MAKALAH MANAJEMEN OPERASIONAL

STATISTICAL PROCESS CONTROL & ACCEPTANCE SAMPLING

Dosen Pengampu :
TRI WAHYUNINGSIH, SE, MSi

Disusun Oleh :
Qoid Rakha Dewa 141210158
Rafi Aron Juno 141210177
Diki Andriawan 141210203
Zonny Temala M. 141210234
Daffa Ivan Prasetyo 141210250
Mutiara Gracia I.P 141210257
Annisa Reygita Ardhana 141210266

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

YOGYAKARTA
2022

1
 KATA PENGANTAR

Puji syukur kehadirat Tuhan Yang Maha Esa atas rahmat dan hidayah-Nya, sehingga kami
dapat menyelesaikan tugas makalah yang berjudul “Statistical Process Control & Acceptance
Sampling” dengan tepat waktu.
Makalah ini disusun untuk memenuhi tugas mata kuliah Manajemen Operasional. Selain
itu, makalah ini juga bertujuan menambah wawasan mengenai Statistical Process Control &
Acceptance Sampling.
Kami mengucapkan terima kasih kepada Ibu Tri Wahyuningsih, selaku dosen pengampu
Mata Kuliah Manajemen Operasional. Ucapan terima kasih juga disampaikan kepada pihak-pihak
yang telah membantu kami menyelesaikan makalah ini.
Penulis menyadari makalah ini masih jauh dari sempurna. Maka dari itu, kami sangat
menerima kritik dan saran yang membangun demi memperbaiki makalah ini kedepannya.

Yogyakarta, 22 September 2022

Penyusun

2
 DAFTAR ISI

KATA PENGANTAR ...................................................................................................... 2

DAFTAR ISI ................................................................................................................... 3
BAB I PENDAHULUAN ................................................................................................ 4
A. Latar Belakang ..................................................................................................... 4
B. Rumusan Masalah ................................................................................................ 4
C. Tujuan .................................................................................................................. 4
BAB II PEMBAHASAN .................................................................................................. 5
A. Dasar – Dasar Statistical Process Control .............................................................. 5
B. Bagan Kontrol ...................................................................................................... 7
C. Control Chart for Attributes .................................................................................. 9
D. Control Charts for Variables ............................................................................... 10
E. Control Charts Patterns ....................................................................................... 14
F. SPC Dengan Alat Excel Dan OM ....................................................................... 17
G. Kemampuan Memproses .................................................................................... 18
H. Single-Sample Attribute Plan .............................................................................. 22
I. The Operating Characteristic Curve .................................................................... 23
J. Mengembangkan Rencana Sampling dengan OM Tools ..................................... 24
K. Average Outgoing Quality (AOQ) ...................................................................... 26
L. Double And Multiple Sampling Plans ................................................................. 27

BAB III PENUTUP ........................................................................................................ 29

A. Kesimpulan ........................................................................................................ 29
DAFTAR PUSTAKA .................................................................................................... 30

3
 BAB I
PENDAHULUAN

A. Latar Belakang
Kualitas produk merupakan hal terpenting yang diutamakan oleh perusahaan dalam proses
produksi. Bila kualitas produk yang dihasilkan baik, dapat merepresentasikan bahwa suatu
perusahaan telah berhasil melakukan proses produksi secara tepat. Sehingga menghasilkan produk
yang akan tetap laku di pasaran dan banyak diburu oleh para konsumen. Di suatu perusahaan,
pengendalian kualitas biasanya dilakukan oleh orang yang berkerja khusus di dalam bidang
pengendalian kualitas. Untuk menganalisis dan memperbaiki proses produksi produk, tentunya
harus memahami dan mengerti bagaimana kinerja dari proses tersebut. Biasanya orang yang
berkerja dalam bidang pengendalian kualitas ini menggunakan suatu metode statistik yang dapat
membantu di dalam melihat apakah suatu proses yang dilakukan di bawah kendali atau sebaliknya.
Metode tersebut sering disebut dengan Statistical Process Control (SPC). Oleh sebab itu, dalam
makalah ini kami akan menjelaskan tentang Statistical Process Control.

B. Rumusan Masalah
1. Apa dasar – dasar Statistical Process Control ?
2. Apa saja grafik dalam Statistical Porcess Control ?
3. Bagaimana cara melakukan SPC dengan Alat Excel dan OM ?
4. Bagaimana cara mengetahui kemampuan memproses ?
5. Bagaimana cara mengambil sampel penerimaan ?

C. Tujuan Makalah
1. Untuk mengetahui dasar-dasar Statistical Process Control.
2. Untuk mengetahui grafik yang ada dalam Statistical Porcess Control.
3. Untuk mengetahui cara melakukan SPC dengan alat excel dan OM.
4. Untuk mengetahui kemampuan memproses.
5. Untuk mengetahui cara mengambil sampel penerimaan.

4
 BAB II
PEMBAHASAN

A. Dasar – Dasar Statistical Process Control (SPC)

Statistical process control adalah prosedur statistik menggunakan grafik kontrol untuk
melihat apakah ada bagian dari proses produksi yang tidak berfungsi dengan baik serta dapat
menyebabkan kualitas buruk.
SPC digunakan untuk memeriksa dan mengukur proses produksi untuk melihat apakah itu
berbeda dari apa yang seharusnya dilakukan. Jika ada perbedaan yang tidak biasa atau tidak
diinginkan, prosesnya diperbaiki sehingga cacat tidak akan terjadi. Dengan cara ini, statistik
kontrol proses digunakan untuk mencegah kualitas buruk sebelum itu terjadi
SPC dicapai dengan mengambil sampel berkala dari proses dan menaruh titik sampel pada
bagan, untuk melihat apakah prosesnya berada dalam batas SPC. Titik sampel dapat berupa satu
barang atau sekelompok barang. Jika sampel berada di luar batas SPC, prosesnya mungkin di luar
kendali, dan penyebabnya dicari agar masalah dapat segera diperbaiki. Jika sampel dalam batas
kontrol maka proses berlanjut tanpa gangguan tetapi dengan pemantauan berkelanjutan. Dengan
cara ini, SPC mencegah masalah kualitas dengan memperbaiki proses sebelum dimulai
menghasilkan cacat.
Ada dua alasan mengapa suatu proses mungkin berbeda. Yang pertama adalah variabel
acak yang melekat pada proses, yang tergantung pada peralatan dan mesin, teknik, operator, dan
sistem yang digunakan untuk pengukuran. Variabel semacam ini adalah hasil dari kejadian alami.
Alasan kedua adalah penyebab unik atau khusus yang dapat diidentifikasi dan dapat diperbaiki.
Penyebab ini cenderung menjadi tidak acak dan, jika dibiarkan tanpa pengawasan, akan
menyebabkan kualitas yang buruk. Ini termasuk peralatan yang tidak dapat disesuaikan, bahan
yang rusak, perubahan suku cadang atau bahan, mesin yang rusak atau peralatan, operator
kelelahan atau metode kerja yang buruk, atau kesalahan karena kurangnya pelatihan.

 SPC di Manajemen Kualitas

Perusahaan menggunakan SPC untuk melihat apakah proses mereka terkendali dan
berfungsi dengan baik. Ini menyadarkan perusahaan untuk memberikan pelatihan SPC
secara berkelanjutan yang menekankan bahwa SPC adalah alat individu yang dapat

5
 digunakan untuk memantau proses produksi atau layanan untuk tujuan melakukan
perbaikan.
Melalui penggunaan SPC, karyawan dapat bertanggung jawab atas kualitas dalam lingkup
kerja mereka dengan mengidentifikasi masalah dan memperbaikinya atau mencari bantuan
dalam memperbaikinya. Dengan terus memantau proses produksi dan melakukan
perbaikan, karyawan berkontribusi pada tujuan perbaikan berkelanjutan dan meminimalisir
cacat.

 Mengukur Kualitas: Atribut dan Variabel

Kualitas suatu produk atau layanan dapat dievaluasi menggunakan atribut produk atau
layanan atau ukuran variabel. Atribut adalah karakteristik produk seperti warna, tekstur
permukaan, kebersihan, atau mungkin bau atau rasa. Atribut dapat dievaluasi dengan cepat
dengan respons seperti baik atau buruk, dapat diterima atau tidak, atau ya atau tidak.
Ukuran variabel adalah karakteristik produk yang diukur pada skala kontinu seperti
panjang, berat, suhu, atau waktu.
Evaluasi variabel adalah hasil dari beberapa bentuk pengukuran, kadang-kadang disebut
sebagai metode klasifikasi kuantitatif. Evaluasi atribut kadang-kadang disebut sebagai
klasifikasi kualitatif, karena responsnya tidak diukur.

 Pengaplikasian SPC ke Servis

Bagan kontrol secara historis telah digunakan untuk memantau kualitas proses manufaktur.
Namun, SPC dapat digunakan untuk memantau kualitas dalam layanan. Bagan kontrol
untuk proses layanan cenderung menggunakan karakteristik dan pengukuran kualitas
seperti waktu dan kepuasan pelanggan (ditentukan oleh survei, kuesioner, atau inspeksi).
Berikut ini adalah daftar beberapa layanan yang berbeda dan karakteristik kualitas untuk
masing-masing yang dapat diukur dan dipantau dengan bagan kontrol:
- Rumah Sakit: Ketepatan waktu dan kecepatan perawatan, tanggapan staff terhadap
permintaan, keakuratan tes laboratorium, kebersihan, kesopanan, keakuratan dokumen,
kecepatan penerimaan dan checkout.
- Toko kelontong: Waktu tunggu untuk membayar, frekuensi barang yang kehabisan
stok, kualitas makanan, kebersihan, keluhan pelanggan.

6
 - Maskapai penerbangan: Penundaan penerbangan, kehilangan bagasi dan penanganan
bagasi, waktu tunggu di loket tiket dan check-in, kesopanan agen dan pramugari,
informasi penerbangan yang akurat, kebersihan dan pemeliharaan kabin.
- Restoran cepat saji: Waktu tunggu untuk layanan, keluhan pelanggan, kebersihan,
kualitas makanan, akurasi pesanan, kesopanan karyawan.
- Perusahaan pesanan katalog: Akurasi pesanan, pengetahuan operator dan kesopanan,
pengemasan, waktu pengiriman, waktu tunggu pesanan telepon.
- Perusahaan asuransi: Akurasi penagihan, ketepatan waktu memproses klaim,
ketersediaan agen dan waktu respons.

 Penggunaan Bagan Kontrol

Dalam sebagian besar proses manufaktur dan layanan, ada poin yang dapat diidentifikasi
dengan jelas dimana bagan kontrol harus digunakan. Secara umum, bagan kontrol
digunakan pada poin kritis dalam proses, contohnya secara historis proses telah
menunjukkan kecenderungan untuk lepas kendali, dan pada poin dimana jika prosesnya
keluar dari kontrol itu sangat berbahaya dan mahal.

B. Bagan Kontrol
Grafik yang secara visual menunjukkan apakah sampel berada dalam batas kontrol
statistik. Memiliki dua tujuan dasar: untuk menetapkan batas kontrol untuk suatu proses dan untuk
memantau proses yang menunjukkan kapan itu di luar kendali.
Bagan kontrol ada 2 yaitu: atribut dan variabel; dalam setiap kategori ada beberapa jenis
bagan kontrol yang berbeda, dua di setiap kategori: p-chart dan c-chart untuk atribut dan bagan
kontrol mean dan rentang/range untuk variabel.

7
 Rumus untuk melakukan batas atas dan bawah dalam bagan kontrol didasarkan pada
jumlah standar deviasi. "z," dari rata-rata proses (misalnya, garis tengah) sesuai dengan distribusi
normal. Kadang-kadang, z sama dengan 2,00 tetapi paling sering adalah 3,00. Nilai z 2,00 sesuai
dengan probabilitas normal keseluruhan 95%, dan z 3,00 sesuai dengan probabilitas normal
99,73%.

Semakin kecil nilai z, semakin sempit batas kontrolnya dan semakin sensitif chart adalah
perubahan dalam proses produksi. Bagan kontrol menggunakan z 2.00 sering disebut karena
memiliki batas 2-sigma (mengacu pada dua standar deviasi), sedangkan z 3,00 berarti Batas 3-
sigma.
Manajemen biasanya memilih z 3.00 karena jika prosesnya terkendali, perusahaan
menginginkan probabilitas tinggi bahwa nilai sampel akan berada dalam batas kontrol. Dengan
kata lain, dengan batas yang lebih luas manajemen cenderung kecil kemungkinannya untuk keliru
menyimpulkan bahwa prosesnya di luar kendali ketika poin di luar batas kontrol yang disebabkan
oleh variasi normal dan acak. Batasan yang lebih luas membuatnya lebih sulit untuk mendeteksi
perubahan dalam proses yang tidak acak dan memiliki penyebab yang dapat ditetapkan. Sebuah

8
proses mungkin berubah karena ketidakacakan, penyebab yang dapat ditetapkan dan dapat
dideteksi dengan batas yang lebih sempit tetapi tidak dengan batas yang lebih luas.
Suatu proses umumnya dianggap memegang kendali jika:
1. Tidak ada titik sampel di luar batas kontrol.
2. Sebagian besar titik berada di dekat rata-rata proses (yaitu, garis tengah), tanpa terlalu
banyak yang dekat dengan batas kontrol.
3. Kira-kira jumlah titik sampel yang sama terjadi di atas dan di bawah garis tengah.
4. Titik-titik tampaknya didistribusikan secara acak di sekitar garis tengah (yaitu, tidak
ada pola yang dapat dilihat).
Jika salah satu dari kondisi ini dilanggar, prosesnya mungkin di luar kendali. Alasannya
pasti harus ditentukan, dan jika penyebabnya tidak acak, masalahnya harus diperbaiki.

C. Control Chart for Attributes

Ukuran kualitas yang digunakan dalam diagram kontrol atribut adalah nilai diskrit yang
mencerminkan keputusan sederhana kriteria seperti baik atau buruk. Pchart menggunakan proporsi
item yang rusak dalam sampel sebagai sampel statistik; sebuah c-chart menggunakan jumlah cacat
aktual per item dalam sampel. P-chart dapat digunakan ketika dimungkinkan untuk membedakan
antara item yang cacat dan tidak efektif dan untuk menyatakan nomor cacat sebagai persentase
dari keseluruhan. Dalam beberapa proses, proporsi cacat tidak dapat ditentukan. Misalnya, saat
menghitung jumlah noda pada gulungan bahan pelapis (pada interval periodik), tidak mungkin
untuk menghitung proporsi. Dalam hal ini c-chart diperlukan.

 P-CHART
Dengan p-chart sampel n item diambil secara berkala dari proses produksi atau layanan,
dan proporsi barang cacat dalam sampel ditentukan untuk melihat apakah proporsinya
turun dalam batas kontrol pada grafik. Meskipun p-chart menggunakan ukuran atribut
diskrit (mis., jumlah barang rusak) dan dengan demikian tidak kontinu, diasumsikan
sebagai ukuran sampel (n) semakin besar, distribusi normal dapat digunakan untuk
memperkirakan distribusi proporsi cacat. Ini memungkinkan kami untuk menggunakan
rumus berikut berdasarkan pada distribusi normal hitung batas kendali atas (UCL) dan
batas kendali bawah (LCL) dari p-chart:

UCL= P´ +z σ p

LCL= P´ −z σ p

Dimana:

9
 P´ : Angka standar deviasi dari rata rata proses

Z : Proporsi sampel rusak; perkiraan rata-rata proses

σ p : Standar deviasi dari proporsi sampel.

Standar deviasi sampel dihitung dengan: σ p=√ ´p(1−´p) n

Dimana n adalah jumlah sampel

 C-CHART
C-chart atau grafik c merupakan suatu grafik kendali kualitas yang digunakan untuk
mengendalikan jumlah kecacatan per unit output. Grafik kendali untuk cacat membantu
dalam memonitor proses dimana sejumlah besar kesalahan yang berpotensi dapat terjadi,
tetapi jumlah aktual yang terjadi relatif kecil. C-chart digunakan ketika tidak mungkin
untuk menghitung proporsi yang rusak dan jumlah cacat yang sebenarnya harus digunakan.
Misalnya, ketika mobil diperiksa, jumlah cacat dalam pekerjaan cat dapat dihitung untuk
setiap mobil, tetapi proporsi tidak dapat dihitung, karena jumlah total kemungkinan cacat
tidak diketahui. Dalam hal ini satu mobil adalah sampel. Karena jumlah cacat per sampel
diasumsikan berasal dari beberapa populasi yang sangat besar, probabilitas cacat tunggal
sangat kecil. Seperti halnya p-chart, distribusi normal dapat digunakan untuk
memperkirakan distribusi cacat. Rata-rata proses untuk c-chart adalah jumlah rata-rata
cacat per item,( c) , dihitung dengan membagi jumlah total ̅ cacat dengan jumlah sampel.
Standar deviasi sampel, σ, adalah √(c ) .Rumus ̅ berikut untuk batas kontrol digunakan:

UCL = ( c) + σc ̅ ⱬ

LCL = ( c) - σc

D. Control Charts for Variables

Control charts for variables digunakan untuk variabel kontinu yang dapat diukur, seperti
berat atau volume. Dua peta kendali variabel yang umum digunakan adalah peta kendali rentang,
atau peta kendali R-, dan peta kendali rata-rata, atau peta kendali 𝑥. Peta kendali rentang (R-)
mencerminkan jumlah dispersi yang ada di setiap sampel; peta kendali rata-rata (𝑋-) menunjukkan
bagaimana hasil sampel berhubungan dengan rata-rata atau rata-rata proses. Peta kendali ini
biasanya digunakan bersama untuk menentukan apakah suatu proses terkendali.

 Peta Kendali Rata-Rata (𝑥-)

10
Dalam peta kendali rata-rata (atau 𝑥 ), setiap kali sampel dari sekelompok item diambil
dari proses, rata-rata sampel dihitung dan diplot pada peta kendali. Setiap sampel rata-rata
(𝑥 ) adalah sebuah titik pada peta kendali. Sampel yang diambil cenderung kecil, biasanya
sekitar 4 atau 5. Garis tengah peta kendali adalah rata-rata proses keseluruhan, yaitu rata-
rata dari rata-rata sampel.

Peta kendali 𝑥 didasarkan pada distribusi normal. Hal ini dapat dibangun dalam dua cara
tergantung pada informasi yang tersedia tentang distribusi. Jika standar deviasi distribusi
diketahui dari pengalaman masa lalu atau data historis, maka rumus yang menggunakan
standar deviasi dapat digunakan untuk menghitung batas kendali atas dan bawah. Jika
simpangan baku tidak diketahui, maka tabel nilai berdasarkan rentang sampel tersedia
untuk mengembangkan batas kendali atas dan bawah. Pertama-tama kita akan melihat
bagaimana membangun sebuah peta kendali 𝑥 ketika standar deviasi diketahui. Rumus
untuk menghitung batas kendali atas (UCL) dan batas kendali bawah (LCL) adalah:

Dalam pendekatan kedua untuk mengembangkan peta kendali 𝑥, rumus berikut

digunakan untuk menghitung batas kendali:

Dimana 𝑥 adalah rata-rata dari rata-rata sampel dan R- adalah nilai kisaran rata-rata.
𝐴2 adalah nilai tabular yang digunakan untuk menetapkan batas kontrol. Nilai 𝐴2 termasuk
dalam tabel dibawah. Mereka dikembangkan secara khusus untuk menentukan batas
kontrol untuk peta kendali 𝑥 dan sebanding dengan tiga standar deviasi (3) batas. Nilai
tabel ini sering digunakan untuk mengembangkan peta kendali.

Faktor untuk Menentukan Batas Kendali untuk Peta Kendali 𝑥 dan R-

11
 Peta Kendali Range (R-)
Dalam peta kendali R-, rentang adalah perbedaan antara nilai terkecil dan terbesar dalam
sampel. Rentang ini mencerminkan variabilitas proses alih-alih kecenderungan menuju
nilai rata-rata. Rumus untuk menentukan batas kendali adalah :

𝑅 adalah kisaran rata-rata (dan garis tengah) untuk sampel.

𝐷3 dan 𝐷4 adalah nilai tabel seperti 𝐴2 untuk menentukan batas kendali yang telah
dikembangkan berdasarkan nilai rentang daripada deviasi standar. Tabel diatas juga
mencakup nilai untuk 𝐷3 dan 𝐷4 untuk ukuran sampel hingga 25.

12
 Menggunakan Peta Kendali 𝑥 dan R- secara Bersamaan
Peta kendali 𝑥 digunakan dengan peta kendali R- di bawah premis bahwa rata-rata proses
dan variabilitas harus terkendali agar proses terkendali. Ini logis. Kedua peta kendali
mengukur proses secara berbeda. Ada kemungkinan sampel memiliki rentang yang sangat
sempit, menunjukkan variabilitas proses yang kecil, tetapi rata-rata sampel mungkin berada
di luar batas kendali.

Misalnya, pertimbangkan dua sampel, yang pertama memiliki nilai rendah dan tinggi
sebesar 4,95 dan 5,05 sentimeter, dan yang kedua memiliki nilai rendah dan tinggi sebesar
5,10 dan 5,20 sentimeter. Jarak keduanya adalah 0,10 sentimeter, tetapi 𝑥 untuk yang
pertama adalah 5,00 sentimeter dan 𝑥 untuk yang kedua adalah 5,15 sentimeter. Dua
rentang sampel mungkin menunjukkan proses dalam kendali dan 𝑥 = 5,00 mungkin baik-
baik saja, tetapi 𝑥 = 5,15 bisa berada di luar batas kendali.

Sebaliknya, mungkin saja rata-rata sampel terkendali, tetapi rentangnya mungkin sangat
besar. Misalnya, dua sampel dapat memiliki 𝑥 = 5,00 sentimeter, tetapi sampel 1 dapat
memiliki kisaran antara 4,95 dan 5,05 (R- = 0,10 sentimeter) dan sampel 2 dapat memiliki
kisaran antara 4,80 dan 5,20 (R- = 0,40 sentimeter). Contoh 2 menunjukkan proses di luar
kendali.
Peta kendali R- juga memungkinkan untuk menunjukkan tren penurunan yang berbeda
dalam nilai rentang, yang menunjukkan bahwa rentang semakin sempit dan variasinya
semakin sedikit. Ini akan tercermin pada peta kendali 𝑥 dengan nilai rata-rata lebih dekat
ke garis tengah. Meskipun kejadian ini tidak menunjukkan bahwa proses di luar kendali,
hal itu menunjukkan bahwa beberapa penyebab nonrandom mengurangi variasi proses.
Penyebab ini perlu diselidiki untuk melihat apakah itu berkelanjutan. Jika demikian, batas
kendali baru perlu dikembangkan. Kadang-kadang peta kendali 𝑥 digunakan sendiri untuk
melihat apakah suatu proses meningkat, mungkin menuju tujuan kinerja tertentu.

Dalam situasi lain, perusahaan mungkin telah mempelajari dan mengumpulkan data untuk
suatu proses untuk waktu yang lama dan sudah mengetahui apa arti dan standar deviasi
dari proses tersebut; yang ingin mereka lakukan hanyalah memantau rata-rata proses
dengan mengambil sampel secara berkala. Dalam hal ini akan sesuai untuk menggunakan
peta kendali rata-rata dimana deviasi standar proses sudah diketahui seperti yang
ditunjukkan pada contoh.

Sebaliknya, mungkin saja rata-rata sampel terkendali, tetapi rentangnya mungkin sangat
besar. Misalnya, dua sampel dapat memiliki panjang 5,00 sentimeter, tetapi sampel 1 dapat
sentimeter) memiliki dan kisaran sampel antara 2 dapat 4,95 memiliki dan 5,05 kisaran (R
0,10 antara 4,80 dan 5,20 (R 0,40 sentimeter). Contoh 2 menunjukkan proses di luar
kendali.

13
 Bagan-R juga memungkinkan untuk menunjukkan tren penurunan yang berbeda dalam
nilai rentang, yang menunjukkan bahwa rentang semakin sempit dan variasinya semakin
sedikit. Ini akan tercermin pada -chart dengan nilai rata-rata lebih dekat ke garis tengah.
Meskipun kejadian ini tidak menunjukkan bahwa proses di luar kendali, hal itu
menunjukkan bahwa beberapa penyebab nonrandom mengurangi variasi proses. Penyebab
ini perlu diselidiki untuk melihat apakah itu berkelanjutan. Jika demikian, batas kendali
baru perlu dikembangkan. Terkadang -chart digunakan sendiri untuk melihat apakah suatu
proses membaik, mungkin menuju tujuan kinerja tertentu.

Dalam situasi lain, perusahaan mungkin telah mempelajari dan mengumpulkan data untuk
suatu proses untuk waktu yang lama dan sudah mengetahui apa arti dan standar deviasi
dari proses tersebut; yang ingin mereka lakukan hanyalah memantau rata-rata proses
dengan mengambil sampel secara berkala. Dalam hal ini akan sesuai untuk menggunakan
grafik rata-rata dimana standar deviasi proses sudah diketahui seperti yang ditunjukkan
pada Contoh 3.3.

E. Control Charts Patterns

Meskipun peta kendali dapat menunjukkan bahwa suatu proses terkendali, ada
kemungkinan variasi sampel dalam batas kendali tidak acak. Jika nilai sampel menunjukkan pola
yang konsisten, bahkan dalam batas kontrol, ini menunjukkan bahwa pola ini memiliki penyebab
non-acak yang mungkin memerlukan penyelidikan. Kami mengharapkan nilai sampel untuk
"memantul" di atas dan di bawah garis tengah, yang mencerminkan variasi acak alami dalam
proses yang akan ada. Namun, jika nilai sampel secara konsisten di atas (atau di bawah) garis
tengah untuk sejumlah sampel yang diperpanjang atau jika mereka bergerak secara konsisten ke
atas atau ke bawah, mungkin ada alasan untuk perilaku ini; yaitu, tidak acak. Contoh pola
nonrandom ditunjukkan pada Gambar 3.3.

14
 Sebuah pola dalam peta kendali dicirikan oleh urutan pengamatan sampel yang
menampilkan menggunakan A2 dari Tabel 3.1, yang mengasumsikan 3 batas kendali deviasi
standar (atau 3-sigma x Dalam contoh bagan kendali kami, ukuran sampel bervariasi secara
signifikan. Untuk diagram-p dan diagram- c, kita 5 dilanggar. Contoh 3.6 pada halaman berikutnya
menunjukkan bagaimana pengujian pola dilakukan. 1. Delapan titik berurutan di satu sisi garis
tengah x karakteristik yang sama—juga disebut lari. Salah satu jenis pola adalah urutan
pengamatan di atas atau di bawah garis tengah. Misalnya, tiga nilai di atas garis tengah diikuti oleh
dua nilai di bawah garis mewakili dua pola. Jenis pola lain adalah urutan nilai sampel yang secara

15
konsisten naik atau turun dalam batas kendali. Beberapa tes tersedia untuk menentukan apakah
suatu pola tidak acak atau acak.
Salah satu jenis uji pola membagi peta kendali menjadi tiga "zona" di setiap sisi tengah
garis, di mana setiap zona adalah satu standar deviasi lebar. Ini sering disebut sebagai 1-sigma, 2-
sigma, dan 3-sigma batas. Pola pengamatan sampel pada zona-zona tersebut kemudian digunakan
untuk menentukan apakah ada pola nonrandom. Ingatlah bahwa rumus untuk menghitung -chart
menggunakan A2 dari Tabel 3.1, yang mengasumsikan 3 batas kendali deviasi standar (atau 3-
sigmabatas). Jadi, untuk menghitung garis pemisah antara masing-masing dari tiga zona untuk -
chart, kami x menggunakan A2. Rumus untuk menghitung batas zona ini ditunjukkan pada
Gambar 3.4 di atas.
Ada beberapa pedoman umum yang terkait dengan zona untuk mengidentifikasi pola di
apeta kendali, di mana tidak ada pengamatan yang berada di luar batas kendali:
1. Delapan titik berurutan di satu sisi garis tengah
2. Delapan poin berturut-turut naik atau turun
3. Empat belas poin bergantian naik atau turun
4. Dua dari tiga titik berurutan di zona A (di satu sisi garis tengah)
5. Empat dari lima titik berurutan di zona A atau B di satu sisi garis tengah

Jika salah satu dari pedoman ini diterapkan pada pengamatan sampel dalam peta kendali,
itu akan menyiratkan: bahwa ada pola non-acak dan penyebabnya harus diselidiki. Pada Gambar
3.4, aturan 1, 4, dan 5 dilanggar. Contoh 3.6 pada halaman berikutnya menunjukkan bagaimana
pengujian pola dilakukan

 Penentuan Ukuran Sampel

Dalam contoh bagan kendali kami, ukuran sampel bervariasi secara signifikan. Untuk
diagram-p dan diagram- c, kita menggunakan ukuran sampel ratusan dan sekecil satu item
untuk diagram-c, sedangkan untuk – dan R-chart kami menggunakan sampel empat atau
lima. Secara umum, ukuran sampel yang lebih besar diperlukan untuk atribut grafik karena
lebih banyak pengamatan diperlukan untuk mengembangkan ukuran kualitas yang dapat
digunakan. Suatu populasi

16
 Proporsi cacat hanya 5% membutuhkan 5 barang cacat dari sampel 100. Tetapi, sampel 10
bahkan tidak mengizinkan hasil dengan 5% barang cacat. Bagan kontrol variabel
membutuhkan yang lebih kecil ukuran sampel karena setiap pengamatan sampel
memberikan informasi yang dapat digunakan — misalnya, berat, panjang, atau volume.
Setelah hanya beberapa pengamatan sampel (sedikitnya dua), dimungkinkan untuk
menghitung rentang atau rata-rata sampel yang mencerminkan karakteristik sampel.
Diinginkan untuk mengambil sedikit sampel pengamatan sebanyak mungkin, karena
memerlukan waktu operator untuk mengambilnya.
Beberapa perusahaan menggunakan ukuran sampel hanya dua. Mereka hanya memeriksa
item pertama dan terakhir di alot produksi di bawah premis bahwa jika tidak ada yang di
luar kendali, maka prosesnya terkendali. Ini membutuhkan produksi lot kecil (yang
merupakan karakteristik dari beberapa perusahaan Jepang), sehingga proses tidak akan
lepas kendali terlalu lama sebelum masalah ditemukan.
Ukuran mungkin bukan satu-satunya pertimbangan dalam pengambilan sampel. Mungkin
juga penting bahwa sampel berasal dari sumber yang homogen sehingga jika proses di luar
kendali, penyebabnya dapat ditentukan secara akurat. Jika produksi dilakukan pada salah
satu dari dua mesin (atau dua set mesin), pencampuran pengamatan sampel di antara
mereka membuat sulit untuk memastikan yang mana. operator atau mesin yang
menyebabkan masalah. Jika proses produksi mencakup lebih dari satu shift, mencampur
pengamatan sampel antar shift dapat membuat lebih sulit untuk menemukan pergeseran
menyebabkan proses bergerak di luar kendali.

F. SPC Dengan Alat Excel DAN OM

Sejumlah perangkat lunak komputer dan paket spreadsheet tersedia yang melakukan
statistik analisis kendali mutu, termasuk pengembangan bagan kendali proses. Kami akan
17
mendemonstrasikan bagaimana mengembangkan diagram kendali proses statistik di komputer
menggunakan Excel dan OM Tools. Itu Spreadsheet Excel di Tampilan 3.1 menunjukkan data
untuk Contoh 3.1 di mana kami membuat: p-chart untuk memantau proses produksi jeans denim
di Western Jeans Company. Nilai untuk p
UCL dan LCL telah dihitung menggunakan rumus yang disematkan di sel I4, I5, dan I6.
Kemembangun peta kendali kita, kita perlu memasukkan nilai rata-rata peta kendali ( ) dan batas
kendali atas dan bawah (UCL dan LCL) di kolom B, C, D dan E untuk semua 20 titik sampel. Ini
akan memberikan titik data untuk membangun garis UCL dan LCL pada peta kendali.

G. Kemampuan Memproses
Batas kendali terkadang disalah artikan sebagai toleran. Namun, mereka adalah hal yang
sangat berbeda. Batas kendali menyediakan sarana untuk menentukan variasi alami dalam proses
produksi. Mereka hasil statistik berdasarkan sampling. Toleransi adalah spesifikasi desain yang
mencerminkan persyaratan pelanggan untuk suatu produk. Mereka menentukan rentang nilai di
atas dan di bawah nilai target yang dirancang (juga disebut sebagai nilai nominal), di mana unit
produk harus masuk agar dapat diterima. Untuk contoh, sekantong keripik kentang mungkin
dirancang untuk memiliki berat bersih 9,0 ons keripik dengan toleransi 0,5 ons. Toleransi desain
dengan demikian antara 9,5 oz (spesifikasi atas batas) dan 8.5 oz (batas spesifikasi bawah). Proses
pengemasan harus mampu tampil dalam toleransi desain ini atau bagian tertentu dari tas akan
rusak, itu adalah, kurus atau kelebihan berat badan. Toleransi tidak ditentukan dari proses
produksi; mereka dipaksakan secara eksternal oleh perancang produk atau layanan.

Batas kendali, pada sisi lain, didasarkan pada proses produksi, dan mereka mencerminkan
variabilitas proses. Mereka adalah ukuran statistik ditentukan dari proses. Dimungkinkan untuk
suatu proses dalam sebuah instance secara statistik "terkendali" menurut diagram kendali, namun
prosesnya mungkin tidak sesuai dengan spesifikasi desain. Untuk menghindari situasi seperti itu,
proses harus dievaluasi untuk melihat apakah itu bisa memenuhi spesifikasi produk sebelum proses
dimulai, atau produk atau jasa harus didesain ulang. Kemampuan proses mengacu pada variasi
alami dari suatu proses relatif terhadap variasi yang diizinkan oleh spesifikasi desain. Dengan kata
lain, seberapa mampukah proses memproduksi unit yang dapat diterima? sesuai dengan spesifikasi
desain? Bagan kendali proses digunakan untuk kemampuan proses untuk menentukan apakah
proses yang ada mampu memenuhi spesifikasi desain. Tiga elemen utama yang terkait dengan
kapabilitas proses adalah variabilitas proses (alam rentang variasi proses), pusat proses (rata-rata),
dan spesifikasi desain.

18
 (a) Variasi alami melebihi desain spesifikasi; proses tidak mampu memenuhi spesifikasi
sepanjang waktu.
(b) Spesifikasi desain dan variasi alami sama; proses mampu memenuhi spesifikasi sebagian
besar waktu.
(c) Spesifikasi desain lebih besar dari variasi alami, proses selalu mampu sesuai dengan
spesifikasi.
(d) Spesifikasi lebih besar daripada variasi alami, proses di luar pusat mampu memenuhi tetapi
beberapa output tidak akan bertemu di spesifikasi atas.

Gambar 3.5 menunjukkan empat kemungkinan situasi dengan konfigurasi berbeda dari
elemen-elemen ini yang dapat terjadi ketika mempertimbangkan kemampuan proses. Gambar 3.5a
menggambarkan variasi alami dari suatu proses, yang lebih besar dari batas spesifikasi desain.
Proses tidak mampu memenuhi batas spesifikasi ini. Situasi ini akan mengakibatkan sebagian
besar bagian atau produk yang cacat. Jika batas-batas pengukuran peta kendali variasi alami
melebihi batas spesifikasi atau toleransi yang dirancang dari suatu produk, proses tidak dapat
menghasilkan produk sesuai dengan spesifikasi. Variasi yang akan terjadi secara alami, pada acak,
lebih besar dari variasi yang dirancang. Bagian yang berada dalam batas kendali tetapi di luar
spesifikasi desain harus dibuang atau dikerjakan ulang. Ini bisa sangat mahal dan boros. Alternatif
termasuk memperbaiki proses atau mendesain ulang produk. Namun, solusi ini juga bisa mahal.
Karena itu, penting bahwa studi kemampuan proses dilakukan selama desain produk, dan sebelum
kontrak untuk suku cadang baru atau produk dimasukkan ke dalam. Gambar 3.5b menunjukkan
situasi di mana batas kontrol alami dan batas spesifikasi adalah sama. Ini akan menghasilkan
sejumlah kecil item yang rusak, beberapa yang akan jatuh di luar batas kontrol alami karena
penyebab acak. Bagi banyak perusahaan, ini adalah kualitas sasaran yang masuk akal.
Jika distribusi proses terdistribusi normal dan batas kontrol alami adalah tiga deviasi
standar dari rata-rata proses — yaitu, batas 3-sigma — maka probabilitasnya antara batas adalah

19
0,9973. Ini adalah probabilitas item yang baik. Ini berarti daerah, atau probabilitas, di luar batas
adalah 0,0027, yang diterjemahkan menjadi 2,7 cacat per seribu atau 2700 cacat dari satu juta item.
Namun, menurut filosofi kualitas yang ketat, ini bukan sasaran mutu yang sesuai. Seperti yang
ditunjukkan Evans dan Lindsay dalam buku The Management and Control of Quality, tingkat
kualitas yang sesuai dengan batas 3-sigma ini sebanding dengan "setidaknya 20.000 resep obat
yang salah setiap tahun, lebih dari 15.000 bayi tidak sengaja mampir perawat dan dokter setiap
tahun, 500 operasi bedah yang salah setiap minggu, dan 2000 bagian yang hilang kirim email
setiap jam.”
Akibatnya, sejumlah perusahaan telah mengadopsi kualitas "6-sigma". Ini mewakili
spesifikasi desain produk yang dua kali lebih besar dari variasi alami yang tercermin dalam kontrol
3-sigma batas. Jenis situasi ini, di mana spesifikasi desain melebihi batas kontrol alami, adalah:
ditunjukkan secara grafis pada Gambar 3.5c. Perusahaan akan berharap bahwa hampir semua
produk akan sesuai dengan spesifikasi desain—selama rata-rata proses dipusatkan pada target
desain. Secara statistik, 6-sigma hanya berhubungan dengan 0,0000002 persen cacat atau 0,002
bagian yang rusak per juta (PPM), yang hanya dua cacat per miliar! Namun, ketika Motorola
mengumumkan di 1989 bahwa itu akan mencapai kualitas 6-sigma dalam lima tahun mereka
menerjemahkan ini menjadi 3,4 cacat per juta. Bagaimana mereka mendapatkan 3,4 cacat per juta
dari 2 cacat per miliar? Motorola memperhitungkan memperhitungkan bahwa rata-rata proses
tidak akan selalu tepat sesuai dengan target desain; itu mungkin bervariasi dari target desain
nominal sebanyak 1,5 sigma (skenario pada Gambar 3.5d), yang diterjemahkan ke tingkat cacat 6-
sigma dari 3,4 cacat per juta.
Nilai ini telah menjadi standar kualitas 6-sigma dalam industri dan bisnis. Menerapkan
skenario yang sama dari 1,5-sigma penyimpangan dari rata-rata proses ke tingkat 3-sigma yang
lebih umum digunakan oleh sebagian besar perusahaan, tingkat cacat tidak 2.700 cacat per juta,
tetapi 66.810 cacat per juta. Seperti yang ditunjukkan, Gambar 3.5d menunjukkan situasi di mana
spesifikasi desain lebih besar dari rentang proses variasi; namun, prosesnya berada di luar pusat.
Proses tersebut mampu memenuhi spesifikasi, tetapi bukan karena prosesnya tidak terkendali.
Dalam hal ini persentase output yang berada di luar batas spesifikasi desain atas akan rusak.
Jika proses disesuaikan sehingga pusat proses bertepatan dengan target desain (yaitu terpusat),
kemudian hampir semua output akan memenuhi spesifikasi desain. Menentukan kapabilitas proses
penting karena membantu perusahaan memahami proses variasi. Jika dapat ditentukan seberapa
baik suatu proses memenuhi spesifikasi desain, dan dengan demikian bagaimana tingkat kualitas
yang sebenarnya, maka langkah-langkah yang dapat diambil untuk meningkatkan kualitas. Dua
ukuran digunakan untuk mengukur kemampuan suatu proses, yaitu seberapa baik proses tersebut
mampu berproduksi sesuai untuk spesifikasi desain, adalah rasio kapabilitas (Cp) dan indeks
kapabilitas (Cpk).

 Ukuran Kemampuan Proses

Salah satu ukuran kapabilitas suatu proses untuk memenuhi spesifikasi desain adalah
kapabilitas proses rasio (Cp). Ini didefinisikan sebagai rasio kisaran spesifikasi desain (rentang
toleransi) terhadap kisaran variasi proses, yang bagi sebagian besar perusahaan biasanya 3 atau 6
20
Cp = rentang toleransi

rentang proses

= batas spesifikasi atas - batas spesifikasi bawah

6σ

Jika Cp kurang dari 1,0 maka rentang proses lebih besar dari rentang toleransi, dan proses
tidak mampu memproduksi dalam spesifikasi desain sepanjang waktu. Ini adalah situasi yang
digambarkan dalam Gambar 3.5a.
Jika Cp sama dengan 1,0, rentang toleransi dan rentang proses hampir sama, situasi yang
ditunjukkan pada Gambar 3.5b.
Jika Cp lebih besar dari 1,0, rentang toleransi lebih besar dari rentang proses, situasi yang
digambarkan pada Gambar 3.5c. Dengan demikian, perusahaan secara logis menginginkan Cp
sama dengan 1,0 atau lebih besar, karena ini akan menunjukkan bahwa proses tersebut mampu
memenuhi spesifikasi.
Ukuran kedua dari kapabilitas proses adalah indeks kapabilitas proses (Cpk). Cpk nya
berbeda dari Cp yang menunjukkan jika rata-rata proses telah bergeser dari target desain, dan ke
arah mana ia telah bergeser jika ia menyimpang dari pusat. Ini adalah situasi yang digambarkan
dalam Gambar 3.5d. Indeks kapabilitas proses secara khusus mengukur kapabilitas proses relatif
terhadap spesifikasi atas dan bawah.

Cpk = minimum 𝑥̿ – Spesifikasi rendah , Spesifikasi atas - 𝑥̿

3σ 3σ

Jika indeks Cpk lebih besar dari 1,00, maka proses tersebut mampu memenuhi spesifikasi
desain. Jika Cpk kurang dari 1,00, maka rata-rata proses telah mendekati salah satu spesifikasi
desain atas atau bawah, dan akan menghasilkan cacat. Ketika Cpk sama dengan Cp, ini
menunjukkan bahwa proses mean dipusatkan pada target desain (nominal).
Contoh Soal
Ingatlah bahwa Perusahaan Makanan Ringan Munchies mengemas keripik kentang dalam
proses yang dirancang untuk 9.0 oz chip dengan toleransi 0.5 oz. Proses pengemasan memiliki
rata-rata proses (𝑥̿ ) dari 8,80 oz dan standar deviasi 0,12 oz. Perusahaan ingin menentukan apakah
proses mampu, dan jika rata-rata proses berada di dalam atau di luar pusat.

Cpk = minimum 𝑥̿ – Spesifikasi rendah , Spesifikasi atas - 𝑥̿

3σ 3σ

21
 = minimum 8.80 – 8.50 , 9.5 – 8.80
3(0.12) 3(0.12)

= minimum [ 0.83 , 1.94 ]

= 0.83

Meskipun Cp 1,39 yang dihitung pada Contoh 3.7 menunjukkan bahwa proses tersebut
mampu ,nilai Cpk 0,83 menunjukkan rata-rata proses tidak aktif tengah. Itu telah bergeser ke arah
batas spesifikasi yang lebih rendah. Dengan demikian, perusahaan perlu mengambil tindakan
untuk memperbaiki proses dan membawa proses kembali ke target desain.

ACCEPTANCE SAMPLING
Dalam penerimaan sampel, sampel acak dari unit yang diproduksi diperiksa, dan kualitas
sampel ini diasumsikan mencerminkan kualitas keseluruhan dari semua item atau kelompok item
tertentu, yang disebut lot. Sampling penerimaan adalah metode statistik, jadi jika sampel acak, itu
memastikan bahwa setiap item memiliki peluang yang sama untuk dipilih dan diperiksa. Ini
memungkinkan kesimpulan statistik dibuat tentang populasi — lot — secara keseluruhan. Jika
sampel memiliki jumlah atau persentase item cacat yang dapat diterima, lot diterima, tetapi jika
memiliki jumlah cacat yang tidak dapat diterima, sampel ditolak. Pengambilan sampel penerimaan
adalah pendekatan historis untuk kontrol kualitas berdasarkan pada premis bahwa sejumlah item
cacat yang dapat diterima akan dihasilkan dari proses produksi. Produsen dan pelanggan
menyetujui jumlah cacat yang dapat diterima, biasanya diukur sebagai persentase.
Tujuan dari perusahaan-perusahaan ini adalah untuk mencapai tidak adanya kecacatan.
Pengambilan sampel penerimaan mengidentifikasi item yang cacat setelah produk sudah selesai,
sedangkan perusahaan yang berfokus pada kualitas menginginkan pencegahan kerusakan secara
bersamaan. Pengambilan sampel penerimaan hanyalah cara mengidentifikasi produk untuk
dibuang atau dikerjakan ulang. Itu tidak melakukan apa pun untuk mencegah kualitas yang buruk
dan untuk memastikan kualitas yang baik di masa depan.

H. Single-Sample Attribute Plan

Sebuah rencana atribut sampel tunggal memiliki sebagai dasarnya atribut yang dapat
dievaluasi dengan keputusan yang sederhana dan terpisah, seperti cacat atau tidak cacat atau baik
atau buruk. Rencana tersebut mencakup elemen-elemen berikut:
N : ukuran lot

22
 n : ukuran sampel (dipilih secara acak)
c : jumlah barang cacat yang dapat diterima dalam sampel
d : jumlah sebenarnya dari item yang rusak dalam sampel

 Risiko Produsen dan Konsumen

Ketika acceptance sampling plan dirancang, manajemen menetapkan standar kualitas yang
biasa disebut sebagai Acceptable Quality Level (AQL). AQL mencerminkan kesediaan
konsumen untuk menerima lot dengan sebagian kecil barang cacat. AQL adalah bagian
dari barang cacat dalam lot yang dianggap dapat diterima. Misalnya, AQL mungkin dua
item yang rusak dalam jumlah 500, atau 0,004. AQL dapat ditentukan oleh manajemen
sebagai tingkat yang dapat diterima secara umum di pasar dan tidak akan mengakibatkan
hilangnya pelanggan. Atau, mungkin ditentukan oleh pelanggan individu sebagai tingkat
kualitas yang akan diterimanya. Dengan kata lain, AQL dinegosiasikan.
Probabilitas penolakan lot produksi yang memiliki tingkat kualitas yang dapat diterima
disebut sebagai risiko produsen, yang biasanya dilambangkan dengan simbol Yunani α

Meskipun pelanggan mengharapkan untuk menerima sebagian dari lot ini, ada batasan
jumlah barang cacat yang akan diterima pelanggan. Batas atas ini dikenal sebagai Lot
Tolerance Percent Defective, atau LTPD (LTPD juga umumnya dinegosiasikan antara
produsen dan konsumen). Probabilitas menerima lot di mana fraksi barang cacat melebihi
LTPD disebut sebagai risiko konsumen, yang dilambangkan dengan simbol Yunani .
Dalam jargon statistik, adalah probabilitas melakukan kesalahan tipe II.
Secara umum, pelanggan menginginkan kualitas lot sama baiknya atau lebih baik dari AQL
tetapi bersedia menerima beberapa lot dengan tingkat kualitas tidak lebih buruk dari LTPD.
Seringkali, rencana pengambilan sampel dirancang dengan risiko produsen (α) sekitar 5%
dan risiko konsumen (β) sekitar 10%. Berhati-hatilah untuk tidak bingung dengan AQL
atau dengan LTPD. Jika sama dengan 5% dan sama dengan 10%, maka manajemen
mengharapkan untuk menolak lot yang sebaik atau lebih baik dari AQL sekitar 5% dari
waktu, sedangkan pelanggan mengharapkan untuk menerima lot yang melebihi LTPD
sekitar 10% dari waktu.

I. The Operating Characteristic Curve

Operating characteristic curve adalah grafik yang menunjukkan kemungkinan menerima
banyak untuk tingkat kualitas yang berbeda dengan rencana pengambilan sampel tertentu.
Kurva OC mengukur probabilitas menerima lot untuk tingkat kualitas yang berbeda
(proporsi cacat) dengan ukuran sampel tertentu (n) dan tingkat penerimaan (c). Manajemen dapat
menggunakan grafik seperti itu untuk menentukan apakah rencana pengambilan sampel mereka
memenuhi ukuran kinerja yang telah mereka tetapkan untuk AQL, LTPD, , dan . Dengan demikian,

23
kurva OC menunjukkan kepada manajemen seberapa efektif rencana pengambilan sampel dalam
membedakan (lebih umum dikenal sebagai pembeda) antara lot yang baik dan yang buruk.
Pada Gambar, jika sebuah lot memiliki 3% item yang cacat, probabilitas menerima lot
(berdasarkan rencana pengambilan sampel yang ditentukan oleh kurva OC) adalah 0,95. Jika
manajemen mendefinisikan AQL sebagai 3%, maka probabilitas bahwa lot yang dapat diterima
akan ditolak (α) adalah 1 dikurangi probabilitas menerima lot atau 1 0,95 0,05. Jika manajemen
bersedia menerima lot dengan persentase cacat hingga 15% (yaitu, LTPD), ini sesuai dengan
probabilitas bahwa lot akan diterima (β) sebesar 0,10. Serangkaian ukuran kinerja yang sering
digunakan adalah α = 0,05 dan β = 0,10.

J. Mengembangkan Rencana Sampling dengan OM Tools

Mengembangkan rencana pengambilan sampel secara manual membutuhkan pendekatan
coba-coba yang menggunakan statistikvanalisis. n dan c secara progresif diubah sampai rencana
pengambilan sampel perkiraan diperoleh bahwa memenuhi ukuran kinerja yang ditentukan.
Alternatif yang lebih praktis adalah dengan menggunakan OM Tools. Contoh S3.1 menunjukkan
penggunaan Alat OM untuk mengembangkan rencana pengambilan sampel.
CONTOH :
The Anderson Bottle and China (ABC) Company memproduksi gaya porselen biru
berwarna solid eksklusif untuk jaringan department store besar. Cina mencakup sejumlah item
yang berbeda yang dijual dalam stok terbuka di toko-toko, termasuk cangkir kopi. Mug diproduksi
di banyak 10.000. Ukuran kinerja untuk kualitas mug yang dikirim ke toko membutuhkan
produsen risiko () 0,05 dengan AQL 1% cacat dan risiko konsumen ( ) 0,10 dengan LTPD dari 5%

24
rusak. Perusahaan ABC ingin mengetahui ukuran sampel, n, yang harus diambil dan berapa nomor
penerimaan, c, harus untuk mencapai ukuran kinerja yang diminta dalamrencana pengambilan
sampel.
Solusi :
Spreadsheet OM Tools yang ditunjukkan pada Tampilan S3.1 diatur untuk menentukan perkiraan
rencana pengambilan sampel, n dan c, berdasarkan nilai AQL dan LTPD yang awalnya
dimasukkan ke dalam sel B4 dan B5,masing-masing. Jadi, ketika nilai "0,01" dimasukkan ke
dalam sel B4 dan "0,05" diketik ke dalam sel B5, nilai untuk n "137" dan nilai untuk c "3" dihitung,
seperti yang ditunjukkan dalam sel B10 dan B11. Pada titik ini sel B18 dan B19 dan sel B23 dan
B24 tidak memiliki nilai, dan kurva OC yang menyertainya belum diplot. Setelah nilai untuk n dan
c telah dihitung dalam Tampilan S3.1, nilai-nilai yang sama ini adalah: selanjutnya dimasukkan
ke dalam sel B18 (yaitu, 137) dan B19 (yaitu, 3). Ini menghasilkan perhitungan risiko produsen
aktual dan risiko konsumen yang ditunjukkan dalam sel B23 dan B24, serta OC kurva untuk
rencana pengambilan sampel ini ditampilkan.Rencana pengambilan sampel umumnya merupakan
perkiraan, dan tidak selalu mungkin untuk mengembangkan rencana pengambilan sampel dengan
parameter yang tepat yang telah ditentukan sebelumnya. Misalnya, perhatikan pada spreadsheet
bahwa risiko konsumen yang sebenarnya ( ) adalah 0,0844 bukannya 0,10 seperti yang ditentukan.
Namun, spreadsheet dapat digunakan untuk bereksperimen dengan nilai n dan c yang berbeda
dalam sel B18 dan B19 untuk menentukan apakah nilai yang lebih diinginkan dari dan dapat
dicapai. Rencana pengambilan sampel ini berarti Perusahaan ABC akan memeriksa sampel 137
mug sebelumnya mereka dikirim ke toko. Jika ada 3 atau lebih sedikit mug yang cacat dalam
sampel, perusahaan akan menerima lot produksi dan mengirimkannya ke pelanggan, tetapi jika
jumlah mug cacat lebih besar dari 3 seluruh lot akan ditolak. Dengan rencana pengambilan sampel
ini baik perusahaan atau pelanggan atau keduanya telah memutuskan bahwa proporsi mug cacat
1% (AQL) dapat diterima. Namun, pelanggan telah setuju untuk menerima lot hingga 5% cacat
(LTPD). Dengan kata lain, pelanggan ingin kualitas banyak mengandung tidak lebih buruk dari
1% cacat, tetapi bersedia menerima beberapa lot dengan tidak lebih buruk dari 5% cacat.
Probabilitas bahwa banyak yang mungkin ditolak mengingat itu benar-benar dapat diterima tingkat
kualitas 1% atau kurang adalah 0,05, risiko produsen sebenarnya. Probabilitasnya banyak dapat
diterima karena memiliki lebih dari 5% cacat (LTPD) adalah 0,085, yang sebenarnya resiko
konsumen

25
 K. Average Outgoing Quality (AOQ)
Bentuk kurva karakteristik operasi menunjukkan bahwa banyak dengan persentase cacat
yang rendah memiliki probabilitas tinggi untuk diterima, dan lot dengan persentase cacat yang
tinggi memiliki yang rendah kemungkinan diterima, seperti yang diharapkan. Misalnya,
menggunakan kurva OC untuk rencana pengambilan sampel pada Contoh S3.1 (n 137, c 3) untuk
persentase cacat 0,01, probabilitas lot akan diterima kira-kira 0,95, sedangkan untuk 0,05,
probabilitas menerima lot relatif kecil. Namun, semua lot, diterima atau tidak, akan berlalu pada
beberapa item yang rusak kepada pelanggan. Kualitas keluar rata-rata (AOQ) adalah ukuran dari
jumlah barang cacat yang diharapkan yang akan diteruskan ke pelanggan dengan rencana
pengambilan sampel terpilih.
Ketika banyak yang ditolak sebagai akibat dari rencana pengambilan sampel, diasumsikan
bahwa itu akan dikenakan untuk pemeriksaan lengkap, dan semua item yang rusak akan diganti
dengan yang baik. Juga, bahkan ketika banyak diterima, barang cacat yang ditemukan dalam
sampel akan diganti. Dengan demikian, sebagian dari semua barang cacat yang terkandung dalam
semua lot yang diproduksi akan diganti sebelum barang tersebut diproduksi diteruskan ke
pelanggan. Item cacat yang tersisa yang sampai ke pelanggan terkandung dalam lot yang diterima.
Gambar S3.2 menunjukkan kurva kualitas keluar rata-rata untuk Contoh S3.1
Titik maksimum pada kurva disebut sebagai batas kualitas keluar rata-rata (AOQL). Untuk
contoh kita, AOQL adalah 1,42% rusak ketika proporsi sebenarnya yang rusak dari lot adalah 2%.
Ini adalah tingkat kualitas keluar terburuk yang dapat diharapkan oleh manajemen secara rata-rata,
dan jika ini tingkat dapat diterima, maka rencana pengambilan sampel dianggap dapat diterima.
Perhatikan bahwa sebagai persentase dari cacat meningkat dan kualitas lot memburuk, AOQ
meningkat. Hal ini terjadi karena kualitas lot menjadi lebih buruk, kemungkinan besar lot yang
buruk akan diidentifikasi dan ditolak, dan setiap item yang cacat dalam lot ini akan diganti dengan
yang baik.

26
 L. Double And Multiple Sampling Plans
Dalam rencana pengambilan sampel ganda, sampel kecil diambil terlebih dahulu; jika
kualitasnya sangat bagus, banyak diterima, dan jika sampel sangat buruk, lot ditolak. Namun, jika
sampel awal tidak meyakinkan, sampel kedua diambil dan lot diterima atau ditolak berdasarkan
kombinasi hasil dari kedua sampel tersebut. Tujuan dari prosedur pengambilan sampel seperti itu
adalah untuk menghemat biaya relatif terhadap rencana sampling tunggal. Untuk lot yang sangat
baik atau sangat buruk, sampel yang lebih kecil dan lebih murah akan cukup dan sampel yang
lebih besar dan lebih mahal dihindari.
Rencana pengambilan sampel banyak, juga disebut sebagai rencana pengambilan sampel
berurutan, umumnya menggunakan: ukuran sampel terkecil dari semua rencana pengambilan
sampel yang telah kita diskusikan. Dalam bentuknya yang paling ekstrim, item individual
diperiksa secara berurutan, dan keputusan untuk menerima atau menolak lot didasarkan pada:
jumlah kumulatif barang cacat. Rencana pengambilan sampel ganda dapat menghasilkan sampel
kecil dan, akibatnya, dapat menjadi rencana pengambilan sampel yang paling murah.
Langkah-langkah rencana pengambilan sampel ganda mirip dengan rencana pengambilan
sampel ganda. Sampel awal (yang bisa sekecil satu unit) diambil. Jika jumlah barang yang cacat
lebih sedikit dari atau sama dengan batas bawah, lot diterima, sedangkan jika melebihi batas atas
yang ditentukan, banyak ditolak. Jika jumlah barang cacat berada di antara dua batas, sampel kedua
adalah: diperoleh. Jumlah kumulatif cacat kemudian dibandingkan dengan peningkatan set atas
dan batas bawah, dan aturan keputusan yang digunakan dalam sampel pertama diterapkan. Jika lot
tidak diterima juga tidak ditolak dengan sampel kedua, sampel ketiga diambil, dengan batas
penerimaan/penolakan direvisi ke atas. Langkah-langkah ini diulang untuk sampel berikutnya
sampai lot diterima atau ditolak.

27
 Memilih di antara rencana pengambilan sampel tunggal, ganda, atau ganda adalah
keputusan ekonomi. Kapan biaya untuk mendapatkan sampel sangat tinggi dibandingkan dengan
biaya inspeksi, pengambilan sampel tunggal rencana lebih disukai. Misalnya, jika sebuah
perusahaan minyak bumi sedang menganalisis sampel tanah dari berbagai lokal di seluruh dunia,
mungkin lebih ekonomis untuk mengambil satu sampel besar di Brasil daripada kembali untuk
sampel tambahan jika sampel awal tidak meyakinkan. Sebagai alternatif, jika biaya pengambilan
sampel relatif rendah dibandingkan dengan biaya inspeksi, rencana pengambilan sampel ganda
atau ganda mungkin disukai. Misalnya, jika kilang anggur mengambil sampel botol anggur,
mungkin lebih ekonomis untuk digunakan rencana pengambilan sampel berurutan, mencicipi botol
individu, daripada menguji satu sampel besar yang berisi sejumlah botol, karena setiap botol
sampel, pada dasarnya, dihancurkan. Dalam kebanyakan kasus dikontrol kualitas mana yang
memerlukan pengujian destruktif, biaya inspeksi tinggi dibandingkan dengan biaya pengambilan
sampel

28
 BAB III
PENUTUP

Kesimpulan
Dalam statistical process control kita akan memelajari mengenai dasar-dasar dari statistical
process control atau SPC yang menggunakan kualitas sebagai bagian penting dari manajemen
kualitas. Topik utama dalam statistical quality control adalah statistical process control. Statistical
process control atau SPC adalah prosedur statistik menggunakan diagram kontrol untuk melihat
apakah ada bagian dari proses produksi yang tidak berfungsi dengan baik dan dapat menyebabkan
kualitas yang buruk. SPC digunakan untuk memeriksa dan mengukur proses produksi untuk
melihat apakah terdapat variabilitas dari apa yang seharusnya dilakukan. Jika ada variabilitas yang
tidak biasa atau tidak diinginkan, proses akan dikoreksi sehingga cacat tidak akan terjadi.
Acceptance sampling adalah metode statistik, jadi jika sampel acak, itu memastikan bahwa
setiap item memiliki peluang yang sama untuk dipilih dan diperiksa. Ini memungkinkan
kesimpulan statistik dibuat tentang populasi — lot — secara keseluruhan. Jika sampel memiliki
jumlah atau persentase item cacat yang dapat diterima, lot diterima, tetapi jika memiliki jumlah
cacat yang tidak dapat diterima, sampel ditolak. Pengambilan sampel penerimaan adalah
pendekatan historis untuk kontrol kualitas berdasarkan pada premis bahwa sejumlah item cacat
yang dapat diterima akan dihasilkan dari proses produksi.

29
 DAFTAR PUSTAKA

A.Russel, R.S., & Taylor, B.W. (2019). Operations and Supply Chain Management. John Willey
& Sons

30