4. HASIL DAN PEMBAHASAN

(1)

4. HASIL DAN PEMBAHASAN

4.1. Karakteristik Mutu

•• Pengujian kualitas proses produksi alkohol di PT Indo Acidatama dapat dibagi menjadi empat bagian pokok, yaitu pengujian di bagian fermentasi, kolom 301, kolom 302, dan bagian storage. Pada masing-masing bagian tersebut di dalamnya terdapat beberapa pengujian kualitas dengan beberapa karakteristik mutu yang menentukan kualitas produk. Berikut ini adalah tabel pengujian kualitas yang dilakukan untuk proses produksi alkohol.

Tabel 4.1. Karakteristik Mutu Proses Produksi Alkohol Proses

Fermentasi Kolom301

Kolom 302

Storage

Karakteristik Mutu Kadar alkohol

Kadar total gula sisa Kadar alkohol Kadar alkohol

Kadar aldehid (uji impurity) Kadar methanol (uji impurity) Kadar alkohol

Kadar pH

Kadar aldehid (uji impurity) Kadar methanol (uji impurity)

4.2. Peramalan

Tahap awal dari perancangan peta kendali EWMV adalah melakukan peramalan terhadap data masa lalu untuk menetapkan model peramalan yang sesuai dari data masing-masing proses.

Pada tugas akhir ini peramalan untuk menentukan penetapan model dilakukan pada bagian fermenlasi, kolom 301, kolotn 302 dan bagian storage.

Berikut ini adalah tahap-tahap analisa untuk menetapkan model time series yang sesuai.

14

(2)

4.2.1. Peramalan Pengujian Hasil Fermentasi 4.2.1.1. Peramalan Pengujian Kadar Alkohol

Berikut ini adalah tahap-tahap peramalan untuk kadar alkohol:

1. Identifikasi alternatif model

Data pengujian kadar alkohol pada bagian fermentasi diplot berdasarkan urutan w

Time series plot (Kadar alkohol-fermentasi)

Gambar 4.1. Plot Data Kadar Alkohol-Fermentasi

Plot di atas menunjukkan bahwa data iidak bersifat stasioner. Maka iangkah selanjutnya adalah ditank differences sebesar 1 untuk mencapai kondisi stasioner. Pada gambar di bawah ini menunjukkan bahwa hasil differencing yang telah dilakukan memberi hasil stasioner.

Time series plot (Kadar alkohoi-fermentasi) Hasi! differencing d=1

Gambar 4.2. Plot Data Kadar Alkohol-Fermentasi Hasil Differencing d=l 2. Melakukan penghitungan ACF dan PACF

Selanjutnya dibuat plot acfdan pacf dari lime series hasil differencing untuk menentukan alternatif model yang sesuai.

(3)

16

Gambar 4.4. Plot PACF Kadar Alkohol-Fermentasi {differencing d=l) Berdasarkan plot data acf di atas dapat dilihat bahwa nilai acf mengalami cutt off pada lag 1. Ini berarti besarnya autokorelasi pada lag lebih besar dari 1 adalah tidak signifikan. Sedangkan pada plot pacf, nilai pacf mengalami cutt off pada lag 1. Ini berarti besamya autokorelasi parsial pada lag lebih besar dari 1 adalah tidak signifikan. Maka alternatif model yang akan dianalisa lebih lanjut adalah Moving Average (0,1,1), Autoregresif (1,1,0), dan Mixed Autoregresif-moving average (1,1,1).

(4)

(5)

18

4.2.1.2. Peramalan Pengujian Total Gula Sisa

Berikut ini adalah tahap-tahap peramalan untuk pengujian total gula sisa : 1. Identifikasi alternatif model

Data pengujian total gula sisa pada bagian fermentasi diplot berdasarkan urutan waktu (lihat lampiran 11). Karena Plot data menunjukkan bahwa data

(6)

(7)

20

Tabel 4.3. Hasil Peramalan Total Gula Sisa-Fermentasi Periode

1 2 3 4 5 6

Nilaiforecast 2.47754 2.47544 2.47333 2.47123 2.46912 2.46702

(8)

4.2.2. Peramalan Pengujian Kadar Alkohol Pada Kolom 301

Berikut ini adalah tahap-tahap peramalan untuk pengujian kadar alkohol:

1. Identifikasi alternatif model

Data pengujian kadar alkohol pada kolom 301 diplot berdasarkan urutan waktu (lihat lampiran 12). Karena Plot data menunjukkan bahwa data tidak bersifat stasioner. Maka langkah selanjutnya adalah ditarik differences sebesar 1 untuk mencapai kondisi stasioner (lihat lampiran 12).

2. Melakukan penghitungan ACF dan PACF

Selanjutnya dibuat plot acf 'dan pacf dari time series hasil differencing untuk menentukan alternatif model yang sesuai. (lihat lampiran 21). Berdasarkan plot data acf dapat dilihat bahwa nilai acf mengalami cuit o/fpada lag 1. Ini berarti besarnva autokorelasi pada lag lebih besar dari 1 adaiah tidak signifikan. Sedangkan pada plot pacf, nilai pacf mengalami cutt q/f pada lag 3. Ini berarti besarnya autokorelasi parsial pada lag lebih besar dari 3 adalah tidak signifikan. Maka alternatit model yang akan dianaiisa lebih lanjut adalah Moving Average (0,1,1), Autoregresif (3,1,0), dan Mixed Autoregresif-moving average (3,1,1).

Perhitungan peramalan dilakukan dengan software Minitab dan dapat dilihat pada lampiran 32.

3. Uj i diagnostik altematif model.

a. Menguji nilai parameter masing-masing model

• Moving Average (0,1,1)

; Dengan melihat nilai koefisien MA(1) = 0.9650 yang mempunyai nilai koefisien < 1, jadi model ini dapat diterima.

. • Autoregresif (3,1,0)

Dengan melihat nilai koefisien AR(1) = -0.6728, AR(2) = -0.4757, dan AR(3) = -0.3023 yang mempunyai mlai koefisien < 1, jadi model ini dapat diterima.

• Mixed Autoregresif-Moving Average (3,1.1)

(9)

22

(10)

output komputer diketahui bahwa nilai SSE terkecil adalah model Moving Average (0,1,1), maka model inilah yang dipilih.

4. Hasil peramalan

Berikut ini adalah hasil peramalan sesuai dengan pemilihan model peramalan yang terbaik (Moving Average (0,1,1)).

Periode 1 2 3 4 5 6 7 8 9 10 11 12

Tabel 4 Nilaiforecast

49.9137 49.9299 49.946 49.9622 49.9784 49.9945 50.0107 50.0269 50.043 50.0592 50.0754 50.0915

4. Hasil Peramalan Kadar Alkohol-301 Periode

13 14 15 16 17 18 19 20 21 22 23 24

Nilai forecast 50.1077 50.1239 50.14 50.1562 50.1724 50.1885 50.2047 50.2209 50.237 50.2532 50.2694 50.2855

Periode 25 26 27 28 29 30 31 32 33 34 35 36

Nilai forecast 50.3017 50.3179 50.334 50.3502 50.3664 50.3825 50.3987 50.4149 50.4311 50.4472 50.4634 50.4796 |

4.2.3. Peramaian Pengujian Pada Kolom 302

4.2.3.1. Peramalan Pengujian Kadar Alkohol untuk Netral Alkohol Product Berikut ini adalah tahap-tahap peramalan untuk pengujian kadar alkohol:

1. Ideniifikasi alternatif model

Data pengujian kadar alkohol pada kolom 302 diplot berdasarkan urutan waktu (lihat lampiran 13). Karena Plot data menunjukkan bahwa data tidak bersifat stasioner. Maka langkah selanjutnya adalah ditarik differences scbesar 1 untuk mencapai kondis; stasioner (lihat lampiran 13).

Selanjutnya dibuat plot acfdsn pacf dari time series hasil differencing untuk menentukan alternatif model yang sesuai. (lihat lampiran 22).

Berdasarkan plot data acf dapat dilihat bahwa nilai acf mengalami cutt off pada lag 1. Ini berarti besarnya autokorelasi pada lag lebih besar dari 1 adalah tidak signifikan. Sedangkan pada plot pacf, nilai pacf mengalami cult off pada lag 1. Ini berarti besarnya autokorelasi parsial pada lag lebih besar dari 1 adalah tidak signifikan. Maka alternatif model yang akan dianalisa lebih

(11)

24

(12)

4.2.3.2. Peramalan Pengujian Aldehid untuk Impurity

Berikut ini adalah tahap-tahap perarnalan untuk pengujian kadar aldehid : 1. Identifikasi alternatif model

Data pengujian kadar aldehid pada kolom 302 diplot berdasarkan urutan waktu (lihat lampiran 14). Karena Plot data menunjukkan bahwa data tidak

(13)

26

(14)

(15)

28

(16)

(17)

30

d. Membandingkan nilai SSE.

Karena semua model diterima, maka dilakukan pemilihan dengan cara membandingkan nilai SSE terkecil. Berdasarkan dari hasil perhitungan output komputer diketahui bahwa nilai SSE terkecil adalah model Mixed Autoregresif-Moving Average (1,1,1), maka model inilah yang dipilih.

4. Hasil peramalan

Berikut ini adalah hasil peramalan sesuai dengan pemilihan model peramalan yang terbaik (Mixed Autoregresif-Moving Average (1,1,1)).

(18)

(19)

32

Tabel 4.8. Hasil Peramalan Kadar Alkohol-Storage

(20)

11 12

96.3056 96.306

23 24

(21)

34

(22)

output komputer diketahui bahwa nilai SSE terkecil adalah model Moving Average (0,1,1), maka model inilah yang dipilih.

4. Hasil peramalan

Berikut ini adalah hasil peramalan sesuai dengan pemilihan model peramalan yang terbaik (Moving Average (0,1,1)).

Tabel 4.9. Hasil Peramalan Kadar pH-Storage Periode

1

o

3 4 5 6 7 8 9 10 11 12

Niiaiforecast 5.95845 5.96356 5.96867 5.97378 5.97889 5.98401 5.98912 5.99423 5.99934 6.00446 6.00957 6.01468

Periode

13 14 15 16 17 18 19 20 21 22 23 24

Nil&iforecast 6.01979 6.02491 6.03002 6.03513 6.04024 6.04536

4.2.4.3. Peramalan Pengujian Kadar Aldehid-hnpurity

Berikut ini adalah tahap-tahap peramalan untuk pengujian kadar aldehid pada bagian storage :

1. Identifikasi alternatii model

Data pengujian kadar aldehid pada storags diplot berdasarkan urutan waktu (lihat lampiran 18). Karena Plot data menunjukkan bahwa data tidak bersifat stasioner. Maka langkah selanjutnya adalah ditarik differences sebesar 1 untuk mencapai kondisi stasioner (lihat lampiran 18).

Selanjutnya dibuat plot acfdan pacf dari time series hasil differencing untuk menentukan alternatif model yang sesuai. (lihat lampiran 27). Berdasarkan plot data acf dapat dilihat bahwa nilai acf mengalami cutt q//pada lag 1. Ini berarti besarnya autokorelasi pada lag lebih besar dari 1 adalah tidak signifikan. Sedangkan pada plot pacf, nilai pacf mengalami cutt offpada. lag 2. Ini berarti besarnya autokorelasi parsial pada lag lebih besar dari 2 adalah tidak signifikan. Maka alternatif model yang akan dianalisa lebih lanjut

(23)

36

(24)

Tabel 4.10. Hasil Peramalan Kadar Aldehid-Storage Periode

1 2 3 4 5 6 7 8 9 10 11 12

NWaiforecast 9.36783 9.39147 9.41511 9.43874 9.46238 9.48601 9.50965 9.53329 9.55692 9.58056 9.60419 9.62783

Periode 13 14 15 16 17 18 19 20 21 22 23 24

Nilaiforecast 9.65147 9.6751

L 9.69874 9.72237 9.74601 9.76965

(25)

38

(26)

(27)

40

Berikut ini adalah hasil peramalan sesuai dengan pemilihan model peramalan yang terbaik (Moving Average (0,1,1)).

Tabel4.ll Periode

1 2 3 4 5 6 7 8 9 10 11 12

. Hasil Peramalan Kadar Methanol-Storage Kilaiforecast

5.50938 5.49751 5.48564 5.47376 5.46189 5.45002 5.43814 5.42627 5.4144 5.40252 5.39065 5.37878

Periode 13 14 15 16 17 18 19 20 21 22 23 24

Nilsiiforecast 5.36691 5.35503 5.34316 5.33129 5.31941 5.30754

4.3. Perancangan Peta Kendali

Perancangan peta kendali EWbAV dilakukan dengan menghitung nilai Yk dari EWMA (persamaan 2.2). Nilai Yk yang telah diperoleh dimasukkan sebagai nilai Z;, kemudian menghitung nilai S dengan memakai persamaan (2 8). Nilea- nilai yang telah diperoleh digunakan untuk menentukan batas-batas kendali.

Berikut ini adalah perhitungan lengkap batas-batas kendali di tiap proses produksi.

4.3.1. Perancangan Peta Kendali EWMl'P'dds. Bagian Fermentasi 4.3.1.1. Perancangan Peta Kendali EWMVUntuk Kadar Alkohol

Peta mi dibangun dari 50 data (lampiran 2) dan menggunakan lambda (X) sebesar 0.4. Perhitungan batas-batas peta kendali dapat dilihat pada lampiran 40.

Pada perhitungan batas-batas kendali untuk kadar alkohol ini mengalami revisi sekali karena tidak semua data yang ada langsung masuk dalam batas kendali yang diperoleh.

Batas kendali yang diperoleh yaitu UCL = 0.6704 dan LCL =0.139.

4.3.1.2. Perancangan Peta Kendali EWMVUntuk Total Gula Sisa

Peta ini dibangun dari 50 data (lampiran 3) dan menggunakan lambda (X) sebesar 0.4. Perhitungan batas-batas peta kendali dapat dilihat pada lampiran 41.

(28)

revisi sama sekali karena semua data yang ada langsung masuk dalam batas kendali yang diperoleh.

Batas kendali yang diperoleh yaitu UCL = 0.2664 dan LCL = 0.0511.

4.3.2. Perancangan Peta Kendali EfVMV?ad& Kolom 301

Peta ini dibangun dari 80 data (lampiran 4) dan menggunakan lambda (A.) sebesar 0.4. Perhitungan batas-batas peta kendali dapat dilihat pada lampiran 42.

Pada perhitungan batas-batas kendali untuk kadar alkohol ini mengalami revisi dua kali sampai diperoleh batas kendali yang sesuai.

4.3.3. Perancangan Peta Kendali EWMVVada Kolom 302 4.3.3.1. Perancangan Peta Kendali EWMVUntuk Kadar Alkohol

Pada perhitungan batas-batas kendali untuk kadar alkohol itri mengalami revisi sampai dua kali sampai diperoleh data yang terkendali dan batas-batas kendali yang baru.

Batas kendali yang diperoleh yaitu UCL = 0.595 dan LCL = 0.12354.3.3.2. Perancangan Peta Kendali EWMVUntuk Kadar Aldehid

Pada perhitungan batas-batas kendali untuk kadar aldehid ini mengalami revisi dua kali karena data yang ada tidak langsung masuk dalam batas kendali baru.

4.3.3.3. Perancangan Peta Kendali EWMVUntuk Kadar Methanol

Pada perhitungan batas-batas kendali untuk kadar methanol ini mengalami revisi sekali sampai diperoleh batas kendali yang sesuai.

(29)

42

4.3.4. Perancangan Peta Kendali EWMVPada Storage

4.3.4.1. Perancangan Peta Kendali £M^WUntuk Kadar Alkohol

Pada perhitungan batas-batas kendali untuk kadar alkohol ini mengalami revisi satu kali sampai diperoleh data yang terkendali dan batas-batas kendali yang baru.

4.3.4.2. Perancangan Peta Kendali EWWUntuk Kadar pH

Pada perhitungan batas-batas kendali untuk kadar pH ini mengalami revisi sekali sampai diperoleh data yang terkendali dan batas-batas kendali yang baru.

4.3.4.3. Perancangan Peta Kendali EWMV Untuk Kadar Aldehid

Peta ini dibangun dari 87 data (lampiran 10) dan menggunakan lambda (X) sebesar 0.4. Perhitungan batas-batas peta kendali dapat dilihat pada lampiran 48. Pada perhitungan batas-batas kendali untuk kadar aldehid ini mengalami revisi dua kali karena semua data yang ada tidak langsung masuk dalam batas kendali yang baru.

4.3.4.4. Perancangan Peta Kendali EWMVUntak Kadar Methanol

Peta ini dibangun dari 87 data (lampiran 11) dan menggunakan lambda (X) sebesar 0.4. Perhitungan batas-batas peta kendali dapat dilihat pada lampiran 49. Pada perhitungan batas-batas kendali untuk kadar methanol ini mengalami revisi sampai empat kali sampai diperoleh data yang terkendali dan batas-batas kendali yang baru.

4.4. Monitoring

Monitoring dengan menggunakan peta kendali EWMV terhadap data-data yang baru (data bulan Mei) dilakukan dengan menghitung nilai S berdasarkan persamaan (2.8). Untuk nilai Z; diambil dari hasil peramalan kualitas yang telah dihitung pada langkah (4.1.). Sedangkan batas-batas kendali tetap menggunakan

(30)

batas-batas kendali yang telah dihitung pada langkah (4.2.). Berikut ini adalah monitoring proses produksi dengan menggunakan peta kendali yang baru.

4.4.1. Monitoring Peta Kendali EWMV Pada. Bagian Fermentasi 4.4.1.1. Monitoring Peta Kendali EWMVUntvk Kadar Alkohol

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 50. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.3.

Gambar 4.3. Monitoring Peta Kendali EWMV Untuk Kadar Alkohol

Berdasarkan gambar 4.3. dapat kita lihat bahwa data yang ada tidak menunjukkan kecenderungan naik atau turun yang signifikan. Hal ini menunjukkan bahwa proses produksi yang terjadi pada saat itu telah terkendali dengan batas-batas kendali yang baru.

4.4.1.2. Monitoring Peta Kendali EWhAVUntvk Total Gula Sisa

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 51. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.4. Berdasarkan gambar 4.4. dapat kita lihat bahwa beberapa data awal cenderung untuk bergerak turun, namun karena data aktual masih dalam batas toleransi (tidak ada yang salah dalam proses produksi) dan pergerakan nilai S masih dalam batas kendali maka

(31)

44

proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

Gambar 4.4. Monitoring Peta Kendali EWMV Untuk Total Gula Sisa

4.4.2. Monitoring Peta Kendali EWMV Pada Kolom 301

Perhitungan nilai S dari peta kendali EWhW dapat dilihat pada lampiran 52. Hasil monitormg menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.5. Berdasarkan gambar 4.5. dapat kita lihat bahwa data menunjukkan kecenderungan naik namun karena masih jauh dibawah nilai UCL maka dapat diambil kesimpulan bahwa proses masih terkendali.

Gambar 4.5. Monitoring Peta Kendali EWMV P&da. Kolom 301

(32)

4.4.3. Monitoring Peta Kendali EWMVVada. Kolom 302 4.4.3.1. Monitoring Peta Kendali EWMV Untuk Kadar Alkohol

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 53. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar4.6. Berdasarkan gambar 4.6. dapat kita lihat bahwa data yang ada tidak menunjukkan kecenderungan naik atau turun yang signifikan, tetapi pergerakan data mendekati garis LCL. Hal ini perlu diwaspadai karena pergerakan yang ada akan sangat sensitif meskipun proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

Gambar 4.6. Monitoring Peta Kendali EWMVMrtivk Kadar Alkohol

4.4.3.2. Monitoring Peta Kendali EWMVMnivk Kadar Aldehid

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 54. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.7. Berdasarkan gambar 4.7. dapat kita lihat bahwa data yang ada tidak menunjukkan kecenderungan naik atau turun yang signifikan. Hal ini menunjukkan bahwa proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

(33)

46

Gambar 4.7. Monitoring Peta Kendali EWMVMvUOik. Kadar Aldehid

4.4.3.3. Monitoring Peta Kendali EWMVUntuk Kadar Methanol

Perhitungan nilai S dari peta kendali EWK4V dapat dilihat pada lampiran 55. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.8.

Gambar 4.8. Monitoring Peta Kendali EWMV Untuk Kadar Methanol Berdasarkan gambar 4.8. dapat kita lihat bahwa pada data awal menunjukkan kecenderungan turun sampai pertengahan data dan setelah itu kembali bergerak normal. Hal itu terjadi karena data aktual yang ada ternyata juga menunjukkan adanya penurunan yang signifikan pada pertengahan data. Namun karena masih dalam batas kendali dan data-data selanjutnya kembali normal maka proses produksi yang terjadi pada saat itu masih terkendali.

(34)

4.4.4. Monitoring Peta Kendali EWK4V Pada Storage

4.4.4.1. Monitoring Peta Kendali EWMV Untuk Kadar Alkohol

Perhitungan nilai S daii peta kendali EWMV dapat dilihat pada lampiran 56. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.9. Berdasarkan gambar 4.9. dapat kita lihat bahwa data yang ada tidak menunjukkan kecenderungan naik atau turun yartg signifikan, hanya saja pergerakan data yang cenderung di bawah UCL. Hal ini menunjukkan bahwa proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

Gambar 4.9. Monitoring Peta Kendali EWMWntuk Kadar Alkohol

4.4.4.2. Monitoring Peta Kendali EWAJVUntuk Kadar pH

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 57. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali Cterkendali) yang dapat dilihat pada gambar 4.10 Berdasarkan gambar 4.10. dapat kita lihat bahwa pada data awal menunjukkan kecenderungan turun sampai pertengahan data dan setelah itu kembali bergerak normal. Hal itu terjadi karena data aktual yang ada ternyata juga menunjukkan adanya penurunan yang signifikan pada pertengahan data. Namun karena masih dalam batas kendali dan data-data selanjutnya kembali normal maka proses produksi yang terjadi pada saat ltu masih terkendali.

(35)

48

Gambar 4.10. Monitoring Peta Kendali EWMV Untuk Kadar pH

4.4.4.3. Monitoring Peta Kendali ElVMVUntuk Kadar Aldehid

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 58. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk dalam batas kendali (terkendali) yang dapat dilihat pada gambar 4.11. Berdasarkan gambar 4.11. dapat kita lihat bahwa pergerakan data yang ada tidak menunjukkan kecenderuiigan naik atau turun yang signifikan. Hal ini menunjukkan bahwa proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

Gambar 4.11. Monitoring Peta Kendali EWMVUntvk Kadar Aldehid

4.4.4.4. Monitoring Peta Kendali EWMV Untuk Kadar Methanol

Perhitungan nilai S dari peta kendali EWMV dapat dilihat pada lampiran 59. Hasil monitoring menunjukkan bahwa semua data baru yang ada masuk daiam

(36)

kecenderungan naik atau turun yang signifikan. Yang perlu dicermati adalah pergerakan data yang cenderang berada di dekat UCL, namun karena masih dalam batas kendali, maka proses produksi yang terjadi pada saat itu masih terkendali dengan batas-batas kendali yang baru.

Gambar 4.12. Monitormg Peta Kendali K'WMV Untuk Kadar Aldehid