GRAFIK PENGENDALI T
2HOTELLING UNTUK
PEMANTAUAN DAN PENGENDALIAN MUTU
DALAM PROSES PRODUKSI
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Oleh: Ratna Sari 103114013
PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
i
GRAFIK PENGENDALI T
2HOTELLING UNTUK
PEMANTAUAN DAN PENGENDALIAN MUTU
DALAM PROSES PRODUKSI
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains
Program Studi Matematika
Oleh : Ratna Sari 103114013
PROGRAM STUDI MATEMATIKA, JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
v
MOTTO DAN PERSEMBAHAN
“No GAIN without PAIN”
Skripsi ini aku persembahkan untuk:
Bapak dan ibu tercinta
Kakakku Bagus Saputro, adikku Adi Saputro, dan keponakanku
Denisa
Seluruh anggota keluarga besarku
Febri Ariwibawa yang kusayang
Semua sahabat-sahabatku yang selalu menemani dan mendukung
vii
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT atas limpahan rahmat, taufik dan
hidayah-Nya sehingga penyusunan skripsi ini dapat berjalan lancar. Sholawat dan
salam senantiasa tercurahkan kepada Nabi Muhammad SAW beserta keluarga dan
para sahabatnya, Amin.
Penulis menyadari bahwa dalam penulisan skripsi ini tidak lepas dari
hambatan dan kesulitan, namun berkat bantuan dari berbagai pihak maka
penyusunan skripsi ini dapat berjalan dengan baik. Untuk itu penulis
mengucapkan terima kasih yang sebesar-besarnya kepada:
1. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc., yang dengan penuh kesabaran dan
keikhlasan dalam membimbing, mengarahkan dan selalu memotivasi saya
dalam menyelesaikan skripsi ini.
2. Bapak dan Ibu dosen Program Studi Matematika Universitas Sanata
Dharma.
3. Teman-teman Prodi Matematika angkatan 2010 yang bersama-sama
berjuang demi sebuah kelulusan.
4. Kedua orang tuaku yang selalu sabar menghadapi tingkah laku putrinya.
5. Adikku si gendut Adi Saputro yang selalu menyayangiku.
6. Febriku sayang yang telah sabar membantu dan memberikan semangat.
7. Semua sahabat-sahabatku yang sedang berjuang bersama-sama meraih
cita-cita.
viii Segala kesempurnaan hanyalah milik Allah SWT, semoga penulisan
skripsi ini dapat memberikan tambahan pengetahuan bagi pembaca, mohon maaf
atas segala kekurangan, Terima kasih.
Yogyakarta, 12 Agustus 2014
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PERSETUJUAN PEMBIMBING ... ii
HALAMAN PENGESAHAN ... iii
HALAMAN PERNYATAAN PUBLIKASI... iv
HALAMAN MOTTO DAN PERSEMBAHAN ... v
HALAMAN PERNYATAAN KEASLIAN KARYA TULIS ... vi
HALAMAN KATA PENGANTAR ... vii
HALAMAN DAFTAR ISI... ix
HALAMAN DAFTAR LAMPIRAN ... xii
ABSTRAK ... xiii
ABSTRACT ... xiv
BAB I PENDAHULUAN ... 1
A. Latar Belakang Masalah ... 1
B. Rumusan Masalah ... 5
C. Batasan Masalah ... 5
D. Tujuan Penulisan ... 5
E. Manfaat Penulisan ... 6
F. Metode Penulisan ... 6
G. Sistematika Penulisan ... 6
BAB II LANDASAN TEORI ... 9
A. Grafik Pengendali ... 9
1. Grafik Pengendali Variabel ... 13
2. Grafik Pengendali dan S ... 14
B. Nilai Eigen dan Vektor Eigen ... 19
C. Konsep-Konsep Penting dalam Statistika Univariat ... 22
1. Nilai Harapan Variabel Random ... 22
x
3. Kovariansi Dari Dua Variabel Random ... 22
4. Independensi Variabel Random ... 23
5. Sifat-Sifat Nilai Harapan dan Kovariansi Dalam Statistika Univariat ... 24
D. Konsep-Konsep Penting dalam Statistika Multivariat ... 27
1. Vektor Random dan Matriks Random ... 27
2. Vektor Rata-Rata dan Matriks Kovariansi ... 28
3. Menyekat Matriks Kovariansi ... 31
4. Vektor Rata-Rata dan Matriks Kovariansi untuk Kombinasi Linear Variabel Random ... 33
5. Menyekat Vektor Rata-Rata Sampel dan Matriks Kovariansi Sampel ... 36
6. Sampel Random dan Nilai Harapan dari Rata-Rata dan Matriks Kovariansi Sampel ... 38
7. Variansi yang Diperumum ... 43
8. Distribusi Normal Multivariat ... 44
9. Fungsi Densitas Normal Bivariat ... 46
E. Metode Fungsi Pembangkit Momen ... 48
F. Distribusi Sampling yang Berhubungan dengan Distribusi Normal ... 53
BAB III T2 HOTELLING ... 58
A. Distribusi T2 Hotelling ... 58
B. Daerah Kepercayaan Elips ... 59
C. Grafik Pengendali T2 Hotelling ... 64
BAB IV APLIKASI GRAFIK PENGENDALI T2 HOTELLING ... 71
A. Gambaran Umum Perusahaan... 71
B. Proses Produksi ... 72
C. Penerapan Pengendalian Mutu Perusahaan ... 73
D. Analisis Grafik Pengendali ... 75
1. Grafik Pengendali pH dan Kekeruhan Air ... 75
2. Grafik Pengendali Kekeruhan Air dan TDS ... 77
xi
A. Kesimpulan ... 80
B. Saran ... 81
DAFTAR PUSTAKA ... 82
xii DAFTAR LAMPIRAN
Lampiran 1. Faktor-Faktor untuk Menentukan Grafik Pengendali Variabel ... 83
Lampiran 2. Distribusi, Fungsi Probabilitas, Rata-Rata, Variansi dan Fungsi Pembangkit Momen ... 84
Lampiran 3. Titik Presentase Distribusi F ... 86
Lampiran 4. Total pemakaian air dan total produksiAMDK pada bulan Januari hingga April 2006 ... 91
Lampiran 5. Proses Produksi AMDK PT. SBQUA ... 92
Lampiran 6. Tabel Perhitungan pH dan Kekeruhan Air ... 93
Lampiran 7. Tabel Perhitungan Kekeruhan Air dan TDS ... 94
xiii
ABSTRAK
GRAFIK PENGENDALI T2 HOTELLING UNTUK PEMANTAUAN DAN PENGENDALIAN MUTU DALAM PROSES PRODUKSI
Ratna Sari 103114013
Universitas Sanata Dharma Yogyakarta
2014
Tujuan dari penelitian ini adalah untuk mengetahui landasan teori matematis
dari grafik pengendali T2 Hotelling dan mengaplikasikan metode T2 Hotelling
pada produk yang terdiri dari dua karakteristik mutu. Untuk memahami grafik
pengendali T2 Hotelling diperlukan pemahaman tentang aljabar linear yaitu nilai
dan vektor eigen, nilai harapan dan variansi dalam statistika univariat dan multivariat, distribusi sampling yang berhubungan dengan distribusi normal, dan
distribusi T2 Hotelling.
Grafik pengendali T2 Hotelling dapat digunakan untuk menganalisis apakah
suatu proses terkendali atau tidak berdasarkan variabel bivariat yang relevan. Berdasarkan hasil analisis yang diperoleh pada PT. Sinar Bogor QUA (PT.
SBQUA), dapat disimpulkan bahwa aplikasi grafik pengendali T2 Hotelling
Bivariat untuk karakteristik mutu pH dan kekeruhan air dalam tank penampungan bahan baku menunjukkan proses yang tidak terkendali karena sampel ke 5, 14, dan 16 berada diluar batas pengendali. Sedangkan pada grafik pengendali untuk
karakteristik mutu kekeruhan air dan TDS dalam tank penampungan bahan baku
xiv
ABSTRACT
T2 HOTELLING CONTROL CHART FOR MONITORING AND QUALITY CONTROL IN THE PRODUCTION PROCESS
Ratna Sari 103114013
Universitas Sanata Dharma Yogyakarta
2014
This research aims to understand and apply the foundations of
mathematical theory of T2 Hotelling Control Chart on the product consists of two
quality characteristics. To understand the T2 Hotelling Control Chart it need linear
algebra, eigenvectors and eigenvalues, expectations and variance in univariate and multivariate statistics, sampling distributions related to the normal distribution,
and the distribution of T2 Hotelling. T2 Hotelling control chart can be used to
analyze whether a process is under control or not based on the relevant variables bivariat. Based on the data analysis at PT. Sinar Bogor QUA (PT. SBQUA), it can
be concluded that the application of T2 Hotelling Control Chart Bivariate quality
1 BAB I
PENDAHULUAN
I. LATAR BELAKANG MASALAH
Dewasa ini orang mengenal barang-barang dan jasa yang beraneka ragam
macamnya untuk memenuhi kebutuhannya. Barang dan jasa tersebut dibuat atau di
produksi untuk kebutuhan manusia. Produksi barang dan jasa tersebut menggunakan
faktor-faktor produksi alam, tenaga kerja, modal dan teknologi. Pada hakekatnya
produksi merupakan penciptaan atau penambahan faedah bentuk, waktu dan tempat
atas faktor-faktor produksi sehingga lebih bermanfaat bagi pemenuhan kebutuhan
manusia. Proses perubahan bentuk dan faktor-faktor produksi tersebut disebut proses
produksi.
Dalam era modern seperti saat ini, persaingan dalam dunia industri sangatlah
ketat. Perkembangan teknologi canggih dari tahun ketahun menuntut suatu hasil
produksi dari suatu perusahaan dalam hal ketelitian pekerjaan, ketepatan waktu
produksi, standar produksi, dan persaingan di pasar internasional. Oleh sebab itu
masalah mutu menjadi hal yang penting untuk diperhatikan oleh perusahaan.
Mutu merupakan suatu unsur yang sangat mutlak pada setiap produk atau jasa
yang dihasilkan oleh suatu perusahaan untuk menghasilkan suatu produksi yang
maksimal dengan mutu yang tinggi serta terjangkau oleh konsumen. Pada
atau mengalami kegagalan dalam proses produksinya. Penting bagi setiap perusahaan
untuk memperhatikan produksi mulai dari pengadaan bahan sampai dengan proses
produksi selesai.
Pengendalian mutu berfungsi untuk menjaga agar suatu sistem tetap efektif
dalam memperbaiki mutu produk atau jasa yang dihasilkan oleh perusahaan, sehingga
produksi dan pemasaran dapat berada pada tingkat yang paling ekonomis, dengan
demikian pelanggan selalu mendapatkan kepuasan. Untuk mengidentifikasi mutu
yang ingin dicapai dan untuk melihat tingkat kepuasan konsumen terhadap barang
yang dihasilkan, maka statistika pengendalian mutu sangat penting dipelajari untuk
melihat perkembangan mutu barang yang diproduksi. Dengan demikian, perusahaan
dapat meningkatkan mutu suatu barang dengan lebih baik lagi.
PT. I merupakan salah satu perusahaan yang memproduksi kertas dengan
orientasi mutu ekspor. Oleh sebab itu, mutu produk menjadi perhatian utama
perusahaan untuk menjaga loyalitas konsumen terhadap perusahaan dan dengan
demikian meningkatkan dominasi pasar. Salah satu produk yang dihasilkan oleh PT. I
adalah kertas memo. Mutu kertas memo ditentukan oleh beberapa karakteristik,
diantaranya yaitu ketebalan kertas, penyebaran warna, dan kerapatan kertas.
Perusahaan telah menentukan batas spesifikasi untuk masing-masing karakteristik
tersebut. Produk dianggap cacat atau tidak memenuhi standar apabila terdapat
setidaknya satu dari karakteristik tersebut tidak berada dalam interval sepesifikasi
Setiap produk memiliki sejumlah unsur yang menggambarkan pikiran pengguna
tentang mutu. Unsur-unsur ini biasanya disebut karakteristik mutu. Terkadang disebut
juga critical-to-quality (CTQ) characteristics. Karakteristik mutu terdiri dari
beberapa jenis, yaitu:
1. Fisik: panjang, berat, tegangan, kekentalan
2. Indera: ras, penampilan, warna
3. Orientasi waktu: tahan uji, daya tahan, berguna
Mutu keteknikan adalah kumpulan cara kerja, managerial, dan aktivitas
keteknikan yang perusahaan gunakan untuk memastikan karakteristik mutu dari
produk berada pada interval yang ditentukan dan faktor-faktor lain yang ada disekitar
produk tersebut berada pada tingkat yang minimal.
Statistika adalah kumpulan teknik pengambilan keputusan tentang proses atau
populasi berdasarkan pada suatu analisis informasi yang terkandung dalam suatu
sampel dari populasi tersebut. Metode statistika juga memainkan peranan penting
dalam pengendalian dan peningkatan mutu. Metode statistika memberikan cara-cara
pokok dalam pengambilan sampel produk, pengujian serta evaluasinya, dan informasi
dalam data itu digunakan untuk mengendalikan dan meningkatkan proses pembuatan.
Salah satu teknik utama dalam pengendalian statistis adalah grafik pengendali
(control chart). Grafik pengendali adalah teknik pengendali proses pada jalur yang
proses produksi dan informasi tersebut digunakan untuk menentukan kemampuan
proses.
Berdasarkan banyaknya karakteristik mutu yang diukur, grafik pengendali
dibedakan menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali
multivariat. Grafik pengendali univariat digunakan jika hanya ada satu karakteristik
mutu yang diukur, sedangkan grafik pengendali multivariat digunakan untuk
mengukur dua atau lebih karakteristik mutu.
Secara umum grafik pengendali dibedakan menjadi 2 macam, yaitu grafik
pengendali untuk variabel dan grafik pengendali untuk atribut. Salah satu pendekatan
yang digunakan dalam memantau mutu produk pada kasus multivariat adalah dengan
menggunakan metode grafik pengendali T2 Hotelling. Sebagai contoh jika kita akan
menguji salah satu produk dari PT. I yaitu kertas memo, ada tiga karakteristik yang
harus dipenuhi, yaitu ketebalan kertas (x1), penyebaran warna (x2), dan kerapatan
kertas (x3) maka
3 2 1
x x x
X dapat dijadikan sebagai statistik uji. Statistik 2
T disebut
2
T Hotelling untuk menghormati Harold Hotelling, seorang pelopor analisis
Pada tugas akhir ini akan dibahas bagaimana menggunakan grafik pengendali 2 T
Hotelling untuk pemantauan dan pengendalian mutu dalam proses produksi.
II. RUMUSAN MASALAH
Berdasarkan latar belakang tersebut, maka dapat dirumuskan permasalahan:
1. Bagaimana landasan matematis dari grafik pengendali 2
T Hotelling ?
2. Bagaimana mengaplikasikan grafik pengendali T2 Hotelling untuk mengendalikan
mutu produk yang terdiri dari beberapa karakteristik mutu?
III. BATASAN MASALAH
Batasan permasalahnya yaitu:
1. Grafik pengendali yang digunakan adalah Grafik pengendali variabel X dan R
2. Grafik pengendali T2 Hotelling digunakan untuk mengendalikan produk yang
terdiri dari dua karakteristik mutu.
3. Dasar-dasar teori yang dibahas hanya materi-materi yang berkaitan langsung
dengan grafik pengendali T2 Hotelling.
IV. TUJUAN PENULISAN
1. Mengetahui landasan teori matematis dari grafik pengendali 2
T Hotelling.
2. Mengaplikasikan metode T2 Hotelling pada produk yang terdiri dari dua
V. MANFAAT PENULISAN
Tugas akhir ini diharapkan dapat bermanfaat bagi:
1. Penulis
Penelitian ini merupakan kesempatan yang sangat bermanfaat untuk menambah
pengetahuan dan pengalaman yang berharga dalam menerapkan teori-teori yang
pernah didapatkan ketika kuliah ke dalam kondisi yang nyata.
2. Perusahaan
Penelitian ini diharapkan dapat digunakan oleh perusahaan-perusahaan sebagai
referensi tambahan pada evaluasi proses pemantauan dan pengendalian mutu yang
selanjutnya dapat dipergunakan untuk mengambil tindak lanjut.
3. Universitas Sanata Dharma
Penelitian ini diharapkan dapat memberikan sumbangan pengetahuan dan
informasi bagi peneliti lain.
VI. METODE PENULISAN
Pada penelitian ini akan digunakan metode studi pustaka.
VII. SISTEMATIKA PENULISAN
BAB I : PENDAHULUAN
A. Latar Belakang Masalah
B. Rumusan Masalah
D. Tujuan Penulisan
E. Manfaat Penulisan
F. Metode Penulisan
G. Sistematika Penulisan
H. Daftar Pustaka
BAB II : LANDASAN TEORI
A. Grafik Pengendali
1. Grafik Pengendali Variabel
2. Grafik Pengendali X dan S
B. Nilai Eigen dan Vektor Eigen
C. Konsep-Konsep Penting dalam Statistika Univariat
1. Nilai Harapan Variabel Random
2. Variansi Variabel Random
3. Kovariansi Dari Dua Variabel Random
4. Independensi Variabel Random
5. Sifat-Sifat Nilai Harapan dan Kovariansi dalam Statistika
Univariat
D. Konsep-Konsep Penting dalam Statistika Multivariat
1. Vektor dan Matriks Random
2. Vektor Rata-Rata dan Matriks Kovariansi
4. Vektor Rata-Rata dan Matriks Kovariansi untuk Kombinasi
Linear Variabel Random
5. Menyekat Vektor Rata-Rata Sampel dan Matriks Kovariansi
Sampel
6. Sampel Random dan Nilai Harapan dari Rata-Rata dan Matriks
Kovariansi Sampel
7. Variansi yang Diperumum
8. Distribusi Normal Multivariat
9. Fungsi Densitas Normal Bivariat
E. Metode Fungsi Pembangkit Momen
F. Distribusi Sampling yang Berhubungan dengan Distribusi Normal
BAB III : T2 HOTELLING
A. Distribusi T2 Hotelling
B. Grafik Pengendali T2 Hotelling
BAB IV : APLIKASI GRAFIK PENGENDALI T2 HOTELLING
9 BAB II
LANDASAN TEORI
2.1 Grafik Pengendali
Salah satu teknik utama dalam pengendalian statistis adalah grafik
pengendali (control chart). Grafik pengendali adalah teknik pengendali proses
pada jalur yang digunakan secara luas yang biasanya digunakan untuk menduga
parameter suatu proses produksi dan informasi tersebut digunakan untuk
menentukan kemampuan proses.
Gambar 2.1. Grafik pengendali
Bentuk dasar grafik pengendali pada Gambar 2.1 berupa grafik karakteristik
mutu yang telah diukur terhadap nomor atau waktu sampling. Grafik tersebut
Pengendali Atas (BPA), dan Batas Pengendali Bawah (BPB). Proses dianggap
terkendali apabila semua titik-titik sampel berada diantara batas pengendali dan
tidak diperlukan tindakan apapun, namun apabila ada satu titik terletak di luar
batas pengendali maka proses tersebut dikatakan tidak terkendali dan diperlukan
tindakan penyidikan dan perbaikan untuk mendapatkan kemudian menyingkirkan
sebab atau sebab dugaan yang menyebabkan proses tersebut tidak terkendali.
Proses juga dikatakan tidak terkendali apabila titik-titik sampel tersebut
berpola secara sistematik atau tak random meskipun semua titik terletak di dalam
batas pengendali. Misalnya apabila 13 dari 15 titik terakhir terletak diantara garis
tengah dan BPA dan hanya dua dari titik-titik ini terletak di antara garis tengah
dan BPB, maka diduga bahwa ada sesuatu yang tidak terkendali. Proses tersebut
terkendali apabila semua titik-titik pada grafik memiliki pola yang pada dasarnya
random. Namun metode melihat pola ini tidak dapat diterapkan sebagai penolong
dalam menyidik keadaan yang tidak terkendali. Biasanya ada alasan mengapa pola
tak random tertentu tampak dalam grafik pengendali.
Buku pedoman Western Electric (1956) mengusulkan sekumpulan aturan
pengambilan keputusan untuk penyidikan pola tak random pada grafik
pengendali. Buku tersebut mengusulkan bahwa proses tak terkendali apabila
memenuhi salah satu dari hal-hal berikut:
1. Satu titik jatuh di luar batas pengendali 3-sigma.
3. Empat dari lima titik yang berurutan jatuh pada jarak 1-sigma atau lebih jauh
dari garis tengah.
4. Delapan titik yang berurutan jatuh pada satu sisi dari garis tengah.
Aturan-aturan tersebut berlaku pada satu sisi antara garis tengah dan batas
pengendali pada satu waktu. Aturan-aturan ini sangat efektif dalam praktek untuk
mempertinggi kepekaan grafik pengendali. Terdapat juga beberapa kriteria yang
digunakan secara luas dalam praktek, ketika kita memeriksa grafik pengendali dan
menyimpulkan bahwa proses tersebut tidak terkendali apabila dipenuhi salah satu
atau beberapa kriteria dibawah.
1. Satu atau beberapa titik berada di luar batas pengendali.
2. Suatu siklus dengan paling sedikit tujuh atau delapan titik, dengan macam
siklus dapat berbentuk siklus naik atau turun, siklus di atas atau di bawah garis
tengah, atau siklus di atas atau dibawah median.
3. Dua atau tiga titik yang berurutan berada di luar batas peringatan 2-sigma,
tetapi masih di dalam batas pengendali.
4. Empat atau lima titik yang berurutan berada di luar batas 1-sigma.
5. Pola tak biasa atau tak random dalam data.
6. Satu atau beberapa titik berada di dekat satu batas peringatan atau pengendali.
Misalkan w adalah statistik sampel yang mengukur suatu karakteristik mutu,
dan adalah rata-rata w dan standar deviasi w, maka model umum untuk
w w w
w w
k k
BPB
Tengah Garis
BPA
(2.1)
dengan k adalah “jarak” batas-batas pengendali dari garis tengah yang
dinyatakan dalam unit standar deviasi. Teori ini pertama kali ditemukan oleh Dr.
Walter A. Shewhart, dan grafik pengendali yang dikembangkan menurut asas-asas
ini seringkali dinamakan Grafik Pengendali Shewhart.
Berdasarkan banyaknya karakteristik mutu yang diukur, grafik pengendali
dibedakan menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali
multivariat. Grafik pengendali univariat digunakan jika hanya ada satu
karakteristik mutu yang diukur, sedangkan grafik pengendali multivariat
digunakan untuk mengukur dua atau lebih karakteristik mutu.
Grafik pengendali dapat diklasifikasikan ke dalam dua tipe umum. Apabila
karakteristik mutu dapat diukur dan dinyatakan dalam suatu bilangan, grafik
pengendalinya dinamakan grafik pengendali variabel. Dalam hal seperti itu, tepat
sekali menggambarkan karakteristik mutu dengan ukuran tengah dan ukuran
variabilitas. Grafik pengendali untuk nilai tengah dan variabilitas bersama-sama
dinamakan grafik pengendali variabel. Grafik merupakan grafik yang paling
luas digunakan untuk pengendalian nilai tengah, sedangkan grafik yang
berdasarkan rentang sampel atau standar deviasi sampel digunakan untuk
mengendalikan variabilitas proses. Banyak karakteristik mutu tidak dapat tepat
digambarkan secara numerik. Dalam beberapa kasus, kita biasanya
dengan spesifikasi karakeristik mutu. Istilah “cacat” atau “tidak cacat” sering
digunakan untuk mengidentifikasi kedua klasifikasi produk tersebut. Kedua istilah
tersebut dapat diklasifikasikan ke dalam variabel khusus yang biner. Grafik untuk
karakteristik mutu seperti ini dinamakan grafik pengendali sifat (atribut).
2.1.1 Grafik Pengendali Variabel
Banyak karakteristik mutu yang dapat dinyatakan dalam suatu bilangan.
Misalnya, diameter ban dapat diukur dengan mikrometer dan dinyatakan dalam
centimeter. Suatu karakteristik mutu yang dapat diukur seperti dimensi, berat, atau
volume, dinamakan variabel.
Apabila yang diukur adalah karakteristik mutu (variabel), maka perlu
mengendalikan nilai rata-rata karakteristik mutu dan variabilitasnya. Pengendalian
rata-rata tingkat mutu biasanya dengan grafik pengendali rata-rata atau grafik .
Variabilitas atau pemencaran proses dapat dikendalikan dengan grafik pengendali
untuk standar deviasi, yaitu grafik S, atau grafik pengendali untuk rentang, yaitu
grafik R.
Sangat penting untuk memelihara pengendalian rata-rata dan variabilitas
proses, Gambar 2.2 menunjukkan hasil suatu proses produksi. Dalam Gambar
2.2(a) rata-rata dan standar deviasi terkendali pada nilai nominalnya ( dan
), karena itu kebanyakan proses jatuh dalam batas spesifikasi. Namun dalam
tidak sesuai lebih tinggi. Dalam Gambar 2.2(c) standar deviasi proses telah
bergeser ke suatu nilai . Hal ini mengakibatkan proses yang tidak
terkendali lebih tinggi, meskipun masih pada nilai nominal.
(a)
(b) (c)
Gambar 2.2 Perlunya mengendalikan rata-rata proses dan variabilitas proses
2.1.2 Grafik Pengendali dan S
Andaikan karakteristik mutu berdistribusi Normal dengan rata-rata dan
standar deviasi yang diketahui. Jika merupakan sampel berukuran
n x x
x
X 1 2 n
menurut Dennis D.Wackerly, William Mendenhall III, dan Richard L. Scheaffer
(2008) bahwa X berdistribusi Normal dengan rata-rata dan standar deviasi
. Setiap rata-rata sampel akan berada di antara
n Z
Z x
/2 /2 (2.2a)
dan
n Z
Z x
/2 /2 (2.2b)
dengan probabilitas 1 .
Dengan demikian, jika dan diketahui, persamaan (2-2a) dan (2-2b) dapat
digunakan sebagai BPA dan BPB pada grafik pengendali rata-rata sampel. Nilai
2 /
Z diganti dengan 3, sehingga digunakan batas 3-sigma. Jika suatu rata-rata
sampel berada di luar batas ini, maka rata-rata proses tidak lagi sama dengan .
Dalam praktek, biasanya dan tidak diketahui. Oleh karena itu nilai-nilai
tersebut harus diduga dari sampel-sampel pendahuluan yang diambil ketika proses
tersebut diduga terkendali. Dugaan ini harus didasarkan pada paling sedikit 20
sampai 25 sampel. Misalkan tersedia m sampel, masing-masing memuat n
rata-rata tiap sampel. Maka penduga terbaik untuk rata-rata-rata-rata proses adalah rata-rata
keseluruhan, yaitu
m x x
x
X 1 2 m (2.3)
Jadi X akan digunakan sebagai garis tengah grafik x itu.
Jika adalah variansi dari distribusi probabilitas yang tidak diketahui,
maka penduga tak bias untuk adalah variansi sampel
1 ) (
1
2
2
n x x
S n
i i
namun, standar deviasi sampel S bukan penduga tak bias untuk . Jika distribusi
yang melandasi adalah Normal, sebenarnya S menduga c4 dengan c4 adalah
suatu konstanta yang bergantung pada ukuran sampel n. Selanjutnya menurut
Douglas C. Montgomery, bahwa dalam Pengantar Pengendalian Mutu Statistik
(1990), standar deviasi S adalah 2
4
1c
dengan
3 4
) 1 ( 4
4
n n
c . Informasi ini
dapat digunakan untuk membuat grafik pengendali dan S.
Karena E(S)= c4 , garis tengah grafik tersebut adalah c4 . Batas
pengendali 3-sigma bagi S adalah
2 4 4
2 4 4
1 3
1 3
c c
BPB
c c
BPA
didefinisikan konstanta untuk
2 4 4
5 c 3 1 c
B (2.5a)
dan
2 4 4
6 c 3 1 c
B (2.5b)
dengan demikian batas pengendali untuk grafik S menjadi
5 4
6
tengah Garis
B BPB
c B BPA
(2.6)
Nilai-nilai c4, B5,dan B6 ditabelkan dalam Tabel Lampiran 1 untuk berbagai
himpunan bagian. Parameter grafik x adalah
A BPB
A BPA
tengah
Garis (2.7)
dengan A = 3/ n .
Jika nilai standar bagi tidak diberikan, maka diduga dengan data yang
lalu. Andaikan ada m sampel awal masing-masing berukuran n, dan misalkan Si
adalah standar deviasi sampel ke-i. Rata-rata m standar deviasi tersebut adalah
m
i i
S m S
1
Statistik S /c4 adalah penduga tak bias untuk . Dengan demikian, parameter
grafik S menjadi
2 4
4
2 4
4
1 3 tengah
Garis
1 3
c c
S S BPB
S
c c
S S BPA
(2.8)
Biasanya didefinisikan konstanta
2 4
4
3 1
3
1 c
c
B (2.9a)
dan
2 4
4
4 1
3
1 c
c
B (2.9b)
Dengan demikian parameter grafik S dapat ditulis sebagai
S B BPB
S S B BPA
3 4
tengah Garis
(2.10)
Perhatikan bahwa B4 B6/c4 dan B3 B5 /c4.
Apabila S /c4 digunakan untuk menduga , batas pengendali grafik
n tengah
Garis
tengah Garis
2.2 Nilai Eigen dan Vektor Eigen
Definisi 2.2.1 (Nilai Eigen dan Vektor Eigen) Andaikan A adalah suatu
matriks yang berukuran . Skalar disebut sebagai nilai eigen atau nilai
karakteristik dari A jika terdapat suatu vektor taknol x, sehingga Ax = x. Vektor
x disebut vektor eigen atau vektor karakteristik dari A yang bersesuaian dengan
.
Contoh 2.2.1
dari persamaan terlihat bahwa 3 adalah nilai eigen dari A dan x[2,1]'
adalah vektor eigen dari . Sebarang kelipatan taknol dari x akan menjadi vektor
eigen, karena
) ( )
(x Ax x x
A
Jadi, sebagai contoh, [4,2]’ juga merupakan vektor eigen dari 3.
2 4 3 6 12
2 4
1 1
2 4
Persamaan Ax = x dapat dituliskan dalam bentuk
AIx 0 (2.13)
Jadi adalah nilai eigen dari A jika hanya jika (2.13) memiliki penyelesaian tak
trivial. Persamaan (2.13) akan memiliki peyelesaian tak trivial jika hanya jika
AI singular atau
0
det AI (2.14)
Jika determinan pada (2.14) diuraikan, akan didapatkan suatu polinom berderajat
ke-n dalam peubah .
A I
p() det
Polinom ini disebut polinom karakteristik dan (2.14) disebut persamaan
karakteristik untuk matriks A. Akar dari polinom karakteristik adalah nilai eigen
Contoh 2.2.2
Carilah nilai-nilai eigen dan vektor eigen yang bersesuaian dari matriks
2 3
2 3 A
Persamaan karakteristiknya adalah
0 2
3
2 3
atau 2 12 0
Nilai-nilai eigen dari A adalah 1 4 dan 2 3. Untuk mencari vektor eigen
dari 1 4, harus ditentukan kernel (ruang nol) dari A 4I .
6 3
2 1 4I A
Dengan menyelesaikan A4Ix 0, didapatkan
2x2,x2
x
Jadi semua kelipatan taknol dari [2,1]’ adalah vektor eigen dari 1. Dengan cara
yang sama, untuk mendapatkan vektor eigen dari 2 harus diselesaikan
2.3 Konsep-Konsep Penting dalam Statistika Univariat
2.3.1 Nilai Harapan Variabel Random
Definisi 2.3.1 Nilai harapan suatu variabel random X didefinisikan oleh
) ( as probabilit fungsi
dengan
diskret random variabel
jika )
(
) ( densitas fungsi
dengan
kontinu random
variabel jika
) (
) (
x p X
x p x
x f X
dx x f x
X E
x
(2.15)
2.3.2 Variansi Variabel Random
Definisi 2.3.2 Variansi dari suatu variabel random X dengan E(X) = μ adalah
nilai harapan dari X 2. Yaitu
2
)
(X E X
Var (2.16)
2.3.3 Kovariansi Dari Dua Variabel Random
Definisi 2.3.3 Jika X dan Y adalah variabel random dengan distribusi probabilitas bersama f (x,y), Kovariansi dari X dan Y adalah
X x Y y
EY X
Cov ( , ) (2.17)
2.3.4 Independensi Variabel Random
Definisi 2.3.4.1 Independen Secara Statistis Jika probabilitas bersama
] dan
[Xi xi Xk xk
P dapat ditulis sebagai perkalian probabilitas marginal,
sedemikian sehingga
] [
] [
] dan
[Xi xi Xk xk P Xi xi P Xk xk
P (2.18)
Untuk semua nilai pasangan xi,xk, maka Xi dan Xkdikatakan independen secara
statistis.
Jika Xi dan Xk adalah variabel random kontinu dengan fungsi densitas
bersama fik(xi,xk) dan densitas marginal fi(xi) dan fk(xk), maka
) ( ) ( ) ,
( i k i i k k
ik x x f x f x
f (2.19)
Untuk semua pasangan (xi,xk).
Definisi 2.3.4.2 Variabel Random Kontinu yang Independen Secara Statistis
Variabel random kontinu X1,X2,,X p dikatakan saling independen secara
statistis jika fungsi densitas bersamanya dapat difaktorkan sebagai
) ( ) ( ) ( ) , , ,
( 1 1 1 2 2
12 p x xk xp f x f x k fp xp
Untuk semua p -tuple (x1,x2,xp).
2.3.5 Sifat-Sifat Nilai Harapan dan Kovariansi Dalam Statistika Univariat
Teorema 2.3.5.1 Andaikan X dan Y adalah variabel random yang independen, dan c adalah konstanta, maka
)
Jika X dan Y adalah variabel random kontinu, maka
Teorema 2.3.5.2 Jika X dan Y merupakan variabel random independen, maka
Teorema 2.3.5.3 Kovariansi dari dua variabel random independen X dan Y
Teorema 2.3.5.4 (Kovariansi dari Kombinasi Linear Variabel Random) Jika X dan Y adalah variabel random dan a dan b adalah konstanta, maka
12
) ,
(X Y ab
Cov
Dari kombinasi linear aX bY didapatkan
Bukti
2.4 Konsep-Konsep Penting dalam Statistika Multivariat
2.4.1 Vektor Random dan Matriks Random
Definisi 2.4.1.1 (Vektor Random) Vektor random adalah vektor yang elemen-elemennya merupakan variabel random, dan matriks random adalah matriks yang
elemen-elemennya adalah variabel random
Contoh 2.4.1.1 (Vektor dan Matriks Random)
Vektor random X yang elemen-elemennya merupakan p variabel random dapat
merupakan variabel random dapat ditulis sebagai
2.4.2 Vektor Rata-rata dan Matriks Kovariansi
Definisi 2.4.2.1 Rata-rata vektor random X yang berukuran p1
didefinisikan sebagai
Definisi 2.4.2.2 Matriks kovariansi dari dua vektor random X dan Y adalah
( )( )'
) ,
( E x y
Definisi 2.4.2.3 Andaikan terdapat dua vektor random X dan Y, dengan X=Y
maka Cov(X,X) dapat ditulis sebagai ΣCov (X), yang disebut sebagai matriks
dispersi (variansi-kovariansi) dari X.
Teorema 2.4.2.1 X dan Y adalah matriks random yang independen dengan
dimensi yang sama, A dan B adalah matriks konstanta yang sesuai. Maka,
B
1. Jika X dan Yadalah matriks variabel random yang diskret, maka
)
Bukti untuk X dan Y adalah matriks variabel random kontinu dapat dikerjakan
2.4.3 Menyekat Matriks Kovariansi
Dengan definisi perkalian dan transpose matriks didapatkan
Semua kovariansi ij,i 1,2,,q, j q1,q 2,,p. Matriks Σ12 tidak selalu
simetris walaupun persegi.
Menyekat matriks dapat dilakukan secara
Akibatnya,
adalah matriks dengan elemen semua kovariansi antara (1) (2)
dan X
2..4.4 Vektor Rata-Rata dan Matriks Kovariansi untuk Kombinasi Linear
persamaannya menjadi
Σc
Karena
22
Secara umum, q kombinasi linear dari p variabel random adalah:
Definisi 2.4.4.1 Kombinasi linear Z CX mempunyai persamaan
C'
μ merupakan vektor rata-rata dan Σxadalah matriks variansi –kovariansi X.
Contoh 2.4.4.1 (Rata-rata dan kovariansi kombinasi linear)
Diberikan vektor random X'X1,X2 dengan vektor rata-rata μ'x 1,2 dan
matriks variansi-kovariansi
2
diketahui dengan baik bahwa penjumlahan dari dua variabel random dengan
variansi yang sama tidak berkorelasi.
2.4.5 Menyekat Vektor Rata-Rata Sampel dan Matriks Kovariansi Sampel
Andaikan x'
x1,x2,,xp
merupakan vektor rata-rata sampel dari n
dengan jelas jumlah yang sesuai dengan grup variabel. Maka,
) Kovariansi Sampel
Dalam rangka mempelajari statistik variabilitas sampling seperti X dan Sn
dengan tujuan utama membuat kesimpulan, perlu membuat asumsi tentang
variabel dengan nilai-nilai yang diamati merupakan kumpulan data X.
Andaikan data X belum diamati tetapi akan dikumpulkan sebanyak n
himpunan dari pendugaan p variabel. Sebelum dilakukan pendugaan, secara
umum nilai dugaannya tidak dapat diprediksi secara tepat, akibatnya dianggap
sebagai variabel random. Entri ke-( j,k) dalam matriks merupakan variabel
random X jk. Tiap himpunan pendugaan X j dalam p variabel merupakan suatu
vektor random, dan matriks randomnya adalah
sekarang sampel random dapat didefinisikan.
Jika vektor baris X1,X2,,Xn merupakan pengamatan independen dari
distribusi bersama yang sama dengan fungsi densitas f(x) f(x1,x2,,xp),
maka X1,X2,,Xn merupakan suatu bentuk sampel random dari f(x). Secara
matematis, X1,X2,,Xn merupakan bentuk suatu sampel random jika fungsi
densitas bersamanya diberikan oleh hasil perkalian f(x1)f (x2) f (xn), dengan
) , , , ( )
( j f xj1 xj2 xjp
f x adalah fungsi densitas untuk vektor baris ke- j.
Akibat 2.4.6.1 Sifat X Andaikan X1,X2,,Xn sampel random dari distribusi
bersama dengan vektor rata-rata μ dan matriks kovariansi Σ , maka X adalah
suatu penduga tak bias dari μ dan matriks kovariansinya
Σ
n
1
sehingga,
sampel) ukuran
dibagi populasi kovariansi
variansi (matriks
populasi) rata
-rata (vektor 1
) (
) (
Σ
X
μ
X
n Cov
E
(2.39)
Untuk matriks kovariansi Sn,
Σ Σ Σ
S
n n
n
Maka,
1 merupakan penduga tak bias dari .
Bukti:
Selanjutnya,
Dengan j dan tiap entri di (X j μ) (X μ)sama dengan nol karena
entrinya adalah kovariansi antara satu komponen di Xj dan satu komponen di X
, dan independen. Maka dari itu,
Matriksnya menunjukkan penjumlahan kuadrat dan perkalian silang dan dapat
dituliskan sebagai
X
( )Hasilnya,
X X
(XX ) Σ μμ 1Σ μμ ( 1)ΣDefinisi 2.4.6.1 Matriks Variansi Sampel-Kovariansi (Tak Bias) adalah
2.4.7Variansi yang Diperumum
Variansi sampel sering digunakan untuk menggambarkan besarnya variansi
dalam pendugaan suatu variabel tunggal. Ketika pvariabel diamati dalam tiap
unit, variansi digambarkan oleh matriks variansi-kovariansi
Variansi yang diperumum dapat diintepretasikan dalam ruang sebaran data
berdimensi-p. Interpretasi yang paling intuitif memperhatikan penyebaran titik
rata-rata sampel. Bentuk penyebarannya didasari oleh titik rata-rata sampel
x1,x2,,xp
ukuran jarak yang diberikan dalam pernyataan di atas. Andaikan x menggantikan
titik tetap μ dan 1
2.4.8 Distribusi Normal Multivariat
Fungsi densitas Normal multivariat adalah generalisasi dari fungsi densitas
Normal univariat ke dimensi p > 2. Distribusi Normal univariat dengan rata-rata
dan variansi 2
memiliki fungsi densitas
x e
x
f (x )/ /2
2
2
2 1 )
(
(2.43)
Gambar 2.3 Fungsi densitas Normal dengan rata-rata dan variansi 2 dan daerah-daerah yang di pilih dibawah kurva
Gambar tersebut merupakan pendekatan luas daerah dibawah kurva dengan
standar deviasi ±1 dan ±2 dari rata-rata. Luas daerah tersebut menunjukkan
probabilitas untuk variabel random Normal X.
95 , 0 ) 2 2
(
68 . 0 ) (
X P
X P
Selanjutnya fungsi densitas Normal dengan rata-rata dan variansi 2
akan
ditulis N(,).
x x
x 2 1
2
(2.44)
dalam eksponen fungsi densitas Normal univariat mengukur jarak kuadrat dari x
ke dalam satuan standar deviasi. Hal ini dapat diperumum untuk suatu vektor
pengamatan x berukuran p 1 dalam beberapa variabel sebagai
xμ
Σ1
xμ
(2.45)Vektor μ yang berukuran p 1 menunjukkan nilai harapan vektor random X,
dan matriks Σ yang berukuran p p merupakan matriks variansi-kovariansi.
Diasumsikan matriks simetris Σ adalah matriks definit positif, jadi (2.45) adalah
jarak kuadrat yang diperumum dari x ke μ.
Fungsi densitas Normal multivariat diperoleh dengan mensubtitusikan jarak
univariat dalam (2.44) dengan jarak multivariat yang diperumum dari (2.45)
dalam fungsi densitas (2.43). Jika sudah disubtitusi, konstanta Normal univariat
2 / 1 2 2 / 1
) ( ) 2
( harus disubtitusi ke konstanta yang lebih umum yang dapat
membuat volume dibawah permukaan fungsi densitas multivariat bernilai satu
untuk setiap p. Konstanta pengganti tersebut adalah
2 p/2 Σ 1/2.Definisi 2.4.8.1 Andaikan x (x1,x2,,xp) merupakan vektor random
/2 2
/ 1 2 /
1
2 1 )
( x μ Σ x μ
Σ
x e f
p
(2.46)
dengan xi ,i 1,2,,p dan Σ adalah matriks definit positif, ditulis
) (μ,Σ
p
N .
Secara khusus, skripsi ini berkaitan dengan distribusi Normal Bivariat
yaitu p = 2.
2.4.9 Fungsi Densitas Normal Bivariat
Himpunan semua x sedemikian sehingga 2
c
μ
x
Σ μ
x 1 merupakan
permukaan elipsoid yang berpusat di μ.
Sumbu setiap elipsoid dari fungsi densitas bersesuaian dengan vektor eigen
1 Σ
dan panjangnya proporsional dengan akar kuadrat dari kebalikan nilai eigen
1 Σ
. Perhitungan 1
Σ
dapat dihindari ketika menentukan sumbu elipsoid, karena
elipsoid dapat ditentukan oleh nilai eigen dan vektor eigen Σ.
Akibat 2.4.9.1 Jika Σ adalah matriks definit positif sehingga 1 Σ
ada, maka
e
Σe mengakibatkan Σ 1e e
jadi (,e) adalah pasangan nilai dan vektor eigen untuk Σ yang bersesuaian
matriks definit positif.
Definisi 2.4.9.1 Peta fungsi densitas konstanta distribusi Normal berdimensi p
adalah elips yang di definisikan oleh x sehingga
Dengan pusat μ dan panjang sumbu utama c iei, dengan
p i
i i
i e 1,2,,
Σe
Sub bab 2.5 sampai dengan sub bab 2.6 dibahas untuk memberikan landasan
teori bagi pokok bahasan T2 Hotelling yang ada dalam BAB III.
2.5 Metode Fungsi Pembangkit Momen
Metode fungsi pembangkit momen digunakan untuk mencari distribusi
probabilitas dari suatu fungsi variabel random Y1,Y2,,Yn yang didasari oleh
teorema berikut.
Teorema 2.5.1 (Teorema Ketunggalan)
Andaikan mX(t) dan mY(t) secara berturut-turut merupakan fungsi pembangkit
momen dari variabel random X dan Y. Jika kedua fungsi pembangkit momen ada
dan mX(t) mY(t) untuk semua nilai t, maka X dan Y mempunyai distribusi
probabilitas yang sama.
Jika U merupakan fungsi dari n variabel random, Y1,Y2,,Yn, langkah
pertama menggunakan Teorema 2.5.1 adalah adalah mencari fungsi pembangkit
) ( )
( tU
U t E e
m . (2.48)
Jika fungsi pembangkit momen untuk U sudah ditemukan, bandingkan
dengan fungsi pembangkit momen untuk variabel random dengan distribusi yang
sudah diketahui dengan baik (well-known distributions). Jika mU(t) sama dengan
salah satunya, katakanlah fungsi pembangkit momen untuk variabel random V.
Dengan menggunakan Teorema 2.5.1, U dan V memiliki distribusi probabilitas
yang sama. Bukti untuk teorema ini dapat ditemukan di Hongki Julie (1999).
Fungsi densitas, rata-rata, variansi, dan fungsi pembangkit momen untuk beberapa
variabel random yang seringkali ditemui dan ditunjukkan pada Lampiran 2.
Contoh 2.5.1
Andaikan Z variabel random yang berdistribusi Normal dengan rata-rata = 0
dan variansi = 1. Gunakan metode fungsi pembangkit momen untuk mencari
distribusi probabilitas Z2.
Fungsi pembangkit momen untuk Z2 adalah
dz e
dz e
e dz z f e e
E t m
t z
z Z t Z
t Z
t z
) 2 1 ( ) 2 / (
2 /
2
2 2 2
2 2
2 1
2 )
( )
( ) (
Integral tersebut dapat dievaluasi baik dengan tabel integral atau dengan mencatat
sebanding dengan fungsi densitas variabel random berdistribusi Normal dengan
rata-rata 0 dan variansi (1 – 2t)-1. Untuk membuat integran suatu fungsi densitas
Normal (integral definit = 1), kalikan numerator dan denumerator dengan standar
deviasi, (1 2t)1/2. Maka
Karena integralnya sama dengan 1, jika t < ½,
2
demikian Z2 berdistribusi 2 dengan derajat bebas 1.
Teorema 2.5.2 Andaikan Y1,Y2,,Yn merupakan variabel random yang
independen dengan fungsi pembangkit momen secara berturut-turut
)
Dengan menggunakan definisi fungsi pembangkit momen,
)
maka U adalah variabel random berdistribusi Normal dengan
2
fungsi pembangkit momen yang diberikan oleh
Jadi fungsi pembangkit momen aiYi diberikan oleh
Karena variabel random Yi independen, variabel random aiYi juga independen,
untuk i1,2,,n, Teorema 2.5.2 mengakibatkan
yang merupakan fungsi pembangkit momen dari distribusi Normal dengan
Jadi, berdasarkan teorema ketunggalan U berdistribusi Normal dengan rata-rata
n
i i i
a 1
dan variansi
n
i i i
a 1
2 2
.
2.6 Distribusi Sampling yang Berhubungan dengan Distribusi Normal
Teorema 2.6.1 Andaikan Y1,Y2,,Yn merupakan sampel random berukuran n
dari distribusi Normal dengan rata-rata dan variansi 2
. Maka
n
i i
Y n Y
1
1
(2.50)
Berdistribusi Normal dengan rata-rata Y dan variansi n
Y /
2
2
.
Bukti
Karena Y1,Y2,,Yn merupakan sampel random dari suatu distribusi Normal
dengan rata-rata dan variansi 2
, Yi,i 1,2,,n, adalah independen,
berdistribusi Normal, dengan E(Yi) dan 2
) (Yi
V . Selanjutnya,
) ( 1 )
( 1 ) ( 1 1
2 1
1
n n
i
i Y
n Y
n Y n Y n
Y
n i
n a
Y a Y
a Y
a1 1 2 2 n n dengan i 1/ , 1,2,,
Y adalah kombinasi linear dari Y1,Y2,,Yn, dan Teorema 2.13.3 dapat
diaplikasikan untuk menyimpulkan bahwa Y berdistribusi Normal dengan
Distribusi 2memainkan peranan penting dalam banyak langkah-langkah
penarikan kesimpulan. Sebagai contoh, andaikan akan dibuat suatu penarikan
kesimpulan tentang variansi populasi 2
yang didasari sampel random
n
Y Y
Y1, 2,, dari populasi yang berdistribusi Normal. Penduga baik dari 2
adalah variansi sampel
2independen.
Bukti
Bukti berikut digunakan untuk mengantarkan generalisasi dari distribusi t
(univariat) ke T2 Hotelling (multivariat). Diasumsikan n = 2 dan akan ditunjukkan
bahwa 2
2
Akan ditunjukkan jumlah tersebut sama dengan kuadrat variabel random
Normal standar, yaitu Z2 yang berdistribusi 2 dengan derajat bebas 1.
Karena Y1Y2 adalah kombinasi linear dari variabel random yang
independen, maka variabel random berdistribusi Normal
) 1 dan
1 dengan
(Y1Y2 a1Y1a2Y2 a1 a2 , Teorema 6.3 mengatakan
berdistribusi Normal standar. Karena untuk n = 2
2
dengan derajat bebas 1.
Karena
2 2
)
(Y1 Y2 U1
Y dan
2 ) (
2 )
( 1 2 2 2 2
2 Y Y U
S .
Karena Y merupakan fungsi dari U1 dan S2 merupakan fungsi dari U2,
independensi U1 dan U2 mengakibatkan independesi dari Y dan
2
S . Terbukti
bahwa Y dan 2
58 BAB III
T2 HOTELLING
3.1 Distribusi T2 Hotelling
Definisi 3.1.1 (Menurut Dennis D.Wackerly, William Mendenhall III, dan Richard L. Scheaffer)
Andaikan Z merupakan variabel random yang berdistribusi Normal Standar dan
andaikan W merupakan variabel random yang berdistribusi 2
dengan derajat
bebas v. Kemudian jika Z dan W independen, maka
v W
Z T
/
(3.1)
dikatakan berdistribusi t dengan derajat bebas v.
Jika Y1,Y2,,Yn merupakan sampel random dari populasi Normal dengan
rata-rata dan variansi 2
, Teorema 2.6.1 dapat diaplikasikan untuk
menunjukkan Z n
Y
/ berdistribusi Normal Standar. Teorema 2.6.2mengatakan bahwa 2 2
/ ) 1 (n S
W berdistribusi 2 dengan derajat bebas v =
n – 1, Z dan W independen ( karena Y dan S2 independen ). Oleh karena itu
dengan Definisi 3.1.1,
S Y n n
S n
Y n
v W
Z
T
) 1 /( / ) 1 (
/ ) (
berdistrinbusi t dengan derajat bebas (n – 1).
Jarak kuadrat persamaan diatas adalah
Y S Y
n S
Y n
T 2 1
2
2
)
( (3.3)
Generalisasi dari statistik di atas dalam notasi matriks disebut statistik T2
Hotelling yang berbentuk
Y μ
(S) 1
Y μ
n
T2 . (3.4)
Statistik T2 berdistribusi Fpn p
p n
p n
,
) (
) 1 (
dengan Fp,np menunjukkan variabel
random berdistribusi F dengan p karakteristik dan derajat bebas n – p.
3.2 Daerah Kepercayaan Elips
Andaikan adalah vektor dari parameter populasi yang tidak diketahui
dan adalah himpunan semua kemungkinan nilai-nilai . Daerah kepercayaan
adalah daerah kemungkinan nilai-nilai . Daerah ini ditentukan oleh data dan
didenotasikan dengan R(X),dengan X
X1,X2,,Xn
adalah matriks data.Daerah R(X) dikatakan memiliki daerah kepercayaan 100 (1)% jika
sebelum sampel dipilih,
R(X)akan memenuhi
1Probabilitas ini dihitung berdasarkan kebenaran, tetapi nilai tidak diketahui.
Daerah kepercayaan untuk rata-rata μ dari populasi Normal berdimensi p
adalah
Sebelum sampel dipilih,
akan lebih dari
2
dari μ, dengan probabiitas 1 , jarak yang diberikan didefinisikan dalam bentuk
1
/n
S . Untuk suatu sampel khusus, x dan S dapat dihitung dan ketaksamaannya
( )akan mendefinisikan suatu daerah R(X) dengan ruang dari semua kemungkinan
nilai parameter. Dalam kasus seperti ini, daerahnya adalah suatu elips dengan
Definisi 3.2.1 Suatu daerah kepercayaan 100 (1)% untuk rata-rata distribusi
Normal berdimensi p didefinisikan untuk semua μ adalah
( )sampel pengamatan.
Untuk menentukan apakah sebarang μ0 berada di dalam daerah
berada di dalam daerah kepercayaan.
Sumbu dan panjang daerah kepercayaan elips dapat ditentukan dari nilai
eigen i dan vektor eigen ei dari S. Pada (2.47), arah dan panjang sumbu dari
ditentukan oleh
yang berada di sepanjang vektor eigen ei. Dimulai pada pusat x, sumbu daerah
kepercayaan elips adalah
p i
F p n n
n p
i i i i
p n p
i ( ) dimana , 1,2, ,
) (
) 1 (
,
e Se e (3.7)
Contoh 3.2.1
Suatu perusahaan yang memproduksi microwave akan memantau banyaknya
pemencaran radiasi ketika pintu microwave terbuka dan tertutup. Diambil sampel
dari masing-masing karakteristik mutu sebanyak n = 42, kemudian diuji apakah
0.562,0,589
μ berada di dalam selang kepercayaan dengan 0.05.
No Terbuka Tertutup No Terbuka Tertutup
1 0,15 0,30 22 0,05 0,10
2 0,09 0,09 23 0,03 0,05
3 0,18 0,30 24 0,05 0,05
4 0,10 0,10 25 0,15 0,15
5 0,05 0,10 26 0,10 0,30
6 0,12 0,12 27 0,15 0,15
7 0,08 0,09 28 0,09 0,09
8 0,05 0,10 29 0,08 0,09
9 0,08 0,09 30 0,18 0,28
10 0,10 0,10 31 0,10 0,10
11 0,07 0,07 32 0,20 0,10
12 0,02 0,05 33 0,11 0,10
13 0,01 0,01 34 0,30 0,30
14 0,10 0,45 35 0,02 0,12
15 0,10 0,12 36 0,20 0,25
16 0,10 0,20 37 0,20 0,20
17 0,02 0,04 38 0,30 0,40
19 0,01 0,01 40 0,40 0,32
20 0,40 0,60 41 0,30 0,12
21 0,10 0,12 42 0,05 0,12
Dengan menggunakan program MATLAB, didapatkan hasil sebagai berikut:
Karena 1.2867 ≤ 6.6215 maka proses terkendali.
3.3 Grafik Pengendali T2 Hotelling
Banyak keadaan yang memerlukan pengendalian bersama dua atau lebih
karakteristik mutu yang berhubungan. Masalah pengendalian mutu dengan
beberapa karakteristik mutu yang berhubungan disebut masalah pengendalian
mutu multivariat. Grafik pengendali T2 Hotelling digunakan untuk mengendalikan
beberapa karakteristik mutu yang berhubungan. Andaikan dua karakteristik mutu
1
X dan X2 berdistribusi bersama menurut distribusi Normal bivariat. x1 dan x2
merupakan nilai rata-rata dari karakteristik mutu, dan 2
1
S dan S22 variansi sampel
1
X dan X2. Kovarian antara X1 dan X2 adalah S12. Asumsikan bahwa 1, 2,
dan 12 diketahui. Jika X1 dan X2 adalah rata-rata sampel dari dua karakteristik
mutu yang dihitung dari sampel berukuran n, maka statistik
2 2 2 2 12 1 1 2 2
1 2
1 1 2 2 2 12 2 2 2 1 2
2S X X X X X
X S X X S S S S
n
T (3.8)
akan berdistribusi Hotelling dengan derajat bebas 2 dan (n – 1). Jika 2
1 ; 2 ; 2
T n
T ,
maka paling sedikit satu dari karakteristik mutu itu tidak tekendali dengan T2;2;n1
adalah titik presentase atas distribusi T2 Hotelling dengan derajat bebas 2 dan
(n – 1).
Nilai-nilai T2 yang dihitung dari persamaan (3.8) untuk tiap sampel pada
grafik pengendali dengan hanya batas pengendali atas 2
1 ; 2 ; n
T (Gambar 3.2).
Grafik pengendali ini biasanya disebut grafik pengendali T2 Hotelling. Perhatikan