TUGAS

ANALISIS PENGONTROLAN PROSES LANJUT

Multivariat Control Chart for Process Dispersion Based on

Individual Observation.
(Michael B. C. Khoo & S. H. Quah, 2003)

Lakukan review atas paper terlampir, meliputi:

Dasar pengembangan, proses pengembangan, hasil
pengembangan, dan evaluasi hasil pengembangan
 ABSTRAK
Dalam artikel ini membahas cara sederhana untuk memantau pergeseran matriks
kovarians dari distribusi proses normal multivariat berdimensi-p, Np( μ, Σ ). Metode
eksak yang didasarkan pada distribusi chi-kuadrat untuk membangun batas kontrol
multivariat juga akan ditunjukkan. Serta mengilustrasikan prosedur yang diusulkan
di tempat kerja berdasarkan sebuah contoh.

a. Dasar Pengembangan

Penelitian ini mengembangkan sebuah pendekatan matematis untuk

memonitor variasi dalam proses produksi yang memiliki lebih dari satu karateristik
kualitas yang saling terkait. Pendekatan ini didasarkan pada konsep distribursi chi-
kuadra ( χ 2 ) untuk membuat batas control pada control chart multivariat. Sehingga
dapat digunakan untuk mengidentifikasi kapan sebuah proses produksi mulai
menyimpang dari kondisi normal (in-control) berdasarkan pengamatan individu.

Dasar Pengembangan Matematis

1. Pendekatan Statistik
Artikel ini focus pada monitoring pergeseran dalam matriks kovariansi Σ dari
disribusi normal multivariat Np( μ, Σ ), dengna p menyatakan dimensi atau
jumlah karateristik kualitas yang diamati.
2. Konstruksi Batas Kontrol
Untuk memonitor variasi proses, peneliti menggunakan deferencing
(perbedaan berturut-turut) antara observasi multivariat. Jika X r adalah
variable random i.i.d. (indepen, identik terdistribusi) dari dsitribusi Np( μ, Σ )
maka statistik yang digunakan yaitu
−1
1
M r= (X r −X r−1) ' ∑ ( X r− X r−1 )
2 0

dengan
−1

∑ ❑ : invers dari matriks kovariansi

0

r : 2,3 … (menunjukan observasi berturut-turut)

Statistik M r mengikuti distribusi χ 2 dengan p adalah derajat kebebasan.

3. Batas Kontrol
UCL dan LCL dihitung berdasarkan persentil dari distribusi χ 2 dengan p
derajat kebebasan, yang memungkinakn penentuan nilai-nilai yang
 menunjukkan kondisi out of control berdasarkan level kesalahan tipa 1. ( α ¿
yang dipilih:
2
UCL = χ p , a
2
LCL = χ p , 1−a
dengan
χ p , a dan χ p , 1−a adalah persentil ke -a dan 1−a dari distribusi χ 2 dengan p
2 2

derajat kebebasan.

4. Penerapan dan Simulasi

Simulasi dalam penelitian ini untuk kasus bivariat (p = 2) dan scenario

dengan lebih banyak karateristik kualitas. Pengujian melibatkan scenario
dimana standar deviasi dari satu atau lebih karateristik kualitas berubah, baik
meningkat (d > 1) maupun menurun (d < 1).

5. Analisis Hasil
Analisis penelitian ini berfokus pada ARL yaitu jumlah observasi yang
diharapkan sebelum control chart menandai proses sebagai out of control.
Hal ini memberikan ukuran efektifitas control chart dalam mendeteksi
perubahan dalam disperse proses.

b. Proses Pengembangan
1. Model distribusi
Proses produksi dimodelkan menggunakan distribsi normal multivariat
Np( μ, Σ ) dengan μ mewakili vaktor rata-rata dan Σ Mewakili matriks
kovariansi.
2. Statistik Uji
Menggunakan perbedaan antara pengamatan berutut-turut X r−X r−1
untuk mengukur variabilitas. Dr diasumsikan mengikuti distribusi normal
dengan mean nol dan matriks kovarinsi 2 Σ.
3. Konstruksi Statistik
−1
1 '
Mr didefinsikan sebagai M r= D r ∑ D r, mengukur variabilitas
2 0

berdasarkan matriks kovariansi nominal ∑ ❑ 0

4. Distribusi
M r ditunjukkan bahwa M r mengikuti distribusi χ 2 dengan p derajat
kebebasam, memanfaatkan sifat bentuk kuadratik dari variable normal
multivariat.
5. Batas Kontrol
 Batas control dihitung menggunakan χ 2, dengan UCL dan LCL ditentukan
untuk level signifikansi a . Memberikan cara untuk menentukan apakah
proses berada dalam kondisi control atau tidak.

Proses artikel ini mengembangkan metode untuk memonitor variabilitas

dalam proses produksi multivariat melalui batas control pada control
chart yang berbasis pada perbedaan pengamatan dan penerapan distribusi
χ untuk menetapkan batas control.
2

c. Hasil Pengembangan
Hasil pengembangan dalam artikel ini menyajikan metode untuk memantau
dispersi pada proses produksi yang memiliki lebih dari satu karakteristik
kualitas, menggunakan carta kontrol berbasis distribusi chi-square ( χ 2).
Statistik pengujian M r dirumuskan untuk mengukur variabilitas antara
pengamatan berturut-turut dengan memanfaatkan matriks kovariansi
nominal invers. M r mengikuti distribusi ( χ 2 ) dengan p derajat kebebasan,
memungkinkan penetapan batas kontrol atas (UCL) dan bawah (LCL) yang
efektif untuk mengidentifikasi kondisi out-of-control.

Simulasi menunjukkan bahwa metode ini sensitif terhadap perubahan dalam

dispersi proses, baik peningkatan maupun penurunan. Control chart yang
dihasilkan dapat digunakan untuk mendeteksi perubahan signifikan dalam
variabilitas proses secara real-time, memberikan manfaat untuk manajemen
kualitas dalam produksi multivariat.

d. Evaluasi Pengembangan

Penelitin ini diasumsikan distribusi normal dan mungkin kurang sensitif

terhadap perubahan kecil dalam dispersi, memerlukan pengujian lebih lanjut
dalam kondisi non-normal, sehingga memerlukan metode yang lebih robust
terhadap estimasi parameter.

Detail dan Matematis:

1. Asumsi Distribusi Normal:
Masalah: Asumsi Np( μ, Σ ) mungkin tidak realistis untuk beberapa jenis data,
membatasi aplikabilitas metode.
 Solusi: Eksplorasi penggunaan distribusi lain atau transformasi data yang
dapat membuat distribusi menjadi lebih normal. Ini bisa melibatkan
penggunaan teorema limit pusat atau teknik nonparametrik.

2. Sensitivitas Terhadap Perubahan Kecil:

Masalah: Batas kontrol berdasarkan distribusi χ 2 mungkin tidak mendeteksi
perubahan kecil yang signifikan dalam praktik.

Solusi: Mengembangkan metode adaptif yang memperbarui batas kontrol

secara dinamis berdasarkan data terkini, menggunakan pendekatan seperti
control charts berbasis EWMA atau CUSUM yang lebih sensitif terhadap
perubahan kecil.

3. Dimensi Tinggi:
Masalah: Kompleksitas perhitungan meningkat secara signifikan dengan
jumlah variabel (p) yang membuat interpretasi dan komputasi menjadi sulit.

Solusi: Menggunakan teknik reduksi dimensi seperti PCA (Principal

Component Analysis) untuk menyederhanakan data sebelum menerapkan
metode kontrol, atau mengembangkan model yang lebih efisien secara
komputasi.

4. Estimasi Parameter:
Masalah: Estimasi μ dan Σ yang yang tidak akurat dapat mempengaruhi
pembentukan batas kontrol.

Solusi: Penerapan estimator robust yang tahan terhadap outlier, seperti

estimator MLE yang dimodifikasi atau bootstrapping, untuk meningkatkan
keandalan estimasi.

5. Analisis Hubungan antar Variabel

Masalah: Pengabaian hubungan dinamis antar variabel.

Solusi: Menerapkan model statistik multivariat yang lebih kompleks yang

dapat mengakomodasi dan memodelkan hubungan dinamis antar variabel,
seperti model grafik probabilistik.

Untuk pengembangan lanjutan

1. Model Distribusi Fleksibel
Mengadopsi model distribusi yang lebih fleksibel daripada normal
multivariat, seperti distribusi t-multivariat atau distribusi campuran, untuk
menangani data dengan kecenderungan non-normal dan outlier.

2. Metode Estimasi Robust

Menerapkan teknik estimasi robust untuk parameter distribusi, yang dapat
mengurangi sensitivitas model terhadap outlier dan distorsi. Metode seperti
estimator M-estimator atau pendekatan Bayesian bisa dipertimbangkan.

3. Teknik Reduksi Dimensi

Menggunakan teknik reduksi dimensi seperti Analisis Komponen Utama
(PCA) atau metode seleksi fitur untuk mengatasi kompleksitas dalam data
berdimensi tinggi, memudahkan interpretasi dan perhitungan.

4. Adaptasi Batas Kontrol

Mengembangkan metode adaptif untuk menyesuaikan batas kontrol
berdasarkan data terbaru, memungkinkan sistem untuk secara dinamis
merespon perubahan dalam proses produksi.

5. Pendekatan Berbasis Simulasi

Memanfaatkan simulasi Monte Carlo atau teknik bootstrap untuk
mengevaluasi kinerja dan sensitivitas carta kontrol dalam berbagai skenario,
termasuk kondisi non-ideal dan perubahan proses.

6. Analisis Multivariat Lanjutan

Menerapkan metode statistik multivariat lanjutan,
Seperti model regresi multivariat dan analisis jalur, untuk memahami
hubungan antar variabel dan dampaknya terhadap batas kontrol.