Bab VII Contoh Aplikasi
Dalam bab ini akan diberikan ilustrasi tentang aplikasi statistik penguji VVVS dalam memonitor kestabilan matriks korelasi pada proses produksi dudukan kabel tegangan tinggi (flange) di PT PINDAD (Persero). Pemonitoran tersebut akan dilakukan dengan menggunakan pendekatan Multivariate Statistical Process Control (MSPC). Hal ini dapat ditemukan dalam Herdiani dan Djauhari (2007).
VII.1 Pendekatan MSPC
Misalkan dimiliki m sampel acak yang masing-masing berukuran n1, n2,…, dan nm dan sampel yang satu saling bebas dengan sampel yang lain. Sampel ini berasal dari distribusi normal p-variate normal dengan matriks variansi kovariansi Σ1, Σ2, …, Σm yang masing-masing bersifat definit positif. Misalkan Pi adalah matriks korelasi populasi ke-i
and Ri adalah matriks korelasi sampel ke-i. Dengan menggunakan pendekatan MSPC,
maka pengujian hipotesis 0
H : P1 = P2 = … = Pm (=P0) lawanH : 1 Pi ≠ Pj untuk suatu i ≠j adalah ekivalen dengan pengujian
0
H : Pi =P0 lawanH : 1 Pi ≠ P0
yang dilakukan berturut-turut untuk i = 1, 2, ... , m. Pendekatan seperti ini dapat dlihat dalam Alt dan Smith (1988), Wierda (1994), Woodall, W.H., dan Montgomery, D.C. (1999) dan Montgomery (2001 dan 2005) dan Djauhari (2005a) dan pustaka-pustaka di dalamnya..
Berdasarkan pendekatan MSPC, dengan menggunakan distribusi asimtotik VVVS sampel yang telah dikemukakan dalam Bab IV dan Bab V, maka kestabilan barisan matriks korelasi dimonitor dengan cara:
1. Memplot VVVS sampel vec R( )i 2 diplot untuk semua i = 1, 2, … , m;
BKA = µ0 + 0 2 z .ασ dan BKB = max {0, µ0 – 0 2 z .ασ } di mana a. µ0 ≈ ( ) 2 0 vec P ; b. σ0 ≈
(
( )
)
(
( )
)
t 0 p 0 p 0 8 vec P M M vec P n 1− Φ ; c. Φ0 ={
Ip2 −(
Ip⊗P0)
Λp}
(
P0⊗P0)
{
Ip2 −Λp(
Ip⊗P0)
}
dan d. 2zα adalah kuantil ke-
(
1)
2−α dari distribusi normal standar.
3. Hipotesis tentang kestabilan barisan matriks korelasi ditolak pada tingkat keberartian α jika ada nilai k sehingga v e c R( )k 2 melebihi BKA atau kurang
dari BKB.
Apabila P0 tidak diketahui, maka µ0dan σ0 harus ditaksir. Misalkan taksirannya adalah ˆ
µ dan σˆ2. Dalam hal ini, batas-batas kontrolnya adalah
BKA = µˆ + 2 z ˆ n 1− α σ dan BKB = max {0, µˆ – 2 z ˆ n 1− α σ}.
Pada bagian selanjutnya akan diperlihatkan bagaimana caranya mencari penaksir µˆ dan
2 ˆ
σ .
VII.2 Penaksiran Parameter
Misalkan N = m i i 1 n =
∑
. Jadi, Rtotal = m i i i 1 1 n RN
∑
= menyatakan matriks korelasi total. Jikasemua ukuran sampel sama yaitu n0, maka Rtotal = R =
m i i 1 1
R
m
∑
= adalah rata-rata dari mbuah matriks korelasi. Dengan menggunakan pendekatan yang sama seperti yang dikemukakan dalam Montgomery (2001, hal. 534 dan 2005, hal. 513), penulis mengambil
total
R sebagai taksiran untuk P0. Oleh karena itu, berdasarkan pendekatan ini, maka µˆ
≈ ( )2
total
vec R dan σˆ2 ≈ 8
(
vec R(
total)
)
tMpˆMp(
vec R(
total)
)
n 1− Φ di mana
ˆ
Φ =
{
Ip2 −(
Ip ⊗Rtotal)
Λp}
(
Rtotal⊗Rtotal)
{
Ip2 −Λp(
Ip ⊗Rtotal)
}
.VII.3 Contoh
Pada Tabel VII.1 disajikan m = 22 buah matriks kovariansi sampel yang saling bebas. Sampel ini digunakan untuk memonitor proses produksi dudukan kabel tegangan tinggi (flange) di PT PINDAD (Persero), Bandung, Jawa Barat. Ada p = 3 karakteristik kualitas produksi yang menjadi acuan. Setiap sampel memiliki ukuran yang sama yakni n0 = 4.
Kestabilan matriks kovariansinya telah dilaporkan dalam Djauhari (2005a). Di bawah ini akan diselidiki tentang kestabilan matriks korelasinya. Pertama, dengan menggunakan statistik VVVS melalui pendekatan MSPC. Kedua, dengan menggunakan statistik M-Box yang kemudian dilanjutkan dengan menggunakan statistik Jennrich. Hasil yang diberikan ketiga statistik itu akan dibandingkan.
VII.3.1 Pengujian melalui Statistik VVVS dengan Pendekatan MSPC
Langkah pertama adalah menghitung matriks korelasi untuk setiap sampel berdasarkan data pada Tabel VII.1. Selanjutnya dihitung nilai VVVS sampel yang tidak lain sama dengan jumlah kuadrat semua elemen dari matriks korelasi. Hasilnya dapat dilihat pada Tabel VII.2.
Tabel VII.1. Matriks kovariansi sampel
Sampel Matriks Kovariansi Sampel Matriks Kovariansi
1 0.00020 -0.00072 -5.34E-05 12 0.00117 -0.00199 -0.00017 -0.00072 0.031654 -0.00144 -0.00199 0.00661 0.00016 -5.34E-05 -0.00144 0.00026 -0.00017 0.00016 0.00029 2 0.00119 -0.00193 -0.00012 13 8.69E-05 -0.00030 5.17E-05 -0.00193 0.02558 0.00052 -0.0003 0.00878 0.00022 -0.00012 0.00052 2.87E-05 5.17E-05 0.00022 0.00015 3 0.00235 -0.00094 -0.00014 14 0.00094 -0.00085 4.33E-05 -0.00094 0.00944 -0.00011 -0.00085 0.00241 -8.56E-05
-0.00014 -0.00011 2.36E-05 4.33E-05 -8.56E-05 5.58E-06
4 0.00052 -0.00182 -4.5E-05 15 0.00027 -0.00180 6.88E-06
-0.00182 0.02120 0.00059 -0.00180 0.02884 -0.00031
-4.53E-05 0.00059 0.00003 6.88E-06 -0.00031 2.57E-05
5 0.00080 -0.00077 -7.93E-05 16 0.00307 -0.00508 -1.68E-05
-0.00077 0.02053 -5.13E-05 -0.00508 0.09693 -0.00080
-7.93E-05 -5.13E-05 4.16E-05 -1.68E-05 -0.00080 1.77E-05
6 0.00106 -0.00128 5.75E-05 17 0.00052 -0.00193 -9.3E-05
-0.00128 0.01165 -0.00047 -0.00193 0.03410 0.00034
5.75E-05 -0.00047 7.03E-05 -9.3E-05 0.00034 5.17E-05
7 0.00038 -0.00053 8.71E-05 18 0.00129 -0.00179 -9.75E-06
-0.00053 0.00470 0.00011 -0.00179 0.02035 -0.00025
8.71E-05 0.00011 8.23E-05 -9.75E-06 -0.00025 3.27E-05
8 0.00019 3.95E-05 -6.5E-05 19 9.17E-07 5.69E-05 1.25E-06
3.95E-05 0.00178 -0.00012 5.69E-05 0.02260 7.50E-05
-6.5E-05 -0.00012 6.93E-05 1.25E-06 7.50E-05 0.00001
9 0.00052 -0.00193 -9.3E-05 20 0.00076 -0.00055 9.33E-05
-0.00193 0.03410 0.00034 -0.00055 0.02707 -0.00042
-9.3E-05 0.00034 5.17E-05 9.33E-05 -0.00042 0.00021
10 0.00129 -0.00179 -9.75E-06 21 0.00056 -0.00213 -9.6E-05
-0.00179 0.02035 -0.00025 -0.00213 0.03132 0.00033
-9.75E-06 -0.00025 3.27E-05 -9.6E-05 0.00033 5.17E-05
11 0.00151 -0.00090 -0.00033 22 0.00474 -0.00483 -0.00013
-0.00090 0.00386 0.00026 -0.00483 0.02474 0.00020
Tablel VII.2. Nilai dari VVVS sampel
Sampel vec R( )i 2 Sampel ( )
2 i vec R 1 3,7829 12 4,2190 2 4,8359 13 3,7261 3 3,8950 14 5,4396 4 4,8089 15 4,0988 5 3,4563 16 3,9297 6 3,8942 17 4,2032 7 3,8616 18 3,4362 8 3,8839 19 3,5914 9 4,2032 20 3,1991 10 3,4362 21 4,2856 11 4,6374 22 3,9463
Setelah melalui berbagai perhitungan seperti perhitungan Rtotal, ( ) 2 total
vec R ,
p
M , Φˆ , dan Λ maka akan diperoleh p
a. µˆ ≈ vec R( total)2 = 3,2927,
b. Φˆ =
{
Ip2 −(
Ip⊗Rtotal)
Λp}
(
Rtotal ⊗Rtotal)
{
Ip2 −Λp(
Ip⊗Rtotal)
}
= 0 0 0 0 0 0 0 0 0 0 0,8837 -0,0933 -0,1028 0 0,0211 0,0027 -0,1493 0 0 -0,0933 0,9712 0,0109 0 -0,3301 -0,0279 0,01 0 0 -0,1028 0,0109 0,8837 0 -0,1816 -0,0303 0,0002 0 0 0 0 0 0 0 0 0 0 0 0,0211 -0,3301 -0,1817 0 0,9987 0,0004 -0,0013 0 0 0,0027 -0,0279 -0,0303 0 0,0004 0,9712 -0,3471 0 0 -0,1493 0,01 0,0002 0 -0,0013 -0,3471 0,9987 0 0 0 0 0 0 0 0 0 0 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ , dan c. σˆ2 ≈ 8
(
vec R(
)
)
tM ΦˆM(
vec R(
)
)
= 0,5605Dari hasil perhitungan itu, dengan mengambil taraf kebermaknaan α = 5 %,maka akan diperoleh BKB = 1,8253 dan BKA= 4,7601. Apabila BKB, BKA dan nilai-nilai dari VVSV sampel pada Tabel VII.2 diplot, grafik yang dihasilkan akan tampak seperti dalam Gambar VII.1. 0 1 2 3 4 5 6 1 3 5 7 9 11 13 15 17 19 21 Sampel N ilai d a ri VVSV Sam p el BKB = 1,8253 BKA = 4,7601
Gambar VII.1. Bagan kontrol VVVS Sampel untuk proses produksi dudukan kabel tegangan tinggi
Pada gambar ini memberikan sinyal bahwa kestabilan matriks korelasi ditolak karena VVVS sampel ke-2, 4 dan 14 lebih besar dari batas atasnya.
VII.3.2 Pengujian melalui Statistik M-Box
Untuk menguji hipotesis kestabilan matriks korelasi, Tang (1998), Annaert et al. (2003), dan Da Costa Jr dkk (2005), menggunakan statistik M-Box
M = nlnRtotal −
∑
ln Ri mi i =1
n
yang telah dikemukakan pada Bab II. Kestabilan ditolak pada tingkat keberartian α jika M
Tabel VII.1, pada Tabel VII.3 disajikan nilai berbagai statistik yang dibutuhkan untuk menghitung M.
Tabel VII.3. Berbagai statistik dalam statistic M-Box
Statistik D 1 D 2 f 1 f 2 b
Nilai 0,2831 0,1091 126 4,42E+003 1,83E+002
Dari tabel ini diperoleh M = 40,1124 dan M
b = 0,2191. Jika diambil α = 5 %, maka akan diperoleh titik kritis F0 ,05;126 ,4.42E+003 = 0,8001. Dengan demikian, M
b < F0 ,05;126 ,4.42E+003 yang berarti bahwa hipotesis kestabilan matriks korelasi diterima.
VII.3.3 Pengujian melalui Statistik Jennrich
Untuk menguji hipotesis kestabilan barisan matriks korelasi, Jennrich (1970) mengusulkan penggunaan statistik berikut
J =
( )
2 t 1 i i i 1 Tr Z S 2 − ⎧ − ⎫ ⎨ ⎬ ⎩ ⎭∑
m ∆ ∆ i =1seperti yang telah diutarakan pada Bab II. Kestabilan ditolak pada tingkat keberartian α jika J > χα2;df, di mana
2 ;df
α
χ adalah kuantil ke-
(
1−α dari)
χ . df2Berdasarkan data pada Tabel VII.1, diperoleh hasil perhitungan berikut. J = 34,6542 dan untuk α = 5 %, titik kritisnya χ20,05;33 = 45,7414. Dengan demikian, karena J < χ20,05;33, maka disimpulkan bahwa hipotesis kestabilan matriks korelasi melalui statitik Jennrich dapat diterima.
VII.4 Catatan
Contoh di atas memperlihatkan bahwa kedua statistik Jennrich dan statistik M-Box memberikan kesimpulan yang sama yang berbeda dengan yang diberikan oleh statistik VVVS dengan pendekatan MSPC. Namun, seperti yang dilaporkan dalam Bab VI, statistik VVVS memiliki kuasa yang lebih baik dari pada statistik Jennrich. Oleh karena itu, keputusan yang diberikan statistik VVVS lebih dapat dipertanggungjawabkan.