commit to user
i
ESTIMASI PARAMETER BATAS PENGENDALI
EWMA
X -ROleh :
ERNITA DWI HASTUTI
M0106040
SKRIPSI
Ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar
Sarjana Sains Matematika
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET
commit to user
commit to user
iii MOTO
“
Tuhan pasti kan menunjukkan kebesaran dan kuasaNya
bagi hambaNya yang sabar dan tak kenal putus asa”
commit to user
iv
PERSEMBAHAN
Karya ini saya persembahkan untuk
Orang tuaku tercinta atas doa, kasih sayang, kesabaran, semangat dan pengorbanan yang diberikan.
commit to user
v ABSTRAK
Ernita Dwi Hastuti, 2011. ESTIMASI PARAMETER BATAS PENGENDALI EWMA & − . Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Sebelas Maret.
Grafik pengendali Exponentially Weighted Moving Average (EWMA) ialah sebuah grafik yang digunakan untuk mengendalikan proses secara statistik dan sebagai alat untuk mempertimbangkan apakah proses terkendali secara statistik atau tidak. Grafik pengendali EWMA sangat efektif untuk pergeseran proses yang kecil karena grafik EWMA menggunakan informasi dari sampel sebelumnya. Dalam suatu proses produksi tidak ada dua unit produk yang identik, sehingga adanya variansi tidak dapat dihindarkan. Oleh karena itu dibutuhkan dua grafik pengendali EWMA, yaitu grafik pengendali EWMA untuk mendeteksi pergeseran proses mean dan grafik pengendali EWMA untuk mendeteksi pergeseran proses variansi.
Dalam penelitian ini dikaji grafik pengendali EWMA untuk mean dan variansi secara terpisah dan grafik pengendali EWMA & − untuk memonitor proses mean dan variansi secara bersama-sama. Grafik pengendali EWMA untuk mean dan variansi secara terpisah dapat dibuat dengan mencari statistik yang digambarkan pada grafik pengendali. Sedangkan statistik yang digambarkan pada grafik pengendali EWMA & − merupakan maksimum nilai mutlak dari statistik untuk mean dan variansi. Untuk memperjelas kajian teori digunakan contoh kasus data netto kemasan air minum Makhoa 240 ml. Hasil penelitian menunjukkan bahwa grafik pengendali EWMA untuk memonitor proses mean dan variansi secara bersama-sama dan secara terpisah memberikan hasil yang sama yaitu prosesnya terkendali namun batas pengendalinya yang berbeda. Namun grafik pengendali EWMA & − akan lebih efisien bila dibandingkan dengan grafik pengendali EWMA secara terpisah, karena grafik pengendali EWMA & − memiliki lebar batas pengendali yang lebih sempit.
commit to user
vi ABSTRACT
Ernita Dwi Hastuti, 2011. ESTIMATION OF PARAMETER EWMA & − CONTROL LIMITS. Mathematics and Natural Sciences Faculty, Sebelas Maret University.
Exponentially Weighted Moving Average (EWMA) control chart is a chart which is used for statistical processing control and as a tool to consider whether the process is controlled statistically or not. EWMA control chart is very effective for a small shift because EWMA chart using information from previous samples. There is no identical of two units product in the production process, so the variance is inevitable. So that we need two EWMA control chart, i.e. EWMA control chart to detect the shift of mean process and EWMA control chart to detect the shift of variance process.
In this study we assessed EWMA control charts for mean and variance separately and EWMA & − control charts to monitor the process mean and variance simultaneously. We can made EWMA control chart for mean and variance separately by finding the statistics that plotted on control chart. Otherwise, the statistics that plotted on EWMA & − is the maximum absolute value of the statistics for the mean and variance. To clarify the theoretical studies we used the example of the net data packaging of 240 ml Makhoa drinking water. The result shows that the EWMA control chart for monitoring process of mean and variance jointly and separately gave similar results that the process is in control but the control limits are different. However, EWMA & − control chart would be more efficient than EWMA control chart separately, because the EWMA& − control chart has a widercontrol limits.
commit to user
vii
KATA PENGANTAR
Puji syukur senantiasa penulis panjatkan ke hadirat Alláh SWT. atas
segala limpahan rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan
skripsi ini. Penulis mengucapkan terima kasih kepada:
1. Dra. Sri Sulistijowati H, M.Si dan Drs. Muslich, M.Si selaku Pembimbing I
dan Pembimbing II atas kesediaan dan kesabarannya dalam membimbing dan
memotivasi penulis dalam penyusunan skripsi ini.
2. Ibu Wiwik selaku manajer Makhoa yang telah memberikan ijin kepada penulis
untuk melakukan penelitian dan pengambilan data.
3. Semua pihak yang telah membantu menyelesaikan skripsi ini.
Semoga skripsi ini dapat memberikan manfaat bagi pembaca pada
umumnya, dan bagi penulis pada khususnya.
Surakarta, April 2011
commit to user
2.1.4 Interval kepercayaan untuk variansi ... 6
2.1.5 Pengendalian kualitas statistik ... 7
2.1.6 Pengendalian proses statistik ... 7
2.1.7 Grafik pengendali ... 8
commit to user
ix
2.1.9 Grafik pengendali Shewhart ... 9
2.1.10 Grafik pengendali X -R ... 9
2.1.11 Distribusi normal ... 12
2.1.12 Distribusi uniform ... 12
2.1.13 Uji kenormalan ... 12
2.1.14 Uji independensi ... 13
2.2 Kerangka Pemikiran ... 14
BAB III. METODE PENELITIAN BAB IV. PEMBAHASAN 4.1 Grafik pengendali EWMA ... 17
4.1.1 Grafik pengendali EWMA untuk proses mean ... 17
4.1.2 Grafik pengendali EWMA untuk proses variansi ... 19
4.2 Grafik pengendali EWMA X -R ... 20
4.2.1 ARL (Average Run Length) ... 24
4.2.2 Merancang grafik pengendali EWMA X -R ... 25
4.3 Contoh kasus ... 26
4.3.1 Grafik pengendali EWMA untuk proses mean ... 28
4.3.2 Grafik pengendali EWMA untuk proses variansi ... 29
4.3.2 Grafik pengendali EWMA X -R ... 29
BAB V. PENUTUP 5.1Kesimpulan ... 33
5.2Saran ... 34
DAFTAR PUSTAKA ... 35
commit to user
x
DAFTAR TABEL
Tabel 1
Tabel 2
Tabel 3
Data sampel netto kemasan air minum Makhoa 240 ml dengan
ukuran sampel (n = 5) ………...
Nilai CDF tiap sampel ………...
Nilai Ai,Bi,Zi dan Wi………... 27
30
commit to user
xi
DAFTAR GAMBAR
Gambar 1
Gambar 2
Gambar 3
Gambar 4
Gambar 5
Gambar 6
Grafik pengendali ………...
Plot probabilitas normal data netto air minum ………
Plot independensi data netto air minum ………..
Grafik pengendali EWMA untuk proses mean ……….
Grafik pengendali EWMA untuk proses variansi ……….
Grafik pengendali EWMA X -R ………... 9
26
28
28
29
commit to user
v : Derajad bebas distribusi Chi-kuadrat
d
: Pergeseran proses meanb : Pergeseran proses variansi
i
Z : Statistik EWMA untuk proses mean
'
i
R : Range/ rentang dari distribusi normal
2
i
S : Statistik EWMA untuk proses variansi
i
commit to user
1
BAB I
PENDAHULUAN
1.1Latar Belakang Masalah
Kualitas suatu produk mempunyai hubungan yang sangat erat dengan
kepuasan pelanggan. Untuk mempertahankan kualitas, secara kontinu proses
produksi harus dimonitor dan dikendalikan. Kualitas suatu produk dapat diamati
dari beberapa karakteristik dengan suatu alat yang wajib dimiliki oleh suatu
perusahaan untuk meningkatkan kualitas produksinya. Salah satu alat yang
digunakan untuk meningkatkan kualitas produksi adalah grafik pengendali.
Grafik pengendali merupakan metode statistika yang digunakan untuk
mengontrol agar produk yang dihasilkan sesuai dengan target dan memiliki
variabilitas tidak terlalu besar.
Menurut Ariani (2005) statistik merupakan metode pengambilan keputusan
tentang suatu proses dalam populasi berdasarkan pada analisis informasi yang
terkandung di dalam sampel dari populasi tersebut. Metode statistika mempunyai
peranan yang sangat penting dalam pengendalian kualitas. Metode statistika
digunakan untuk menentukan cara-cara pengambilan sampel produk, menguji
serta mengevaluasi informasi di dalam data untuk mengendalikan dan
meningkatkan kualitas produksi.
Karakteristik kualitas yang berupa variabel, biasanya digunakan dua grafik
pengendali, yaitu grafik Ú, untuk memonitor proses mean dan grafik pengendali R atau grafik pengendali S, untuk memonitor proses variansi. Pada awalnya
banyak dikembangkan grafik pengendali untuk memonitor proses mean dan
proses variansi secara terpisah, yaitu grafik pengendali Shewart, Cumulative Sum
(CUSUM), dan Exponentially Weighted Moving Average (EWMA), akan tetapi
menurut Costa dan Rahim (2006) jika menggunakan dua grafik pengendali
secara terpisah kurang efisien dalam memonitor proses, sehingga dikembangkan
pula grafik pengendali tunggal untuk memonitor proses mean dan proses variansi
commit to user
2
secara bersama-sama. Menurut Montgomery (2005) grafik pengendali tersebut
diklasifikasikan sebagai grafik pengendali tipe Shewart, tipe CUSUM dan tipe
EWMA. Grafik pengendali tipe Shewart hanya menggunakan informasi sampel
yang terakhir sehingga kurang sensitif terhadap pergeseran proses yang kecil,
sedangkan grafik pengendali tipe CUSUM dan tipe EWMA lebih sensitif terhadap
pergeseran proses yang kecil, karena menggunakan informasi dari beberapa
sampel.
Grafik pengendali tunggal dibuat dengan menggabungkan grafik
pengendali Ú dan grafik pengendali R. Dalam membentuk grafik pengendali Ú dan grafik pengendali R, nilai mean dan nilai variansi diestimasi dengan mean
sampel dan variansi sampel. Menurut Montgomery (2005) untuk ukuran sampel
kecil, misal ≤ 10 menghitung nilai variansi dengan range sampel akan lebih efisien dibandingkan dengan standar deviasi, sehingga nilai variansi diestimasi
dengan range sampel.
Dalam skripsi ini penulis tertarik untuk mengkaji grafik pengendali EWMA
untuk mean dan variansi secara terpisah dan mengkaji ulang penelitian yang telah
dilakukan oleh Khoo et al. (2009) khususnya merancang grafik pengendali
EWMA Ú − untuk mendeteksi pergeseran proses mean dan variansi secara bersama-sama dengan menggunakan mean dan range sampel. Dalam merancang
grafik pengendali EWMA Ú − dilakukan dengan menyusun grafik pengendali untuk mean dan variansi secara terpisah terlebih dahulu kemudian menyusun
grafik pengendali dengan menggabungkan dua grafik pengendali sekaligus.
Selanjutnya untuk memperjelas kajian akan diterapkan pada data kemasan air
commit to user
3
1.2Perumusan Masalah
Perumusan masalah dalam penelitian ini adalah bagaimana merancang
grafik pengendali EWMA dengan mengestimasi parameter batas pengendali
Ú − secara terpisah dan bersama-sama untuk mendeteksi pergeseran proses mean dan variansi.
1.3Batasan Masalah
Pada penelitian ini, batasan masalah yang digunakan adalah penggunaaan
tabel nilai , dan hasil penelitian Khoo et al. (2009).
1.4Tujuan Penelitian
Tujuan penelitian ini adalah mengkaji ulang estimasi parameter batas
pengendali Ú − secara terpisah dan bersama-sama dalam pembuatan grafik pengendali EWMA untuk mendeteksi pergeseran meandan variansi.
1.5Manfaat
Manfaat yang diharapkan dari penelitian ini adalah memberikan informasi
ilmiah tentang penerapan grafik pengendali EWMA untuk mendeteksi pergeseran
commit to user
4
BAB II
LANDASAN TEORI
Pada landasan teori ini akan dibahas dua subbab, yaitu tinjauan pustaka dan
kerangka pemikiran. Tinjauan pustaka berupa hasil-hasil penelitian yang telah
dilakukan peneliti terdahulu dan ada hubungannya dengan penelitian yang akan
dilakukan, selain itu juga diberikan teori-teori yang melandasi dalam kajian di
pembahasan.
2.1 Tinjauan Pustaka
Grafik pengendali adalah alat yang digunakan untuk mengendalikan proses
secara statistik dan untuk mempertimbangkan apakah proses terkendali statistik atau
tidak. Grafik pengendali Shewhart merupakan grafik pengendali yang pertama kali
dikembangkan, grafik ini diperkenalkan oleh W. A Shewhart (1931). Grafik
pengendali Shewhart kurang sensitif terhadap pergeseran proses yang kecil. Hastuti
(2002) dalam skripsinya yang berjudul “ Grafik pengendali Shewhart dan EWMA
terhadap data berkorelasi “ membahas bahwa grafik pengendali EWMA lebih sensitif
terhadap pergeseran proses yang kecil bila dibandingkan dengan grafik pengendali
Shewhart.
Karakteristik kualitas yang berupa variabel biasanya digunakan dua grafik
pengendali EWMA, yaitu untuk memonitor proses mean dan variansi. Menurut
Reynold dan Staumbos (2004) serta Costa dan Rahim (2006) grafik pengendali untuk
mean dan variansi secara terpisah kurang efisien dalam memonitor pergeseran proses,
karena harus membuat dua grafik pengendali untuk memonitor proses mean dan
variansi, sehingga dikembangkan grafik pengendali tunggal untuk memonitor proses
mean dan variansi secara bersama-sama. Chen et al. (2001) mengembangkan grafik
pengendali MaxEWMA yang merupakan grafik pengendali tunggal untuk memonitor
proses mean dan variansi dalam satu grafik pengendali. Grafik pengendali
MaxEWMA sangat efektif untuk mendeteksi pergeseran proses mean dan variansi.
Khoo et al. (2009) merancang grafik pengendali «Ǵanö − untuk memonitor
commit to user
5
proses mean dan variansi secara bersama-sama. Grafik pengendali «Ǵanö − merupakan pengembangan dari grafik pengendali MaxEWMA, tetapi grafik
pengendali «Ǵanö − menggunakan range sampel sedangkan grafik pengendali
MaxEWMA menggunakan variansi sampel.
Untuk mengkaji grafik pengendali «Ǵanö − diperlukan teori-teori yang mendukung sebagai berikut.
2.1.1 Variabel Random
Menurut Bain dan Engelhardt (1995), suatu variabel random, dinotasikan X,
jika X merupakan fungsi yang didefinisikan dari seluruh ruang sampel S, yang
menghubungkan suatu bilangan asli ö = dengan setiap hasil yang mungkin di S. Variabel random dibedakan menjadi dua, yaitu variabel random diskrit dan
variabel random kontinu.
1) Variabel Random Diskrit
Variabel random ö disebut variabel random diskrit jika himpunan semua nilai yang mungkin dari variabel tersebut adalah himpunan yang terhitung yaitu
n X X
X1, 2,..., . Fungsi
f
( )
x
=
P
(
X
=
x
)
dengan X1,X2,...,Xn disebut fungsi kepadatan peluang (Bain dan Engelhardt, 1995).2) Variabel Random Kontinu
Menurut Bain dan Engelhardt (1995), suatu variabel random X dikatakan variabel
random kontinu jika terdapat fungsi ( ) sebagai fungsi kepadatan peluangdari X
dan disajikan sebagai
= ∞∞ é .
2.1.2 Interval Kepercayaan
Menurut Montgomery (2005) estimasi interval untuk parameter adalah
interval antara dua statistik yang dengan probabilitas tertentu memuat nilai yang
sebenarnya. Misalkan, untuk mengestimasi interval nilai mean, maka harus dicari
commit to user
6
≤ ¶ ≤ = 1− .
Interval ≤ ¶ ≤ disebut interval kepercayaan 100 1− %, dan adalah limit kepercayaan bawah dan atas, dan 1− adalah peluang yang sebenarnya. Interpretasi dari interval konfidensi adalah apabila banyak kali interval semacam itu dibentuk
masing-masing hasil dari suatu sampel random, maka 100 1− % dari interval-interval ini akan memuat nilai sebenarnya dari ¶.
2.1.3 Interval Kepercayaan untuk Mean
Menurut Montgomery (2005) misal ö sampel random dengan observasi. Untuk besar, mean sampel ö mendekati distribusi normal dengan mean ¶ dan
Menurut Montgomery (2005) Misalkan ö adalah variabel random berdistribusi normal dengan mean ¶ dan variansi yang nilainya tidak diketahui dan variansi sampel dihitung dengan rumus
=∑ ö − ö
− 1 ,
digunakan sebagai penaksir untuk , dan akar positif sebagai penaksir untuk .
Untuk menaksir interval kepercayaan untuk digunakan distribusi . Misalkan ö ,ö , … ,ö adalah sampel random dari populasi normal maka variabel = ∑
= dinamakan distribusi dengan derajad bebas − 1 .
Sehingga diperoleh interval kepercayaan 100 1− % untuk variansi adalah
,( )
≤ ≤
,( )
commit to user
7
2.1.5 Pengendalian Kualitas Statistik
Menurut Montgomery (2005), ada dua segi umum tentang kualitas yaitu
kualitas rancangan dan kualitas kecocokan. Kualitas rancangan adalah istilah teknik
yang digunakan untuk variasi yang memang disengaja, sedangkan kualitas kecocokan
adalah seberapa baik produk itu sesuai dengan spesifikasi dan kelonggaran yang
disyaratkan oleh rancangan itu.
Pengendalian kualitas adalah aktivitas keteknikan dan managemen dan
dengan aktivitas itu dapat diukur ciri-ciri produk, membandingkannya dengan
spesifikasi atau persyaratan dan mengambil tindakan penyehatan yang sesuai apabila
ada perbedaan antara penampilan sebenarnya dan yang standar.
2.1.6 Pengendalian Proses Statistik
Menurut Ariani (2005), pengendalian proses statistik merupakan teknik
penyelesaian masalah yang digunakan sebagai pemonitor, pengendali, penganalisis,
pengelola dan memperbaiki proses menggunakan metode-metode statistik. Selain
karakteristik kualitas, terdapat beberapa sumber yang berpengaruh terhadap hasil
produksi, yaitu
1. Bahan baku (raw material)
2. Operator (men)
3. Mesin (machine)
4. Lingkungan (measurement)
5. Metode (method)
Sasaran pengendalian proses statistik adalah mengadakan pengukuran
terhadap variasi-variasi atau kesalahan-kesalahan proses. Variasi proses terdiri dari
dua penyebab, yaitu penyebab tidak terduga (common cause) dan penyebab terduga
(assignable cause). Penyebab tidak terduga merupakan pengaruh kumulatif dari
banyak sebab-sebab kecil, seperti kondisi emosional karyawan, penurunan suhu udara
commit to user
8
seperti kesalahan operator, penyimpangan dalam penggunaan mesin, bahan baku
yang cacat, kesalahan perhitungan dan lain sebagainya.
Menurut Montgomery (2005) untuk memeriksa grafik pengendali dan
menyimpulkan bahwa prosesnya tak terkendali apabila dipenuhi satu atau beberapa
kriteria berikut
1. Satu atau beberapa titik di luar batas pengendali.
2. Suatu giliran dengan paling sedikit tujuh atau delapan titik, dengan macam
dapat dibentuk giliran naik atau turun, giliran di atas atau di bawah garis
tengah, atau giliran di atas atau di bawah median.
3. Dua atau tiga titik yang berurutan di luar batas peringatan 2-sigma tetapi
masih dalam batas pengendali.
4. Empat atau lima titik yang berurutan di luar batas 1-sigma
5. Pola tak biasa atau tak random dalam data.
6. Satu atau dua titik dekat satu batas peringatan atau pengendali.
2.1.7 Grafik Pengendali
Grafik pengendali adalah metode statistik yang membedakan adanya variasi-
variasi penyimpangan yang dipengaruhi oleh sebab tak terduga dan sebab terduga.
Penyimpangan yang dipengaruhi sebab terduga biasanya berada di luar batas
pengendali, sedangkan penyimpangan yang dipengaruhi oleh sebab tak terduga
berada di dalam batas pengendali (Ariani, 2005).
2.1.8 Grafik Pengendali Variabel
Menurut Montgomery (2005), untuk karakteristik kualitas yang dapat
dinyatakan dengan angka, misal diameter sekrup dapat diukur dengan mikro meter
dan juga berat bubuk coklat dapat ditimbang dengan timbangan mikro. Suatu
karakteristik yang mempunyai variasi nilai seperti dimensi, berat atau volume
dinamakan variabel. Apabila bekerja dengan karakteristik kualitas variabel sudah
commit to user
Menurut Montgom
garis tengah yang merupa
keadaan terkendali. Dua g
(BPA) dan batas pengendal
omery (2005), bentuk dasar grafik pengendali
pakan nilai rata-rata karakteristik kualitas terte
a garis mendatar yang lain disebut batas peng
li bawah (BPB). Seperti ditunjukkan pada Gamb
Gambar 1. Grafik pengendali
omery (2005), misalkan karakteristik kualitas b
commit to user
10
Karena nilai ¶ dan biasanya tidak diketahui, maka nilai-nilai itu harus ditaksir dari sampel-sampel pendahuluan yang diambil ketika proses itu diduga
terkendali. Misalkan tersedia Ư sampel, masing-masing memuat observasi pada karakteristik kualitas itu. Jika ö ,ö , … ,ö adalah rata-rata tiap sampel, maka penaksir terbaik untuk rata-rata proses ¶ adalah mean keseluruhan, yaitu
ö =ö + ö +⋯+ö Ư
dan ö akan dijadikan garis tengah grafik ö itu.
Untuk ukuran sampel kecil, misal ≤ 10 estimasi nilai standar deviasi biasanya menggunakan metode range. Misal ö ,ö ,….,ö adalah sampel random dari n observasi yang berdistribusi normal dangan mean ¶ dan variansi , range sampel
Terdapat hubungan antara rentang suatu sampel dari distribusi normal dan deviasi
standar distribusi itu. Misal didefinisikan variabel random Ǵ= yang dinamakan rentang relatif. Parameter distribusi Ǵ adalah fungsi ukuran sampel . Menurut Tippett (1925) mean Ǵ bernilai é dari variabel random berdistribusi normal, sehingga penaksir untuk adalah =
commit to user
11
= é
Jika digunakan ö sebagai penaksir untuk ¶ dan é sebagai penaksir untuk , maka
batas pengendali grafik ö dengan batas 3-sigma adalah
4 n= ö −
√ .
ð2 = ö 4 4= ö −
√ .
Diketahui bahwa rentang sampel berhubungan dengan deviasi standar
proses. Oleh karena itu, variabilitas proses dapat dikendalikan dengan
menggambarkan nilai-nilai dari sampel-sampel yang berurutan pada grafik
pengendali. Grafik pengendali ini dinamakan grafik . Batas pengendali grafik
dapat ditentukan dengan mencari garis tengahnya dan standar deviasi . Dengan
menganggap bahwa karakteristik kualitas berdistribusi normal, estimasi untuk
dapat diperoleh dari distribusi rentang relatif Ǵ = . Menurut Tippett (1925) deviasi standar Ǵ bernilai é yang merupakan fungsi yang diketahui. Nilai é berbagai ukuran sampel diberikan dalam lampiran.
Jadi karena
=Ǵ maka deviasi standar adalah
=é .
Karena tidak diketahui, maka dapat ditaksir dengan
=é .
commit to user
12
4 n= + 3 = + 3é é
ð2 =
4 4= − 3 = − 3é .
2.1.11 Distribusi Normal
Distribusi normal atau disebut juga distribusi Gaussian, adalah salah satu
distribusi penting dalam aplikasi statistik. Variabel random ö berdistribusi normal dengan mean¶ dan variansi dapat dituliskan ö~ (¶, ) dengan fungsi densitas probabilitas ( Montgomery, 2005).
= 1
√2 ,
dengan 0≤ ö ≤ 1 0≤ ¶ ≤ 1 ≥ 0
2.1.12 Distribusi Uniform
Bain dan Engelhardt (1995) memberikan definisi bahwa variabel random X
dikatakan mempunyai distribusi Uniform pada interval , jika mempunyai fungsi
densitas probabilitas
ö; , = 1
−
untuk <ö < dan 0 untuk nilai ö yang lain. Variabel random yang berdistribusi Uniform dinotasikan ö~ ( , ).
2.1.13 Uji Kenormalan
Menurut Montgomery (1992) untuk memeriksa kenormalan data dapat
dilakukan dengan melihat plot antara data dengan nilai probabilitas kumulatifnya.
Untuk membentuk plot normal dapat dilakukan dengan menggambarkan kenaikan
commit to user
13
dan adalah banyaknya observasi. Jika plot yang dihasilkan terletak pada pita
kenormalan atau mendekati garis lurus maka dapat dikatakan asumsi kenormalan
sudah dipenuhi. Uji kenormalan dapat juga dilakukan melalui uji
Kolmogorof-Smirnov yang dapat dilihat dari nilai p-value dengan langkah-langkah sebagai berikut
a) Membuat hipotesis
:data berdistribusi normal
:data tidak berdistribusi normal
b) Menentukan tingkat signifikasi %
c) Menentukan statistik uji
=Ư ö − − 1, − ö
dengan adalah fungsi distribusi kumulatif observasi.
d) Membuat daerah kritis yaitu menolak jika p-value lebih kecil dari
tingkat signifikansi .
e) Mengambil kesimpulan
2.1.14 Uji Independensi
Menurut Montgomery (1992) data dapat dikatakan independen apabila nilai
data suatu pengamatan tidak dipengaruhi data dari pengamatan lain. Untuk menguji
keindependenan suatu data dapat dilihat dari plot antara data dan order observasi. Bila
data berpola acak maka data tersebut bersifat independen.
2.2 Kerangka Pemikiran
Untuk karakteristik kualitas produk yang berupa variabel biasanya
digunakan dua grafik pengendali EWMA, satu grafik pengendali EWMA untuk
memonitor proses mean dan yang lain grafik pengendali EWMA untuk memonitor
variansi. Grafik pengendali EWMA memerlukan asumsi bahwa pengukuran
karakteristik kualitas harus memiliki distribusi normal dan independen. Dalam
membentuk grafik pengendali EWMA secara terpisah maupun secara bersama-sama,
commit to user
14
pengendali EWMA untuk proses mean dilakukan dengan menentukan statistik EWMA
untuk proses mean dengan terlebih dahulu menentukan nilai lalu menggambarkan
statistik tersebut pada grafik pengendali. Untuk membentuk grafik pengendali EWMA
untuk proses variansi dilakukan dengan menentukan statistik EWMA untuk variansi
dengan terlebih dahulu menentukan nilai lalu menggambarkan statistik tersebut
pada grafik pengendali. Untuk menggabungkan dua grafik pengendali untuk proses
mean dan variansi secara bersama-sama diperlukan transformasi untuk setiap sampel.
Transformasi setiap sampel digunakan untuk menentukan statistik EWMA untuk
mean dan variansi. Kemudian menentukan statistik untuk EWMA ö − yang merupakan maksimum nilai mutlak dari statistik EWMA untuk mean dan variansi,
commit to user
15
BAB III
METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah studi literatur, yaitu dengan
mempelajari berbagai referensi dari buku dan jurnal-jurnal yang bersesuaian dengan
tujuan penelitian.
Adapun langkah- langkah yang ditempuh dalam penelitian ini adalah
1. Mengkaji penaksiran parameter ¾ dan
2. Mengkaji pembuatan grafik pengendali EWMA untuk proses mean
dengan langkah sebagai berikut
a. Menentukan nilai .
b. Menentukan statistik EWMA untuk proses mean.
c. Menentukan batas pengendali.
d. Menggambarkan statistik EWMA pada batas pengendali
3. Mengkaji pembuatan grafik pengendali EWMA untuk proses variansi
dengan langkah sebagai berikut
a. Menentukan nilai .
b. Menentukan statistik EWMA untuk proses variansi.
c. Menentukan batas pengendali.
d. Menggambarkan statistik EWMA pada batas pengendali.
4. Mengkaji pembuatan grafik pengendali EWMAº − untuk memonitor
proses mean dan variansi secara bersama-sama, dengan langkah sebagai
berikut
a. Memilih nilai , dan L yang dapat ditentukan berdasar
penelitian Khoo et al, (2009).
b. Melakukan transformasi untuk tiap sampel.
c. Menentukan statistik EWMA untuk mean dan variansi.
commit to user
16
d. Menentukan statistik EWMAº − yang merupakan maksimum
nilai mutlak dari statistik EWMA untuk mean dan variansi.
e. Menggambarkan statistik EWMAº − pada batas pengendali.
5. Menerapkan pada data kemasan air minum “Makhoa” 240 ml
karakteristik kualitas netto di mana data merupakan data primer yang
diambil dari PDAM Tirta Gemilang Kabupaten Magelang pada hari
Rabu sampai Sabtu, tanggal 20-24 Desember 2010. Data yang diambil
sebanyak 30 sampel dengan ukuran sampel yang diambil adalah 5 untuk
setiap sampel. Pengambilan sampel dilakukan setiap 20 menit. Analisis
data dilakukan dengan bantuan software Minitab 16 for Windows dan
commit to user
17
BAB IV
HASIL DAN PEMBAHASAN
4.1 Grafik Pengendali EWMA
Grafik pengendali EWMA sangat efektif untuk pergeseran proses yang kecil,
karena grafik pengendali EWMA menggunakan informasi dari sampel sebelumnya.
Untuk karakteristik kualitas yang berupa variabel, biasanya menggunakan dua grafik
pengendali ĆĖōB, yaitu grafik EWMA untuk memonitor proses mean dan grafik
EWMA memonitor proses variansi.
4.1.1 Grafik Pengendali EWMA untuk Memonitor Proses Mean
Menurut Montgomery (2005) statistik EWMA dari *> didefinisikan sebagai
Persamaan (4.1) dapat ditulis kembali sebagai berikut
â> = *>+ 1− *> + 1− â> .
Jika *> adalah variabel independen dengan variansi Ƽ , maka variansi â> adalah
commit to user
dan diperoleh deviasi standar dari â> adalah
Ƽ t =Ƽ 1− 1− > . (4.3)
Dari persamaan (2.1) dan (4.3) interval konfidensi untuk grafik pengendali EWMA
− ±Ƽ (2− ) 1− (1− ) > ≤ ≤ +±Ƽ
(2− ) 1− (1− ) > ,
sehingga diperoleh batas pengendali grafik EWMA untuk proses mean
7.B= + ±Ƽ
(2− ) 1− (1− ) >
=
7.7= − ±Ƽ
(2− ) 1− (1− ) >
dengan adalah rata-rata dari variabel random yang berdistribusi normal, dan L
adalah lebar batas pengendali.
commit to user
19
lim
>→ Ƽ t = lim>→ Ƽ 2− 1− 1− >
=Ƽ .
Sehingga diperoleh batas pengendali sebagai berikut
7.B= + ±Ƽ
(2− )
=
7.7= − ±Ƽ
(2− )
4.1.2 Grafik Pengendali EWMA untuk Memonitor Proses Variansi
Mac. Gregor dan Haris (1993) mendiskusikan dasar statistik grafik
pengendali EWMA untuk memonitor proses variansi. Misal *> berdistribusi normal
dengan mean dan variansi Ƽ , exponentially weighted mean square error (EWMS),
> didefinisikan sebagai berikut
> = *>− + 1− > , = 1,2, …
dengan = 0
*>: observasi ke i
: konstanta smoothing (0≤ ≤ 1).
Untuk nilai yang besar maka Ć( > ) =Ƽ , hal ini dapat ditunjukkan dengan
mensubtitusi − 1 untuk i pada persamaan (2.1)
> = *> − + 1− > ,
sehingga persamaan (2.1) dapat ditulis kembali sebagai berikut
> = *>− + 1− *> − + 1− > .
Selanjutnya dengan mengganti = 2,3, … diperoleh
commit to user
20
Karena nilai ∑> 1− >+ 1− = 1, maka
Ć > =∑> *>− =Ƽ . (4.4)
Bila observasi berdistribusi normal dan independen maka t akan mendekati
distribusi Chi- kuadrat dengan derajad bebas = 2− / . Jika Ƽ adalah nilai
target dari proses variansi, > dapat digambarkan pada grafik pengendali. Menurut
Eyvazian et al. (2008) percentil ke 100(1− ) dari distribusi Chi- kuadrat dengan
derajad bebas dapat digunakan untuk membentuk batas pengendali. Dari persamaan
(2.2) dan (4.4) maka diperoleh interval kepercayaan 100 1− % untuk grafik
EWMA adalah
Ƽ , ( )≤ Ƽ ≤ Ƽ , .
Sehingga diperoleh batas pengendali untuk grafik EWMA untuk proses variansi
7.B=Ƽ ,
7.7 =Ƽ , ( ).
4.2 Grafik pengendali ¸WMA −
Khoo et al. (2009) menggabungkan dua grafik pengendali EWMA menjadi
satu grafik pengendali yang disebut grafik pengendali EWMA * − R yang lebih
efektif dalam mendeteksi pergeseran mean dan variansisecara bersama-sama.
Misalkan *> , dengan = 1,2, … dan = 1,2, … , > adalah hasil pengukuran
dari karakteristik kualitas yang memiliki distribusi normal dengan = + Ƽ dan
standar deviasi Ƽ = Ƽ , dengan i dan j adalah sampel dan urutan pengamatan.
Menurut Khoo et al. (2009) proses dalam keadaan terkendali jika = 0 dan = 1
sehingga
= + Ƽ
commit to user
pengamatan random dari sampel i yang memiliki distribusi Uniform (0,1). Misal
R>′= >(e>)− >( ) = (*>et)− (*> )
adalah range sampel ke i untuk pengamatan > , > , … . , >e dimana > adalah sampel
terkecil dan >e adalah sampel terbesar. Sampel ini didefinisikan
B> =
dari cdf range sampel sebagai berikut
r′
> = > , >e = >e e− 1− 1− > e.
Diketahui bahwa B>~ (0,1), ketika = 0 dan = 1 rata-rata dari n pengukuran
independen dari distribusi normal adalah independen (Daly, 1946), sehingga * dan
commit to user
22
Untuk membentuk grafik pengendali tunggal yang dapat mendeteksi
pergeseran mean dan variansi secara bersama-sama, statistik EWMA di definisikan, Ė> = B>+ (1− )Ė> (4.8)
dan
â> = 7>+ (1− )â> (4.9)
dengan Ė =â = 0 adalah nilai awal, dan adalah konstanta smoothing.
Kemudian kedua statistik tersebut didefinisikan dengan ō> diberikan oleh
ō> = max |Ė>|,|â>| , = 1,2, … (4.10)
Jika ō> positif, grafik EWMA* − R dapat dibentuk dengan menggambarkan statistik
ō> pada batas pengendali
7.B=Ć ō> +± rō> . (4.11)
sehingga fungsi kepadatan peluang dari ō> adalah
= ′
=
t∅ t 2∅ t − 1 + t∅ t 2∅ t − 1 .
Misalkan Ƽ >=r dan Ƽ >= maka
commit to user
23
Nilai ekspektasi dari ō> adalah
Ć ō> = ∞
= ∞ ∅ 2∅ − 1 + ∅ 2∅ − 1 .
Misalkan = maka
Ć ō> = 2 ∞ 2 ∅ 2∅ − 1 + ∅ 2∅ − 1 .
Dengan menggunakan softwareMatematica5.0 diperoleh
Ć ō> = .
Dengan mensubtitusikan Ƽ >=r dan Ƽ >= maka
Ć ō> = t t . (4.12)
Diperoleh nilai Ć ō> sebagai berikut
Ć ō> = ∞
= ∞ ∅ 2∅ − 1 + ∅ 2∅ − 1 .
Misalkan = maka
Ć ō> = ∞ 2r ∅ 2∅ − 1 + ∅ 2∅ − 1 .
Dengan menggunakan software Matematica 5.0 diperoleh
Ć ō> = r + r+ .
Dengan mensubtitusikan Ƽ >=r dan Ƽ >= maka
Ć ō> = Ƽ > t
t + Ƽ >+Ƽ >
t t ,
sehingga
rō> = Ƽ > t
t − 1 +Ƽ >
t
t − 1 +Ƽ >Ƽ > (4.13)
commit to user
24
Ƽ >= 1− 1− > dan Ƽ > = 1− 1− >
dengan , adalah konstanta smoothing.
Dari persamaan (4.12) dan (4.13) diperoleh batas pengendali
7.B= t t +± Ƽ > t
variansi jauh dari nilai target yang diharapkan.
Grafik pengendali ĆĖōB* − R memiliki keuntungan dengan transformasi
yang dilakukan pada persamaan (4.6) dan (4.7) yaitu:
i. Masalah ukuran sampel variabel dapat dihandel dengan mudah karena
distribusi dari B> dan 7> adalah independen untuk ukuran sampel n, ketika
Menurut Montgomery (2005), karakteristik dari grafik pengendali pada
umumnya dilihat dari nilai Run Length (RL) yang menunjukkan nilai dari sampel
yang harus digambarkan dalam grafik sampai ditemukan nilai yang jatuh diluar
kontrol. Nilai RL dapat dihitung dengan
. R±= = 1− , = 1,2, …
dengan adalah probabilitas bahwa sampel berada di luar batas pengendali. Average
Run Length (ARL) adalah banyaknya titik sampel rata-rata yang digambarkan
sebelum suatu titik menunjukkan keadaan tidak terkendali. ARL didefinisikan
commit to user
25
BR±=Ć(R±)
=∑ ..(R± = )
= + 2 1− + 3 1− + 4 (1− )3+⋯
= [1 + 2 1− + 3 1− + 4 1− 3+⋯]
= ∑e + 1 1− e.
Menurut Martono (1999) jika jari-jari kekonvergenan deret pangkat ∑e e*e
adalah r > 0 maka fungsi =∑e e*e terdeferensiabel pada –r,r dengan
′ =∑e e*e . Sehingga akan diperoleh,
BR± = = .
4.2.2 Merancang Grafik Pengendali ¸WMA −
Grafik pengendali ĆĖōB * − R dapat dibentuk dari langkah-langkah
berikut:
i. Jika nilai tujuan dari parameter proses tidak diketahui, maka harus diestimasi
dari data sampel yang berada dalam batas pengendali dengan diestimasi
dengan rumus *=∑> dan standar deviasi Ƽ diestimasi dengan rumus
=∑> t dimana =
= e ⋯ e
dengan m adalah jumlah sampel yang digunakan untuk mengestimasi.
ii. Memilih nilai , , ± berdasarkan nilai ARL dan nilai n. Dihitung nilai
B>,7> ,Ė>,â> dan ō> menggunakan persamaan (4.6)-(4.10) untuk masing-
masing sampel dengan Ė =â = 0 untuk nilai awal.
iii. Menghitung nilai 7.B dengan persamaan (4.11).
iv. Menggambarkan sampel i ketika ō> ≤ 7.B untuk mengindikasikan proses
commit to user
26
dan B> > 0 maka proses mean meningkat namun bila B> < 0 berarti proses
mean menurun. Jika |â>|>7.B dan 7> > 0 berarti proses variansi meningkat
namun bila 7> < 0 maka proses variansi menurun.
v. Mencari penyebab dari setiap sampel yang di luar batas pengendali dan dicari
penanganannya.
4.3 CONTOH KASUS
PDAM Kabupaten Magelang memproduksi Air Minum dalam kemasan
(AMDK) dengan merk “Makhoa”, salah satu kemasan Makhoa adalah cup 240 ml.
data netto air minum Makhoa dapat diterapkan pada grafik pengendali EWMA. Data
berupa data primer yang diambil dari PDAM Kabupaten Magelang dengan data
seperti pada Tabel 1. Sebelum dibuat grafik pengendali EWMA terlebih dahulu data
harus diuji asumsinya, meliputi uji kenormalan dan uji independensi.
1. Uji kenormalan
Gambar 2. Plot probabilitas normal data netto air minum
Karena diperoleh nilai p-value = 0.15 dan = 0.05 sehingga data netto air
commit to user
27
commit to user
Gambar 3. Plot independensi data netto air minum
Karena data berpola acak maka data netto air minum dikatakan independen.
4.3.1 Grafik Pengendali EWMA untuk Proses Mean
Dari software Minitab 16 for windows diperoleh grafik pengendali untuk proses
Gambar 4. Grafik pengendali EWMA untuk proses mean
Dari Gambar 4 tampak bahwa semua sampel berada dalam batas pengendali, pada
batas pengendali 3 tidak ada pola tren sedangkan untuk s BPA 2s =233.4 tidak
commit to user
29
4.3.2 Grafik Pengendali EWMA untuk Proses Variansi
Dari software Minitab 16 for windows diperoleh grafik pengendali untuk
proses variansi sebagai berikut
BPA = 8.632
BPB = 0
Gambar 5. Grafik pengendali EWMA untuk proses variansi
Dari Gambar 5 terlihat bahwa semua sampel terletak dalam batas pengendali
dan tidak ada pola tren maka dapat disimpulkan bahwa prosesnya masih
terkendali.
4.3.3 Grafik pengendali EWMA X -R
Berikut langkah-langkah untuk membuat grafik EWMA X -R
a. Estimasi nilai mean adalah =* = 232.3067,
estimasi nilai standar deviasi adalah Ƽ = = 2.
. 32= 2.7515.
b. Dengan menggunakan tabel nilai ARL hasil penelitian Khoo et al untuk
kombinasi pergeseran proses mean dan variansi maka dipilih menurut Khoo et
al. (2009) untuk grafik pengendali EWMA * − R biasanya dipilih nilai ARL
pada kondisi terkendali BR± = 250 dan , = 0.25, 1.5 . kemudian
dipilih konstanta smoothing , = 0.3,0.3 dan nilai ± = 3.13.
c. Dengan menggunakan teorema limit pusat, jika diasumsikan *> mengikuti
distribusi normal, 232.3067 ,2.7515 untuk = 1,2, … ,15 dan =
1, 2, . . ,5. Diasumsikan . adalah fungsi distribusi dari *> dan > = *>
maka dengan software Minitab 16 for windows diperoleh seperti pada Tabel
commit to user
30
Tabel 2. Nilai CDF tiap sampel
commit to user
13 1.051029 0.013181 0.601197 0.230216 0.601197
14 -0.89938 -0.73754 0.151023 -0.06011 0.151023
15 1.701167 -0.76721 0.616066 -0.27224 0.616066
16 -1.54952 -0.06093 -0.03361 -0.20885 0.20885
17 1.376098 1.85011 0.389302 0.40884 0.40884
18 0.075822 1.00175 0.295258 0.586713 0.586713
19 0.400891 0.13181 0.326948 0.450242 0.450242
commit to user
32
Dari persamaan (4.11) diperoleh nilai BPA=1.1708 dan BPB=0 sehingga
dapat digambarkan dalam grafik pengendali tampak pada Gambar 5.
Gambar 6. Grafik Pengendali EWMA X -R untuk data netto air minum
Dari Gambar 6, terlihat bahwa semua sampel jatuh di dalam batas pengendali 7.B= 1.1708, tidak ada pola tren dan untuk 7.B 2Ƽ = 1.08 ada 1 titik di luar batas 2Ƽ yaitu pada data 29, untuk 7.B 1Ƽ = 0.82 ada 3 titik yang berada
di luar batas 1Ƽ yaitu pada data 26, 29, 30, maka dapat disimpulkan bahwa
prosesnya masih terkendali.
Dari Gambar (4), (5) dan (6) terlihat bahwa prosesnya terkendali tetapi
mempunyai batas pengendali yang berbeda yaitu untuk grafik pengendali
EWMA untuk proses mean diperoleh 7.B = 233.857 dan 7.7= 230.756,
untuk grafik pengendali EWMA proses variansi diperoleh 7.B= 8.632 dan
7.7= 0, sedangkan untuk grafik pengendali EWMA X - R diperoleh 7.B= 1.1708 dan 7.7 = 0. Grafik pengendali EWMA X - R memiliki
lebar batas pengendali yang lebih sempit, hal ini berarti grafik pengendali
EWMA X - R lebih sensitif bila dibandingkan dengan grafik pengendali
EWMA untuk mean dan variansi secara terpisah.
commit to user
BAB V
5.1Kesimpulan
Berdasarkan hasil penelitian yang telah dilaksanakan, kesimpulan yang dapat
diambil adalah sebagai berikut
1. Batas pengendali grafik EWMA untuk proses mean
a) Untuk > kecil
ò. = + y)
(2− )
=
ò.ò= − y)
(2− )
b) Untuk > besar
ò. = + y)
(2− ) 1− (1− )
=
ò.ò= − y)
(2− ) 1− (1− )
2. Batas pengendali untuk grafik pengendali EWMA untuk proses variansi adalah
ò. =) ,
ò.ò=) , ( )
3. Batas pengendali untuk grafik pengendali ̎em v − adalah
ò. = 2 ) +)
+y 2 ) )
) − 1 +)
)
) − 1 +) )
ò.ò= 0.
commit to user
4. Pada contoh kasus dengan mengunakan nilai ARL yang sama, grafik
pengendali ̎em untuk memonitor proses mean dan variansi secara
bersama-sama dan secara terpisah memberikan hasil yang sama yaitu
prosesnya terkendali tetapi batas pengendalinya berbeda. Grafik pengendali
̎em v − untuk memonitor proses mean dan variansi secara besama-sama lebih efisien dibandingkan dengan grafik pengendali EWMA secara
terpisah.
5.2Saran
Berdasarkan penelitian yang telah dilakukan, saran yang ingin disampaikan
peneliti yaitu penelitian dapat dilanjutkan hingga perhitungan kapabilitas dari proses
yang telah terkendali.