Pengendalian Kualitas dengan

HISTOGRAM
Histogram digunakan untuk memperkirakan
kejadian yang dialami proses yang dinilai dan
faktor penyebabnya hanya semata-mata untuk
memberikan gambaran atas berbagai
kemungkinan, yang merupakan bentuk
penyebaran jumlah harga (hasil pengukuran)
pada selang tertentu, dapat menggunakan
distribusi frekuensi sampel.
Pembuatan histogram memang merupakan
media visualisasi yang cukup baik untuk
membantu pemahaman karakteristik sampel
dan membantu menganalisis sejarah
perjalanan proses dengan tujuan untuk
mengetahui kondisi proses produksi yang
bersangkutan, tetapi tidak dapat digunakan
sebagai alat untuk mengontrol kualitas.
Beberapa ciri utama sebagai parameter
distribusi frekuensi sampel dari bentuk
distribusinya yang dapat dikenali, antara lain:

1. Tendensi sentral, dengan menghitung

harga rata-rata (mean), atau nilai tengah
pada frekuensi komulatif (median), atau
frekuensi atau angka yang sering muncul
(modus).
2. Gambaran atau ukuran yang
menyatakan variabilitas, dengan
menghitung harga Jangkauan (Range),
atau deviasi standar, atau dapat juga
dengan menghitung harga deviasi rata-rata,
deviasi akar rata-rata kuadrat, atau
Jangkauan semi kuadrat.
3. Derajat kemiringan bentuk distribusi,
yang dinyatakan dalam harga Momen
Koefisien Kemiringan (Coefficient of
Skewness).

4. Derajat kelancipan bentuk distribusi,

yang dinyatakan dalam harga Momen
Koefisien Kurtosis (Coefficient of Kurtosis).
Gambaran pengaruh dari masing-masing
parameter distribusi frekuensi sampel
terhadap bentuk distribusinya dan faktor
penyebabnya, sebagai berikut:
a. Modus dari distribusi yaitu modus
tunggal atau ganda.
Apabila sampel yang diambil atau berasal dari suatu
proses produksi yang dipengaruhi oleh faktor variabilitas
proses yang banyak, maka bentuk distribusi frekuensi
sampel akan mempunyai modus tunggal yaitu satu
harga yang mempunyai frekuensi terbesar.
(a) Modus tunggal

Apabila anggota sampel merupakan

campuran dari dua atau lebih kelompok
produk dari sumber yang berbeda (misal dua
mesin) dengan tingkat proses rata-rata yang
berbeda sedangkan faktor variabilitas
prosesnya hampir sama, maka bentuk (b) Modus ganda
distribusi frekuensi sampel akan mempunyai
modus ganda (lebih dari satu). Hal ini
menandakan sampel yang tidak homogen.
b. Variabilitas proses yaitu variabilitas
sempit atau lebar.

Variabilitas sempit Variabilitas lebar

Produk atau komponen mesin yang dihasilkan oleh mesin perkakas

yang presisi dan otomatik akan mempunyai variabilitas yang kecil
(sempit), sedangkan mesin produksi yang tidak presisi dan tidak
otomatik cenderung menghasilkan produk dengan variabilitas yang
besar (lebar). Dengan syarat, skala sumbu datar pada histogram
harus dibuat sama atau dengan membandingkan harga jangkauan
dan harga deviasi standarnya,
c. Derajat kemiringan yaitu kemiringan
positif atau negatif.
Bentuk kemiringan
dapat dinyatakan
dengan harga
Momen Koefisien
Kemiringan; γ1.
Miring positif Miring negatif

Sejumlah sampel yang masing-masing berisi sejumlah produk

(biasanya 4 s.d 6 buah) yang diambil dalam selang tertentu dari
suatu proses produksi, digabungkan menjadi satu kelompok dengan
jumlah besar (menjadi satu sampel berukuran besar). Apabila
proses stabil dan hanya pada saat pengambilan beberapa sampel
terakhir bertepatan dengan terjadinya perubahan karakteristik
proses, maka distribusi frekuensi sampel yang digabungkan
menunjukkan bentuk kemiringan (skewness) atau ketidaksimetrikan
d. Derajat kelancipan yaitu leptokurtis,
mesokurtis, atau platikurtis

Leptokurtis Mesokurtis Platikurtis

Sejumlah sampel yang berasal dari beberapa mesin yang

menghasilkan produk sejenis digabungkan menjadi satu sampel
berukuran besar. Distribusi frekuensi dapat menunjukkan bentuk
kelancipan normal, terlalu lancip (runcing), atau tumpul (datar).
Bentuk kelancipan dapat dinyatakan dengan harga Momen
Koefisien Kurtosis; γ2.
• Kumpulan sampel dari beberapa mesin yang
mempunyai karakteristik proses yang sama
atau kumpulan sampel yang diambil dalam
selang tertentu dari proses yang berjalan
normal, harga Momen Koefisien Kurtosis; γ2
sama dengan nol, dan distribusi frekuensi
mendekati kondisi normal disebut
Mesokurtis.
• Kumpulan sampel dari beberapa mesin
dengan tingkat proses rata-rata sama, tetapi
variabilitas proses berbeda atau kumpulan
sampel yang diambil dalam selang tertentu
dari proses kontinyu yang mengalami
perubahan variabilitas proses, harga Momen
Koefisien Kurtosis; γ2 positif, dan distribusi
frekuensi terlalu lancip (runcing) disebut
Leptokurtis.
• Kumpulan sampel dari beberapa mesin
dengan variabilitas proses sama, tetapi
tingkat proses rata-rata berbeda atau
kumpulan sampel yang diambil dalam selang
tertentu dari proses kontinyu yang
mengalami perubahan tingkat proses rata-
rata, harga Momen Koefisien Kurtosis; γ2
negatif, dan distribusi frekuensi terlalu tumpul
(datar) disebut Platikurtis.
Dalam prakteknya sering harus dilakukan
perbandingan antara dua atau lebih distribusi
frekuensi sampel, dan hal ini relatif sulit bila
harus dilakukan dengan cara
membandingkan histogramnya.

Untuk itu dapat ditempuh dengan cara lain

yaitu cara perbandingan angka yang
merupakan harga dari parameter yang
dihitung dari distribusi tersebut.
Langkah-langkah
analisis distribusi frekuensi sampel
• Menentukan kecermatan data dan menghitung harga
Jangkauan (Range).

Jangkauan (Range), R = xmaks - xmin

• Memilih tingkat kenaikan kelas.

Jumlah kelas; k yang dipilih dipengaruhi oleh jumlah
harga pada data; n dan karakteristik histogramnya.

k = 3,3 log n + 1 ⇒ dibulatkan

• Menentukan tingkat kenaikan kelas; β (harus bilangan
bulat). Bila tingkat kenaikan kelas tidak bilangan
bulat, maka jumlah kelas k disesuaikan.
R
β=
k

• Menentukan harga pertengahan setiap kelas (nilai

tengah kelas). Untuk mempermudah pembuatan
histogram maupun penghitungan bentuk dari
histogram dipilih harga patokan (computing origin).
Harga patokan dipilih pada pertengahan jangkauan,

Computing origin; CO = xmin + R/2

• Menganalisis data hasil pengukuran
- menghitung nilai setiap kelas setelah
ditransformasi; wj pada setiap kelas
t j − CO tj = transformasi data secara
wj =
β linier = nilai tengah kelas

- menghitung frekuensi aj pada setiap kelas

- menghitung konstanta masing-masing parameter
distribusi frekuensi sampel; ci
k
∑a w i
i=1 j j
ci =
n
• Menghitung harga parameter distribusi frekuensi
sampel

1. Parameter tendensi sentral

- Harga rata-rata; x = CO + β c1
- Median; Mi yaitu nilai tengah pada frekuensi
komulatif
- Modus; Mo yaitu angka yang sering muncul
pada frekuensi
2. Parameter variabilitas
- Jangkauan (Range); R = xmaks – xmin
- Deviasi standar; s
2
s= s = m
2Ix

m2x = β2 m2w m2w = momen ke dua

n 2
m2w = (c 2 c1 )
n 1
3. Parameter kemiringan
- Momen Koefisien Kemiringan (Coefficient of
Skewness); γ1
m
3Iw
γ = m3w = momen ke tiga
1 m 3/2
2Iw

n 3
m3w = (c 3 − 3 c 1 c 2 + 2 c 1 )
n −1
4. Parameter kelancipan
- Momen Koefisien Kurtosis (Coefficient of
Kurtosis); γ2
m
γ = 4Iw - 3
2
m4w
 = momen ke empat
2
m
2Iw

n 2 4
m4w = (c 4 4 c1 c 3 + 6 c1 c 2 - 3 c1 )
n 1
Contoh:
Proses produksi diambil sampel secara periodik.
Setiap sampel berukuran lima, yaitu 5 buah produk
terakhir yang dihasilkan menjelang setiap saat
pengambilan sampel. Menurut perkiraan
pengalaman proses produksi yang bersangkutan
akan menghasilkan produk dengan salah satu
karakter geometriknya merupakan elemen kritis,
yang dipengaruhi oleh faktor utama sehingga relatif
lebih cepat berubah dibandingkan dengan elemen
geometrik yang lain (proses mengerjakan sekaligus
beberapa bagian produk dengan cara
pemotongan).
Hasil pengukuran geometrik (tinggi benda ukur)
yang kritis dari 10 buah sampel (50 buah benda
ukur yang merupakan gabungan 10 sampel
masing-masing berisi 5 buah), dengan nomor urut
yang menggambarkan urutan pengambilan dari
proses yang bersangkutan, yang ditunjukkan pada
tabel. Buat histogram, hitung parameter distribusi
frekuensi, dan analisis hasil perhitungan parameter
tersebut.
Tabel Hasil pengukuran tinggi benda ukur
sebanyak 50 buah produk
No (mm) No (mm) No (mm) No (mm) No (mm)
1 5,352 11 5,358 21 5,359 31 5,357 41 5,357
2 5,356 12 5,352 22 5,358 32 5,358 42 5,355
3 5,356 13 5,354 23 5,355 33 5,359 43 5,356
4 5,352 14 5,355 24 5,358 34 5,358 44 5,360
5 5,348 15 5,354 25 5,357 35 5,356 45 5,362
6 5,354 16 5,357 26 5,354 36 5,359 46 5,355
7 5,357 17 5,357 27 5,359 37 5,362 47 5,360
8 5,346 18 5,359 28 5,357 38 5,360 48 5,362
9 5,354 19 5,356 29 5,355 39 5,356 49 5,360
10 5,353 20 5,358 30 5,358 40 5,358 50 5,359
Penyelesaian:
Histogram dari distribusi frekuensi ke 50 buah
produk dibuat pada kertas grafik dengan sumbu
vertikal menyatakan frekuensi komulatif dan
sumbu horisontal menyatakan ukuran produk
dengan skala dibuat sama dengan kecermatan
pengukuran atau dengan interval tertentu.

Semakin kecil pembagian skala pada garis

horisontal umumnya akan menghasilkan
histogram yang terlampau lebar dan bentuk
penyebaran datanya (distribusi frekuensinya)
akan kabur.
Oleh karena itu, datanya dikelompokkan
menjadi beberapa kelas/interval tertentu,
dengan cara sebagai berikut:

• Menentukan kecermatan data dan menghitung harga

Jangkauan (Range).
Dari tabel hasil pengukuran, dapat diketahui:
Kecermatan data = 0,001 mm = 1 µm
Jangkauan (Range), R = xmaks - xmin
= 5,362 - 5,346 = 0,016 mm = 16 µm
• Memilih tingkat kenaikan kelas. Jumlah kelas; k yang
dipilih dipengaruhi oleh jumlah harga pada data; n
dan karakteristik histogramnya. Jumlah kelas yang
cocok dapat menghasilkan bentuk histogram yang
bagus yang dapat kelihatan ciri khususnya, dengan
rumus perkiraan sebagai berikut:
k = 3,3 log n + 1
k = 3,3 log 50 + 1 = 6,6 ≈ 7
Karena harga Jangkauan 16 µm dan jumlah
R kelas 7, maka menghasilkan tingkat kelas (β)
β= tidak bulat. Untuk itu dipilih jumlah kelas; k =
k
8, sehingga diperoleh tingkat kenaikan kelas
sebesar 2 µm = 0,002 mm ⇒ dari 16 µm
8
• Menentukan harga pertengahan setiap kelas (nilai
tengah kelas). Untuk mempermudah pembuatan
histogram maupun penghitungan bentuk dari
histogram dipilih harga patokan (computing origin).
Harga patokan dipilih pada pertengahan jangkauan,
kemudian menentukan cara penghitungan frekuensi
untuk setiap kelas.
R
Computing origin = xmin +
2

0,016
= 5,346 + = 5,354 mm
2
Sehingga, penentuan selang untuk setiap kelas
adalah sebagai berikut:

Sampai Nilai Sampai Nilai

Di atas Di atas
dengan tengah dengan tengah
5,345 5,347 5,346 5,355 5,357 5,356
5,347 5,349 5,348 5,357 5,359 5,358
5,349 5,351 5,350 5,359 5,361 5,360
5,351 5,353 5,352 5,361 5,363 5,362
5,353 5,355 5,354
Analisis distribusi frekuensi dari data pengukuran, yang
ditunjukkan pada tabel, sebagai berikut:

Computing origin = 5.354 mm

Transformasi data secara linier; tj = CO + β wj
Kenaikan setiap kelas; β = 0.002 mm
Nilai setiap kelas setelah ditransformasi = wj
Tinggi benda ukur; Nilai Frekuensi
j x (mm) tengah wj aj aj wj a j w j2 a j w j3 a j w j4
di atas s/d kelas; tj
1 5.345 5.347 5.346 -4 1 -4 16 -64 256
2 5.347 5.349 5.348 -3 1 -3 9 -27 81
3 5.349 5.351 5.350 -2 0 0 0 0 0
4 5.351 5.353 5.352 -1 4 -4 4 -4 4
5 5.353 5.355 5.354 0 9 0 0 0 0
6 5.355 5.357 5.356 1 14 14 14 14 14
7 5.357 5.359 5.358 2 14 28 56 112 224
8 5.359 5.361 5.360 3 4 12 36 108 324
9 5.361 5.363 5.362 4 3 12 48 192 768
k i Total ⇒ n= 50 55 183 331 1671
∑ a jw j
c = i=1 Rata-rata ⇒
c1 = c2 = c3 = c4 =
i n 1.10 3.66 6.62 33.42
Nilai tengah kelas 5.346 5.348 5.350 5.352 5.354 5.356 5.358 5.360 5.362
Frekuensi (buah) 1 1 0 4 9 14 14 4 3
Frekuensi komulatif (buah) 1 2 2 6 15 29 43 47 50
Frekuensi komulatif (%) 2 4 4 12 30 58 86 94 100

Histogram
Frekuensi
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
5.346 5.348 5.350 5.352 5.354 5.356 5.358 5.360 5.362
Nilai tengah kelas
Parameter distribusi frekuensi sampel, sebagai berikut:

1. Parameter Tendensi Sentral

- Harga rata-rata; x

x = t = CO + β c1
= 5.354 + 0.002 x 1.10 = 5.3562 mm

- Median; Mi (nilai tengah pada frekeuensi

komulatif prosentase), interpolasi yang terletak di
antara 5.354 s.d 5.356 mm, yaitu:

 50 - 30  (5.356 − 5.354) = 5.3554 mm

Mi = 5.354 +  
 58 − 30 
- Modus; Mo (frekuensi atau angka yang sering
muncul pada frekuensi), interpolasi yang terletak
di antara 5.355 s.d 5.359 mm, yaitu:

 (14 - 9) 
Mo = 5.355 +   (5.359 − 5.355)
 (14 - 9) + (14 − 4) 
= 5.3563 mm
2. Parameter Variabilitas
- Jangkauan (Range); R = 0.016 mm

- Deviasi standar; s = 2 = m = β2 m2w

s 2Ix

n 2
m2w = momen ke dua = (c 2 − c 1 )
n −1
50 2
= (3.66 − 1.1 ) = 2.5
50 − 1

m2x = β2 m2w = 0.0022 x 2.5 = 0.00001 mm,

maka,

s= 0.00001 = 0.0032 mm
3. Parameter Derajat Kemiringan
- Momen Koefisien Kemiringan (Coefficient of
Skewness); γ1
m
γ = 3Iw
1 3/2
m
2Iw
n 3
m3Iw = momen ke tiga = (c 3 − 3 c 1 c 2 + 2 c 1 )
n −1
50 3
= (6.62 − 3 x 1.1 x 3.66 + 2 x 1.1 ) = - 2.8531
50 − 1
maka, - 2.8531
γ = = −0.7218 ⇒ artinya distribusi
1 3/2 dianggap miring
2.5
negatif atau berekor
panjang di sebelah kiri.
4. Parameter Derajat Kelancipan
- Momen Koefisien Kurtosis (Coefficient of Kurtosis); γ2
m
γ = 4Iw − 3
2 2
m
2Iw
m4Iw = momen ke empat
n 2 4
= (c 4 − 4 c 1 c 3 + 6 c 1 c 2 - 3 c 1 )
n −1
50 2 4
= (33.42 − 4 x 1.1 x 6.62 + 6 x 1.1 x 3.66 - 3 x 1.1 ) = 27.0115
50 − 1

27.0115 ⇒ artinya distribusi

maka, γ = − 3 = 1.3218
2 2 dianggap mempunyai
2.5
derajat kelancipan
positif.
Dari hasil perhitungan parameter distribusi frekuensi
sampel dapat disimpulkan sebagai berikut:

• Harga rata-rata 5.3562 mm berimpit dengan modus

5.3563 mm, dan median 5.3554 mm agak ke kiri
sedikit dari ke dua harga tersebut. Kondisi ini dapat
diperkirakan bahwa karakteristik setiap sampel
mendekati sama, berarti karakteristik proses
produksinya juga mendekati sama. Tingkat proses
rata-rata dan variabilitas proses mengalami
perubahan tidak begitu besar.
• Kemiringan distribusi yang relatif kecil dengan harga
momen koefisien kemiringan negatif; γ1 = -0.72,
menunjukkan bahwa proses produksi mengalami
perubahan tingkat proses rata-rata, misal: terjadi
keausan pahat.

• Derajat kelancipan distribusi positif sedikit lancip

(Leptokurtis); γ2 = 1.32, menunjukkan bahwa proses
produksi mengalami perubahan sedikit lebih
besar variabilitas prosesnya bila dibandingkan
dengan derajat perubahan tingkat proses rata-
rata, misal: terjadi keausan mesin.
• Dari analisis distribusi frekuensi sampel
menunjukkan terjadi mekanisme perubahan
terhadap proses produksi. Kondisi tersebut masih
belum bisa digunakan untuk menunjukkan indikasi
perubahan secara sistematik atau rambang, karena
pengambilan sampel walaupun dilakukan secara
periodik tidak ada informasi pengaruh perubahan
waktu terhadap karakteristik tiap sampel. Untuk
mengambil kesimpulan yang lebih baik adalah
dengan menggunakan analisis diagram kontrol.
Analisis menggunakan distribusi frekuensi
sampel di bidang perawatan dapat
diaplikasikan pada laju kerusakan mesin
(hazard rate atau failure rate; λ)