ANALISIS KEMAMPUAN PROSES PADA DATA BERDISTRIBUSI BINOMIAL

Makalah Untuk Memenuhi Tugas Mata Kuliah Pengendalian Kualitas Statistik Yang Dibina Oleh Bapak Hendro Permadi

Nama Kelompok: Sudarsono (309312422762)

Prisca Abiyani (309312422763) Dwi Susanti Siti Hasanah (309312426744) (309312426746)

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MALANG MARET 2012

proses produksi yang memenuhi standar mutu yang diinginkan bila dalam grafik pengendali mutu semua titik sampel berada dalam daerah pengendali. akan selalu ada gangguan yang dapat timbul secara tidak terduga.3 Tujuan a. tidak terdapat run atau giliran. Pengendalian kualitas proses statistic (statistical process control) adalah alat yang sangat berguna dalam membuat produk sesuai dengan spesifikasi sejak dari awal proses hingga akhir proses. dalam banyak proses produksi. .2 Rumusan Masalah a. Oleh karena itu kami membuat makalah dengan judul “Analisis Kemampuan Proses pada Data Berdistribusi Binomial” agar dapat lebih mengetahui dan memahami tentang analisis kemampuan proses khususnya pada data berdistribusi binomial tersebut serta mengaplikasikannya. Jika ada salah satu syarat yang menyebabkan proses tidak terkendali. sebarannya acak. maka proses belum terkendali dan perlu dicari penyebab terduganya agar proses menjadi terkendali secara statistik.1 Latar Belakang Analisis kemampuan proses merupakan suatu tahapan yang harus dilakukan dalam mengadakan pengendalian kualitas proses statistic (statistical process control). 1. dan lain-lain. Dalam Montgomery (2001).BAB I PENDAHULUAN 1. Mengetahui cara menganalisis kemampuan proses untuk data berdistribusi binomial. Bagaimana cara menganalisis kemampuan proses untuk data berdistribusi binomial? 1.

analisis kemampuan proses merupakan konsep yang penting dalam proses statistik.BAB II KAJIAN TEORI Grafik pengendali atau diagram kontrol digunakan untuk : 1. Analisis Kemampuan Proses dapat dilakukan apabila proses dapat dilakukan apabila proses berada dalam keadaan terkendali. bukan prose situ sendiri. karena analisa ini . Studi kemampuan proses biasanya mengukur parameter fungsional pada produk. tetapi dapat kita nyatakan sebagai presentase yang di luar spesifikasi. Sehingga analisis kemampuan proses harus dilakukan hanya apabila proses berada dalam batas pengendali statistik. yaitu proses berada dalam batas pengendalian statistik dan distribusi proses adalah distribusi normal. 2. Analisis Kemampuan Proses dapat dilakukan tanpa mengingat spesifikasi pada karakteristik mutu. dan penyebaran (standar deviation ). Analisis Kemampuan Proses digunakan untuk menaksir kemampuan proses dalam bentuk distribusi probabilitas yang mempunyai bentuk . Menurut Systma (1997) dalam buku Ariani (2004). Memantau proses terus menerus sepanjang waktu agar proses tetapstabil secara statistik dan hanya mengandung variasi penyebab umum. Menurut Bower (1997) dalam buku Ariani (2004).1 Analisis Kemampuan Proses Menurut Montgomery (1985). Menentukan kemampuan proses ( procces capability ). rata-rata (mean ). Menentukan apakah suatu proses berada dalam pengendalian statistik. Batas-batas darivariasi proses ditentukan setelah proses berada dalam pengendalian statistik. 2.Dengan demikian diagram kontrol digunakan untuk mencapai suatu keadaan terkendali secara statistik. Analisis kemampuan proses merupakan prosedur yang digunakan untuk memprediksi kinerja jangka panjang yang berada dalam batas pengendali proses statistik. 3. dalam membentuk analisis kemampuan proses dengan data kontinu.

Percobaan seperti ini bukan lagi binomial. Jika proses terpusat pada spesifikasi nomial dan mengikuti probabilitas normal. tidak tergantung atas urutan keberapa kartu tersebut ditarik. kita perlu juga melihat Indeks Kemampuan Proses (Cp) atau Indeks Kemampuan Proses (Cpk) DISTRIBUSI BINOMIAL (n. Untuk memeriksa proses produksi. Batas spesifikasi meliputi batas spesifikasi bawah dan batas spesifikasi atas. tapi pada penarikan kedua peluangnya bersyarat dengan harga 26/51. . tergantung apakah kartu pertama hitam atau merah. atau 25/51.r) Suatu percobaan sering terdiri atas beberapa usaha. Percobaan seperti ini disebut percobaan binomial. tiap usaha dengan 2 kemungkinan hasil yang dapat diberi nama sukses atau gagal. Sehingga dalam analisa kemampuan proses dikenal adanya batas-batas spesifikasi yang disebut juga batas toleransi. Bila dalam penarikan kartu tadi kartunya tidak dikembalikan maka peluang sukses akan berubah dari penarikan yang satu ke berikutnya. Sebagai contoh bila lima kartu ditarik secara berurutan dari sekotak kartu bridge dan tiap penarikan disebut gagal atau sukses tergantung atas apakah kartu merah atau hitam yang terambil. dimana δ menunjukkan standar deviasi proses berada pada kondisi in statistic control tanpa ada perubahan atau penyimpangan. Kemampuan proses biasanya ditunjukkan dengan formulasi ±3δ atau secara keseluruhan mencakup 6δ.menguji variabilitas dalam karakteristik-karakteristik proses dan apakah proses mampu menghasilkan produk sesuai dengan spesifikasi. dengan tiap pengujian atau usaha dapat menunjukkan apakah suatu barang cacat atau tidak cacat. yaitu bahwa tiap usaha atau penarikan kartu bebas satu dari yang lain dan peluang sukses tidak berubah. Yaitu peluang mendapat kartu merah pada penarikan pertama adalah ½. Bila tiap kartu dikembalikan lalu dikocok sebelum kartu berikutnya ditarik maka penarikan kartu merah atau hitam mempunyai sifat yang sama.73% produk dalam batas ±3δ dari spesifikasi nomial. Hal ini terjadi. misalnya pada pengujian barang hasil produksi. maka terdapat 99. Kita dpaat menentukan atau memilih salah satu hasil sebagai sukses. Proses yang berada pada kondisi in statistic control berada pada kemampuan proses 6δ.

Percobaan seperti itu dinamakan percobaan Bernoulli.Suatu percobaan binomial adalah yang memenuhi persyaratan berikut : a. dengan hasil tiap percobaan dapat berbentuk “sukses” atau “tidak sukses”. Percobaan terdiri atas n usaha yang berulang b. Peluang sukses dinyatakan dengan p. Apabila peluang “sukses” pada tiap percobaan tetap. Laporan ini mencakup:  P Chart untuk memverifikasi apakah proses berada dalam kendali statistic Rata-rata P = ̂ . Menurut Ross. Kemampuan Binomial mengevaluasi kesempatan (p) bahwa sebuah item yang dipilih dari proses rusak. (1997) peubah acak X dikatan mempunyai distribusi binomial dengan parameter n. yang diasumsikan mengikuti distribusi binomial dengan parameter p. tidak berubah dari usaha yang satu ke yang berikutnya d. n. Data dikumpulkan jumlah item yang rusak di sub kelompok individu.p mempunyai fungsi padat peluang: f (r. Analisis Kemampuan (Binomial) menghasilkan kemampuan untuk memproses laporan data atribut yang mengikuti distribusi Binomial. Tiap usaha bebas dengan usaha lainnya. Pandang suatu proses yang terdiri dari sederetan n percobaan yang bebas. p)   n  p r (1  p) n r  r n! p r (1  p) n r (n  r )!r ! dimana r = banyaknya peristiwa sukses n-r = banyaknya peristiwa gagal n = banyaknya percobaan yang dilakukan 2. maka banyak “sukses” r dalam n percobaan Bernoulli berdistribusi Binomial.2 Analisis Kemampuan Binomial Analisis kemampuan binomial ini digunakan ketika suatu produk atau jasa dicirikan sebagai cacat atau tidak cacat. Tiap usaha memberi hasil yang dapat ditentukan dengan sukses atau gagal c. misalnya p.

 % Cacat untuk memverifikasi apakah data memiliki estimasi yang konsisten barang cacat% %Kumulatif grafik cacat = ̂  PPM cacat adalah banyaknya kecacatan yang diharapkan dari satu juta produksi. PPM cacat = ̂  Proses Z adalah indeks kemampuan. Dalam rangka penggunaan Analisis Kemampuan (Binomial). Proses Z terbesar adalah lebih baik dari proses yang dilakukan. Idealnya. Anda perlu memastikan bahwa asumsi sebagai berikut adalah valid:    Hasilnya adalah biner atau hanya 2 hasil yang mungkin Probabilitas keberhasilan adalah sama untuk semua unit Hasil dari unit masing-masing independen satu sama lain .Dimana D adalah jumlah dari keseluruhan cacat dan N adalah jumlah dari keseluruhan sampel. ingin proses Z untuk minimal 2. Proses Z dihitung dari rata-rata P dengan menentukan nilai dari standart normal dari distribusi (0.1) sehingga daerah sebelah kanan dari nilai adalah rata-rata P. Proses Z = Dimana  (rata-rata P) adalah invers dari standart distribusi normal Histogram dari% rusak untuk membantu memvisualisasikan distribusi% cacat dari data sampel  Cacat Rate Chart untuk memverifikasi bahwa% rusak tidak terpengaruh oleh ukuran sampel  Binomial Plot (ketika ukuran subkelompok konstan) untuk memverifikasi bahwa barang cacat% diharapkan tidak terpengaruh oleh barang cacat% diamati  Proses Z .menyediakan indeks kapabilitas proses. Lebih besar nilai Z menunjukkan bahwa proses ini berperforma lebih baik.

Proses ini harus berada dalam kontrol sebelum menilai kemampuan. Perhatikan grafik P untuk titik-titik yang terletak di luar batas kendali atau pola-pola acak lainnya. Dengan menggunakan grafik kendali P untuk menentukan apakah proporsi barang cacat per sampel di kontrol. maka statistik akan kemampuan perkiraan salah. Jika proses tidak dalam kontrol.memverifikasi bahwa proses ini dalam keadaan kendali statistik. Batas Atas dan Batas Bawah  Rata-rata P Dimana  dan dan % Cacat  PPM Cacat  Proses Z Dimana adalah invers cdf dari standart distribusi normal .Grafik P (persentase cacat) .

Kumulatif % cacat untuk sampel kecil adalah perbandingan dari jumlah kecacatan dan jumlah sampel tertinggi dari sampel ke j yang dikalikan dengan 100. Ukuran Sampel (n) 50 50 50 50 50 50 50 50 50 50 Banyaknya Produk Cacat (x) 1 2 3 3 6 4 3 2 3 4 Observasi 1 2 3 4 5 6 7 8 9 10 .….j = Jumlah kecacatan pada sampel ke i = Ukuran sampel ke i BAB III PEMBAHASAN 3. ∑ ∑ Dimana: i = 1.Kumulatif % Kecacatan Banyaknya titik-titik plot sama dengan banyaknya sampel. Pengambilan sampel dilakukan dalam selang waktu setengah jam pada 3 shift waktu mesin yang beroperasi terus menerus.1 TABEL DATA Misal di suatu perusahaan yang memproduksi kotak teh diambil 25 sampel data masing-masing 50 kotak teh.

11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Jumlah 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 1250 3 2 5 2 2 5 4 4 5 3 5 5 4 2 4 86  Pengecekan Distribusi Binomial Dengan menggunakan EasyFit. didapat hasil yaitu .

Probability Density Function 0.14 0.16 f(x) 0.26 0.06 0.22 0.12 0.1 0.04 0.18 0.08 0.24 0.2 0.02 0 1 2 3 4 5 6 x Sample Binomial Menggunakan minitab dengan perintah Stat – Quality Tool – Capability Analysis – Binomial diperoleh .

Hasil perhitungan manual : dan .

yaitu ada titik yang berada di luar batas pengendali 3σ. jadi pada pengujian data tersebut berdistribusi normal. sehingga terima .Berarti perlu di teliti lebih lanjut apa penyebab dari kesalahan tersebut. Grafik pengendali moving average efektif untuk mendeteksi perubahan kecil dalam proses rataan.Grafik pengendali moving average juga dapat digunakan bila sample tiap observasi hanya satu unit.BAB IV PENUTUP KESIMPULAN Pada pengolahan data observasi pengukuran tinggi almari pada uji normalitas diperoleh . Dari grafik pengendali Moving Average terlihat bahwa pada data ke 11 sampai data ke 13 berada di luar batas pengendali dari sini terdapat kesalahan yang no 1.Tetapi pada data tersebut tidak diperlukan perbaikan karena pada data ke 17 hingga data ke 30 telah stabil yang berarti pada proses produksi almari telah memenuhi Quality Control. .

.

html/ di akses pada tanggal 8 Februari 2012). Istana CIPTA SEMBADA dengan menggunakan Diagram Kontrol C.Toha.id%2F1826%2F1%2F4_QC_-_Sudarno.id/url?sa=t&rct=j&q=pengertian%20grafik%20kendali%20mov ing%20average&source=web&cd=2&ved=0CCQQFjAB&url=http%3A%2F%2Feprint s.Wuri.ac.Montgomery.fst.com/doc/kIS2X__0/preview.co.doc&ei=QHI7TSNBoTKrAfbt7GHAQ&usg=AFQjCNE0vULVqia4wPE04uZ5XeS-I5HnrA&cad=rja / di akses pada tanggal 14 Februari 2012) Douglas C.4shared.pdf&ei=QHI7TSNBoTKrAfbt7GHAQ&usg=AFQjCNH-So_6nV_q19_uUKhS1HUVMc7yQ&cad=rja /di akses pada tanggal 14 Februari 2012).Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Gajahmada University Press.2005. ( http://dc306.1990.id%2Fcivitas%2Fmateri%2FMateri%25208%2520Bagan %2520Kendali%2520Moving%2520Average.unair.BaganKendali“Moving Average”.id/url?sa=t&rct=j&q=pengertian%20grafik%20kendali%2 0moving%20average&source=web&cd=1&ved=0CB4QFjAA&url=http%3A%2 F%2Felesys.google. Sudarno.undip. Analisis Pengendalian Kualitas Produksi Pembekuan Udang PT.ac. (http://www. Perbandingan Grafik Pengendali Moving Average dan Geometric Moving Average pada Data Berkelompok. .google.co. Saifudin. (http://www.BAB V DAFTAR PUSTAKA Retno Setyaningtyas.

Sign up to vote on this title
UsefulNot useful