INFERENSI , Vol. xx(x), Xxx. 20xx.

ISSN: 0216-308X (Print) 2721-3862 (Online)

Pengendalian Kualitas Kadar Air Pada

Tepung Tapioka di PT. Saritanam
Pratama Ponorogo Jawa Timur
Menggunakan Peta Kendali 𝑿 ̅−𝑺
Deyyana Aulia Hakim 1, dan Prima Ari Wibowo2* Received: 3 October 2022
1
Departemen Statistika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia Revised: 5 October 2022
2
Departemen Statistika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia Accepted: 6 October 2022
*Corresponding author : prima.205003@mhs.its.ac.id

ABSTRAK ⎯ PT. Saritanam Pratama merupakan perusahaan yang bergerak di bidang pembuatan tepung tapioka. Permasalahan
yang dihadapi perusahaan ini adalah kecacatan produk yang disebabkan oleh bahan baku atau campuran bahan lainnya seperti
kadar air, pH SO2, over flow, dan wet pulp . Tujuan penelitian ini adalah untuk menganalisis pengendalian kadar air yang
terkandung di dalam tepung tapioka untuk menjaga kualitas tepung tapioka yang diproduksi. Data yang digunakan adalah data
sekunder presentase kadar air pada tepung tapioka. Data terdiri dari 30 subgrup dan 5 sampel yang terbagi menjadi 2 fase. Pada
pengujian run test didapatkan bahwa data bersifat random. Sedangkan pada normality test diperoleh bahwa data belum
berdistribusi normal. Pada analisis menggunakan peta kendali 𝑿̅ − 𝑺 chart didapat data yang out of control karena berbagai factor
sehingga harus dilanjutkan ke fase 2 dengan menghilangkan data yang out of control. Pengujian data juga dilakukan dengan
analisis kapabilitas proses untuk mengetahui kemampuan system menghasilkan produk yang sesuai spesifikasi. Tahap selanjutnya
dilakukan analisis akar dari penyebab masalah dengan menggunakan diagram ishikawa, meliputi faktor manusia, mesin, material,
metode, dan lingkungan untuk merumuskan usulan perbaikan yang diharapkan dapat meningkatkan mutu kualitas produk.
Kata kunci⎯ Diagram Ishikawa, Kadar Air, Peta Kendali, Statistical Quality Control

ABSTRACT ⎯ PT. Saritanam Pratama is a company engaged in the manufacture of tapioca flour. The problem faced by this
company is product defects caused by raw materials or a mixture of other materials such as water content, pH SO2, over flow, and
wet pulp. The purpose of this study was to analyze the control of water content contained in tapioca flour to maintain the quality of
tapioca flour produced. The data used is secondary data on the percentage of water content in tapioca flour. The data consisted of 30
subgroups and 5 samples which were divided into 2 phases. In the run test, it was found that the data was random. Meanwhile, in
the normality test, it was found that the data were not normally distributed. In the analysis using the X-S chart control chart obtained
data that is out of control due to various factors so that it must be continued to phase 2 by eliminating data that are out of control.
Data testing is also carried out with process capability analysis to determine the system's ability to produce products that meet
specifications. The next step is to analyze the root causes of the problem using an Ishikawa diagram, including human, machine,
material, method, and environmental factors to formulate proposed improvements that are expected to improve product quality.
Keywords⎯ Control Chart, Fishbone Diagram , Statistical Quality Control, Water Level

I. PENDAHULUAN
Dewasa ini persaingan dalam berbisnis atau berusaha sangatlah ketat, hal ini merupakan hal yang tidak bisa
dihindari oleh perusahaan sehingga perusahaan dituntut untuk lebih peka terhadap produknya, baik itu dari segi
kualitas maupun kuantitas. Perusahaan juga harus dituntut dapat memahami dan mengerti dinamika atau perubahan
yang terjadi di pasar khususnya yang terkait dengan pengendalian kualitas suatu produk agar dapat terus bersaing
dengan competitor[1] .
Perilaku pembelian seseorang dapat dikatakan sesuatu yang cukup unik, karena preferensi dan sikap terhadap
objek setiap orang berbeda-beda. Selain itu, konsumen berasal dari beberapa segmen, sehingga apa yang diinginkan dan
dibutuhkan juga pasti berbeda. Masih banyak faktor yang mempengaruhi bagaimana perilaku seseorang dalam membeli
sebuah produk, sehingga dengan ini diharapkan kesigapan para produsen untuk terus memahami perilaku konsumen
terhadap produk yang ada di pasar agar produk tidak kehilangan pangsa pasarnya [2].
Kualitas produk merupakan salah satu faktor yang diperhatikan oleh konsumen dalam membeli dan
menggunakan sebuah produk. Adanya peningkatan pendidikan kemampuan daya beli serta kepedulian konsumen
terhadap nilai gizi telah menggugah kesadaran konsumen akan pentingnya suatu kualitas produk[3]. Kualitas menjadi
faktor dasar yang harus dipahami oleh para produsen, karena hal ini sangat menentukan bagaimana kesuksesan
pemasaran sebuah produk di pasaran. Dengan kualitas yang mumpuni, tentu konsumen merasa puas dengan apa yang
mereka dapatkan.
Perusahaan yang memiliki awareness yang tinggi terhadap kualitas produknya akan selalu memantau
bagaimana perkembangan kualitas produk yang dimiliki. Hal ini disebut juga dengan pengendalian kualitas (quality
control), adalah suatu proses di mana kualitas di jaga agar tetap dalam jangkauan atau standard perusahaan. Usaha
tersebut diharapkan memberikan arahan terhadap komponen-komponen yang digunakan untuk produksi beserta
proporsi-proporsi yang digunakan dalam pembuatannya. Karena ketepatan proporsi komponen dalam suatu produk
sangat menentukan kualitas produk tersebut.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Perbaikan dan peningkatan kualitas dengan menerapkan pengendalian kualitas pada perusahaan akhirnya
akan memberikan sebuah masukan, tidak terbatas pada kualitas produk yang lebih baik, tetapi juga dalam hal
produktivitas yang tinggi akan memberikan suatu dampak pada penekanan biaya yang lebih kecil yang dikeluarkan
oleh perusahaan. Pada dasarnya setiap proses produksi pasti terdapat beberapa kecacatan produksi, baik produksi
menggunakan tenaga manusia ataupun mesin. Namun kembali lagi bahwa perusahaan yang berhasil meminimalkan
suatu kecacatan produksi, maka perusahaan itu lah yang berhasil menekan biaya produksi dan pastinya membawa
keuntungan yang lebih besar.
Demikian juga yang dialami oleh PT. Saritanam Pratama ini, pada proses produksi tepung tapioka sudah pasti
pernah mengalami kecacatan dalam produksinya. Baik itu dari segi bahan bakunya, atau proporsi campuran bahannya.
Dalam penelitian kali ini, kami hanya berfokus kepada kadar air yang terkandung di dalam tepung tapioka. Sehingga
dengan melakukan pemantauan kualitas melalui kadar air, perusahaan dapat lebih memahami bagaimana kadar air
yang baik untuk memproduksi tepung tapioka yang digemari konsumen. Oleh karena itu, kami ingin menganalisis
bagaimana pengendalian kadar air yang terkandung di dalam tepung tapioka untuk menjaga kualitas tepung tapioka
yang diproduksi oleh PT. Saritanam Pratama.

II. TINJAUAN PUSTAKA

A. Pengendalian Kualitas
Pengertian pengendalian kualitas adalah usaha untuk mempertahankan mutu/kualitas dari barang yang
dihasilkan agar sesuai dengan spesifikasi produk yang telah ditetapkan berdasarkan kebijaksanaan pimpinan
perusahaan. Pengendalian kualitas secara statistik (Statistical Quality Control) merupakan suatu sistem untuk menjaga
standar dari kualitas hasil produksi pada tingkat biaya minimum yang didesain untuk mengevaluasi kualitas ditinjau
dari kesesuaian dengan spesifikasinya.
Pengendalian kualitas proses stastistik (Statistical Process Control) merupakan teknik penyelesaian masalah yang
digunakan sebagai pemonitor, pengendali, penganalisis, pengelola dan memperbaiki proses menggunakan metode-
metode statistik agar dapat membuat produk sesuai dengan spesifikasi sejak dari awal proses hingga akhir proses.
Sasaran pengendalian proses statistik terutama adalah mengadakan pengurangan terhadap variasi atau kesalahan-
kesalahan proses[4].
B. Karakteristik Data
Dalam melakukan suatu observasi dibutuhkan data-data yang accountable. Data yang baik apabila diolah maka
akan menghasilkan informasi yang berguna atau bermanfaat. Data adalah sekumpulan fakta, angka atau segala
sesuatu yang dapat dipercaya kebenarannya sehingga dapat digunakan sebagai referensi dalam mengambil
keputusan. Data seringkali kita jumpai dalam kegiatan penelitian baik itu penelitian kualitatif maupun penelitian
kuantitatif. Data bisa berupa angka, kata-kata, gambar, video, audio, atau lainnya. Dua jenis data yang akan dibahas
adalah data primer dan data sekunder.
1. Data Primer
Data primer adalah data yang diambil atau diperoleh dari sumber utama, artinya peneliti langsung memperoleh
data tersebut melalui partisipasi aktifnya atau bisa juga disebut sebagai tangan pertama. Data primer bisa
bersumber dari beberapa cara seperti wawancara, eksperimen langsung, survei, membagikan kuesioner, dan
lainnya. Data primer umumnya bersifat sebagai data utama yang mana keberadaan data primer ini digunakan
untuk menyelesaikan permasalahan [5].
2. Data sekunder
Data Sekunder merupakan data yang diambil dari pihak yang telah mengumpulkan data sebelumnya, dengan
kata lain peneliti dapat disebut sebagai tangan kedua atau lebih, Penggunaan data sekunder dapat digunakan
sendiri atau dapat pula digunakan sebagai data pendukung dalam penelitian.

C. Statistika Deskriptif
Statistika deskriptif bisa dikenal juga sebagai statistik deduktif, artinya statistika yang tingkat kegunaannya
mencakup cara-cara mengumpulkan data, menyusun atau mengatur data, mengolah data, menyajikan data dan
menganalisis data angka. Dalam hal ini agar bisa memberikan gambaran yang teratur, ringkas dan jelas, mengenai
keadaan, peristiwa atau gejala tertentu sehingga dapat ditarik pengertian atau makna tertentu[6].
Statistik deskriptif menjadi bagian cabang yang terpenting dari ruang lingkup statitsik, karena dapat digunakan
secara terus menerus dalam bidang ekonomi, bisnis ataupun yang lain. Statistik deskriptif merupakan sekumpulan
prosedur dasar atau sebagai metode dalam beberapa hal berikut ini :
1) Mengumpulkan data
2) Mengorganisasikan data
3) Menyajikan data

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

4) Menganalisis data
5) Menginterpretasikan data
D. Pengujian Asumsi
Asumsi-asumsi yang digunakan dalam pengendalian kualitas antara lain uji asumsi keacakan, dan uji asumsi
distribusi normal. Berikut adalah penjelasan dari masing-masing pengujian asumsi tersebut.
1. Uji Keacakan Data (Runs Test)
Uji Runs atau bisa disebut uji sampel rangkaian tunggal untuk memeriksa keacakan, pada prinsipnya ingin
mengetahui apakah suatu rangkaian kejadian, hal atau simbol merupakan hasil proses yang acak (random),
dalam arti tidak direncanakan terlebih dahulu, atau tidak membuat sebuah pola tertentu[7].
Uji Runs terdiri atas serangkaian data pengamatan yang dicatat bedasar perolehannya dan bisa dikategorikan
dalam dua kelompok yang saling eksklusif. Jika yang satu terjadi, yang lain tidak mungkin terjadi juga, seperti
jika hasil positif tidak mungkin berbarengan dengan hasil negatif.
𝐻0 : Data pengamatan telah diambil secara acak dari suatu populasi
𝐻1 : Data pengamatan tidak diambil secara acak dari suatu populasi
Daerah Kritis : Tolak H0, jika bawah r  r atau atas r  r dari tabel nilai kritis untuk runtun r dengan n 1 dan n2
Keterangan :
n1: banyak data bertanda (+) atau huruf tertentu
n2 : banyak bertanda (-) atau huruf lainnya
Statistik Uji :
r = banyak runtun yang terjadi
atau
𝐻0 : Data pengamatan telah diambil secara acak dari suatu populasi
𝐻1 : Data pengamatan tidak diambil secara acak dari suatu populasi
Taraf Signifikan :  = 0.05
Daerah Kritis : Tolak H0, jika 𝑍ℎ𝑖𝑡 < −𝑍𝛼 dan 𝑍ℎ𝑖𝑡 > 𝑍𝛼
2 2
Statistik Uji :
2𝑛1 𝑛2
𝑟 = +1
𝑛
2𝑛1 𝑛2 (2𝑛1 𝑛2 − 𝑛)
𝜎𝑟 = √
𝑛2 (𝑛 − 1)
𝑛𝑟 − 𝜇𝑟
𝑧=
𝜎𝑟
Keterangan :
n1 = banyaknya lambang 1 dalam sampel
n2 = banyaknya lambang 2 dalam sampel
n = banyak data
nr = banyaknya Run(s)
r = rata-rata
r = standar deviasi

2. Uji Normalitas
Asumsi distribusi normal dengan metode uji Kolmogorov-Smirnov adalah uji yang digunakan untuk
mengetahui apakah data berdistribusi normal. Uji ini dilalukan dengan membandingkan fungsi distribusi normal
kumulatif {𝐹0 (𝑋)} dengan fungsi distribusi empirik dari sampel {𝑆𝑛 (𝑋)}. Asumsi Uji Kolmogorov-Smirnov adalah
data terdiri atas hasil-hasil pengamatan bebas x1, x2, x3,……, xn yang merupakan sebuah sampel acak berukuran n
dari suatu fungsi distribusi yang belum diketahui dan dinyatakan dengan 𝐹(𝑋) [8]. Hipotesis dari pengujian ini
adalah sebagai berikut.
Hipotesis :
𝐻0 : F(x) = F0(x) untuk semua nilai x
𝐻1 : F(x) ≠ F0(x) minimal ada satu nilai x
Daerah Kritis : Tolak 𝐻0 pada taraf nyata  jika D lebih besar dari kuantil 1- yang terdapat dalam tabel kuantil-
kuantil statistik uji kolmoogorov-smirnov.
Statistik Uji :
𝐷 = 𝑆𝑢𝑝𝑥 |𝐹𝑛 (𝑋) − 𝐹0 (𝑋)|

E. Peta Kendali Variabel

Peta kendali variabel adalah peta kendali yang digunakan untuk pengendalian karakteristik mutu yang dapat
dinyatakan secara numerik. Peta kendali variabel terdiri atas dua yaitu peta kendali variabel 𝑥̅ − 𝑅 dan peta kendali
variabel 𝑥̅ − 𝑠. Berikut akan dijelaskan peta kendali variabel 𝑥̅ − 𝑠.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Peta kontrol 𝑥̅ (rata-rata) dan S (Standar Deviasi) digunakan untuk memantau proses yang mempunyai
karakteristik berdimensi kontinu, sehingga peta kontrol 𝑋̅ dan S sering disebut sebagai peta kontrol variabel. Peta
kontrol 𝑋̅ menjelaskan tentang apakah perubahan-perubahan telah terjadi dalam ukuran titik pusat atau rata-rata
dari suatu proses. Peta kontrol S digunakan untuk mengukur tingkat keakurasian suatu proses. Langkah-langkah
pembuatan peta 𝑋̅ dan S sebagai berikut [9].
1. Tentukan ukuran subgroup (n=3,4,5,…).
2. Tentukan banyaknya subgroup (m) sedikitnya 20 subgrup.
3. Hitung nilai rata-rata dari setiap subgroup, yaitu 𝑋̅
4. Hitung nilai rata-rata seluruh X yang akan menjadi center line dari peta kendali X
5. Hitung simpangan baku dari setiap subgroup yaitu S
∑(𝑥1 − 𝑥)2
𝑠=√
𝑛−1
6. Hitung nilai rata-rata dari seluruh S yang akan menjadi center line dari peta kendali s.
7. Hitung batas kendali dari peta kendali S menggunakan rumus.
UCL = B4𝑠̅
CL = 𝑠̅
LCL = B3𝑠̅
8. Hitung batas kendali dari peta kendali X menggunakan rumus.
UCL = 𝑥̿ + 𝐴3 𝑠̅
CL = 𝑠̅
LCL = 𝑥̿ −𝐴3 𝑠̅
9. Plot data S serta amati data berada dalam batas kendali atau tidak. Jika iya lanjut plot data 𝑋̅ dan S dengan
menghilangkan penyebab peta tidak terkendali.

F. Analisis Kapabilitas Proses

Kapabilitas proses didefinisikan sebagai kemampuan proses untuk memproduksi atau menyerahkan output
sesuai dengan kebutuhan pelanggan. Proses kapabilitas merupakan suatu kinerja kritis yang menunjukkan proses
mampu menghasikan sesuai dengan spesifikasi produk yang ditetapkan oleh manajemen berdasarkan kebutuhan
pelanggan. Keberhasilan implementasi program peningktan kualitas six sigma ditunjukkan melalui peningkatan
kapabilitas proses dalam menghasilkan produk menuju tingkat kegagalan nol (zero defect). Oleh karena itu konsep
perhitungan kapabilitas proses (Cpm) sangat penting dalam implementasi six sigma. Kapabilitas proses dapat
menggambarkan keadaan proses per stasiun kerja atau keadaan proses suatu manufaktur tergantung pada kondisi
apa kapabilitas tersebut dikukur, sehingga dari kapabilitas proses tersebut dapat dianalisis penyebab dimulai dari
yang paling dominan dan mudah diperbaiki hingga tidak ada lagi ketidaksesuaian. Indeks kapabilitas proses
digunakan untuk mengukur sampai tingkat mana ouput proses berada pada nilai spesifikasi target kualitas (T) yang
diinginkan pelanggan. Semakin tinggi nilai kapabilitas proses (Cpm) menunjukkan bahwa output proses semakin
mendekati target kualitas yang diinginkan[10].
Data adalah catatan tentang sesuatu, baik yang bersifat kualitatif maupun kuantitatif yang dipergunakan sebagai
petunjuk untuk bertindak. Dalam konteks pengendalian proses statistical dikenal dua jenis data, yaitu:

a. Data atribut merupakan data kualitatif yang dihitung menggunkaan daftar pencacahan atau tally untuk keperluan
pencacatan dan analisis. Data atribut bersifat diskrit. Jika suatu catatan hanya merupakan suatu ringkasan atau
klasifikasi yang berkaitan dengan sekumpulan persyaratan yang telah ditetapkan, maka catatan itu disebut
sebagai “atribut”. Contoh data atribut karakteristik kualitas adalah ketiadaan label pada kemasan produk,
kesalahan proses admistrasi buku tabungan nasabah, banyaknya jenis cacat pada produk. Data atribut dieproleh
dalam bentuk unit-unit nonkomformans atau ketidaksesuaian atau cacat/kegagalan terhadap spesifikasi kualitas
yang ditetapkan.
b. Data variabel merupakan data kuantitatif yang diukur menggunakan alat pengukuran tertentu untuk keperluan
pencatatan dan analisis. Data variabel bersifat kontinyu. Jika suatu catatan dibuat berdasarkan keadaan actual,
diukur secara langsung, maka karakteristik kualitas yang diukur itu disebut sebagai variabel. Contoh data
variabel karakteristik kualitas adalah diameter pipa, ketebalan produk kayu lapis, berat semen dalam kantong,
dll. Ukuran-ukuran berat, panjang, lebar, tinggi, diameter, volume merupakan data variabel.
Indikator keberhasilan program peningkatan six sigma dapat dilihat dari indeks nilai Cpm yang semakin
meningkat dari waktu ke waktu. Dalam peningkatan kualitas six sigma, digunakan aturan sebagai berikut:
a. Cpm ≥ 2, maka proses dianggap memenuhi target spesifikasi kualitas pelanggan dan dianggap kompetitif.
b. 1,00 ≤ x ≤ 1,99 maka proses dianggap cukup mampu, namun perlu upaya untuk peningkatan menuju tingkat
kegagalan nol.
c. Cpm ≤ 1, maka proses dianggap tidak mampu untuk mencapai target kualitas tidak kompetitif untuk bersaing
dipasaran global.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Adapun rumus perhitungan kapabilitas proses sebagai berikut:

1. Untuk 2 batas spesifikasi
𝑈𝑆𝐿 − 𝐿𝑆𝐿
𝐶𝑝𝑚 = 6
√(𝜇 − 𝑇)2 + 𝜎 2
2. Indeks perfomansi kane Indeks perfomansi kane digunakan untuk merefleksikan kedekatan nilai rata-rata dari
proses saat ini terhadap salah satu batas. Adapun rumusnya sebagai berikut :
𝑈𝑆𝐿−𝑥̅ 𝑥̅ −𝐿𝑆𝐿
𝐂𝐩𝐤 = 𝐦𝐢𝐧𝐢𝐦𝐮𝐦 [ , ]
3𝜎
̂ 3𝜎
̂
3. Indeks kapabilitas proses
𝐶𝑝𝑘
𝐶𝑝𝑚𝑘 =
̅
√1 + (𝑋 − 𝑇 )2
𝑆
Keterangan :
USL = batas atas spesifikasi
LSL = batas bawah spesifikasi
T = target
𝑋̿ = rata-rata mean proses

G. Diagram Sebab Akibat

Diagram Ishikawa merupakan suatu alat visual untuk mengidenfikisasi dan menggambarkan secara detail
semua penyebab yang berhubungan dengan suatu permasalahan. Kategori penyebab permasalahan yang digunakan
meliputi material, machine and equipment, man, methods, dan environment [9]. Langkah-langkah membuat diagram
ishikawa.
1. Membuat kerangka diagram ishikawa.
2. Merumuskan masalah utama.
3. Mencari faktor-faktor utama yang berpengaruh atau berakibat pada permasalahan.
4. Menemukan penyebab untuk masing-masing kelompok penyebab masalah.
5. Menggambarkan dalam diagram Ishikawa

III. METODOLOGI PENELITIAN

A. Sumber Data
Data yang kami gunakan berupa data sekunder yang kami dapat dari Tugas Akhir tahun 2001 milik Yuliana
Mega Sari mahasiswa Universitas Islam Indonesia yang berjudul “ANALISIS PENERAPAN PENGENDALIAN
KUALITAS TERPADU ( Studi Kasus pada PT. Saritanam Pratama Ponorogo Jawa Timur )”. Kami mencari dan
mengakses data tersebut pada hari Jumat tanggal 30 September 2022. Data yang kami peroleh adalah data tentang
karakteristik yang dibentuk dari hasil proses produksi tepung tapioka sesuai dengan standar yang ditetapkan oleh
customer Pabrik Kertas Twiji Kimia. Adapun karakteristik yang penting untuk dikendalikan adalah :
a. Kadar Air
Berupa jumlah air yang dikandung oleh tepung tapioka. Kadar air penting untuk dikendalikan karena
mempengaruhi kualitas tepung itu sendiri. Adapun spesifikasi kadar air yang ditentukan customer adalah
kurang dari 14%.
b. Warna
Merupakan kenampakan tepung yang dilihat oleh mata, hal ini perlu dikendalikan karena warna
berpengaruh pada warna kertas yang dihasilkan.
c. pH
Berguna untuk menentukan tingkat keasaman dari tepung, pH yang ditetapkan adalah lebih dari 5,5.
d. Residu Screen
Berguna untuk menentukan kehalusan tepung. Spesifikasi yang ditetapkan yaitu kurang dari 0,02%.
e. Kadar Abu
Merupakan serat atau fiber yang mempengaruhi pati yang dihasilkan dengan spesifikasi sekitar 0,15%.
Dari keempat variabel di atas, kami memutuskan untuk menganalisis kadar air saja karena keterbatasan
kondisi tertentu. Sehingga kami menggunakan data kadar air untuk menganalisis pengendalian kandungan
air pada tepung tapioka agar selalu memenuhi standar kualitas yang diinginkan konsumen.

B. Variabel Penelitian
Variabel penelitian yang kami gunakan yaitu kadar air, di mana variabel tersebut menggambarkan seberapa
banyak kandungan air yang terdapat pada tepung tapioka. Satuan yang dipakai pada data yang kami dapatkan
adalah persen (%), sehingga data tersebut menggambarkan persentase kandungan air yang ada pada tepung
tapioka. Pada variable kadar air terdapat batasan spesifikasi yang ditentukan oleh konsumen yaitu :

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

𝐿𝑆𝐿 = 0%
𝑈𝑆𝐿 = 14%
Dengan pembagian 2 fase sebagai berikut :
a. Fase 1
Pada fase 1 kami menggunakan data berukuran 20 subgrup dan 5 sampel
b. Fase 2
Pada fase 2 kami menambahkan data sebanyak 10 subgrup dan 5 sampel

C. Struktur Data
Adapun struktur data yang kami gunakan adalah sebagai berikut berdasarkan pembagian pada fasenya :
1. Fase 1
Tabel 1. Struktur Data Presentase Kadar Air pada Produksi Tepung Tapioka
Sampel 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5
1 𝑋1,1 . . . 𝑋1,5
. . . .
. . . .
. . . .
20 𝑋20,1 . . . 𝑋20,5

2. Fase 2
Sampel 𝑋1 𝑋2 𝑋3 𝑋4 𝑋5
1 𝑋1,1 . . . 𝑋1,5
. . . .
. . . .
. . . .
10 𝑋10,1 . . . 𝑋10,5

Seperti yang tertera pada table di atas, analisis data dibagi menjadi dua bagian yaitu fase 1 dan 2 yang di mana
proporsinya 20 observasi pada fase 1 dan 10 observasi di fase 2. Sehingga total data yang kami ambil dari referensi
adalah berjumlah 30 observasi dengan sampel sebanyak 5

D. Langkah Analisis
Pada penelitian kali ini dengan metode pengendalian kualitas menggunakan control chart 𝑋̅ − 𝑆 terdapat
langkah-langkah analisis sampai proses dapat dikatakan kapabel dan memenuhi kendali ( in control ), adapun
langkah-langkahnya adalah sebagai berikut :
a. Melihat Karakteristik Data
Untuk melihat bagaimana karakteristik data yang ada, dapat menggunakan metode statistika deskriptif untuk
melihat bagaimana persebaran data, variasi, standar deviasi, kemiringan, dan kelancipan data yang dimiliki.
Alih-alih memproses data dalam bentuk mentahnya, analisis Statistika Deskriptif dapat mewakili dan
menafsirkan data lebih efisien melalui perhitungan numerik, grafik, atau tabel.
b. Melakukan Uji Keacakan Data ( Runs Test )
Salah satu asumsi yang digunakan pada proses ini adalah data merupakan data random atau acak, sehingga
untuk melihat apakah data random atau tidak dapat digunakan Uji Runs. Uji Runs digunakan untuk menguji
hipotesis deskriptif ( satu sampel ), bila skala pengukurannya ordinal maka Run test dapat digunakan untuk
mengukur urutan suatu kejadian. Pengujian dilakukan dengan cara mengukur kerandoman populasi yang
didasarkan atas data hasil pengamatan melalui sampel. Pengamatan dilakukan dengan mengukur banyaknya
“run” dalam suatu kejadian, run dapat diartikan perubahan data[11].
c. Melakukan Uji Normalitas Data
Selain asumsi proses data harus random, asumsi lainnya yaitu data bersitribusi normal~IIDN(0,1). Untuk
mengetahui apakah data berdistribusi normal atau tidak, maka dapat dilakukan uji normalitas. Namun jika
ternyata pada modul kali ini jika data tidak berdistribusi normal, data tetap diasumsikan berdistribusi normal.
d. Membuat Peta Kendali 𝑋̅ − 𝑆
Peta kendali 𝑋̅ − 𝑆 adalah peta kendali untuk melihat apakah variabilitas proses terkendali secara statistik atau
belum dengan pendekatan standar deviasi. Dengan menggunakan peta kendali S kita dapat memecahkan
masalah dan menghasilkan perbaikan kualitas.
e. Membuat Analisis Kapabilitas Proses
Analisis kapabilitas proses adalah analisis lebih lanjut untuk melihat apakah proses tersebut kapabel atau tidak
dalam memenuhi keinginan atau spesifikasi dari konsumen. Dalam melakukan analisis kapabilitas proses,
asumsi yang harus dipenuhi yaitu karakteristik kualitas berdistribusi normal dan proses telah terkendali secara
statistik (peta kendali 𝑋̅ − 𝑆)
f. Membuat Diagram Ishikawa (Fishbone)

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Diagram ishikawa adalah diagram yang berisi kemungkinan-kemungkinan akar masalah penyebab dari suatu
permasalahan,di mana dengan adanya ishikawa suatu organisasi atau pihak tertentu dapat melihat lebih
spesifik apa yang menjadi akar masalah dan dapat lebih fokus memperbaiki akar masalah tersebut.

IV. HASIL DAN PEMBAHASAN

A. Karakteristik Data
Langkah awal analisis seperti yang dijelaskan pada subbab sebelumnya yaitu melihat karakteristik data
yang kami miliki. Dengan menggunakan software Minitab untuk statistika deskriptif pada data sampel kadar air ,
didapatkan output sebagai berikut :
Tabel 2. Hasil Perhitungan Statistika Deskriptif
Statistika Deskriptif Variabel Kadar Air
N Mean Min Q1 Median Q2 Max Modus Skewness Kurtosis
100 12,663 10,35 12,565 12,81 12,998 13,9 12,96 -1,92 4,51

Berdasarkan output yang dihasilkan Minitab 19, didapat karakteristik dari data sampel kadar air yang di
mana memiliki nilai rata-rata 12,663, median 12,810, dan modus 12,96. Dapat dilihat nilai dari mean, median, dan
modusnya berdeketan yang di mana merupakan ciri-ciri data berdistribusi normal jika dilihat melalui nilai mean,
median, dan modusnya. Namun untuk lebih pasti lagi dapat digunakan Uji Normalitas untuk mengecek apakah
data benar-benar berdistribusi normal atau tidak. Terlihat jika data mengalami kemiringan negative senilai 1,92.
Hal tersebut juga dapat diketahui melalui nilai mean, median, dan modus. Jika nilai mean < median < modus, maka
dapat dikatakan data mengalami skewness negative. Dapat dilihat bahwa memang 12,663 < 12,810 < 12,96 yang
menandakan data mengalami skewness negative, berarti teori tersebut sesuai adanya. Jika dilihat Batasan
spesifikasi dari konsumen yang di bawah 14%, terlihat dari data tidak ada yang melewati batas spesifikasi
konsumen karena data terbesar hanya bernilai 13,9. Jika melihat nilai kurtosisnya, data kadar air memiliki nilai
keruncingan sebesar 4,51 dimana nilai satuan kurtosis yang > 3 disebut dengan lepto kurtic atau sangat runcing,
hal ini menandakan variansi data sangat rendah.

B. Analisis Runs Test

Seperti yang disebutkan pada subbab sebelumnya, pada proses pengendalian kualitas data yang digunakan
haruslah data random, hal ini agar tidak ada indikasi data saling berpengaruh satu sama lainnya. Salah satu cara
untuk melihat apakah data random atau tidak yaitu dengan menggunakan Uji Runs ( Uji Keacakan ). Dengan
menggunakan software Minitab 19, Runs Test untuk mengecek apakah data kadar air tersebut random atau tidak
menghasilkan output sebagai berikut :
Tabel 3. Hasil Nilai K Run Test Kadar Air

Statistika Deskriptif Runs Test

N K <= K >K

150 12,6022 47 103

Berdasarkan output di atas, dapat kita ketahui bahwa k adalah nilai rata-rata sampel yang bernilai 12,6. Banyak
data yang kurang dari 12,6 terdapat 47 data, sedangkan sisanya bernilai lebih dari 12,6. Untuk ujinya sendiri sebagai
berikut :
Tabel 4. Hasil Nilai P-Value Run Test Kadar Air
Number of Runs

Observed Expected P-value

62 65,55 0,499

Berdasarkan Runs Test hasil output Minitab 19, dideklarasikan hipotesis awal adalah data random dan hipotesis
alternatif data tidak random. Dengan menggunakan nilai alfa sebesar 0,05, maka dapat ditarik keputusannya bahwa
gagal tolak 𝐻0 karena nilai p-value > alfa yaitu 0,499 > 0,05. Sehingga kesimpulan yang didapat bahwa data kadar
air yang kami gunakan merupakan data random atau data yang tidak memiliki pengaruh satu sama lainnya.
Dengan kesimpulan tersebut, asumsi data random telah terpenuhi.

C. Analisis Uji Normalitas

Pengujian distribusi normal digunakan untuk mengetahui apakah data kandungan kadar air berdistribusi
normal atau tidak. Berikut adalah hasil uji distribusi normal pada data kandungan kadar air menggunakan uji
kolmogorov smirnov.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Gambar 1. Diagram Uji Nomralitas Kadar Air

Gambar 1. tersebut menunjukkan bahwa nilai KShit sebesar 0,208 lebih besar dari KS(0,95,100) sebesar 0,134, dengan
didukung nilai Pvalue sebesar <0,01 lebih kecil daripada taraf signifikan sebesar 0,05 maka dapat diambil keputusan
tolak 𝐻0 artinya data kandungan kadar air tidak berdistribusi normal. Selain secara pengujian juga dilakukan secara
visual yaitu sebagai berikut. Gambar 1. menunjukkan bahwa plot menyebar tidak merata pada daerah garis linier
dan masih terdapat beberapa outlier yang berarti data kandungan kadar air tidak berdistribusi normal. Namun,
pada analisis ini kita asumsikan bahwa data berdistribusi normal untuk melakukan perhitungan analisis
berikutnya.

D. Analisis Control Chart 𝑋̅ − 𝑆

Analisis control chart 𝑋̅ − 𝑆 pada penelitian kali ini terdapat 2 fase, di mana fase 1 menggunakan data sebanyak
20 subgrup dan 5 sampel, pada fase ini akan dilihat apakah dari 20 data tersebut terdapat data yang out of control
dari batas kendali atau tidak. Jika ada data yang diluar batas kendali, Langkah selanjutnya yaitu menghilangkan
data tersebut, tetapi dalam menghilangkan data ada beberapa hal yang harus dipertimbangkan. Pertama, dalam
menghilangkan data lebih baik satu per satu, tidak sekaligus dihilangkan. Kedua, hilangkan data yang paling jauh
terlebih dahulu dari batas kendali. Ketiga, menghilangkan data mengacu pada S chart terlebih dahulu, setelah pada
S chart tidak ada data yang diluar batas kendali, 𝑋̅ chart digunakan sebagai acuan.

1. Analisis Control Chart 𝑋̅ − 𝑆 Fase 1

Analisis peta kendali 𝑋̅ − 𝑆 pada fase 1 menggunakan data sebanyak 20 observasi dihasilkan output Minitab
sebagai berikut :

Gambar 2. Peta Kendali 𝑋̅ − 𝑆 Sampel untuk Kadar Air

Berdasarkan grafik di atas, dapat diketahui bahwa pada S chart terdapat 2 data yang diluar batas kendali.
Data ke 7 dan 11 diluar batas kendali karena itu data masih perlu diproses lagi agar proses incontrol, dan yang
terjauh adalah data ke 7 sehingga perlu dihapus untuk data ke 7. Begitu data ke 7 dihapus, UCL, CL, dan LCL
akan menyesuaikan dengan ukuran data yang baru, sehingga menghasilkan output grafik sebagai berikut :

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

Gambar 3. Peta Kendali 𝑋̅ − 𝑆 Sampel Setelah Penghapusan Data ke-7

Setelah data ke 7 dihilangkan, hasil dari S chart masih tetap ada data yang diluar batas kendali yaitu data
ke 5 dan 10, dengan data ke 10 yang terjauh dari batas kendali. Oleh karena variabilitas proses masih belum
incontrol, maka dapat dilakukan Kembali penghapusan dengan menghapus data ke 10. Penghapusan ini akan
mengubah lagi batas-batas kendali menyesuaikan dengan perubahan dimensi data.

Gambar 4. Peta Kendali 𝑋̅ − 𝑆 Sampel Setelah Penghapusan Data ke-10

Setelah data ke 10 dihapus, jika dibuat Kembali grafik S chartnya dengan menyesuaikan perubahan
dimensi datanya, masih terdapat data yang diluar batas kendali, tetapi kali ini hanya terdapat satu data saja
yang diluar batas kendali pada S chart. Oleh karena itu dengan menggunakan cara yang sama seperti
sebelumnya, data ke 5 dihapus untuk mencapai variabilitas proses yang incontrol. Perubahan data dapat dilihat
berikut ini.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

10

Gambar 5. Peta Kendali 𝑋̅ − 𝑆 Sampel Setelah Penghapusan Data ke-5

Setelah melakukan penghapusan data ke 5, jika dilihat pada S chart masih terdapat data yang diluar batas
kendali, yakni data ke 17. Hal tersebut membuat proses masih belum terkendali secara statistik, dan tidak bisa
lanjut ke langkah selanjutnya. Oleh karena itu maka data yang diluar batas kendali harus dihapus dengan
menggunakan cara yang sama seperti penghapusan sebelumnya. Hasil dari penghapusan data ke 17 adalah
sebagai berikut :

Gambar 6. Peta Kendali 𝑋̅ − 𝑆 Sampel Setelah Penghapusan Data ke-17

Setelah data ke 17 dihapus, jika dilihat apda S chart tidak ada data yang diluar batas kendali lagi. Namun
seperti teori di atas, setelah S chart in control, kita perlu melihat apakah 𝑋̅ chart juga incontrol. Jika dilihat dari
hasil outputnya, 𝑋̅ masih belum in control karena terdapat data yang diluar batas kendali yaitu data ke 2, oleh
karena itu maka data ke 2 perlu dihapus dan menghasilkan perubahan sebagai berikut :

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

11

Gambar 7. Peta Kendali 𝑋̅ − 𝑆 Sampel Setelah Penghapusan Data ke-2

Setelah data ke 2 dihapus, jika melihat kedua grafik baik grafik S maupun grafik 𝑋̅, data tidak ada yang
diluar batas kendali. Oleh karena itu dapat dikatakan sekarang bahwa variabilitas proses sudah terkendali
secara statistik atau incontrol. Sehingga dengan itu analisis dapat dilanjutkan ke fase 2 yaitu dengan
menambahkan data sebanyak 10 subgrup.

2. Analisis Control Chart 𝑋̅ − 𝑆 Fase 2

Setelah pada fase 1 proses sudah terkendali secara statistik, maka dilanjutkan ke fase 2 dengan
menambahkan 10 data yang bertujuan untuk melihat apakah terdapat pergeseran proses variabilitas jika
terdapat data baru. Tetapi berbeda dengan sebelumnya, di mana jika data berubah maka batas kendali
menyesuaikan. Pada tahap kali ini tidak menyesuaikan perubahan datanya, melainkan tetap menggunakan
batas kendali dari data terakhir di fase 1 pada saat incontrol, sehingga menghasilkan output sebagai berikut :

Gambar 8. Peta Kendali 𝑋̅ − 𝑆 Sampel Fase 2

Setelah penambahan 10 data dan dengan menggunakan batas kendali terakhir pada fase 1, dapat dilihat
pada grafik ternyata terdapat data yang diluar batas kendali, baik di S chart maupun 𝑋̅ chart. Sehingga hal ini
menandakan bahwa terjadi pergeseran proses karena terdapat data observasi yang berada diluar batas kendali
( out of control ). Untuk meningkatkan kualitas dari produk, dapat dilanjutkan menganalisis kapabilitas proses
yang sudah dijalankan dari awal sampai saat ini, hal ini bertujuan untuk mengetahui apakah proses kapabel
atau tidak.

E. Analisis Kapabilitas Proses

Variabel kadar air memiliki batasan spesifikasi dari konsumen yaitu batas atas sebesar 14% dan batas bawah
sebesar 0%. Dengan menggunakan software Minitab dapat dihasilkan output sebagai berikut.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

12

Gambar 9. Analisis Kapabilitas Sampel untuk Kadar Air

Dari hasil analisis kapabilitas proses pada gambar diatas didapatkan nilai Cp 4,45 > Cpk 0,84 yang berarti rata-
rata proses tidak berada di tengah-tengah sepsifikasi produk. Lalu nilai Cp yaitu 4,45 > 1,33 yang di mana proses
ini dianggap kapabel atau mampu dalam memenuhi spesifikasi target kualitas atau kapabilitas proses tinggi.
Sedangkan untuk indeks Cpk yaitu 0,84<1,33 hal ini menunjukkan bahwa kandungan kadar air tidak mampu
menghasilkan produk yang sesuai dengan spesifikasi. Maka dari itu, dapat diinterpretasikan bahwa kapabilitas
proses kurang baik dengan kemungkinan sistem menghasilkan proses out of specification sebesar 6088,61 ppm.
Oleh karena itu, perlu dilakukan peningkan kualitas untuk menuju target yang diinginkan dengan mengetahui apa
penyebab dari tidak kapabelnya proses tersebut.

F. Analisis Diagram Sebab Akibat

Untuk melihat permasalahan atau sebab dari kurang maksimalnya proses, dapat menggunakan diagram sebab
akibat ( Fishbone ). Dengan diagram ini harapannya dapat mengatasi masalah dengan lebih spesifik. Berikut adalah
output diagram sebab akibat.

Gambar 10. Diagram Ishikawa untuk Kadar Air

Adapun penjelasan mengenai gambar diagaram fishbone di atas adalah sebagai berikut.
1. Faktor manusia
Dalam proses produksi tenaga kerja sangat berpengaruh, apabila tenaga kerja kurang dapat menguasai
pekerjaannya, maka akan berdampak pada hasil produksi produk yang dihasilkan. Campur tangan manusia
dalam produksi ini adalah dalam proses ketelitian, keterampilan dan kesadaran mutu karena mesin ini
berjalan secara otomatis. Ketika pekerja tidak diawasi dan kurang teliti maka akan membuat mesin tidak dapat
bekerja seperti seharusnya, sehingga mempengaruhi hasil produksi dari tepung tapioka itu sendiri.

2. Faktor Mesin
Penyebab permasalahan yang ditinjau dari segi machine adalah pemeliharaan mesin, penyetelan
mesin, dan kesiapan mesin. Karena rusaknya mesin dapat mempengaruhi tingkat pengeringan kadar air.
Rusaknya bagian pada mesin ini disebabkan karena sistem maintenance yang kurang baik

3. Faktor Metode
Metode yang diterapkan dapat mempengaruhi hasil akhir dari proses pembuatan tepung tapioka,
sebelum proses produksi seharusnya pekerja lapangan mendapatkan pelatihan terhadap apa yang akan
dijalaninya. Jadi terdapat Standar Operational Procedure (SOP) yang jelas dalam setiap proses pengerjaannya.
Penyebab permasalahan yang ditinjau dari segi metode adalah kesalahan perencanaan yang menyebabkan
pengetahuan pekerja mengenai proses produksi menjadi kurang baik.

4. Faktor Material
Penyebab permasalahan yang ditinjau dari segi material adalah adanya kontaminasi material lain pada
proses produksi tepung tapioka yang dapat menyebabkan hasil produksi yang kurang baik.

5. Faktor Lingkungan
Faktor terakhir atau keempat yaitu lingkungan. Lingkungan kerja perlu diperhatikan bagi
kenyamanan para pekerja. Lingkungan yang bersih akan mempengaruhi produktifitas dalam suatu proses
produksi dan lainnya. Suhu di tempat kerja menjadi panas akibat panas yang dikeluarkan oleh mesin-mesin

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

13

yang sedang beroperasi, sehingga diperlukan sirkulasi udara yang baik dengan cara menambah ventilasi
udara pada tempat-tempat tertentu.

V. KESIMPULAN DAN SARAN

Berdasarkan langkah, hasil, serta pembahasan yang dilakukan pada bab sebelumnya, dapat ditarik penutup
berupa kesimpulan dan saran sebagai berikut:

A. Kesimpulan
Berdasarkan hasil dan pembahasan analisis, baik analisis control chart ataupun analisis kapabilitas
proses dapat ditarik kesimpulan bahwa pada analisis control chart terdapat data diluar batas kendali dan
akhirnya menghilangkan sebanyak lima data ( satu per satu ) untuk mencapai keadaan incontrol atau terkendali
secara statistic, dan setelah penambahan data ternyata terdapat pergeseran variabilitas proses karena terdapat
data diluar batas kendali jika menggunakan batas kendali pada fase pertama. Sedangkan pada analisis
kapabilitas proses diketahui nilai Cp > Cpk yang menandakan proses rata-rata tidak terjadi di tengah batas
spesifikasi. Jika dilihat dari grafiknya, proses cenderung terjadi di sebelah kanan mendekati batas atas
spesifikasi konsumen. Nilai Cp > 1,33 menandakan bahwa proses sudah kapabel, tetapi jika melihat nilai Cpk <
1,33 menandakan bahwa proses masih belum kapabel, hal ini saling berlawanan. Sehingga dapat disimpulkan
bahwa proses masih belum sepenuhnya kapabel, terdapat beberapa proses yang menyebabkan kadar air tepung
tidak sesuai dengan spesifikasi yang diinginkan konsumen. Hal ini perlu penignkatan kualitas secara
berkelanjutan agar nilai Cp dan Cpk lebih dari 1,33 yang menandakan proses seluruhnya kapabel.

B. Saran
Berdasarkan analisis diagram fishbone di atas, kami dapat memberikan saran bahwa banyak faktor
yang menyebabkan kadnungan kadar air di dalam tepung tapioka kurang terkontrol. Saran kami adalah untuk
selalu menjaga kualitas SDM di bidangnya untuk dapat lebih menjaga spesifikasi konsumen, selalu memeriksa
mesin secara berkala karena kualitas tepung tapioka sangat bergantung kepada bagaimana kinerja mesin.
Selanjutnya tidak lupa kami ingin memberikan saran bahwa selalu memperhatikan Standar Operational
Procedure (SOP) dalam saat bekerja, yang terpenting adalah memperhatikan bahan baku yang berkualitas pada
pembuatan tepung tapioka, serta selalu mejaga lingkungan kerja tetap kondusif dan mendukung para pekerja
menjalankan produksi dengan maksimal.

DAFTAR PUSTAKA
[1] V. R. Pattipeilohy, “Inovasi Produk dan Keunggulan Bersaing: Pengaruhnya terhadap Kinerja Pemasaran (Studi pada Usaha
Nasi Kuning di Kelurahan Batu Meja Kota Ambon),” J. Maneksi, vol. 7, no. 1, p. 66, 2018, doi: 10.31959/jm.v7i1.78.
[2] P. K. Produk et al., “TERHADAP KEPUTUSAN PEMBELIAN KENDARAAN BERMOTOR Disusun Oleh : Nadia Oktavia
FAKULTAS AGAMA ISLAM,” 2019.
[3] N. Novianti, H. S. H. Subagyo, and A. Aprilia, “PENGENDALIAN KUALITAS PRODUK SELADA ROMAINE PADA
SISTEM TANAM HIDROPONIK (Studi Kasus di UMKM Kebun Sayur, Kota Surabaya, Jawa Timur),” Agrisocionomics J. Sos.
Ekon. Pertan., vol. 3, no. 2, pp. 131–149, 2019, doi: 10.14710/agrisocionomics.v3i2.5287.
[4] D. P. Andriani, I. P. Tama, and D. H. Sulistyarini, “Analisis Kualitas Kehalusan Semen Ppc 40 Kg Menggunakan Metode
Statistical Quality Control Quality Analysis of Ppc Cement 40 Kg Fineness Using Statistical Quality Control Metho,” no.
September, pp. 227–236, 2017.
[5] I. C. Woei, “No 主観的健康感を中心とした在宅高齢者における 健康関連指標に関する共分散構造分析Title,” no. June, 2016.
[6] R.-D. Hilgers, N. Heussen, and S. Stanzel, Statistik, deskriptive, no. 1. 2019.
[7] F. Matematika, D. A. N. Ilmu, and P. Alam, “i ,’ 1,” 2001.
[8] N. U. Devanantyo, “Analisis Pengaruh Petumbuhan Penduduk, Pertumbuhan Ekonomi, Pendidikan, dan Pengangguran
terhadap Kemiskinan di Provinsi Jawa Timur (Tahun 2015-2019),” J. Imiah UB, 2021.
[9] N. Suhartini, “Penerapan Metode Statistical Proses Control (Spc) Dalam Mengidentifikasi Faktor Penyebab Utama Kecacatan
Pada Proses Produksi Produk Abc,” J. Ilm. Teknol. dan Rekayasa, vol. 25, no. 1, pp. 10–23, 2020, doi: 10.35760/tr.2020.v25i1.2565.
[10] A. S. Mufidah, “Pengendalian Kualitas Statistik Produk Pupuk Phonska Di Pt Petrokimia Gresik Tbk.,” J. Chem. Inf. Model.,
2014.
[11] J. Zabala, “нской организации по разделу «Эпидемиологическая безопасностьNo Title,” Manaj. Asuhan Kebidanan Pada
Bayi Dengan Caput Succedaneum Di Rsud Syekh Yusuf Gowa Tahun, vol. 4, pp. 9–15, 2017.

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

14

LAMPIRAN
I. Data

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

15

II. Output Minitab Runs Test

III. Perhitungan Manual Analisis Control Chart 𝑋̅ − 𝑆

1) Data awal
Rata-rata 𝑋̿ = 12,667
Rata-rata S = 0,502761
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,38
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,6627
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 11,945
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 1,05
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,502
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,7 12,51 11,67 11,42 12,34 12,128 0,554319 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,94 13 12,91 13,08 12,07 12,8 0,413219 11,94526 12,6627 13,38014 0 0,502761 1,050268
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 11,94526 12,6627 13,38014 0 0,502761 1,050268
13,34 10,78 12,86 12,61 12,81 12,48 0,987396 11,94526 12,6627 13,38014 0 0,502761 1,050268
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,78 12,95 10,98 10,35 13,05 12,022 1,262327 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,56 10,61 10,57 12,98 12,88 11,92 1,224071 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,2 13,05 12,72 12,87 13 12,768 0,342301 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 11,94526 12,6627 13,38014 0 0,502761 1,050268
12,68 12,76 12,84 12,78 10,9 12,392 0,836014 11,94526 12,6627 13,38014 0 0,502761 1,050268
Rata-rata 12,6627 0,502761

2) Data grafik 𝑋̅ − 𝑆 chart penghapusan observasi ke 7

Rata-rata 𝑋̿ = 12,69642
Rata-rata S = 0,4627
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,356
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,69642
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,036
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,9667
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,4627
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

16

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,7 12,51 11,67 11,42 12,34 12,128 0,554319 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,03603 12,69642 13,35681 0 0,462784 0,966755
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,03603 12,69642 13,35681 0 0,462784 0,966755
13,34 10,78 12,86 12,61 12,81 12,48 0,987396 12,03603 12,69642 13,35681 0 0,462784 0,966755
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,56 10,61 10,57 12,98 12,88 11,92 1,224071 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,03603 12,69642 13,35681 0 0,462784 0,966755
12,68 12,76 12,84 12,78 10,9 12,392 0,836014 12,03603 12,69642 13,35681 0 0,462784 0,966755
Rata-rata 12,69642 0,462784

3) Data grafik 𝑋̅ − 𝑆 chart penghapusan observasi ke 10

Rata-rata 𝑋̿ = 12,739
Rata-rata S = 0,42
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,34
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,73956
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,1395
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,8784
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,4205
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,7 12,51 11,67 11,42 12,34 12,128 0,554319 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,13952 12,73956 13,33959 0 0,42049 0,878404
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,13952 12,73956 13,33959 0 0,42049 0,878404
13,34 10,78 12,86 12,61 12,81 12,48 0,987396 12,13952 12,73956 13,33959 0 0,42049 0,878404
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,13952 12,73956 13,33959 0 0,42049 0,878404
12,68 12,76 12,84 12,78 10,9 12,392 0,836014 12,13952 12,73956 13,33959 0 0,42049 0,878404
Rata-rata 12,73956 0,42049
4) Data grafik 𝑋̅ − 𝑆 chart penghapusan observasi ke 5
Rata-rata 𝑋̿ = 12,75428
Rata-rata S = 0,387
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,30728
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,75482
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,20237
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,8087
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,3871
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

17

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,7 12,51 11,67 11,42 12,34 12,128 0,554319 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,20237 12,75482 13,30728 0 0,387143 0,808741
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,20237 12,75482 13,30728 0 0,387143 0,808741
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,20237 12,75482 13,30728 0 0,387143 0,808741
12,68 12,76 12,84 12,78 10,9 12,392 0,836014 12,20237 12,75482 13,30728 0 0,387143 0,808741
Rata-rata 12,75482 0,387143

5) Data grafik 𝑋̅ − 𝑆 chart penghapusan observasi ke 17

Rata-rata 𝑋̿ = 12,7775
Rata-rata S = 0,359
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,28992
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,7775
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,6508
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,750135
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,3590
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,7 12,51 11,67 11,42 12,34 12,128 0,554319 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,26508 12,7775 13,28992 0 0,359088 0,750135
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,26508 12,7775 13,28992 0 0,359088 0,750135
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,26508 12,7775 13,28992 0 0,359088 0,750135
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,26508 12,7775 13,28992 0 0,359088 0,750135
Rata-rata 12,7775 0,359088

6) Data grafik 𝑋̅ − 𝑆 chart penghapusan observasi ke 2

Rata-rata 𝑋̿ = 12,8208
Rata-rata S = 0,346
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,31465
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,8208
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,32695
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,7229
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,346
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

18

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,32695 12,8208 13,31465 0 0,346073 0,722946
Rata-rata 12,8208 0,346073

7) Data grafik 𝑋̅ − 𝑆 chart penambahan 10 observasi ( Menggunakan batas kendali 15 data pada poin 6 )
Rata-rata 𝑋̿ = 12,8208
Rata-rata S = 0,346
Nilai A3 untuk sampel 5 = 1,427
Nilai B3 untuk sampel 5 = 0
Nilai B4 untuk sampel 5 = 2,089
Nilai UCL untuk 𝑋̅ chart = 𝑋̅ + 𝐴3 ∗ 𝑆̅ = 13,31465
Nilai CL untuk 𝑋̅ 𝑐ℎ𝑎𝑟𝑡 = 12,8208
Nilai LCL untuk 𝑋̅ chart = 𝑋̅ − 𝐴3 ∗ 𝑆̅ = 12,32695
Nilai UCL untuk 𝑆̅ chart = 𝐵4 ∗ 𝑆̅ = 0,7229
Nilai CL untuk 𝑆̅ chart = 𝑆̅ = 0,346
Nilai LCL untuk 𝑆̅ chart = 𝐵3 ∗ 𝑆̅ = 0

𝑋̅ 𝑆
X1 X2 X3 X4 X5 X^bar S
LCL CL UCL LCL CL UCL
12,84 13,28 12,72 12,71 12,81 12,872 0,234883 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,94 13 12,91 13,08 12,07 12,8 0,413219 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,82 12,81 12,67 12,55 13,11 12,992 0,507858 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,08 12,35 12,23 12,96 12,4 12,604 0,387079 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,92 12,58 12,93 12,58 13,02 12,806 0,209952 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,62 12,63 12,65 12,89 13,9 12,938 0,549245 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,97 12,64 12,52 12,6 12,96 12,738 0,211707 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,13 13,03 13,06 13,15 12,96 12,866 0,417049 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,2 13,05 12,72 12,87 13 12,768 0,342301 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,62 13,14 13,29 12,98 12,6 12,926 0,308675 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,55 13,08 13,01 13,23 12,84 12,942 0,260135 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,03 12,63 12,06 13,01 12,5 12,446 0,411376 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,82 13,05 12,97 12,48 13,27 12,918 0,293888 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,72 12,91 12,72 12,61 13,17 12,826 0,220522 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,96 13,3 12,99 12,16 12,94 12,87 0,423202 12,32695 12,8208 13,31465 0 0,346073 0,722946
11 10,65 12,06 12,89 10,82 11,484 0,959078 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,44 12,75 12,95 13,14 10,84 12,624 1,029189 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,23 12,91 13,05 13,07 12,75 12,802 0,344558 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,87 11,71 13,11 13,26 12,28 12,646 0,642752 12,32695 12,8208 13,31465 0 0,346073 0,722946
10,97 12,82 12,31 11,02 13,07 12,038 0,990894 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,92 12,99 12,3 12,84 12,87 12,784 0,27646 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,9 12,53 12,46 12,91 11,73 12,506 0,480448 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,72 12,67 12,75 12,9 10,72 12,352 0,916335 12,32695 12,8208 13,31465 0 0,346073 0,722946
13,1 12,76 13,21 12,79 12,43 12,858 0,308172 12,32695 12,8208 13,31465 0 0,346073 0,722946
12,74 13 12,88 12,92 12,05 12,718 0,385123 12,32695 12,8208 13,31465 0 0,346073 0,722946
Rata-rata 12,8208 0,346073

IV. Perhitungan Manual Analisis Kapabilitas

Untuk menghitung nilai Cp adalah sebagai berikut :
𝑈𝑆𝐿 − 𝐿𝑆𝐿
𝐶𝑝 =
6𝜎̂
14 − 0
𝐶𝑝 =
6𝜎̂
𝑅̅ 1,1076
Dimana nilai 𝜎̂ = = = 0,476
𝑑2 2,326
Sehingga,

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember

INFERENSI , Vol. xx(x), Xxx. 20xx. ISSN: 0216-308X (Print) 2721-3862 (Online)

19

14 − 0
𝐶𝑝 = = 4,9
6(0,476)
𝜇 − 𝐿𝑆𝐿 12,685 − 0
𝐶𝑝𝑙 = = = 8,8
3𝜎̂ 3(0,476)
𝑈𝑆𝐿 − 𝜇 14 − 12,685
𝐶𝑝𝑘 = = = 0,82
3𝜎̂ 3(0,476)
𝐶𝑝𝑘 = min(𝐶𝑝𝑙, 𝐶𝑝𝑢) = 0,82

© 2022 by the authors. This work is licensed under a Creative Commons Attribution-
ShareAlike 4.0 International License (http://creativecommons.org/licenses/by-sa/4.0/).

DOI: 10.12962/j27213862.vxix.xxxx Department of Statistics, Institut Teknologi Sepuluh Nopember