Bagan Kendali 𝑻𝟐 Hotelling Berdasarkan Mean Square Successive Difference

Yusran *, Erna Tri Herdiana, La Podje Talangko

Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Hasanuddin
Jl. Perintis Kemerdekaan KM. 10Tamalanrea Makassar-Indonesia

Hotelling’s 𝑻𝟐 Control Chart Based On the Mean Square Successive Difference

Yusran *, Erna Tri Herdiana, La Podje Talangko

Departement of Mathematics
Faculty of Mathematics and Natural Sciences
Hasanuddin University
Jl. Perintis Kemerdekaan KM. 10Tamalanrea Makassar-Indonesia

ABSTRAK. Dalam beberapa proses seringkali memantau dua atau lebih karakteristik kualitas secara bersama-
sama. Pengendalian ini disebut dengan pengendalian mutu statistik multivariat. Untuk mengetahui apakah proses
yang dilakukan terkendali atau tidak, maka dibuatkan bagan kendali multivariat. Salah satu bagan yang sering
digunakan dalam pengendalian mutu statistik multivariat adalah bagan kendali 𝑇 2 Hotelling. Ada 2 jenis dari
bagan kendali 𝑇 2 Hotelling yaitu bagan kendali 𝑇 2 Hotelling untuk pengamatan kelompok dan individu. Pada
tulisan ini membahas bagan kendali 𝑇 2 Hotelling untuk pengamatan individu yaitu bagan kendali 𝑇 2 Hotelling
berdasarkan mean square successive difference (MSSD). Bagan kendali 𝑇 2 Hotelling berdasarkan MSSD lebih
baik dalam mendeteksi data yang berada di luar batas kendali dibandingkan dengan bagan kendali 𝑇 2 Hotelling
berdasarkan full data set.
Kata Kunci: bagan kendali multivariat, mean square successive difference, 𝑇 2 Hotelling.

ABSTRACT. Some process often monitoring two or more quality characteristic do together. This controlling is
called multivariate statistic process control. If want to know process is in control or out of control, then maked
multivariate control chart. One of the chart is often use in multivariate statistic process control is Hotelling’s 𝑇 2
control chart. There are two Hotelling’s 𝑇 2 control chart are Hotelling’s 𝑇 2 control chart for group observation
and individual. In this paper discuss Hotelling’s 𝑇 2 control chart for individual observation is Hotelling’s 𝑇 2
control chart based on the mean square successive difference (MSSD). Hotelling’s 𝑇 2 control chart based on the
MSSD is the best to detection outlier from control limit than Hotelling’s 𝑇 2 control chart based on full data set.
Keywords: multivariate control chart, mean square successive difference, Hotelling’s 𝑇 2 .

PENDAHULUAN Metode yang terbaik dalam mengestimasi

Multivariat Statistical Process Control
(MSPC) adalah suatu metode analisis data statistik
yang dilakukan secara serentak dengan
memperhitungkan korelasi antar peubah. Metode
yang sering digunakan dalam MSPC adalah dengan
menggunakan bagan kendali 𝑇 2 Hotelling. Salah
satu jenis bagan ini adalah bagan kendali 𝑇 2
Hotelling individual (Sullivan dan Woodall, 1996).
Bagan kendali 𝑇 2 Hotelling individual adalah suatu
bagan kendali jika pada tiap subgroup terdapat satu
pengamatan. Bagan kendali 𝑇 2 Hotelling individual
digunakan untuk mendeteksi pergeseran mean
proses dengan menggunakan vektor mean sampel
dan matriks kovariansi [2].

Penulis koresponden.
Alamat E-mail: yusran.al.khawarismi@gmail.com.com
matriks kovariansi adalah metode yang
diperkenalkan oleh Holmes dan Mergen (1993).
Mereka mengusulkan pendekatan mean square
successive difference (MSSD) untuk mengestimasi
matriks kovariansi dalam MSPC. Sullivan dan
Woodal (1996) juga menyampaikan bahwa metode
menghitung matriks kovariansi yang paling baik
yaitu metode MSSD yang diperkenalkan oleh
Holmes dan Mergen (1993). Oleh karena itu salah
satu pembahasan dalam tulisan ini adalah
bagaimana mengestimasi matriks kovariansi
berdasarkan MSSD. Pada tulisan ini juga
membandingkan bagan kendali 𝑇 2 Hotelling
berdasarkan MSSD dengan metode full data set
dimana data yang digunakan berdistribusi normal
multivariat dengan jumlah 4 (empat) peubah.
BAHAN DAN METODA dan statistik 𝑇 2 Hotelling untuk pengamatan
individu adalah
Pada bagian ini dibahas mengenai teorema- ̅ )′ 𝐒−1 (𝑿 − 𝑿
𝑇 2 = (𝑿 − 𝑿 ̅) (2)
teorema, bagan kendali 𝑇 2 Hotelling, dan MSSD dimana 𝑛 adalah ukuran sampel, 𝑿 adalah vektor
yang merupakan teori penunjang dari penelitian. pengamatan, dan 𝐒 adalah matriks kovariansi.

Teorema 1 Mean Square Successive Difference

Misalkan 𝑿 ̅ adalah mean sampel dari 𝑿1 , 𝑿2 , … , 𝑿𝑛 Setiap pengamatan diharapkan mempunyai
yang merupakan vektor acak yang saling bebas dan mean dan standar deviasi yang sama dalam
berdistribusi 𝑁𝑝 (𝝁, 𝚺). Dan misalkan 𝑿𝒇 adalah populasi. Namun ada beberapa kasus dimana mean
peubah acak yang berdistribusi sama, dengan 𝑿𝒇 berubah dari pengamatan yang satu ke pengamatan
̅ saling bebas, maka
dan 𝑿 berikutnya. Sehingga taksiran standar deviasi akan
𝑛 bertambah besar. Salah satu metode yang
𝒀=√ (𝑿 − 𝑿̅ )~𝑁𝑝 (𝟎, 𝚺) diperkenalkan oleh Neumann (1941) untuk
𝑛+1 𝒇
memberikan solusi dari kasus tersebut adalah mean
Teorema 2 square successive difference (MSSD).
∑𝑚−1
𝑖=1 (𝑥𝑖+1 −𝑥𝑖 )
2
Misalkan 𝑿 = (𝑿1 , 𝑿2 , … , 𝑿𝑛 )′, dimana 𝑆𝑑2 = (3)
𝑚−1
𝑿1 , 𝑿2 , … , 𝑿𝑛 masing-masing berdistribusi dimana 𝑆𝑑2 adalah rata-rata perbedaan kuadrat antara
𝑁𝑝 (𝟎, 𝚺) dan 𝒗 = 𝑿𝓵, dimana 𝓵 adalah vektor urutan pengamatan pada saat 𝑖 + 1 dan 𝑖.
konstanta berukuran 𝑝 × 1. Misalkan pula 𝑨 adalah
matriks simetris berukuran 𝑛 × 𝑛 dengan rank 𝑟.
𝑿𝑨𝑿′ ~𝑊𝑝 (𝑟, 𝚺) jika dan hanya jika 𝒗′ 𝑨𝒗~𝜎ℓ2 𝜒𝑟2, HASIL DAN DISKUSI
dimana 𝜎ℓ2 = 𝓵𝚺𝓵′ .
Persoalan yang sering dihadapi dalam
Teorema 3 pengamatan individu adalah menaksir matriks
Misalkan 𝑿 = (𝑋1 , 𝑋2 , … , 𝑋𝑛 )′ adalah vektor acak kovariansi (𝚺). Sullivan dan Woodall mengusulkan
yang berdistribusi normal, 𝑁𝑝 (𝝁, 𝚺), maka bentuk untuk menggunakan metode yang diperkenalkan
kuadratik (𝑿 − 𝝁)′ 𝚺 −𝟏 (𝑿 − 𝝁)~𝜒(𝑝)2
. oleh Holmes dan Mergen (1993) yaitu berdasarkan
successive difference. Metode ini menggunakan
selisih dua vektor pengamatan secara berurutan.
Lemma 1
Metode successive difference lebih efisien dalam
Misalkan 𝑾~𝑊𝑝 (𝑛, 𝚺), dengan 𝑛 ≥ 𝑝. Maka
dalam menghitung matriks kovariansi.
ℎ ′ 𝚺 −1 ℎ 2
~𝜒𝑛−𝑝+1 , untuk ℎ ≠ 0. Misalkan 𝒀𝑖 = 𝑿𝑖+1 − 𝑿𝑖 dengan 𝑖 =
ℎ ′ 𝐖 −1 ℎ
1, … , 𝑛 − 1, diperoleh matriks 𝒀 sebagai berikut:
Bagan Kendali 𝑻𝟐 Hotelling 𝒀1′
′
Dalam penggunaan bagan kendali 𝑇 2 𝒀 = [ 𝒀2 ]
Hotelling, ada dua fase yang dilalui yaitu fase I dan ⋮
fase II. Pada fase I sampel dianalisis untuk 𝒀′𝑛−1
menentukan apakah proses berada dalam keadaan Matriks kovariansinya dapat dihitung dengan
terkendali atau tidak. Jika proses berada di luar menggunakan persamaan
𝒀′𝒀
kendali maka pengamatan outlier harus dibuang 𝑺𝑑 = 2(𝑛−1) (4)
atau dikeluarkan. Setelah itu parameter-parameter
Sehingga statistik 𝑇 2 Hotelling berdasarkan MSSD
dihitung kembali tanpa memperhitungkan outlier
adalah
yang dibuang. Jika proses sudah terkendali, maka ̅ )′ 𝑺−1 ̅
̿ dan S dapat 𝑇𝑑2 = (𝑿𝑑 − 𝑿 𝑑 (𝑿𝑑 − 𝑿) (5)
parameter yang diestimasi yaitu 𝑿 Batas kendalinya adalah
digunakan pada fase II untuk memantau proses (𝑛+1) 𝑓𝑝
apakah ada pergeseran mean jika menggunakan 𝑈𝐶𝐿 = 𝑛
𝐹
(𝑓−𝑝+1) (𝛼;𝑝,𝑓−𝑝+1)
(6.a)
pengamatan yang baru [9]. 𝐿𝐶𝐿 = 0 (6.b)
Ada dua jenis bagan kendali 𝑇 2 Hotelling 2(𝑛−1)2
dimana 𝑓 = 3𝑛−4
yang diperkenalkan oleh
berdasarkan penggunaannya, yaitu untuk
pengamatan data berkelompok dan data individu. Scoholz dan Tosch (1994).
Statistik 𝑇 2 Hotelling untuk pengamatan
berkelompok adalah
′
̅−𝑿
𝑇 2 = 𝑛(𝑿 ̿ ) 𝑺−1 (𝑿
̅−𝑿 ̿) (1)
Bukti: Melalui data dari BMKG, karakteristik
Berdasarkan teorema 1, misalkan 𝒀𝑑 = kualitas yang digunakan adalah temperatur udara
𝑛 𝑛+1 (derajat celcius), penyinaran matahari (persen),
̅ ),
√𝑛+1 (𝑿𝑑 − 𝑿 maka ̅) = √
(𝑿𝑑 − 𝑿 𝒀𝑑 ,
𝑛 kelembaban udara (persen) dan kecepatan angin
dengan 𝒀𝑑 ~𝑁𝑝 (𝟎, 𝚺), sehingga (knot) yang disimbolkan masing-masing dengan
𝑿1 , 𝑿2 , 𝑿3 dan 𝑿4 . Pada fase I, data yang digunakan
𝑛 + 1 ′ −1 𝑛 + 1 adalah data bulan Januari 2003 sampai dengan bulan
𝑇𝑑2 = √ 𝒀𝑑 𝑺𝑑 √ 𝒀𝑑
𝑛 𝑛 Desember 2010.
𝑛 + 1 ′ −1 Pada gambar 1 terlihat bahwa semua
= 𝒀𝑑 𝑺𝑑 𝒀𝑑 pengamatan in control. Nilai 𝑿 ̅ dan 𝑺 yang
𝑛
Berdasarkan teorema 2, 𝑾𝑑 = 𝒇𝑺𝑑 ~𝑊𝑝 (𝑓, 𝚺). diperoleh dari data in control pada gambar 1
Kemudian berdasarkan teorema 3 dan lemma 1, selanjutnya digunakan pada fase II untuk
𝒀′𝑑 𝚺−1 𝒀𝑑
memonitoring pengamatan berikutnya. Pada fase II
2 2
𝒀′𝑑 𝚺 −1 𝒀𝑑 ~𝜒(𝑝) dan ~𝜒(𝑓−𝑝+1) . Karena pemantauan dilakukan menggunakan data bulan
𝒀′𝑑 𝑾−1
𝑑 𝒀𝑑
𝒀′ 𝚺−1 𝒀 Januari 2011 sampai dengan bulan Mei 2013.
𝒀′𝑑 𝚺 −1 𝒀𝑑 dan 𝒀′𝑑𝑾−1 𝒀𝑑 saling bebas, maka distribusi Dengan mengikuti langkah c-e seperti pada fase I,
𝑑 𝑑 𝑑
𝑇𝑑2 dapat dituliskan dengan nilai 𝑇 2 dan UCL pada fase II dapat dilihat pada
𝑛 + 1 ′ −1 gambar 2. Dari gambar 2 terlihat bahwa kondisi
𝑇𝑑2 = 𝒀𝑑 𝑺𝑑 𝒀𝑑 cuaca pada bulan Januari 2011 sampai bulan Mei
𝑛
(𝑛 + 1)𝑓 ′ −1 𝒀′𝑑 𝚺 −1 𝒀𝑑 2013 tidak terkendali karena terdapat beberapa
= 𝒀𝑑 𝑾𝑑 𝒀𝑑 ′ −1 pengamatan out of control dalam kurung waktu
𝑛 𝒀𝑑 𝚺 𝒀𝑑
tersebut.
(𝑛 + 1)𝑓 𝒀′𝑑 𝚺 −1 𝒀𝑑
= Dengan cara yang sama, nilai 𝑇 2 Hotelling
𝑛 𝒀′𝑑 𝚺 −1 𝒀𝑑 ⁄𝒀′𝑑 𝑾−1
𝑑 𝒀𝑑 berdasarkan metode full data set pada fase I dimana
2
(𝑛 + 1)𝑓 𝜒(𝑝) terdapat 86 data pengamatan in control dapat dilihat
𝑇𝑑2 ~ 2 pada gambar 3.Selanjutnya 𝑿 ̅ dan 𝑺 yang diperoleh
𝑛 𝜒(𝑓−𝑝+1)
2 dari 86 data pengamatan yang terkendali digunakan
(𝑛 + 1)𝑓 𝜒(𝑝) ⁄𝑝 𝑝
~ untuk memantau data pengamatan berikutnya, yaitu
2
𝑛 𝜒(𝑓−𝑝+1) ⁄(𝑓 − 𝑝 + 1) (𝑓 − 𝑝 + 1) data kondisi cuaca pada bulan Januari 2011 sampai
(𝑛 + 1) 𝑓𝑝 dengan bulan Mei 2013. Pada gambar 4 terlihat
~ 𝐹 bahwa nilai 𝑇 2 berada dalam batas kendali. Hal ini
𝑛 (𝑓 − 𝑝 + 1) (𝛼;𝑝,𝑓−𝑝+1)
Langkah-langkah untuk membangun bagan menunjukkan bahwa kondisi cuaca pada bulan
kendali 𝑇 2 Hotelling berdasarkan MSSD adalah Januari 2011 sampai bulan Mei 2013 terkendali.
sebagai berikut. Pada fase II, bagan kendali 𝑇 2 Hotelling yang
a. Menghitung rata-rata setiap karakteristik kualitas diperoleh berdasarkan MSSD berbeda dengan
yang akan dikendalikan. bagan kendali 𝑇 2 Hotelling berdasarkan metode full
̅ = 1 ∑𝑛𝑖=1 𝑿𝑖 = (𝑿 ̅1 𝑿 ̅2 ⋯ 𝑿 ̅ 𝑝 )′ data set. Pada bagan kendali 𝑇 2 Hotelling
𝑿 (7)
𝑛 berdasarkan MSSD, masih terdapat beberapa data
b. Menghitung matriks variansi-kovariansi dengan out of control sedangkan pada bagan kendali 𝑇 2
menggunakan persamaan (4). Hotelling berdasarkan metode full data set semua
c. Menghitung nilai 𝑇 2 Hotelling berdasarkan data in control. Hal ini disebabkan karena bagan
MSSD dengan menggunakan persamaan (5). kendali 𝑇 2 Hotelling berdasarkan MSSD lebih baik
d. Membandingkan nilai 𝑇 2 setiap pengamatan dalam memantau pengamatan pada fase II untuk
dengan batas kendali. Jika 𝑇𝑖2 ≤ 𝑈𝐶𝐿 maka data menunjukkan suatu proses terkendali atau tidak.
pengamatan ke-𝑖 berada di dalam kendali (in
control). Sebaliknya jika 𝑇𝑖2 > 𝑈𝐶𝐿, maka data
pengamatan ke-𝑖 berada di luar kendali (out of KESIMPULAN
control).
e. Membuat bagan kendali dengan cara memplot 1. Matriks kovariansi berdasarkan MSSD dapat
semua nilai 𝑇 2 . dihitung dengan menggunakan persamaan
f. Menghapus data pengamatan out of control. berikut.
g. Menghitung kembali 𝑿 ̅ dan 𝑺𝑑 dengan 𝒀′𝒀
𝑺𝑑 =
menggunakan data-data pengamatan in control. 2(𝑛 − 1)
Langkah a-g dilakukan sampai menghasilkan proses
in control.
 dengan
𝑖 BULAN 𝑿1 𝑿2 𝑿3 𝑿4
𝒀1′ 50 Feb 07 26,8 37 85 6
′ 51 Mar 07 27,7 47 82 6
𝒀 = [ 𝒀2 ] 52 Apr 07 27,9 69 81 5
⋮ 53 May 07 28,4 76 76 5
𝒀′𝑛−1 54 Jun 07 27,7 56 81 4
55 Jul 07 27,4 82 74 5
dimana 𝒀𝑖 = 𝑿𝑖+1 − 𝑿𝑖 dan 𝑖 = 1, … , 𝑛 − 1. 56 Aug 07 27,4 86 70 5
2. Batas kendali untuk 𝑇 2 Hotelling berdasarkan 57 Sep 07 27,9 92 69 6
58 Oct 07 28,3 81 74 5
MSSD adalah 59 Nov 07 28 66 79 5
(𝑛 + 1) 𝑓𝑝 60 Dec 07 27,2 35 86 6
𝑈𝐶𝐿 = 𝐹 61 Jan 08 27,1 49 86 5
𝑛 (𝑓 − 𝑝 + 1) (𝛼;𝑝,𝑓−𝑝+1) 62 Feb 08 26,6 30 87 7
63 Mar 08 27,3 60 83 5
𝐿𝐶𝐿 = 0 64 Apr 08 27,8 73 79 4
2(𝑛−1)2 65 May 08 28,1 76 78 4
dimana 𝑓 = 3𝑛−4 . 66 Jun 08 27,5 71 79 4
3. Bagan kendali 𝑇 2 Hotelling berdasarkan MSSD 67
68
Aug 08
Sep 08
27,5
28,3
26
84
76
75
5
5
lebih baik dalam mendeteksi data out of control 69 Nov 08 27,8 58 89 5
dibandingkan dengan metode full data set. 70 Dec 08 26,7 32 91 6
71 Jan 09 26,3 30 90 7
72 Feb 09 26,8 37 84 7
73 Mar 09 27,7 69 79 5
74 Apr 09 28,3 74 80 5
LAMPIRAN 75 May 09 28,5 82 79 5
76 Jun 09 27,9 86 75 5
Tabel 1 Data kondisi cuaca Kota Makassar pada bulan Januari 77 Jul 09 27,2 73 74 5
78 Aug 09 27,9 98 68 5
2003 sampai dengan bulan Mei 2013. 79 Sep 09 28,2 92 70 5
𝑖 BULAN 𝑿1 𝑿2 𝑿3 𝑿4 80 Oct 09 28,7 83 71 5
1 Jan 03 26,7 34 90 5 81 Nov 09 29,3 67 74 5
2 Feb 03 27 40 89 5 82 Dec 09 27,8 56 82 5
3 Mar 03 27,5 64 86 3 83 Jan 10 26,6 24 88 6
4 Apr 03 28,1 73 86 3 84 Feb 10 27,8 54 84 4
5 May 03 28 81 86 3 85 Mar 10 28,2 66 81 4
6 Jun 03 27,7 86 84 3 86 Apr 10 28,5 62 83 4
7 Jul 03 26,8 83 84 3 87 May 10 28,5 58 83 3
8 Aug 03 27,4 88 82 3 88 Jun 10 28 55 81 3
9 Sep 03 27,7 90 81 3 89 Jul 10 27,8 67 81 3
10 Oct 03 28,6 85 82 3 90 Aug 10 28,1 67 78 4
11 Nov 03 28,5 75 84 3 91 Sep 10 28 70 80 4
12 Dec 03 26,7 34 91 5 92 Oct 10 28,1 69 80 4
13 Jan 04 27,2 57 90 3 93 Nov 10 28,2 73 84 4
14 Feb 04 26,5 40 91 5 94 Dec 10 26,6 30 80 4
15 Mar 04 27,3 54 90 5
Sumber: Data BMKG Kota Makassar
16 Apr 04 28,4 87 85 3
17 May 04 28,1 78 86 2
18 Jun 04 27,2 87 82 2
19 Jul 04 26,9 89 79 3
20 Aug 04 25,9 94 70 4
21 Sep 04 27,9 96 70 4
22 Oct 04 28,4 94 75 4
23 Nov 04 28,6 77 78 4
24 Dec 04 27,3 51 84 3
25 Jan 05 27,2 46 84 4
26 Feb 05 27,5 64 82 4
27 Mar 05 27,7 64 82 4
28 Apr 05 27,8 69 79 3
29 May 05 28,5 77 74 3
30 Jun 05 28,1 89 74 3
31 Jul 05 27,5 85 74 2 Gambar 1 Bagan kendali 𝑇 2 Hotelling berdasarkan MSSD pada
32 Aug 05 27,7 90 71 3 fase 1
33 Sep 05 28,3 99 68 3
34 Oct 05 28,4 80 76 2
35 Nov 05 27,8 66 83 3
36 Dec 05 27,2 43 86 4
37 Jan 06 27,6 42 87 6
38 Feb 06 27,3 47 87 5
39 Mar 06 27,3 55 85 5
40 Apr 06 27,6 63 84 3
41 May 06 28,2 78 81 2
42 Jun 06 27,1 61 84 2
43 Jul 06 27,3 91 75 4
44 Aug 06 27,2 98 72 5
45 Sep 06 28 97 66 4
46 Oct 06 28,5 98 68 5
47 Nov 06 29,1 89 74 5
48 Dec 06 28,1 65 81 3 Gambar 2 Bagan kendali 𝑇 2 Hotelling berdasarkan MSSD pada
49 Jan 07 27,8 47 84 6 fase 2
 9. Montgomery, Douglas C.. (2009). Introduction
to statistical quality control (6th ed.) Arizona
State University: John Wiley & Sons, Inc.
10. Murni, Nandani. (2007). Bagan kendali
multivariat dengan metode dekomposisi MYT
dalam pengendalian mutu statistik multivariat.
Depok: Departemen Matematika FMIPA
Universitas Indonesia.
11. Neumann, J. Von, et al. (1941). The mean
square successive difference. The Annals of
Gambar 3 Bagan kendali 𝑇 2 Hotelling berdasarkan metode full Mathematical Satistics Vol. 12, No. 2, pp. 153-
data set pada fase I 162.
12. Pan, Jeh-Nan & Chen, Sheau-Chiann . (2011).
New robust estimator for detecting non-random
patterns in multivariate control charts: a
simulation approach. Journal of Statistical
Computation and Simulation Vol. 81, No. 3,
March 2011, 289-300.
13. Williams, James D.. (2004). On distribution of
hotelling’s 𝑇 2 statistics based on the successive
difference matrix estimator. Dissertation
Gambar 3 Bagan kendali 𝑇 2 Hotelling berdasarkan metode full submitted to the faculty of the Virginia
data set pada fase I Polytechnic Institute & State University, pp. 37-
55.

REFERENSI

1. Anderson, T. W.. (2003). An introduction to

multivariate statistical analysis (3rd ed.). USA:
John Wiley and Sons.
2. Asti, Fadilah. (2009). Pengontrolan kualitas
proses produksi air di instalasi pengolahan air
NG II Surabaya. Surabaya: Digital Library
Institut Teknologi Surabaya.
3. BMKG. (2012). Buku informasi perubahan
iklim dan kualitas udara di Indonesia. Jakarta
Pusat: Penulis.
4. Hald, A.. (1952). Statistical Theory with
Engineering Applications pp. 357-360. New
York: John Wiley and Sons.
5. Hogg, Robert V. & Craig, Allen T.. (1978).
Introduction to mathematical statistics (4th ed.).
New York: Macmillan Publishing Co., Inc.
6. Holmes, D. S. & Mergen, A. E.. (1998). A
multivariate test for randomsness. Quality
Engineering, 10(3), 505-508.
7. Johnson, Richard A. dan Wichern, Dean W..
(2007). Applied multivariate statistical analysis
(6th ed.). USA: Pearson Prantice Hall.
8. Mohammadi, Mandana. (2010). Re-weighted
robust control charts for individual
observations. Proceedings of the 6th IMT-GT
Conference on Mathematics, Statistics and its
Applications (pp. 426-435), Universiti Tunku
Abdul Rahman, Kuala Lumpur, Malaysia.