2-ANALYSIS OF QUALITY INFORMATION AND QUALITY IMPROVEMENT

EFFORT
ROBUST DESIGN FOR QUALITY ENGINEERING AND SIX SIGMA-SUNG H PARK & JIJU ANTONY
OUTLINE

Assesment of process capability

1
Signal To Noise Ratio
2
Factor-finding methods for
quality problems
3
Multiple regression analysis
4
Case study
5
2.1. ASSESMENT OF PROCESS CAPABILITY

 Pada bagian ini menjelaskan basic pengukuran statistic control dan kapabilitas dari spesifikasi ouput
dari proses
 Tujuan : memprediksi variabilitas proses, menganalisa proses-proses yang tepat atau memenuhi
toleransi
 Apabila suatu proses sudah stabil atau terkontrol dilihat dari segi varibilitas maupun rata-ratany amaka
dapat dikatakan bahwa proses tersebut berjalan dengan baik. Namun, suatu produk tidak hanya cukup
dengan kata baik saja, tetapi harus memenuhi keinginan atau spesifikasi konsumen. Untuk itu perlu
analisis lebih lanjut tentang kapabilitas suatu produk yang dilihat dari proses produksinya yaitu
assessment of process capability.
PROCESS CAPABILITY INDEX

Ada dua process capability index yaitu: Cp dan Cpk

Cp digunakan apabila proses berada dalam batas pengendali staistik dengan bagan
kendali proses statistic.
Tahapan:
 Mengukur X bar dan R bar
 Process Cp dan Cpk
 Jika karakteristik data adalah y1, y2,…yn maka standar deviasi :

 Jika data sub grup k maka standar deviasi:

 14

LSL USL

6 Cp = 0.67

6 Cp = 1.0
 Cp > 1,33  proses dianggap
mampu
 Cp = 1 s/d 1,33 
proses dianggap mampu
tetapi perlu pengendalian
yang ketat apabila Cp
mendekati 1
Cp = 1.33  Cp < 1 
6
proses dianggap tidak
mampu

LSL USL
INDEK KEMAMPUAN PROSES
 Cpk = min (Cpu, Cpl) Degree of Bias

‐ proses
Dimana μ = rata-­rata
6
CPU : Indeks kapabilitas atas.

CPL : Indeks kapabilitas

bawah.
M µ
Cp, CPU maupun CPL digunakan untuk
mengevaluasi batas spesifikasi yang Specification
Jika: ditentukan. tolerance (T)
 Cpk ≥ 1  capable
 Cpk < 1  not capable USL
LSL
Cpk >> semakin sedikit produk diluar batas
spesifikasi
LOSS FUNCTION

 Loss merupakan sesuatu yang pasti terjadi saat suatu karakteristik kualitas fungsional
produk menyimpang dari nilai nominalnya (target)
 Nilai loss akan meningkat saat nilai karakteristik kualitas melebar lebih jauh dari nilai
targetnya.
 Loss function digunakan dalam mengukur performansi karakteristik kualitas dalam
pencapaian target.
 Loss function juga dapat digunakan dalam evaluasi pengaruh yang ditimbulkan oleh
suatu usaha perbaikan kualitas.
 Ada 3 karakteristik : nominal-is-the best; smaller-the-better; larger-the better
NOMINAL IS THE BEST

 Digunakan utk mengupayakan agar produk yg dihasilkan sesuai dengan

keinginan konsumen
 Untuk mengetahui kerugian yg ditimbulkan produk (loss function):
 L(y) = k (y-m)2
 Dimana k = konstanta, m = target value, y = karakteristik kualitas
NOMINAL IS THE BEST
Utk mengeatahui nilai konstanta (k) maka kita
misalkan bahwa fungsi jarak (toleransi) dari
nilai karakteristik kualitas adalah (m - Δ, m +
Δ ), dimana A adalah nilai average loss.

Jika (m + Δ ) maka persamaan Loss function

menjadi L(x) = k (m + Δ – m)2 dengan L(x) = A
A = k (Δ)2
Jika (m – Δ ) maka persamaan loss function
menjadi L(x) = k (m - Δ – m)2 dengan L(x) = A
A = k (-Δ)2 = k (Δ)2

Maka k = (A/ (Δ)2)

L(y) = k (y-m)2 = (A/ (Δ)2) (y-m)2

NOMINAL IS THE BEST

Nominal the best untuk satu unit produk: Nominal the best untuk beberapa produk:
L (y) = k (y-m)2 L (y) = k (y-m)2
L (y) = (A/ (Δ)2) (y-m)2 L (y) = (A/ (Δ)2) (y-m)2

Dimana:
y = nilai karakteristik kualitas
L(y) = kerugian dalam satuan uang untuk setiap = quality variation
produk bial karakteristik kualitas sama dengan y = quality mean
m = nilai target dari y m = quality target
k = koefisien biaya
A0 = rerata biaya
Δ2 = deviasi
SMALLER THE BETTER

 Semakin kecil target value yang dicapai maka semakin

baik, karena semakin kecil target value semakin baik
maka nilai m = 0 sehingga persamaannya menjadi:

L (y) =
L (y) =
L (y) =

Karena nilai y tidak bisa negative maka The expected value

of L(y) adalah
L = E () =
LARGER THE BETTER
 Semakin besar target value yang dicapai maka semakin baik,
 Target value terbaik yang harus dicapai (m) =

L (y) =
Untuk mengetahui nilai k, dapat memisalkan fungsi jarak (toleransi) dari nilai
karakteristik kualitas adalah (Δ) dengan A adalah nilai average Loss
Misal dari titik (Δ) maka persamaan loss function menjadi:
L (y) =
Dengan L(y) =
=
Maka k =
Untuk expected value :
L = E[k(1/
L= k (1/
COMPARISON OF P, AND L(Y)

Untuk 4 type distribusi diasumsikan untuk k =

Expected loss ($):
 Type 1: 100
 Type 2: 100
 Type 3: 100
 Type 4: 100

Jika prioritasnya adalah keuntungan pelanggan maka

pendekatan loss function salah satu yang cocok.
2.2 SIGNAL TO NOISE RATIO

 Taguchi mengembangkan konsep SN ratio utk eksperimen yg melibatkan banyak factor

 SN Ratio mengukur performansi kerja dan efek dari factor noise dari performansi dan mengevaluasi
performansi dari karakteristik output.
 Semakin tinggi performansi yang diukur yang berarti tingginya SN Ratio = kerugian yang lebih kecil.
 SN Ratio adalah ukuran objektif dari kualitas yang memuat mean dan varian dalam perhitungan
 SN Ratio tergantung pada karakteristik kualitasnya seperti: nominal is the best, smaller the better, dan larger
the better

Signal Output
input Resulted quality
Goal System
characteristics

Noise
LOSS FUNCTION AND SN RATIO FOR A SET OF N OBSERVATION
EXAMPLE

Dengan menggunakan persamaan

 Data 5 observasi: 32, 38, 36, 40, 37
 Pertanyaannya tentukan SN ratio dari masing-masing
 tipe karakteristik kualitas

 Nominal is best:

/n =
=
EXAMPLE

 Data 5 observasi: 32, 38, 36, 40, 37

 Pertanyaannya tentukan SN ratio dari masing-masing
 tipe karakteristik kualitas

Smaller the better:

Dengan menggunakan persamaan
= -10 log

Larger the better

= -10 log
2.3 FACTOR-FINDING METHODS FOR QUALITY PROBLEMS

 Pada aktivitas QC Teknik yang sering

diginakan pada analisis data adalah seven
basic tools, yaitu:  Seven new tools of QC:

1. Histogram 1. Relations diagrams

2. Causes and effect diagrams 2. Tree diagrams

3. Pareto diagrams 3. Matrix diagrams

4. Check sheets 4. Affinity diagrams

5. Graphs 5. Process decision program chart (PDPC)

6. Scatter diagrams 6. Arrow diagrams

7. Stratification 7. Matrix data analysis

CORRELATION AND REGRESSION ANALYSIS
Case studi:
 Pada perusahan kilang minyak di Korea dengan causes and effect diagram for color quality (mengontrol color
quality pada kerosene sweetening process U-1700)

Feeding conditons

Amount of mercaptan
Feed endpoint (x4)
(x1)
Feed temperature (x2) Amount of I/H in raw pretoleum (x5)

Product color

Amount of air (x2) Amount of feeding for catalyst activator

(x6)

Operating conditions of reactor

RESULT OF STEPWISE REGRESSION

Coefficient of
step variable entered Regression equation determination
(R2)

1 x1 𝑦 ̂=40,53795 −0,14539 𝑥2 0,560

2 x2, x3 𝑦 ̂=48,53840 −0,14912 𝑥2 - 0,15220 x3 0,620
3 x2, x3, x6 𝑦 ̂=55,65490 −0,13588 𝑥2 - 0,2217 x3 - 0,06633x5 0,688
4 x2, x3, x5, x1 𝑦 ̂=58,55692 −0,13876 𝑥2 - 0,21339 x3 - 0,08429 x5 - 0,03435 x1 0,726
5 x2, x3, x5, x1, x6 𝑦 ̂=65,62266 −0,15442 𝑥2 - 0,26746 x3 - 0,11384 x5 - 0,04627 x1 - 0,02256 x6 0,761
THANK YOU
SOMEONE@EXAMPLE.COM