commit to user
PERBANDINGAN GRAFIK PENGENDALI
GRAND MEDIAN
DAN CUSUM PADA VARIABEL BERAT
SHUTTLECOCK
DI CV MARJOKO KOMPAS DAN DOMAS
Nurul Musdalifah, Sri Sulistijowati Handajani, Etik Zukhronah Program Studi Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Abstrak. Persaingan antar perusahaan sejenis menyebabkan perusahaan harus mam-pu menjamin kualitas produksi agar tidak mengalami kebangkrutan. Untuk menjamin kualitas produksi maka dilakukan pengontrolan produksi menggunakan pengendali-an kualitas statistik yaitu grafik pengendali. Grafik pengendali ypengendali-ang biasa digunakpengendali-an untuk data berdistribusi normal adalah grafik pengendaliShewhart. Namun data pro-duksi seringkali tidak berdistribusi normal dan mengalami pergeseran rata-rata yang kecil. Grafik pengendali grand median merupakan grafik untuk data tidak berdis-tribusi normal sedangkan grafik pengendali CUSUM merupakan grafik yang sensitif dalam mendeteksi pergeseran rata-rata yang kecil. Kedua grafik pengendali diterap-kan pada data berat shuttlecock di CV Marjoko Kompas dan Domas. Untuk dapat membandingkan kedua grafik pengendali, dibangkitkan data sesuai distribusi sebenar-nya. Data yang dibangkitkan digunakan untuk simulasi nilai pengali standar deviasi grafik grand median dan CUSUM. Simulasi dilakukan untuk menghasilkan Average Run Length (ARL) sebesar 370. Grafik pengendaligrand median mendeteksi 10 titik yang tidak terkendali sedangkan grafik pengendali CUSUM mendeteksi 1 titik tidak terkendali. Dari banyaknya titik tidak terkendali dapat disimpulkan grafik pengen-dali grand median lebih baik digunakan karena lebih banyak mendeteksi titik tidak terkendali daripada grafik pengendali CUSUM.
Kata Kunci: grafik pengendali grand median, grafik pengendali CUSUM, ARL.
1.
Pendahuluan
Pasar bebas menyebabkan transaksi perdagangan antar wilayah di berbagai
belahan dunia dapat dilakukan secara mudah dan cepat. Hal tersebut
menye-babkan banyak perusahaan sejenis dapat memasarkan produknya pada wilayah
yang sama sehingga menimbulkan persaingan antar perusahaan sejenis. Jaminan
kualitas produksi merupakan suatu cara agar perusahaan mampu bersaing
de-ngan perusahaan sejenis. Upaya untuk menjaga dan meningkatkan kualitas dari
produk yang dihasilkan dapat dilakukan dengan pengendalian kualitas proses
se-cara statistik (Ramadhani [6]).
commit to user
Grafik pengendali yang biasa digunakan adalah grafik pengendali
Shewhart
(¯
x
) dengan asumsi yang harus dipenuhi yaitu variabel random berdistribusi
nor-mal. Pada karakteristik kualitas produksi seringkali ditemukan data tidak
me-nyebar sesuai distribusi normal atau dapat dikatakan data tidak berdistribusi
normal. Oleh karena itu digunakan pendekatan dengan grafik pengendali
nonpa-rametrik yang tidak memerlukan asumsi distribusi normal yaitu grafik pengendali
grand median. Grafik pengendali
grand median
menggunakan pengamatan yang
nilainya melebihi nilai
grand median
(Altukife [1]).
Data produksi juga seringkali mengalami pergeseran rata-rata yang kecil.
Oleh karena itu digunakan grafik pengendali CUSUM yang sensitif dalam
men-deteksi terjadinya pergeseran rata-rata yang kecil. Perbandingan kedua grafik
dilakukan untuk mengetahui grafik pengendali yang lebih sensitif dalam
mende-teksi pergeseran proses kecil pada data yang tidak berdistribusi normal. Data
yang digunakan adalah data berat
shuttlecock
di CV Marjoko Kompas dan
Do-mas.
2.
Grafik Pengendali
GRAND MEDIAN
Grand median
merupakan statistik yang digunakan untuk mengukur pusat
dari
m
sampel pengamatan yang berukuran
n
(Altukife [1]).
Grand median
di-definisikan sebagai
e
diperoleh dengan mencari median dari kombinasi total
N
,
dimana
N
adalah
m
sampel yang masing-masing berukuran
n
. Struktur data
sampel selengkapnya dapat dilihat pada Tabel 1.
Tabel 1. Struktur Data Sampel
1
2
· · ·
n
x
1.1x
1.2· · ·
x
1.nx
2.1x
2.2· · ·
x
2.n...
...
. ..
...
x
m.1x
m.2· · ·
x
m.nGrafik pengendali
grand median
merupakan grafik pengendali yang
meng-gunakan pengamatan yang nilainya melebihi
grand median. Diasumsikan
O
1iadalah jumlah pengamatan yang nilainya melebihi
e
pada sampel ke-
i
dan
O
2iadalah jumlah pengamatan yang nilainya kurang dari atau sama dengan
e
pada
sampel ke-
i
. Peluang terjadinya kejadian
O
1idan
O
2iadalah 0.5. Dengan
demi-kian distribusi
O
1iuntuk
i
= 1
,
2
,
3
, ...m
adalah binomial(
n,
1
/
2). Rata-rata dan
variansi distribusi binomial yaitu
µ
=
n
2
(2.1)
σ
2=
n
commit to user
Batas pengendali grafik pengendali
grand median
didefinisikan sebagai
LCL
=
µ
−
D
√
σ
2(2.3)
CL
=
µ
U CL
=
µ
+
D
√
σ
2(2.4)
dengan
D
adalah pengali standar deviasi yang dipilih untuk menghasilkan
ni-lai probabilitas kesalahan tipe I (Altukife [1]). Persamaan (2.1) dan (2.2)
di-substitusikan ke persamaan (2.3) dan (2.4) menghasilkan batas pengendali grafik
pengendali
grand median
sebagai berikut.
LCL
=
n
2
−
D
√
n
4
(2.5)
CL
=
n
2
U CL
=
n
2
+
D
√
n
4
.
(2.6)
3.
Grafik Pengendali CUSUM
Grafik pengendali CUSUM menghimpun semua informasi dari sampel
per-tama sampai sampel terakhir. Misalkan sampel-sampel berukuran
n
≥
1
dikum-pulkan dan ¯
x
iadalah rata-rata sampel ke
i, µ
0adalah target dari rata-rata proses.
Jika rata-rata tersebut bergeser misalkan menjadi
µ
1> µ
0, maka terjadi
perge-seran positif pada nilai CUSUM
C
i. Jika rata-rata tersebut bergeser misalkan
menjadi
µ
1< µ
0,
maka terjadi pergeseran negatif pada nilai CUSUM
C
i. Besar
pergeseran proses didefiniskan dengan
δ
=
µ
1−
µ
0σ
.
Titik-titik pengamatan grafik pengendali CUSUM dapat dibentuk
menggu-nakan tabular CUSUM didefinisikan Koshti [4] sebagai berikut.
C
i+=
maks
[
0
,
x
¯
i−
(
µ
0+
K
) +
C
i−1+
]
(3.1)
C
i−=
maks
[
0
,
(
µ
0−
K
)
−
x
¯
i+
C
i−1−]
(3.2)
dengan nilai awal
C
0+dan
C
0−bernilai 0. Sedangkan
K
adalah nilai referensi
yang didefinisikan sebagai
K
=
δ
2
σ
=
|
µ
1−
µ
0|
2
commit to user
sebagai
LCL
=
−
hσ
(3.3)
U CL
=
hσ
(3.4)
dengan
h
adalah pengali standar deviasi yang dipilih untuk menghasilkan nilai
Average Run Lenght
(
ARL
) yang diharapkan (Montgomery [5]).
4.
Average Run Length
(
ARL
)
Average Run Lenght
(ARL) adalah rata-rata banyaknya sampel yang harus
diamati sampai ditemukan tanda tidak terkendali yang pertama.
ARL
dihitung
dari rata-rata simulasi
run length
.
Run length
didefinisikan sebagai jumlah sampel
yang diperlukan sampai ditemukan sampel yang keluar dari batas pengendali.
Secara umum persamaan untuk menghitung
ARL
adalah
ARL
=
1
P r
(
menolak H
0|
H
0benar
)
=
1
α
,
(4.1)
dengan
α
adalah probabilitas kesalahan tipe I yaitu probabilitas mengatakan
grafik tidak terkendali padahal sebenarnya grafik terkendali (Montgomery [5]).
Teknik pendekatan untuk menghitung
ARL
adalah menggunakan
pende-katan Siegmund untuk satu sisi
C
i+dan
C
i−yang didefinisikan Montgomery [5]
sebagai
ARL
=
{
exp(−2∆b)+2∆b−12∆2
; untuk ∆
̸
= 0
b
2; untuk ∆ = 0
(4.2)
dengan
∆ =
δ
−
k
untuk
C
i+dan ∆ =
−
δ
−
k
untuk
C
−i
,
b
=
h
+ 1
.
166,
k
=
Kσ
.
Untuk
ARL
dua sisi dapat dituliskan
1
ARL
=
1
ARL
++
1
ARL
−.
Perbandingan kedua grafik pengendali dapat dilakukan apabila kedua grafik
pengendali memiliki nilai
ARL
yang sama. Nilai
ARL
diperoleh dengan
mene-tapkan nilai
α
. Simulasi nilai pengali standar deviasi (
D
dan
h
) dilakukan untuk
menghasilkan nilai
ARL
yang diharapkan. Simulasi dilakukan dengan
membang-kitkan data sesuai distribusi data pengamatan.
5.
Uji Distribusi Data
commit to user
(1) Hipotesis
H
0: Data produksi berat
shuttlecock
berdistribusi tertentu.
H
1: Data produksi berat
shuttlecock
tidak berdistribusi tertentu.
(2) Taraf signifikasi
α
=0.05.
(3) Daerah kritis (DK)
DK =
{
A
∗|
A
∗> A
α
}
.
H
0ditolak apabila
A
∗∈
DK.
(4) Statistik uji
AD
=
−
N
−
N
∑
i=1
(2
i
−
1)
N
[
lnF
(
Z
t+
ln
(1
−
F
(
Z
N+1−t))]
,
dengan
AD
: statistik uji Anderson-Darling,
N
: banyak pengamatan,
Z
t: data yang telah distandardisasi,
F
(
Z
t) : nilai fungsi distribusi kumulatif normal baku di
Z
t.
Uji untuk data berdistribusi normal menggunakan modifikasi statistik uji
AD dituliskan sebagai
A
∗=
AD
(1 +
0
.
75
N
+
0
.
25
N
2)
.
Uji distribusi yang memiliki nilai AD paling kecil mengindikasikan bahwa
distri-busi tersebut paling tepat mendasari proses (Wibawati [7]).
6.
Metode Penelitian
Data yang digunakan pada penelitian ini adalah data primer variabel berat
shuttlecock
dari produsen
shuttlecock
CV Marjoko Kompas dan Domas di
Kabu-paten Sukoharjo. Data yang diambil sebanyak 50 sampel, dengan setiap sampel
berukuran 20.
Sebelum menerapkan kedua grafik pengendali, terlebih dahulu ditentukan
nilai pengali standar deviasi
D
dan
h
. Nilai pengali tersebut dipilih untuk
meng-hasilkan
ARL
yang diharapkan. Langkah-langkah dalam menentukan nilai
D
dinyatakan sebagai berikut.
(1) Membangkitkan data sesuai distribusi data yang sebenarnya sebanyak
1000, kemudian menghitung
grand median.
(2) Menentukan sembarang nilai
D
kemudian dibuat batas pengendali.
(3) Membangkitkan data dengan distribusi yang sesuai dengan data
sebenar-nya dengan ukuran sampel 20, kemudian menghitung statistik
O
1iyaitu
commit to user
(5) Jika nilai
O
1iberada dalam grafik pengendali maka kembali lagi langkah 3
dan jika berada di luar batas pengendali maka dicatat sebagai
Run Length
(
RL
).
(6) Langkah ke (3) sampai langkah ke (5) diulangi sebanyak 1000 kali.
(7) Menghitung
ARL
dengan menjumlahkan nilai
RL
keseluruhan kemudian
dibagi 1000.
Sedangkan langkah-langkah untuk menentukan nilai
h
grafik pengendali CUSUM
dinyatakan sebagai berikut.
(1) Menentukan besar pergeseran proses.
(2) Memberikan nilai awal
h
dan menghitung
ARL
grafik pengendali
CU-SUM.
(3) Mengulangi langkah (1) dan (2) sampai diperoleh
ARL
yang diharapkan.
Selanjutnya adalah menerapkan kedua grafik pengendali pada data
penga-matan. Langkah-langkahnya sebagai berikut.
(1) Menerapkan grafik pengendali
grand median.
(a) Menentukan
grand median
kemudian mencari pengamatan pada
se-tiap sampel yang nilainya melebihi
grand median
.
(b) Banyaknya pengamatan yang nilainya melebihi
grand median
pa-da setiap sampel diplotkan papa-da batas pengenpa-dali grafik pengenpa-dali
grand median.
(c) Menghitung dan mencatat titik-titik yang berada di luar batas
pe-ngendali.
(2) Menerapkan grafik pengendali CUSUM.
(a) Menentukan besarnya pergeseran proses dan pengali standar deviasi.
(b) Menghitung nilai tabular CUSUM untuk
C
i+dan
C
−i
sebagai titik
pengamatan grafik pengendali CUSUM.
(c) Menghitung dan mencatat titik-titik yang berada di luar batas
pe-ngendali.
(3) Membandingkan kedua grafik pengendali.
7.
Hasil dan Pembahasan
Menguji data merupakan hal yang harus dilakukan untuk mengetahui data
pengamatan mengikuti suatu bentuk distribusi tertentu. Langkah-langkah uji
hipotesis menggunakan statistik uji AD dituliskan sebagai berikut.
(1) Hipotesis
commit to user
(2) Taraf signifikasi
α
=0.05.
(3) Daerah kritis (DK)
DK =
{
A
∗|
A
∗> A
α
=
A
0.05= 0
.
752
}
.
H
0ditolak apabila
A
∗∈
DK.
(4) Statistik uji
A
∗=
AD
(1 +
0
.
75
N
+
0
.
25
N
2)
Pada Tabel 2 diperoleh nilai AD untuk beberapa distribusi sehingga dapat
diperoleh statistik uji
A
∗bernilai 1.068.
(5) Kesimpulan
Karena
A
∗sebesar 1
.
068
∈
DK
,
H
0
ditolak artinya data produksi berat
shuttlecock
tidak berdistribusi normal.
Hasil statistik uji AD pada beberapa distribusi ditunjukkan pada Tabel 2.
Uji distribusi yang memenuhi nilai
AD
paling kecil adalah distribusi Weibull 3
parameter. Selanjutnya dilakukan uji hipotesis untuk data berdistribusi Weibull 3
parameter. Uji hipotesis menggunakan
H
0data berdistribusi Weibull 3 parameter
diperoleh nilai statistik uji
A
∗= 0
.
648
< A
0.05
= 2
.
492. Karena
A
∗̸∈
DK, H
0tidak ditolak yang artinya data pengamatan berdistribusi Weibull 3 parameter.
Tabel 2. Hasil Statistik Uji Anderson-Darling
Distribusi
AD p
−
value
Distribusi
AD p
−
value
Normal
1.067
0.008 Smallest EV 18.927
<
0
.
001
Lognormal
0.762
0.047 Largest EV
5.705
<
0
.
001
Exponential
442.195
<
0
.
003 Gamma
0.857
0.028
2-p Exp
176.951
<
0
.
0010 Logistic
1.384
<
0
.
005
Weibull
17.243
<
0
.
001 Loglogistic
1.237
<
0
.
005
3-p Weibull
0.648
0.068
Uji distribusi data dilakukan untuk membangkitkan data sesuai distribusi
sebenarnya. Data yang dibangkitkan digunakan untuk simulasi pengali standar
deviasi yang menghasilkan
ARL
sebesar 370. Hasilnya diperoleh nilai
D
sebesar
2.71 melalui persamaan (4.1) dan nilai
h
sebesar 4.87 melalui persamaan (4.2).
Banyaknya pengamatan yang melebihi
grand median
(
O
1i) merupakan titik-titik
pengamatan grafik pengendali
grand median. Melalui persamaan (2.5) dan (2.6)
diperoleh LCL sebesar 3.9043 dan UCL sebesar 16.0597.
commit to user
UCL
LCL UCL
LCL
(a) (b)
Gambar 1. Grafik Pengendali (a)Grand Median dan (b)CUSUM
Gambar 1(a) menunjukkan grafik pengendali
grand median
dengan LCL
sebesar 3.94 dan UCL sebesar 16.06 mendeteksi 10 titik yang berada di luar
ba-tas pengendali, sedangkan Gambar 1(b) menunjukkan grafik pengendali CUSUM
dengan LCL sebesar
−
0
.
2922 dan UCL sebesar 0.2922 mendeteksi 1 titik yang
tidak terkendali. Titik pengamatan yang berada di luar batas pengendali LCL
dan UCL pada grafik
grand median
adalah sampel ke 11, 24, 27, 29, 30, 31, 38,
39, 41, dan 45, sedangkan pada grafik pengendali CUSUM adalah sampel ke 18.
8.
Kesimpulan
Simulasi pengali standar deviasi yang menghasilkan
ARL
sebesar 370
di-peroleh nilai
D
sebesar 2.71 dan
h
sebesar 4.87 untuk mendapatkan LCL dan
UCL kedua grafik pengendali. Dari banyaknya titik yang tidak terkendali dapat
disimpulkan bahwa grafik pengendali
grand median
lebih baik digunakan untuk
data berat
shuttlecock
berdistribusi Weibull 3 parameter dibandingkan grafik
pe-ngendali CUSUM karena mendeteksi lebih banyak titik tidak terkendali.
Daftar Pustaka
1. Altukife, F.S., A New Nonparametric Control Chart Based on Observations Exceeding The Grand Median, Pakistan Journal of Statistic19 (2003), no. 3, 343–351.
2. Fallo, J.O., Setiawan, dan Susanto, B., Perbandingan Uji Berdasarkan Anderson-Darling, Cramer, dan Liliefors, Prosiding Seminar Nasional Matematika, UNNES, Semarang, 2013. 3. Ferdinant, P.F., Pengendalian Kualitas Proses dengan Peta Kendali CUSUM dan EWMA,
Prosiding Seminar Nasional Industrial Services (SNIS) III, UNTIRTA, Banten, 2013. 4. Koshti, V.V.,Cumulative Sum Control Chart, International Journal of Phisics And
Mathe-matical Sciences 1(1)(2011), 28–32.
5. Montgomery, D.C., Introduction to Statistical Quality Control, 6th
ed., John Willey and Sons, Washington, 2009.
6. Ramadhani, G.S.,Analisis Pengendalian Kualitas Menggunakan Diagram Kendali Demerit, Skripsi, FMIPA Universitas Diponegoro, Semarang, 2014.