BAB I

PENDAHULUAN

1.1 Latar Belakang

Banyak karakteristik kualitas tidak dapat dengan mudah dinyatakan secara

numerik. Dalam hal seperti itu, biasanya tiap benda yang diperiksa diklasifikasi
sesuai dengan spesifikasi pada karakteristik kualitas itu atau tidak sesuai dengan
spesifikasi. Istilah “cacat” dan “tidak cacat” kadang-kadang digunakan untuk
mengidentifikasikan kedua klasifikasi produk ini. Baru-baru ini, istilah “sesuai” dan
“tidak sesuai” menjadi populer. Karakteristik kualitas seperti ini dinamakan sifat
(atribut). Beberapa contoh karakteristik kualitas adalah terjadinya tangkai
penghubung mesin mobil yang bengkok dalam suatu hari produksi, bagian keping
semi konduktor tak berfungsi dalam satu giliran produksi, dan sebagainya.

Dalam makalah ini, disajikan tiga grafik pengendali sifat yang banyak
digunakan. Yang pertama berhubungan dengan bagian produk yang tak sesuai atau
cacat yang diproduksi oleh suatu proses produksi, dan dinamakan grafik pengendali
untuk bagian tak sesuai, atau grafik p. Jenis grafik pengendali kedua yang akan
dibahas adalah grafik pengendali untuk ketidaksesuaian, atau grafik c. Dan yang
terakhir adalah grafik pengendali untuk ketidaksesuaian per unit, atau grafik u, yang
bermanfaat dalam keadaan di mana rata-rata banyak ketidaksesuaian per unit
merupakan dasar yang lebih baik untuk pengendalian proses.

1.2 Rumusan Masalah

Berdasarkan latar belakang, maka dapat ditarik perumusan masalah. Hal ini

bertujuan untuk mempermudah penulisan makalah ini. Adapun rumusan masalah

dari makalah ini adalah sebagai berikut :

1. Bagaimana grafik pengendali bagian tak sesuai?

2. Bagaimana grafik pengendali ketidaksesuaian (cacat)?

 BAB II

PEMBAHASAN

2.1 GRAFIK PENGENDALI BAGIAN TAK SESUAI

Bagian tak sesuai didefinisikan sebagai perbandingan banyak benda yang tak
sesuai dalam suatu populasi dengan banyak benda keseluruhan dalam populasi itu.
Benda-benda itu mungkin mempunyai beberapa karakteristik kualitas yang
diperiksa bersama-sama oleh pemeriksa. Apabila benda tidak sesuai dengan standar
dalam satu atau beberapa karakteristik ini, maka benda itu diklasifikasikan sebagai
tak sesuai. Biasanya dinyatakan bagian tak sesuai dengan pecahan desimal,
meskipun kadang-kadang digunakan persen tak sesuai (yang merupakan 100% kali
bagian tak sesuai). Apabila mempertunjukkan atau memperagakan grafik
pengendali kepada personil produksi atau menyajikan hasil kepada manajemen,
persen tak sesuai sering kali digunakan, karena persen mempunyai daya tarik yang
lebih intuitif. Meskipun sudah biasa bekerja dengan bagian tak sesuai, kita dapat
juga dengan sama mudahnya menganalisa bagian sesuai, yang menghasilkan grafik
pengendali bagi hasil proses.

Asas-asas statistik yang melandasi grafik pengendali untuk bagian tak sesuai
didasarkan atas distribusi binomial. Misalkan proses produksi bekerja dalam
keadaan stabil, sehingga probabilitas bahwa sesuatu unit akan tidak sesuai dengan
spesifikasi adalah p, dan unit yang diproduksi berturutan adalah independen. Maka
tiap unit yang diproduksi merupakan realisasi suatu variabel random Bernoulli
dengan parameter p. Apabila sampel random dengan n unit produk dipilih, dan D
adalah banyak unit produk yang tak sesuai maka D berdistribusi binomial dengan
parameter n dan p, yakni

𝑛
𝑃{𝐷 = 𝑥} = ( ) 𝜌 𝑥 (1 − 𝜌)𝑛−𝑥 , 𝑥 = 0,1, … , 𝑛 (5-1)
𝑥

Diketahui bahwa mean dan variansi variabel random D masing-masing

adalah np dan np(1-p).
 Bagian tak sesuai sampel didefinisikan sabagai perbandingan banyak unit tak
sesuai dalam sampel D dengan ukuran sampel n; yakni :

𝐷
𝜌̂ = (5-2)
𝑛

Distribusi variabel random 𝜌̂ dapat diperoleh dari distribusi binomial.

Selanjutnya, maen dan variansi 𝜌̂ masing-masing adalah

𝜇=𝑝 (5-3)

dan

𝑝(1−𝑝)
𝜎𝜌̂ 2 = (5-4)
𝑛

2.1.1. Pengembangan dan Operasi Grafik Pengendali

Jika w suatu statistik yang mengukur suatu karakteristik kualitas, dan jika
mean w adalah 𝜇𝑤 dan variansi w adalah 𝜎𝑤 2 , maka model umum grafik pengendali
Shewhart adalah sebagai berikut:

BPA = 𝜇𝑤 + 𝑘𝜎𝑤

Garis tengah = 𝜇𝑤 (5-5)

BPB = 𝜇𝑤 − 𝑘𝜎𝑤

dengan k adalah jarak batas pengendali dari garis tengah, dalam kelipatan
deviasi standar w. Biasanya dipilih k = 3.

Andaikan bahwa bagian tak sesuai yang sebenarnya p dalam proses produksi
itu diketahui, atau nilai standar yang ditentukan oleh manajemen. Maka dari (5-5),
garis tengah dan batas pengendali grafik pengendali bagian tak sesuai adalah

𝜌(1−𝜌)
BPA = 𝜌 + 3√ 𝑛

Garis tengah = 𝜌 (5-6)

𝜌(1−𝜌)
BPB = 𝜌 − 3√ 𝑛
 Operasi yang sebenarnya grafik ini akan terdiri dari pengambilan sampel-
sampel dengan n unit berturut-turut, menghitung bagian tak sesuai sampel 𝜌̂, dan
menggambarkan statistik 𝜌̂ pada grafik. Selama 𝜌̂ tetap di dalam batas pengendali
dan deretan titik-titik yang tergambar tidak menunjukkan pola sistematik atau tak
random, kita simpulkan bahwa proses itu terkendali pada tingkat p. Jika satu titik
terletak di luar batas pengendali, atau jika diamati pola tak random dalam titik-titik
tergambar itu, maka disimpulkan bahwa bagian tak sesuai proses itu telah bergeser
ke tingkat yang baru dan proses itu tak terkendali.

Apabila bagian tak sesuai proses itu p tidak diketahui, maka p itu harus
ditaksir dari data observasi. Prosedur yang biasa adalah memilih m sampel
pendahuluan, masing-masing berukuran n. Sebagai aturan umum, m haruslah 20
atau 25. Maka jika ada 𝐷𝑖 unit tak sesuai dalam sampel i, hitung bagian tak sesuai
dalam sampel ke i itu sebagai

𝐷𝑖
𝜌̂𝑖 = , 𝑖 = 1,2, … , 𝑚
𝑛

dan rata-rata bagian tak sesuai sampel-sampel ini adalah

∑𝑚
𝑖=1 𝐷𝑖 ∑𝑚 ̂𝑖
1=1 𝜌
𝑝̅ = = (5-7)
𝑚𝑛 𝑚

Statistik 𝑝̅ menaksir bagian tak sesuai p yang tidak diketahui. Garis tengah
dan batas pengendali grafik pengendali untuk bagian tak sesuai dihitung sebagai

𝑝̅ (1−𝑝̅ )
BPA =𝑝̅ + 3√ 𝑛

Garis tengah = 𝑝̅ (5-8)

𝑝̅ (1−𝑝̅ )
BPB = 𝑝̅ − 3√ 𝑛

Pandang batas pengendali yang diperoleh dari (5-8) sebagai batas pengendali
percobaan. Batas pengendali itu memungkinkan untuk menentukan apakah proses
dalam keadaan terkendali ketika m sampel awal tersebut dipilih. Untuk menguji
hipotesis bahwa keadaan yang lalu terkendali, gambarkan bagian tak sesuai dari
tiap sampel pada grafik dan analisakan gambar hasilnya. Jika semua titik jatuh di
dalam batas pengendali dan tidak ada perilaku yang sistematik, maka disimpulkan
bahwa diwaktu yang telah lalu proses itu terkendali, dan batas pengendali itu pantas
untuk pengendalian produksi sekarang dan yang akan datang.

Andaikan bahwa satu atau beberapa statistik 𝜌̂𝑖 jatuh tak terkendali apabila
dibandingkan dengan batas pengendali percobaan. Jelas bahwa jika batas
pengendali untuk produksi sekarang dan yang akan datang harus bermakna, batas-
batas itu harus didasarkan atas data dari proses yang dikendali. Dengan demikian,
apabila hipotesis keadaan yang lalu terkendali ditolak, perlu untuk memperbaiki
batas pengendali percobaan itu. Hal ini dilakukan dengan pemeriksaan tiap titik
terkendali, mencari sebab terduga. Jika ditemukan sebab terduga, titik itu dibuang,
dan batas pengendali percobaan dihitung kembali, hanya menggunakan titik-titik
sisanya. Selanjutnya titik-titik sisa ini diperiksa kembali untuk pengendali
(perhatikan bahwa titik-titik yang mulanya terkendali sekarang dapat menjadi tak
terkendali, sebab batas pengendali percobaan yang baru biasanya akan lebih sempit
daripada yang lama). Proses ini berlanjut sampai semua titik terkendali, yang
selanjutnya batas pengendali percobaan itu dipakai untuk keperluan selanjutnya.

Dalam beberapa hal, mungkin tidak ditemukan sebab tersangka untuk suatu
titik yang menunjukkan tak terkendali. Ada dua tindakan yang terbuka. Pertama,
membuang titik itu seperti halnya jika penyebab terduga ditemukan. Untuk tindakan
ini tidak ada dasar pembenaran analisis, kecuali bahwa titik-titik yang terletak di
luar batas pengendali kemungkinan besar telah diambil dari suatu distribusi
probabilitas karakteristik keadaan tak terkendali. Alternatifnya tetap memakai titik
(atau titik-titik) itu dengan memandang batas pengendali percobaan sebagai sesuai
untuk pengendalian selanjutnya. Tentu saja, jika titik itu benar-benar menunjukkan
keadaan tak terkendali, batas pengendali hasilnya akan terlalu lebar. Tetapi, jika
hanya ada satu atau dua titik seperti itu, hal ini tidak akan cukup merusak grafik
pengendali. Jika sampel-sampel yang akan datang tetap menunjukkan keadaan
terkendali, maka titik-titik yang tidak terjelaskan itu mungkin dapat dibuang dengan
aman.
 Jika grafik pengendali didasarkan atas nilai yang diketahui atau nilai standar
untuk bagian tak sesuai p, maka penghitung batas pengendali percobaan umumnya
tidak diperlukan. Tetapi, orang harus hati-hati apabila bekerja dengan nilai standar
p. Karena dalam praktek nilai p yang sebenarnya jarang diketahui dengan pasti,
biasanya diberi nilai standar p yang merupakan nilai yang diinginkan atau sasaran
untuk bagian tak sesuai proses itu. Jika demikian halnya, dan sampel-sampel yang
akan datang menunjukkan keadaan tak terkendali, maka harus menentukan
bahwasanya proses itu tak terkendali pada nilai sasaran p, tetapi terkendali pada
nilai p yang lain. Sebagai contoh, misalkan manajemen menetapkan suatu nilai
target p = 0,01, tetapi sebenarnya proses itu terkendali pada nilai bagian tak sesuai
yang lebih besar, misalnya p = 0,05. Dengan menggunakan grafik pengendali
berdasarkan p = 0,01, banyak titik-titik yang akan jatuh di atas batas pengendali
atas, yang menunjukkan keadaan tak terkendali. Tetapi, proses itu sebenarnya
hanya tak terkendali terhadap nilai sasaran p = 0,01. Kadang-kadang keadaan
memungkinkan untuk “memperbaiki” tingkat kualitas dengan menggunakan nilai
target, atau membawa suatu proses ke keadaan terkendali pada tingkat penampilan
kualitas tertentu. Dalam proses yang bagian tak sesuainya dapat dikendalikan
dengan penyesuaian proses yang relatif mudah, nilai target p dapat bermanfaat.

Contoh 2-1

Sari air jeruk dingin dipak dalam kotak karton 6 ons. Kotak ini dibuat dengan
mesin dengan memintalnya dari bahan karton, dan memasang lembaran metal pada
bagian bawahnya. Dengan pemeriksaan kotak, kita dapat menentukan apakah kotak
bocor (bila diisi) pada lipatan sisi atau sekeliling lipatan bawah. Ketidaksesuaian
kotak seperti itu mempunyai tanda tak wajar bak pada lipatan sisi atau lembaran
bawah. Kita ingin membuat grafik pengendali untuk memantau bagian kotak tak
sesuai yang dihasilkan dengan mesin ini.

Untuk membuat grafik pengendali, 30 sampel masing-masing dengan 50

kotak dipilih dalam selang setengah jam meliputi periode tiga giliran waktu mesin
beroperasi terus-menerus. Data ditunjukkan dalam Tabel 5-1.
 Susun grafik pengendali awal untuk melihat apakah proses terkendali ketika
data ini dikumpulkan. Karena 30 sampel memuat ∑30
𝑖=1 𝐷𝑖 = 347 kotak tak sesuai,

dari Persamaan (5-7) diperoleh

∑𝑚
𝑖=1 𝐷𝑖 347
𝑝̅ = = = 0,2313
𝑚𝑛 (30)(50)

Menggunakan 𝑝̅ sebagai nilai taksiran bagian tak sesuai proses yang

sebenarnya, sekarang dapat dihitung batas pengendali atas dan bawah sebagai

𝜌̅ (1 − 𝜌̅ ) 0,2313(0,7687)
𝜌̅ ± 3√ = 0,2313 ± 3√
𝑛 50
 = 0,2313 ± 3(0,0596)

= 0,2313 ± 0,1789

Dengan demikian

̅ (1−𝜌
𝜌 ̅)
BPA = 𝜌̅ + 3√ = 0,2313 + 0,1789 = 0,4102 dan
𝑛

̅ (1−𝜌
𝜌 ̅)
BPB = 𝜌̅ − 3√ = 0,2313 − 0,1789 = 0,0524
𝑛

Grafik pengendali dengan garis tengah pada 𝑝̅ = 0,2313 dan batas

pengendali atas dan bawah seperti di atas ditunjukkan dalam Gambar 5-1. Bagian
tak sesuai sampel dari tiap-tiap sampel awal digambarkan pada grafik ini. Catat
bahwa dua titik, dari sampel 15 dan 23, terletak di atas batas pengendali atas, jadi
proses itu tidak terkendali. Titik-titik ini harus diselidiki untuk melihat apakah
sebab terduga dapat ditentukan.
 Analisis data dari Sampel 15 menunjukkan bahwa setumpuk bahan karton
baru diletakkan untuk produksi selama periode setengah jam itu. Pemasukan
tumpukan bahan baku baru kadang-kadang menyebabkan penampilan produksi
tidak teratur, dan cukup beralasan untuk mempercayai bahwa ini telah terjadi di
sini. Selanjutnya selama periode setengah jam waktu Sampel 23 diperoleh operator
yang relatif belum berpengalaman telah ditugaskan pada mesin itu untuk sementara,
dan ini dapat merupakan penyebab bagian tak sesuai yang tinggi diperoleh dari
sampel itu. Akibatnya, Sampel 15 dan 23 dikeluarkan dan garis tengah baru dan
batas pengendali yang diperbaiki dihitung sebagai

301
𝑝̅ = = 0,2150
(28)(50)

̅ (1−𝜌
𝜌 ̅) 0,2150(0,7850)
BPA = 𝜌̅ + 3√ = 0,2150 + 3√ = 0,3893
𝑛 50

̅ (1−𝜌
𝜌 ̅) 0,2150(0,7850)
BPB = 𝜌̅ − 3√ = 0,2150 − 3√ = 0,0407
𝑛 50

Garis tengah dan batas pengendali yang diperbaiki digambar dengan garis-
garis patah pada grafik pengendali dalam Gambar 5-1. Dapat dilihat bahwa
sekarang Sampel 21 melebihi batas pengendali atas. Tetapi, analisis data itu tidak
dapat menemukan sesuatu sebab terduga yang cukup beralasan atau masuk akal
untuk ini, dan diputuskan untuk membiarkan saja itu. Kadang-kadang pemeriksaan
data grafik pengendali mengungkapkan informasi yang mempengaruhi titik-titik
lain yang tidak di luar batas pengendali. Misalnya, jika telah ditemukan bahwa
operator sementara yang bekerja ketika diperoleh Sampel 23 sebenarnya telah
bekerja selama periode dua jam penuh waktu diperoleh Sampel 21-24, maka kita
harus membuang semua empat sampel itu, meskipun sekiranya hanya Sampel 21
saja yang melebihi batas pengendali, atas dasar bahwa mungkin operator tak
berpengalaman ini mempunyai pengaruh yang merugikan pada bagian tak sesuai
selama periode itu seluruhnya.

Sebelum disimpulkan bahwa proses itu terkendali pada tingkat ini, harus
diperiksa adanya giliran atau pola tak random lainnya dalam 28 sampel yang
tinggal. Giliran terbesar adalah yang panjangnya 5 di atas garis tengah, dan dalam
data itu tidak terdapat pola yang jelas. Tidak ada fakta yang jelas tentang sesuatu
kecuali pola variasi yang random di sekitar garis tengah.

Disimpulkan bahwa proses itu terkendali pada tingkat p = 0,2150, dan batas
pengendali yang diperbaiki itu harus dipakai untuk memantau produksi yang
sekarang sedang berjalan. Tetapi, catat bahwa meskipun proses terkendali, bagian
tak sesuai itu terlalu tinggi. Yakni, proses bekerja dalam keadaan stabil, dan tidak
ada masalah yang dapat dikuasai operator yang luar biasa. Yang berarti, tidak
mungkin kualitas proses dapat ditingkatkan dengan tindakan pada tingkat tenaga
kerja. Ketidaksesuaian kotak yang dihasilkan adalah yang dapat dikendalikan
manajemen karena campur tangan manajemen dalam proses itu diperlukan untuk
meningkatkan penampilan. Manajemen pabrik setuju dengan observasi ini, dan
memberi pengarahan bahwa di samping melaksanakan program grafik pengendali,
staf teknik harus menganalisa proses itu dalam usaha meningkatkan hasil proses.
Studi ini menunjukkan bahwa beberapa penyesuaian pada mesin dapat dilakukan
untuk meningkatkan penampilannya.

Selama tiga giliran berikutnya, penyesuaian mesin dan pengenalan grafik

pengendali, dikumpulkan tambahan 24 sampel masing-masing dengan 50
observasi. Data ini ditunjukkan dalam Tabel 5-2, dan bagian tak sesuai sampel
digambarkan pada grafik pengendali dalam Gambar 5-2.
 Dari pengamatan Gambar 5-2, kesan yang segera timbul adalah bahwa proses
itu sekarang bekerja pada tingkat kualitas baru yang jauh lebih rendah dari garis
tengah 𝑝̅ = 0,2150. Satu titik, dari Sampel 11, di bawah batas pengendali bawah.
Tidak ada sebab terduga bagi isyarat tak terkendali ini yang dapat ditemukan. Satu-
satunya alasan yang masuk akal bagi perubahan yang nyata dalam penampilan
proses ini adalah perbaikan-perbaikan mesin yang dilakukan oleh staf teknik, dan
mungkin operator itu sendiri. Bukan hal yang luar biasa mendapatkan penampilan
proses yang meningkat setelah pengenalan prosedur pengendalian proses statistik
yang formal, sering kali hal ini disebabkan karena operator lebih menyadari kualitas
proses dan karena grafik pengendalian memberikan peragaan penampilan proses
secara visual yang terus menerus.

Dapat diuji hipotesis bahwa bagian tak sesuai proses dalam periode tiga
giliran sekarang ini berbeda dengan bagian tak sesuai proses dalam data
pendahuluan. Hipotesis itu adalah :

H0 : p1 = p2

H1 : p1 > p2

dengan p1 adalah bagian tak sesuai dari data pendahuluan dan p2 bagian tak
sesuai proses dalam periode sekarang. P1 dapat ditaksir dengan 𝜌
̂1 = 𝑝 = 0,2150
dan p2 dengan

∑24
𝑖=1 𝐷𝑖 133
𝑝̂ 2 = = = 0,1108
(50)(24) 1200

Statistik penguji untuk hipotesis di atas adalah

𝑝̂1 −𝑝̂ 2
𝑍0 =
1 1
√𝑝̂ (1 − 𝑝̂ ) (
𝑛1 𝑛2 )
+

di mana

𝑛1 𝑝̂1 + 𝑛2 𝑝̂ 2
𝑝̂ =
𝑛1 + 𝑛2
 Dalam contoh, didapatkan

(1400)(0,2150) + (1200)(0,1108)
𝑝̂ = = 0,1669
1400 + 1200

dan

0,2150 − 0,1108
𝑍0 = = 7,22
√(0,1669)(0,8331) ( 1 + 1 )
1400 1200

Membandingkan ini dengan titik 0,05 atas distribusi normal standar,

diperoleh 𝑍0 = 7,22 > 𝑍0,05 = 1,645. Kesimpulannya, H0 ditolak dan
menyimpulkan telah ada penurunan yang signifikan dalam ketidaksesuaian proses.

Kelihatannya masuk akal untuk memperbaiki lagi batas pengendali, hanya

dengan menggunakan data dari periode tiga-giliran yang paling baru ini. Ini
menghasilkan :

Garis tengah 𝑝̅ = 0,1108

̅ (1−𝜌
𝜌 ̅) (0,1108)(0,8892)
BPA = 𝜌̅ + 3√ = 0,1108 + 3√ = 0,2440
𝑛 50

̅ (1−𝜌
𝜌 ̅) (0,1108)(0,8892)
BPB = 𝜌̅ − 3√ = 0,1108 − 3√ = −0,0224
𝑛 50

Karena batas pengendali bawah yang dihitung itu lebih kecil 0, maka kita
ambil BPB = 0. Sehingga, grafik pengendali yang baru hanya akan mempunyai
batas pengendali atas. Dari pemeriksaan Gambar 5-2, catat bahwa semua titik akan
jatuh di dalam batas pengendali atas yang diperbaiki; dengan demikian,
disimpulkan bahwa proses itu terkendali pada tingkat yang baru ini.

Operasi selanjutnya grafik pengendali ini untuk lima giliran berikutnya

ditunjukkan dalam Gambar 5-3. Data proses itu selama periode ini ditunjukkan
dalam Tabel 5-3. Grafik pengendali tidak menunjukkan keadaan tak terkendali.
Meskipun ada peningkatan dalam hasil setelah perubahan-perubahan keteknikan
dalam proses, dan pengenalan grafik pengendali, ketidaksesuaian proses 𝑝̅ =
0,1108 masih terlalu tinggi. Tindakan manajemen lebih lanjut akan diperlukan
guna meningkatkan hasil. Campur tangan manajemen ini dapat berupa penyesuaian
mesin lebih lanjut. Grafik pengendali harus digunakan terus menerus selama
periode penyesuaian dilakukan. Dengan memberikan tanda pada skala waktu grafik
pengendali ketika dilakukan perubahan proses, grafik pengendali menjadi buku
harian di mana waktu campur tangan proses dan pengaruh selanjutnya terhadap
penampilan proses dan pengaruh selanjutnya terhadap penampilan proses dapat
dilihat dengan mudah. Segi buku harian dari penggunaan grafik pengendali adalah
sangat penting.

Grafik pengendali bagian tak sesuai mempunyai tiga parameter yang harus
ditentukan: ukuran sampel, frekuensi pengambilan sampel, dan lebar batas
pengendali.

Dalam hal ini, ukuran sampel frekuensi pengambilan sampel saling terkait.
Umumnya akan dipilih frekuensi pengambilan sampel yang sesuai dengan tingkat
produksi, dan ini menentukan ukuran sampelnya. Himpunan bagian rasional dapat
juga memainkan peranan dalam penentuan frekuensi pengambilan sampel.
Misalnya, jika ada tiga giliran, dan disangka bahwa giliran-giliran itu berbeda
tingkat kualitas umumnya, maka harus digunakan hasil dari tiap-tiap giliran sebagai
satu himpunan bagian untuk mendapatkan bagian cacat dalam satu hari, bukan
menggabungkan semua hasil tiga giliran tersebut.
 Jika harus memilih sampel hasil suatu proses, maka harus dipilih ukuran
sampel n. Berbagai aturan telah dikemukakan untuk memilih n itu. Jika p sangat
kecil, maka harus dipilih n cukup besar sehingga mempunyai probabilitas yang
tinggi untuk memperoleh paling sedikit satu unit tak sesuai dalam sampel itu. Jika
tidak demikian, mungkin akan didapatkan batas pengendali yang hanya satu unit
saja yang tak sesuai dalam sampel. Sebagai contoh, jika p = 0,01 dan n = 8,
diperoleh batas atas

𝜌(1−𝜌) (0,01)(0,99)
BPA = 𝜌 + 3√ = 0,01 + 3√ = 0,1155
𝑛 8

1
Jika ada satu unit tak sesuai dalam sampel itu, maka 𝜌̂ = 8 = 0,1250, dan

akan disimpulkan bahwa proses tak terkendali. Karena untuk setiap p > 0 berarti
probabilitas akan menghasilkan beberapa produk catat positif, maka dalam banyak
hal tidak cukup beralasan apabila menyimpulkan proses tak terkendali hanya
dengan mengamati satu unit tak sesuai saja.

Untuk menghindarkan hal ini, dipilih ukuran sampel n sedemikian sehingga

probabilitas akan mendapatkan paling sedikit satu unit tak sesuai per sampel paling
kecil 𝛾. Sebagai contoh, misalkan p = 0,01, dan diharapkan probabilitas paling
sedikit satu unit tak sesuai dalam sampel itu paling kecil 0,95. Jika D menunjukkan
banyak unit tak sesuai, maka diperoleh n sedemikian hingga 𝑃[𝐷 ≥ 1] ≥ 0,95.
Menggunakan pendekatan Poisson untuk binomial, dari tabel Poisson kumulatif
kita peroleh  = np harus 3,00. Karena p = 0,01, maka ini menyimpulkan ukuran
sampel itu harus 300.

Duncan (1974) menganjurkan bahwa ukuran sampel itu haruslah cukup besar
sehingga harapan kira-kira 50% akan menyidik suatu pergeseran proses sebesar
yang ditentukan. Sebagai contoh, andaikan p = 0,01, dan menghendaki probabilitas
akan menyidik pergeseran ke p = 0,05 sebesar 0,50. Dengan menganggap
pendekatan normal untuk binomial berlaku, harus dipilih n sedemikian sehingga
batas pengendali atas tepat berimpitan dengan bagian tak sesuai dalam keadaan tak
terkendali. Jika  besar pergeseran proses, maka n harus memenuhi
 𝜌(1−𝜌)
𝛿 = 𝑘√ (5-9)
𝑛

Maka

𝑘 2
𝑛 = (𝛿) 𝜌(1 − 𝜌) (5-10)

Dalam contoh, p = 0,01,  = 0,05 - 0,01 = 0,04 dan jika batas 3-sigma yang
digunakan, dari (5-10) diperoleh

3 2
𝑛=( ) (0,01)(0,99) = 56
0,04

Jika nilai bagian tak sesuai terkendali kecil, kriterium lain yang bermanfaat
adalah memilih n cukup besar sehingga grafik pengendali akan mempunyai batas
pengendali bawah yang positif. Hal ini menjamin, akan mempunyai mekanisme
untuk memaksa menyelidiki satu atau beberapa sampel yang memuat banyak unit
tak sesuai yang kecil luar biasa. Karena ingin mempunyai

𝜌(1−𝜌)
BPB = 𝜌 − 𝑘√ >0 (5-11)
𝑛

Ini berarti bahwa

(1−𝜌)
𝑛> 𝑘2 (5-12)
𝜌

Sebagai contoh, jika p = 0,05 dan digunakan batas 3-sigma, ukuran sampel
itu haruslah

0,95
𝑛> (3)2 = 171
0,05

Jadi, jika n  172 unit, grafik pengendali akan mempunyai batas pengendali
bawah yang positif.

Batas pengendali tiga sigma biasa digunakan pada grafik pengendali untuk
bagian tak sesuai dengan alasan bahwa dalam praktek batas-batas itu bekerja
dengan baik. Semakin sempit batas pengendali akan membuat grafik pengendali
semakin peka terhadap pergeseran p yang kecil, tetapi dengan pengorbanan lebih
seringnya “tanda bahaya yang salah”. Kadang-kadang, telah dilihat digunakannya
batas yang lebih sempit dalam usahanya untuk memaksa peningkatan kualitas
proses. Tetapi, dalam hal seperti ini harus hati-hati, karena terlalu banyak tanda
bahaya yang salah akan menghancurkan kepercayaan personil operasi terhadap
program grafik pengendali.

Harus dicatat bahwa grafik pengendali bagian tak sesuai bukan model yang
umum untuk semua data bagian tak sesuai. Ini didasarkan atas model probabilitas
binomial; yakni, probabilitas akan terjadinya unit tak sesuai adalah konstan, dan
unit produksi yang berurutan independen.

Interprestasi Titik-titik pada Grafik Pengendali untuk Bagian Tak Sesuai.

Contoh 5-1 melukiskan bagaimana titik-titik yang terletak di luar batas

pengendali diperlakukan, baik dalam pembentukan grafik pengendali itu ataupun
selama operasi rutinnya. Harus berhati-hati dalam menginterprestasi titik-titik yang
terletak di bawah garis pengendali. Kerap kali titik-titik ini tidak menunjukkan
peningkatan yang sebenarnya dalam kualitas proses. Sering kali, titik-titik itu
disebabkan oleh kesalahan dalam proses pemeriksaan, sebagai akibat dari
pemeriksa yang tidak cukup terlatih dan kurang berpengalaman, atau dari alat
pengujian dan alat pemeriksaan yang tidak ditera secara wajar. Dan juga telah
dilihat keadaan di mana pemeriksa dengan sengaja membiarkan unit tak sesuai atau
melaporkan data fiktif. Analisis harus benar-benar mengingat peringatan ini
bilamana mencari sebab-sebab terduga jika titik-titik jatuh di bawah batas
pengendali bawah. Tidak semua “pergeseran ke bawah” dalam p dapat
dihubungkan dengan kualitas yang meningkat.

Grafik Pengendali np. Mungkin juga untuk mendasarkan suatu grafik pengendali
pada banyak unit tak sesuai, bukan pada bagian tak sesuai. Ini biasa dinamakan
grafik pengendali np. Parameter grafik ini adalah

BPA = 𝑛𝜌 + 3√𝑛𝑝(1 − 𝑝)
 Garis tengah = 𝑛𝜌 (5-13)

BPB = 𝑛𝜌 − 3√𝑛𝑝(1 − 𝑝)

Jika nilai standar untuk p tidak tersedia, maka p akan digunakan sebagai
taksiran p. Banyak personil yang tidak terlatih statistik mendapatkan grafik np lebih
mudah diinterprestasi daripada grafik pengendali tak sesuai yang biasa.

2-1.2. Ukuran Sampel Berbeda-beda

Dalam beberapa penerapan grafik pengendali bagian tak sesuai sampelnya

adalah 100% pemeriksaan hasil proses selama periode waktu tertentu. Karena
dalam tiap periode dapat diproduksi banyak unit yang berbeda, maka grafik
pengendali itu akan mempunyai ukuran sampel yang berbeda-beda. Ada beberapa
pendekatan dalam pembentukan dan pengoperasian grafik pengendali dengan
ukuran sampel berbeda-beda.

Pendekatan pertama, dan mungkin yang paling sederhana adalah menentukan

batas pengendali untuk tiap-tiap sampel yang didasarkan atas ukuran sampel
tertentu. Yakni, jika sampel ke i berukuran ni, maka batas atas dan bawahnya adalah
𝑝 ± 3√𝑝(1 − 𝑝)/𝑛𝑖 . Perhatikan bahwa lebar batas pengendali berbanding terbalik
dengan ukuran sampel. Untuk melukiskan pendekatan ini, pandang data dalam
Tabel 5-4. Untuk 25 sampel itu, dihitung

∑25
𝑖=1 𝐷𝑖 234
𝑝̅ = 25 = = 0,096
∑𝑖=1 𝑛𝑖 2450

Maka, garis tengah pada 0,096 dan batas pengendali

(0,096)(0,904)
BPA =𝑝̅ + 3𝜎̂𝜌̂ = 0,096 + 3√ dan
𝑛𝑖

(0,096)(0,904)
BPB =𝑝̅ − 3𝜎̂𝜌̂ = 0,096 − 3√ 𝑛𝑖
 Dengan 𝜎̂𝜌̂ adalah taksiran deviasi standar bagian tak sesuai sampel 𝜌̂.
Perhitungan untuk menentukan batas pengendalii disajikan dalam tiga kolom
terakhir Tabel 5-4.

Tabel 5-4. Data untuk Grafik Pengendali Bagian Tak Sesuai dengan Ukuran
Sampel Berbeda-Beda
 Grafik pengendali itu dilukiskan dalam Gambar 5-4.

Pendekatan kedua adalah mendasarkan grafik pengendali pada ukuran sampel

rata-rata, yang menghasilkan himpunan batas pengendali pendekatan. Ini
menganggap bahwa ukuran sampel yang akan datang tidak akan besar bedanya dari
yang diamati sebelumnya. Jika pendekatan ini digunakan, batas pengendali akan
konstan, dan grafik pengendali hasilnya tidak akan kelihatan menakutkan bagi
personil operasi sebagaimana grafik pengendali dengan batas yang berbeda-beda.
Tetapi, jika ada variasi yang besar luar biasa dalam ukuran suatu sampel tertentu
atau jika suatu titik terletak dekat batas pengendali pendekatan, maka batas
pengendali yang tepat bagi titik itu harus ditentukan dan titik tersebut diperiksa
relatif terhadap nilai itu. Untuk data dalam Tabel 5-4 diperoleh sampel rata-rata
adalah
 ∑25
𝑖=1 𝑛𝑖 2450
𝑛̅ = = = 98
25 25

Maka batas pengendali pendekatan adalah

̅ (1−𝜌
𝜌 ̅) (0,096)(0,904)
BPA = 𝜌̅ + 3√ = 0,096 + 3√ = 0,185
𝑛 98

̅ (1−𝜌
𝜌 ̅) (0,096)(0,904)
BPB = 𝜌̅ − 3√ = 0,096 − 3√ = 0,007
𝑛 98

Grafik pengendali hasilnya ditunjukkan dalam Gambar 5-5. Perhatikan

bahwa 𝜌̂ untuk Sampel 11 terletak dekat dengan batas pengendali atas pendekatan,
meskipun tampak terkendali. Tetapi jika dibandingkan dengan batas pengendali
atas yang tepat (0,180, dari Tabel 5-4), titik itu menunjukkan keadaan tak
terkendali. Demikian juga, titik-titik yang terletak di luar batas pengendali
pendekatan mungkin terletak di dalam batas pengendalinya yang tepat. Pada
umumnya, haruslah berhati-hati dalam menginterprestasi titik-titik yang dekat
dengan batas pengendali pendekatan.
 Kita harus juga berhati-hati dalam menganalisa giliran atau pada hal yang
tampaknya abnormal pada grafik pengendali dengan ukuran sampel berbeda-beda.
Masalahnya adalah perubahan dalam bagian tak sesuai sampel 𝜌̂ harus
diinterprestasikan relatif terhadap ukuran sampel. Sebagai contoh, andaikan p =
0,20 dan dua bagian tak sesuai sampel berturutan adalah 𝜌̂i = 0,28 dan pi+1 = 0,24.
Observasi yang pertama kelihatan menunjukkan kualitas yang lebih rendah dari
observasi kedua, karena 𝜌̂i > pi+1. Tetapi, misalkan ukuran-ukuran sampelnya
adalah ni = 50 dan ni+1 = 150. Dalam unit deviasi standar, titik pertama adalah 1,89
unit di atas rata-rata, sedangkan titik kedua adalah 2,11 unit di atas rata-rata. Yakni,
sebenarnya titik kedua menunjukkan deviasi yang lebih besar dari nilai standar p =
0,20 daripada titik pertama, meskipun titik kedua adalah yang lebih kecil di antara
dua titik itu. Jelas bahwa sebenarnya di sini tidak berarti apabila hanya mencari
giliran atau pola-pola tak random lainnya.

Satu penyelesaian untuk masalah ini adalah dengan menggunakan grafik

pengendali “terstandar”, dengan titik-titik digambarkan dalam unit deviasi standar.
Grafik pengendali seperti itu mempunyai garis tengah pada nol, serta batas
pengendali atas dan bawah masing-masing +3 dan -3. Variabel yang digambarkan
dalam grafik adalah

𝑝̂𝑖 − 𝜌
𝑍0 =
𝜌(1 − 𝜌)
√
𝑛𝑖

Dengan p (atau 𝜌̂ jika nilai standar tidak diberikan) adalah bagian tak sesuai
proses dalam keadaan terkendali. Grafik pengendali terstandar untuk data dalam
Tabel 5-4 ditunjukkan dalam Gambar 5-6. Perhitungan yang berkaitan dengan
grafik pengendali ini ditunjukkan dalam Tabel 5-5. Uji untuk giliran dan metode
pengenalan pola dengan aman dapat diterapkan pada grafik ini, seperti perubahan
relatif dari satu titik ke titik yang lain semuanya dinyatakan dalam bentuk unit
pengukuran yang sama.
Tabel 5-5. Penghitungan untuk Grafik Pengendali Terstandar dalam Gambar
̂ = 𝟎, 𝟎𝟗𝟔
5-6, 𝝆
 Grafik pengendali terstandar tidak lebih sulit membuatnya atau
memeliharanya dari dua prosedur lain yang dibicarakan dalam paragraf ini. Tetapi,
pengertiannya mungkin lebih sukar bagi personil operasi untuk memahami dan
menginterprestasi, karena kaitannya dengan bagian cacat proses yang sebenarnya
telah “hilang”. Tetapi, jika ada variasi yang besar dalam ukuran sampel, maka
giliran dan metode pengenalan pola hanya dapat diterapkan secara aman pada grafik
pengendali terstandar. Dalam hal seperti itu, mungkin sebaiknya tetap
mempertahankan grafik pengendali dengan batas pengendali untuk tiap-tiap sampel
(seperti dalam Gambar 5-4) bagi personil operasi, dan dalam waktu yang sama
mempertahankan grafik pengendali terstandar untuk digunakan oleh insinyur
kualitas.

2-1.3. Fungsi Karekteristik Operasi

Fungsi karekteristik operasi (atau KO) grafik pengendali bagian tak sesuai
adalah penyajian grafis probabilitas menerima secara salah hipotesis keadaaan
terkendali statik ( yakni kesalahan tipe II atau β) terhadap bagian tak sesuai proses.
Kurva KO memberikan ukuran kepekaan grafik pengendali; yakni, kemampuannya
menyidik suatu pergeseran dalam bagian tak sesuai proses dari nilai nominal ƥ ke
suatu nilai lain p. Probabilitas, kesalahan tipe II untuk grafik pengendali bagian tak
sesuai dapat di hitung dari

β = P [ƥ <BPA|𝜌] – P [ƥ≤BPB|𝜌]

= P [D<nBPA|𝜌] – P ≤nBPB|𝜌] (5-14)

Karena D variabel random binomial dengan parameter n dari p kesalahan yang

didefinisikan dalam (5-14) dapat diperoleh dari distribusi binomial kumulatif.
 Tabel 5-6 melukiskan perhitungan-perhitungan yang di perlukan untuk
membuat kurva KO bagi grafik pengendali bagian tak sesuai dengan parameter n –
50, BPB – 0.0303, dan BPA = 0,3697. Menggunakan parameter-parameter ini.
Persamaan (5-14) menjadi

β = P[D<(50)(0,3697)[p]- p[D≤(50)(0,0303)|p]

= p[D≤1,52|p]

Tetapi, karena D harus merupakan bilangan bulat, maka diperoleh

β = P[D≤18|p]-P[D≤2|p]

Kurva KO dilukiskan dalam Gambar 5-7.

2-2. GRAFIK PENGENDALI KETIDAKSESUAIAN (CACAT)

Benda yang tidak sesuai adalah unit produk yang tidak memenuhi satu atau
beberapa spesifikasi untuk produk itu. Setiap titik tertentu di mana spefikiasi tidak
dipenuhi menghasilkan satu catat atau tidak sesuai. Akibatnya suatu benda yang tak
sesuai akan memuat paling sedikit satu ketidaksesuaian. Tetapi, sangat mungkin
suatu unit yang memuat beberapa ketidaksesuaian dan tidak diklasifikasikan
sebagai tidak sesuai, tergantung pada sifat dasar kehebatannya. Sebagai contoh,
misalkan membuat komputer. Tiap unit dapat mempunyai satu atau beberapa cacat
yang sangat kecil di dalam kabinetnya, dan karena cacat-cacat ini tidak berpengaruh
berat terhadap fungsi kerja unit itu, maka ini diklasifikasikan sebagai sesuai
spesifikasi. Tetapi, jika terdapat terlalu banyak cacat-cacat ini, komputer itu harus
diklasifikasikan sebagai tidak sesuai,karena cacat itu akan sangat kentara bagi
pembeli dan mungkin mempengaruhi penjualan unit itu. Banyak keadaan dalam
prakter dimana lebih senang berkerja langsung dengan banyak cacat atau tak sesuai,
daripada berkerja dengan bagian tak sesuai. Ini meliputi banyak patrian yang cacat
dalam 100 m pipa saluran minyak, banyak kelingan yang pecah dalam satu sayap
kapal terbang, banyak cacat fungsional dalam alat elektronik dan sebagainya.
Mungkin untuk mengembangkan grafik pengendali bagi jumlah
ketidaksesuaian dalam satu unit atau rata-rata banyak ketidaksesuaian per unit.
Grafik pengendali ini biasanya menganggap bahwa terjadinya ketidaksesuaian
dalam sampel-sampel berukuran tetap dapat dimodelkan dengan distrubusi Poisson
dengan baik. Pada dasarnya, ini mensyaratkan banyak tempat yang berkesempatan
untuk tidak sesuai haruslah nedar tak berhingga dan probabilitas akan terjadinya
ketidaksesuaian pada suatu tempat adalah kecil dan konstan. Lagi pula unit
pemeriksaan harus sama untuk setiap sempel. Yakni, tiap unit pemeriksaan harus
selalu merupaka “daerah kesempatan” yang identik untuk terjadinya
ketidaksesuaian. Demikian juga, kita dapat mencacah ketidaksesuaian yang
berbagai macam dalam saatu unit, selama syarat diatas dipenuhi tiap kelas
ketidaksesuaian.
Dalam kebanyakan situasi praktis, syarat ini tidak akan dipenuhi secara
tepat. Banyak kesempatan untuk terjadinya ketidaksesuaian mungkin berhingga,
atau probilitas akan terjadinya ketidaksesuaian mungkin tidak konstan. Selama
penyimpangan dari anggapan ini tidak besar, biasanya model Poisson akan berkerja
cukup baik. Tetap ada beberapa hal model Poisson benar-benar tidak cocok.
2.2.1. Prosedur Dengan Ukuran Sampel Konstan

Pandang kejadian ketidaksesuaian dalam suatu unit pemeriksaan produk.

Dalam kebanyakan hal, unit pemeriksaan adalah satu unit produk meskipun tidak
perlu selalu demikian . Unit pemeriksaan hanyalah suatu yang mudah menyimpan
catatannya. Dapat juga sekelompok 5 unit produk, 10 unit produk, dan seterusnya.
Anadaikan bahwa cacat atau tak sesuai terjadi dalam unit pemeriksaan ini menurut
distribusi Poisson, yakni :

e−c Cx
P(x)= ; x = 0,1,2,...
x!

Dengan x adalah banyak ketidaksesuaian dan c > 0 adalah parameter distribusi

poisson. Ingat bahwa mean dan variansi distribusi poisson adalah parameter c.
Dengan demikian , grafik pengendali untuk ketidaksesuaian dengan batas2 3-sigma
diberikan oleh :

BPA = c + 3 √𝑐

Garis tengah = c

BPB = c - 3 √𝑐 (5-15)

dengan anggapan nilai standar untuk c tersedia. Jika hitungan ini menghasilkan nilai
BPB yang negatif, ambil BPB = 0.

Jika nilai standar tidak diberikan , maka c dapat ditaksir dengan banyak
ketidaksesuaian rata-rata yang diamati dalam sampel pendahuluan unit
pemeriksaan misalnya 𝑐̅. Dalam hal ini grafik pengendali mempunyai parameter.

BPA = c + 3 √𝑐̅

Garis tengah = 𝑐̅

BPB = 𝑐̅ − 3√𝑐̅ (5-16)

Apabila nilai standar tidak diberikan, batas pengendali dalam (5-16) harus
dipandang sebagai batas pengendali percobaan, dan sampel-sampel pendahuluan
diperiksa ketidak terkendalinya. Kadang-kadang grafik pengendali untuk
ketidaksesuaian dinamakan grafik c.

Contoh 2-2.

Tabel 5-7 menyajikan banyak ketidaksesuaian yang diamati dalam 26

sampel berturut-turut 100 papan untaian tercetak. Perhatikan bahwa , untuk alasan
kemudahan, unit pemeriksaan didefinisikan sebagai 100 papan. Karena 26 sampel
memuat seluruhnya 516 ketidaksesuaian , c ditaksir dengan :

516
𝑐̅ = = 19,85
26

Dengan demikian, batas pengendali percobaan diberikan dengan :

 BPA = c + 3 √𝑐̅ = 19,85 + 3 √19,85 = 33,22

Garis Tengah = 𝑐̅ = 19,85

BPB = 𝑐̅ − 3√𝑐̅ = 19,85 - 3 √19,85 = 6,48

 Grafik pengendalinya ditunjukkan dalam Gambar 5-8. Banyak
ketidaksesuaian yang diamati dari sampel-sampel pendahuluan itu dituangkan
dalam grafik ini. Dua titik terletak diluar batas pengendali , Sampel 6 dan 20.
Penyelidikan pada sampel 6 mengungkapkan bahwa seorang pemeriksa baru yang
telah meneliti papan-papan dalam sampel ini dan dia tidak mengenali beberapa
macam ketidaksesuaian yang mungkin ada. Selanjutnya, banyak ketidaksesuaian
yang banyak luar biasa dalam Sampel 20 dihasilkan dari masalah pengendalian
temperatur dalam mesin pateri gelombang, yang kemudian diperbaiki. Dengan
demikian, tampaknya cukup beralasan untuk mengeluarkan kedua sampel ini dan
memperbaiki batas pengendali percobaan . Sekarang dihitung taksiran untuk c
diperoleh :

427
𝑐̅ = = 19,67
24

Dan batas pengendali baru adalah :

BPA = 𝑐̅ − 3√𝑐̅ = 19,67 + 3 √19,67 = 32,97

Garis Tengah = 𝑐̅ = 19,67

BPB = 𝑐̅ − 3√𝑐̅ = 19,67 - 3 √19,67 = 6,37

Ini menjadi nilai-nilai standar yang terhadapnya produksi periode mendatang akan
dibandingkan .

Dua puluh sampel baru, yang masing-masing terdiri dari satu unit
pemeriksaan (yakni 100 papan ), kemudian diambil. Banyak ketidaksesuaian
dalam tiap sampel dicatat dan dituangkan dalam Tabel 5-8. Titik-titik ini
digambarkan pada grafik pengendali dalam Gambar 5-9. Tidak terlihat keadaan
kurang terkendali , tetapi banyak ketidaksesuaian per papan masih terlalu tinggi.
Tindakan manajemen diperlukan untuk meningkatkan proses.

Analisis Ketidaksesuaian Lebih Lanjut. Data catat atau ketidaksesuaian selalu

lebih informatif dari bagian tak sesuai, karena biasanya akan ada beberapa macam
ketidaksesuaian yang berbeda. Dengan menganalisa ketidaksesuaian berdasarkan
macamnya, sering kali diperoleh pandangan lebih dalam pada sebabnya. Misalnya,
dalam proses papan untaian tercetak, ada 16 macam cacat yang bebeda.

Data cacat untuk 500 papan dituangkan dalam gambar 5-10. Perhatikan
bahwa lebih dari 60% dari keseluruhan banyak cacat termasuk dua macam cacat:
ketidakcukupan soldir dan hubungan soldir rusak. Hal ini menunjuk masalah
selanjutnya dengan proses pematrian gelombang. Apabila masalah-masalah ini
dapat dipisahkan dan dihilangkan, maka akan terjadi kenaikan hasil proses yang
luar biasa. Perhatikan bahwa ketidaksesuaian mengikuti distribusi Pareto; yakni,
kebanyakan cacat itu diakibatkan oleh beberapa macam cacat (dalam hal ini dua)
saja.
 Proses ini menghasilkan beberapa macam papan untaian tercetak yang
berbeda. Oleh karena itu, mungkin akan bermanfaat untuk memeriksa terjadinya
macam cacat menurut macamnya papan untaian tercetak (nomor bagian). Tabel 5-
9 menyajikan informasi ini. Perhatikan bahwa semua 40 ketidakcukupan soldir dan
semua 20 hubungan soldir rusak terjadi pada nomor bagian yang sama, 0001285.
Ini berarti bahwa macam papan tertentu ini sangat rentan terhadap masalah
pematrian gelombang, dan perhatian khusus harus ditujukan guna peningkatan
langkah proses ini bagi nomor bagian ini.
 Teknik yang berguna lainnya untuk analisis ketidaksesuaian lebih lanjut
adalah diagram sebab dan akibat (juga dinamakan diagram tulang ikan atau diagram
Ishikawa, dari nama pengembangnya, Dr. Kaoru Ishikawa). Diagram sebab dan
akibat digunakan untuk melukiskan dengan jelas berbagai sumber ketidaksesuaian
dalam produk dan saling hubungannya. Berguna dalam memusatkan perhatian
operator, insinyur produksi, dan pimpinan dalam masalah kualitas.
Mengembangkan diagram sebab dan akibat yang baik biasanya memajukan tingkat
pemahaman teknologi proses itu.

Suatu diagram sebab dan akibat untuk proses perakitan papan untaian tercetak
ditunjukan dalam gambar 5-11. Ada beberapa cara menggambarkan diagram itu.
Cara ini memusatkan 3 sumber umum ketidaksesuaian yang pertama: bahan,
operator, dan alat. Pendekatan lain yang berguna adalah mengatur diagram menurut
aliran bahan melalui proses.

Diagram pemusatan cacat digunakan untuk menentukan apakah

ketidaksesuaian terletak dalam daerah fisik yang sama produk itu. Diagram ini
biasanya suatu bagan atau gambaran produk itu dengan frekuensi rata-rata
terjadinya ketidaksesuaian ditunjukan dengan daerah bayangan. Gambar 5-12
adalah suatu diagram pemusatan cacat yang digunakan untuk memeriksa
gelembung-gelembung dalam tempat plastik berbentuk suntikan yag digunakan
dalam pelukis grafik. Letak gelembung kebanyakan menunjukan di sebelah kanan.
Ini selanjutnya ditelusuri ke pemanasan yang tak seimbang di dalam bentuk itu.

Pemilihan Ukuran Sampel: Grafik u. Contoh 5-2 melukiskan grafik pengendali

untuk ketidaksesuaian dengan ukuran sampel yang tepat sama dengan ukuran unit
pemeriksaan. Unit pemeriksaan dipilih untuk kesederhanaan operasional atau
pengumpulan data. Tetapi, tidak ada alasan mengapa ukuran sampel harus terbatas
pada satu unit pengukuran. Sebenarnya kadang-kadang lebih senang digunakan
beberapa unit pemeriksaan dalam sampel, dengan demikian meningkatkan daerah
kesempatan akan terjadinya ketidaksesuaian. Ukuran sampel harus dipilih menurut
pertimbangan statistik, seperti menentukan ukuran sampel cukup besar untuk
menjamin batas pengendali bawah positif atau guna memperoleh probabilitas
tertentu akan menyidik suatu pergeseran proses. Sebagai alternative lain, faktor-
faktor ekonomi dapat juga masuk dalam penentuan ukuran sampel.

Andaikan diputuskan untuk mendasarkan grafik pengenali pada ukuran

sampel n unit pemeriksaan. Perhatikan bahwa n tidak harus suatu bilangan bulat.
Untuk melukiskan ini, misalkan dalam contoh 5-2 harus menentukan ukuran
himpunan bagian n = 2,5 unit pemeriksaan. Maka ukuran sampel menjadi
(2,5)(100) = 250 papan. Ada dua pendekatan umum dalam membentuk grafik yang
perbaiki sekali ukuran sampel baru telah dipilih. Satu pendekatan hanyalah
mendefinisikan kembali unit pemeriksaan baru yang sama dengan n kali unit
pemeriksaan lama. Dalam hal ini , garis tengah pada grafik pengendali yang baru
3
adalah nc dengan batas pengendalinya terletak pada nc ± √𝑛𝑐 , dengan c mean
banyak ketidaksesuaian yang diamati dalam unit pemeriksaan aslinya. Andaikan
bahwa dalam contoh 5-2, setelah memperbaiki batas pengendali percobaan,
diputuskan untuk menggunakan ukuran sampel n = 2,5 unit pemeriksaan. Maka
garis tengah akan terletak pada nc = (2,5)(19,67) = 49,18 dan batas pengendalinya
49,18 ± 3√49,18 atau BPB = 28,14 dan BPA = 70,22.

Pendekatan kedua meliputi pembentukan grafik pengendalian berdasarkan

banyak ketidaksesuaian rata-rata per unit pemeriksaan. Jika kita peroleh c jumlah
ketidaksesuaian rata-rata per unit pemeriksaan. Maka banyak ketidaksesuaian rata-
rata per unit pemeriksaan adalah
𝑐
u=𝑛 (5-17)

Perhatikan bahwa u adalah variable radom poisson karena ini merupakan

kombinasi linear n variable random Poisson independen. Dengan demikian
parameter grafik pengendali itu adalah

ū
BPA = ū + 3 √𝑛

Garis Tengah = ū (5-18)

ū
BPB = ū - 3 √𝑛

Dengan ū menunjukkan banyak ketidaksesuaian rata-rata per unit yang

diamati dalam himpunan data permulaan. Batas pengendali yang diperoleh dari (5-
18) akan dipandang sebagai batas pengendali percobaan. Grafik ini dinamakan
grafik pngendali untuk ketidaksesuaian per unit, atau grafik u.

Contoh 2-3

Pengusaha Komputer pribadi ingin membentuk grafik pengendali untuk

ketidaksesuaian per unit pada jalur perakitan akhir. Sebagai ukuran sampel dipilih
lima computer. Data banyak ketidaksesuaian dalam 20 sampel masing-masing
dengan 5 komputer ditunjukkan dalam table 5-10.
Dari data ini, akan ditaksir banyak ketidaksesuaian rata-rata per unit sebagai

∑20
𝑖=1 𝑢 38,60
ū= = = 1,93
20 20

dengan demikian, parameter grafik pengendali itu adalah

ū 1,93
BPA = ū + 3 √𝑛 = 1,93 + 3 √ = 3,79
5

Garis Tengah = ū = 1,93

ū 1,93
BPB = ū + 3 √𝑛 = 1.93 + 3 √ = 0,07
5
 Grafik pengendalinya ditunjukkan dalam Gambar 5-13. Data pendahuluan
tidak menunjukan kurang terkendali statistic; dengan demikian, batas pengendali
percobaan diatas akan diambil untuk tujuan-tujuan pengendalian saat ini. Sekali
lagi, perhatikan bahwa meskipun proses dalam keadaan terkendali, banyak
ketidaksesuaian rata-rata per unit terlalu tinggi. Meskipun jika ada yang tidak
berfungsi atau tampak ada ktidaksesuaian, itu terlalu banyak. Manajemen barus
mengambil tindakan untuk meningkatkan proses.

Model Probabilitas Alternatif untuk Data Cacah. Kebanyakan penerapan grafik

c menganggap bahwa distribusi Poisson adalah model probabilitas yang benar yang
melandasi proses itu. Tetapi, ini bukan satu-satnya distribusi yang dapat
dimanfaatkan sebagai model “data” bertipe “cacah” atau ketidaksesuaian per unit.
Berbagai macam fenomena dapat menghasilkan distribusi cacat yang tidak dapat
dimodelkan dengan baik oleh distribusi Poisson. Sebagai contoh, andaikan bahwa
ketidaksesuaian cenderung terjadi dalam kelompok; yakni, jika di suatu bagian
produk terdapat satu ketidaksesuaian, maka kemungkinan besar di situ ada uang
lain. Perhatikan bahwa di sini paling sedikit ada dua proses random yang bekerja;
satu yang membentuk banyak dan tempat kelompok, kedua yang membentuk
banyak ketidaksesuaian dalam tiap kelompok, jika banyak kelompok berdistribusi
Poison dan banyak ketidaksesuaian di dalam tiap kelompok berdistribusi sama
(misalnya f), maka jumlah ketidaksesuaian seluruhnya berdistribusi Poisson
bersusun. Ada banyak macam distribusi bersusun atau generalized yang dapat
digunakan sebagai model data tipe cacat. Sebagai gambaran, jika banyak kelompok
berdistribusi Poisson dan banyak ketidaksesuaian didalam tiap kelompok juga
berdistribusi Poisson, maka distribusi Neyman tipe A memodelkan jumlah
ketidaksesuaian seluruhnya. Sebagai kemungkinan lain, jika distribusi kelompok
adalah gamma dan banyak ketidaksesuaian dalam tiap kelompok adalah Poisson,
maka hasilnya adalah distribusi binomial negatif. Johnson dan Kotz (1969)
memberikan ringkasan yang baik tentang ini dan distribusi diskrit yang lain yang
bermanfaat untuk memodelkan data tipe cacah.

Campuran berbagai macam ketidaksesuaian dapat mengarah ke keadaan yang

jumlah ketidaksesuaian seluruhnya tidak dimodelkan cukup oleh distribusi Poisson.
Keadaan serupa terjadi apabila data cacah mempunyai nol terlalu banyak atau
terlalu sedikit. Pembicaraan yang baik tentang masalah umum ini adalah makalah
oleh Jackson (1972). Penggunaan distribusi binomial negatif untuk memodelkan
data cacah unit pemeriksaan berbagai ukuran telah dipelajari oleh Sheaffer dan
Leavenworth (1976).

2-2.2. Prosedur dengan Ukuran Sampel Berbeda-beda

Grafik pengendali untuk ketidaksesuaian kadang-kadang dibentuk dengan

menggunakan pemeriksaan produk 100%. Apabila metode pengambilan sampel ini
digunakan, biasanya banyak unit pemeriksaan dalam sampel tidak konstan.
Demikian juga, pemeriksa gulungan kain atau kertas sering kali mengarah ke
keadaan yang ukuran sampelnya berbeda-beda, sebab panjang dan lebar semua
gulungan tidak tepat sama. Jika dalam keadaan ini digunakan, grafik pengendali
untuk ketidaksesuaian (grafik 𝑐), garis tengah dan batas pengendali keduannyaakan
berubah-ubah dengan ukuran sampel. Grafik pengendali semacam itu dapat sangat
sukar menginterpretasikannya. Prosedur yang benar adalah mengunakan grafik
pengendali untuk ketidaksesuaian per unit (grafik 𝑢). Grafik ini akan mempunyai
garis tengah konstan; tetapi, batas pengendali akan berubah-ubah berkebalikan
dengan ukuran sampel 𝑛.

Contoh 5-4

Dalam pabrik tekstil, bahan celupan diperiksa adanya cacat per 50 meter
persegi. Data dari sepuluh gulungan bahan ditunjukkan dalam Tabel 5-11. Akan
digunakan data ini untuk membentuk grafik pengendali ketidaksesuaian per unit.

Garis tengah itu haruslah banyak ketidaksesuaian rata-rata per unit

pemeriksaan yakni, banyak ketidaksesuaian rata-rata per 50 meter persegi. Ini
dihitung sebagai

153
𝑢̅ = = 1,42
107,5

Perhatikan bahwa 𝑢̅ perbandingan banyak ketidaksesuaian yang diamati

keseluruhan dengan banyak unit pemeriksaan keseluruhan.
 Batas pengendali pada grifik ini dihitung dari Persamaan (5-18) dengan
𝑛 diganti 𝑛𝑖 . Lebar batas pengendali akan berubah-ubah berkebalikan dengan 𝑛𝑖 ,
banyak unit pemeriksaan dalam gulungan. Perhitungan batas pengendali disajikan
dalam Tabel 5-12. Gambar 5-14 melukiskan grafik pengendali itu.

2-2.3. Sistem kerusakan

Dengan produk yang rumit, seperti mobil, computer, atau alat-alat besar,
biasanya didapatkan banyak jenis ketidaksesuaian atau cacat yang berbeda dapat
terjadi. Tidak semua jenis cacat ini sama pentingnya. Satu unit produk yang
mempunyai satu cacat yang sangat serius mungkin diklasifikasikan sebagai tidak
sesuai persyaratan, tetapi satu unit yang mempunyai beberapa cacat kecil mungkin
tidak perlu sesuai. Dalam keadaan seperti ini, diperlukan metode guna
mengklasifikasikan ketidaksesuaian atau cacat menurut kehebatannya dan
memberikan bobot berbagai jenis cacat dengan cara yang masuk akal.

Salah satu pola kerusakan adalah sebagai berikut:

Cacat kelas A – Sangat Serius. Unit tidak cocok sama sekali untuk pelayanan atau
akan gagal dalam pelayanan sedemikian rupa sehingga tidak mudah diperbaiki di
lapangan, atau akan menyebabkan kecelakaan atau kerusakan milik pribadi.

Cacat Kelas B – Serius. Unit mungkin akan mengalami kegagalan operasional

kelas A, atau pasti akan menyebabkan masalah operasional yang kurang serius, atau
pasti akan mengurahi tahan hidup atau meningkatkan biaya perawatan.

Cacat kelas C – Agak Serius. Unit yang mungkin akan gagal dalam pelayanan,
atau menyebabkan kesulitan yang kurang serius daripada masalah operasional, atau
mungkin mengurangi tahan hidup atau meningkatkan biaya pemeliharaan, atau
mempunyai cacat besar dalam bentuk akhir, penampilan, atau kualitas pekerjaan.

Cacat kelas D – Kecil. Unit tidak akan gagal dalam pelayanan, tetapi mempunyai
cacat kecil dalam bentuk akhir, penampilan, atau kualitas pekerjaan.

Misalkan 𝐶𝐴 , 𝐶𝐵 , 𝐶𝐶 , dan 𝐶𝐷 masing-masing menunjukkan banyak cacat Kelas A,

Kelas B, Kelas C dan Kelas D, dalam unit pemeriksaan. Anggap bahwa tiap kelas
cacat adalah independen, dan kejadian cacat dalam tiap kelas adalah dimodelkan
dengan baik oleh distribusi Poisson. Maka didefinisikan banyak kerusakan dalam
unit pemeriksaan sebagai

𝐷 = 100𝐶𝐴 + 50𝐶𝐵 + 10𝐶𝐶 + 𝐶𝐷 (5-19)

Bobot kerusakan Kelas A-100, Kelas B-50, Kelas C-10, dan Kelas D-1 digunakan
sangat luas dalam dalam praktek. Tetapi, setiap bobot yang masuk akal dan cocok
untuk suatu masalah tertentu dapat juga digunakan.
 Misalkan digunakan suatu sampel dengan 𝑛 unit pemeriksaan. Maka banyak
kerusakan per unit adalah

𝐷
𝑢=𝑛 (5-20)

dengan 𝐷 adalah banyak kerusakan keseluruhan dalam semua 𝑛 unit pemeriksaan.

Karena 𝑢 adalah kombinasi linear variabel random Poisson independen diketahui
bahwa 𝑢 adalah juga variabel random Poisson. Akibatnya, statistik 𝑢 dapat
digambarkan pada grafik penegndali dengan parameter berikut.

BPA = 𝑢̅ + 3𝜎̂𝑢

Garis tengah = 𝑢̅ (5-21)

BPB = 𝑢̅ − 3𝜎̂𝑢′ (5-22)

dengan

𝑢̅ = 100𝑢̅𝐴 + 50𝑢̅𝐵 + 10𝑢̅𝐶 + 𝑢̅𝐷 (5-22)

dan

(100)2 𝑢
̅𝐴 +(50)2 𝑢
̅𝐵 +(10)2 𝑢
̅𝐶 +𝑢
̅𝐷
𝜎̂𝑢 = [ ] (5-23)
𝑛

𝑢̅𝐴 , 𝑢̅𝐵 , 𝑢̅𝐶 dan 𝑢̅𝐷 menunjukkan banyak cacat Kelas A, Kelas B, Kelas C dan Kelas
D rata-rata per unit. Nilai-nilai 𝑢̅𝐴 , 𝑢̅𝐵 , 𝑢̅𝐶 dan 𝑢̅𝐷 diperoleh dari analisis data
pendahuluan, yang diambil ketika proses dianggan bekerja dalam keadaan
terkendali. Apabila ada, nilai-nilai standar untuk 𝑢̅𝐴 , 𝑢̅𝐵 , 𝑢̅𝐶 dan 𝑢̅𝐷 dapat juga
digunakan.

Banyak variasi jalan pikiran ini adalah mungkin. Misalnya, didapatkan

klasifikasi ketidaksesuaian sebagai cacat fungsional atau cacat penampilan, jika
lebih disenangi sistem dua kelas juga merupakan praktek yang sangat umum untuk
mempertahankan grafik pengendali tiap kelas cacat secara terpisah daripada
menggabungkannya ke dalam satu grafik.
2-2.4. Fungsi Karakteristik Operasi

Kurva karakteristik operasi (KO) untuk grafik 𝑐 dan grafik 𝑢 dapat

diperoleh dari distribusi Poisson. Untuk grafik 𝑐, grafik (KO) menggambarkan
probabilitas kesalahan tipe II 𝛽 banyak cacat rata-rata yang sebenarnya 𝑐.
Ungkapan untuk 𝛽 adalah

𝛽 = 𝑃[𝑥 < 𝐵𝑃𝐴|𝑐] − 𝑃[𝑥 ≤ 𝐵𝑃𝐵|𝑐] (5-24)

dengan 𝑥 adalah variable random Poisson dengan parameter 𝑐.

Akan membentuk kurva KO untuk grafik 𝑐 Contoh 5-2. Untuk contoh ini,
karena BPB = 6,48 dan BPA = 33,22, maka Persamaan (5-24) menjadi

𝛽 = 𝑃[𝑥 < 33,22|𝑐] − 𝑃[𝑥 ≤ 6,48|𝑐]

Karena banyak ketidaksesuaian harus bilangan bulat, ini ekivalen dengan

𝛽 = 𝑃[𝑥 ≤ 33|𝑐] − 𝑃[𝑥 ≤ 7|𝑐]

Probabilitas ini dihitung dalam Tabel 5-13. Kurva KO ditunjukkan dalam Gambar
5-15.
 Untuk grafik 𝑢, dapat dibentuk kurva KO dari

𝛽 = 𝑃{𝑥 < 𝐵𝑃𝐴|𝑢} − 𝑃{𝑥 ≤ 𝐵𝑃𝐵|𝑢}

= 𝑃{𝑐 < 𝑛𝐵𝑃𝐴|𝑢} − 𝑃{𝑐 ≤ 𝑛𝐵𝑃𝐵|𝑢}

= 𝑃{𝑛𝐵𝑃𝐴 < 𝑐 ≤ 𝑛𝐵𝑃𝐴|𝑢}

[𝑛𝐵𝑃𝐴] 𝑒 −𝑛𝑢 (𝑛𝑢)𝑐

= ∑𝑐−〈𝑛𝐵𝑃𝐵〉 (5-52)
𝑐!

dengan (y) menunjukkan bilangan bulat terkecil lebih besar atau sama dengan y dan
[y] menunjukkan bilangan bulat terbesar lebih kecil atau sama dengan y. batas
penjumlahan dalam (5-52) akibat dari kenyataan bahwa banyak ketidaksesuaian
seluruhnya yang diamati dalam sampel 𝑛 unit pemeriksaan harus bilangan bulat.
Perhatikan bahwa 𝑛 tidak harus bilangan bulat.
 BAB III

KESIMPULAN

Dari pembahasan diatas dapat disimpulkan bahwa grafik pengendali sifat

terbagi atas dua, yaitu : grafik pengendali bagian tak sesuai dan grafik pengendali
ketidaksesuaian (cacat).

Bagian tak sesuai didefinisikan sebagai perbandingan banyak benda yang tak
sesuai dalam suatu populasi dengan banyak benda dalam keseluruhan populasi itu.
Asas-asas statistik yang melandasi grafik pengendali untuk bagian tak sesuai
didasarkan atas distribusi binomial.

Benda yang tidak sesuai adalah unit produk yang tidak memenuhi satu atau
beberapa spesifikasi untuk produk itu. Setiap titik tertentu di mana spefikiasi tidak
dipenuhi menghasilkan satu catat atau tidak sesuai. Akibatnya suatu benda yang tak
sesuai akan memuat paling sedikit satu ketidaksesuaian.
DAFTAR PUSTAKA