LANDASAN TEORI
2.1 Diagram Kontrol MEWMA
Diagram kontrol konvensional jenis Shewhart seperti diagram T2 umumnya efektif untuk mendeteksi shift mean. Walau demikian, diagram kontrol ini memiliki reaksi yang lambat dalam mendeteksi shift kecil dan moderat dalam proses mean. Untuk mengatasi persoalan ini, Montgomery (2005) telah mengembangkan diagram kontrol MEWMA yang lebih sensitif terhadap shift mean kecil. Misal, ๐๐ก = ๐๐ก1,โฆ,๐๐ก๐ โฒ untuk
๐ก = 1,2,โฆ,๐ sebagai suatu vektor acak multivariat berdimensi ๐ โค ๐ dengan komponen dari variabel acak pada saat t. Statistik Multivariate Exponentially Weighted Moving Average (MEWMA) yang dikonstruksi dari diagram kontrol EWMA oleh Lowry, Woodall, Champ, dan Ridgon (1992) berdasarkan observasi sebelumnya dan didefinisikan sebagai
๐๐ก =๐๐๐ก + 1โ ๐ ๐๐กโ1, ๐ก = 1,2,โฆ,๐, (2.1) dengan r sebagai parameter pemulus 0 < ๐ โค1 dan diasumsikan ๐0 =๐๐ก. Misal, ๐๐ก
suatu vektor acak pada saat t. Persamaan (2.1) dapat diperluas secara rekursif untuk setiap t sebagai: ๐1 =๐๐1, ๐2 =๐๐2+๐ 1โ ๐ ๐1, โฎ ๐๐กโ1 =๐๐๐กโ1+๐ 1โ ๐ ๐๐กโ2+โฏ+๐ 1โ ๐ ๐กโ1๐1, ๐๐ก =๐๐๐ก+๐ 1โ ๐ ๐๐กโ1+๐ 1โ ๐ 2๐๐กโ2+โฏ+๐ 1โ ๐ ๐กโ1๐1+ 1โ ๐ ๐ก๐0. (2.2) Misal dipilih bobot dari observasi ke-๐ yang bersesuaian dengan observasi ke
๐๐กโ๐ dan ditulis sebagai ๐ค๐ =๐ 1โ ๐ ๐ dengan 1โ ๐ โค1. Jumlahan bobot ini dapat dinyatakan dalam bentuk satuan sebagai ๐ ๐กโ๐ 1โ ๐ ๐ก = ๐ 11โ โ 11โ๐ โ๐ ๐ก = 1โ 1โ ๐ ๐ก
14
Perhatikan bahwa bobot ๐ค๐ akan mengalami kenaikan mengikuti kenaikan t. Dalam hal ini, bobot dari observasi sekarang akan lebih besar dari observasi sebelumnya, sehingga bobot ๐ 1โ ๐ ๐ก akan mengalami penurunan secara geometrik dengan bertambahnya usia sampel mean. Jadi, ๐๐ก pada (2.2) merupakan suatu vektor rata-rata terboboti (weighted
average) dari pengukuran t observasi yang mengikuti bentuk geometrik (Roberts,1959).
Dalam beberapa literatur, parameter r dikenali juga sebagai bobot eksponensial dari statistik MEWMA dan dapat didekati oleh distribusi Khi-kuadrat.
Misal diasumsikan bahwa
๐ธ ๐๐ก = ๐= ๐0 saat proses berada dalam target in control , ๐1 saat proses berada di luar target out of control ,
dan ๐๐๐ ๐๐ก =๐บ๐๐ก.
Diagram kontrol MEWMA memberikan warning signal ketika
๐๐ก =๐๐กโฒโฒ๐บโ๐๐ก1๐๐ก >๐, (2.3)
dengan h dispesifikasikan sebagai batas atas kontrol atau upper limit control (UCL) dengan lower limit control (LCL) bernilai nol. Sementara kasus khusus dari diagram kontrol MEWMA adalah ketika ๐= 1 yang memberikan ๐๐ก = ๐๐ก dan ๐๐ก =๐๐กโฒ๐บ๐โ1๐๐ก. Bentuk ini analog dengan diagram kontrol Shewhart multivariat yang juga dikenal sebagai diagram kontrol Khi-kuadrat.
Disini variabel ditransformasi ke bentuk ๐บ๐โ๐ก1 2 ๐๐กโ ๐0 , sehingga nilai harapan dan variansi dari observasi ๐๐ก yang diberikan masing-masing sebagai:
๐ธ ๐บ๐โ๐ก1 2 ๐๐กโ ๐0 = ฮฃx-1 2t E xt-ฮผ0 =ฮฃx-1 2t ฮผ0-ฮผ0 =0, in control ฮฃx-1 2t E xt-ฮผ0 =ฮฃx-1 2t ฮผ1-ฮผ0 , out of control dan ๐๐๐ ๐บ๐โ๐ก1 2 ๐๐ก โ ๐0 =๐บ๐โ๐ก1 2 ๐บ๐๐ก ๐บ๐โ๐ก1 2 โฒ =๐บ๐โ๐ก1 2 ๐บ๐1 2๐ก ๐บ๐1 2๐ก ๐บ๐โ๐ก1 2 โฒ =๐.
Parameter non-sentralitas ๐ฟ didefinisikan sebagai ๐ฟ= ๐ โ ๐0 โฒ๐บ๐โ๐ก1 ๐ โ ๐0 . Jadi parameter non-sentralitas hasil transformasi dari bentuk ๐บ๐โ๐ก1 2 ๐๐กโ ๐0 adalah:
๐ฟ = ๐บ๐โ๐ก1 2 โ ๐ โ ๐0 โ ๐ โฒ๐โ1 ๐บ๐โ๐ก1 2 โ ๐ โ ๐0 โ ๐ , = ๐ โ ๐0 โฒ๐บ๐โ๐ก1 2 ๐บ๐โ๐ก1 2 ๐ โ ๐0 , = ๐ โ ๐0 โฒ๐บ๐โ๐ก1 ๐ โ ๐0 .
Dari hasil transformasi ini, dan diasumsikan bahwa ๐๐ก mempunyai varians identitas dan mean nol akan menunjukkan bahwa diagram kontrol MEWMA merupakan fungsi dari ๐
15
melalui parameter non-sentralitas (Lucas dan Saccucci, 1990 dan Lowry, Woodall, Champ, dan Ridgon, 1992).
Sistim monitoring menggunakan diagram kontrol MEWMA konvensional tidak lagi sesuai untuk menangani proses data tak random yang diasosiasikan dengan kasus data berautokorelasi dan data berkorelasi. Berdasarkan penelusuran pustaka di bagian pendahuluan terkait perluasan dari diagram kontrol MEWMA, perlu dikembangkan suatu skema monitoring yang tepat dalam penanganan proses tak random atau proses data tak-normal. Namun disini, diagram kontrol MEWMA yang diketengahkan melalui pendekatan model residual, dimana konstruksinya dapat diawali melalui aproksimasi bentuk kuadratis dari statistik T2 dengan indeks waktu i sebagai berikut:
๐๐2 =๐๐โฒ๐บ๐ณโ๐1๐๐, (2.4)
dengan ๐บ๐๐ sebagai matriks kovarian dari ๐๐. Penggunaan indeks waktu yang berbeda bersifat sementara karena dalam bentuk kanonik sudah tidak menggunakan indeks tersebut. Melalui pengaitan terhadap (2.3), misal vektor mean ๐0 di-set di nol dan statistik MEWMA untuk residual yang diasumsikan i.i.d. Misal ๐๐~๐ ๐,๐บ dengan parameter diketahui sehingga ๐๐ diketahui juga normal multivariat. Walau demikian, nilai awal ๐0 dari EWMA dapat diabaikan, dimana ๐0 di-set sebagai suatu nilai tertentu (misal ๐0 = ๐), sehingga statistik ๐๐2 menjadi berbeda dengan ๐๐2 eksak.
Dalam hal ini, untuk indeks waktu ๐= 1,2,โฆ,๐, ๐๐ = ๐โฒ๐1,๐๐โฒ2,โฆ,๐๐๐โฒ โฒ sebagai vektor kolom berukuran (๐๐ร 1), dan untuk ๐= 1,2,โฆ,๐, ๐< ๐ parameter pembobot ๐= ๐,๐ 1โ ๐ ,โฆ,๐ 1โ ๐ ๐ โฒ pada (2.2) dituliskan kembali dalam bentuk vektor kolom berukuran (๐ร 1), serta Im sebagai matriks identitas berukuran (๐ร๐). Sehingga di bawah asumsi kenormalan yaitu ๐๐~๐ ๐,๐ dengan ๐= ๐๐โจ๐บ๐๐ , vektor EWMA awal yang di-set untuk ๐0 =๐ memberikan
๐๐ = ๐โจ๐๐ ๐๐, (2.5) dan ๐บ๐๐ =๐ธ ๐๐๐๐โฒ = ๐โจ๐๐ ๐ธ ๐๐๐๐โฒ ๐โจ๐๐ โฒ, = ๐โจ๐๐ ๐๐โจ๐บ๐๐ ๐โจ๐๐ โฒ, = ๐๐โฒ โจ๐บ๐๐, = 1 2โ๐ 1โ 1โ ๐ 2๐ ๐บ๐๐, (2.6) dengan ๐ธ ๐๐๐๐โฒ = ๐๐โจ๐บ๐๐ bersifat independen terhadap observasi di titik waktu i yang berbeda dan ๐๐ sebagai matriks satuan berukuran iรi, serta ๐๐โฒ sebagai matriks skalar.
16
Matriks kovarians pada (2.6) merupakan matriks kovarians eksak. Terkait dengan matriks kovarians asimtotis dari (2.1), Lowry, dkk (1992) memberikan matriks kovarians MEWMA sebagai:
๐บ๐๐ = ๐
2โ๐ ๐บ๐๐. (2.7)
Sehingga dengan mengacu pada (2.5) dan (2.7), statistik ๐๐2 pada (2.4) dapat dibentuk sebagai:
๐๐2 =๐๐โฒ๐บ๐โ๐1๐๐,
=๐๐โฒ ๐โจ๐๐ โฒ๐บ๐โ๐1 ๐โจ๐๐ ๐๐,
=๐๐โฒ ๐โจ๐๐ โฒ ๐๐โฒ โ1๐บโ1 ๐โจ๐๐ ๐๐,
=๐๐โฒ ๐๐โจ๐บโ1 ๐๐. (2.8)
Perhatikan bahwa parameter pemulus pada (2.8) yang dinyatakan juga sebagai matriks ๐๐ merupakan parameter pembobot MEWMA dan dapat dinyatakan sebagai suatu matriks diagonal dengan elemen berbeda. Dalam hal ini, jika bobotnya berbeda untuk p variabel yang berbeda, maka untuk ๐,๐ = 1,2,โฆ,๐ โค ๐, parameter pembobot MEWMA dapat ditulis sebagai matriks diagonal ๐=diag ๐๐1,๐๐2,โฆ,๐๐๐ dengan
0 <๐๐๐ โค1, Dengan demikian dapat didefinisikan suatu matriks diagonal baru R
berukuran ๐ร๐๐ dan ditulis sebagai:
๐= ๐,๐ ๐๐ โ ๐ ,โฆ,๐ ๐๐โ ๐ ๐ . (2.9)
Matriks ini menggantikan hasil kali Kronecker sebelumnya pada (2.5) yang dapat dinyatakan dalam bentuk kanonik ๐= ๐๐. Kemudian dari sifat diagonal matriks ๐๐โฒ diperoleh matriks kovarians dan ditulis sebagai
๐บ๐ง =๐ ๐๐โจ๐บ๐ ๐โฒ= ๐๐โฒ ๐บ๐, (2.10)
Sehingga berdasarkan (2.10), statistik MEWMA pada (2.3) dapat dinyatakan sebagai:
๐=๐โฒ๐บ๐โ1๐=๐โฒ๐โฒ๐บ๐โ1 ๐๐โฒ โ1๐๐. (2.11) atau
๐=๐โฒ๐บ๐โ1๐=๐โฒ ๐๐โจ๐บ๐โ1 ๐. (2.12)
Perhatikan bahwa, jika ๐๐1,๐๐2,โฆ,๐๐๐ = 1 dalam W, maka (2.10) direduksi ke (2.7), dan (2.11) atau (2.12) direduksi ke (2.8). Dalam hal ๐๐1,๐๐2,โฆ,๐๐๐ < 1, diagram kontrol MEWMA berbeda dengan diagram kontrol T2 atau Khi-kuadrat. Berdasarkan hal ini, dapat dipahami bahwa diagram kontrol MEWMA menjadi sensitif terhadap kenaikan
17
nilai r dan nilai shift ๐ฟ yang kecil sekalipun. Meskipun demikian, pengembangan statistik MEWMA pada (2.11) atau (2.12) dibatasi untuk matriks kovarians asimtotis pada (2.7).
Dalam mendesain diagram kontrol MEWMA, Prabhu dan Runger (1997) menunjukkan bahwa pemilihan ๐ yang tepat bergantung pada banyaknya variabel dan ukuran shift dalam skema pengontrolan. Sementara ukuran shift yang terjadi dalam diagram kontrol MEWMA dinyatakan dalam kuantitas parameter non-sentralitas atau dalam besaran skalar yaitu ๐ฟ= ๐โฒ๐บโ1๐ 1 2. Nilai ๐ฟ = 0 menunjukkan keadaan in-control, sebaliknya nilai ๐ฟ yang semakin besar berhubungan dengan shift mean yang lebih besar. Secara umum untuk nilai shift yang tidak nol akan menaikkan nilai ARL sebagai kenaikan dari parameter r.
Terkait dengan batas atas kontrol yang digunakan dalam kasus multivariat dibatasi melalui bentuk kuadratis ๐๐โฒ๐บ๐งโ๐1๐๐ >๐, dengan ๐> 0 yang dipilih berdasarkan target in-control ARL0. Walaupun demikian, batas atas kontrol h pada (2.3) dapat didekati juga melalui batas atas kontrol berbasis obeservasi individual yang diberikan oleh Mason, Chou, Sullivan, Stoumbos dan Young (2003) dan Montgomery (2005). Penjelasan terkait batas atas kontrol yang digunakan diuraikan sebagai berikut.
Batas atas kontrol
Menurut Mason, dkk (2003) dan Montgomery (2005), penentuan batas atas kontrol yang lebih sesuai pada fase I pengontrolan dalam kasus penanganan observasi individual dengan obyek pengamatan tak random dapat mengacu pada pendekatan distribusi Beta yang didenotasikan sebagai ๐๐ถ๐ฟ๐ต, dengan nilai peluang false alarm ๐ผ
ditetapkan (fix) dan ditulis sebagai:
(2.13) Sementara pada fase II pengontrolan untuk ๐> 100, digunakan pendekatan batas atas pengontrolan yang merupakan pendekatan distribusi ๐2 atau F dan dinyatakan masing-masing sebagai: (2.14) dan ๐๐ถ๐ฟ๐ต = ๐ โ1 2 ๐ ๐ฝ๐ผ,๐ 2, ๐โ๐โ1 2 ๐๐ถ๐ฟ๐2 = ๐๐ผ2,๐
18
(2.15) Pada fase I pengontrolan, pertimbangan untuk menggunakan batas atas kontrol melalui pendekatan distribusi Beta adalah karena memiliki UCL yang lebih kecil dibandingkan dua pendekatan distribusi lainnya yang digunakan pada fase II. Hal ini dimaksudkan guna mendeteksi sumber assignable cause atau special cause lebih awal. Sedangkan pada fase II pengontrolan, sudah lebih ditekankan pada monitoring, khususnya monitoring terhadap efek yang mungkin masih terjadi sebagai akibat dari perubahan struktur parameter kontrol pada fase ini.
Penentuan batas atas kontrol ini terkait dengan efek dari proses tak random pada pemodelan deret waktu multivariat, dimana perubahan struktur parameter yang terjadi merupakan akibat dari akumulasi efek pada periode terjadinya shock dalam setiap variabel. Sehingga pemeriksaan utama yang perlu dilakukan dalam proses penentuan batas kontrol ini mengacu juga pada pengujian stabilitas model. Misalnya pada model multivariat time series seperti model VAR. Berdasarkan beberapa pemeriksaan yang telah dilakukan baik secara analitik dan numerik (Montgomery, 2005), pemilihan batas kontrol yang relatif robust berdampak positif terhadap efek struktur data time series, khususnya dalam penanganan data berpola dengan ukuran sampel tertentu.
Di lain pihak, dari beberapa kajian sebelumnya yang dilaporkan oleh Montgomery (2005) mengenai sensitifitas diagram kontrol MEWMA dan skema desain yang diberikan juga pada Lowry, dkk (1992), dan Reynolds dan Cho (2006). Secara umum, diagram kontrol MEWMA memiliki kinerja yang baik terhadap shift kecil. Di lain pihak, diagram kontrol MEWMA juga menjadi tidak sensistif pada nilai r yang kecil dalam proses data multivariat. Sehingga terlihat bahwa interpertasi terhadap pola tak random menjadi kompleks, ketika lebih dari satu pola juga hadir bersamaan dalam satu diagram kontrol. Hal ini tentu saja memerlukan penanganan yang tepat terhadap perubahan parameter kontrol. Walaupun demikian, penulusuran alternatif terhadap distribusi MEWMA terkait dengan parameter pembobot r, untuk ๐๐1,๐๐2,โฆ,๐๐๐ bernilai berbeda atau ๐๐1 > ๐๐2 >โฏ >๐๐๐ dalam W dicapai melalui pendekatan analisis struktur aljabar matriks dari bentuk kuadratis statistik ๐๐2 pada entri blok diagonal W
yang diketengahkan kemudian di sub bab 2.2.2 dan sub bab 4.4.
๐๐ถ๐ฟ๐น =๐ ๐ โ1
19
Inovasi dari penelitian ini terletak pada dua sub bab tersebut di atas guna merekonstruksi suatu matriks generalized ๐ dalam kaitannya dengan distribusi hampiran yang dikenakan pada statistik MEWMA. Hal ini berkaitan dengan distribusi pendekatan yang digunakan dan sifat-sifat estimator seperti MLE yang umumnya dapat dipedomani dalam penelusuran distribusi suatu estimator sebelum diaplikasikan pada statistik MEWMA.
Umumnya, terdapat dua hal yang dapat dijadikan perhatian dalam aplikasi. Pertama, bagaimana distribusi dari matriks generalized ๐ atau yang umumnya dikenali juga sebagai distribusi Wishart inverted ๐โ1. Kedua, terkait dengan distribusi normal multivariat untuk matriks kovarians tidak diketahui (Muirhead, 2005). Bagian kedua merupakan bagian aplikasi yang umum digunakan dalam pengujian hipotesa terhadap vektor mean melalui statistik Hotelling T2 yang diberikan juga pada definisi A1 dan A2 dalam lampiran A. Namun demikian, terkait dengan analisis matriks kovarians sampel
๐= 1๐๐, distribusi Wishart dapat dijadikan sebagai terminologi dalam penelusuran distribusi multivariat. Khususnya dalam analisis terkait sifat-sifat dari estimator ๐ ,๐
yang diestimasi melalui estimator LS dan GA, dan diimplementasikan pada statistik MEWMA pada (2.11) atau (2.12) diatas. Berikut ini akan diketengahkan kriteria kecukupan yang harus dipenuhi suatu estimator sebelum diaplikasikan pada statistik MEWMA.