Batas Saal Batas spesifikasi spesifikasi bawah fo atas Gambar6-1. Perlunya mengendalikan mean deviasi standar pada tingkat n¢ standar proses 94 > og proses dan variabilitas Proses. (a) Mean day jominal. (b) Mean pros 5 Hy > Hy. (0) Devin 6-2. GRAFIK PENGENDALI DANR 6-2.1, Dasar Statistik Grafik Pengendali di atas Misalkan karakteristik kualitas berdis u dan deviasi standar 0, dengan y dan o ked: ++ +X, Sampel berukuran ”, maka rata-rat: tribusi normal dengan mean uanya diketahui, Jika x,, x, ‘a sampel ini adalah Mit yt erty, n x. dan kita tahu ba hwa ¥ berdistribusi normal de dan devias ngan mean yp dan standar 05 = o/V'n. Selania 7 i itnya, probabili — a bahwa Setiap mean sampe| akan ay aa ‘obabilitasnya adalah 1 — @ 0 PY 2p:= pt z, 2 G18) Yor 3 Saad dan Dipindai dengan CamScanner207 ngendali mean sampel, Sebagaimana telah dicatat di atas, merupakan febiasaan untuk mengganti Z,/> dengan 3, schingga digunakan batas ysigma. Jika suatu mean sampel jatuh di luar batas ini, hal itu vnerupakan petunjuk bahwa mean proses tidak lagi sama dengan p. Kita telah menganggap bahwa distribusi karakteristik kualitas adalah normal. Tetapi, karena teorema limit pusat hasil di atas kira-kira masih benar meskipun sekiranya distribusi yang melandasinya bukan normal. Kita pelajari pengaruh asumsi normal pada grafik pengendali yariabel dalam Paragraf 6-2.5. Dalam praktek, biasanya kita tidak mengetahui » dan o. Oleh karena itu, nilai-nilai itu harus ditaksir dari sampel-sampel pendahuluan yang diambil ketika proses itu diduga terkendali. Biasanya taksiran ini harus didasarkan pada paling sedikit 20 sampai 25 sampel. Misalkan tersedia mm sampel, masing-masing memuat n observasi pada karakteristik kualitas itu. Biasanya, 7 akan kecil, kerap kali 4,5, atau 6. Sampel-sampel kecil ini biasanya hasil dari pembentukan himpunan bagian rasional, dan dari kenyataan bahwa biaya pengambilan sampel dan pemeriksaan yang berkaitan dengan pengukuran variabel itu relatif tinggi. Misalkan Xj, 2, > X, adalah rata-rata tiap sampel. Maka penaksir terbaik untuk rata-rata proses » adalah mean keseluruhan, yakni Xt + 7 (6-2) Jadi akan digunakan sebagai garis tengah grafik x itu. Untuk membuat batas pengendali, kita perlu penaksir untuk deviasi standar o. Kita dapat menaksir o dari deviasi standar atau ren- tang m sampel itu. Pada saat ini, kita akan memusatkan pada metode Tentang. Jika x1, x, ... , X, suatu sampel berukuran 7, maka rentang sampel itu adalah selisih observasi yang terbesar dan terkecil; yakni, R = Xmaks — Xmin i tdapat hubungan yang terkenal antara rentang suatu sampel a Alstribusi normal dan deviasi standar distribusi itu. Variabel rando G ee 1 distribusi W adalah fungsi kira inamakan rentang-relai ‘arametel i ; eae 3 rat sampel n.(Mean W adalah d). Sehingga, penaksir untuk 0 Lag Ra: Nila santa berbagal Seuran sampel diberikan dalam Tabel_ Seiten Vie Dipindai dengan CamScanner208 / Misalkan Ry, Roy rata-ratanya adalah ei R,, adalah ‘rentang m sampel itu, Ren EM R, +R, + 77+ +R, . (63 : Maka taksiran untuk o dihitung sebagai [| 4-8 | d, \ (64) Jika ukuran sampel relatif kecil, metode ‘Tentang menghasilkan penaksir untuk variansi yang hampir sama baiknya seperti enaksir kuadratik yang biasa (variansi sampel S2), Efisiensi relatif metode Ten tang terhadap S? ditunjukkan di bawah ini untuk berbagai ukuran sampel; Efisiensi Relatif [= 1,000 0,992 0,975 0,955" 0,930 0,850 Sauaun Untuk nilai m yang agak besar, misalnya n> 10, rentang kehilangan efi dalam sora erpat, Karena rentang mengabaikan semua informasi am sampel antara x, dan x. Tetapi impel yang kecil yang kerap kali digui ‘min: Tetapi, untuk ukuran samp' akan pada grafi i variabel ( = 4,5, atau 6) sangat memuaskan, Pada grafik pengendali vari Jika kita nial Bunakan ¥ sebagai Penaksir untuk w dan R/d, sebagti ntuk o, maka Parameter grafik ¥ adalah BPA= 3 fi | >I Garis tengah = > (65) BPR > 1 |e >I / Dipindai dengan CamScanner. ms {) : 1 a catat bahwa kuantitas _ Kis S { Aa | “a | 6) an Konstan yang hanya terganitiing | pada ukura aia untuk menuliskan i kembali (6-5) sebagai aa CL BPA= F44,8 Garis tengah = = cL - BPB= x- S (6-7) AR ae A, ditabet ‘an untuk berbagai ukuran sampel dalam Tabel Lam- ee telah melihat bahwa rentang sampel berhubungan dengan deviasi standar proses. Oleh karena itu, variabilitas proses dapat diken- galikan dengan menggambarkan nilai-nilai R dari sampel-sampel yang perturutan pada grafik pengendali. Grafik pengendali ini dinamakan gafik R. Parameter grafik R dapat ditentukan dengan mudah. Garis tengahnya adalah R. Untuk menentukan batas pengendalinya, kita perlu taksiran untuk op. Dengan menganggap bahwa karakteristik kualitas , berdistribusi normal, estimasi 6, } dapat diperoleh dari distribusi Tentang | relatif H’ = R/o. Deviasi standar W, katakan d,, adalah fungsi n yang diketahui. Jadi, karena R= Wo maka deviasi standar R adalah op = d30 Karena o tidak diketahui, kita dapat menaksir og dengan . be OG 68) Dengan demikian, parameter grafik R dengan batas pengendali 3-sigma Yang biasa adalah Dipindai dengan CamScanner210 BPA = R+36,= R430, p Garis tengah = R _ (63 > 5 R BPB = R-36,= R-30,7- Jika kita misalkan D; = dan as D,=1+ aE kita dapat mendefinisikan kembali parameter-parameter grafik R seba. gai \ BPA =RD, | Garis tengah = R \ 10) BPB = RD, Konstan D, dan D, ditabelkan untuk berbagai nilai-7 dalam Tabel Lam- piran VI. Apabila sampel-sampel pendahuluan digunakan untuk memben- tuk grafik pengendali ¥ dan R. Sudah biasa untuk memperlakukan batas Pengendali itu sebagai nilai-nilai percobaan. Maka m mean dan rentang sampel harus kita gambarkan pada grafik-grafik itu dan setiap sampel yang di luar batas pengendali harus kita selidiki. Apabila sebab-sebab terduga untuk titik-titik ini ditemukan, titik-titik itu harus dibuang dan ditentukan batas pengendali percobaan yang baru. 6-2.2. Perkembangan dan Penggunaan Grafik ¥dan R Dalam paragraf yang lalu telah kita sajikan latar belakang statistik untuk grafik pengendali = dan R, Sekarang kita lukiskan pembentuk@r dan penerapan grafik-grafik ini. Kita juga membicarakan beberapa 4" petunjuk penggunaan grafik-grafik ini dalam praktek. Dipindai dengan CamScanner211 Contoh 6-1 Cincin piston untuk mesin automobil ¢j engine obil diproduksi penempaan. Kita ingin membuat pengendalian Proses ii oo ete gunakan grafik ¥ dan R. Telah diambil dua puluh tas eee meee masing berukuran lima, ketika kita menyangka bahwa proses itu terken, . dali. Data dari sampel-sampel ini ditunjukkan dalam Tabel 6-1 abel 6-1. Data Cincin Piston Tempaan, Contoh 6-1 Nomor : : sempel Observasi R 1 74,030 74,002 74,019 73,992 74,008 sf o f ¢ 74,010 0,038 = 73,995 73,992 74,001 74,011 74,004 74,001 0,019 3 73,988 74,024 74,021, 74,005 *74,002 74,008 0,036 4 74,002 73,996 73,993 74,015 74,009 74,003 0,022 5 73,992 74,007 74,015 73,989 74,014 74,003 0,026 6 7 8 74,009 73,994 73,997 73,985 73,993 73,996 0,024 73,995 74,006 73,994 74,000 74,005 74,000 0,012 73,985 74,003 73,993 74,015 73,988 73,997 0,030 9 74,008 73,995 74,009 74,005 74,004 © 74,004 «(0,014 10 73,998 74,000 73,990 74,007-«73,995-73,998 0,017 un 73,994 73,998 73,994 73,995 73,990 73,994 0,008 12 74,004 74,000 74,007» 74,000 73,996 74,001 «(0,011 13 73,983 74,002-«-73,998 «73,997 74,012 73,998 (0,029 14 74,006 73,967 73,994 74,000 73,984 + 73,990 (0,039 15 74,012 74,014 73,998 73,999 74,007 74,006 0,016 16 74,000 73,984 74,005 «73,998 73,996 73,997 0,021 17 73,994 74,012-—-73,986 74,005 «74,007 74,001,026 18 74,006 + 74,010-«—«-74,018 ~—74,003 74,000 74,007,018 19 73,984 74,002 74,003 74,005 73,997 73,998 0,021 20 74,000 74,010» 74,013 «74,020 74,003 74,009 0,020 21 73,988 74,001 74,009 «74,005 «73,996 73,996 0,033 2 74004 73,999 73,990 74,006 74,009 74,002. 0,019 2% 74010 73,989 73,990 74,009 «74,014 74,002 0,025 24 74015 74,008 73,993 74,000 74,010 74,005 0,022 25 73.982 73,984 73,995 74,017 74,013 73,998 0,035 = = 1850,024 = _ 0,581 Fe mon R= 003 4 + 1? dan R, yang terbaik . engendali = Apabila_membuat_ grafik peng: endali pada grafik £ ter- Memulainya dengan grafik R. Karena batas peng Dipindai dengan CamScanner212 gantung pada variabilitas proses, kecuali variabilitas proses batas pengendali ini tidak akan banyak berarti, dalam Tabel 6-1, kita peroleh garis tengah untuk gr: % rR, terkeng, Menggunakan ag i afik R sama dengan 0,581 Ts 25 cun, 0,023 25 Untuk sampel dengan 1 = 5, kita peroleh D; = 0 dan Dg = 2,115 day; Tabel Lampiran VI. Oleh karena itu, dengan menggunakan (6-10) bata pengendali untuk grafik R adalah ; BPB = RD, = 0,023(0) = 0 BPA = RD, = 0,023(2,115) = 0,049 1 B08 | BPA = 0,049 0,05 _— 0,04 0,03 0702 0 123.48 678 9 1011121314 15161718 19 2021 2223242 Nomor Sampel Gambar 6-2. Grafik R bagi Contoh 6-1, Dipindai dengan CamScanner213 4. R ditunjukkan dalam Gambar 6-2. Apabi it vafik R alam Gar pabila rentang 25 sampel itu Grebarkan pada grafik ini, tidak ada petunjuk keadaan yang tidak terkendali 3 7 Karena grafik R menunjukkan bahwa variabilitas proses terkendali ang kita boleh membuat grafik %. Garis tengahnya adalah sekaré 25 Ly, inn __1850.024 | Is 35 = 74,001 untuk mendapatkan batas pengendali grafik %, kita gunakan A, = 0,577 dari Tabel Lampiran VI untuk sampel berukuran n = 5 dan Persamaan (6-7) untuk memperoleh B+ Ag = 74,001 + (0,577)(0,023) = 74,014 BPA = | dan BPB = ¥— AR = 74,001 — (0,577)(0,023) = 73,988 | iisiytg[osea'S mame eect ore 74,010 | 74,005 lee z 74,000 73,995 73,990 73,985 |- 2. 22232425 367 8 9 1011 121314 1516171819 20 1234 Nomor Sampel G ‘mbar 6-3, Grafik ¥ bagi Contoh 6-1. Dipindai dengan CamScanner214 ji mbar 6-3. Apabila mean say Grafik ¥ Se Gane ini, tidak ada etUnjuk dia the dahuluan er ndali, Dengan demikian, karena Bratik ¥ day Re keadaan tak Fan Keadaan terkendali, kita simputkan bahwa . iehewdal pats tingkat yang dinyatakan - cra batas Pengenday it n i proses pada . eae ea neal tentan, peel proses. Dari grafik &, kita dapat menaksir cincin piston sebagai ¥ = 74,001 mm, Deviasi stan Sos dengan Persamaan (6-4); yakni B kemam Duan mean diame, ‘ar proses dana, ‘lai dy untuk sampel berukuran lima diperoleh dala iran VI. Batas spesifikasi cincin piston ini adalah 74, Data grafik pengendali dapat digunakan untuk menggambarkan si cincin piston relatif terhadap wa diameter cincin piston adalah dom berdistribusi normal dengan mean 74,001 dan devias, 0099, kita dapat menaksir bagian tak sesuai cincin piston yang u agai IM Tabel 000 + 0,03 ‘Kasi ini, Dengan menganggap bah: P= P(x < 73,970) + P(x > 74,030) i 73,970 — 74,001 74,030 — 74,001 of 0,095 ) le o( (0039 ) ee] (-3,13) a (2,93) Yakni, sekitar 0 i : lar spesitikan, 6% ati cincin piston yang diproduksi akan ada di Perbandingan eae nvatakan kemampuan Proses adalah bentuk kualitas den, an bates a Proses (PKP), yang untuk karakteristik dab BSB) adalah Pi ae vas dan, bawah (masing-masing BSA f BSA~ ppp PKP = B —~ Dipindai dengan CamScanner215 jkan bahwa penyebaran proses 60 adalah definisi 5. Untuk proses cincin piston, kita poe — 74,03 ~ 73,97 6(0,0099) perhal ual prose’ PKP = Ini perarti bahwa batas toleransi ’alami’”’ dalam proses itu (3-sigma di atas dan di bawah mean) hampir tepat berimpit dengan batas spesifikasi atas dan pawah. Akibatnya, cukup rendah! banyak cincin piston yang tak sesuai yang akan diproduksi. Dalam Gambar 6-4(a) ditunjukkan suatu proses dengan PKP >i. perhatikan bahwa batas spesifikasi terletak di luar batas toleransi alami (BTAA = # + 3-sigma, BTAB = p— 3-sigma); akibatnya, benar-benar tidak akan ada unit yang diproduksi yang tidak sesuai. Gambar 6-4(b) menunjukkan suatu proses dengan PKP = 1. Untuk distribusi normal, ini berarti sekitar 27 unit tak sesuai per 10.000 yang dihasilkan. Akhir- nya, Gambar 6-4(c) menyajikan suatu proses dengan PKP < 1. Apabila toleransi alaminya terletak di dalam spesifikasi, proses itu sangat peka hasilnya, dan cukup banyak unit tak sesuai yang akan diproduksi. Lima belas sampel tambahan dari proses produksi cincin piston dali itu. Data dari sampel-sampel diambil setelah dibuat grafik pengen baru ini ditunjukkan dalam Tabel 6-2, dan kelanjutan grafik XdanR ditunjukkan dalam Gambar 6-5. Grafik pengendali menunjukkan bahwa proses dalam keadaan terkendali sebelum nilai % dari sampel ke- dua belas digambarkan. Karena titik ini dan tiga titik berikutnya terletak di atas batas pengendali atas, kita menyangka bahwa sebab ter- duga telah terjadi sekitar waktu itu. Pola umum titik-titik pada grafik ¥ dari sekitar sampel 9 dan 10 ke atas menunjukkan suatu pergeseran dalam mean sampel. Dalam pengendalian pada jalur, mungkin pergeseran telah diamati pada sampel 10, khususnya jika batas per- ingatan atau sesuatu aturan pengambilan keputusan Jain yang dibicarakan dalam Bab 4 untuk mempekakan dan menginterpretasikan srafik pengendali digunakan. ————_ 1 x 7 pitenggung 0,256% ketidaksesuaian kedengarannya sangat kecil sampai (Rie ini adalah 2560 ketidaksesuaian benda per juta, Jika volume Pr 256% kevidekeesuaian mungkin secara keseluruhan tidak daP3t diterima. Dipindai dengan CamScanner26 Gambar 64, Keroncokan proses dan perbandingan Kemampuan proses (PEP). Dalam memeriksa data gratik Pengendali, kadang-kadan menolong untuk memb jentuk grafik bagi observasi dalam tiap samp Grafik ini kadang-kadang dinamakan Srafik foleransi atau diagram ® tingkat, Ini dapat mengu: kapkan suatu pola dalam data, atau ini dar" menunjukkan bahwa nilai ¥dan & tertem, dihasitkan olein satu atau oe ghservasi luar biasa dalam sampel. Suara sratik observasi-obser™ dalam 15 sampel terakhir ditunjukkas dalam Gambar 6-6, Gralik it ‘dak menunjukkan bahwa tanda-tents tidak terkendali_ o 0 i Rn n M4 1s dibanygkiee mungkin « 10 diamt.: mm, Bais bersama cs Apabita nic distribuss yang jelas Persentias« diproduy Sekitar ¢ 4 Sebab pe, Dipindai dengan CamScanner217 4.2. Sampel-sampel Tambahan untuk Contoh 6-1 Nomor a Observasi 5 74,012 74,015 74,030 73,9867. 7 73,995 74,010 73,990 74,015 pao feo owas 3 73,987 73,999 73,985 74,000 73,990 0” OnIs 3743008 74,010 74,003 73,991 74,006 mat 6019 $74,003 74,000 74,001 73,986 73,997 73,997 0,017 & 73,994 74,003 74,015 74,020 74,004 74,007 0,026 $ 74008 74,002 74,018 73,995 74,005 74,006 0,023 $74,001 74,008 73,990 73,996 73,998 73,998 0,014 § TA01S 74,000 74,016 74,025 74,000 74,011 0,025 10 74,030 74,005 74,000 74,016 74,012 74,013 0,030 tr 74001 73,990 73,995 74,010 74,024 74,00 0,034 12 74,015 74,020 74,024 74,005 74,019 74,017 0,019 3 74,035 74,010 74,012_74,015_— 74,026 74,020 (0,025 4 74017 74,013 74,036 74,025. 74,026 74,023 (0,023 15 74,010 74,005 74,029 74,000 74,020 74,015 (0,029 dibangkitkan oleh observasi-observasi luar biasa, tetapi tanda-tanda itu mungkin dihasilkan dari pergeseran mean di sekitar waktu sampel 9 atau 10 diambil. Rata-rata mean sampel 9 sampai dengan 15 adalah 74,015 mm. Batas spesifikasi 74,000 + 0,03 mm dituangkan dalam Gambar 6-5, bersama dengan grafik distribusi normal yang menunjukkan hasil proses apabila mean proses sama dengan nilai terkendali 74,001 mm. Grafik distribusi normal yang menunjukkan hasil proses pada mean diameter yang jelas baru 74,015 ditunjukkan juga dalam Gambar 6-6. J elas bahwa persentase ketidaksesuaian cincin piston yang jauh lebih tinggi akan diproduksi pada mean diameter yang baru ini; sebenarnya sekarang sckitar 643% dari hasil proses itu tidak sesuai. Penyelidikan tentang sebab pergeseran dalam mean ini harus dilakukan. Sering kali masukan dati operator, insinyur produksi, manajemen, dan staf teknik kualitas Perlu guna menemukan dan menghilangkan sebab-sebab terduga. Batas Pengendali, Batas Spesifikast dan Batt Toleransi Alami, Satu hal Yang perlu ditekankan adalah tidak adanya hubungan atau pertalian ae ‘ara batas pengendali grafik X dan R dan batas spesifikasi prove Eel i rr ts Benger at A acnblitas-alami- prose - Boe engan deviasi standar proses 0); yak oleh ‘batas toleransialani a ntukan dari luar, Bata’ ymungkin ebaliknya, batas spesifikasi Dipindai dengan CamScanner218 74,030 |- 74,020 |- BPA = 74,014 74,010 74,000 73,090 |- BPB = 73,988 73,080 |- 12345678 9101112131415 Nomor sampel 0.06 + BPA = 9,049 12345678 9i01li2i31415 ; Nomor sampet Gambar 6-5. Lanjutan grafik & dan R, Contoh 6.1. “kan. oleh manajemen, insinyur produksi, angganan, atau oh erancang/pengembang produk. Seseorany wenn emi pengetahuan tentang Variabilitas yang merupakan sifat proses apabil® menentukan spesifikasi, tetapi ingar bahwa antara_batas pengendal! batas spesifikasi tidak ada hubungan matemanie cen txistik, Kea ini diringkaskan dalam Gambar 6.7 Kita telah menjumpai para pratt Dipindai dengan CamScanner4 219 menggambarkan batas spesifikasi pada gratik_pengendali ek ini sama sekali tidak benar dan seharusnya tidak dilakukan. Aira bekeria dengan grafik observasi itu sendivi (bukan ratavratanya) apabejuam Gambat 6-6, akan bermantaat menggambarkan batas a mifikasi pada grafik itu, jmpunan Bagian nal Penge tentang himpunan bagian ra- sional memainkan peranan penting dalam penggunaan grafik pengen- sy Dalam praktek mendefinisikan suatu himpunan bagian rasional Spat ebit mudah jika kita mempunyai pengertian yang jelas tentang fungsi dua macam grat pengendali itu. Grafik ¥ memantau tingkat jualitas proses rata-rata. Oleh karena itu, sampel-sampel harus dipilih yang. sedemikian rupa sehingga memaksimumkan kemungkinan terjadinya Batas spesifikasi atas = 74.030 esse Batas spesifikasi bawah = 73,970 Lt L 345 6 7 8 9101112131415 Nomor sampel G “mbar 66. Gambar observasi individual, Contoh 6-1 Dipindai dengan CamScanner220 perbedaan antare adalah _grafik mat bagaimana batas pengendali g1 yang lalu. Taksiran deviasi standar menaksir 0 berdasarkan nilai-nilai rata-rata sampel. Sebaliknya, mengukur variabilitas dalam suatu sampel. Dengan demikian Say sampel harus dipilih sedemikian hingga perbedaan-perbedaa, dal sampel-sampel itu maksimum. Cara lain dalam mengatakay ‘memantau_variabilitas_di_antara_ -sampel_(vatiabi luruh waktu), dan grafik R menj tag dalam sampel (variabilitas proses seketika pada wakt ~~ Satu segi yang penting tentang ini jelas dari rafik ¥ dan R ditentukan dart pi Proses_o_yang digunak, Rembentukan_batas_pengendali_dihitung dari variabilitas dalam iz, sampel (yakni dari rentang tiap sampel). ~tuk o hanya mencerminkan variabilitas di dalam sampel taksiran kuadrat yang biasa, Statik p Mpel. ‘am hal inj gukur_variahi pemeriksaan Vang coy, lam Dengan 1 demiikian, taksira ie idaklah bena~_ yaitu BSB (ditentukan dari luar) BIAB Distribusi BPB 4 Pengukuran proses eres TIN Dist - individu, x yh: Dilai-nilaj = Garis tengah arafik = H BPA oo Gambar 6-7. Hubungan batas ‘oleransi alami My BTAA BSA (ditentukan dari luar) batas pengendali dan batas spesifikasi Dipindai dengan CamScanner| dalah observasi-ke-j dalam sampel“ke-7, sebab jika mean enyebabkan_S terlalu_besar. Akibat- sat.Penggabungan semua data_awal nga Xj 9 oioel berbeda,_mak ho akan ditaksi enggabungkan kedua variabilitas di dalam sampel dan di an- tara sampel. Batas pengendali_harus didasarkan_pada_variabilitas-di. alam sampel Saj Garis petunjuk guna Merancang Grafik Pengendali, |Guna merancang ‘gafik ¥ dan R, kita harus imenentukan ukuran sampel, lebar batas pengendali, dan frekuensi pengambilan sampel yang digunakan. Tidaklah mungkin untuk memberikan penyelesaian yang pasti terhadap masalah rancangan grafik pengendali, kecuali penganalisa mempunyai informasi yang rinci tentang ciri-ciri statistik uji grafik pengendali dan faktor-faktor ekonomi yang mempengaruhi masalah itu. Penyelesaian yang lengkap terhadap masalah itu memerlukan pengetahuan tentang biaya pengambilan sampel, biaya penyelidikan dan mungkin perbaikan proses sebagai jawaban terhadap tanda-tanda tak terkendali, dan biaya yang berkaitan dengan menghasilkan produk yang tidak memenihi spesifikasi. Diberikan informasi seperti ini, suatu model keputusan ekonomi dapat dibentuk guna rancangan grafik pengendali yang ekonomis optimal. Dalam Bab 9 kita bicarakan pendekatan ini terhadap masalah itu. Tetapi, sekarang mungkin dapat memberikan beberapa garis petunjuk umum yang akan membantu dalam rancangan grafik pengendali, Jika grafik % yang digunakan ki eseran sedang sampai besar, Katakan pada tingkat 20 ala¥ lebih Pergeseran sedang sampai besar, katakan pada tingkat 20 atau lebih besar, maka ukuran sampel yang relatif kecil 1 = 4,5, atau 6 cukup eck Sebaliknya, jika kita mencoba menyidik pergsser'e kel, maka iperlukan ukuran sampel yang lebih besar mungkin ” = 15 sampai 7 = i Apabila digunakan sampel-sampel yang lebih kecil, risikonya Le tan terjadinya pergeseran proses selagi sual sampel diambil. Tika samy Pergeseran terjadi selagi suatu sampel diambil, maka bens Samrel iu dapat mengaburkan akibat ini. Dengan demikian, ini ada Ww alasan intuk mengeunakan ukuran sampel sekecil mungkin yang hususnya untuk menyidik per- Dipindai dengan CamScanner a ini untuk menaksir o adalah berbahaya, sebab kemungkinan BaKonsisten dengan besar pergesetan PLOSeS YAN dleobe Menyiay Sedagati alternatif menaikkan wbucan sapel adalah MeugRUNAkan NY, peringatan dan prosedur aemperpekst yang lain untuk Memperyiel® Kemampuan gratik pengendali guna menyidik pergeseran itl ing “eS Yan, Kevil, ‘ Untuk sampebsampel kecil, gratik & relatit tidak poke terh, pergeseran deviasi standar proses, Misaluya, sampelsampel betukura = S hanya mtempunyai peluang sebitar 404% akan menyiik pera” deviasi standar proses dati o menjadi 20 pada sampel yang pettan” Sampet-sampel yang lebih besar kelihatannya lebih efektit, tetapi Ee tahu bahwa metode rentang turun rendah sekali otisiensinya wna, penaksir deviasi standar apabila x naik, Sehingga, untuk» Katakan 7 > 10 atau 12, mungkin yang terbaik tidak mengeunalay geafik & melainkaw grafik pengendali § dan $2, Pembentukan grat aca rine ditunjukkan dalam Paragrat 63.1 dan 63,2, si pandangan statistik, kurva karakteristik operasi gratiky dan 8 dapat bermanfaat dalam memilih ukuran sampel, Kepada pengan: kurva itu akan memberikan perasaan. tentang besar Pergeseran proses yang akan disidik dengan probabilitas Yang dinyatakan untuk sebarang ukuran sampel 7. Kurva karakteristik operasi ini didicarakan dalam Paragraf 6-2.6. Masalah pemilihan ukuran sampel dan frekuensi pengambilan sampel adalah masalah rm ukan upaya sampling. Umumnya, pem- buat keputusan hanya akan mempunyai sumber daya yang terbatas un- tuk ditentukan psda proses pemeriksaan. Strategi yang ada bissany: memilih salah satu, mengambil sampel-sampel kecil tetapi sering, atau mengambil sampel yang lebih besar tetapi lebih jarang. Misalnya, pemilihan itu antara sampel-sampel berukuran lima tiap setengah jam, atau sampel-sampel berukuran 20 tiap dua jam, Tidak mungkin untuk mengatakan strategi mana yang terbaik dalam semua hal, tetapi prakteh industri saat ini cenderung memilih samy Perasaan yang umumnya ada adalah sampelitu-terlalu besar, akan terlah ng cacat ys" diproduksi sebelum kesempatan menyidik pergeseran proses yane _ terjadi. Dari Pertimbangan ekonomi, jika biaya menghasilkan prod yang cacat tinggi, maka sampel-sampel yang lebih keci! dan lebih. ss adalah lebih baik dari sampel-sampel yang lebih besar tetapi Keb jarang. Dipindai dengan CamScanner223 ingkat produksi juga mempengaruhi pemilihan ukuran sampel frekuensi pengambilan sampel. Jika tingkat produksi tinggi, a 50.000 unit per jam, maka dituntut pengambilan sampel yang ing daripada jika tingkat produksi sangat lamban, Pada tingkat dan misalny’ bin sering i ada ji a ; produksi yang tinggi, banyak unit produk tak sesuai_yang akan giproduksi dalam wale ane Sangat singkat apabila terjadi ergeseran soses Capt pula, pada tingkat produksi yang tinggi kadang-kadang mungkinkan_ untuk memperoleh sampel-sampel yang cukup besar secara ekonomis. Misalnya, jika kita memproduksi $0.000 unit per jam, tidak terdapat perbedaan waktu yang besar untuk mengumpulkan sampel berukuran 20 dibandingkan dengan sampel berukuran 5. Jika biaya pemeriksaan dan pengujian per unit tidak tinggi, proses produksi kecepatan tinggi kerap kali dipantau dengan ukuran sampel yang cukup besar. Penggunaan batas pengendali 3-sigma pada grafik pengendali < dan R merupakan praktek yang meluas. Tetapi ada keadaan yang penyimpangan dari kebiasaan pemilihan batas pengendali ini akan ber- manfaat. Misalnya, jika untuk menyelidiki tanda-tanda bahaya yang palsu atau kesalahan tipe I (timbul tanda tak terkendali selagi sebenar- nya proses terkendali) sangat mahal, maka mungkin yang lebih lebar dari 3-sigma—mungkin selebar 4-sigma. Tetapi, jika proses itu adalah sedemikian hingga tanda-tanda tak terkendali dapat diselidiki dengan mudah dan cepat dengan kehilangan waktu dan biaya yang minimal, maka cocok dengan batas pengendali yang lebih sempit, mungkin 2sigma. Batas peringatan pada grafik ¥ dan R dan prosedur seperti aluran-aturan Western Electric dapat juga berguna untuk meningkatkan kepekaan terhadap pergeseran proses yang kecil. Batas Probabilitas pada Grafik ¥ dan R. Sudah merupakan kebiasaan ene Menyatakan batas pengendali pada grafik ¥ dan R sebagai Than deviasi standar statistik yang digambarkan pada grafik itu. bia lipatan yang dipilih k, maka batas itu berarti batas k-sigma, yang biasa adalah k = 3. Tetapi seperti telah disebutkan dalam aa eae juga untuk mendefinisikan batas pengendali dengan pert not ingkat Kesalahan tipe I untuk uji itu. Batas pengendali Meprig i dinamakan batas probabilitas, dan digunakan secara luas di ‘an beberapa kawasan Eropa Barat. endear untuk memilih batas probabilitas bagi grafik x. Karena & 'stribusi normal, kita dapat memperoleh kesalahan tipe satu Dipindai dengan CamScanner224 yang diinginkan @ dengan memilih kelipatan Tae ek datas Dengen, dali it sebagai k = Za,» dengan Lal rete : perzeniate a/2 a | distribusi normal standar, Perhatikan bahwa a ooo Yang biasy itu berarti probabilitas kesalahan tipe 1 boned : 0027, Misalnys, jika kita memilih a = 0,002, sebagaimana dilal 7 re oleh kebanyakay is yang menganjurkan batas probabilitas, maka Z,/. = 20.00 : 3,09. Dengan demikian, sangat kecil perbedaan antara batas Pengenday, n batas pengendali 3-sigma, Falipesulnen ita membentuk grafik & dengan menggunakan batas probabilitas, Jika a = 0,002, diperlukan titik persentase 0, 001 dan 0,999 distribusi rentang relatif W = R/a. Jelas bahwa titik- itik ini tergantun, pada ukuran himpunan bagian 7. Dengan menuliskan titik-tituk nj Wool") dan W oo9(7), dan menaksir 0 dengan R/d,, kita akan mem. punyai batas 0,001 dan 0,999 untuk R sebagai Wooo((R/d,) dan Wo oom(R/d;). Jika kita misalkan Do o9 = Wo,o1(")/d dan Do 059 = Wo o9e(t/dy, maka batas probabilitas grafik R adalah BPA = Do gol BPB = Do ook Tabel pasangan nilai (Do,991+ Do,999), (Do,oo5 Doggy dan Dos, Do.g7s) untuk 2 < 2 < 10 ada dalam’ Grant dan Leavenwarth (1980, 292), Batas pengendaii ini tidak akan banyak berbeda dengan batas 3-sigma yang biasa. Tetapi untuk ukuran sampel 3 < n < 6, batas itu akan menghasilkan batas pengendali bawah yang positif untuk grafik R sedangkan batas 3-sigma yang biasa tidak. 6-2.3. Grafik Berdasarkan Nilai Standar _ Apabila mungkin untuk menyatakan nilai standar mean dan deviasi standar Proses, kita dapat menggunakan standar ini untuk membentuk grafik pengendali ¥ dan R tanpa analisis data yang lal: Misalkan standar yang diberikan adalah yw dan o. Maka parameter grafk F adalah ; BPA = 43-2 vn Garis tengah = (611) BPB =, — Dipindai dengan CamScanner225 3/Vn = A, misalnya, adalah suatu konstan yang tergantung , yang telah ditabelkan dalam Tabel Lampiran Vi. Dengan pad jan, kita dapat menulis parameter grafik 2 sebayai gem BPA = + Ag Garis tengah = Kuantitas (6-12) BPB = 1 — Ao Untuk membentuk grafik X dengan nilai standar o, kita ingat bahwao = R/d2, dengan d, adalah mean distribusi rentang relatif, Lagi ula, deviasi standar R adalah og = d3o, dengan d, deviasi standar distribusi rentang, relatif. Maka, parameter grafik pengendali itu adalah BPA = dp + 3d Garis tengah = d,o (6-13) BPB = dy — 30,0 Sudah kebiasaan untuk mendefinisikan konstan Dy = d,—3d; D, = dy + 3d; Konstan ini ditabelkan dalam Tabel Lampiran VI. Jadi, parameter grafik R dengan o standar diberikan adalah BPA = Dy Garis tengah = do (6-14) BPB = Do Orang harus berhati-hati apabila nilai standar p dan o diberikan. Mungkin standar ini tidak benar-benar berlaku pada proses itu, dan sebagai hasilnya, grafik ¥ dan R akan menghasilkan banyak tanda-tanda tak terkendali relatif terhadap standar-standar yang dinyatakan itu. Jika Proses itu benar-benar terkendali pada suatu mean dan deviasi standar Hay ‘ain, maka penganalisa menghabiskan usaha yang cukup besar en Sebab-sebab terduga yang tidak ada. Nilai standar o kelihatan- alan mberikan kesulitan yang lebih banyak daripada nilai standar p. Denyer Proses yang mean karakteristik kualitas dikendalikan dengan ‘uaian mesin, nilai standar atau sasaran p kadang-kadang berguna Dipindai dengan CamScanner~2B 226 dalam mencapai tujuan manajemen mengenai penampilan proses, | ¥danR 6-2.4, Interpretasi Grafil ta catat di atas bahwa gratik pengendali dapat menunjyj, kan keadaan tak terkendali meskipun tidak Eo us pun ‘erletak dilug batas pengendali, jika pola_titik-t itik yang ue arkan_menunjukkan tingkah laku tak random atau sistematik. Dalam banyak hal, Pola tik. titik yang digambarkan akan memberikan informasi diagnostik Yang berguna pada proses itu, dan informasi ini dapat digunakan untuk men. buat perubahan-perubahan proses yang memperkecil variabilitas (tujuan pengendalian proses statistik). Dalam paragraf ini, kita membicarakan secara singkat beberapa pola yang lebih umum yang tampak pada grafik ¥dan R, dan menunjukkan beberapa karakteristik proses yang dapat menghasilkan pola-pola ini. Untuk menginterpretasikan grafik ¥ dan R secara efektif, penganalisa harus kenal dengan asas-asas statistik yang melandasi grafik pengendali dan proses itu sendiri. Informasi tambahan pada interpretasi pola dalam grafik pengendali adalah di dalam Buku Pegangan Pengendalian Kualitas Statistik Western Electric (1956, 149-183), Dalam menginterpretasikan pola pada grafik X, pertama-tama kita harus menentukan apakah grafik R terkendali atau tidak. Beberapa sebab terduga tampak pada grafik ¥ dan R. Jika grafik ¥ dan R ke duanya menunjukkan pola tak random, strategi yang terbaik adalah Pertama-tama_menghilangkan sebab-sebab terduga_grafik R. Dalam banyak hal, ini secara otomatis akan menghilangkan pola tak random pada grafik ¥. Jangan sekali-kali menginterpretasikan grafik ¥ apabll emf menunjukkan keadaan tak terkendali, Oo conh danas Sarak a eat penaend mungkin merupakan aki ‘ambar 6-8. Pola pada grafik ¥ sep ‘is seperti depend ta ana Perubahen lingkungan yang sisie/t " + kelelahan operator. r dan /ata mesin yang teratur, atau fluktaad a, Perputaran operato: ais variabel lain dalam alat wauasi dalam voltase atau tekant® akat menampakkan gerakan sie kere Kadang-kadang_grafik A stat Operator, ketidaktahanan alat soho dadwal pemeliharaan, Ke! terial besar. Dalam suatu studi agai akibat variabilitas yan8 © i ie Yang penulis ini terlibat, variabilitas siste™ dalam volume isi suatu kaleng logam di i, VaR Jangsu"s Putus satu kompresor dalam mesin ine oleh putaran la Telah kit Dipindai dengan CamScanner227 BPA ‘Nomor sampel Gambar 6-8. Putaran grafik pengendali. Suatu campuran ditunjukkan apabila titik-titik yang tergambar cenderung jatuh dekat atau sedikit di luar batas pengendali, dengan titik- titik yang relatif sedikit dekat garis tengah, seperti ditunjukkan dalam Pola campuran ditimbulkan oleh dua (atau lebih) distribusi Gambar 6-9. Pola car pembentuk hasil proses yang tumpang suh. Distribusi probabilitas yang Gambar 6-9 ditunjukkan dapat dikaitkan dengan pola campuran dalam pada sisi kanan gambar itu. Kesederhanaan pola campuran tergantung pada seberapa jauh distribusi itu tumpang suh. Kadang-kadang cam- puran merupakan akibat dari »»pengendalian terlalu ketat”, di mana operator terlalu sering melakukan penyesuaian proses, bukan karena sebab-sebab sistematik melainkan variasi random dalam hasil produksi. BPA BPB Nomor sampel Gay mbar 6-9, Pola campuran Dipindai dengan CamScanner228 Suatu pergeseran dalam tingkat proses dilukiskan dalam Gamba, 6-10. Pergeseran ini mungkin akibat dari pengenalan karyawan, mtg bahan baku, atau mesin baru, perubahan dalam metode atau Standay pemeriksaan, atau perubahan dalam ketrampilan, perhatian, ast motivasi operator. Kadang-kadang perbaikan dalam penampilan Prosey terlihat setelah pengenalan program grafik pengendali, hanya Karena yang mempengaruhi karyawan. faktor motivas' BPA Nomor sampel Gamber 6-10, seran dalam tingkat proses. Sustu srend, atau gerakan kontinu dalam satu arah, ditunjukkan pada grafik pengendali dalam Gambar 6-11. Trend biasanya disebabkan n@ kelelahan yang pelan-pelan atau kemunduran suatu alat atau Sesuatt Komponen proses kritis yang lain. Dalam proses kimia trend kerap kali terjadi karena Pengendapan atau pemisahan komponen cam- Puran. Trend dapat juga merupakan akibat dari sebab-sebab manu- nya, seperti kelelahan operator, atau kehadiran pengawasan. Akhit- nya, trend dapat merupakan akibat dari Pengaruh musiman seperti temperatur. Jika trend disebabkan Karena keusangan alat atau sebab- sebab kemunduran sistematik yang lain, ini dapat langsung digabungke" ke dalam model grafik pengendali. Alat yang berguna untuk memantal dan menganalisa proses dengan trend adalah grafik pengendali rests {lihat Mandel’(1969)]. Grafik pengendali terubah, yang dibicarake® dalam Paragraf 7-1, juga digunakan apabila proses menunjukke" keausan alat. Stratifikasi, atau kecenderungan titik-titik seakan-akan berkelo™ Pok sekitar garis tengah, dilukiskan dalam Gamber #10. Kita adanya ketiadaan variabilitas dasar dalam pola yang dialami. Satu sepa Dipindai dengan CamScanner229 pe Nomor sampel Ganbar 611. Trend. kan satu atau beberapa unit dari beberapa distribusi pokok eda. Jika unit terbesar dan terkecil dalam tiap sampel relatif pa, maka variabilitas yang diamati akan kecil tidak wajar. |_BPA —_——————— { BPR ‘Nomor sampel (ay ‘shar 6-12, Stratifikasi. Beans menginterpretasi pola pada grafik ¥ dan R, orang harus ‘ang dua grafik itu secara terpisah. Jika distribusi yang melan- Dipindai dengan CamScanner230 i normal, maka variabel random ¥ dan R yang dihitung da,; fas sama adalah statistik independen. Maka, £ dan R harus vera’ dependen pada grafik pengendali. Jika ada korelasi antara nif : dan R, yakni, jika titik-titik pada kedua grafik itu saling *mengiky uk maka ini menunjukkan bahwa distribusi yang melandasi miring, i : spesifikasi telah ditentukan dengan anggapan normal, maka anal el in, mungkin salah. 6-2.5, Pengaruh Ketidaknormalan pada Grafik xX dan R Anggapan dasar dalam pengembangan grafik pengendali ¥ day R adalah distribusi karakteristik kualitas yang melandasi adalah Normal, Dalam banyak keadaan mungkin kita mempunyai alasan unty, meragukan berlakunya anggapan ini. Misalnya, mungkin kita tahy bahwa distribusi yang melandasinya bukan normal, sebab kita telah mengumpulkan data yang cukup banyak yang menunjukkan bahwa ang. gapan normal tidak cocok. Sekarang jika kita tahu bentuk distribus yang melandasinya, maka mungkin untuk menurunkan distribusi sam. pling ¥ dan R (atau ukuran variabilitas proses yang lain), yang men- dapatkan batas probabilitas yang pasti bagi grafik pengendali itu. Dalam beberapa hal yang mungkin ini sukar, dan kebanyakan penganalisa mungkin lebih senang menggunakan pendekatan standar berdasarkan anggapan normal jika mereka merasa bahwa akibat tindakan ini tidak serius. Tetapi, mungkin kita tidak tahu apa pun tentang bentuk distribusi yang melandasinya, maka mungkin satu-satunya pilihan kita adalah menggunakan hasil-hasil teori normal. Dalam hal yang manapun jelas bahwa kita tertarik untuk mengetahui pengaruh penyimpangan dari nor mal terhadap grafik pengendali ¥ dan R yang biasa. 7 Beberapa penulis telah menyelidiki pengaruh penyimpangan dati normalitas pada grafik pengendali. Burr (1 967) mencatat bahwa konstan batas pengendali téori normal yang biasa sangat tegar (robust) terhadap anggapan normal dan dapat digunakan kecuali populasi itu sangat tidak normal. Schilling dan Nelson (1976) juga telah mempelajari pengar4 ketidaknormalan pada batas pengendali grafik ¥. Mereka menyelidi distribusi uniform, segitiga siku-siku, gamma (dengan A = 1 danr= “” 1, 2, 3, dan 4) dan dua distribusi bermodus dua membentuk campu'™" dua distribusi normal. Studi mereka menunjukkan bahwa éale® sebagian besar keadaan, sampel berukuran 4 atau 5 cukup untuk me jamin ketegaran yang layak terhadap anggapan normal. Kasus te" ; Dipindai dengan CamScanner_ 231 jamati adalah untuk nilai-nilai r yang kecil dalam distribusi gam- yang "= Ys dan r = 1 (distribusi eksponensial)}. Misalnya, mereka ma © orkan risiko @ yang sebenarnya adalah 0,014 atau kurang jika 1.> men uuk distribusi gamma dengan r = ‘4, berbeda dengan nilai teoritis a pagi distribusi normal. Selagi penggunaan batas pengendali 3-sigma pada grafik ¥ akan enghasilkan risiko @ sebesar 0,0027 jika distribusi yang melandasinya rmal, tetapi tidak benar bagi grafik R. Distribusi sampling R tidak metrik, meskipun pengambilan sampel itu dari distribusi normal, dan ‘yor yang panjang distribusi itu ada pada sisi tinggi atau positif. Jadi patas 3-sigma yang simetris hanya pendekatan saja, dan risiko a pada rafik R seperti itu tidak 0,0027. (Sebenarnya, untuk 1 = 4 makaa = ,00461). Lagi pula, grafik R lebih peka terhadap penyimpangan ang- gapan normal daripada grafik x. 6.2.6. Fungsi Karakteristik Operasi Kemampuan grafik x dan R dalam menyidik pergeseran kualitas proses digambarkan dengan kurva karakteristik operasi masing-masing. Dalam paragraf ini, kita sajikan kurva KO grafik-grafik ini yang digunakan untuk pengendalian proses pada jalur. Pandang kurva KO grafik ¥ dengan deviasi standar o diketahui dan Konstan, Jika mean bergeser’ dari nilai terkendali, katakan yo, ke nilai fain yy = Ho + ko, probabilitas tidak akan menyidik pergeseran ini pada sampel pertama berikutnya atau risiko B adalah B = P[IBPB< ¥< BPA|p = py = ig + ko] (6-15) Karena teu N(u;02/n) dan batas pengendali atas dan bawah adalah BPA = ly + att a q stbapai 30/n dan BPB = pg — 30/Vn, kita dapat menulis (6-15) Bs o[Practens te) | £ o 2B + aa on o/vn =o] Hot 30/00 — (Hy + te) 2 o[ == 30/Vn — (no + ‘| o/Vn o/Vn *® ~ kyn) — (3 - wn) 616 Dipindai dengan CamScanner232 dengan @ menunjukkan fungsi distribusi kumulatif normal stan, Sebagai contoh, misalkan n = 5, dan kita ingin menentukan Probabilitas akan menyidik pergeseran ke p, = py + 20 pada sampel Pertama setelah pergeseran itu. Maka, jika k = 2 dann = 5, kita punyai B = 0[3 — 25] — o[-3 - 25] = (-1,47) — 6(-7,37) = 0,0708 Ini adalah risiko f, atau probabilitas tidak akan menyidik seperti itu. Probabilitas bahwa pergeseran seperti itu akan disidik Pada sampel pertama berikutnya adalah 1 — B = 1 — 0,0708 = 0,9293. Untuk membentuk kurva KO grafik ¥, gambarkan tisiko g terhadap besar pergeseran yang ingin disidik dinyatakan dalam unit deviasi standar untuk berbagai ukuran sampel 7. Probabilitas ini dapat dihitung secara langsung dari Persamaan (6-16). Kurva KO ini ditunjuk. kan dalam Gambar 6-13. Gambar 6-13 menunjukkan bahwa terutama bagi ukuran sampel 4,5 dan 6, grafik ¥ tidak efektif dalam menyidik pergeseran yang kecil, misalnya pergeseran pada tingkat 1,5o atau lebih kecil, pada sampel per- tama setelah pergeseran. Sebagai contoh, jika pergeseran itu 1,00 dann = 5, maka dari Gambar 6-13, kita punyai kira-kira B = 0,75. Jadi, pro- babilitas bahwa Pergeseran itu akan disidik pada sampel pertama hanyalah 1 — g = 0,25, Tetapi, probabilitas bahwa pergeseran itu disidik pada sampel kedua adalah B(1 — p) = 0,75(0,25) = 0,19, sedangkan probabilitas bahwa Pergeseran itu disidik pada sampel ketiga adalah 6X1 — B) = (0,75)%0,25) = 0,14. Jadi, probabilitas bahwa Pergeseran itu akan disidik pada sampel ke k berikutnya adalah (1 — f) kali probabilitas tidak menyidik pergeseran itu pada masing-masing (k — 1) sampel sebelumnya, atau Pergeseran BE- 1 — py Pada umumnya, banyak himpunan bagian yang diharapkan dianalis® sebelum pergeseran disidik adalah Y kat ~ py = Fre Dipindai dengan CamScanner15 20 oo 35° 40 45 50 va karakteristik operasi grafik £ dengan batas sigma. p = P(tidak widik pergeseran sebesar ke dalam mean pada sampel pertama setelah Dengen demikian, dalam contoh kita, kita punyai 1/(1 — 6) = 1/0,25 = banyak himpunan bagian yang diharapkan diamati untuk Pergeseran 1,00 menggunakan n = 5. ___ Pembicaraan di atas memberikan alasan yang mendukung penggu- ‘25 ukuran sampel kecil pada grafik %. Meskipun ukuran sampel kecil ring kali menghasilkan risiko B yang relatif besar, karena sampel- Sel yang dikumpulkan dan diuji secara periodik, terdapat peluang rag, 2t88t baik bahwa pergeseran akan disidik dengan cukup cepat, are mungkin tidak pada sampel pertama setelah pergeseran. Zemat tt, ingat bahwa penggunaan batas peringatan dan prosedur ke, '*'Peka seperti aturan-aturan Western Electric akan meningkatkan "Puan grafik pengendali lebih jauh guna menyidik pergeseran pro- Dipindai dengan CamScanner234 1,00 0,90 0.80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 => 1 2 3 5 6 2. = 94/ay, perbandingan deviasi standar proses baru dan lama. Gambsr 6-14. Kurva kerakteristik operasi grafik R dengan batas 3-sigma. (Diangket di A. J. Duncan, "Operating Characteristics of R Charts’, Industrial Quay Control, vol. 7, no. 5, hal 40—41, dengan izin dari American Society Quality Control), Guna membentuk kurva KO grafik R, digunakan distribusi re tang telatif W = R/o, Andaikan bahwa nilai terkendali deviasi stand" adalah oq. Maka kurva KO menggambarkan probabilitas tidak ale! menyidik pergeseran Ke nilai baru o, misalnya 2; > ao, pada sampel Pe ama setelah pergeseran, Gambar 6-14 menyajikan kurva KO, di man di p jag ee terhaday d= 1/09 (perbandingan deviasi standar pro Dati pemecne a) untuk berbagai nilai n. emeriksaan Ga ‘ 2 sang tidak efektif dalam menyicie oo, Sit@ amati bahwa gralik ieee 7 k pergeseran proses untuk ukuran s4P° Het Misalya, dika deviasi standar proses lipat dua (yakni, A = °V/%” uae ia akan pergeseran yang cukup besar, maka samt erukuran lima hanya mempunyai Peluang sekitar 40% akan menyid! Dipindai dengan CamScanner235 jni pada tiap sampel berikutnya. Kebanyakan insinyur sera kualitas merasa bahwa grafik R tidak peka terhadap wen eal atau sedang untuk ukuran sampel yang biasan = 4,5, ges i prosedur memperpeka yang dibicarakan di atas dapat juga i 6 eet da grafik R guna meningkatkan Penampilannya. Jikan > get i mumnya harus digunakan lima grafik yang dibicarakan 10 atau ragraf 6-3.1, bukannya grafik R. a KO dalam Gambar 6-13 dan 6-14 menganggap bahwa grafik R digunakan untuk pengendalian Proses pada jalur. Kadang- dan bermanfaat untuk mempelajari kurva KO grafik yang digunakan kadan nganalisa data yang lalu. Ini akan memberikan petunjuk vatuk ae banyak himpunan bagian pendahuluan yang digunakan un- ae abental grafik pengendali mempengaruhi kemampuan grafik itu ak keadaan tak terkendali yang ada ketika data itu dikumpulkan. fa studi analitis seperti itu dan juga dari pengalaman praktis telah dikembangkan anjuran untuk menggunakan sekitar 20—25 himpunan tagian pendahuluan dalam membentuk grafik ¥ dan R. 63, GRAFIK PENGENDALI VARIABEL YANG LAIN 63.1. Grafik Pengendali ¥ dan S Apabila ukuran sampel m cukup besar, katakan n > 10 atau 12, rote Tentang guna menaksir o kehilangan efisieni statistiknya. alam hal-hal seperti ini, yang terbaik adalah mengganti grafik dan R ae dengan grafik? = dan S, dengan standar proses ditaksir angsung tidak melalui R. Guna tujuan pengendalian, maka dari tap bi lak mi a dar a eeunan bagian kita harus menghitung mean sampel ¥ dan deviasi -sampel S, ka o2 Varian: i ae . . Prnaksi si distribusi probabilitas yang tidak diketahui, maka ‘Sit tak bias u; intuk 02 adalah variansi sampel E(x,- 9 Sm 121 na-1 apa Penulis menamakan grafik $ dengan grafik o Dipindai dengan CamScanner