6 sigma
toward zero defect
1 / 164
BAB 1 : DEFINISI PERMASALAHAN
6σ
1-1 Konsep Six Sigma
2 / 164
Six Sigma Sebagai Konsep Metrik
6σ
σ-Level PPM
3 66,807
2 308,537
Richard hutajulu & partners
Kemampuan Kesempatan
Proses Cp Cacat
Tingkatan cacat turun secara eksponesial sebagai tingkatan sigma yang naik
dari satu nilai dan seterusnya secara linier
3 / 164
Konsep Six Sigma
6σ
4 / 164
Konsep Six Sigma
6σ
• 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
• 54,000 kehilangan artike atau surat • 35 kehilangan artike atau surat salah
salah alamat dalam satu jam alamat dalam satu tahun
Richard hutajulu & partners
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
8) Hypothesis Test
Analysis 9) Regression
10) Graph Analysis
13) SPC
Control
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
Pertanyaan 2), Perlukah untuk mengaudit atau menguji Y secara teratur jika X
bagus?
Richard hutajulu & partners
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
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
· Rata-Rata Hitung(x) : x= Σ xi
n i=1
1
· Rata-rata harmonik(H) :H =
1 1
[Σ ]
n x
(Σxi)²
S = Σ (xi - x)² = Σ xi² -
n
V =
n-1
S
V =
n-1
9 / 164
Pemahaman Dasar-dasar Statistik
6σ
Parameter & Statistik
S S
= =
n n-1
Deviasi sampel,
Deviasi populasi,
Akar kuadrad variansi tak
σ
bias
S
Deviasi σ = σ²= v =
S²
n
S
Richard hutajulu & partners
=
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
Pemahaman Dasar-dasar Statistik
6σ
Konsep Six Sigma
μ USL
T 3σ
σ
11 / 164
Pemahaman Dasar-dasar Statistik
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
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.
12 / 164
Pemahaman Dasar-dasar Statistik
6σ
Komputasi Nilai-Z
x - µ 70 - 60
Pr(X > 70) = [ > ]
σ 5
13 / 164
Pemahaman Dasar-dasar Statistik
6σ
Menggunakan Z sebagai satuan ukuran kemampuan proses
•Z =3
LSL USL
1σ 2σ 3σ
Kemampuan 3σ
σ
•Z =6
LSL USL
Richard hutajulu & partners
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
Pemahaman Dasar-dasar Statistik
6σ
Apa yang kita perlukan, pengendalian atau teknologi?
Z. lt adalah selalu < Z.st, karena nilai jangka panjang akan berkurang dengan
menggeser dan mengedrift proses
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
±1 σ 317,300 697,700
Richard hutajulu & partners
±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
17 / 164
Langkah-langkah memfokuskan pada masalah
6σ
1. Mendefisikan area permasalahan
(Dimanakah kita mempunyai masalah?)
18 / 164
Langkah-langkah memfokuskan pada masalah
6σ
1. Mendefinisikan area permasalahan
• 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)
Richard hutajulu & partners
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
Langkah-langkah memfokuskan pada masalah
6σ
1. Mendefinisikan area permasalahan
• 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.
20 / 164
Langkah-langkah memfokuskan pada masalah
6σ
3. Memfokuskan pada isu-isu khusus
• 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
21 / 164
Langkah-langkah memfokuskan pada masalah
6σ
4. Menghitung manfaat secara finasial
: Diskusikan dengan bagian keuangan atau hitung dengan Tim Advokasi
Discuss untuk mengkonfirmasikan hasil manfaat secara finansial yang diperoleh.
22 / 164
BAB 2 : PENGUKURAN
6σ
2-1 Pengertian Noise
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
Richard hutajulu & partners
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
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
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
).
White Noise
Time
Richard hutajulu & partners
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
• Kita akan melakukan perbaikan mutu dari Back Cover TV, lalu kita memeriksa
penyebab dari variasi Back Cover. Selanjutnya kita melaksanakan Rational Subgroup.
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.
Dari Gage R&R Study kita dapat memperoleh informasi sebagai berikut :
Richard hutajulu & partners
28 / 164
Gage R&R
6σ
Keputusan Menerima Gage R&R Study
Dibawah 20 % Diterima
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
Richard hutajulu & partners
29 / 164
Gage R&R
6σ
Pengertian Sistem Variasi Pengukuran
Repeatability
Reproducibility
30 / 164
Gage R&R
6σ
Pengertian Sistem Variasi Pengukuran
Time 1
Time 2
Stability
Bias
Richard hutajulu & partners
31 / 164
Gage R&R
6σ
Pengertian Sistem Variasi Pengukuran
Nilai Aktual
Richard hutajulu & partners
32 / 164
Gage R&R
6σ
Jenis Gage R&R Study
33 / 164
Gage R&R
6σ
Metode Short Study
34 / 164
Gage R&R
6σ
Metode Long Study (Menggunakan Minitab)
35 / 164
Gage R&R 6σ
Metode Long Study (Menggunakan Minitab)
Pilih AN
OVA
Richard hutajulu & partners
36 / 164
Gage R&R
6σ
Metode Long Study (Menggunakan Minitab)
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
• % 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
Metode Long Study (Menggunakan Minitab)
4 kategori
38 / 164
Gage R&R
6σ
Metode Long Study (Menggunakan Minitab)
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
Metode Long Study (Menggunakan Minitab)
• 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
Richard hutajulu & partners
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
41 / 164
Gage R&R
6σ
Yang harus diperhatikan dalam menjalankan Gage R&R
• Putuskan berapa banyak sampel yang akan diambil dan berapa kali akan diadakan
pengulangan.
• Apakah Gage R&R diterima atau ditolak ditentukan oleh % Tolerance. Namun
ketika % Study Variance-nya lebih dari 20 %, pengukuran perlu diperiksa
kembali.
Richard hutajulu & partners
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.
• 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 termasuk variasi random dan Mean Shift dan
Richard hutajulu & partners
43 / 164
Kemampuan Proses
6σ
Evaluasi Kemampuan
Short-term σ st
Capability
(6σ)
σ st
σ st
Time
σ st
σ lt
Richard hutajulu & partners
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
Cp = (SU - SL) / 6σ
SL X SU
|M- X |
K = ----------------------
T/2
Richard hutajulu & partners
SL M X SU
45 / 164
Kemampuan Proses
6σ
Persamaan Kemampuan Proses (Cp)
Cpu = (SU - X ) / 3σ
X SU
CpL = ( X - SL ) / 3σ
Richard hutajulu & partners
SL X
46 / 164
Kemampuan Proses
6σ
Kemampuan Proses dengan menggunakan Minitab
47 / 164
Kemampuan Proses
6σ
Test Normalitas Data
• Setelah klik OK
48 / 164
Kemampuan Proses
6σ
Kemampuan Proses menggunakan Minitab
49 / 164
Kemampuan Proses
6σ
Kemampuan Proses menggunakan Minitab
• Setelah Klik OK
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
• DPU (Defect per unit) : Jumlah defect yang terdapat pada satu unit
51 / 164
Proses Analisa Data Diskret
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.
52 / 164
Proses Analisa Data Diskret
6σ
Perhitungan menggunakan Rumus Poisson
• Poisson Defect
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.
Richard hutajulu & partners
53 / 164
Proses Analisa Data Diskret
6σ
Contoh soal Proses Yield
• Y = P (ND) = (1 - DPO)
= (1 - 0.0045)
= 0.996 = 99.6 %
54 / 164
Proses Analisa Data Diskret
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.
> Yield diambil pada setiap step dari > Diambil pada proses yang paling
proses akhir
> Termasuk rework dan scrap > Tidak termasuk rework dan scrap
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
Proses Analisa Data Diskret
6σ
YRT (Rolled Troughput Yield)
Input
100 %
Proses 1 : 99 %
Proses 2 : 92 %
Proses 3 : 93 %
Inspeksi Akhir : 97 %
Richard hutajulu & partners
Uncontrolled Loss
Uncontrolled Loss
Uncontrolled Loss
Waktu
56 / 164
Proses Analisa Data Diskret
6σ
YFT (First Time Yield)
Rework
100
A Produk
Unit
Jadi 85 Unit
70 Unit
57 / 164
Proses Analisa Data Diskret
6σ
YRT (Rolled troughput Yield)
Jika Produk A yang prosesnya terdiri dari 3 urutan langkah operasi, tentu
kan nilai YRT / YND ?
3
YND = = 0.7958 (79.6 %)
0.504
Richard hutajulu & partners
Normalized Yield adalah rata-rata Yield pada keseluruhan proses, dan nilai sigma
ditentukan dari hasil perhitungan YND
58 / 164
Proses Analisa Data Diskret
6σ
Penghitungan YRT pada proses Pararel
Bila terjadi perubahan terhadap proses yang semula pararel menjadi proses seri, maka
penggambaran peta prosesnya adalah :
99 % ? 97 % 98 %
• 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
• P (defect) = 1 - 0.9749
= 0.0251
59 / 164
Bab 3 : Analisis 6σ
3-1 Analisis Grafik
60 / 164
Analisis Grafik 6σ
Apa yang ingin Anda ketahui ?
61 / 164
Analisis Grafik 6σ
Analisis Grafik dengan MINITAB
Membuat Histogram
• Pilih Graph > Histogram
Klik ‘OK’
Richard hutajulu & partners
62 / 164
Analisis Grafik 6σ
Membuat plot dengan MINITAB
• Klik ‘OK’
Richard hutajulu & partners
63 / 164
Analisis Grafik 6σ
Membuat box plot dengan MINITAB
• Klik OK
32
*
31
time
*
30
*
Richard hutajulu & partners
29
1 2 3
operator
64 / 164
Analisis grafik 6σ
Membuat Matriks plot dengan MINITAB
• Klik OK
31,4894
Richard hutajulu & partners
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
66 / 164
Uji Hipotesis Untuk Variabel 6σ
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
BENAR
H0 H1
Richard hutajulu & partners
Kekeliruan
Keputusan Tipe II
H0 Benar
β)
(β
TERIMA
Kekeliruan
Tipe I Keputusan
H1
Benar
α)
(α
67 / 164
Uji Hipotesis Untuk Variabel 6σ
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
68 / 164
Uji Hipotesis Untuk Variabel 6σ
Ukuran Sampel dalam Pengujian Hipotesis
Apa yang harus dilakukan atas ukuran sampel pada saat pengujian ?
69 / 164
Uji Hipotesis Untuk Variabel 6σ
Keputusan Pengujian Hipotesis
Batas Kritis
α)
Tingkat Signifikansi (α
Titik Kritis
• Hipotesis yang diterima (H0) menunjukkan hal tersebut tidak dapat diyaki
ni berdasarkan hasil-hasil yang diperoleh dari data.
70 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
• Klik OK
5,395
• Fixture 3 dan 5 jelas memp
unyai perbedaan rata-rata
total ht
5,385
1 2 3 4 5 6 7 8
fixture
71 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
• Pilih Stat > ANOVA > Homogeneity of Variance
• Klik OK
P-Value : 0,576
7
Κ Informasi apa yang dapat Anda tarik setelah dilakukan Analisis Grafik ?
72 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
• Pilih Stat > Basic Statistics > 1-Sample t
Nilai target
Klik Boxplot
73 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
• Klik OK (grafik)
Boxplot of fix 1
(with Ho and 95% t-confidence interval for the mean)
[ _ ]
X
fix 1
74 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
Klik Boxplot
Richard hutajulu & partners
75 / 164
Uji Hipotesis Untuk Variabel 6σ
Uji Hipotesis Menggunakan Minitab
• Klik OK (Grafik)
5,397
5,396
5,395
5,394
5,393
5,392
5,391
5,390
5,389
5,388
fix 1 fix 3
Richard hutajulu & partners
76 / 164
Uji Hipotesis Untuk Attribut 6σ
Chi-square
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)
Richard hutajulu & partners
77 / 164
Uji Hipotesis Untuk Attribut 6σ
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)
3 33 17 49 20
78 / 164
Uji Hipotesis Untuk Attribut 6σ
• Pilih Stat > Tables > Chi-Square Test
• Klik OK
Chi-Square Test
Expected counts are printed below observed counts
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
4-7 Regresi
Richard hutajulu & partners
80 / 164
Pengertian Analisa variasi 6σ
Apakah ANOVA itu ?
• Suatu metode guna menganalisa hasil dari eksperimen yang telah dilakukan
• 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
• 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
Perencanaan Eksperimen
• Menentukan tujuan
• Analisa Data
• Menggambarkan Kesimpulan
Richard hutajulu & partners
82 / 164
Perencanaan Eksperimen
6σ
Menetapkan Tujuan
• 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
Richard hutajulu & partners
83 / 164
Perencanaan Eksperimen
6σ
Menentukan Variabel X
• 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.
84 / 164
Perencanaan Eksperimen
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.
85 / 164
Perencanaan Eksperimen
6σ
Menentukan Desain Eksperimen
86 / 164
Perencanaan Eksperimen
6σ
Menentukan Desain Eksperimen
> Saringlah faktor yang terpenting dan mekanismenya dapat dipahami, sehingga
kita dapat melakukan eksperimen lebih efektif pada masa depan.
87 / 164
Perencanaan Eksperimen
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.
Richard hutajulu & partners
88 / 164
Perencanaan Eksperimen
6σ
Menggambarkan Kesimpulan
• 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.
89 / 164
Perencanaan Eksperimen 6σ
Yang Diperhatikan dalam eksperimen
• Bila tidak ada kontrol, tidak mungkin untuk memutuskan bila ada suatu hal lain yang
berubah.
90 / 164
Desain One Way Factorial
6σ
One way Factorial Design
• 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.
Levels of factor
600C 650C 700C 750C
Repetition
91 / 164
Desain One Way Factorial
6σ
One way Factorial Design (using Minitab)
Data input
Richard hutajulu & partners
92 / 164
Desain One Way Factorial
6σ
One way Factorial Design (using Minitab)
Klik OK
• Klik OK
9,7
Richard hutajulu & partners
9,2
stack data
8,7
8,2
1 2 3 4
factor
94 / 164
Desain One Way Factorial
6σ
One way Factorial Design (using Minitab)
• Klik OK
9,0
8,5
1 2 3 4
factor
95 / 164
Desain Two Way Factorial
6σ
Two way Factorial Design
Factor A
A1 A2 A3 A4
Factor B
96 / 164
Desain Two Way Factorial
6σ
Two Way Factorial design (using Minitab)
Data input
Richard hutajulu & partners
97 / 164
Desain Two Way Factorial
6σ
Two Way Factorial design (using Minitab)
• Klik OK
Richard hutajulu & partners
98 / 164
Desain Two Way Factorial
6σ
Two Way Factorial design (using Minitab)
• Klik OK
Temperatur Material
Richard hutajulu & partners
98,2
Response
97,9
97,6
97,3
97,0
180 190 200 210 1 2 3
99 / 164
Desain Faktorial 6σ
Eksperimen 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
100 / 164
Desain Faktorial 6σ
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.
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
Richard hutajulu & partners
101 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
Eksperimen seharusnya
dilaksanakan dengan random
102 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Setelah Klik OK
Masukkan data
berdasarkan
hasil eksperimen
Richard hutajulu & partners
103 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
104 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
Alias Structure
I
Mix
Mold
Mix*Mold
105 / 164
Desain Faktorial
6σ
• Stat > DOE > Factorial Plots
Richard hutajulu & partners
106 / 164
Desain Faktorial 6σ
Factorial design (using Minitab)
-1 1 -1 1
66
56
Response
46
36
26
Mix Mold
Richard hutajulu & partners
107 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Interaction plot
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
Interaksi menggambarkan apakah ada hubungan yang saling mempengaruhi atau tidak ya
Richard hutajulu & partners
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
Factorial design (using Minitab)
• Cube plot
Keseimbangan Optimal
hasil kombinasi dari
kedua faktor
1 88,00 41,25
Mold
-1 33,50 21,00
-1 1
Mix
Richard hutajulu & partners
• 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
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
Factorial design (using Minitab)
Pilih jumlah
faktor
Pilih 8 kali
eksperimen
Richard hutajulu & partners
Tentukan banyaknya
jumlah pengulangan
111 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Setelah klik OK
112 / 164
Desain Faktorial 6σ
Factorial design (using Minitab)
• Stat > DOE > Anayze Factorial Design
Richard hutajulu & partners
113 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
Alias structure
Richard hutajulu & partners
I
temp
time
conc
temp*time
temp*conc
time*conc
temp*time*conc
114 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Stat > DOE > Factorial Plots….
Richard hutajulu & partners
115 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
-1 1 -1 1 -1 1
55,0
52,5
50,0
Y ield
47,5
45,0
116 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Interaction plot
62
temp.
1 52
-1
42
62
time
1 52
-1
42
conc.
Richard hutajulu & partners
117 / 164
Desain Faktorial
6σ
Factorial design (using Minitab)
• Cube plot
51 44
46 43
1
time 60 44
1
conc.
-1 65 43 -1
-1 1
temp.
Richard hutajulu & partners
• Ketika temp : 1, time:1, conc:-1 atau temp :1, time:-1, conc:-1 merupakan komposisi
terbaik yang menghasilkan paling sedikit residu.
118 / 164
Desain Fractional Factorial
6σ
Apakah Fractional Factorial Desain
• Dalam suatu eksperimen, semakin banyak Faktor maka akan semakin banyak
juga eksponennya.
119 / 164
Desain Fractional Factorial
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
Richard hutajulu & partners
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
Desain Fractional Factorial
6σ
25 Eksperimen
• 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
23 - + + - + + - + - - + - - + - 67
26 + - - + + + - - - - - - + + + 45
27 - + - + + - + + - - - + + - - 78
29 - - + + + - - - + + + - + - - 49
32 + + + + + + + + + + + + + + + 82
121 / 164
Desain Fractional Factorial
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
Richard hutajulu & partners
X2
+1
-1 X3
-1 X1 +1 -1 +1
-1
X4
122 / 164
Desain Fractional Factorial 6σ
25 Eksperimen
• Main effect dari X1, X2, X3 adalah diacak dengan interaksi dari 2 faktor
> kolom X3 = Kolom X1 X2
> kolom X1 = Kolom X2 X3
> kolom X2 = Kolom X1 X3
Richard hutajulu & partners
X2
X3
X1
123 / 164
Desain Fractional Factorial
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
Richard hutajulu & partners
124 / 164
Desain Fractional Factorial 6σ
• Stat > DOE > Create factorial design
125 / 164
Desain Fractional Factorial 6σ
Fractional factorial design (using Minitab)
• Klik OK
Input Data
Richard hutajulu & partners
berdasarkan
eksperimen
126 / 164
Desain Fractional Factorial
6σ
Fractional Factorial design (using Minitab)
127 / 164
Desain Fractional Factorial
6σ
Fractional Factorial design (using Minitab)
• Klik OK
Factorial Design
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
Richard hutajulu & partners
BE + ACD
CD + ABE
CE + ABD
DE + ABC
128 / 164
Desain Fractional Factorial 6σ
Fractional Factorial design (using Minitab)
Fractional Factorial Fit
Term Coef
Constant 112,75
feedrate -1,95
Richard hutajulu & partners
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
Desain Fractional Factorial 6σ
Fractional Factorial design (using Minitab)
• Stat > DoE > Factorial Plots
Richard hutajulu & partners
130 / 164
Desain Fractional Factorial 6σ
Fractional Factorial design (using Minitab)
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
Richard hutajulu & partners
• Agitation seperti yang terlihat pada gambar tidak berpengaruh terhadap ‘PC React’.
131 / 164
Desain Fractional Factorial
6σ
Fractional Factorial design (using Minitab)
• Interaction plot
• 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
Desain Fractional Factorial
6σ
Fractional Factorial design (using Minitab)
• Cube plot
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
Richard hutajulu & partners
• Kita harus menguji Repeatability dimana produk dapat diperbaiki dengan kondisi
optimal.
133 / 164
REGRESI
6σ
Apa itu REGRESI ?
Y
Y == aa ++ bX
bX ++ error
error ;; aa == konstanta
konstanta
bb == ukuran
ukuran kemiringan
kemiringan
Regresi Curvilinear
Richard hutajulu & partners
Persamaan regresi yang dibentuk oleh sebuah variabel bebas Y dan sebuah var
iabel tak bebas X (yang memiliki pangkat lebih dari 2)
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
Richard hutajulu & partners
xi x
a = y − bx
∑ xy − ∑
x∑ y
S ( xy ) n
b= =
( )2
∑ x 2 − ∑n
S ( xx ) x
135 / 164
REGRESI
6σ
Persamaan Regresi
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 !
137 / 164
REGRESI
6σ
Analisis Regresi Menggunakan MINITAB
120
man-hour
70
20
10 20 30 40 50 60 70 80
lot size
138 / 164
REGRESI 6σ
Analisis Regresi Menggunakan MINITAB
139 / 164
REGRESI
6σ
Analisis Regresi Menggunakan MINITAB
• Klik OK
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
Kemungkinan kebebasannya
(independensi) diragukan ata
u berdasarkan hubungan cur
vilinear daripada linear.
Richard hutajulu & partners
Residual
141 / 164
REGRESI
6σ
Analisis Residual (normality) menggunakan MINITAB
142 / 164
REGRESI
6σ
• Klik OK
2
Frequency
-6 -4 -2 0 2 4 6
Residual
1
Normal Score
-1
Richard hutajulu & partners
-5 0 5
Residual
143 / 164
REGRESI
Analisis Residual (scatter plot) menggunakan MINITAB
6σ
• Stat > Regression > Regression...
Fitted Value
144 / 164
REGRESI
6σ
Regression Analysis
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
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
Richard hutajulu & partners
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
147 / 164
Rencana Pengendalian 6σ
Apakah fase-fase pengendalian itu?
149 / 164
Bagan Kendali “Control Chart”
6σ
Statistical Process Control (SPC)?
150 / 164
Bagan Kendali “Control Chart”
6σ
Diagram SPC(Statistical Process Control)?
Controller
α/2 Lower Control Limit
Pengendali
SAMPLES
Sampel
A B C D E L M N O P
151 / 164
Bagan Kendali “Control Chart”
6σ
Why do the process import a stability?
time
Richard hutajulu & partners
152 / 164
Bagan Kendali “Control Chart”
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.
• Kesimpulan, jika proses stabil, akan terlihat bahwa keluaran yang diamati tidak
Richard hutajulu & partners
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.
• Sebuah garis batas kendali digunakan adalah ±3σ, dan ini sekitar 99.73% dari
Richard hutajulu & partners
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
Bagan Kendali “Control Chart”
6σ
Jenis-jenis Bagan Kendali
c>5
secara umum 3~5
• 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
Bagan Kendali “Control Chart”
6σ
Bagan Kendali menggunakan Minitab (Data Variabel/Data Kontinyu)
156 / 164
Bagan Kendali “Control Chart”
6σ
Bagan Kendali menggunakan Minitab (Data Variabel/Data Kontinyu)
• Klik OK
• Keragaman diantara cabang selama minggu ke 7 lebih besar dari yang diharapkan .
157 / 164
Bagan Kendali “Control Chart”
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
158 / 164
Bagan Kendali “Control Chart”
6σ
Bagan Kendali menggunakan Minitab (Data Atribut/Data Diskret)
• Klik OK
Richard hutajulu & partners
• Batas kendali yang dibuat sejak tahun 1996 data “JANJI GAGAL”.
159 / 164
Bagan Kendali “Control Chart”
6σ
Konstanta yang digunakan dalam bagan kendali
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
160 / 164
Bagan Kendali “Control Chart”
6σ
Analisa Bagan Kendali
CL
LCL
Richard hutajulu & partners
161 / 164
Bagan Kendali “Control Chart”
6σ
Analisa Bagan Kendali
• 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
UCL
CL
LCL
162 / 164
Bagan Kendali “Control Chart”
6σ
Analisa Bagan Kendali
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
Richard hutajulu & partners
Titik Tengah/CL
BKB/LCL
163 / 164
Bagan Kendali “Control Chart”
6σ
Analisa Bagan Kendali
• 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
Richard hutajulu & partners
CL
LCL
164 / 164
Bagan Kendali “Control Chart”
6σ
Analisa Bagan Kendali
• 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
Richard hutajulu & partners
165 / 164