GRAFIK

PENGENDALI SIFAT
Akbar
Darussala
m
Dyah Ayu
Pramesti
M Ali
Contents LETS
START

01 Pendahuluan

Grafik Pengendali Bagian Tak Sesuai

02 • Pengembangan dan Operasi Grafik Pengendali
• Ukuran Sampel Berbeda – Beda
• Fungsi Karakteristik Operasi

Grafik Pengendali Ketidaksesuaian (Cacat)

03 •
•
•
Prosedur dengan Ukuran Sampel Konstan
Prosedure dengan Ukuran Sampel Berbeda-beda
Sistem Kerusakan
• Fungsi Karakteristik Operasi
PENDAHULUAN
Banyak karakteristik kualitas tidak dapat dengan mudah dinyatakan secara
numerik. Dalam hal seperti itu biasanya tiap benda yang diperiksa kita
klarifikasi sebagai sesuai dengan spesifikasi pada karakteristik kualitas itu
atau tidak sesuai dengan spesifikasi.
Istilahnya karakteristik kualitas itu adalah ‘sesuai’ dan ‘tidak sesuai’
Contoh karakteristik kualitas
1. Terjadinya tangkai penghubung mesin mobil yang
bengkok dalam suatu hari produksi.
2. Bagian keping semi konduktor tak berfungsi dalam
satu giliran produksi
3 grafik pengendali sifat
1. Grafik ‘p’ : Grafik pengendali untuk bagian tak sesuai.
2. Grafik ‘c’ : grafik pengendali untuk ketidaksesuaian
3. Grafik ‘u’ : grafik pengendali untuk ketidak sesuaian per unit
5.2 GRAFIK PENGENDALI BAGIAN
TAK SESUAI

• Bagian tak sesuai didefinisikan sebagai perbandingan banyak benda

yang tak sesuai dalam suatu populasi dengan banyak benda
keseluruhan dalam populasi itu.

• Apabila benda tidak sesuai dengan standar dalam satu atau beberapa
karakteristik ini, maka benda itu diklasifikasikan sebagai tak sesuai.
Biasanya kita menyatakan bagian tak sesuai dengan pecahan desimal
ASAS-ASAS STATISTIK YANG
MENDASARI GRAFIK PENGENDALI

Didasarkan atas distribusi binomial

x = 0, 1, ...,n

 
p = probabilitas suatu unit tidak sesuai dengan spesifikasi
n = unit produk dipilih
D = banyak produk yang tak sesuai
 
Bagian tak sesuai sampel didefinisikan sebagai perbandingan banyak unit tak
sesuai dalam sampel D dan dengan ukuran sampel n

Mean dan variansi adalah

karena grafik itu mengendalikan bagian tak sesuai proses itu ‘p’, maka grafik ini
juga dinamakan grafik ‘p’.
5.2.1 PENGEMBANGAN DAN OPERASI
GRAFIK PENGENDALI
 Model umum grafik pengendali Shewart adalah sebagai
berikut :
BPA = w + kw
Garis tengah = w
BPS = w - kw
nb :
w = statistik pengukur kualitas
w = mean w
w = variansi w
k = jarak batas pengendali dari garis tengan = 3
 
Jika bagian tak sesuai atau ‘p’ diketahui atau nilai standar sudah
ditentukan oleh manajemen
Apabila bagian tak sesuai proses itu tidak diketahui maka harus
ditaksir dari data observasi.
Memilih m sampel pendahuluan, masing-masing berukuran n.
Maka,
 
Rata-rata bagian tak sesuai adalah sampel-sampel ini adalah
  
Batas pengendali diatas dipandang sebagai batas
pengendali percobaan untuk menentukan apakah proses dalam
keadaan terkendali ketika m sampel awal terpilih.
Jika semua titik jatuh didalam batas pengendali dan tidak ada
perilaku yang sistematik, dapat disimpulkan bahwa proses
terkendali dan batas pengendali itu dapat digunakan untuk
pengendali proses selanjutnya.
Jika satu atau beberapa titik jatuh diluar batas pengendali, dapat
disimpulkan bahwa proses tidak terkendali dan harus dilakukan
pemeriksaan terhadap titik tersebut.
Tindakan yang harus dilakukan saat proses tak terkendali adalah
membuang titik yang tidak terkendali lalu batas pegendali dihitung
lagi menggunakan titik-titik sisanya.
Contoh 5-1
Sari air jeruk dingin dipak dalam kotak karton 6 ons. Kotak ini dibuat dengan
mesin dengan memintalnya dari bahan karton, dan memasang lembaran metal
pada bagian bawahnya. Dengan pemeriksaan kotak, kita dapat menentukan
apakah kotak bocor (bila diisi) pada lipatan sisi atau sekeliling lipatan bawah.
Ketidakasesuaian kotak seperti itu mempunyai tanda tak wajar bak pada lipatan
sisi atau lembaran bawah. Kita ingin membuat grafik pengendali untuk memantau
bagian kotak tak sesuai yang dihasilkan dengan mesin ini.

Untuk membuat grafik pengendali, 30 sampel masing-masing dengan 50

kotak dipilih dalam selang setengah jam meliputi periode 3 giliran waktu mesin
beroperasi terus menerus. Data ditunjukkan dalam tabel berikut ini.
Nomor sampel Nomor sampel

1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
347 0.2313
  
Persamaan pertama
=
= 0.2313

 
Menggunakan sebagai nilai taksiran bagian tak
sesuai, lalu menghitung BPA dan BPB
  BPA =  BPB =
= 0.2313 + 3 = 0.2313 - 3
= 0.2313 + 0.1789 = 0.2313 - 0.1789
= 0.4102 = 0.0524
Grafik tersebut tidak terkendali karena pada nomor sampel 15 dan 23
terletak diatas batas pengendali atas (BPA).

Setelah di analisis, Sampel 15 disebabkan karena tumpukan yang tidak

teratur dan Sampel 23 disebabkan karena operator belum berpengalaman.

Sampel 15 dan 23 dikeluarkan dari sampel, menjadi

Nomor Nomor
sampel sampel
1 12 0.24 16 8 0.16
2
2 15
15 0.30
0.30 17
17 10
10 0.20
0.20
3
3 8
8 0.16
0.16 18
18 5
5 0.10
0.10
4
4 10
10 0.20
0.20 19
19 13
13 0.26
0.26
5
5 4
4 0.08
0.08 20
20 11
11 0.22
0.22
6
6 7
7 0.14
0.14 21
21 20
20 0.40
0.40
7
7 16
16 0.32
0.32 22
22 18
18 0.36
0.36
8
8 9
9 0.18
0.18
9 14 0.28 24 15 0.30
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
14 12 0.24 29 9 0.18
30 6 0.12
30 6 0.12
301 0.2150
301
  = = = 0.2150 Kenapa m =28?
Karena sampel 15 dan 23
  dikeluarkan dari sampel.

= 0.2150+ 3
= 0.2150+ 0.1743
= 0.3893

  BPB =
= 0.2150 - 3
= 0.2150 - 0.1743
= 0.0407
Garis tengah dan batas
pengendali yang sudah
diperbaiki.

Sampel 21 melebihi batas

pengendali atas. Tetapi
analisis data itu tidak dapat
menemukan sesuatu sebab
terduga yang cukup
beralasan atau masuk akal
untuk ini, dan kita putuskan
untuk membiarkan saja itu.

Kita simpulkan bahwa

proses itu terkendali pada
p = 0,2150 dan batas
pengendali yang diperbaiki
itu harus dipakai untuk
memantau produksi yang
sekarang sedang berjalan.
Selama tiga giliran Nomor Nomor
berikutnya setelah sampel sampel
penyesuaian mesin 1 9 0.18 13 3 0.06
dan pengenalan grafik 2 6 0.12 14 6 0.12
pengendali,
3 12 0.24 15 5 0.10
dikumpulkan
tambahan 24 sampel 4 5 0.10 16 4 0.08
masing-masing 50 5 6 0.12 17 8 0.16
observasi. 6 4 0.08 18 5 0.10
7 5 0.10 19 6 0.12
8 3 0.06 20 7 0.14
9 7 0.14 21 5 0.10
10 6 0.12 22 6 0.12
11 2 0.04 23 3 0.06
12 4 0.08 24 4 0.08
131 = 0.10917

Tabel 5.2. Data kotak sari jeruk dalam sampel berukura n=50
Kita dapat menguji hipotesis bahwa bagian tak sesuai proses dalam
periode tiga giliran sekarang ini berbeda dengan bagian tak sesuai proses
dalam data pendahuluan
  -UJI HIPOTESIS-

i. : = (proporsi bagian tak sesuai proses dalam data pendahuluan

sama dengan proporsi bagian tak sesuai proses dalam periode tiga
giliran )
: > (proporsi bagian tak sesuai proses dalam data pendahuluan
lebih besar dari proporsi bagian tak sesuai proses dalam periode tiga
giliran )

ii.

iii. Daerah kritis : ditolak jika

iv. Statistik Uji
 
 
=7.23 = = = 0.1092

= 0.1662

 v. Kesimpulan

Kesimpulan ditolak, karena > yaitu, = 7.22. Jadi, proporsi

bagian tak sesuai proses dalam data pendahuluan lebih besar
dari proporsi bagian tak sesuai proses dalam periode tiga
giliran
Kelihatannya masuk akal untuk memperbaiki lagi batas pengendali,
hanya dengan menggunakan data dari periode tiga-giliran yang paling
baru. Menghasilkan :

  = = = 0.10917
 BPA =
= 0.10917 + 3
= 0.241473

 BPB =
= 0.10917 - 3
= -0.02314
Karena batas
pengendali
bawah yang
dihitung itu lebih
kecil dari 0,
maka kita ambil
BPB = 0.
Sehingga, grafik
pengendali yang
baru hanya akan
mempunyai
batas pengendali
atas.
Dari pemeriksaan gambar tersebut kita catat bahwa semua tidak
akan jatuh di dalam batas pengendali atas yang diperbaiki; dengan
demikian kita simpulkan bahwa proses itu terkendali pada tingkat
baru ini.
Operasi selanjutnya grafik pengendali ini untuk lima gilrian berikutnya
Nomor Nomor Nomor
sampe sampe sampe
l l l
1 8 0.16 15 7 0.14 29 1 0.02
2 7 0.14 16 9 0.18 30 4 0.08
3 5 0.10 17 6 0.12 31 5 0.10
4 6 0.12 18 10 0.20 32 3 0.06
5 4 0.08 19 4 0.08 33 7 0.14
6 5 0.10 20 3 0.06 34 6 0.12
7 2 0.04 21 5 0.10 35 4 0.08
8 3 0.06 22 8 0.16 36 4 0.08
9 4 0.08 23 11 0.22 37 6 0.12
10 7 0.14 24 9 0.18 38 8 0.16
11 6 0.12 25 7 0.14 39 5 0.10
12 5 0.10 26 3 0.06 40 6 0.12
13 5 0.10 27 5 0.10 218 = 0.109
14 3 0.06 28 2 0.04
 Grafik pengendali
tidak menunjukkan
keadaan tak
terkendali.
Meskipun ada
peningkatan dalam
hasil setelah
perubahan-
perubahan
keteknikan dalam
proses, dan
pengenalan grafik
pengendali,
ketidaksesuaian
proses = 0,109
masih terlalu tinggi.
Grafik pengendali bagian tak sesuai mempunyai tiga parameter yang harus
ditentukan :
1. Ukuran sampel
2. Frekuensi pengambilan sampel
3. Lebar batas pengendali
Jika kita harus memilih sampel hasil suatu proses, maka kita harus memilih
ukuran sampel n. Berbagai aturan telah dikemukakan untuk memilih n itu. Jika
sangat kecil, harus cukup besar.

Contoh: , maka

 
Jika ada satu unit yang tidak terkendali dalam sampel itu, maka . maka
kesimpulannya tak terkendali.

Tetapi tidak cukup beralasan apabila menyimpulkan proses tak terkendali

hanya dengan mengamati satu unit tak sesuai saja.
 Solusinya, menggunakan pendekatan Poisson untuk Binomial.

Contoh:
dan probabilitas paling sedikit satu unit tak sesuai paling kecil 0.95.

Jawab:
: banyak unit tak sesuai.
 Menurut Duncan (1974), ukuran sampel harus cukup besar sehingga
punya harapan kira-kira 50% akan menyidik pergeseran proses sebesar
yang ditentukan. Lalu menggunakan pendekatan normal untuk binomial,
sehingga BPA tepat berhimpitan dengan bagian tak sesuai dalam
keadaan tak terkendali.
; maka
Contoh:
bergeser ke , probabilitasnya .
Jawab:

 
Grafik Pengendali np : grafik pengendali untuk banyak unit tak sesuai.

 
Jika nilai standar untuk ‘p’ tidak tersedia, maka ‘p’ akan digunakan sebagai
taksiran ‘p’. Banyak personil yang tidak terlatih statistik mendapatkan grafik
np lebih mudah diinterpretasikan daripada grafik pengendali tak sesuai
yang biasa.
• 5.2.2 Ukuran Sampel Berbeda - Beda
Ada beberapa pendekatan dalam pembentukan dan pengoperasian grafik
pengendali dengan ukuran sampel berbeda-beda :

1 Pendekatan Pertama
 yaitu dengan menentukan batas pengendali untuk tiap-tiap sampel yang
didasarkan atas ukuran sampel tertentu.

Jika sampel ke berukuran , maka

  ´𝒑 (𝟏− ´𝒑 )
 

 ´𝒑 = ∑
𝒊
𝒏
𝑫𝒊
𝑩𝑷𝑩= ´𝒑 −𝟑
√ 𝒏𝒊

∑ 𝒏𝒊
𝒊
 Batas
Batas
Banyak Pengendali
Pengendali
Nomor
Sampel
Ukuran
Sampel
Ketidakse-
Bagian Tak
Sesuai Sampel
Deviasi Standar  
suaian BPB BPA
BPB BPA
1 100 12 0,120 0,029 0,009 0,183
2
1 80
100 8
12 0,100
0,120 0,033
0,029 0
0,009 0,195
0,183
3
2 80
80 6
8 0,075
0,100 0,033
0,033 0
0 0,195
0,195
4
3 100
80 9
6 0,090
0,075 0,029
0,033 0,009
0 0,183
0,195
5
4 110
100 10
9 0,091
0,090 0,028
0,029 0,012
0,009 0,180
0,183
5
6 110 10
12 0,091
0,109 0,028 0,012 0,180
6
7 110
100 12
11 0,109
0,110 0,028
0,029 0,012
0,009 0,180
0,183
7
8 100
100 11
16 0,110
0,160 0,029
0,029 0,009
0,009 0,183
0,183
8
9 100
90 16
10 0,160
0,110 0,029
0,031 0,009
0,003 0,183
0,189
9
10 90
90 10
6 0,110
0,067 0,031
0,031 0,003
0,003 0,189
0,189
10
11 90
110 6
20 0,067
0,182 0,031
0,028 0,003
0,012 0,189
0,180
11 110 20 0,182 0,028 0,012 0,180
12 120 15 0,125 0,027 0,015 0,177
12 120 15 0,125 0,027 0,015 0,177
13 120 9 0,075 0,027 0,015 0,177
13 120 9 0,075 0,027 0,015 0,177
14
14 120
120 8
8 0,067
0,067 0,027
0,027 0,015
0,015 0,177
0,177
15
15 110
110 6
6 0,055
0,055 0,028
0,028 0,012
0,012 0,180
0,180
16
16 80
80 8
8 0,100
0,100 0,033
0,033 0
0 0,195
0,195
17 80 10 0,125 0,033 0 0,195
18 80 7 0,088 0,033 0 0,195
19 90 5 0,056 0,031 0,003 0,189
20 100 8 0,080 0,029 0,009 0,183
21
21 100
100 5
5 0,050
0,050 0,029
0,029 0,009
0,009 0,183
0,183
22
22 100
100 8
8 0,080
0,080 0,029
0,029 0,009
0,009 0,183
0,183
23
23 100
100 10
10 0,100
0,100 0,029
0,029 0,009
0,009 0,183
0,183
24
24 90
90 6
6 0,067
0,067 0,031
0,031 0,003
0,003 0,189
0,189
25 90 9 0,100 0,031 0,003 0,189
25 90 9 0,100 0,031 0,003 0,189
  2450 234 0,096      
  2450 234 0,096      
• 5.2.2 Ukuran Sampel Berbeda - Beda

2 Pendekatan Kedua

yaitu dengan mendasarkan grafik pengendali pada ukuran sampel rata-rata,

yang menghasilkan himpunan batas pengendali pendekatan.

𝒏
  ∑ 𝒏𝒊
𝒊
𝒏
´=
𝒏

  ´𝒑 (𝟏 − ´𝒑 )   ´𝒑 (𝟏− ´𝒑 )
𝑩𝑷𝑨= ´𝒑 +𝟑
√
𝒏´
𝑩𝑷𝑩= ´𝒑 −𝟑
√ 𝒏´
 
Berdasarkan data pada contoh sebelumnya (Tabel 5-4), maka
BPA dan BPB-nya adalah
 0.2
0.18
bagian tak sesuai sampel, p^

0.16
0.14
0.12
0.1 p^i
0.08 BPB
0.06 BPA
pbar
0.04
0.02
0

nomor sampel
Terkadang ada masalah misalkan p=0,2
sampel P (tak sesuai) n Deviasi Standar
Ke- i 0,28 (tinggi) 50 1,89
Ke- i+1 0,24 250 (tinggi) 2,11(tinggi)

Satu
  penyelesaiannya adalah dengan menggunakan grafik pengendali “terstandar”,
dengan titik-titik digambarkan dalam unit deviasi standar. Grafik pengendali seperti itu
mempunyai garis tengah pada nol, serta BPA dan BPB masing-masing +3 dan -3.
 Banyak Bagian Tak
Nomor Ukuran
Ketidakse- Sesuai Deviasi Standar
Sampel Sampel
suaian Sampel

1
1 100
100 12
12 0,120
0,120 0,029
0,029 0,83
0,83
2
2 80
80 8
8 0,100
0,100 0,033
0,033 0,12
0,12
3
3 80
80 6
6 0,075
0,075 0,033
0,033 -0,64
-0,64
4
4 100
100 9
9 0,090
0,090 0,029
0,029 -0,21
-0,21
5
5 110
110 10
10 0,091
0,091 0,028
0,028 -0,18
-0,18
6
6 110
110 12
12 0,109
0,109 0,028
0,028 0,46
0,46
7
7 100
100 11
11 0,110
0,110 0,029
0,029 0,48
0,48
8
8 100
100 16
16 0,160
0,160 0,029
0,029 2,21
2,21
9
9 90
90 10
10 0,110
0,110 0,031
0,031 0,45
0,45
10
10 90
90 6
6 0,067
0,067 0,031
0,031 -0,94
-0,94
11
11 110
110 20
20 0,182
0,182 0,028
0,028 3,07
3,07
12
12 120
120 15
15 0,125
0,125 0,027
0,027 1,07
1,07
13
13 120
120 9
9 0,075
0,075 0,027
0,027 -0,78
-0,78
14
14 120
120 8
8 0,067
0,067 0,027
0,027 -1,07
-1,07
15
15 110
110 6
6 0,055
0,055 0,028
0,028 -1,46
-1,46
16
16 80
80 8
8 0,100
0,100 0,033
0,033 0,12
0,12
17
17 80
80 10
10 0,125
0,125 0,033
0,033 0,88
0,88
18
18 80
80 7
7 0,088
0,088 0,033
0,033 -0,24
-0,24
19
19 90
90 5
5 0,056
0,056 0,031
0,031 -1,29
-1,29
20
20 100
100 8
8 0,080
0,080 0,029
0,029 -0,55
-0,55
21
21 100
100 5
5 0,050
0,050 0,029
0,029 -1,59
-1,59
22
22 100
100 8
8 0,080
0,080 0,029
0,029 -0,55
-0,55
23
23 100
100 10
10 0,100
0,100 0,029
0,029 0,14
0,14
24
24 90
90 6
6 0,067
0,067 0,031
0,031 -0,94
-0,94
25
25 90
90 9
9 0,100
0,100 0,031
0,031 0,13
0,13
   2450
2450 234
234 0,096
0,096      
 4

1
Zi
0
Zi

BPA
1 3 5 7 9 11 13 15 17 19 21 23 25
-1 BPB
pbar
-2

-3

-4
nomor sampel
• 5.2.3 Fungsi Karakteristik Operasi
 Fungsi KO grafik pengendalian bagian tak sesuai adalah penyajian grafis

probabilitas menerima secara salah hipotesis keadaan terkendali statistik (yakni

kesalahan tipe II atau ) terhadap bagian tak sesuai proses.

Kurva KO memberikan ukuran kepekaan grafik pengendali; yakni,

kemampuannya menyidik suatu pergeseran dalam bagian tak sesuai nilai
nominal ke suatu nilai robabilitas, kesalahan tipe II untuk grafik pengendali
bagian tak sesuai dapat dihitung dari

(5-14)
Karena
  variabel random binomial dengan parameter dan , kesalahan yang
didefinisikan dalam (5-14) dapat diperoleh dari distribusi binomial.
contoh
0,01 1,0000 0,9862 0,0138
  0,03 1,0000 0,8108 0,1892
0,05 1,0000 0,5405 0,4595
0,10 1,0000 0,1117 0,8883
 
0,15 0,9999 0,0142 0,9857
0,20 0,9975 0,0013 0,9962
0,25 0,9713 0,0001 0,9712
 
Karena nilai harus berupa 0,30 0,8594 0,0000 0,8594
bilangan bulat, maka
0,35 0,6216 0,0000 0,6216
0,40 0,3356 0,0000 0,3356
0,45 0,1273 0,0000 0,1273
0,50 0,0325 0,0000 0,0325
0,55 0,0053 0,0000 0,0053
 • Gambar 5-7. Kurva karakteristik operasi grafik pengendali bagian tak sesuai
dengan , dan .
5.3 Grafik Pengendali Ketidaksesuaian (cacat)
Grafik yang berhubungan dengan banyaknya cacat atau ketidaksesuaian

5.3.1 Prosedure dengan ukuran konstan

 
Unit pemeriksaan adalah satu unit produk suatu yang mudah menyimpan catatan.

andaikan bahawa cacat atau taksesuai tejadi dalam unit pemeriksaan yakni
menggunakan distribusi poisson :

x = 0,1,2, ...
X adalah banyak ketidaksesuaian dan C > 0 adalah parameter poisson .
 
Dengan demikian, grafik pengendalian untuk ketidaksesuaian
dengan batas2 3-sigma diberikan oleh

Dengan anggapan nilai standar untuk c tersedia. Jika hitungan

ini menghasilkan nilai BPB yang negatif, ambil BPB =0
Place Your Picture Here Send To Back

 
Jika nilai standar tidak
 
diberikan maka c dapat ditaksir
dengan banyak
ketidaksesuaian rata-rata yang
diamati dalam sampel
pendahuluan unit pemeriksaan,
misalnya . Dalam hal ini grafik
pengendalian memiliki
parameter
contoh

 Tabel 5-7 menyajikan banyak ketidaksesuaian yang diamati dalam 26 sampel

berturut-turut 100 papan untaian tercetak. Perhatikan bahwa, untuk alasan
kemudahan,unit pemeriksaan didefinisikan sebagai 100 papan. Karena 26
sampel memuat seluruhnya 516 ketidaksesuaian, c kita taksir dengan

Resiko α untuk batas 3-sigma tidak terbagi sama di atas BPA dan di bawah
BPB karena distribusi Poisson tidak simetrik. Beberapa penulis menganjurkan
penggunaan batas probabilitas untuk grafik ini, khususnya jika c kecil.
Dengan demikian, batas pengendali percobaan diberikan dengan
 Place Your Picture Here Send To Back
Banyak Banyak
Nomor sampel ketidaksesuaia Nomor sampel ketidaksesuaia
n n
1 21 14 19
2 24 15 10
3 16 16 19
4 12 17 13
5 15 18 22
Data banyak 6 5 19 18
7 28 20 39
ketidaksesuaian 8 20 21 30
dalam sampel 9 31 22 24
dengan 100 10 25 23 16
papan untaian 11 20 24 19
12 24 25 17
tercetak 13 16 26 15

TABEL 5-7
 
Grafik pengendalinya ditunjukkan dalam Gambar 5-8. Banyak
ketidaksesuaian yang diamati dari sampel-sampel pendahuluan itu
dituangkan dalam grafik ini. Dua titik terletak di luar batas pengendali,
sampel 6 dan 20. Penyelidikan pada sampel 6 mengungkapkan bahwa
seorang pemeriksa baru yang telah meneliti papan-papan dalam
sampel ini dan dia tidak mengenali beberapa macam ketidaksesuaian
yang mungkin ada. Selanjutnya, banyak ketidaksesuaian yang banyak
luar biasa dalam sampel 20 dihasilkan dari masalah pengendalian
temperatur dalam mesin pateri gelombang, yang kemudian diperbaiki.
Dengan demikian, tampaknya cukup beralasan untuk mengeluarkan
kedua sampel ini dan memperbaiki batas pengendali percobaan.
Sekarang hitung taksiran untuk c diperoleh
 Place Your Picture Here and send to back

Dan batas
  pengendali baru adalah :

Gambar 5-8. Grafik pengendali ketidaksesuaian bagi contoh 5-2

 Place Your Picture Here Send To Back

Ini menjadi nilai nilai standar yang

terhadapnya produksi periode mendatang
Banyak Banyak
akan dibandingkan. Nomor Nomor
ketidakses ketidakses
sampel sampel
uaian uaian
Dua puluh sampel baru yang masing
masing terdiri dari satu unit pemeriksaan 1 16 11 18
2 18 12 21
(yakni 100 papan), kemudian diambil.
3 12 13 16
Banyak ketidaksesuaian dalam tiap sampel
4 15 14 22
dicatat dan dituangkan dalam Tabel 5-8. 5 24 15 19
Titik ini digambarkan pada grafik pengendali 6 21 16 12

dalam gambar 5-9. 7 28 17 14

8 20 18 9
Tabel 5-8 data tambahan untuk grafik
9 25 19 16
pengendalian bagian tak sesuai, contoh 5-2
10 19 20 21
Gambar 5-9. Lanjutan grafik pengendali ketidaksesuaian, contoh 5-2
PAPAN UNTAIAN TERCETAK
TABEL CACAT DIKLASIFIKASI MENURUT NOMOR
SUKU DAN KODE CACAT
Teknik yang berguna lainnya untuk analisis ketidaksesuaian lebih lanjut
adalah diagram sebab dan akibat (dinamakan diagram tulang ikan atau
diagram ishikawa) diagram sebab dan akibat digunakan untuk
melukiskan dengan jelas bebagai sumber ketidaksesuaian dalam poduk
dan saling hubungannya. Berguna dalam memusatkan perhatian
operator, insinyur produksi, dan pimpinan dalam masalah kualitas.

Gambar 5-11. Suatu diagram sebab dan akibat untuk proses

perakitan papan untaian tercetak.
Pemilihan Ukuran Sampel: Grafik u.
 
Ukuran sampel tidak harus terbatas pada satu unit pengukuran.

Ukuran sampel harus dipilih menurut pertimbangan statistik.

Misalkan jika diputuskan untuk mendasarkan grafik pengendali pada ukuran sampel 𝑛 unit

pemeriksaan, nilai 𝑛 tida harus suatu bilangan bulat.

Ada dua pendekatan umum dalam membentuk grafik yang diperbaiki.

Pendekatan yang pertama hanya mendefinisikan kembali unit pemeriksaan baru yang sama

dengan kali unit pemeriksaan yang lama. Dalam hal ini, garis tengah grafik pengendali yang baru

adalah dan batas pengendalinya terletak pada ± , dengan c mean banyak ketidaksesuaian yang

diamati dalam unit pemeriksaan awal.

Pendekatan kedua meliputi pembentukan grafik pengendali berdasarkan
banyak ketidaksesuaian rata-rata per unit pemeriksaan.

Banyak ketidaksesuaian rata-rata per unit pemeriksaan adalah

Perhatikan bahwa
 
adalah variabel random poisson dan merupakan
kombinasi linear variabel random poisson independen.
Dengan demikian, parameter grafik pengendali itu adalah

BPA

Garis tengah

BPB
 
dengan menunjukkan banyak ketidaksesuaian rata-rata per unit yang

diamati dalam himpunan data permulaan. Batas pengendali yang baru

dipandang sebagai batas pengendali percobaan. Grafik ini dinamakan

grafik pengendali untuk grafik ketidaksamaan per unit atau grafik u.

Place Your Picture Here Send
ContohTo5-3.Back
Nomor sampel Ukuran sampel n
Banyak
ketidaksesuaian
Banyak ketidak
sesuaian rata-rata
keseluruhan, c per unnit, u = c/n
Pengusaha komputer 1 5 10 2,0

pribadi ingin 2 5 12 2,4

3 5 8 1,6
membentuk grafik 4 5 14 2,8
pengendali untuk 5 5 10 2,0

ketidaksamaan per unit 6

7
5
5
16
11
3,2
2,2
pada jalur perakitan 8 5 7 1,4

akhir. Sebagai ukuran 9 5 10 2,0

10 5 15 3,0
sampel dipilih lima 11 5 9 1,8
komputer. Data banyak 12 5 5 1,0

ketidaksamaan dalam 13
14
5
5
7
11
1,4
2,2
20 sampel masing- 15 5 12 2,4

masing dengan 5 16 5 6 1,2

17 5 8 1,6
komputer ditunjukkan 18 5 10 2,0
dalam tabel. 19 5 7 1,4
20 5 5 1,0
193 38,6
Data banyak ketidaksesuaian dalam 20 sampel masing-masing dengan 5
komputer.
Dari data ini kita akan menaksir banyak ketidaksesuaian rata-rata per unit:
Taksiran banyak ketidaksesuaian rata-rata per unit

 
Parameter grafik pengendali

BPA
Garis tengah

BPB
Data pendahuluan tidak menunjukkan kurang terkendali statistik, dengan
demikian batas pengendalian percobaan akan diambil untuk tujuan-tujuan
pengendalian saat ini.
5-3.2 Prosedur dengan Ukuran Sampel
Berbeda-beda

Apabila metode pengambilan sampel ini digunakan, biasanya

banyak unit pemeriksaan dalam sampel tidak konstan. Dengan
demikian, grafik pengendali untuk ketidaksesuaian (grafik c), garis
tengah dan batas pengendali keduanya akan berubah-ubah dengan
ukuran sampel
Prosedur yang tepat adalah menggunakan grafik pengendali untuk
ketidaksesuaian per unit (grafik u).
 Nomor Banyak Banyak Banyak Banyak
Contoh 5-4
gulunga m2 ketidak pemerik ketidak
 Sebuah n sesuaia saan sesuaia
pabrik tekstil n unit n unit
ingin memeriksa ada keselur dalam pemerik
tidaknya cacat per 50 uan gulunga saan
meter persegi. Data dari n, n
10 gulungan bahan
ditunjukkan pada tabel 1 500 14 10.0 1.40
disamping. Untuk
menganalisis data 2 400 12 8.0 1.50
tersebut, menggunakan 3 650 20 13.0 1.54
grafik pengendali
ketidaksesuaian per 4 500 1 10.0 1.10
unit. 5 475 7 9.5 0.74
Jawab: 6 500 10 10.0 1.00
Menghitung rata-rata 7 600 21 12.0 1.75
ketidaksesuaian per unit 8 525 16 10.5 1.52
9 600 19 12.0 1.58
10 625 23 12.5 1.84
153 107.5
 Menghitung Batas
 

Pengendali

Nomor Ni BPA BPB

gulunga
n, i
1 10.0 2.55 0.29
2 8.0 2.68 0.16
3 13.0 2.41 0.43
4 10.0 2.55 0.29
5 9.5 2.58 0.26
6 10.0 2.55 0.29
7 12.0 2.45 0.39
8 10.5 2.52 0.32
9 12.0 2.45 0.39
10 12.5 2.43 0.41
5-3.3 Sistem Kerusakan
Ada 4 macam pola kerusakan:
1. Cacat A-Sangat Serius
2. Cacat B-Serius
3. Cacat C-Agak Serius
4. Cacat D-Kecil
Misalkan terdapat kelas cacat. Untuk
mencari banyak kerusakan per unit

D merupakan banyak cacat

 
keseluruhan dalam n unit
pemeriksaan.
Batas grafik pengendali;
Contoh:
misalkan , , , masing-masing menunjukkan banyak cacat kelas A, B, C, dan D

 
dalam unit pemeriksaan. Tiap kelas independen dan tiap kelas dimodelkan dalam
distribusi Poisson.

Jawab:
 
5-3.4 Fungsi Karakteristik Operasi

 
Kurva karakteristik operasi (KO) untuk grafik c dan grafik u dapat
diperoleh dari distribusi Poisson. Untuk grafik c, grafik KO
menggambarkan probabilitas kesalahan tipe II banyak cacat rata-
rata yang sebenarnya c.

Dengan adalah variabel random Poisson dengan parameter .

Contoh 5.2

Tabel 5-7 menyajikan banyak ketidaksesuaian yang diamati dalam 26 sampel

berturut turut 100 papan untaian tecetak. Untuk pemeriksaan didefinisikan sebagai 100
papan. Karena 26 sampel memuat seluruhnya 516 ketidaksesuaian, c ditaksir dengan

Dengan demikian batas pengendalian percobaan diberikan dengan

BPA = c + 3 c = 19,85 + 3 = 33,22

Garis Tengah = = 19,85

BPB = c – 3 c = 19,85 – 3 = 6,48

 
Berdasarkan contoh 5-2, akan membentuk kurva KO grafik c. sudah diketahui
sebelumnya bahwa BPB= 6.48 dan BPA= 33.22, maka dipersamaannya
menjadi

Karena ketidaksesuaian harus bilangan bulat, maka

Probabilitas ini dihitung pada tabel berikut ini dan kurva KO ditunjukkan pada
gambar selanjutnya
Untuk grafik u , dapat membentuk kurva KO dari

 
Dengan (y) menunjukkan bilangan bulat terkecil lebih besar atau sama
dengan y dan [y] menunjukkan bilangan bulat terbesar lebih kecil atau
sama dengan y.
Terima kasih