Modul Basic Six Sigma

TRAINING SIX SIGMA
(BASIC)
PROGRAM MAGISTER TEKNIK INDUSTRI

UNIVERSITAS MERCU BUANA
Jakarta, 10 Agustus 2019
Ir. Salmon T, SSBB
Dr. Humiras Hardi P, ST, MT
Program Magister Teknik Industri-Universitas Mercu Buana

Trainer Profile
Ir. Salmon Tampubolon, SSBB Humiras Hardy Purba, ST., MT.,SSGB
Email : hardipurba@yahoo.com, hardip@lge.com

Email : nomlas26@yahoo.com
Tempat/Tgl.Lahir : Pakkat, 22 Pebruari 1971
Tempat/Tgl.Lahir : P. Siantar, 04 September 1974
Status : Married
Status : Married
Pengalaman : Bergabung dengan PT. LGEIN
Propesi : Konsultan Strategi Manufacturing Industri sejak Agustus 2000 ~ 2011
Konsultan Pembibitan dan Teknik Perkebunan
Kelapa sawit. Spesialisasi : Planning / Education Mgt.
Pengalaman : 10 thn PT.LG Electronic Indonesia Pend. Terakhir : Magister Teknik Mesin (UI)
Industri
Spesialisasi : Pengembangan Kulkas Baru Spesialisasi : Perancangan Teknik dan
Pengembangan Produk.
Pend. Terakhir : Sarjana Teknik Mesin (ITI)
Pengalaman : Dosen untuk mata kuliah :
Pengalaman : Dosen untuk matakuliah : 1. Product Development
1. Elemen mesin 1 (ITI) 2. Manajemen Produksi
2. Proses Produksi (ITI) 3. Fisika Dasar
4. Total Quality Managemen (TQM)
Pembicara / Training :
1. “Blue Ocean Strategy, PT. LG Electronic Indonesia Pembicara / Training :
1. “Blue Ocean Strategy, PT. LG Electronic Indonesia
2. “Training & Workshop, BOS for Product Developer”,
Univ. Pelita Harapan, UPH – Jakarta, 2005 2. “Training & Workshop, BOS for Product Developer”,
Univ. Pelita Harapan, UPH – Jakarta, 2005
3. “Blue Ocean Strategy, Univ. Moestopo, Magister Program. 2006
3. “Blue Ocean Strategy, Univ. Moestopo, Magister Program. 2006
4. “Basic Six Sigma”, Univ. Mercu Buana, 4. Kuliah Umum “Product Development,” LP3I Jakarta & Bekasi
Program Magister (Batch 1,2), 2011 5. “Basic Six Sigma”, Univ. Mercu Buana,
Program Magister (Batch 1,2), 2011
 Quality & Failure Rate
Inspeksi Traditional F-Cost

Service Scrap ( Easy Definition)
Reject Rework
Design Change Loss Opp. Sales

Potential (Additional)
F-Cost
Long cycle time Delivery Delay (Difficult to measure)
Over Rework Brand Image Down
Office Loss Over Storage
1 Program Magister Teknik Industri-Universitas Mercu Buana

Konsep dari Six Sigma ( 6  )
Konsep Sekarang Konsep Six Sigma
Biaya Mutu
Biaya Mutu
Biaya kegagalan Biaya Penilaian Biaya kegagalan Biaya Penilaian
& pencegahan & pencegahan
Diperlukan biaya extra untuk Mutu yang baik membuat
meningkatkan tingkat mutu biaya turun
3 4 5 6
Tingkat mutu Tingkat mutu

Biaya mutu vs Tingkat Sigma

Tingkat Biaya Mutu

2 30~40% of sales
3

20~30% of sales BIAYA

4 15~20% of sales
5

10~15% of sales
KEGAGALAN

6 Kurang dari 10%
 
Perusahaan dengan level 3 Perusahaan dengan level 6
66,807 cacat per satu juta ( ppm ) 3.4 cacat per satu juta ( ppm )
Mendeteksi untuk mencari yang cacat Fokus pada proses agar tidak membuat cacat
Percaya bahwa mutu yang baik biayanya mahal Mewujudkan mutu tinggi shg biaya rendah

MBNQA: Malcolm Baldrige National Quality Award

Sejarah Pergerakan Kualitas di Amerika Serikat
Tahun Kejadian
1911 Frederich Taylor menerbitkan buku The Pcinciples of Scientific Management yang melahirkan teknik studi waktu dan pergerakan
Walter A. Shewhart dari Bell Laboratories memperkenalkan statistical quality control dalam bukunya Economic Control of Quality of Manufactured
1931
Products
1940 W. Edwards Deming membantu U.S. Bureau of the Census menerapkan statistical sampiling techniques
1950 W. Edwards Deming mengajarkan para ilmuwan,insinyur, dan pimpinan perusahaan di Jepang terkait topik kualitas
1951 Joseph M. Juran memublikasikan Quality Control Handbook
Martin Company (kemudian bernama Martin-Marietta) membangun sebuah rudal Pershing yang memiliki nol cacat (builds a Pershing missile that has
1961
zero defects)
1970 Philip Crosby memperkenalkan konsep zero defects
1979 Philip Crosby memublikasikan buku Quality is Free
1980 Dokumenter siaran televisi If Japan Can....Why Can’t We? Mengudara, memberikan Edwards Deming pembaharuan dan pengakuan di Amerika Serikat
Perusahaan Ford Motor mengundang W. Edwards Deming berbicara di hadapan top executives, dimana dimulai hubungan berbatu tetapi produktif
1981
antara mobil dan pakar kualitas (which begins a rocky but productive relationship between the automaker and the quality expert)
1982 W.Edwards Deming memublikasikan buku Quality, Productivity, and Competitive Position
1984 Philip Crosby memublikasikan buku Quality Without Tears: The Art of Hassle-Free Management
● The U.S. Congress menciptakan the Malcon Baldrige National Quality Award
1987
● Motorolla memperkenalkan metode Six Sigma
1988 Secretary of Defense Frank Carlucci directs the U.S. Department of Defense untuk mengadopsi total quality
1989 Florida Power and Light memenangkan Ddeming Prize, perusahaan pertama non-Jepang yang meraihnya
1993 Pendekatan total quality diajarkan di sekolah dan universitas di Amerika Serikat
2000 Standar ISO-9000 ditulis ulang untuk menggabungkan konsep total quality
2001 E-commerce (information quality) dan mass customization adalah merupakan pertimbangan penting
2009 Konsep Six Sigma dan Lean dipraktekkan secara luas

Start : MOTOROLA
 Tahun 1980-an, Motorola kehilangan market-nya karena perbedaan

kualitas dibandingkan dengan perusahaan Jepang (Ilmuwan dan
tokoh Manajemen Kualitas AS, Dr. Edwards Deming dan Dr. Joseph
Juran, berperan memajukan industri Jepang sejak tahun 1950-an, saat
Jepang mulai melakukan recovery setelah Perang Dunia-II)
 Konsumen mulai beralih ke produk buatan Jepang, karena memiliki

kualitas lebih baik (tren ini terjadi tidak hanya di pasar AS, tetapi juga
di Eropa dan seluruh belahan dunia).
 Dr. Deming, (dalam program TV “ If Japan Can,….Why Can’t We?”,

menekankan perlunya pembenahan kualitas di Industri AS.
 Tahun 1981 Motorola menghadapi tantangan tersebut dengan meng-

evaluasi kualitasnya hingga 5 kali dalam 5 tahun namun tetap saja tidak
memberikan hasil seperti yang diharapkan.

Start : MOTOROLA
 Setelah melalui proses panjang, pada tahun 1987 Motorola berhasil

menerapkan 6 sebagai kunci sukses bisnisnya.
 Pada tahun 1988, atas pencapaian gemilang tersebut, Motorolla

menerima penghargaan bergengsi untuk bidang kualitas di AS, MBNQA
(Malcolm Baldrige Quality Award)

 PPM
6 3.4 Bagaimana cara

mencapainya??
5 233
3.4 PPM
(3.4 Defects Per Million)
4 6,210
3 66,807 Mencapai tingkat cacat (reject) yang

“hanya” 3,4ppm atau setara dengan
2 308,537 0,00034% bukan perkara mudah, dan
sangat sulit dicapai diluar pendekatan
metode statistik.

SIX SIGMA
Philosophy Improvement Tool Strategi Bisnis Pengukuran Statistik
Six Sigma adalah salah Tool yang lengkap Dapat membantu kita Memberikan informasi
satu metode untuk yang dapat dalam meraih kepada kita seberapa
bekerja lebih pintar, dipergunakan dan keuntungan pada suatu bagus produk &
tidak keras diaplikasikan pada persaingan. service kita serta
SS membuat Design, Manufactur, Bila kita dapat proses didalamnya.
kesalahan akan Sales, Service, memperbaiki s level pada
semakin berkurang Transactional, others. proses kita, berarti
kualitas produk akan
lebih baik dan biaya
yang tidak perlu akan
berkurang dan hasilnya
customer akan semakin
puas.

Aplikasi 6
 Industri otomotif
Manufacturing  Industri elektronik
Process
 Industri komponen
 Desain (design)
 Pengembangan produk
6
 Asuransi
 Distributor
R&D Transaction
 Customer service
Dalam penerapannya tool 6 dapat

diaplikasikan ke seluruh sistem bisnis
seperti:
 Manufacturing
 Desain
 Penjualan (sales)
 Sektor pelayanan (service)

Aplikasi 6
R&D
TRANSACTIONAL MANUFACTURE
(Research and Dev.)
Merancang desain dalam

Memaksimalkan penjualan Jaminan kualitas
pengembangan produk
(sales) dan meningkatkan (quality assurance)
telah sesuai dengan
mutu (service). dlm. proses manufaktur
customer need
 Memperbaiki cycle time  Pemilihan CTQ (critical to quality)  Perbaikan (improvement)

 Meningkatkan kurasi layanan  Keputusan dalam hal toleransi terhadap masalah yang serius
 Cost innovation (reduksi biaya)  Jaminan terhadap analisis
 Melakukan pantauan dan
kapabilitas dari CTQ
monitoring CTQ (CTQ Control
system)
 Perbaikan proses

Aktivitas 6
6 Sebagai suatu strategi bisnis

Perusahaan dengan 3 Sigma Perusahaan dengan 6 Sigma
• 54,000 resep obat yang salah selama 1 tahun • Satu resep obat salah selama 25 tahun
• 40,500 bayi yang jatuh oleh dokter maupun • 3 bayi yang jatuh oleh dokter maupun perawat
perawat setiap tahun. selama seratus tahun.
• Kebocoran air minum 2 jam per bulan • Kebocoran air minum sejam dalam 16 tahun
• Telepon tak dijawab selama 27 menit dalam • Telepon tak dijawab selama 6 detik dalam 100
seminggu. tahun
• 5 pendaratan tidak tepat di O Hare Airport dalam • 1 pendaratan tidak tepat di United States selama
sehari 10 tahun.
• 1,350 kegagaln operasi bedah dalam seminggu. • Satu kegagaln operasi bedah selama 20 tahun.
• 54,000 kehilangan artikel atau surat salah • 35 kehilangan artikel atau surat salah alamat
alamat dalam satu jam dalam satu tahun

Sistem Pendukung 6
Role :
- Menetapkan visi dan misi
Champion - Mengendalikan aktivitas 6
- Memonitor, mensupport aktivitas 6 melalui CR
Role :
- Sebagai pemilik projek
- Pembimbing BB/GB
- Mengecek dan memeriksa penyelesaian projek
- Memverifikasi hasil projek
- Memberikan 6 training to BB/GB
Champion
Review (CR)
Guidance, support
Support request
Project Leader
Master Black Belt (MBB)
Black Belt (BB) Green Belt (BB)

Role : Role :
- Sebagai eksekutor projek - Sebagai eksekutor projek
- Sebagai Leader/member dalam projek perbaikan - Sebagai Leader/member dalam projek
- Memberikan 6 training to GB perbaikan

Basic Statistics
Content
Definisi Statistik
Ukuran Statistik
Distribusi Normal
Transformasi Z
Pengujian Hipotesis
Fast Execution toward Zero Defect

Definisi Statistik
Statistika adalah ilmu yang mempelajari mengenai pengumpulan data, analisis data,
sampai pada kesimpulan data.
Statistik adalah nilai-nilai yang diperoleh dari proses pengumpulan data, analisis data,
sampai pada kesimpulan data, bisa berupa grafik, tabel, dll.
Parameter : Karakteristik/ukuran dari populasi
Populasi (N) m = Rata-rata populasi

 = Standard Deviasi populasi
2 = Varians populasi
Sampel (n)
Statistik : Karakteristik/ukuran dari Sampel
x = Rata-rata Sampel
s = Standard Deviasi sampel
s2 = Varians sampel
Populasi : Kumpulan dari seluruh objek (manusia, hewan, barang, dsb) pada suatu tempat yang
memiliki karakteristik tertentu.
Sampel : bagian dari populasi

Ukuran Statistik Ukuran Letak
Rata-rata (Mean) n
 Jumlah semua data dibagi banyaknya data  x x  x i

   xn 
 Sangat dipengaruhi oleh nilai-nilai yang ekstrim x i 1 1 2
n n
Median
 Nilai tengah dari sederetan data yang sudah terurut GANJIL GENAP
dari nilai terkecil hingga terbesar (diranking) Banyaknya
Data
 Tidak dipengaruhi oleh nilai-nilai yang ekstrim
 Jika banyaknya data adalah ganjil, median sama
dengan nilai data yang berada di tengah-tengah Median = Median =
 Jika banyaknya data adalah genap, median sama Nilai Tengah Jumlah 2 Nilai Paling Tengah
dengan rata-rata 2 nilai yang berada paling tengah 2
Modus (Mode)
 Nilai yang paling banyak atau paling sering muncul

Ukuran Statistik Ukuran Penyebaran
Rentang (Range)
R = Xmax – Xmin
 Nilai Terbesar - Nilai Terkecil
n
Varians (Variance)
 x  x 
2
 Rata-rata kuadrat dari deviasi setiap nilai dari s 

2 i 1
i

 x1  x   x2  x     xn  x 
2 2 2
nilai rata-ratanya n 1 n 1
Varians populasi memiliki simbol 2
Simpangan Baku (Standard Deviation)
 Akar kuadrat dari varians, rata-rata jarak data s  s2

dari nilai rata-ratanya.
Simpangan Baku = Akar kuadrat dari variance
Simpangan Baku populasi memiliki simbol  (Sigma)

Ukuran Statistik Latihan
Contoh : Data
107
Hitung nilai-nilai berikut ini berdasarkan data di samping !
169
Rata-rata = 106,6364
131
Median = 84 84
Rentang (Range) = 187 81
67
Varians = s2 = 3074,655
81
Simpangan Baku (Standard Deviation) = s = 55,44957
122
52
233
46

Ukuran Statistik Letak dan Penyebaran dalam Proses
Target
Ukuran letak selalu di bandingkan dengan

target, sehingga apabila kumpulan data
yang diperoleh jauh dari target maka data
tersebut tidak akurat.
Ukuran penyebaran bisa dilihat dari posisi data-

data, apabila data-data tersebut menyebar jauh
maka bentuk kurva semakin landai, sedangkan
Penyebaran apabila data mengumpul dalam satu posisi
maka kurva semakin runcing. Apabila sebaran
data yang diperoleh semakin lebar maka data
tersebut tidak presisi.

Distribusi Normal
Distribusi Normal Puncak Multipel

(Berbentuk Lonceng) ( multiple proses )
Distribusi Miring Distribusi Uniform
Histogram bisa bermanfaat untuk menjelaskan distribusi data.

Distribusi Normal
Banyak kejadian yang muncul secara acak

(Random) menghasilkan data dengan distribusi
sebagai berikut :
• Bell shaped
• Symmetrical
Kurva yang menghubungkan puncak-puncak

batang disebut Kurva Peluang Normal yang
digunakan untuk meng-estimasi Distribusi
Normal dari kejadian-kejadian yang muncul
secara acak (Random)
, Standard Ciri-Ciri Distribusi Normal Standard

m, Rata2 =
Deviation
Median = • Distribusinya simetris terhadap rata-ratanya
Mode
• Ujung kurvanya asymptotic terhadap sumbu-X
• Mean = Median = Mode
• Peluang dibawah kurva = 1

Transformasi Z
Sebuah nilai bisa di transformasi ke dalam distribusi normal (Z), setelah diketahui sebelumnya
Rata-rata (m) dan standard deviasi () deretan suatu data. Diformulasikan sebagai berikut :
X-m ; X  Sebuah nilai

Z=

Dalam sebuah proses nilai Z sering disebut sebagai level kemampuan proses.
Hubungan standard deviasi dengan nilai Z :
 ↑  Z↓ atau ↓ Z↑
Nilai  harus kecil apabila ingin memperoleh

kemampuan proses yang bagus.

Transformasi Z Contoh
Contoh 1
Tentukan persentase (%) produk di luar spesifikasi. (USL =1.10, LSL=0.90)
Diketahui : Mean = 1.034; dan  = 0.0553
LSL USL Menghitung ZUSL 2 Upper Spec
700 (USL-x )
ZU =
600 σ
500
=
1.1-1.034 
Frequency
0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20 1.25
400 .0553
300 = 1.19(tanda (+) untuk menunjukan
nilai ini ada di sebelah kanani)
200
100
0 Probability Of Defect  Pr  x  0.9  Pr x  1.1 3

0.8 1.1 1.3
 Pr Z  -2.42  Pr Z  1.19
0.9 1.0 1.2
Menghitung ZLSL 1  0.0078  0.1170

Lower Spec
 12.48 %
(LSL-x )
Z L= Diperoleh dari Tabel Z
σ
=
0.9-1.034  0.80 0.85 0.90 0.95 1.00 1.05 1.10 1.15 1.20 % product di luar spesifikasi
.0553
(tanda (-) hanya untuk menunjukan nilai ini
= - 2.42
ada di sebelah kiri)

Transformasi Z Contoh
Contoh 2
Misalkan, sebuah proses mempunyai Rata-rata = 10 & Standard Deviation = 2

Berapa % data akan mempunyai nilai antara 6 dan 14?
Penyelesaian :
Transformasi - Z
X 1  Mean 6 - 10 14 - 10
Z Z1   2 Z2  2
Standard Deviation 2 2
Dari tabel Distribusi Normal Standar ( Tabel - Z ) diperoleh :
P ( Z1  2) = 0.0228 P ( Z2  2) = 0.0228
Jadi, P ( - 2  Z  +2) = (1 - (0.0228 + 0.0228)) = 0.9544
95.44% data akan berada antara 6 and 14.

6 14

MINITAB Introduction
Content
Komponen MINITAB
Menu Data
Menu Calc.
Normality Test
Fast Execution toward Zero Defect

Komponen MINITAB
MINITAB adalah software statistik terkenal yang digunakan secara umum pada proses manufaktur
dan digunakan dalam Six Sigma proses.
(Tool bar)
(Menu-bar)
(Session
Window) (Project
Manager)
(Data Window
atau Worksheet)
(Status bar)
(Short cut Menu)

(Graph Window)
Komponen MINITAB
Terdapat 3 tipe data :

(Masukkan nama kolom) • Number
• Text
(Nomor baris) (Nomor kolom)
• Time/Date
Time values
Text values
Numbers
(Masukkan Data)

Menu Data Stack & Un-stack
Stack  Untuk menggabungkan data dalam beberapa baris atau beberapa kolom ke dalam satu baris
atau satu kolom
Un-Stack  Untuk memisahkan data (kebalikan dari Stack)
Data telah di-stack
Data belum di-stack (unstack)

Menu Data Stack
Menunjukkan kategori
Menunjukkan kolom hasil
Hasil

Menu Data Un-Stack
kolom yang berisi

data yang akan
diunstack
kolom yang berisi

subscript data yang
akan diunstack
Hasil akan ditampilkan

pada worksheet yang
baru

Menu Calc. Make Pattern Data
Make Pattern Data Untuk membuat pola susunan angka dalam sebuah worksheet
Kolom yang akan

menyimpan hasil
Masukkan nilai awal dari pola data

Masukkan nilai akhir dari pola data
Masukkan langkahnya (step)
Result
Masukkan jumlah pengulangan dari tiap nilai
Masukkan jumlah pengulangan dari seluruh pola data
Menu Calc. Contoh
Contoh :
From First To Last In Steps List each List The whole

Patterned Data Value Value of value sequence
10 8 6 4 2
-0.5 -0.4 -0.3 -0.2 -0.1
1111122222333334444455555
11223344551122334455

Normality Test MINITAB Application
Buka worksheet CRANKSH.MTW

Hipotesis Pengujian :
H0 : Data AtoBDist mengikuti distribusi normal
H1 : Data AtoBDist tidak mengikuti distribusi normal
Probability Plot of AtoBDist

Normal
99.9
Mean 0.4417
StDev 3.491
99 N 125
AD 0.891
95 P-Value 0.022
90
80
70
Percent
60
50
40
Kesimpulan : 30
20
10
Karena P-value < 0.05 maka H0 ditolak 5
P-Value = 0.022
“Dengan derajat kepercayaan 95% data
1
0.1
AtoBDist tidak mengikuti distribusi normal” -10 -5 0

AtoBDist
5 10

D Define
Tujuan
Menentukan permasalahan yang berasal dari Kebutuhan Customer yang dilanjutkan dengan
menentukan target dari improvement yang akan dilakukan.
Step Output Tools
- Definisikan VOC/VOB - SIPOC, Process Mapping

Step 1. Memilih Project
- Definisikan Big Y - Logic Tree, Fish-bone Diagram
- Memilih Little Y melalui Big Y - QFD, FMEA, Pareto Analysis
- Menganalisis proses secara detail

Step 2. Memilih Project Y
- Memilih CTQ dan Project Y
- Setting Target dan Project Registrasi

Step 3. Entry the Project

Step 1. Memilih Project VOC and VOB
Jenis Customer • Customers; Klien-klien; Vendor
2
• Semua organisasi /personnel
• Orang yang menerima pekerjaan yang sudah kita
proses
• Departemen-departemen yang berhubungan
Voice of Customers (VOC) adalah suara yang berasal dari internal atau eksternal customers yang
mencerminkan semua keinginan customers tersebut terhadap produk yang dihasilkan oleh sebuah
perusahaan.; sedangkan
Voice of Business (VOB) adalah suara yang berasal dari Business proses sebagai implementasi
dari market issue yang sedang berkembang, biasanya VOB diperoleh dari management direction
atau management strategy.
Step 1. Memilih Project Definisi Big Y
Big Y adalah :
- Klarifikasi arah pencapaian secara sistematis di dalam optimalisasi poin-poin pencapaian secara
menyeluruh
- Index Output dari theme/strategy management
- Index pencapaian dalam jangka waktu menengah/panjang supaya menjadi world best.
Contoh Big Y = KPI Current Level Yearly target

Proses untuk Yr 11 12 13 14
menentukan Big Y
Sales Overseas Market Sales
Setup the Domestic Market Sales

business
plan Sales amount of 000 000 000 000
Premium Model
Set up the
middle year’s Quality Return Lot Ratio 000 000 000 000
goal
RTY 00% 00% 00% 00%
Production Productivity UPH

Step 2. Memilih Project Y Memilih CTQ dan Project Y
Critical
CTQ To
Quality
CTQ adalah sebuah karakeristik dari sebuah produk

atau jasa yang memenuhi kebutuhan customer
(internal atau eksternal)
 CTQ adalah elemen-elemen dasar yang merupakan pedoman pengukuran

proses
 CTQ sangat penting sebab hal ini akan merepresentasikan secara akurat
semua yang penting bagi customer.

Kita perlu memanfaatkan

metode-metode yang
membantu kita dalam
memahami kebutuhan
Customer biasanya tidak secara customer dan
jelas menyatakan apa yang menterjemahkannya ke dalam
mereka inginkan atau mereka kebutuhan internal.
butuhkan.
Setelah kita menerjemahkan

kebutuhan customer ke dalam
kebutuhan internal, kita harus
bisa mengukur dan
CTQ diperoleh dari
menggambarkan kapabilitas
kebutuhan customer
produk dan proses.
eksternal atau Internal

Menentukan project yang mempunyai effect yang significant terhadap management Goal dan
Customer requirement dengan cara menentukan CTQ dan Y project.
Brainstorming
Process Issues
QFD
V (Quality Function Deployment)
O
C FMEA
(Failure Mode & Effect Analysis)
Defect Data & Pareto Analysis
Kriteria pemilihan project
SMART
Extract the Project Y

- Specific : Scope Problem yang lebih Spesifik
CTQ Selection
- Measurable : Problem yang terukur
- Attainable : Bisa di selesaikan oleh project team
- Relevant : Sesuai dengan kepentingan MGT
- Time : Dapat diselesaikan sesuai waktu
yang ditetapkan.

Step 2. Memilih Project Y Memilih Project Y
Big Y Narrow down task Action
 Big Y
• Little y1  TDR
• Little y2  TDR
• Little y3 • Little y3.1  1 Person Project

Step 3. Entry the Project Project Registration
Contoh : 1P1P Registration
Setting Target
Waktu pengerjaan harus
jelas dan terukur

Project 1P1P Registration
Approval
Pjt Leader Gr Head VI Gr
Theme Anticipate Door Down CS7,8
Salmon. Hermanto Hariyadi
D M A I C
Breakthrough
Period Relation to TDR
25~30Jan 2 ~ 10 Feb 21 ~ 30 Feb IDEA
12 – 20 Feb Mar ~ May
 Monitoring Torque
of Hinge Lower
TDR
Major Improvement Object Target
( Cost/Quality/Productivity) KPI Current Target (’07)
CS3,4,6-PJT
Quality Improvement Z Value 1.74σ 5.51σ
Why?  Quality problem, How?  Replacing Worn Tool for Bolding Name Dept Ext
Door Foam R Down  Change washer position on Pjt. Leader Salmon R&D 512
bottom of Hinge C
Black Belt
William
Supporter
(Sign)
DoorFoam R down
3.5 Bottleneck
 High consumption of Bolding Tools

 It is caused by : - Hinge C slant
- Hinge Lower
less Torque
As is To be
Performance? • Good Appearance
Qualitative/Quantitative
• Saving cost : $ 7,455 / Yr

Contoh Kasus (Tahap Define)
Sebuah perusahaan mainan anak-anak (Mattel Toy Corp.) telah menjual produk berupa
helikopter mini. Pada awalnya, tingkat penjualan produk tersebut cukup menggembirakan. Akan
tetapi pada akhir-akhir ini tanggapan konsumen mulai berkurang yang ditandai dengan semakin
menurunnya tingkat penjualan produk tersebut.
Perusahaan kemudian melakukan survey terhadap 1000 konsumen dan mendapatkan data
respon (VOC) tentang karakteristik helikopter mini yang disukai, sebagai berikut :
-. Harga murah = 125 orang
Tool : Diagram Pareto
-. Mudah dimodifikasi = 100 orang
-. Waktu terbang lama = 600 orang Pareto Chart of Item
1000 100
-. Warna mencolok = 75 orang
800 80
-. Lain-lain = 100 orang
Percent
600 60
Count
400 40
Berdasarkan hasil diagram Pareto 200 20
dapat ditentukan bahwa yang sangat 0

i
0
Item a h in ok
a as ol
La
m ur - la fik
memungkinkan untuk dijadikan CTQ M in i nc
ng a La od e
ba rg Di
m M
e r Ha na
dalam pemilihan project adalah Waktu T ah ar
tu ud W
ak M
W
terbang lama, karena merupakan Count 600 125 100 100 75
Percent 60.0 12.5 10.0 10.0 7.5
keinginan dari customers. Cum % 60.0 72.5 82.5 92.5 100.0

Aktivitas utama dalam tahap DEFINE adalah
Menentukan Masalah/Issue (Y) yang menjadi
critical to quality (CTQ) yang diperoleh dari
VOC/VOB
Masalah/Issue (Y) yang telah ditentukan

akan diklarifikasi pada tahap
MEASUREMENT

M Measurement
Tujuan
Mengklarifikasi dan menentukan Y baseline dengan mengukur capability proses saat ini yang
berguna untuk menentukan arahan dan target improvement.
Step Output Tools
- Klarifikasi terhadap Y
Step 4. Setup Rencana Pengumpulan Data
- Pengumpulan data yang tepat - Sampling
- Validasi sistem pengukuran - Gage R&R
- Mengetahui kapabilitas proses saat ini - Capability analysis

Step 5. Memeriksa kondisi saat ini
- Menentukan arah perbaikan - 4 Blok diagram

Step 4. Setup Rencana Pengumpulan Data Tipe Data
Solusi 3. Skala Interval, Ciri :

• Sebagai pembeda
Data Discrete
• Berlaku operasi Matematika
Skala Ratio • Terdapat tingkatan.
• Nilai nol tidak absolut/patokan tidak harus dari
Skala Interval Kategori
Data Continuous
nilai nol.
Jumlah Contoh : Temperatur, dsb.
Skala Ordinal Frekuensi
4. Skala Rasio, Ciri :
Skala Nominal • Sebagai pembeda
Data Attribute atau kategori
• Berlaku operasi Matematika
Problem / Issue • Terdapat tingkatan.
• Nilai nol absolut/patokan dari nilai nol.
Dalam statistik terdapat 4 skala data: Contoh : Tinggi, Berat, dsb.
1. Skala Nominal, Ciri :
• Sebagai pembeda Secara umum tipe data terbagi menjadi 2 :
• Tidak berlaku operasi Matematika 1.Data Continuous, yaitu data hasil pengukuran, biasanya
Contoh : Jenis Kelamin, Jenis Warna, dsb. berupa desimal (Interval & Ratio). bisa dibuat kategori
(discrete). Cnth : 20oC; 22,1 cm, dsb.
2. Skala Ordinal, Ciri :
2.Data Discrete, yaitu data hasil menghitung, tidak
• Sebagai pembeda
• Tidak berlaku operasi Matematika terdapat desimal (Nominal & ordinal).  tidak bisa dibuat
• Terdapat tingkatan. jadi continuous. Cnth: 100 Orang, 200 Kulkas, dsb.
Contoh : Jenjang Pendidikan, Jabatan, dsb.
Validate Measurement
System
:: Gage R&R Study ::

Step 4. Setup Rencana Pengumpulan Data Pemeriksaan Measurement System
Variasi proses yang diamati bukan berarti hanya actual variation saja tapi juga variation dari
measurement system.
Pemeriksaan Measurement System adalah prasyarat dari keseluruhan analisis measurement.
Observed variation of Measurement system adalah

process/product
keseluruhan system yang
digunakan untuk memperoleh nilai
pengukuran (Measurement).
Actual variation of Measurement variation of
process/product process/product Contoh :
Metode operasi, Prosedur, Mesin
within-group Between-group Pengukur dan Peralatan yang
variation variation Precision Accuracy
lainnya, software, dsb.
Z LT Z ST
1.5σ
Repeatability Bias
Reproducibility Linearity
Stability
LSL Target
USL

Measurement harus dilakukan dengan metode, alat, dan proses yang tepat Accuracy
Actual
value
Accuracy Gage Assessment & Adjustment

Praysarat
Perbedaan antara nilai standard (true value) dan Average of treatment

Bias hasil nilai yang diukur.
Change of time
Linearity Bias dari keseluruhan Spec. Limit atau Gage Range Time 1 Time 2
Perbedaan dari rata-rata hasil pengukuran oleh Stability

Stability
gage yang sama secara berulang pada waktu yang
berbeda
Precision Gage R&R

Item yang diperiksa
Repeatability :
“to get result with consistency”
Variasi pengukuran yang disebabkan oleh
Repeatability pengukuran yang berulang-ulang oleh operator yg
sama dengan alat ukur dan part yang sama.
Variasi yang diakibatkan oleh alat ukur
Variasi pengukuran yang disebabkan oleh variation at measuring repeatedly
Reproducibility pengukuran dari operator yang berbeda terhadap
Operator B
part yang sama oleh alat ukur yang sama Operator A Operator C
Variasi yang disebabkan oleh operator
Precision rendah, Precision rendah, Precision tinggi, Precision tinggi,

Accuracy rendah Accuracy tinggi Accuracy rendah Accuracy tinggi
Reproducibility

• Apakah anda percaya terhadap hasil Pengukuran ?

• Misalkan hasil pengukuran suatu part tidak sesuai dengan Spesifikasi, apakah
anda dapat mengatakan bahwa part tersebut bermasalah?
• Jika part tersebut tidak terlalu bermasalah lalu apa masalahnya ?
• Apakah ada yang salah dalam sistem pengukuran ?
• Dalam mengukur jumlah variasi dalam proses yang diamati bisa saja
terjadi kesalahan dalam sistem pengukuran.
• Guna mengevaluasi alat ukur (Gage) sebelum dipakai.
• Guna membandingkan dengan tipe alat ukur yang lain
• Guna mengevaluasi apakah gage masih laik pakai atau tidak

Step 4. Setup Rencana Pengumpulan Data Gage R&R Studies
Tujuan Gage R&R Study

Untuk memeriksa apakah metoda sistem pengukuran yang telah dilakukan dapat
diterima secara analisis statistik.
+ =
Variation of
Actual process variation Observed process variation
Measurement System
• Total variation of measurement = process variation + variation of measurement system

• Change of measurement system = repeatability + reproducibility
Analysis of variation of measurement system is called Gage R&R Study.
Gage R&R Study Method

• X bar – R : Analisa yang dilakukan apabila di asumsikan bahwa tidak ada interaksi antara Part & Operator
• ANOVA : Analisa yang dilakukan apabila adanya interaksi antara part dan operator

Tipe Data Kontinu Data Diskrit Gage R&R Studies

Data
- Gage R&R Studies adalah
sebuah percobaan.
- Pengontrolan kondisi adalah
Kemungkinan penting.
Crossed Studies Nested Studies Crossed Studies
Replikasi
Crossed
- Pengukuran unit yang sama
secara berulang oleh operator
Cara ANOVA Xbar - R ANOVA Significant Test
Analisis yang berbeda.
Nested
Graphical Summaries
- Tidak dapat mengukur unit
yang sama secara berulang
Pemeriksaan
oleh operator yang berbeda.
O O O O (Contoh) Destroy inspection,

Repeatability
tidak dapat memperoleh
Reproducibility sampel yang sama.
Operators O O O O
Operators X Parts O X X X
O = ada
X = tidak ada

Kriteria penerimaan Gage R&R
1. % Study Variance ( Variasi dari semua komponen)

2. % Tolerance ( Apabila dibandingkan dengan part Spec)
3. Number of Distinct Categories
≤ 20% : Acceptable
% Study Variance
20% to 29% : Conditionally accept
% Tolerance
≥ 30% : Impossible to apply (improvement action)
Number of Distinct
>4
Categories (NDC)
Resolusi measurement equipment

Dalam melakukan pengukuran, alat ukur di haruskan memiliki resolusi minimal 10%
dari satuan pengukuran yang actual.
•Resolusi : Tingkat keakuratan pengukuran yang bisa di berikan oleh Gauge ( alat ukur)
Contoh : Toleransi dari part : + 0.020 , maka resolusi dari gage harus < 0.0020

Panduan Gage R&R :
 Paling sedikit 2 orang operator (biasanya 2 ~ 3 Operator)
 Paling sedikit 10 unit sampel yang diukur.
 Setiap unit diukur paling sedikit 2 kali oleh tiap operator
 Kualifikasi operator yang akan mengukur harus sama

!!!!
Step 4. Setup Rencana Pengumpulan Data Gage R&R Studies – Manual calculation
Gage R&R
Source VarComp StdDev 5.15*Sigma %Contribution %Study Var %Tolerance
Total Gage R&R 0.004438 0.066615 0.34306 10.67 32.66 11.44

Repeatability 0.001292 0.035940 0.18509 3.10 17.62 6.17
Reproducibility 0.003146 0.056088 0.28885 7.56 27.50 9.63
Operator 0.000912 0.030200 0.15553 2.19 14.81 5.18
Operator*Part 0.002234 0.047263 0.24340 5.37 23.17 8.11
Part-To-Part 0.037164 0.192781 0.99282 89.33 94.52 33.09
Total Variation 0.041602 0.203965 1.05042 100.00 100.00 35.01
Number of Distinct Categories = 4
Source VarComp StdDev 5.15*Sigma %Contribution %Study Var %Tolerance

Total Gage R&R A SQRT (A) = a 5.15*SQRT (A) A/G a/g 5.15*SQRT (A) / T
Repeatability B SQRT (B) = b 5.15*SQRT (B) B/G b/g 5.15*SQRT (B) / T
Reproducibility C SQRT (C) = c 5.15*SQRT (C) C/G c/g 5.15*SQRT (C) / T
Operator D SQRT (D) = d 5.15*SQRT (D) D/G d/g 5.15*SQRT (D) / T
Operator*Part E SQRT (E) = e 5.15*SQRT (E) E/G e/g 5.15*SQRT (E) / T
Part-To-Part F SQRT (F) = f 5.15*SQRT (F) F/G f/g 5.15*SQRT (F) / T
Total Variation G SQRT (G) =g 5.15*SQRT (G) G/G g/g 5.15*SQRT (G) / T
Number of Distinct Categories = 4
A=B+C Sigma = StdDev = SQRT(VarComp)

C=D+E
Process Tolerance (T) = USL – LSL
G=A+F

Gage R&R Studies - Contoh
James, Bryan dan Michael adalah 3 orang staff QA yang diminta untuk melakukan pengukuran
sample terhadap suatu part. Dari hasil pengukuran dibawah, apakah kita bisa terima sistem
pengukuran yang telah mereka lakukan?
Gage R&R Sheet (Continuous Data)

James Bryan Michael
Part
No 1st 2nd 1st 2nd 1st 2nd
Measure Measure Measure Measure Measure Measure
1 10.3 10.3 10.2 10.2 10.3 10.3
2 9.9 9.8 9.8 9.7 9.8 9.8
3 10.0 9.9 10.0 10.0 9.9 10.0
4 10.8 10.7 10.8 10.8 10.7 10.7
5 10.5 10.5 10.4 10.5 10.4 10.4
6 10.8 10.8 10.8 10.8 10.8 10.8
7 10.8 10.8 10.8 10.8 10.8 10.8
8 10.7 10.7 10.6 10.7 10.7 10.7
9 9.7 9.8 9.8 9.8 9.8 9.8
10 10.0 10.1 10.1 10.0 10.0 10.0
Part Spec : 10 + 0.8



% Tolerance < 20%
% Std Variance < 20%
N.D.C > 4
Sistem Pengukuran Dapat diterima !!

Capability Analysis
:: Data Kontinyu ::

Step 5. Memeriksa Kondisi Saat ini Rational Subgrouping
Definisi Rational Subgroup

adalah suatu metode untuk menentukan variasi di dalam suatu Subgroup (Within Group Variation) maupun
variasi antara subgroup (Between Group Variation). Rational subgrouping merupakan pengambilan sampel
yang hanya terdiri dari white noise, sedangkan black noise terjadi diantara beberapa sampel.
RATIONAL
Black Noise
PROCESS RESPONSE
SUBGROUPS

White noise
TIME
Black Noise
- Black noise adalah keadaan (variasi) yang disebabkan karena dipengaruhi oleh perbedaan faktor 4M1E
- Merupakan variasi yang dapat dikontrol
White Noise
- White noise adalah keadaan (variasi) yang disebabkan karena dipengaruhi oleh di luar perbedaan faktor
4M1E
- Merupakan variasi yang tidak dapat dikontrol
Step 5. Memeriksa Kondisi Saat ini Short & Long Term
Operator Baru Shift ke-1

Shift ke-2 Material berbeda
Short Term:
Long Term:
Lower Limit Upper Limit

Step 5. Memeriksa Kondisi Saat ini Short & Long Term Capability
Short Term Capability Untuk Short Term pada proses six sigma,
untuk Six Sigma
terdapat 6 sigma (standard deviasi) diantara SL
dan m.
Short Term Capability menggambarkan

masalah penyebaran (spread) pada proses
LSL m USL kita.
Estimasi Long Term

Titik tengah untuk Capability :
Short Term Capability 1.5 Sigma dikurangkan dari
dalam Six Sigma jarak antara m & SL
LSL m USL
Estimasi reduksinya adalah 1.5 Sigma.

Step 5. Memeriksa Kondisi Saat ini Capability Analisis
Proces Perhitungan sigma level
Proses perhitungan sigma level dibedakan berdasarkan jenis data yaitu data diskrit
maupun data kontinyu.
Data Analysis
Discrete Type of material Continuous

Data Data
Number of defect Location,

DPU Spread,
DPO Shape
Transformation
of sigma level

Berdasarkan distribusi Berdasarkan Count/Proportion

: Shape, Location, Spread : Ratio on interested Attribute
Continuous Data Attribute Data
Cp, Cpk, (Cpm) Z(Bench)-Value Defect Ratio DPU

Pp, Ppk (ST, LT), Zshift PPM DPO,DPMO
Sigma-level, RTY

Estimasi Dari Capability Index (Short Term Vs Long Term)

Jika kapabilitas proses kita telah mencapai Six Sigma maka nilai dari kapabilitas
adalah sebagai berikut :
 Short term  Long term
Zst = 6 Zlt = 4.5
ppm = 3.4 ppm = 3.4
20
 Zshift = Zst - Zlt = 6 - 4.5 = 1.5 !!!
Step 5. Memeriksa Kondisi Saat ini Capability Analisis-Kontinyu
Z-Bench One-side Spec. Z-Bench value Two-side Spec.

value N(0,1)
N(0,1)
Probability
of Defects : PL Probability of
Probability of Defects : PU
Z-value Defects : P
Execution 0 Execution
0 Execution Limits 1 Limits 2
Limits
Contoh :
Dari hasil data didapatkan σST=2Ω , σLT=2.5Ω, average =100Ω CTQS dari proses Parts Resistence USL=110Ω,
LSL=88Ω. Hitunglah ZLT.Bench dalam long term proses.
Zlt.usl = (USL-X)/σlt = (110-100)/2.5

= 4.0 P(NG) : 31.8 ppm
Zlt.lsl = (X-LSL)/σlt = (100-88)/2.5
P(L) P(U) = 4.8 P(NG): 0.818 ppm
total NG = 32.618 ppm => Zlt.bench = 4.0 

LSL=88Ω Target=99Ω USL=110Ω

Stat > Quality Tools > Capability Analysis > Normal
Supplier 1 Supplier 2 Supplier 3 Supplier 4 Supplier 5 Supplier 6

10 9.8 10.3 10.4 9.9 9.6
10.4 9.7 10 10 10.4 10.2
10.1 9.9 10.2 10.2 10 10.4
10.2 10.1 10.1 10.1 10.1 10.1
10.3 10 10.4 10.3 10.2 10
10.2 10 10.1
Spec 10+ 0.5
StDev(Within) = 0.18769
ZBench.Lt Calculation
ZBench.LT = 1.91
Process capability
measured from current Process capability in
data (PPM) terms of Long-term

ZBench.St Calculation
USL + LSL
= StDev (Within)
2
9.5 + 10.5
=
2
= 10
Process capability Process capability ZBench.ST = 2.42

measured from current estimated in terms of
data (PPM) Short-Term

Step 5. Memeriksa Kondisi Saat ini Menentukan arah perbaikan
Continuous Case
- Merupakan penggambaran dari suatu permasalahan di proses

- Tujuan kita adalah kotak D
4 Block Diagram
Z shift
Poor A B
Lack of Control
Lack of Control
Lack of Technology Proper Technology Pada tahap Measurement 4 Blok
Control
diagram digunakan untuk

1.5
DProper Control menentukan improvement direction,
C Proper Control apakah memperbaiki control atau
Proper Technology
Lack of Technology
technology
Good
4.5 ZST
Poor Technology Good
Zshift = ZBench.St – ZBench.Lt

Capability Analysis
:: Data Diskrit ::

Step 5. Memeriksa Kondisi Saat ini Capability Analisis-Diskrit
Tahapan setiap Proses Tahapan Dengan sebagian/keseluruhan Proses
DPU DPO DPMO YFT YRT YNorm
Defect
DPU 
Unit YRT  e  dpu
DPO 
Defect YRT  YFT 1  YFT 2  YFT 3  ....YFT n
(Unit  opportunity ) ZLT
1
DPMO  DPO 10 6
YNorm  YNA  (YRT ) Opportunity
Sigma-level ZST
YNorm  YNA  (YRT ) Pr ocess
Zst = Zlt + 1.5

Defects & Opportunities
Defects Defects
DPU = DPO =
Unit (Unit*Opportunity)
Opportunity  +
Unit
Defect 
• Apa yang dimaksud dengan DPU ?

• Apa yang dmaksud dengan DPMO ?

DPMO
• Suatu Opportunities (kesempatan) dipilih karena :
Critical To Quality (CTQ) dan Kemauan konsumen adanya Cost Of Failure
(COF)
• DPMO adalah jumlah defect yang terjadi dalam satu juta kesempatan, atau
defect per sejuta kesempatan
Defects
DPMO = X 1,000,000
(Unit*Opportunities)
Pertanyaan : Apakah PPM sama dengan DPMO?

Jawaban : benar ! PPM sama dengan DPMO sebab kesempatan
(opportunities) sama dengan jumlah unit yang diproses
atau diproduksi.
Contoh : Membandingkan Proses manakah yang lebih baik?
Process (A) Process (B)
Process (A) Process (B)

Unit number
Total Opportunity No.
Total Defect No.
DPU
DPO
DPMO

Contoh : Cara mengitung sigma level untuk process discrete dengan menggunakan
DPU,DPO,DPMO?
Jika terdapat 34 buah defect dari 750 unit, Hitunglah sigma level melalui DPU/DPO/Yield/DPMO.
Diketahui bahwa terdapat 10 buah opportunity per unit.
Penyelesaian
1. DPU = Banyaknya defect di bagi dengan banyaknya unit ,

Tabel Z
DPU = ( 34 ) ÷ ( 750 ) = ( 0.045 ) . P(defect) = 1 – YNA
= 1 – 0.996 = 0.0045
2. DPO = Banyaknya defect di bagi dengan (Banyaknya unit × opportunity) , = 4.5 x 10-3
DPO = ( 34 ) ÷ ( 750 × 10 ) = ( 0.0045 )
Zlt = 2.61 atau
3. Yield Value Zero Defect (r = 0), Poision Distribution is YRT= e (-dpu)
YRT = 2.7183 -0.045 = ( 0.956 ) = 95.6% MINITAB

YNA = (YRT)1/Opp = (0.956)1/10 = 0.9955 Calc + Probability Dist + Normal
Zlt
4. DPMO = DPO × 1,000,000,
DPMO = ( 0.0045 ) × 1,000,000 = 4,500 PPM
5. Sigma Level (Zst) = Zlt + 1.5 shift = 2.61 + 1.5 = 4.11
Nilai YNA
Inverse Cumulative Distribution Function
Normal with mean = 0 and standard deviation = 1
P( X <= x ) x
0.995510 2.61284
Hasil MiNITAB
Model Yield YRT (Rolled Throughput Yield)
• First Time Yield (YFT)

Receive from Supplier
Hasil Akhir dari proses yield
 Tidak termasuk internal rework loops
 Kemungkinan zero defect diukur dari akhir 95.5% Yield
45,000
proses ppm
waste 97% Yield
• Rolled Throughput Yield (YRT)
28,650
Total proses yield ppm
waste 94.4% Yield
 Termasuk internal rework loops 51,876
ppm
 Kemungkinan menghasilkan zero defects waste
dari keseluruhan proses

Right
• Normalized Yield (YNA) 125,526 parts per million First
Time
wasted opportunities
Rata-rata yield dari proses yang berurutan atau
process steps
YRT = 0.955*0.97*0.94.4 = 87.4%

Contoh :
Hitunglah nilai-nilai YRT, YF dan YNA !
Dengan menggunakan Minitab, berapakah sigma level proses tersebut ?
CTQ CTQ CTQ CTQ
YIELD
INPUT S1 S2 S3 S4 S5 S6 S7 S8 test
275
300
Scrap
Scrap Rework Defects - Tuning &
5
20 48 Cleaning 25
YFT (S2) = 280/300 = 0.93

YFT (S5) = 232/280 = 0.83 Zlt MINITAB Calc + Probability Dist + Normal
YFT (S7) = 255/280 = 0.91
YFT (test) = 275/280 = 0.98 Inverse Cumulative Distribution Function
YRT = 0.93 * 0.83 * 0.91 * 0.98 = 0.688 P( X <= x ) x = Zlt
Nilai YNA
YF = YIELD / INPUT = 275/300 = 0.917 0.9107 1.34508
YNA = (YRT)1/4 = 0.9107
Sigma Level (Zst) = 1.34508 + 1.5 = 2.85

• YRT (Rolled Throughput Yield)

Jika suatu produk dibuat melalui 3 proses yang saling berurutan
Tentukan YRT dan YNA jika YFT and YF diketahui.
Process 1 Process 2 Process 3 Output
YFT1 = 80% YFT2 = 70% YFT3 = 90%
• YRT ?
YRT = YFT1x YFT2 x YFT3 Zlt MINITAB
YRT = 0.8 x 0.7x 0.9 = 0.504 = 50.4% Calc + Probability Dist + Normal
• YNA ? Inverse Cumulative Distribution Function
YFT1  YFT 2  YFT 3

YNA = 3
P( X <= x ) x Nilai YNA
0.965 1.81191
YNA = 3
YRT  3 0.504  0.965
Sigma Level (Zst) = 1.812 + 1.5 = 3.31
Contoh Kasus (Tahap Measurement)
Melanjutkan kasus pada tahap DEFINE, langkah selanjutnya adalah meneruskan ke

Tahap MEASUREMENT :
Dari hasil survey diperoleh data mengenai rata- Akan dilakukan Validasi Measurement System
rata lama waktu terbang beberapa kompetitor. melalui Gage R&R.
Dengan operator 2 orang, part 10 Unit pesawat
1.65 mainan, dan alat stop watch.
1.6 1.58
1.6
Dari hasil pengambilan data diperoleh :
1.55
1.51
1.5 Dudung Andy
Part
1.45 Lama Waktu Terbang 1 2 1 2
1.4 (Menit) 1 1.32 1.32 1.32 1.31
1.4
2 1.34 1.34 1.38 1.37
1.35
3 1.42 1.42 1.42 1.42
1.3
4 1.52 1.51 1.51 1.51
LG SS TO CC
5 1.55 1.54 1.55 1.55
6 1.52 1.51 1.52 1.51
Y = Lama Waktu Terbang (menit) 7
8
1.42
1.43
1.41
1.43
1.42
1.43
1.41
1.43
Spec : > 1.65 Menit 9 1.51 1.51 1.52 1.53
Alat ukur : Stop Watch 10 1.52 1.51 1.51 1.51
Note : Spec diambil 1.65 menit supaya bisa

mengalahkan kompetitor dipasaran

Contoh Kasus (Tahap Measurement) Hasil Perhitungan Gage R&R
Gage R&R (ANOVA) for Y
Gage R&R Study - ANOVA Method Reported by :
G age name: Tolerance:
Date of study : M isc:
Two-Way ANOVA Table With Interaction
Components of Variation Y by Part
Source DF SS MS F P 100 % Contribution
% Study Var 1.5
Percent
50
Part 9 0.21814 0.0242378 156.935 0.000 1.4
1.3
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Opr 1 0.00016 0.0001600 1.036 0.335 R Chart by Opr
Part
Y by Opr
1 2
0.016 UCL=0.01634
Part * Opr 9 0.00139 0.0001544 6.178 0.000
Sample Range
1.5
0.008 _ 1.4
Repeatability 20 0.00050 0.0000250 R=0.005

1.3
0.000 LCL=0
1 2
Opr
Total 39 0.22019 1
Xbar Chart by Opr
2 Opr * Part Interaction
Opr
Sample Mean
1.5 _ 1.5 1
Average
UCL=1.4639
X=1.4545 2
LCL=1.4451
1.4
Gage R&R 1.4
1.3
1.3 1 2 3 4 5 6 7 8 9 10
%Contribution Part
Source VarComp (of VarComp) Study Var %Study Var

Total Gage R&R 0.0000900 1.47 Source StdDev (SD) (6 * SD) (%SV)
Repeatability 0.0000250 0.41 Total Gage R&R 0.0094868 0.056921 12.14 < 20%
Repeatability 0.0050000 0.030000 6.40
Reproducibility 0.0000650 1.06
Reproducibility 0.0080623 0.048374 10.31
Opr 0.0000003 0.00
Opr 0.0005270 0.003162 0.67
Opr*Part 0.0000647 1.06
Opr*Part 0.0080450 0.048270 10.29
Part-To-Part 0.0060208 98.53
Part-To-Part 0.0775940 0.465564 99.26
Total Variation 0.0061108 100.00
Total Variation 0.0781718 0.469031 100.00
Number of Distinct Categories = 11 >5 Measurement System Acceptable.

Contoh Kasus (Tahap Measurement) Hasil Perhitungan Capability Analysis
Data Lama Waktu Terbang (Menit) Process Capability of Data
No subgroup1 subgroup2 subgroup3 subgroup4 subgroup5 subgroup6 LSL

1 1,64 1,35 1,79 1,36 1,39 1,72 P rocess Data Within
LS L 1.65000 Ov erall
2 1,59 1,44 1,60 1,55 1,21 1,59 Target *
P otential (Within) C apability
USL *
3 1,36 1,82 1,66 1,43 1,63 1,66 S ample M ean 1.52933 Z.Bench -0.59
S ample N 30 Z.LS L -0.59
4 1,29 1,24 1,81 1,72 1,53 1,08 S tDev (Within) 0.20361 Z.U S L *
S tDev (O v erall) 0.19549 C pk -0.20
5 1,56 1,62 1,41 1,75 1,73 1,35 C C pk -0.20
O v erall C apability
LSL = 1.65 Z.Bench -0.62
T = 1.7 Z.LS L -0.62
Z.U S L *
P pk -0.21
C pm *
Normality Test
1.2 1.4 1.6 1.8 2.0
H0 : Data mengikuti distribusi normal O bserv ed P erformance

P P M < LS L 700000.00
E xp.
PPM
Within P erformance
< LS L 723285.71
E xp. O v erall P erformance
P P M < LS L 731460.87
H1 : Data tidak mengikuti distribusi normal

PPM > USL
P P M Total
*
700000.00
PPM
PPM
> USL
Total
*
723285.71
PPM > USL
P P M Total
*
731460.87
Zlt.Bench = -0.62
Probability Plot of Data
Normal Process Capability of Data
99
Mean 1.529
LSL
StDev 0.1938
P rocess Data Within
95 N 30 LS L 1.65000 Ov erall
AD 0.421 Target *
90 P otential (Within) C apability
P-Value 0.303 USL *
S ample M ean 1.70000 Z.Bench 0.25
80 Z.LS L 0.25
S ample N 30
70 S tDev (Within) 0.20361 Z.U S L *
C pk 0.08
Percent
60 S tDev (O v erall) 0.19549

C C pk 0.08
50
O v erall C apability
40
Z.Bench 0.26
30
Z.LS L 0.26
20 Z.U S L *
P pk 0.09
10 C pm *
1.2 1.4 1.6 1.8 2.0

1
1.0 1.2 1.4
Data
1.6 1.8 2.0 O bserv ed P erformance
P P M < LS L 700000.00
E xp.
PPM
Within P erformance
< LS L 403008.52
Zst.Bench = 0.25
E xp. O v erall P erformance
P P M < LS L 399067.59
PPM > USL * PPM > USL * PPM > USL *
P P M Total 700000.00 PPM Total 403008.52 P P M Total 399067.59
Karena P-Value (0.305) > 0.05, maka :

H0 diterima atau
“Dengan derajat kepercayaan 95% data mengikuti distribusi
Sigma Level Kondisi saat ini = 0.25
normal”
Contoh Kasus (Tahap Measurement) Arahan Improvement
Berdasarkan perhitungan capability analysis maka

nilai Zbench yang diperoleh dapat dipetakan ke
dalam :
4 Block Diagram
Improvement Direction
Z shift
Poor A B Lebih fokus untuk memperbaiki
Technology
Control
1.5
C D Target Setting
0.87
Poor Technology (Minutes) ()

Good Control 1,7 5
1,51 0.25
Good
0.25 4.5 ZST
Current Target Current Target

= 0.25 – (-0.62) = 0.87

Aktivitas utama dalam tahap MEASUREMENT
adalah klarifikasi Y, data collecting, process
capability actual, dan penentuan arah
improvement.
Langkah selanjutnya adalah menentukan faktor-

faktor (X) apa saja yang menjadi Vital Factor
yang mempengaruhi Y pada tahap ANALYSIS

A Analysis
Tujuan
Memilih Vital faktor dengan cara menyeleksi dari semua X’s yang mungkin untuk memperbaiki project
Y yang telah di extract pada tahapan measurement
Step Output Tools
- Menentukan Possible X’s - Brain Storming

Step 6. Menyeleksi Vital Faktor
- Klarifikasi Vital Factor - Logic tree Diagram
- Fish Bone Diagram
- Evaluasi terhadap vital faktor apakah

- Statistical Inference
Step 7. Pengujian Faktor Penyebab benar-benar merupakan penyebab utama
(Hypothesis Testing)
dari permasalahan Y

Step 6. Menyeleksi Vital Faktor
Apa itu Vital Factor ?

Seluruh Faktor yang merupakan Efek dari Vital factor
penyebab dari masalah X’s : Non Vital Few
Y
X1 Input Process/
Output (Y)
X2 System
X8 80%
Main
of
Vital factor X’s : Vital Few
Vital
to influence
factor
X5 X10 CTQ
X9 Y = f(X1, X2,
X7 X8) Y = f(X’s)
X4 X6
20%
X3 of
Y  Dependen variabel
etc.
X  Independen Variabel
Y Tergantung pada X
Berdasarkan teori Pareto, Vital faktor yang telah

ditentukan diidentifikasikan sebagai CTQ dari proses
yang ada sehingga dapat dikontrol.

Step 6. Menyeleksi Vital Faktor Brainstorming
 Brainstorming
- Untuk mengungkap ide-ide dengan cepat
 Jenis-jenis Brainstorming
- Free Wheeling : Semua anggota tim proyek memberikan ide-ide
mereka dalam sebuah obrolan
- Round Robin : Semua anggota tim proyek memberikan ide-ide
mereka secara berputar bergiliran
- Card Method : Mencatat ide-ide dari setiap anggota tim proyek
dalam secarik kertas tanpa diskusi
 Yang perlu diperhatikan dalam Brainstorming

- Tidak boleh mengkritik setiap ide yang disampaikan oleh setiap anggota tim
- Catat semua ide yang disampaikan tanpa kecuali
- Semua anggota tim harus hadir dalam kegiatan Brainstorming
- Hargai semua ide-ide yang disampaikan walaupun terkadang tidak masuk akal

Step 6. Menyeleksi Vital Faktor Logic Tree
 Logic Tree (Structure Tree, Why-Because)

- Kita dapat menggunakan Logic Tree untuk menemukan faktor-faktor (X) yang
mempengaruhi CTQ (Y) pada fase analisis dalam Six Sigma
- Kita dapat membuat Logic Tree dengan mengatur kategori-kategori utama di
sebelah kiri
- Perhatikan prinsip-prinsip MECE (Mutually Exclusive and Collective Exhaustive)
Why Why
Losses
Electromagnetic
Why Inductance
Lamination
OD
Mechanical
Why ROTOR Core length
Area A
Endrings
RPM STATOR Area B
Fokuskan pada bagian ini
ASSEMBLY
Tiga kategori ini merupakan
MECE untuk masalah RPM.

Step 6. Menyeleksi Vital Faktor Fish Bone

Graph Analysis
● Untuk Mengecek distribusi data : Histogram, Normality Test
● Untuk mengecek fluktuasi waktu : Time Series Plot
● Untuk melihat hubungan antara variabel : Scatter Plot, Matrix Plot, Draftsman Plot, Marginal Plot
● Untuk membandingkan antara group : Box Plot, Chart
● Untuk menampilkan Summary data : Display Descriptive Statistics
Graph is the 1st step of analysis.

Check statistics as what you see through graph !!!

Graph Analysis
MTB <Graph>
Characteristics Continuous Data Attribute Data
Distribution Histogram, Probability Plot,

Shape Bar Chart, Pie Chart
Box-Plot
Characteristics Y : Continuous Data Y : Attribute Data
X : Cont. Data X : Att. Data X : Cont. Data X : Att. Data

Relationship
Scatter Plot
Not
Matrix Plot Available No Bar
Marginal Plot
Graphical Chart
Tools With
Comparison
Box Plot
Not In MTB grouping
Individual Plot
Available
(Interval Plot)

Pengujian Hipotesis
Apakah Hipotesis itu? Secara bahasa hipotesis adalah dugaan sementara terhadap suatu
kejadian. Dugaan ini tentunya harus diuji kebenarannya melalui sebuah Pengujian Hipotesis
berdasarkan data-data real yang dikumpulkan melalui sampling yang mendukung terhadap
kejadian itu.
Sampel Populasi
Nilai ukur sampel x1 X1 Nilai ukur Populasi

(Statistik) (Parameter)
x2
x
X2 m
x3 X3
s . . 
r . . 
. . . .
. f ( x,  ) .
xn Xn
dsb. dsb.
Nilai Statistik adalah estimator untuk nilai Populasi
Melalui data sampel (hasil sampling) kita akan menguji dugaan (Hipotesis)
yang merupakan data Populasi, apakah dugaan itu benar atau tidak
dengan derajat kepercayaan yang sudah ditentukan

Pengujian Hipotesis
Langkah-Langkah Pengujian Hipotesis
1. Menuliskan Pernyataan Hipotesis

Pernyataan seseorang dituangkan ke dalam 2 jenis hipotesis :
a. Hipotesis Nol (H0)
Apabila pernyataan seseorang mengandung tanda sama dengan (, , ) maka pernyataan itu
terlebih dahulu di tempatkan pada hipotesis nol (H0), kemudian tempatkan pada hipotesis
alternatif.
b. Hipotesis Alternatif (H1)
Apabila pernyataan seseorang tidak mengandung tanda sama dengan ( , , ) maka
pernyataan itu terlebih dahulu ditempatkan pada hipotesis alternarif, kemudian tempatkan pada
hipotesis nol yang mengandung tanda sama dengan.
2. Menentukan Derajat kesalahan (α), biasanya digunakan 5% atau 1%.
3. Menentukan Statistik Uji.
4. Perhitungan (data dari sampel)  gunakan MINITAB  perhatikan nilai P-Value
5. Kesimpulan
- Jika p-value LEBIH BESAR dari α, maka kita MENERIMA H0

- Jika p-value LEBIH KECIL dari α, maka kita MENOLAK H0
!!!
Pengujian Hipotesis
Ada dua jenis pengujian Hipotesis

1. Satu Sisi (One Side)  Pada Hipotesis Alternatif mengandung tanda ( , )
Daerah penerimaan H0
atau
Daerah penolakan H0 Daerah penolakan H0
2. Dua Sisi (Two Side)  Pada Hipotesis Alternatif mengandung tanda ( )
Daerah penolakan H0
Daerah penolakan H0

Step 7. Pengujian Faktor Penyebab Pengujian Hipotesis
Statistical Inference (Pengujian Hipotesis)
Statistics
t Untuk menganalisa perbedaan rata-rata
Tool
Test dari 2 grup (level)
Average
Untuk menganalisa perbedaan rata-rata

Continues ANOVA
dari 2 grup (level) atau lebih
Data
F Untuk menganalisa perbedaan

Dispersion distribusi dari 2 grup atau lebih
Test
Analysis Untuk mengidentifikasi ada tidaknya

Correlation
correlation korelasi (hubungan) dari 2 buah
variabel atau lebih
Discrete
Ratio Proportion Membandingkan rasio dari suatu
Data grup
Untuk melihat ada tidaknya hubungan

Chi-square
dari variabel-variabel ( data diskrit )

Step 7. Pengujian Faktor Penyebab Pengujian Hipotesis
Jenis Data
Continuous Data Discrete Data
Ho: Data follows normal distribution

Non Normal Normality Test Ha: Data does not follow normal distribution. Ratio
Frequency Table
Minitab:
Stat - Basic Stat - Normality Test (Contingency Table) Data
Normal Ho: 2 Inputs are independent
Ha: 2 Inputs are subordinate
Minitab:
Stat -Tables - Chi-square Test
No. of Sample=1 No. of Sample=2
Equal Variance Test
Ho: 1  2  3  ...
Ha: at least one is different
1 Sample 2 Samples
Equal variance?
1  2 ... One Two
N
Y Proportion Proportion
Samples Ho: p = p0 Ho: p1 - p2 = p0
1 Samples 2 Samples
n≥ 2 Ha: p ≠ p0 Ha: p1 - p2 ≠ p0
Minitab: Minitab:
One Way 2 Sample T 2 Sample T Stat - Basic Stats Stat - Basic Stats
1 Sample T
ANOVA (Equal Var.) (Unequal Var.) - 1 Proportion - 2 Proportion
Ho: m1  m target Ho: m1  m2  m3  ... Ho: m1  m2
Ha: m1  m target Ha: at least one is different Ha: m1  m2
Minitab: Minitab: Minitab:
Stat - Basic Stats Stat - ANOVA- One-way Stat - Basic Stats - 2-Sample T
- 1 Sample-T Select Equal Variance Option

Step 7. Pengujian Faktor Penyebab Uji Normality Test
 Uji Hipotesis
H0 : Data Mengikuti Distribusi Normal
H1 : Data tidak mengikuiti Distribusi Normal
 Minitab
File Name : Cranksh .mtw
Stat > Basic Statistic > Normality test
Ho : data mengikuti distribusi Normal

H1 : data tidak mengikuti distribusi Normal
1) Jika P-value lebih kecil dari 0.05

→ Data tidak mengikuti distribusi
Normal
2) Jika P-value lebih besar dari 0.05
→ Data mengikuti distribusi Normal
Step 7. Pengujian Faktor Penyebab 1-Sample t Test
 Hypothesis Testing
H0 : µ = T vs. H1 : m ≠ T Tujuan : Untuk menguji rata-rata dari satu sample populasi
 How to use Minitab jika Standard deviation populasi (s) dari populasi tidak
File Name : Exh_Stat .mtw diketahui.
Stat > Basic Statistic > 1 sample t
Values
4.9
5.1
4.6
5.0
5.1
4.7
4.4
4.7
4.6

 Hasil Minitab
One-Sample T: Values
Test of mu = 5 vs not = 5
Variable N Mean StDev SE Mean 95% CI T P

Values 9 4.78889 0.24721 0.08240 (4.59887, 4.97891) -2.56 0.034
Kesimpulan :
Karena P-Value < 0.05, maka
kita tolak H0. Artinya dengan
tingkat kepercayaan 95%,
dapat. Disimpulkan bahwa
rata-rata dari data ≠ 5

 Uji Hipotesis
H0 : m1 - m2 = 0 vs. H1 : m1 - m2≠0 Tujuan :Untuk menguji perbedaan rata-rata antara dua buah
 How to use Minitab sample populasi jika standard deviasi populasi () tidak
File Name : Furnace .mtw diketahui .

Stat > Basic Statistic > 2 sample t

 Hasil MINITAB
Two-Sample T-Test and CI: BTU.In, Damper
Two-sample T for BTU.In
Damper N Mean StDev SE Mean

1 40 9.91 3.02 0.48
2 50 10.14 2.77 0.39
Difference = mu (1) - mu (2)

Estimate for difference: -0.235250
95% CI for difference: (-1.450131, 0.979631)
T-Test of difference = 0 (vs not =): T-Value = -0.38 P-Value = 0.701 DF = 88
Both use Pooled StDev = 2.8818
Kesimpulan :
Karena P-Value > 0.05, maka

kita terima Ho. Artinya
dengan
tingkat kepercayaan 95%,
dapat Disimpulkan bahwa
tidak ada perbedaan rata-
rata dari damper1 dan
damper2

Step 7. Pengujian Faktor Penyebab Analysis of Varian (ANOVA)
 Uji Hipotesis
H0 : m1= m2 = m3 vs H1 : at least one of them ≠Tujuan :
Untuk melihat perbedaan rata-rata dari dua sample atau lebih
 How to use Minitab
File Name : EXH_AOV .mtw
Stat >Anova > One Way (stacked)
Durability Carpet
18.95 1
12.62 1
11.94 1
14.42 1
10.06 2
7.19 2
7.03 2
14.66 2
10.92 3
13.28 3
14.52 3
12.51 3
10.46 4
21.4 4
18.1 4
22.5 4

Step 7. Pengujian Faktor Penyebab Analysis of Varian (ANOVA)
 Hasil MINITAB
One-way ANOVA: Durability versus Carpet
Source DF SS MS F P
Carpet 3 146.4 48.8 3.58 0.047
Error 12 163.5 13.6
Total 15 309.9
S = 3.691 R-Sq = 47.24% R-Sq(adj) = 34.05%

Individual 95% CIs For Mean Based on
Pooled StDev
Level N Mean StDev ---------+---------+---------+---------+
1 4 14.483 3.157 (-------*-------)
2 4 9.735 3.566 (-------*--------)
3 4 12.808 1.506 (-------*-------)
4 4 18.115 5.435 (-------*-------)
---------+---------+---------+---------+
10.0 15.0 20.0 25.0
Pooled StDev = 3.691
Kesimpulan :

kita tolak Ho. Artinya dengan
tingkat kepercayaan 95%, dapat
disimpulkan bahwa ada
perbedaan rata-rata dari carpet

Step 7. Pengujian Faktor Penyebab Chi – Square Test
 Uji Hipotesis
H0 : P1 = P2 = P3 vs. H1: At least one of P ≠

File Name : Exh_tabl .mtw
Stat >Tables > Chi Square Test

Step 7. Pengujian Faktor Penyebab Chi – Square Test
 Hasil MINITAB
Expected counts are printed below observed counts
Chi-Square contributions are printed below expected
counts
Political Party
Democrat Republican Other Total
L 28 18 4 50
25.00 22.50 2.50
Gender 0.360 0.900 0.900
P 22 27 1 50
25.00 22.50 2.50
0.360 0.900 0.900
Total 50 45 5 100
Kesimpulan :
Chi-Sq = 4.320, DF = 2, P-Value = 0.115
2 cells with expected counts less than 5. Karena P-Value > 0.05, maka
kita terima H0. Artinya dengan
tingkat kepercayaan 95%, dapat
disimpulkan bahwa Hasil pemilihan
terhadap partai politik independen
terhadap Gender

Step 7. Pengujian Faktor Penyebab One Proportion Test
 Uji Hipotesis
H0 : P = 0 vs. H1: P ≠ 0

Example :
As campaign manager, you collected data on 950 randomly selected party members and find that 560 party
members support the candidate. A test of proportion was performed to determine whether or not the proportion of
supporters was greater than the required proportion of 0.65. In addition, a 95% confidence bound was constructed to
determine the lower bound for the proportion of supporters.
1 Choose Stat > Basic Statistics > 1 Proportion.

2 Choose Summarized data.
3 In Number of trials, enter 950. In Number of events, enter 560.
4 Click Options. In Test proportion, enter 0.65.
5 From Alternative, choose greater than. Click OK in each dialog box.
Kesimpulan :
Test and CI for One Proportion

Karena P-Value > 0.05, maka
kita terima H0. Artinya dengan
Test of p = 0.65 vs p > 0.65 tingkat kepercayaan 95%, dapat
95%
disimpulkan bahwa proporsi
Lower Exact dari sampel sama dengan 0.65
Sample X N Sample p Bound P-Value
1 560 950 0.589474 0.562515 1.000

Step 7. Pengujian Faktor Penyebab Two Proportion Test
 Uji Hipotesis
H0 : P1 = P2 0 vs. H1 : P1 ≠ P2

Example :
Seorang supervisor ingin membandingkan kekuatan pintu kulkas merek LG dan SS melalui sebuah pengetesan yang
sudah di standarisasi. Dari 100 sampel yang diambil untuk masing-masing merek, terdapat 10 pintu kulkas NG untuk
merek LG dan 25 pintu kulkas NG untuk merek SS.
Apakah proporsi perbedaan jumlah NG merek LG dan SS berbeda secara nyata?
1 Choose Stat > Basic Statistics > 2 Proportion.
2 Choose Summarized data.
3 First (LG) trial = 100, Event = 10; Second (SS) trial = 100, Event = 25
5 From Alternative, choose not equal. Click OK in each dialog box.
Kesimpulan :

Test and CI for Two Proportions
Sample X N Sample p kita tolak H0. Artinya dengan

1 10 100 0.100000 tingkat kepercayaan 95%, dapat
disimpulkan bahwa propotion
2 25 100 0.250000
Difference = p (1) - p (2) jumlah NG kekuatan pintu

Estimate for difference: -0.15 kulkas merek LG dan SS
berbeda nyata.
95% CI for difference: (-0.253248, -0.0467525)
Test for difference = 0 (vs not = 0): Z = -2.85 P-Value = 0.004

Studi Kasus Logic Tree
Y f(X)
Berdasarkan hasil analysis para ahli
Operator yang berpengalaman dalam
Man
Skill bidangnya, ditentukan bahwa yang
menjadi Potensial Few Vital Factor
Length Wing X1 yang mungkin berpengaruh terhadap
Machine
perubahan lama waktu terbang
Number of X2
pesawat helikopter mainan adalah
Lama Waktu Clip
Terbang
Length Wing (X1) dan Number of
Clip (X2).
Method Assembly
Berdasarkan hasil ini langkah
selanjutnya adalah melakukan
pengujian apakah potensial few vital
Material factor (X) benar-benar berpengaruh
terhadap masalah (Y), dalam hal ini
(Logic Tree) lama waktu terbang.

Normality Test (X1)
Hypothesis
X1 = Length Wing H0 : Data lama waktu terbang untuk length wing 3.4 cm
mengikuti distribusi normal.
Analysis
X1 H1 : Data lama waktu terbang untuk length wing 3.4 cm
Length Wing tidak mengikuti distribusi normal.
3.4 cm 3.7 cm
P-Value > 0.05
1,407 1,575
1,395 1,562
Probability Plot of 3.4 cm
Normal “H0 Diterima”
99
1,371 1,609 Mean
StDev
1.399
0.01718 Dengan derajat
1,407 1,628 95 N
AD
30
0.204
1,390 1,577
90
80
P-Value 0.863
kepercaan 95 % Data
1,432 1,571 70
mengikuti distribution
Percent
60
1,387 1,618 50
40
1,392 1,602 30
20 Probability Plot of 3.7 cm
normal
Normal
1,388 1,568 10
99
5 Mean 1.595
1,402 1,641
1,411 1,606 Normality Test 1
1.35 1.36 1.37 1.38
95
90 1.39 1.40 1.41 1.42 1.43 1.44
StDev
N
AD
P-Value
0.02164
30
0.361
0.422
1,394 1,601 3.4 cm
80
70
1,382 1,598
Percent
60
50
1,390 1,611 40
30
1,369 1,609 20
10
1,368 1,602 5
1,420 1,581
1
1,409 1,628 1.550 1.575 1.600 1.625 1.650
3.7 cm
1,413 1,599
1,395 1,599 Hypothesis
1,373 1,600
1,402 1,595
1,399 1,585 H0 : Data lama waktu terbang untuk length wing 3.7 cm
1,391 1,613
1,394 1,587
1,402 1,598
1,424 1,556 H1 : Data lama waktu terbang untuk length wing 3.7 cm
1,431 1,596
tidak mengikuti distribusi normal.

Equal Varians (X1)
Hypothesis
H0 :12  22; Varians data lama waktu terbang untuk length wing 3.4 cm dan 3.7 cm equal
H1 :12 ≠ 22; Varians data lama waktu terbang untuk length wing 3.4 cm dan 3.7 cm not equal
a = 5%
Hasil MINITAB
Test for Equal Variances for 3.4 cm, 3.7 cm
F-Test
Test Statistic 0.63
3.4 cm P-Value 0.220
Lev ene's Test
P-Value > 0.05
Test Statistic
P-Value
0.47
0.495
“H0 Diterima”
3.7 cm
Dengan derajat kepercaan
0.015 0.020 0.025 0.030
95% Bonferroni Confidence Intervals for StDevs
95 % Varians data lama
waktu terbang untuk length
wing 3.4 cm dan 3.7 cm
3.4 cm
equal
3.7 cm
1.40 1.45 1.50 1.55 1.60 1.65

Data

Two Sample T Test (X1)
Hypothesis
H0 :m12  m22; Rata-rata lama waktu terbang untuk length wing 3.4 cm dan 3.7 cm tidak berbeda nyata
H1 :m12 ≠ m22; Rata-rata lama waktu terbang untuk length wing 3.4 cm dan 3.7 cm berbeda nyata
a = 5%
Boxplot of 3.4 cm, 3.7 cm
Hasil MINITAB 1.65
Two-Sample T-Test and CI: 3.4 cm, 3.7 cm

1.60
Two-sample T for 3.4 cm vs 3.7 cm

1.55
N Mean StDev SE Mean
Data
1.50
3.4 cm 30 1.3989 0.0172 0.0031
3.7 cm 30 1.5951 0.0216 0.0040
1.45
Difference = mu (3.4 cm) - mu (3.7 cm) 1.40

Estimate for difference: -0.196230
95% CI for difference : (-0.206330, -0.186130)
3.4 cm 3.7 cm
T-Test of difference = 0 (vs not =): T-Value = -38.89
P-Value = 0.000 DF = 58
P-Value < 0.05
Both use Pooled StDev = 0.0195
“H0 Ditolak”
Dengan derajat kepercaan 95 % rata-rata lama waktu terbang
Length Wing is VITAL FACTOR untuk Length Wing 3.4 cm dan 3.7 cm berbeda nyata

Normality Test (X2)
Hypothesis
X2 = Number of Clip
H0 : Data lama waktu terbang untuk number of clip 1
Number of Clip
1 2
1.637 1.504
H1 : Data lama waktu terbang untuk number of clip 1
1.670 1.503 tidak mengikuti distribusi normal.
1.722 1.500 P-Value > 0.05
1.705 1.502
Probability Plot of 2
“H0 Diterima”
1.708 1.498 Normal
99 Dengan derajat
1.719 1.503 Mean
StDev
1.500
0.002766
1.708 1.498 95 N
AD
30
0.405
kepercaan 95 % Data
90
P-Value 0.332
1.800 1.496 80 Probability Plot of 1
Normal
mengikuti distribution
70
1.730 1.498
Percent
60
50
99
Mean 1.696 normal
1.737 1.504 40
30 95
StDev
N
0.06290
30
AD 0.250
1.789 1.502 20
90
P-Value 0.721
10
1.694 1.500 Normality Test 5
80
70
Percent
1.627 1.497 1
60
50
1.4950 1.4975
40 1.5000 1.5025 1.5050 1.5075
1.744 1.497 30 2
1.675 1.495 20
10
1.832 1.507 5
1.627 1.497
1
1.726 1.502 1.50 1.55 1.60 1.65 1.70 1.75 1.80 1.85
1
1.601 1.501
1.741 1.499
1.648 1.502
Hypothesis
1.700 1.501
1.772 1.501 H0 : Data lama waktu terbang untuk number of clip 2
1.648 1.502 mengikuti distribusi normal.
1.675 1.498
1.712 1.501 H1 : Data lama waktu terbang untuk number of clip 2
1.682 1.499
1.520 1.500
tidak mengikuti distribusi normal.
1.687 1.497
1.652 1.498
Equal Varians (X2)
Hypothesis
H0 :12  22; Varians data lama waktu terbang untuk Number of Clip 1 dan 2 equal
H1 :12 ≠ 22; Varians data lama waktu terbang untuk Number of Clip 1 dan 2 not equal
a = 5%
Hasil MINITAB
Test for Equal Variances for 1, 2
F-Test
Test Statistic 517.20
1 P-Value 0.000
Levene's Test
Test Statistic 33.95
P-Value 0.000
2 P-Value < 0.05
“H0 Ditolak”
0.00 0.02 0.04 0.06 0.08 0.10
95% Bonferroni Confidence Intervals for StDevs Dengan derajat kepercaan 95 %
Varians data lama waktu terbang
1
untuk Number of Clip 1 dan 2 not
equal
2
1.50 1.55 1.60 1.65 1.70 1.75 1.80 1.85

Data

Two Sample T Test (X2)
Hypothesis
H0 :m12  m22; Rata-rata lama waktu terbang untuk Number of Clip 1 dan 2 tidak berbeda nyata
H1 :m12 ≠ m22; Rata-rata lama waktu terbang untuk Number of Clip 1 dan 2 berbeda nyata
a = 5%
Hasil MINITAB Boxplot of 1, 2

1.85
Two-Sample T-Test and CI: 1, 2
1.80
Two-sample T for 1 vs 2 1.75
1.70
N Mean StDev SE Mean
Data
1.65
1 30 1.6993 0.0559 0.010
2 30 1.50007 0.00277 0.00050 1.60
1.55
1.50
Difference = mu (1) - mu (2)
1 2
Estimate for difference: 0.199212
95% CI for difference: (0.178320, 0.220103)
T-Test of difference = 0 (vs not =): T-Value = 19.50 P-Value < 0.05
P-Value = 0.000 DF = 29 “H0 Ditolak”
Dengan derajat kepercaan 95 % rata-rata lama waktu terbang
untuk Number of clip 1 dan 2 berbeda nyata
Number of Clip is VITAL FACTOR
Aktivitas utama dalam tahap ANALYSIS
adalah menentukan faktor-faktor X (Vital
Factor) yang berpengaruh terhadap Y
(masalah/issue)
Vital Factor yang telah ditemukan akan

diperbaiki pada tahap IMPROVEMENT
dengan tujuan Masalah (Y) bisa diatasi.

I Improvement
Tujuan
Menentukan object yang akan diperbaiki yang dihasilkan dari proses analisis.
( Improve Vital few Factor yang merupakan penyebab utama dari masalah)
Step Output Tools
- Design dari Improvement Plan. -DOE, RSM, dsb

Step 8. Optimal Plan Selection - Memilih Nilai Optimal dari permasalahan
Step 9. Melaksanakan dan Verifikasi - Result analysis : Menentukan Benefit

dari Improvement

Step 8. Optimal Plan Selection
Extract rencana Tentukan beberapa rencana improvement yang mungkin untuk

improvement menghilangkan akar masalah.
Qualitative Methods Quantitative Methods
Tes rencana Jika terdapat beberapa rencana improvement, Uji rencana

improvement improvement itu secara objektif
– Focus pada kemudahan dan pengaruh financial.
Penting untuk menjaga kekonsistenan terhadap rencana
improvement/masalah/root cause.
Memilih final rencana Tentukan dan verifikasi rencana improvement terakhir

Improvement berdasarkan cek poin.
(Check Points)
- Dapatkah final rencana improvement mencapai target?
- Adakah pengaruh/reaksi lain mengenai range/fungsi proses?
Verifikasi
- Dapatkah rencana improvement menghilangkan semua
penyebab masalah?
- Apakah standard performance kongkrit?

Step 8. Optimal Plan Selection Konsep Dasar DoE
 Definisi DOE
• DOE adalah metode penentuan awal mengenai pengambilan data dari proses eksperimen
dan analisa data sehingga kita mendapatkan informasi yang akurat melalui Eksperimen.
 Tujuan DOE
• Menentukan hubungan cause-effect antara proses input dan karakteristik produk
• Menentukan kondisi proses dari faktor
• Menentukan sumber variasi pada Critical Proces
• Menentukan persamaan model pada proses
• Menentukan nilai optimal dari faktor.
 Faktor
Suatu faktor (input) yang mempengaruhi Response (output) dan dapat merupakan
variabel terkontrol (controllable) atau tidak terkontrol (uncontrollable).
Suatu faktor dapat saja bersifat kuantitatif (misal : temperatur, waktu) atau bersifat
kualitatif (Perbedaan mesin, Perbedaan Operator, Bersih atau tidak)

 Level
Level suatu faktor adalah nilai-nilai dari faktor dalam suatu eksperimen. Misalkan
eksperimen yang dilakukan terhadap 2 perbedaan temperatur (100C dan 200C) maka
faktor temperatur mempunyai 2 level
 Sub Faktor
Sub Faktor adalah eksperimen yang dilakukan terhadap satu level pada faktor. Misal, pada
tingkat temperatur 2500C kita lakukan eksperimen.
 Perlakuan Kombinasi
Suatu eksperimen yang menggunakan level-level yang spesifik dari tiap faktor. Jumlah
perlakuan kombinasi pada full experiment adalah percobaan yang dilakukan terhadap
SELURUH KOMBINASI level pada tiap faktor.

 Proses melakukan DOE

- Temukan masalah - Tentukan design eksperimen
- Tentukan tujuan - Kumpulkan data
- Tentukan variabel respon (Y) - Analisis data
- Tentukan variabel Indenpenden (X) - Simpulkan berdasarkan penggambaran dari
- Tentukan levelnya hasil analisis statistik
- Buat Solusi
 Prinsip melakukan DOE
- Prinsip Pengacakan (Randomization)
* Experiment dilakukan secara acak.
- Prinsip Pengulangan (Replication)
* Untuk mendapatkan hasil yang baik dilakukan pengulangan
eksperimen pada periode waktu tertentu.
- Prinsip Pemblokan (Blocking)
* Membagi variasi eksperiment yang sejenis dan dilakukan
eksperiment pada kondisi yang berbeda
- Prinsip Pembauran (Compounding)
* Meniadakan kombinasi faktor yang berulang (menyederhanakan
eksperiment)
Step 8. Optimal Plan Selection Desain Faktorial
 Desain Dua Pihak (Two-way) dengan replikasi perlakuan

- Menentukan hubungan sebab-akibat diantara dua faktor dan karakteristik produk (output)
- Menentukan apakah mean dari output tiap level faktor sama atau tidak
- Apakah ada pengaruh interaksi (Interaction effect) atau tidak.
 Main effect (Pengaruh utama)

- Perubahan rata-rata variabel output yang disebabkan perubahan level pada suatu faktor
 Interaksi pengaruh (Interaction effect)

- Jika Main effect diantara level-level dalam satu faktor tidak sama dengan faktor yang lain,
maka terdapat interakasi pengaruh diantara faktor-faktor tersebut.
Contoh :
Ketebalan
A2 A1 A : Tekanan
B : Temperatur
A1 A2 Output : Kekuatan (Strength)
B1 B2 Temperatur
Step 8. Optimal Plan Selection Desain Faktorial
 Desain Full Faktorial kn

• Merupakan desain eksperimen terhadap keseluruhan perlakuan kombinasi dari n faktor
dengan level sama dengan k.
• Jika terdapat r kali eksperimen pada setiap perlakuan kombinasi, maka banyaknya
eksperimen dilakukan sebanyak r*kn
• Biasanya k adalah 2 atau 3, jadi 2n atau 3n
 Desain Fraksional
• Suatu desain eksperimen yang dilakukan hanya sebagian saja atau tidak
dilakukan secara penuh (full factorial design).
• Jika terdapat banyak faktor, maka kita harus melakukan banyak eksperimen.
• Bila kita melakukan banyak eksperimen berarti akan banyak membutuhkan biaya dan
waktu.
• Kita dapat mereduksi banyaknya eksperimen dengan menjalankan desain
fraksional faktorial.
• Dengan asumsi tidak terdapat perbedaan efek interaksi sehingga bisa diabaikan.
• Biasanya perbedaan efek interaksi diabaikan bila lebih dari 3 faktor.
• Biasanya desain fraksional dilakukan dengan pembauran (Comfounding)

Studi Kasus Desain Faktorial 22
Dari tahap ANALYSIS kita sudah memperoleh bahwa yang menjadi few Vital Factor dalam kasus
lama waktu terbang helikopter mainan adalah Length Wing dan Number of Clip.
Untuk itu pada tahap improvement kita akan mengimprove Few Vital Factor resebut melalui
Design of Experiment (DoE). Akan dicari kombinasi optimal Length Wing dan Number of Clip yang
memiliki lama waktu terbang terlama.
Akan di uji cobakan :
Variabel Independent (Faktor) :

X1: Wing Length (3.0 inches & 4.5 inches  Level)
X2: Number of Paper Clips (1 & 2  Level)
Dari hasil MINITAB dan hasil eksperiment di peroleh data :

StdOrder RunOrder CenterPt Blocks Length Wing Clip Y
1 1 1 1 3.0 1 2.00
2 2 1 1 4.5 1 2.75
3 3 1 1 3.0 2 1.97
4 4 1 1 4.5 2 2.28
5 5 1 1 3.0 1 2.03
6 6 1 1 4.5 1 2.65
7 7 1 1 3.0 2 1.96
8 8 1 1 4.5 2 2.31
(Pesawat Mainan)
Dilakuakan 2 kali replication (Pengulangan)
Aplikasi MINITAB
Pengerjaan dengan MINITAB :

Langkah pertama buat design experimentnya:
Length & Clips

2 kali pengulangan

Aplikasi MINITAB
Hasil design experimentnya:
Masukkan
Hasil exp. (Y)
Masukkan
Hasil exp. (Y)
Kemudian dilakukan analysis factorial design :

Aplikasi MINITAB

Aplikasi MINITAB
Factorial Fit: Y versus Length, Clip Interpretation Results :
Estimated Effects and Coefficients for Y (coded units)

Dengan melihat nilai p-value < 5%
Term Effect Coef SE Coef T P untuk Main Effects & 2-Way
Constant 2.2438 0.01364 164.55 0.000
Interactions maka dapat dipastikan
Length 0.5075 0.2537 0.01364 18.61 0.000
Clip -0.2275 -0.1137 0.01364 -8.34 0.001 bahwa secara individu dan
Length*Clip -0.1775 -0.0888 0.01364 -6.51 0.003 interaksinya Length dan Number of
S = 0.0385681 R-Sq = 99.13% R-Sq (adj) = 98.49%
clip memberikan pengaruh yang
signifikan terhadap lama waktu
Analysis of Variance for Y (coded units) terbang, hal ini pun dapat dilihat
Source DF Seq SS Adj SS Adj MS F P dari nilai R-Sq (adj) > 65%, Length
Main Effects 2 0.618625 0.618625 0.309313 207.94 0.000 wing dan number of clip
2-Way Interactions 1 0.063013 0.063013 0.063013 42.36 0.003 memberikan kontribusi sebesar
Residual Error 4 0.005950 0.005950 0.001488
Pure Error 4 0.005950 0.005950 0.001487 98.49% terhadap perubahan lama
Total 7 0.687588 waktu terbang pesawat.

Aplikasi MINITAB
Menentukan grafik interaksi dan optimal setting:
Main Effect Plot:

Aplikasi MINITAB
Interaction Effect Plot:
Cube Plot:

Aplikasi MINITAB
Hasil Factorial Plot:
Main Effect Plot:

Manual Calculation :
  A    A
   
Main Effect (A) =  n    n 
   
Main Effect Lenght = (2.75+2.28+2.65+2.31)/4 – (2.00+1.97+2.03+1.96)/4
= 0.5075
Main Effect Clip = (1.97+2.28+1.96+2.31)/4 – (2.00+2.75+2.03+2.65)/4
= -0.2275
Interaction Effect Plot:

Manual Calculation :
  A* B     A* B  
  
Interaction (A*B) =  n   n 
   
Interaction (A*B) = (2.00+2.28+2.03+2.31)/4 – (2.75+1.97+2.65+1.96)/4
= -0.1175

Aplikasi MINITAB
Cube Plot:
A B
Manual Calculation:
A = (1.97+1.96)/2 = 1.965
B = (2.28+2.31)/2 = 2.295
C = (2.00+2.03)/2 = 2.015
D = (2.75+2.65)/2 = 2.700
C D
Nilai optimal di peroleh melalui kombinasi :
Length Wing = 4.5, Clip = 1

dengan Rata – rata lama waktu terbang 2.7 Menit

Studi Kasus Praktikum
2 Inch 2 Inch
1. Bentuklah kertas seperti gambar
disamping.
2. Siapkan kertas amatan
3. Seseorang naik keatas meja
3 & 4.5 Inch dengan posisi satu tangan naik
keatas untuk mendapatkan
ketinggian maksimal, dan
menjatuhkan ke lantai.
4. Teman yang lain mengamati waktu
yang diperlukan hingga
0.5 Inch menyentuh lantai ( dapat
menggunakan stop watch yang
ada pada HP).
5. Hasil pengamatan eksekusi
dengan Minitab
5 Inch
6. Berikan kesimpulan anda.
(Pesawat Mainan)

Hasil Perhitungan Capability Analysis (After Improvement)
Data Lama Waktu Terbang (Menit)

No subgroup1 subgroup2 subgroup3 subgroup4 subgroup5 subgroup6
1 1.690 1.694 1.686 1.699 1.676 1.690
2 1.685 1.688 1.685 1.705 1.682 1.695
3 1.672 1.687 1.695 1.688 1.706 1.688
4 1.692 1.690 1.686 1.692 1.701 1.698
5 1.708 1.689 1.675 1.683 1.690 1.703
LSL = 1.65
T = 1.7
Normality Test
H0 : Data mengikuti distribusi normal Zlt.Bench = 4.62
H1 : Data tidak mengikuti distribusi normal
Probability Plot of Data

Normal
99
Mean 1.693
StDev 0.009025
95 N 30
AD 0.159
90
P-Value 0.943
80
70
Percent
60
50
40
30
20
10
1
1.67 1.68 1.69 1.70 1.71
Data
Zst.Bench = 5.48
Karena P-Value (0.943) > 0.05, maka :
H0 diterima atau Sigma Level Kondisi saat ini = 5.48
“Dengan derajat kepercayaan 95% data mengikuti distribusi
normal”
Berdasarkan perhitungan capability analysis maka
nilai Zbench yang diperoleh dapat dipetakan ke
dalam :
4 Block Diagram
Z shift
Poor A B
Result
(Minutes)
-Average- ()
Control
1.5 1,7 1,69 5 5.48

C D 1,51 0.25
Good Technology
Good Control
0.86
Current Target Result Current Target Result

Good
4.5 5.48 ZST

= 5.48 – 4.62 = 0.86

Aktivitas utama dalam tahap
IMPROVEMENT adalah membuat ide-ide
perbaikan terhadap Vital Factor yang
telah ditemukan dalam tahap Analisis.
IMPROVE THE CRITICAL FACTORS
Vital Factor (X) yang telah diperbaiki akan

dikontrol pada tahap CONTROL supaya
masalah (Y) tidak muncul kembali.

C Control
Tujuan
Memberikan suatu standarisasi untuk menstabilisasi hasil improvement yang optimal, serta
merencanakan suatu aktivitas pengontrolan.
Step Output Tools
- Work Standard
Step 10. Standarisasi
- Setup rencana Management SPC (X-bar-R Chart, P, NP, dsb)

Step 11. Monitoring & Kontrol
Step 12. Spread/Share Outcome - Penyelesaian report project

Step 10. Standarisasi
Set rencana operasi proses standard untuk memahami quality sistem secara praktis dan
untuk menjaga hasil yang sudah diimprove secara terus-menerus.
Input Process Output
Vital Few X’s Y

T
Process
Improvement
- Tidak mungkin untuk menjaga hasil yang telah diimprove.

- Cara pengerjaan tidak dirubah ketika proses yang telah
Standardize No
/documendize
Process diimprove dan yang standard tidak direfleksikan.
Tidak terkontrol
- Meningkatkan waktu pengontrolan.
Yes - Meningkatkan ketidakpuasan konsumen.
Menerapkan ke
quality system
Menjaga Hasil
Improvement

Step 11. Monitoring & Kontrol SPC
Definisi
•Suatu grafik untuk menemukan sebuah proses dalam
kondisi yang stabil atau menjaga untuk stabil.
Tujuan Penggunaan
•Untuk menjaga dan memperbaiki kualitas melalui
pencarian sesuatu yang khusus di dalam proses dengan
pengoreksian dan penjagaan proses dalam kondisi yang
stabil.
Control chart juga sudah diketahui sebagai 'Shewhart c

hart' atau 'process-behavior chart' adalah alat statistik
yang dimaksudkan untuk menilai natural variation dalam
suatu proses dan untuk memfasilitasi peramalan dan ma
Shewhart charts Image
najemen. Hal ini telah ditemukan oleh Walter A. Shewhart
ketika bekerja untuk Western Electric pada tahun 1920.

 Limits Aksi & Limits Peringatan

• Biasanya batas 3 Sigma Limit disebut Limit aksi. Jika data tidak terletak diantara limit 3 sigma,
kita harus menemukan. Penyebab khusus dan menghilangkannya. Dan dalam hal ini kita
harus cepat melakukan aksi.
• Biasanya Batas 2 sigma adalah Limit Peringatan. Jika nilai dari suatu data tidak berada
diantara limit 2 sigma, mungkin kita beranggapan bahwa hal tersebut disebabkan karena
beberapa penyebab. Jadi bila tidak terletak diantara 2 sigma ini merupakan peringatan kepada
kita.
Gambar dari Control Chart
Nilai data
UCL
3 x 2 x
CL
LCL
Limit Aksi Jumlah data

Limit peringatan
Incidental cause
Material
(Common cause ~Chance cause
Peralatan NG
Penyebab ~Non-assignable cause~Noise~
Rusak Seting Mesin Black Noise-Controllable-Average)
khusus Berubah •Perubahan tidak dapat disesuaikan
dengan lingkungan kerja.
•Gap antara skill operator
•Gap antara fungsi peralatan
produksi
Pengawasan Training •Gap antara perubahan kualitas raw
Lemah Kurang Bagus materials disebabkan oleh incidental
cause, dan hal ini masih “dalam
Penyebab statistical control”
Umum
Metode Kesalahan Abnormal cause
Tidak Bagus Pengukuran (Special cause~Assignable
cause~Signal~White Noise-
Uncontrollable-Shift)
•Kegagalan pemakaian peralatan
produksi
Kesalahan •Input dari ketidak mahiran operator
Penyebab mesin Perubahan •Penggunaan material yang defect
Khusus Kesalahan Temp. Udara menyebabkan proses terpisah dari
Operator
statistical control.
Jika abnormal cause terjadi,
maka proses keluar dari
statistical control

•Control chart untuk Rata-rata

Jika di atas n=2, X bar control chart secara umum Type of Data
digunakan, jika n=1, I-MR control chart digunakan.
Continuous Attribute
•Control Chart untuk Distribusi
jika n lebih kecil (biasanya dibawah 5), R control
chart digunakan. Sekali n menjadi lebih besar, S Defect no.ratio Fault Number
control chart digunakan. Jika n=1, Moving Range

(perbedaan antara setiap nilai) control chart Subgroup Subgroup Subgroup
Size Size Size
digunakan.
•P, NP control chart untuk defect. NP digunakan

I-MR Xbar-R Xbar-S
ketika ukuran sampel sama, dan P jika tidak sama.
n=1 n= n>6
2~5 NP P
•C, U control chart untuk jumlah defect. C Regular Irregular C U

digunakan ketika ukuran sampel sama, dan U jika
Regular Irregular
tidak sama.

1 Diagnosis
Attribute
2
Standard
Continuous
A : -3S~-2S or 2S~3S 3 1. In case certain control value
B : -2S~-1S or 1S~2S exceed the control limits line.
4
C : -1S~Center or Center~1S (±3σ)
1 5
1
+ 3S 6
+ 2S
A 2. Appear 9 ea control value
7
+1S
B continuously from one side of
C 8 center line.
-1S C
-2S B
-3S A 3. 6 ea control value are increased
2 or decreased continuously.
+ 3S 3 6
+ 3S + 3S
A A A 4. 14 ea control value appear up
+ 2S + 2S + 2S
B B B
+1S +1S +1S and down center line regularly.
C C C
-1S C -1S C C
-1S
-2S B B B
A
-2S -2S 5. 2 ea control value appear in A
-3S -3S A -3S A 6
region in one side of center line
4 among 3 ea control value
+ 3S + 3S
A A
+ 2S + 2S
The various abnormal +1S
B
+1S
B 7
C 6. 4 ea control value appear in A or
pattern can appear in C
one control chart -1S C -1S C B region in one side of center

-2S B -2S B line among 5 ea control value.
simultaneously. -3S A -3S A
- In case occurrence of + 3S
5 8
A + 3S 7. 15 ea control value appear in C
abnormal pattern, check + 2S
+ 2S
A
region in one side of center in
B B
its cause. +1S
C +1S order.
C
C
-1S
-1S C 8. 8 ea control value appear in
-2S B B
-2S order in A or B region in one
-3S A A
5
-3S side of center line.

Step 11. Monitoring & Kontrol X bar-R
X bar-R control chart
: X bar-R control chart digunakan untuk mengontrol rata-rata dan distribusi karakteristik CTQ. Secara umum data dikumpulkan melalui
sub-grouping dengan ukuran (size) di bawah 5 (di atas 2).
① Ukuran, frekuensi, jumlah Subgroup
- Menentukan ukuran subgroup secara logika (long-term data)
- Menentukan frekuensi yang mempertimbangkan penyebab potensial dari perubahan, seperti pergeseran, waktu, data.
② Perhitungan nilai rata-rata (X bar) dan range (R) untuk setiap group.
n
X i
R  X max  X min ● n is a standard value within part group
X  i 1
n
③ Perhitungan batas kontrol (control limit )
③-1. Calculate average of range and process ③-2. Calculate control limit
*) Xbar Chart *) R Chart
UCLR  D4 R
k k
R k X k UCLX  X  A2 R
R  k 1 X  k 1
k k LCLX  X  A2 R LCLR  D3 R
Perhitungan Coefficient
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78

D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31

Step 11. Monitoring & Kontrol Contoh X bar-R Chart
Misalkan Anda bekerja di pabrik Assembly mesin automobile. Salah satu parts yaitu camshaft, spesifikasinya harus 600 mm +2 mm
supaya memenuhi engineering specifications. Terdapat masalah chronic dengan panjang camshaft keluar dari specification, penyebab
itu adalah poor-fitting assemblies, sehingga menghasilkan tingginya scrap dan rework rates. Supervisor anda ingin menggunakan X
and R charts untuk memonitor karakteristik tersebut. Sehingga untuk satu bulan anda mengumpulkan total 100 observasi (20 samples
of 5 camshafts each) dari seluruh camshafts yang digunakan di pabrik, dan 100 observation dari setiap supplier anda.
Sub Group Sub Group Size Calculation :

Average Range
Sample 1 2 3 4 5
1 601.6 600.4 598.4 600 596.8 599.44 4.8 k
2 602.8 600.8 603.6 604.2 602.4 602.76 3.4 X k

X  k 1
= 600.23
3 598.4 599.6 603.4 600.6 598.4 600.08 5 k
4 598.2 602 599.4 599.4 600.8 599.96 3.8
k
5
6
600.8
600.8
598.6
597.2
600
600.4
600.4
599.8
600.8
596.4
600.12
598.92
2.2
4.4
R k
R  k 1
= 3.72
7 600.4 598.2 598.6 599.6 599 599.16 2.2 k
8 598.2 599.4 599.4 600.2 599 599.24 2
9 599.4 598 597.6 598 597.6 598.12 1.8
UCLX  X  A2 R = 600.23 + (0.58*3.72)= 602.39
10 601.2 599 600.4 600.6 599 600.04 2.2
11 602.2 599.8 599.8 601 601.6 600.88 2.4 LCLX  X  A2 R = 600.23 - (0.58*3.72)= 598.07
12 601.6 600.2 601.8 601.2 597.6 600.48 4.2
13 599.8 602.8 600 599.6 602.2 600.88 3.2
14 603.8 603.6 601.8 602 603.6 602.96 2
UCLR  D4 R = 2.28*3.72 = 8.4816
15 600.8 600.2 600.4 600.2 602.2 600.76 2
LCLR  D3 R = 0*3.72 =0
16 598 598.4 600.8 602.8 597.6 599.52 5.2
17 601.6 603.4 597 599.8 597.8 599.92 6.4
18 602.4 602.2 600.6 596.2 602.4 600.76 6.2
19 601.4 599.2 601.6 600.4 598 600.12 3.6
20 601.2 604.2 600.2 600 596.8 600.48 7.4
Stat>Control Charts>Variable Charts for Subgroups>Xbar-R

Xbar-R Chart of C1, ..., C5

1
1
602
U C L=602.474
Interpretasi Hasil
Sample M ean
_
_
X=600.23
600
Center line pada X bar chart adalah 600.23, menunjukkan

598 LC L=597.986
2 4 6 8 10 12 14 16 18 20 bahwa proses anda berada di dalam batas specification, tetapi
Sample
2 titik berada di luar batas kontrol, menunjukkan proses yang

8 U C L=8.225
tidak stabil. Center line pada R chart adalah 3.890, ini juga
Sample Range
4
_
R=3.890
sungguh harus dipertimbangkan karena maksimum variasi
2
yang diijinkan adalah +2 mm. Mungkin ada kelebihan
0 LC L=0
2 4 6 8 10 12 14 16 18 20
variabilitas di dalam proses anda.
Sample

Step 11. Monitoring & Kontrol Contoh NP Chart
NP Control Charts
NP control chart digunakan untuk melihat variasi dalam attribute data yang sifatnya Ya atau tidak. Hanya terdapat 2
kemungkinan yaitu defect atau tidak. NP control chart digunakan untuk menentukan jika sebaran item yang defect dalam suatu group
konsisten dari waktu ke waktu. NP Control Chart digunakan pada saat anda melakukan perhitungan item-item yang defect pada setiap n
yang jumlahnya sama.
Example
Sebuah team dalam accounting group bekerja pada perbaikan proses invoice. Team ini mencoba mengurangi biaya proses invoice
melalui penurunan jumlah invoice yang mengalami kesalahan (error). Team ini mengembangkan definisi operational untuk membuat
kategori bahwa invoice tersebut termasuk defect : invoice termasuk defect jika terdapat harga, jumlah, pengkodean, alamat, atau
nama yang salah. Kemudian team ini memutuskan untuk mengambil sampel 100 invoice setiap hari. Jika invoice mempunya satu atau
lebih kesalahan maka invoice tersebut defect. Data dari 25 hari terakhir ditampilkan pada gambar berikut ini :
Invoices Number Invoices Number

Day Fraction Day Fraction
Inspected Defective Inspected Defective
Number Defective Number Defective
(n) (np) (n) (np)
1 100 22 0.22 14 100 24 0.24
2 100 33 0.33 15 100 22 0.22
3 100 24 0.24 16 100 22 0.22
4 100 20 0.2 17 100 29 0.29
5 100 18 0.18 18 100 31 0.31
6 100 24 0.24 19 100 21 0.21
7 100 24 0.24 20 100 26 0.26
8 100 29 0.29 21 100 24 0.24
9 100 18 0.18 22 100 32 0.32
10 100 27 0.27 23 100 17 0.17
11 100 31 0.31 24 100 25 0.25
12 100 26 0.26 25 100 21 0.21
13 100 31 0.31

NP Chart of Number Defective (np)

40
UCL=37.80
35
30
Sample Count
__
25 NP=24.84
20
15
LCL=11.88
10
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Proses ada di dalam statistical control. Catatan bahwa

ini bukan berarti proses diterima. Setelah 25% invoice
dengan kesalahan tidak diterima.

Studi Kasus Contoh NP Chart
Xbar-R Chart of subgroup1, ..., subgroup5
Y Monitoring 4.510
U C L=4.51136
Sample M ean
4.505 _
_
X=4.50366
1.68 1.69
4.500
Average Waktu 1.67
Terbang LC L=4.49596
4.495
5.09 5.10 1 2 3 4 5
5.08 Sample
Sigma Level
0.03
U C L=0.02821
Sample Range
Month 1 2 3 0.02
_
R=0.01334
0.01
Kontrol Vital Factor 0.00 LC L=0

1 2 3 4 5
Sample
X = Length Wing Bulan ke-2

Xbar-R Chart of subgroup1, ..., subgroup5 Xbar-R Chart of subgroup1, ..., subgroup5
U C L=4.51135
U C L=4.51100 4.510
4.510
Sample M ean
Sample M ean
4.505 _
_
4.505 _ X=4.50367
_
X=4.50314
4.500
4.500
LC L=4.49599
4.495
4.495 LC L=4.49528 1 2 3 4 5
Sample
1 2 3 4 5
Sample
0.03
U C L=0.02816
0.03
U C L=0.02882 Sample Range
0.02
_
Sample Range
0.02 R=0.01332
_ 0.01
R=0.01363
0.01
0.00 LC L=0
1 2 3 4 5
0.00 LC L=0 Sample
1 2 3
Sample
4 5 Bulan ke-3
Bulan ke-1
Z Normal table
Z 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 5. 00E -01 4. 96E -01 4. 92E -01 4. 88E -01 4. 84E -01 4. 80E -01 4. 76E -01 4. 72E -01 4. 68E -01 4. 64E -01
0.1 4. 60E -01 4. 56E -01 4. 52E -01 4. 48E -01 4. 44E -01 4. 40E -01 4. 36E -01 4. 33E -01 4. 29E -01 4. 25E -01
0.2 4. 21E -01 4. 17E -01 4. 13E -01 4. 09E -01 4. 05E -01 4. 01E -01 3. 97E -01 3. 94E -01 3. 90E -01 3. 86E -01
0.3 3. 82E -01 3. 78E -01 3. 74E -01 3. 71E -01 3. 67E -01 3. 63E -01 3. 59E -01 3. 56E -01 3. 52E -01 3. 48E -01
0.4 3. 45E -01 3. 41E -01 3. 37E -01 3. 34E -01 3. 30E -01 3. 26E -01 3. 23E -01 3. 19E -01 3. 16E -01 3. 12E -01
0.5 3. 09E -01 3. 05E -01 3. 02E -01 2. 98E -01 2. 95E -01 2. 91E -01 2. 88E -01 2. 84E -01 2. 81E -01 2. 78E -01
0.6 2. 74E -01 2. 71E -01 2. 68E -01 2. 64E -01 2. 61E -01 2. 58E -01 2. 55E -01 2. 51E -01 2. 48E -01 2. 45E -01
0.7 2. 42E -01 2. 39E -01 2. 36E -01 2. 33E -01 2. 30E -01 2. 27E -01 2. 24E -01 2. 21E -01 2. 18E -01 2. 15E -01
0.8 2. 12E -01 2. 09E -01 2. 06E -01 2. 03E -01 2. 00E -01 1. 98E -01 1. 95E -01 1. 92E -01 1. 89E -01 1. 87E -01
0.9 1. 84E -01 1. 81E -01 1. 79E -01 1. 76E -01 1. 74E -01 1. 71E -01 1. 69E -01 1. 66E -01 1. 64E -01 1. 61E -01
0 Z 1.0
1.1
1. 59E -01
1. 36E -01
1. 56E -01
1. 33E -01
1. 54E -01
1. 31E -01
1. 52E -01
1. 29E -01
1. 49E -01
1. 27E -01
1. 47E -01
1. 25E -01
1. 45E -01
1. 23E -01
1. 42E -01
1. 21E -01
1. 40E -01
1. 19E -01
1. 38E -01
1. 17E -01
1.2 1. 15E -01 1. 13E -01 1. 11E -01 1. 09E -01 1. 07E -01 1. 06E -01 1. 04E -01 1. 02E -01 1. 00E -01 9. 85E -02
1.3 9. 68E -02 9. 51E -02 9. 34E -02 9. 18E -02 9. 01E -02 8. 85E -02 8. 69E -02 8. 53E -02 8. 38E -02 8. 23E -02
1.4 8. 08E -02 7. 93E -02 7. 78E -02 7. 64E -02 7. 49E -02 7. 35E -02 7. 21E -02 7. 08E -02 6. 94E -02 6. 81E -02
1.5 6. 68E -02 6. 55E -02 6. 43E -02 6. 30E -02 6. 18E -02 6. 06E -02 5. 94E -02 5. 82E -02 5. 71E -02 5. 59E -02
1.6 5. 48E -02 5. 37E -02 5. 26E -02 5. 16E -02 5. 05E -02 4. 95E -02 4. 85E -02 4. 75E -02 4. 65E -02 4. 55E -02
1.7 4. 46E -02 4. 36E -02 4. 27E -02 4. 18E -02 4. 09E -02 4. 01E -02 3. 92E -02 3. 84E -02 3. 75E -02 3. 67E -02
1.8 3. 59E -02 3. 51E -02 3. 44E -02 3. 36E -02 3. 29E -02 3. 22E -02 3. 14E -02 3. 07E -02 3. 01E -02 2. 94E -02
1.9 2. 87E -02 2. 81E -02 2. 74E -02 2. 68E -02 2. 62E -02 2. 56E -02 2. 50E -02 2. 44E -02 2. 39E -02 2. 33E -02
2.0 2. 28E -02 2. 22E -02 2. 17E -02 2. 12E -02 2. 07E -02 2. 02E -02 1. 97E -02 1. 92E -02 1. 88E -02 1. 83E -02
2.1 1. 79E -02 1. 74E -02 1. 70E -02 1. 66E -02 1. 62E -02 1. 58E -02 1. 54E -02 1. 50E -02 1. 46E -02 1. 43E -02
2.2 1. 39E -02 1. 36E -02 1. 32E -02 1. 29E -02 1. 25E -02 1. 22E -02 1. 19E -02 1. 16E -02 1. 13E -02 1. 10E -02
2.3 1. 07E -02 1. 04E -02 1. 02E -02 9. 90E -03 9. 64E -03 9. 39E -03 9. 14E -03 8. 89E -03 8. 66E -03 8. 42E -03
2.4 8. 20E -03 7. 98E -03 7. 76E -03 7. 55E -03 7. 34E -03 7. 14E -03 6. 95E -03 6. 76E -03 6. 57E -03 6. 39E -03
2.5 6. 21E -03 6. 04E -03 5. 87E -03 5. 70E -03 5. 54E -03 5. 39E -03 5. 23E -03 5. 08E -03 4. 94E -03 4. 80E -03
2.6 4. 66E -03 4. 53E -03 4. 40E -03 4. 27E -03 4. 15E -03 4. 02E -03 3. 91E -03 3. 79E -03 3. 68E -03 3. 57E -03
2.7 3. 47E -03 3. 36E -03 3. 26E -03 3. 17E -03 3. 07E -03 2. 98E -03 2. 89E -03 2. 80E -03 2. 72E -03 2. 64E -03
2.8 2. 56E -03 2. 48E -03 2. 40E -03 2. 33E -03 2. 26E -03 2. 19E -03 2. 12E -03 2. 05E -03 1. 99E -03 1. 93E -03
2.9 1. 87E -03 1. 81E -03 1. 75E -03 1. 70E -03 1. 64E -03 1. 59E -03 1. 54E -03 1. 49E -03 1. 44E -03 1. 40E -03
3.0 1. 35E -03 1. 31E -03 1. 26E -03 1. 22E -03 1. 18E -03 1. 14E -03 1. 11E -03 1. 07E -03 1. 04E -03 1. 00E -03
3.1 9. 68E -04 9. 36E -04 9. 04E -04 8. 74E -04 8. 45E -04 8. 16E -04 7. 89E -04 7. 62E -04 7. 36E -04 7. 11E -04
3.2 6. 87E -04 6. 64E -04 6. 41E -04 6. 19E -04 5. 98E -04 5. 77E -04 5. 57E -04 5. 38E -04 5. 19E -04 5. 01E -04
3.3 4. 83E -04 4. 67E -04 4. 50E -04 4. 34E -04 4. 19E -04 4. 04E -04 3. 90E -04 3. 76E -04 3. 62E -04 3. 50E -04
3.4 3. 37E -04 3. 25E -04 3. 13E -04 3. 02E -04 2. 91E -04 2. 80E -04 2. 70E -04 2. 60E -04 2. 51E -04 2. 42E -04
3.5 2. 33E -04 2. 24E -04 2. 16E -04 2. 08E -04 2. 00E -04 1. 93E -04 1. 85E -04 1. 79E -04 1. 72E -04 1. 65E -04
3.6 1. 59E -04 1. 53E -04 1. 47E -04 1. 42E -04 1. 36E -04 1. 31E -04 1. 26E -04 1. 21E -04 1. 17E -04 1. 12E -04
3.7 1. 08E -04 1. 04E -04 9. 97E -05 9. 59E -05 9. 21E -05 8. 86E -05 8. 51E -05 8. 18E -05 7. 85E -05 7. 55E -05
3.8 7. 25E -05 6. 96E -05 6. 69E -05 6. 42E -05 6. 17E -05 5. 92E -05 5. 68E -05 5. 46E -05 5. 24E -05 5. 03E -05
3.9 4. 82E -05 4. 63E -05 4. 44E -05 4. 26E -05 4. 09E -05 3. 92E -05 3. 76E -05 3. 61E -05 3. 46E -05 3. 32E -05
4.0 3. 18E -05 3. 05E -05 2. 92E -05 2. 80E -05 2. 68E -05 2. 57E -05 2. 47E -05 2. 36E -05 2. 26E -05 2. 17E -05
4.1 2. 08E -05 1. 99E -05 1. 91E -05 1. 82E -05 1. 75E -05 1. 67E -05 1. 60E -05 1. 53E -05 1. 47E -05 1. 40E -05
4.2 1. 34E -05 1. 29E -05 1. 23E -05 1. 18E -05 1. 13E -05 1. 08E -05 1. 03E -05 9. 86E -06 9. 43E -06 9. 01E -06
4.3 8. 62E -06 8. 24E -06 7. 88E -06 7. 53E -06 7. 20E -06 6. 88E -06 6. 57E -06 6. 28E -06 6. 00E -06 5. 73E -06
4.4 5. 48E -06 5. 23E -06 5. 00E -06 4. 77E -06 4. 56E -06 4. 35E -06 4. 16E -06 3. 97E -06 3. 79E -06 3. 62E -06
4.5 3. 45E -06 3. 29E -06 3. 14E -06 3. 00E -06 2. 86E -06 2. 73E -06 2. 60E -06 2. 48E -06 2. 37E -06 2. 26E -06
4.6 2. 15E -06 2. 05E -06 1. 96E -06 1. 87E -06 1. 78E -06 1. 70E -06 1. 62E -06 1. 54E -06 1. 47E -06 1. 40E -06
4.7 1. 33E -06 1. 27E -06 1. 21E -06 1. 15E -06 1. 10E -06 1. 05E -06 9. 96E -07 9. 48E -07 9. 03E -07 8. 59E -07
4.8 8. 18E -07 7. 79E -07 7. 41E -07 7. 05E -07 6. 71E -07 6. 39E -07 6. 08E -07 5. 78E -07 5. 50E -07 5. 23E -07
4.9 4. 98E -07 4. 73E -07 4. 50E -07 4. 28E -07 4. 07E -07 3. 87E -07 3. 68E -07 3. 50E -07 3. 32E -07 3. 16E -07
5. 0 3. 00E -07 2. 85E -07 2. 71E -07 2. 58E -07 2. 45E -07 2. 32E -07 2. 21E -07 2. 10E -07 1. 99E -07 1. 89E -07
5. 1 1. 80E -07 1. 71E -07 1. 62E -07 1. 54E -07 1. 46E -07 1. 39E -07 1. 31E -07 1. 25E -07 1. 18E -07 1. 12E -07
5. 2 1. 07E -07 1. 01E -07 9. 59E -08 9. 10E -08 8. 63E -08 8. 18E -08 7. 76E -08 7. 36E -08 6. 98E -08 6. 62E -08
5. 3 6. 27E -08 5. 95E -08 5. 64E -08 5. 34E -08 5. 06E -08 4. 08E -08 4. 55E -08 4. 31E -08 4. 08E -08 3. 87E -08
5. 4 3. 66E -08 3. 47E -08 3. 29E -08 3. 11E -08 2. 95E -08 2. 97E -08 2. 64E -08 2. 50E -08 2. 37E -08 2. 24E -08
5. 5 2. 12E -08 2. 01E -08 1. 90E -08 1. 80E -08 1. 70E -08 1. 61E -08 1. 53E -08 1. 44E -08 1. 37E -08 1. 29E -08
5. 6 1. 22E -08 1. 16E -08 1. 09E -08 1. 03E -08 9. 78E -09 9. 24E -09 8. 74E -09 8. 26E -09 7. 81E -09 7. 39E -09
5. 7 6. 98E -09 6. 60E -09 6. 24E -09 5. 89E -09 5. 57E -09 5. 26E -09 4. 97E -09 4. 70E -09 4. 44E -09 4. 19E -09
5. 8 3. 96E -09 3. 74E -09 3. 53E -09 3. 34E -09 3. 15E -09 2. 97E -09 2. 81E -09 2. 65E -09 2. 50E -09 2. 36E -09

5. 9
6. 0
2. 23E -09
1. 25E -09
2. 11E -09
1. 18E -09
1. 99E -09
1. 11E -09
1. 88E -09
1. 05E -09
1. 77E -09
9. 88E -10
1. 67E -09
9. 31E -10
1. 58E -09
8. 78E -10
1. 49E -09
8. 28E -10
1. 40E -09
7. 81E -10
1. 32E -09
7. 36E -10
Chi Square( χ 2 )
Distribution
df 0.250 0.100 0.050 0.025 0.010 0.005 0.001
1 1.323 2.706 3.841 5.024 6.635 7.879 10.828

2 2.773 4.605 5.991 7.378 9.210 10.579 13.816
3 4.108 6.251 7.815 9.348 11.345 12.838 16.266
4 5.385 7.779 9.488 11.143 13.277 14.860 18.467
(R-1)(C-1)=df 5 6.626 9.236 11.070 12.832 15.086 16.650 20.515
df : Degrees of Freedom 6 7.841 10.645 12.592 14.449 16.812 18.548 22.458

7 9.037 12.017 14.067 16.013 18.475 20.278 24.322
8 10.219 13.362 15.507 17.535 20.090 21.955 26.125
9 11.389 14.684 16.919 19.023 21.666 23.589 27.877
10 12.549 15.987 18.307 20.483 23.209 25.188 29.588
11 13.701 17.275 19.675 21.920 24.725 26.757 31.264
12 14.845 18.549 21.026 23.337 26.217 28.300 32.909
13 15.984 19.812 22.362 24.736 27.688 29.819 34.528
14 17.117 21.064 23.685 26.119 27.141 31.319 36.123
15 18.245 22.307 24.996 27.488 30.578 32.801 37.697
33.1 16 19.369 23.541 26.296 28.845 32.000 34.267 39.252
17 20.489 24.769 27.587 30.191 33.409 35.718 40.790
Acceptable α 18 21.605 25.989 28.869 31.526 34.805 37.156 43.312
area 19 22.718 27.204 30.144 32.852 36.191 38.582 43.820
1- α 20 23.828 28.412 31.410 34.170 37.566 39.997 45.315
21 24.935 29.615 32.671 35.479 38.932 41.401 46.797
χ2α:30.14 22 26.036 30.813 33.924 36.781 40.289 42.796 48.268
23 27.141 32.007 35.172 38.076 41.638 44.181 49.728
24 28.241 33.196 36.415 39.364 42.980 45.558 51.179
25 29.339 34.382 37.652 40.646 44.314 46.928 52.620
26 30.434 35.563 38.885 41.923 45.642 48.290 54.052
27 31.518 36.741 40.113 43.194 46.963 49.645 55.476
28 32.620 37.916 41.337 44.461 48.278 50.993 56.892
29 33.711 39.087 42.557 45.722 49.588 52.336 58.302
30 34.800 40.256 43.773 46.979 50.892 53.672 59.703
40 45.616 51.806 55.758 59.342 63.691 66.766 73.402
50 56.334 63.167 67.505 71.420 76.154 79.490 86.661
60 66.981 74.397 79.082 83.298 88.379 91.953 99.607
70 77.577 85.527 90.531 95.023 100.425 104.215 112.317
80 88.130 96.578 101.879 106.629 112.329 116.321 124.839
90 98.650 107.565 113.145 118.136 124.116 128.299 137.208
100 109.141 118.498 124.342 129.561 135.807 140.169 149.449

t distribution
Confidence
Region 0.60 0.75 0.90 0.95 0.975 0.99 0.995
DF t 0.40 (r) t 0.25 (r) t 0.10 (r) t 0.05 (r) t 0.025 (r) t 0.01 (r) t 0.005 (r)
r : Sample Size
DF = r-1
1 0.325 1.000 3.078 6.314 12.706 31.821 63.657
2 0.289 0.816 1.886 2.920 4.303 6.965 9.925
3 0.277 0.765 1.638 2.353 3.182 4.541 5.841
4 0.271 0.741 1.533 2.132 2.776 3.747 4.604
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707

α 7 0.263 0.711 1.415 1.895 2.365 2.998 3.499
8 0.262 0.706 1.397 1.860 2.306 2.896 3.355
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250
10 0.260 0.700 1.372 1.812 2.228 2.764 3.169
0 tα (df)
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106
12 0.259 0.695 1.356 1.782 2.179 2.681 3.055
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012
14 0.258 0.692 1.345 1.761 2.145 2.624 2.997
15 0.258 0.691 1.341 1.753 2.131 2.602 2.947
16 0.258 0.690 1.337 1.746 2.120 2.583 2.291

Confidence region 17 0.257 0.689 1.333 1.740 2.110 2.567 2.898
18 0.257 0.688 1.330 1.734 2.101 2.552 2.878
19 0.257 0.688 1.328 1.729 2.093 2.539 2.861
20 0.257 0.687 1.325 1.725 2.086 2.528 2.845
0 tα (df) 21 0.257 0.686 1.323 1.721 2.080 2.518 2.831

22 0.256 0.686 1.321 1.717 2.074 2.508 2.819
23 0.256 0.685 1.319 1.714 2.069 2.500 2.807
24 0.256 0.685 1.318 1.711 2.064 2.492 2.797
25 0.256 0.684 1.316 1.708 2.060 2.485 2.787
26 0.256 0.684 1.315 1.706 2.056 2.479 2.779

27 0.256 0.684 1.314 1.703 2.052 2.473 2.771
28 0.256 0.683 1.313 1.701 2.048 2.467 2.763
29 0.256 0.683 1.311 1.699 2.045 2.462 2.756
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750
∞ 0.253 0.674 1.282 1.645 1.960 2.326 2.576

Appendix Customer Survey by Pareto Analysis

Appendix Customer Survey by Pareto Analysis
• Tanggal Questioner
: 8 ~15 Jul 2011

Modul Basic Six Sigma

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Modul Basic Six Sigma

Diunggah oleh

Hak Cipta:

Format Tersedia

TRAINING SIX SIGMA

PROGRAM MAGISTER TEKNIK INDUSTRI

Program Magister Teknik Industri-Universitas Mercu Buana

Email : hardipurba@yahoo.com, hardip@lge.com

Inspeksi Traditional F-Cost

Design Change Loss Opp. Sales

Over Rework Brand Image Down

Office Loss Over Storage

1 Program Magister Teknik Industri-Universitas Mercu Buana

Tingkat mutu Tingkat mutu

Program Magister Teknik Industri-Universitas Mercu Buana

2 Program Magister Teknik Industri-Universitas Mercu Buana

3 Program Magister Teknik Industri-Universitas Mercu Buana

 Tahun 1980-an, Motorola kehilangan market-nya karena perbedaan

 Konsumen mulai beralih ke produk buatan Jepang, karena memiliki

 Dr. Deming, (dalam program TV “ If Japan Can,….Why Can’t We?”,

 Tahun 1981 Motorola menghadapi tantangan tersebut dengan meng-

4 Program Magister Teknik Industri-Universitas Mercu Buana

 Setelah melalui proses panjang, pada tahun 1987 Motorola berhasil

 Pada tahun 1988, atas pencapaian gemilang tersebut, Motorolla

5 Program Magister Teknik Industri-Universitas Mercu Buana

6 3.4 Bagaimana cara

3 66,807 Mencapai tingkat cacat (reject) yang

6 Program Magister Teknik Industri-Universitas Mercu Buana

Philosophy Improvement Tool Strategi Bisnis Pengukuran Statistik

7 Program Magister Teknik Industri-Universitas Mercu Buana

Dalam penerapannya tool 6 dapat

8 Program Magister Teknik Industri-Universitas Mercu Buana

Merancang desain dalam

 Memperbaiki cycle time  Pemilihan CTQ (critical to quality)  Perbaikan (improvement)

9 Program Magister Teknik Industri-Universitas Mercu Buana

6 Sebagai suatu strategi bisnis

10 Program Magister Teknik Industri-Universitas Mercu Buana

Black Belt (BB) Green Belt (BB)

11 Program Magister Teknik Industri-Universitas Mercu Buana

Fast Execution toward Zero Defect

Parameter : Karakteristik/ukuran dari populasi

Populasi (N) m = Rata-rata populasi

1 Program Magister Teknik Industri-Universitas Mercu Buana

 Jumlah semua data dibagi banyaknya data  x x  x i

2 Program Magister Teknik Industri-Universitas Mercu Buana

 Rata-rata kuadrat dari deviasi setiap nilai dari s 

Simpangan Baku (Standard Deviation)

 Akar kuadrat dari varians, rata-rata jarak data s  s2

3 Program Magister Teknik Industri-Universitas Mercu Buana

Rentang (Range) = 187 81

4 Program Magister Teknik Industri-Universitas Mercu Buana

Ukuran letak selalu di bandingkan dengan

Ukuran penyebaran bisa dilihat dari posisi data-

5 Program Magister Teknik Industri-Universitas Mercu Buana

Distribusi Normal Puncak Multipel

Distribusi Miring Distribusi Uniform

Histogram bisa bermanfaat untuk menjelaskan distribusi data.

6 Program Magister Teknik Industri-Universitas Mercu Buana

Banyak kejadian yang muncul secara acak

Kurva yang menghubungkan puncak-puncak

, Standard Ciri-Ciri Distribusi Normal Standard

7 Program Magister Teknik Industri-Universitas Mercu Buana

X-m ; X  Sebuah nilai

Hubungan standard deviasi dengan nilai Z :

Nilai  harus kecil apabila ingin memperoleh

8 Program Magister Teknik Industri-Universitas Mercu Buana

LSL USL Menghitung ZUSL 2 Upper Spec