksional 23-1 dengan 4 eksperimen. Pada desain 23 faktorial penuh,

kita dapat memilih dengan 4 eksperimen saja yaitu “+ atau -” terhadap
perkalian dari seluruh faktor yang relatip. Pada kasus yang terdapat 2 faktor
maka desain faktorialnya adalah desain 22 faktorial penuh. Maka susunan
tipe dari X3 adalah sama sebagaimana interaksi dari X1, X2.
Main effect Column Interaction Column

Run X1 X2 X3 X1X2 X1X3 X2X3 X1X2X3 Response
1 -1 -1 1 1 -1 -1 1
2 1 -1 -1 -1 -1 1 1
3 1 1 -1 -1 1 -1 1
4 -1 1 1 1 1 1 1
• Main effect dari X1, X2, X3 adalah diacak dengan interaksi dari 2 faktor
> kolom X3 = Kolom X1 X2
X2
X3
X1
123 / 164
6σ
Eksperimen 25
• Suatu eksperimen yang ingin menghasilkan suatu material yang bagus ditentukan
oleh 5 faktor (X), yaitu sebagai berikut :
- Feed rate
- % Catalyst
- Agitation Rate (RPM)
- Temperatur (0C)
- konsentrasi material
Dalam hal ini eksperimen fractional factorial adalah 25-1 (16 eksperimen).
Temukan komposisi terbaiknya ?
Factor -1 +1
1. Feed rate 10 15
2. Catalyst 1 2
3. Agitation 100 120
4. Temperature 140 180
5. Concentration 3 6
124 / 164
• Stat > DOE > Create factorial design
Pilih 1/2 fraction untuk

16 eksperimen
125 / 164
Fractional factorial design (using Minitab)
• Klik OK
Input Data
berdasarkan
eksperimen
126 / 164
6σ
Fractional Factorial design (using Minitab)
• Stat > DoE > Analyze Factorial Design

Kita tidak menganalisa

interaksinya, karena fa
ktor-faktor tersebut tid
ak saling significant.
127 / 164
6σ
• Klik OK
Factorial Design
Fractional Factorial Design
Factors: 5 Base Design: 5; 16 Resolution: V

Runs: 16 Replicates: 1 Fraction: 1/2
Blocks: none Center pts (total): 0
Design Generators: E = ABCD
Alias Structure
I + ABCDE
A + BCDE
B + ACDE
C + ABDE It means that each of main effects is confounded with inte
D + ABCE raction
E + ABCD in this case, each main effects is confounded
AB + CDE with 4 order interaction.
AC + BDE 2 order interaction are confounded with 3 order
AD + BCE interactions.
AE + BCD
BC + ADE
BD + ACE
BE + ACD
CD + ABE
CE + ABD
DE + ABC
128 / 164
Estimated Effects and Coefficients for pc (coded units)
Term Effect Coef

Constant 65,250
feedrate -2,000 -1,000
catalyst 20,500 10,250
agitate 0,000 0,000
temperat 12,250 6,125
concentr -6,250 -3,125
feedrate*catalyst 1,500 0,750 Kita dapat mengidentifikasi bahwa catal
feedrate*agitate 0,500 0,250 yst / agitate / catalyst*temperature /temp
feedrate*temperat -0,750 -0,375 erature*concentration mempunyai penga
feedrate*concentr 1,250 0,625 ruh yang significant terhadap respon
catalyst*agitate 1,500 0,750
catalyst*temperat 10,750 5,375
catalyst*concentr 1,250 0,625
agitate*temperat 0,250 0,125
agitate*concentr 2,250 1,125
temperat*concentr -9,500 -4,750
Analysis of Variance for pc (coded units)

Main Effects 5 2453,5 2453,5 490,70 * *
Residual Error 0 0,0 0,0 0,00
Total 15 3331,0
Estimated Coefficients for pc using data in uncoded units
Term Coef
Constant 112,75
feedrate -1,95
catalyst -93,25
agitate -0,79
temperat 0,24
concentr 11,67
feedrate*catalyst 0,60
feedrate*agitate 0,01
feedrate*temperat -0,01
feedrate*concentr 0,17
catalyst*agitate 0,15
catalyst*temperat 0,54
catalyst*concentr 0,83
agitate*temperat 0,00
agitate*concentr 0,08
temperat*concentr -0,16
129 / 164
• Stat > DoE > Factorial Plots
130 / 164
• Main effects plot
Main Effects Plot (data means) for pc react
0 0 0 0
10 15 1 2 10 12 14 18 3 6
75
70
pc react
65
60
55
feedrate catalyst agitate temperature concetration
• Pengaruh yang kuat terhadap ‘PC React’ seperti yang terlihat pada gambar diatas
adalah Catalyst dan Temperatur.
• Agitation seperti yang terlihat pada gambar tidak berpengaruh terhadap ‘PC React’.
• Jika agitation tidak mempunyai pengaruh terhadap Y, agitator dapat diabaikan.
131 / 164
6σ
Interaction Plot (data means) for pc react

1 2 100 120 140 180 3 6
90
feedrate
15 70
10
50
90
catalyst
2 70
1
50
90
agitate
120 70
100
50
90
temperature
180 70
140
50
concetration
• Interaction plot menunjukkan bahwa terdapat interaction yang significant

antara temperatur dan catalyst dan antara concentration dan temperature.
• Interaction antara faktor lainnya tidak significant
• Ingat bahwa pembauran terhadap interaksi dua arah dengan interaksi 3 arah
(dari Alias Structure) penafsirannya harus hati-hati, walaupun interaksi 3 arah
jarang terjadi signifikan.
132 / 164
6σ
• Cube plot
Cube Plot (data means) for pc react

67 82
65 78
55 49
56 45
6
concetration
3 61 95
63 93
2
cataly st 53 60
120
53 agitate 69
1 100
10 15
f eedrate
140 temperature 180
• Kondisi optimal adalah pada komposisi catalyst +1 (2%), temperature+1 (180oC),

concentration-1 (3%).
• Pengaruh feed rate dan agitate adalah minimal
• Kita harus menguji Repeatability dimana produk dapat diperbaiki dengan kondisi
optimal.
133 / 164
REGRESI
6σ
Apa itu REGRESI ?
Ketika melakukan perbaikan masalah, regresi berguna untuk mengidentifikasi

hubungan diantara variabel-variabel dalam kasus yang diamati. Regresi juga bi
sa menjadi kunci penyelesaian masalah apakah ada hubungan diantara variabe
l-variabel tersebut atau tidak.
Regresi digunakan untuk menggambarkan dan menganalisa persamaan matem

atis yang menerangkan hubungan variabel-variabel, yaitu antara variabel bebas
‘Y’ dan variabel tak bebas ‘X’.
Y
Y == aa ++ bX
bX ++ error
error ;; aa == konstanta
konstanta
bb == ukuran
ukuran kemiringan
kemiringan
Klasifikasi Persamaan Regresi

Regresi Linier Sederhana
Persamaan regresi yang dibentuk oleh sebuah variabel bebas (Y) dan sebuah v
ariabel tak bebas (X)
Regresi Linier Multipel

Persamaan regresi yang dibentuk oleh sebuah variabel bebas (Y) dan beberapa
buah variabel tak bebas (X)
Regresi Curvilinear
Persamaan regresi yang dibentuk oleh sebuah variabel bebas Y dan sebuah var
iabel tak bebas X (yang memiliki pangkat lebih dari 2)
Mengapa Menggunakan Regresi ?

• Untuk mengetahui faktor yang potensial terhadap Y (variabel tak bebas)
• Untuk memperkirakan Y (variabel bebas)
• Untuk mengetahui bagaimana menentukan X untuk mengoptimalkan Y
134 / 164
REGRESI 6σ
Kapan Menggunakan Regresi ?
• Untuk menampilkan data pasif untuk “X” yang potensial
Jangan menarik kesimpulan berdasarkan data pasif. Lanjutkan dengan Desa
in Eksperimen
• Untuk menganalisa hasil dari Desain Eksperimen
Plot Regresi
y Tak Dapat
Menerangkan
Variasi = Error y = a + bx
SSE ( xi , yi )
Variasi Total
SST
Dapat
Menerangkan Variasi
(Variasi dengan Regresi)
SSR
xi x
Persamaan untuk a dan b
a = y − bx
∑ xy − ∑
x∑ y
S ( xy ) n
b= =
( )2
∑ x 2 − ∑n
S ( xx ) x
135 / 164
REGRESI
6σ
Persamaan Regresi
• Pada saat kita mencocokkan data observasi dengan persamaan matematika, a

dan b harus dijelaskan oleh total jumlah variasi terkecil yang tidak dapat dite
rangkan oleh persamaan regresi. (Metode Jumlah Kuadrat Terkecil)
• Jika semua data dapat memenuhi persamaan regresi, error adalah 0 (nol). Te
tapi hal ini jarang terjadi sebab hal ini merupakan keadaan optimal.
• Serta jika error (tidak dapat menerangkan variasi) bernilai kecil dibandingka
n nilai total variasi, dapat dipahami bahwa penjelasan data dengan Model Re
gresi adalah cukup memadai.
Bagaiman Mengumpulkan Data ?
• Untuk memberikan variasi yang terkecil dalam memperkirakan ukuran kemi

ringan (slope), tempatkan satu setengah bagian dari data pada batas terendah
dari nilai “X” dan setengah bagian sisanya pada batas teratas, dan gunakan r
ange yang lebar untuk variabel tak bebasnya.
• Merupakan hal yang lebih baik dalam mengumpulkandata dengan cara acak,
daripada memulai mengumpulkan “X” dari nilai rendah kemudian meningka
t ke nilai yang lebih tinggi, variabel lainnya mungkin akan berubah dan mun
gkin akan berpengaruh terhadap proses.
136 / 164
REGRESI
6σ
Analisis Regresi Menggunakan MINITAB
CONTOH :
Dari sejumlah data random akan diperkirak
an man-hour sebuah pabrik berdasarkan ukuran lot. Tentuk
an persamaan regresinya !
Lot Size (X) 10 20 30 40 40 50 60 60 70 80

Jumlah Naker (Y) 20 29 50 60 70 85 90 95 109 120
• Graph > Plot

137 / 164
REGRESI
6σ
120
man-hour
70
20
10 20 30 40 50 60 70 80
lot size
• Kita dapat memperkirakan secara kasar bahwa hubungan antara

Lot Size dengan Man-hour adalah ‘Lurus’ atau Linear
138 / 164
REGRESI 6σ
• Stat > Regression > Regression ...
Residual Plot digunakan un

tuk menerangkan apakah ke
sesuaian persamaan optima
l atau tidak
Klik Fits dan Residuals pa

da window yang muncul se
telah mengklik Storage
139 / 164
REGRESI
6σ
• Klik OK
• Kolom FITS adalah nilai dugaan untuk “Y” dihitung berdasarkan pe

rsamaan regresi untuk setiap nilai “X”
Man-hour = 4.71 + 1.48 Lot-size

Y = 4.71 + 1.48 X
• Residual adalah error (kekeliruan)

Residual adalah perbedaan antara respon sebenarnya dengan nilai re
spon dugaan, dalam contoh C4 = C2 - C3.
140 / 164
REGRESI
6σ
Apa yang dimaksud Residual dalam Regresi ?
Residual Plot adalah analisis tools untuk memeriksa a
pakah Model Regresi dapat diterima atau tidak
• Rata-rata Residual selalu 0 (nol)

• Residual harus berdistribusi normal
• Residual harus berdistribusi secara acak (random)
(yaitu, bentuk sebaran residual bisa menunjukan bahwa model te
rsebut tidak benar)
Residual
Kemungkinan memiliki vari

asi over time yang tidak sam
a
Residual
Kemungkinan kebebasannya
(independensi) diragukan ata
u berdasarkan hubungan cur
vilinear daripada linear.
Residual
Harus dipertimbangkan varia

bel lainnya secara bersamaan
.
141 / 164
REGRESI
6σ
Analisis Residual (normality) menggunakan MINITAB
• Stat > Regression > Regression...
Untuk menguji Normalitas da

ri Residual, plot
> Histogram of residuals
> Normal plot of residual
142 / 164
REGRESI
6σ
• Klik OK
Histogram of the Residuals

(response is man-hour)
2
Frequency
-6 -4 -2 0 2 4 6
Residual
Normal Probability Plot of the Residuals

1
Normal Score
-1
-5 0 5
Residual
• Kita dapat memeriksa apakah Residual berdistribusi normal atau tidak

• Serta, kita dapat menguji normalitas tersebut dengan
Stat > Basic Stat > Normality Test
variabel : Resi1
value = 0.269
143 / 164
REGRESI
Analisis Residual (scatter plot) menggunakan MINITAB
6σ
• Stat > Regression > Regression...
• Klik OK dua kali

Residuals Versus the Fitted Values • Errors harus berdistribu

si normal random di ata
s dan di bawah rata-rata
5
0
• Error error muncul ham
Residual
pir berdistribusi secara

0
acak.
• Sehingga, kita dapat me
ngetahui bahwa Residu
-5
al berdistribusi normal.
20 70 120
Fitted Value
144 / 164
REGRESI
6σ
Regression Analysis
The regression equation is

a man-hour = 4,71 + 1,48 lot size
Predictor Coef StDev T P
Constant 4,712 3,242 1,45 0,184 b
lot size 1,48018 0,06408 23,10 0,000 c
d S = 4,270 e R-Sq = 98,5% f R-Sq(adj) = 98,3%
Analysis of Variance
Source DF SS MS F P
Regression 1 g 9727,7 9727,7 533,55 0,000
Residual Error 8 h 145,9 18,2
Total 9 i 9873,6
Keterangan :
a Persamaan Regresi : y = a + bx a = Slope (ukuran kemiringan) = 4.71
b = Konstanta = 1.48
b Nilai kanstanta P-Value

• H0 : Garis melalui titik (0, 0)
• H1 : Garis tidak melalui titik (0, 0)
Dalam contoh kasus, karena H0 diterima, kita dapat menentukan ukuran kemiringan 4.71
c P-Value tentang variabel

•H0 : Lot Size mempengaruhi respon (Man hour)
•H1 : Lot Size tidak mempengaruhi respon (man hour)

pada contoh kasus, karena nilai P-Value = 0.00 kita dapat memutuskan bahw
a Lot size tidak mempengaruhi man hour
d Nilai S : Standar Deviasi dari Residuals (errors). Error diperoleh dari ‘Nilai O
bservasi - Nilai yang diharapkan. Lebih kecil nilainya, memberikan model ya
ng lebih baik.
e R-Sq : Persentase dari variasi total “yang dijelaskan” oleh garis persamaan (yang layak).
f R-Sq(adj) : Penyesuaian untuk sebuah kondisi yang over-fit
g Variasi dapat dijelaskan oleh persamaan regresi yang layak
g Variasi tidak dapat dijelaskan oleh persamaan regresi yang layak
g Variasi mempertimbangkan antara data observasi dengan rata-ratanya
145 / 164
REGRESI
• Stat > Regression > Fitted Line Plot...
6σ
Kesimpulan.
Regression Plot
Y = 4,71171 + 1,48018X • Kita dapat mengetahui b
R-Sq = 98,5 %
ahwa Lot Size (X) memp
140
engaruhi man hour
120
• Karena R-Sq = 98.5%, ki
100
ta dapat memutuskan ba
man-hour
80
hwa hal tersebut sangat b
60 erarti. (Secara umum, dis
40
arankan R-Sq di atas 65
Regression %)
20
95% CI
0
95% PI • Dalam contoh, Residual
10 20 30 40 50 60 70 80 berdistribusi normal (P-
lot size Value = 0.269, Normalit
y Test)
146 / 164
BAB 5 : PENGENDALIAN Control 6σ
5-1 Rencana Pengendalian Control Plan
5-2 Bagan Kendali Control Chart

147 / 164
Rencana Pengendalian 6σ
Apakah fase-fase pengendalian itu?
• Memberikan penutupan project yang terstruktur dan mengalokasikan ulang sumber

daya yang ada.
• Memberikan perubahan yang sistematis untuk meyakinkan berlansung dengan arah
baru menuju ke proses yang optimum.
• Mendefinisikan rencana pengendalian, menetukan spesifikasi monitoring proses dan
tindakan korektif.
• Mengkomunikasikan prosedur baru dan sistem kepada pemilik proses.
• Meyakinkan keadaan proses baru terdokumentasi dan termonitor.
Apa kegiatan pada fase pengendalian?
• Menkonfirmasi hasil perbaikan
• Konfirmasi bahwa Anda memecahkan persoalan praktis
• Memastikan manfaat perbaikan
• Melaksanakan perencanaan pengendalian
• Melaksanakan Perencanaan Kualitas
• Melakukan perubahan prosedur
• Melakukan perubahan sistem
• Pelaksanaan pengendalian berdasarkan statistik
• Membuat perlindungan terhadap proses yang salah (menghilangkan pengaruh X -
sekecil mungkin)
• Dokumentasi laporan kegiatan
• Pelaksanaan audit terhadap proses
• Membuat rencana perbaikan berikutnya
Mengkonfirmasi Hasil Perbaikan

• Pada fase pengendalian, Anda perlu meyakinkan bahwa Anda telah melakukan
perbaikan. Ini diraih melalui dengan mendata proses dengan menggunakna rational
subgroups.
• Anda tidak bisa mengkonfirmasi perbaikan hanya dengan hasil aeal DOE, atau
dengan mensampling beberapa part. Anda harus mendata proses untuk
mengkonfirmasikan perbaikan adalah valid atau tidak dengan menggunakan atau
mengecek variasi
proses.
148 / 164
Rencana Pengendalian
6σ
Rencana Pengendalian Six Sigma
• Mendefinisikan masalah dalam bentuk “Y” dan variabel-variabel utama “X”

• Mendeskripsikan sistem pengukuran
• Mendefinisikan rencana sampling
• Menghitung nilai kempampuan proses awal dan akhir
• Mengidentifikasi dan menjelaskan perbaikan proses
• Mendeskripsikan mekanisme perbaikan proses yang belum selesai
• Secara jelas mendefinisikan pemilik proses
Dasar rencana pengendalian
• Apa yang diukur?

• Seberapa seringnya?
• Dengan cara apa?
• Oleh siapa?
• Apa mekanisme untuk mendeteksi kerusakan?
• Apa yang terjadi bila hasil pengukuran diluar batas kendali?
Bagaimana membuat rencana pengendalian

• Pilih variabel yang bermasalah

- Buktikan beberapa variabel utama “X”
• Definisikan rencana pengendalian
- Buat daftar pertanyaan 5W/H untuk “X”
• Pastikan dan sahkan rencana pengendalian
- Coba ⇒ Amati Y
• Laksanakan/ Dokumen rencana pengendalian
• Periksa rencana pengendalian
• Monitor tolok ukur kinerjanya
149 / 164
Bagan Kendali “Control Chart”
6σ
Statistical Process Control (SPC)?
• Statistical : Metoda-metoda statistik yang digunakan untuk memonitor dan

menganalisa variasi suatu proses dari sampel data
• Process : Tugas atau langkah-langkah yang berulang baik secara manual maupun
otomatis
• Control : Memberikan peringatan awal bila terjadi perubahan pada proses.
Peringatan memungkinkan Anda untuk membuat keputusan mengenai
proses selama masih mungkin dilakukan perbaikan sebelum masalah
yang sesungguhnya muncul.
Apa yang membuat SPC sebagai alat kendali yang baik?

• Proses bervariasi karena dipengaruhi oleh penyebab umum (white noise) dan
penyebab khusus
• Penyebab umum dan penyebab khusus terjadinya variasi dapat dilihat dengan
sample yang telah di -“rational sub-grouped” :
- Penyebab umum terjadinya variasi dikarakterisasi dengan variasi proses “steady
state” (diambil dari variasi dalam subgroup)
- Penyebab khusus terjadinya variasi dikarakterisasi dengan variasi proses yang
disebabkan dari luar (diambil diantara : variasi subgroup)
• SPC memberikan sinyal bilamana variasi proses “steady state” dipengaruhi oleh
faktor luar
• Plot variasi dari waktu ke waktu, akan membantu kita membedakan dua penyebab
variasi sepanjang batas kendali (control limit )
• Batas kendali memberikan alat pengambilan keputusan berdasarkan kemungkinan

untuk mengelola variasi suatu proses. (Sinyal pada saat diberikan untuk melakukan
tindakan yang diperlukan)
• Bagan kendali digunakan secara berpasangan, satu bagan untuk mengkarakterisasi
variasi di dalam subgroup (range) dan satu bagan lagi untuk mengkarakterisasi variasi
antar subgroup.
• Fungsi primer adalah untuk mendeteksi penyebab yang akan mempengaruhi rata-rata
variansi proses.
150 / 164
6σ
Diagram SPC(Statistical Process Control)?
Desired Output ProcessCapability

Keluaran yang diharapkan Kemampuan Proses
α/2 Upper Control Limit
Controller
α/2 Lower Control Limit
Pengendali
SAMPLES
Sampel
INPUT PROCESS OUTPUT

Masukan Keluaran
A B C D E L M N O P
· Faktor yang terkendali · Faktor yang tak terkendali

- Assignable causes - Penyebab umum
- Bisa disetel - Noise
- Khusus - Penyebab Inheren
• SPC secara tradisional digunakan untuk memonitor dan mengendalikan keluaran

suatu proses. Pada aplikasi ini, kita mengukur dimensi part atau karakteristik
produk yang telah dirakit.
• Six Sigma Quality memfokuskan pada pergerakan ukuran yang dikendalikan yang
mempengaruhi karakteristik “Y”. Jika kita dapat mengukur dan mengendalikan
beberapa faktor utama, pengendalian terhadap Y bisa diyakinkan hasilnya.
151 / 164
6σ
Why do the process import a stability?
• Kemampuan proses “process capability” adalah hal keragaman di dalam proses

adalah suatu ukuran keseragaman keluaran. Jika data diamati, proses tidak stabil, itu
adalah conjecture masa lalu.
• Maka, untuk meramalkan kemampuan proses, proses haruslah stabil .
condition 1 condition 2 condition 3 condition 4 condition 5
time
average shift irregular trend regular irregular

continuous shift
standard
regular regular regular decrease irregular
variation
152 / 164
6σ
Konsep Kemampuan Proses “Process Capability”
• Jika keluaran proses dibuat dari kesempatan terjadinya masalah, itu didefinisikan
sebagai proses yang stabil.
• Juga, kestabilan berarti rata-rata nilai dan rentang untuk semua subgrup yang
diamati di batas kendali atas (BKA – Upper Control LimitUCL) atau batas kendali
bawah (BKB-Lower Control Limit LCL). Itu berarti bahwa keragaman yang diamati
bukan berasal dari penyebab yang aneh (jarang muncul).
• Jika suatu tutik diluar batas kendali atau penyebaran data tidak random, itu disebut
penyebab yang aneh.
abnormal cause change area (area penyebab yang aneh)

BKA atau UCL
stable process change area X

(only chance cause existence)
BKB atau LCL

abnormal cause change area (area penyebab yang aneh)
• Kesimpulan, jika proses stabil, akan terlihat bahwa keluaran yang diamati tidak
akan lewat dari ±3σ.
153 / 164
Bagan Kendali “Control Chart” 6σ
Apakah bagan kendali itu?
• Sebuah alat statistik untuk mengetahui apakah proses stabil atau tidak. Dan ini
adalah alat yang secara terus menerus memperkirakan perubahan proses.
Jenis-Jenis Bagan Kendali
• Pengelompokan berdasarkan statistik

· Bagan Kendali untuk Variabel : untuk data kontinyu
(length, temperature, humidity)
· Bagan Kendali Atribut : untuk data diskret
(number of defect product, defects)
• Pengelompokan berdasarkan penggunaanya

· Bagan Kendali Analisa Proses
: Setelah menganalisa bagaimana keadaan sustu proses, pemeriksaan ini untuk
mengetahui keragaman yang disebabkan oleh beberapa penyebab.
· Bagan Kendali untuk Manajemen Proses
: Dalam kerja, hasil diperiksa dengan bagan kendali. Jika hasilnya tidak normal,
cari penyebabnya dan hilangkan.
Keputusan garis batas kendali suatu bagan kendali
• Sebuah garis batas kendali digunakan adalah ±3σ, dan ini sekitar 99.73% dari
distribusi normal. Dengan kata lain, ini tidak akan mengubah kebanyakan nilai rata-
rata dan keragaman dan jika keragaman disebabkan berdasarkan kesempatan
penyebab yang mungkin, kebanyakan akan berada di daerah kendali
• Jika jumlah sampel yang diamati bertambah, ini secara jelas akan mencerminkan
atribut suatu populasi.
• Garis batas kendali akan berubah dengan jumlah sampel. Jika jumlah sampel besar,
batas kendali akan menyempit. (differ with upper/lower line of spec)
Dengan kata lain, penurunan kemungkinan resiko β. Maka, ukuran sampel sebaiknya
is 2<n< 6, biasanya n = 5.
154 / 164
6σ
Jenis-jenis Bagan Kendali
Jenis-Jenis Bagan Kendali
Bagan Kendali untuk Data Bagan Kendali untuk Data

Variabel (data kontinyu) Atribut (data diskret)
• Rata-rata dan Rentang • Prosentase Cacat

X bar & R P Chart
n < 10 typically n > 50
secara umum 3~5 tracks DPU/DPU
• Rata-rata dan standar

• Jumlah Cacat
deviasi np Chart
X bar & σ n > 50 (constant)
n ≥ 10 tracks # def
• Median & Rentang • Jumlah Cacat

X&R c Chart
n < 10
c>5
secara umum 3~5
• Rentang secara individual &

• Jumlah Cacat per Unit
maupun pergerakannya
XmR U Chart
n=1 n variable
• Untuk memilih bagan kendali mana yang cocok untuk memonitor proses yang ada,
pertama tentukan apakah variabel proses (X) kontinyu atau diskret. Ada bagan
kendali baik untuk data kontinyu maupun data diskret.
155 / 164
6σ
Bagan Kendali menggunakan Minitab (Data Variabel/Data Kontinyu)
• Sebuah perusahaan barang konsumsi ingin memonitor tingkat kepuasan pelanggan.

Setiap minggu, sebuah survei dilakukan dari masing-masing cabang, ada sepuluh
cabang Pusat Layanan Pelanggan. Kesepuluh Pusat Layanan Pelanggan dievaluasi dan
nilainya ditabulasikan. Berikut adalah contoh bagaimana sebuah bagan kendali
Xbar/R digunakan untuk memonitor kepuasan pelanggan.
· Total Subgroup = 25
· Subgroup Size = 10
· Process average X= 4.034
·R : 1.045
• Nama File : training/s4/X bar R
• Pilih Stat >Control Charts > Xbar-R

156 / 164
6σ
Bagan Kendali menggunakan Minitab (Data Variabel/Data Kontinyu)
• Klik OK
The appropriate action

would be to investigate,
identify and fix the assignable
source of the variation
• Rata-rata evaluasi mingguan 7 dirasa dibawah 3.712.
• Perubahan nilai “kepuasan pelanggan” dipengaruhi oleh beberapa penyebab

(baik yang berhubungan dengan sistem maupun diantara cabang)
• Keragaman diantara cabang selama minggu ke 7 lebih besar dari yang diharapkan .
157 / 164
6σ
Bagan Kendali menggunakan Minitab (Data Atribut/Data Diskret)
• Sebuah kilinik ingin mengetahui mengapa banyak pasiennya yang gagal dilayani
berdasarkan janji yang telah dibuat sebelumnya. Sebuah tim pemecah masalah
semacam TFT dibentuk dan diputuskan untuk menggunkan p Chart
untuk melacak prosentasi “JANJI GAGAL”. Klinik tersebut memuali mencatat
prosentase “JANJI GAGAL” setiap bulannya. Total janji setiap bulan, % “JANJI
GAGAL” dan % “JANJI BERHASIL” sama dengan 100%. Bila sebuah “JANJI
GAGAL” adalah
sebuah janji cacat, rata-rata total prosentase cacat dinamakan p.
• Nama File : training/s4/P_Chart
Year 1997
Month 7 8 9 10 11 12
% Failed 40 36 36 42 42 40
Year 1998
Month 1 2 3 4 5 6
% Failed 20 26 25 19 20 18
Month 7 8 9 10
% Failed 16 10 12 12
• Pilih Stat > Control Charts > P

158 / 164
6σ
Bagan Kendali menggunakan Minitab (Data Atribut/Data Diskret)
• Klik OK
• Batas kendali yang dibuat sejak tahun 1996 data “JANJI GAGAL”.
• Bagan kendali menunjukkan sebuah pengurangan yang dramatis terhadap rata

rata “JANJI GAGAL” setelah pelaksanaan kebijaksanaan waktu yang fleksibel.
• Dengan mengadopsi kebijakan janji “yang baru” tim bisa mengurangi prosentasi
rata-rata “JANJI GAGAL” dari 39% menjadi 18%.
(18% hanya menunukkan data tahun 1997)
159 / 164
6σ
Konstanta yang digunakan dalam bagan kendali
• Konstanta yang digunakan pada bagan kendali adalah sebagai beikut:
n A2 A3 D3 D4 B3 B4 d2 d3
1 2.66 3.76 - - - - - -
2 1.880 2.659 0 3.267 0 3.267 1.128 0.853
3 1.023 1.954 0 2.575 0 2.586 1.693 0.888
4 0.729 1.628 0 2.282 0 2.266 2.059 0.660
5 0.577 1.427 0 2.115 0 2.089 2.326 0.864
6 0.483 1.287 0 2.004 0.030 1.970 2.534 0.848
7 0.419 1.182 0.076 1.924 0.118 1.882 2.704 0.833
8 0.373 1.099 0.136 1.864 0.185 1.815 2.847 0.820
9 0.337 1.032 0.184 1.816 0.239 1.761 2.970 0.808
10 0.308 0.975 0.223 1.777 0.284 1.716 3.078 0.797
• A2 : 3 kali rata-rata standar kesalahan

• D3 : 1 + 3 kali rata-rata kesalahan di dalam rentang
• D4 : 1 - 3 kali rata-rata kesalahan di dalam rentang
• d2 : rata-rata estimasi rentang
• d3 : estimasi standar deviasi rentang
160 / 164
6σ
Analisa Bagan Kendali
• Berikut adalah pola alami ringkasan ‘normal Run’.

· Kebanyakan titik dekat dengan garis tengah ‘center line’.
· Beberapa titik dekat dengan garis tengah ‘center line’.
· Tidak ada titik yang diluar batas kendali.(rarely)
▷ bila kontinyu lebih dari 25 titik berada di dalam batas kendali
▷ bila kurang daripada satu titik diluar batas kendali dalam titik kontinyu 35
titik
▷ bila kurang daripada dua titik diluar batas kendali dalam titik kontinyu 1000
titik
UCL
CL
LCL
161 / 164
6σ
• Run : Ini berarti sesunan yang titik-titik yang diamati adalah secara kontinyu
diamati dalam satu sisi garis tengah
· Karena perubahan rata-rata dan keragaman proses, terjadi setelah penelitian
penyebabnya.
BKA/UCL
Garis Tengah CL
BKB/LCL
· amati keadaan proses bila sebuah alur “run” panjangnya 5 titik

· susunlah sebuah tindakan bila sebuah alur panjangnya 6 titik
· ambil tindakan bila sebuah alur panjangnya 7 titik .
• Cycle : It means that something cause cyclic influence to process.

· research a cause of cyclic-trend variation of process, and then act to process.
UCL
CL
LCL
162 / 164
6σ
• Trend :berarti titik-titik menunjukkan arah secara kontinyu
BKA/UCL
Titik Tengah/CL
BKB/LCL
• out of control/Keluar batas kendali : cari untuk penyebab abnormal terhadap proses,
dan kemudian ambil tindakan.
BKA/UCL
Titik Tengah/CL
BKB/LCL
163 / 164
6σ
• In control or stable condition / berada di dalam kendali atau stabil : Titik-titik akan
bervariasi dekat garis tengah dan tak ada yang keluar batas kendali.
BKA/UCL
Titik tengah/CL
BKB/LCL
• access to control limit line/Mencapai garis batas kendali : ada 2 dari tiga titik berada di
antara batas 2σ dan batas 3σ
· Karena meningkatnya keragaman suatu proses, perlu tindakan dengan menginspeksi
atau memastikan proses.
UCL
CL
LCL
164 / 164
6σ
• access to center line/mencapai garis tengah : titik-titik secara kontinyu diamati dekat
titik tengah.
· Samplingnya jelek, atau kelihatan bila terjadi perubahan proses pengendaliannya.
BKA/UCL
Titik Tengah/CL
BKB/LCL
165 / 164

SIX SIGMA Concept

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

SIX SIGMA Concept

Diunggah oleh

Hak Cipta:

Format Tersedia

6σ

( the high quality control program )

Richard hutajulu & partners

This document belong to richard hutajulu & partners @

1-2 Pendekatan Langkah-Langkah Six Sigma

1-3 Pengetahuan Konsep Dasar Statistik

1-4 Apa yang dimaksud dengan Kualitas Six Sigma?

1-5 Langkah-langkah memfokuskan masalah

6 3.4 Buah yang Enak

5 233 Buah yang di tengah

4 6,210 Buah di bagian bawah

Buah yang jatuh

Dist. digeser = ± 1.5σ

Perusahaan dengan 3 Sigma Perusahaan dengan 6 Sigma

• Dari 10∼15% nilai penjualan untuk • Dari 5% nilai penjualan untuk

• Mendeteksi untuk mencari yang • Berfokus pada proses agar tidak

• Percaya bahwa kualitas yang baik • Mewujudkan kualitas tinggi

• Tidak ada sistem yang sistematis • Menggunakan pengetahuan untuk

• Percaya 99% cukup baik • Percaya 99% tidak bisa diterima

• Mendefinisikan CTQ secara • Mendefinisikan CTQ dari sudut

4 sigma Level? 1misspelled word per 30pages of newspaper.

Perusahaan dengan 3 Sigma Perusahaan dengan 6 Sigma

• Telepon tak dijawab selama 27 • Telepon tak dijawab selama 6 detik

• 5 pendaratan tidak tepat di • Satu pendaratan tidak tepat di United

• 1,350 kegagalan operasi bedah • Satu kegagalan operasi bedah selama

Measurement 6) Rational Subgroup

11) DoE(Design of Experiment)

6sigma quality tools can be effectively applied to improve problems.

• Monitor • Control object

6 Sigma activity is concerned about the problem happened(in the sector of

4. Understanding process capability for ‘Y’ Y

7. Clarifying Target for improving ‘Y’ Y

9. Extract the vital few factors through X1 .... Xn

• Komputasi ukuran nilai tengah

~ : nilai tengah suatu nilai yang telah diurutkan berdasarkan ukuran

• Komputasi ukuran variasi atau keragaman

· S(Total Sum of Squares) : adalah total kuadrat kesalahan atau error

· Variansi tak bias : suatu nilai yang dibagi dengan

·Akar kuadrat atau standar deviasi dari variansi tak bias

• Parameter : nilai yang menggambarkan karakteristik suatu populasi

Kategori Parameter Statistik

Rata-rata Rata-rata populasi, µ Rata-rata sampel, x

Variansi populasi, Variansi sampel,

• Sigma berarti variasi atau keragaman proses, huruf Yunani

Inflection : Ukuran atau standar deviasi yang

• Distribusi Normal : N(60, 5²)

• Bilamana nilai 70, Nilai–Z adalah

Nilai Z’ adalah satuamn ukuran berapa stadra deviasi (σ

• Berapa kemungkinan yang mendapat nilai 70?

0.0228. Ini adalah luas dari total area, 1. x - µ

= (Z > 2) Z 0 0.01 0.02 0.03 0.04 ···

0.0 5.00E-01 4.96E-01 4.92E-01 4.88E-01 4.84E-01

0.3 3.82E-01 3.78E-01 3.74E-01 3.71E-01 3.67E-01

1.0 1.59E-01 1.56E-01 1.54E-01 1.52E-01 1.49E-01

Nilai ekor sebelah kiri bisa 2.0 2.28E-02 2.07E-02

Short Term Capability Long Term Capability

• Menghitung dari data yang • Mengitung dari data yang diambil

Zshift = Zst - Zlt > Zst = Zlt + 1.5

Cacat sehubungan dengan perubahan spesifikasi dan pengesseran rata-rata hitung

Berkaitan dengan Cacat (Tak ada variasi) Cacat (±1.5σ Shift)

• A : Pengendalian/kontrol lemah, teknologi lemah

• B : Harus mengendalikan proses lebih baik, teknologi baik

• Process Mapping Pemetaan Proses