Statistical Process Control

By Eris Kusnadi

Untuk menganalisis dan memperbaiki proses, kita tentunya harus

memahami dan juga mengerti bagaimana kinerja proses tersebut. Dalam dunia
pengendalian kualitas (quality control) terdapat suatu metode statistik untuk
membantu kita dalam melihat apakah suatu proses di bawah kendali, atau
sebaliknya. Metode tersebut adalahstatistical process control (SPC), dan menjadi
bagian dari tujuh alat kualitas dasar (7 basic quality tools) yang harus dikuasai
oleh para anggota gugus kendali kualitas (quality control circle).
Daftar Isi:

Statistical Process Control (SPC)

Data Variabel

Data Atribut

Rational Subgroup

Cara Membuat I-MR Chart

Cara Membuat Xbar dan R-chart

Cara Membuat Xbar dan S-chart

Cara Membuat P-chart

Cara Membuat NP-chart

Cara Membuat C-chart

Cara Membuat U-chart

Daftar Pustaka

Statistical Process Control (SPC)

SPC dicetuskan pertama kali oleh Walter Andrew Shewhart ketika bekerja diBell
Telephone Laboratories, Inc. (divisi R&D untuk perusahaan AT&T dan Western
Electric) pada tahun 1920-an. Dalam dokumen sejarah Western Electric
diceritakan pada tahun 1918, tahun di mana Shewhart bergabung di
Departemen Inspection Engineering, Western Electric di Hawthorne,
manajamen kualitas industri masih terbatas pada kegiatan inspeksi produk jadi
dan memperbaiki/membuang barang-barang cacat. Semuanya berubah pada
bulan Mei 1924, atasan Shewhart, George Edwards, menceritakan:

Dr. Shewhart telah menyiapkan sebuah memo kecil yang panjangnya hanya
sekitar satu halaman. Sepertiga halaman berisi sebuah skema sederhana yang
sekarang dikenal sebagai peta kendali. Dalam skema tersebut, dan teks singkat
yang mendahului dan mengikutinya, tercantum semua prinsip-prinsip dan
pertimbangan-pertimbangan penting tentang apa yang kita kenal sekarang
sebagai prosespengendalian kualitas. (Porticus, n.d., Western Electric and the
Quality Movement section, para. 3).
Pada tahun yang sama, Shewhart menciptakan peta kendali statistik pertama
untuk proses manufaktur melalui prosedur-prosedur sampling statistik. Kemudian
Shewhart mempublikasikan penemuannya dalam buku Economic Control of
Quality of Manufactured Product pada tahun 1931.
ASQ (American Society for Quality) mencatat peningkatan penggunaan peta
kendali mulai terjadi selama Perang Dunia II di Amerika Serikat untuk menjamin
kualitas amunisi dan produk strategis penting lainnya. Penggunaan SPC agak
berkurang setelah perang, namun menjadi booming sampai sekarang setelah
revolusi perbaikan kualitas di Jepang pada tahun 1970-an, tahun di mana orangorang Jepang menyambut baik masukan dari W. Edwards Deming yang salah
satunya adalah penggunaan SPC.
SPC menentukan apakah suatu proses stabil dari waktu ke waktu, atau
sebaliknya bahwa proses terganggu karena telah dipengaruhi oleh special cause.
Peta kendali statistik (control chart) yang sering juga disebut Shewhart
chart atau process-behaviour chart digunakan untuk memberikan definisi
operasional suatu special cause tersebut.
Dalam suatu proses/sistem umumnya terdapat interaksi variabel-variabel sistem,
misal manusia dan mesin, interaksi ini sering memunculkan penyimpangan
berupa hasil-hasil yang sifatnya uncontrollable atau diluar kendali. Shewhart
melihat penyimpangan tersebut disebabkan oleh dua faktor:
1. common cause of variation, variasi yang terjadi karena sistem itu sendiri,
dan
2. special cause of variation, variasi yang terjadi karena faktor dari luar
sistem.
Aturan dasar SPC adalah common cause tidak perlu diidentifikasi dan special
cause perlu diidentifikasi dan dihilangkan. Namun bukan berarti common
cause diabaikan, sebaliknya menjadi fokus improvement proses untuk jangka
panjang.
Secara umum, peta kendali dalam SPC selalu terdiri dari tiga garis horisontal,
yaitu:

Garis pusat (center line), garis yang menunjukkan nilai tengah (mean)
atau nilai rata-rata dari karakteristik kualitas yang di-plot pada peta
kendali SPC.

Upper control limit (UCL), garis di atas garis pusat yang menunjukkan
batas kendali atas.

Lower control limit (LCL), garis di bawah garis pusat yang menunjukkan
batas kendali bawah.

Garis-garis tersebut ditentukan dari data historis. Shewhart menggunakan kurva

distribusi normal (distribusi Gauss) dengan sebagai garis pusat yang
menunjukkan nilai rata-rata sebaran karakteristik proses, dan yang dirubah
menjadi UCL dan LCL sebagai landasannya.
Teknik-teknik SPC kemudian berkembang seiring inisiatif perbaikan kualitas
seperti Six Sigma di perusahaan-perusahaan Amerika. Selanjutnya, kita akan
melihat secara teknis tentang bagaimana kita dapat menggunakan berbagai
teknik peta kendali dan kapan teknik itu harus digunakan. Gambar 1
memperlihatkan alur pengambilan keputusan untuk memilih teknik SPC yang
kita butuhkan.

Sumber: Straker, n.d., fig. 1 (dimodifikasi)

Gambar 1. Bagan Alur Pengambilan Keputusan untuk Memilih Teknik SPC
Gambar 1 menunjukkan teknik-teknik SPC dipilih dengan memperhatikan dua
jenis karakteristik data yang diobservasi disamping tujuan penggunaannya,
yaitu: data variabel dan data atribut.
Data Variabel
Data variabel bersifat kontinyu (continuous distribution). Data ini diukur dalam
satuan-satuan kuantitatif, sebagai contoh:

cycle time yang dibutuhkan untuk melakukan satu proses,

diameter poros,

tinggi badan 100 orang operator, dan lain-lain.

Sifat continuous distribution pada data variabel menggambarkan data

berbentuk selang bilangan yang bisa terjadi dalam digit dibelakang koma
hinggan digit, tidak dapat dihitung, dan tidak terhingga. Bentuk distribusi yang
rapat seperti ini lebih sensitif terhadap perubahan, namun akan lebih sulit baik
dalam mengidentifikasi apa yang harus diukur dan juga dalam pengukuran
aktual.
Ketika kita mempunyai data variabel, ada tiga jenis peta kendali yang dapat kita
gunakan, yaitu:
1. Individuals & moving range control chart (I-MR).
2. Average & range control chart (Xbar & R-chart).
3. Average & standard deviation control chart (Xbar & S-chart).
Pengambilan keputusan untuk memilih ketiga peta kendali di atas adalah
berdasarkan jumlah pengukuran yang kita buat dan berapa banyak pengukuran
tersebut digabungkan ke dalam satu subgrup.
Data Atribut
Data atribut bersifat diskrit (discrete distribution). Data ini umumnya diukur
dengan cara dihitung menggunakan daftar pencacahan atau tally untuk
keperluan pencatatan dan analisis, sebagai contoh:

jumlah cacat dalam satu batch produk,

jenis kelamin (laki-laki/perempuan),

jenis warna cat (merah, gold, silver, hitam), dan lain-lain

Sifat discrete distribution memberi gambaran data atribut berbentuk bilangan

cacah yang nilai data harus integer atau tidak pecahan, dapat dihitung, dan
terhingga. Pengukuran data atribut akan jauh lebih sederhana dibandingkan
dengan pengukuran data variabel karena data diklasifikasikan sebagai cacat
atau tidak cacat berdasarkan perbandingan dengan standar yang telah
ditetapkan. Pengklasifikasian ini tentunya menjadikan kegiatan inspeksi lebih
ekonomis dan sederhana. Sebagai contoh diameter poros dapat diperiksa
dengan menentukan apakah akan bisa melewati alat pengukur
berupa jig atautemplate berlubang. Pengukuran ini tentunya lebih cepat dan
sederhana ketimbang mengukur diameter langsung dengan vernier caliper atau
mikrometer.
Ketika jenis data yang diukur adalah data atribut, terdapat empat jenis peta
kendali yang dapat kita gunakan, yaitu:
1. Proportion defective control chart (P-chart).

2. Number defective control chart (NP-chart).

3. Defects per count/subgroup control chart (C-chart).
4. Defects per unit control chart (U-chart).
Pemilihan peta kendali ini tergantung apakah kita mau menghitung jumlah cacat
per item atau hanya menghitung cacat total. Jika kita hanya akan membedakan
antara cacat atau tidak cacat, maka kita menggunakan P-chart atau NP-chart.
Namun jika kita menghendaki analisis yang lebih mendalam, misal berapa
banyak cacat pada semua item, maka kita menggunakan C-chart atau U-chart.
Pemilihan peta kendali yang tepat juga dipilih berdasarkan pada apakah ada
jumlah konstan di setiap subgrup peta kendali. Peta kendali atribut umumnya
membutuhkan ukuran sampel yang jauh lebih besar daripada peta kendali
variabel (Montgomery & Runger, 2003, p. 625).
Rational Subgroup
Mengapa peta kendali menggunakan sampel subgrup? Pertanyaan ini pernah
menjadi bahan diskusi saya dan dengan seorang teman ketika kita mempelajari
uji keseragaman data yang menggunakan metode peta kendali. Prinsip dasar
SPC adalah bahwa subgrup harus rasional sehingga dikenal istilah rational
subgroup. Rational subgroup merupakan titik gabungan beberapa pengukuran
atau data, yang mana menurut Nelson (1988):
all of the items (di dalam subgrup penulis) are produced under conditions in
which only random effects are responsible for the observed variation.
Ini merupakan suatu trik agar peta kendali lebih sensitif terhadap variasi. Oleh
karena itu, data-data dalam sebuah subgrup harus dikumpulkan saling berkaitan,
dan bahkan saling berurutan mengikuti kemunculan data di lapangan. Kemudian
seluruh subgrup harus dikumpulkan dengan cara meminimalkan peluang
terjadinya special cause di antara subgrup.
Suatu peta kendali setidaknya harus memiliki 25 titik/subgrup, yang berarti
memerlukan beberapa ratus pengukuran. Jumlah subgrup sebesar ini sudah
cukup untuk mengukur kestabilan proses dan memunculkan special cause dalam
sistem. Sementara besarnya subgrup harus memperhatikan faktor biaya, tingkat
produksi, siklus produksi, dan sensitifitas pendeteksian. Misal dalam kasus di
mana siklus produksi sangat lama, tentu akan menyulitkan jika kita mengambil
besar subgrup sebanyak n > 1. Jika kasusnya seperti ini sangat disarankan untuk
mempertimbangkan penggunaan I-MR control chart, yang mana besar subgrup
sama dengan 1 (individual sample).
Cara Membuat Individuals Moving Range Control Chart (I-MR)
Individuals and moving range control chart (I-MR) yang juga dikenali dengan
nama X-MR atau Shewhart individuals control chart adalah peta kendali variabel
yang digunakan jika jumlah observasi dari masing-masing subgrup hanya satu

(n = 1). I-MR diperlukan dalam situasi-situasi sebagai berikut (Montgomery,

2005, pp. 231232):
1. Menggunakan teknologi pengukuran dan inspeksi otomatis, dan setiap
unit yang diproduksi dapat dianalisis sehingga tidak ada dasar untuk
pengelompokan rasional ke dalam subgrup.
2. Siklus produksi sangat lama, dan menyulitkan jika mengumpulkan sampel
sebanyak n > 1.
3. Pengukuran berulang pada proses akan berbeda karena faktor kesalahan
(error) lab atau analisis, seperti pada proses kimia.
4. Beberapa pengukuran diambil pada unit produk yang sama, seperti
mengukur ketebalan oksida di beberapa lokasi yang berbeda pada
sebuahwafer di fabrikasi alat semikonduktor.
5. Dalam pabrik-pabrik proses tertentu, seperti pabrik kertas, pengukuran
pada beberapa parameter seperti ketebalan lapisan di seluruh gulungan
kertas akan berbeda sangat sedikit dan menghasilkan standar deviasi
yang jauh terlalu kecil jika tujuannya adalah untuk mengendalikan
ketebalan lapisan sepanjang gulungan kertas.
Berikut adalah contoh penggunaan I-MR:

Sumber: Montgomery, 2005, pp. 232234 (dimodifikasi)

Gambar 2. Individuals & Moving Range Control Chart untuk Data Viskositas Cat
Primer Pesawat Terbang
Lang

1 Menghitung moving range, rata-rata nilai individu, dan rata-

kah

: rata moving range.

Moving range didefinisikan sebagai jarak atau range bergerak antara
satu titik data (xi) dengan titik data sebelumnya (xi 1), dihitung
sebagai MRi = |xi xi-1|. Untuk nilai-nilai individu m, terdapat range m
1. Selanjutnya, rata-rata dari nilai-nilai ini dihitung sebagai berikut:
m

MRi
m1

=
i=2
19

MRi
19

=
i=2
=

(0,35 + 0,81 + . . . + 0,32)

19

= 0,57
Kemudian, rata-rata nilai-nilai individu dihitung sebagai berikut:
m

xi
m

=
i=1
20

xi
20

=
i=1
=

(34,05 + 34,40 + . . . + 34,05)

20

= 34,09
Lang
kah

2 Menghitung garis pusat, UCL, dan LCL untuk peta kendalimoving

: range, yaitu sebagai berikut:
Garis pusat

=
=
=

UCLr

D4

0,57

LCLr

3,267(0,57)

1,87
=

D3

(0)(0,57)

Nilai D3 = 0 dan D4 = 3,267 adalah faktor untuk membangun peta

kendali variabel pada n = 2, seperti yang diberikan dalam banyak buku
pengendalian proses statistik (lihat misalnya, Montgomery, 2005, p.
725 atau silahkan cari di halaman download blog ini).
Lang
kah

3 Menghitung garis pusat, UCL, dan LCL untuk peta kendali individu.
:
Dengan menggunakan rumus dalam buku Montgomery (2005), kita
menentukan garis pusat, UCL, dan LCL untuk peta kendali individu
sebagai berikut:
Garis pusat

=
=

UCL

LCL

+3

34,09 + 3

35,61

34,09 3

32,57

34,09

d2
0,57
1,128

d2
0,57
1,128

Nilai 1,128 adalah nilai konstan d2 untuk n = 2, seperti yang diberikan

dalam banyak buku pengendalian proses statistik (lihat misalnya,
Montgomery, 2005, p. 725 atau silahkan cari di
halaman download blog ini).

Cara Membuat Xbar dan R-chart

Jika sampel relatif kecil (n 10), kita tidak perlu menggunakan standar deviasi
untuk melihat variasi dalam peta kendali. Nilai range dapat digunakan untuk

membangun peta kendali. Peta kendali ini dikenal dengan nama Xbar dan Rchart, yang terdiri dari Xbar-chart dan R-chart. Xbar berarti nilai rata-rata sampel
dan R berarti range. Range secara sederhana adalah beda nilai terendah dan
tertinggi sampel yang diobservasi, ini akan memberikan gambaran mengenai
variabilitas. R-chart dibuat untuk menata interval variasi data ke dalam interval
yang terkendali sehingga distribusi data membentuk kurva normal yang ideal.
Selanjutya, Xbar-chart dibuat untuk mengarahkan nilai tengah data hasil R-chart
ke titik di mana nilai tengah distribusi normal berada.
Tabel 1 di bawah ini adalah data waktu penggunaan telepon oleh operator untuk
melayani permintaan pelanggan yang akan kita gunakan untuk menjelaskan
penggunaan Xbar dan R-chart.
Tabel 1
Waktu penggunaan telepon oleh operator untuk melayani permintaan pelanggan

Sumber: Borysowich, 2007 (dimodifikasi)

Berikut langkah-langkah pembuatan peta kendalinya:

Pertama, kumpulkan data dalam bentuk subgrup. Dalam kasus Tabel 1,

kita mengumpulkan lima pengukuran harian untuk jangka waktu 10 hari (2
minggu).

Kedua, hitung rata-rata untuk setiap subgrup ke-i ( i). contoh: rata-rata
subgrup ke-2 adalah 2 = (x1 + x2 + x3 + x4 + x5) / n = (3 + 5 + 7 + 6 +
4) / 5 = 5.

Ketiga, hitung range setiap subrup, yaitu R = xmax xmin,

contoh:range subgrup ke-2 adalah xmax = 7 dan xmin= 3 maka: R2 = 7 3 =
4.

Keempat, tentukan garis pusat ( ), UCL, dan LCL untuk R-chart:

Ri

i=1
73

10

=
UCLr

7,3

D4

2,114(7,3)

15,43

LCLr

D3

0(7,3)

Untuk nilai D3 dan D4, silahkan lihat tabel faktor-faktor untuk membuat
peta kendali variabel pada n = 5 di halaman download blog ini.

Kelima, tentukan garis pusat ( ), UCL, dan LCL untuk Xbar-chart:

m
=

i=1
=
=
UCL

LCL

54,2
10
5,42

+ A2

5,42 + 0,577(7,3)

9,63
A2

5,42 0,577(7,3)

1,21

Sama halnya dengan nilai D3 dan D4, nilai A2 diperoleh dari tabel statistik
yang dapat didownload pada halaman download blog ini.

Keenam, buat Xbar-chart dengan memplotkan nilai-nilai i bersama

dengan garis UCL, LCL , dan garis pusat yang telah kita hitung.

Terakhir, gambarkan juga R-chart dengan memplotkan nilai-nilai R1berikut

dengan garis UCL, LCL , dan garis pusat yang telah kita hitung. Hasilnya
dapat kita lihat pada Gambar 3 di bawah ini.

Gambar 3. Xbar dan R-chart untuk Kasus Waktu Penggunaan Telepon oleh
Operator
Cara Membuat Xbar dan S-chart
Pada R-chart di atas, kita telah mengukur variabilitas (mengestimasi standar
deviasi) proses secara tidak langsung melalui penggunaan range R. Dalam
kondisi tertentu terutama ketika anggota subgrup analisis di atas 10 atau 12
(n> 10), dan ukuran subgrup tidak konstan, kita perlu mengestimasi standar
deviasi proses secara langsung. S-chart dapat menggantikan R-chart, yang
manas dalam S-chart berarti sigma () atau standar deviasi sampel.
Seperti halnya Xbar dan R-chart, Xbar dan S-chart juga terdiri dari sepasang peta
kendali, satu untuk memantau standar deviasi proses dan satu lagi untuk
memantau rata-rata proses. Untuk lebih jelasnya perhatikan contoh kasus di
bawah ini.
Seorang analis mengumpulkan tujuh sampel subgrup masing-masing terdiri dari
20 pengamatan selama 1 shift produksi.
Dia mengukur dan mencatat berat material dalam satuan ons. Dia menghitung
rata-rata dengan rumus

xi

i=1

x1 + x2 + . . . + x20
=

20

dan standar deviasi dengan rumus

n1

(xi

)2

i=1
untuk masing-masing sampel, hasilnya ditunjukkan Tabel 2 di bawah ini. Karena
ukuran sampel (n) lebih dari 10, dia harus membuat Xbar dan S-chart untuk
menggantikan Xbar dan R-chart.
Tabel 2
Rata-rata dan standar deviasi berat material dalam ons

Sumber: Sower, 2010, pp. 242243 (dimodifikasi)

Rata-rata dari rata-rata sampel adalah
m

+...+

= 7

= 1,006

i=1
dan rata-rata dari standar deviasi sampel-sampel adalah
m

si

s1 + s2 + . . . + s7

= 7

= 0,010

i=1
Dengan n = 20, batas kendali untuk xbar dan s-chart adalah sebagai berikut:
UCL

LCL

+ A3

1,006 + 0,680(0,010)

1,0128

A3

1,006 0,680(0,010)

0,9992

UCLs

LCLs

B4

1,490(0,010)

0,0149

B3

0,510(0,010)

0,0051

Gambar 4 di bawah ini menunjukkan Xbar dan S-chart yang di-plot-kan dari tujuh
nilai rata-rata dan standar deviasi sampel-sampel di atas.

Gambar 4. Xbar dan S-chart untuk Sampel Berat Material dalam Satuan Ons
Cara Membuat P-chart
P dalam P-chart berarti proportion, yaitu proporsi unit-unit yang tidak sesuai
(nonconforming units) dalam sebuah sampel. Proporsi sampel tidak sesuai
didefinisikan sebagai rasio dari jumlah unit-unit yang tidak sesuai, D, dengan
ukuran sampel, n (Prins, 2006, para 4).
Jika mengasumsikan bahwa D adalah sebuah variabel random binomial dengan
parameter p tak diketahui, proporsi cacat dari masing-masing sampel yang diplot-kan dalam peta kendali adalah:
pp

selanjutnya varians dari statistik pp adalah:

D
n

2pp

p(1 p)
n

Oleh karena itu, P-chart dibuat dengan menggunakan p sebagai garis pusat
dengan batas kendali adalah:
p(1 p)
p

Model P-chart di atas menggunakan pengukuran sampel konstan, misal ukuran

sampel (subgrup) selalu sama di setiap kali observasi.
P-chart dengan Sampel Variabel
P-chart ini juga dapat digunakan jika pengukuran sampel tidak konstan, yang
mana di setiap subgrup jumlah datanya bervariasi. Dalam kasus perusahaaan
melaksanakan 100% inspeksi (inspeksi total), variasi dalam tingkat produksi
mungkin akan menghasilkan ukuran sampel yang berbeda untuk setiap kali
observasi, hal ini mungkin bisa terjadi karena adanya
perubahan maintenance,shift, dan sebagainya.
Perubahan ukuran subgrup tersebut menyebabkan perubahan dalam batas-batas
kendali, meskipun garis pusatnya tetap. Jika ukuran subgrup di setiap kali
observasi naik atau lebih banyak, maka batas-batas kendali menjadi lebih
rendah. Tabel 3 dibawah ini menjelaskan tiga teknik untuk menangani kasus Pchart dengan sampel variabel.
Tabel 3
Teknik-teknik P-chart dengan sampel variabel
Teknik

Deskripsi

Menggunakan
peta kendali
model
harian/individu

Ini mungkin cara paling sederhana, yaitu menentukan

batas kendali untuk setiap sampel individu yang
didasarkan pada ukuran sampel tertentu.
(1 )
3

ni

yang mana ni adalah ukuran sampel yang menghasilkan

observasi ke-i pada P-chart.
Menggunakan
peta kendali
model rata-rata

Batas kendalinya adalah:

3

(1 )

yang mana adalah rata-rata semua sampel (subgrup)

pada P-chart, i=1,,m ni / m.
Menggunakan
peta kendali
model yang
distandarkan

Batas kendali adalah 3 dan observasi, pp i, distandarkan

dengan menggunakan:
pp i
Zi

(1 )
ni

yang mana ni adalah ukuran sampel yang menghasilkan

observasi ke-i pada P-chart.
Sumber: Montgomery, 2005, pp. 280284 (dimodifikasi)
Contoh yang akan disajikan di bawah ini adalah P-chart dengan sampel variabel
menggunakan peta kendali model harian/individu, perhatikan data pada Tabel 4
di bawah ini.
Tabel 4
Data peta kendali untuk proporsi cacat dengan ukuran sampel variabel

Sumber: Montgomery, 2005, p. 281 (dimodifikasi)

Dari Tabel 4 berisi 25 sampel di atas kita menghitung:
25

Di

i=1

25

234

2450

0,0955

ni

i=1
Sebagai akibatnya garis pusat berada pada 0,0955 dan batas kendalinya adalah
(0,0955)(0,9045)
UCL
dan

+3

pp

= 0,0955 + 3

ni

(0,0955)(0,9045)
LCL

pp

= 0,0955 3

ni

yang mana pp adalah penghampir standar deviasi sampel proporsi cacat pp .

Perhitungan untuk menentukan batas kendali P-chart ditunjukkan tiga kolom
terakhir Tabel 4 di atas, dan Gambar 5 di bawah ini adalah P-chart tersebut.

Gambar 5. P-chart untuk Proporsi Cacat dengan Ukuran Sampel Variabel

Cara Membuat NP-chart
Jika P-chart memonitor proporsi cacat (pp ) dalam jumlah sampel (n), maka NPchart memonitor jumlah cacat itu sendiri. N dalam NP-chart berarti number
atau jumlah, yaitu jumlah unit-unit yang tidak sesuai (nonconforming units)
dalam sebuah sampel. NP-chart hanya menggunakan pengukuran sampel
konstan. Montgomery (2005) mengatakan:
Many non-statistically trained personnel find the np chart easier to interpret than
the usual fraction nonconforming control chart. (p. 279).
Pada umumnya data jumlah item cacat memang lebih disukai dan mudah untuk
diinteprestasikan dalam pembuatan laporan dibandingkan dengan data proporsi.
Berikut perbedaan NP-chart dan P-chart:

Batas kendali dihitung dengan np 3 np(1 p) , yang mana n adalah

ukuran sampel dan p adalah proporsi cacat. Jika nilai standar untuk p
tidak tersedia,
(rata-rata p) dapat digunakan untuk menghampiri p.

Data yang di-plot-kan pada peta kendali adalah jumlah cacat (np), bukan
proporsi cacat (pp ).

Ukuran sampel (n) harus konstan.

Sebagai contoh perhatikan Tabel 5 di bawah ini.

Tabel 5
Data untuk NP-chart, ukuran sampel n = 50

Sumber: Montgomery, 2005, p. 270 (dimodifikasi)

Dari 30 sampel pada Tabel 5 di atas terdapat i=1,,30 Di = 347 unit cacat, dan
nilai p dihampiri dengan
m
=

Di

347

mn

(30)(50)

0,2313

i=1
Dengan n = 50, parameter untuk NP-chart adalah sebagai berikut:
UCL

= np + 3

np(1 p)

= 50(0,2313) + 3

(50)(0,2313)(0,7687)

= 20,51
Garis pusat
LCL

= np 3

= np

= 50(0,2313)

np(1 p)

= 50(0,2313) 3

(50)(0,2313)(0,7687)

= 2,62
Gambar 6 di bawah ini adalah NP-chart dari perhitungan di atas.

= 11,57

Gambar 6. NP-chart, ukuran sampel n = 50

Cara Membuat C-chart
C pada C-Chart berarti count atau hitung cacat, ini bermaksud bahwa C-chart
dibuat berdasarkan pada banyaknya titik cacat dalam suatu item. C-chart
berbeda dengan P-chart maupun NP-chart yang menilai satu item sebagai
cacat atau tidak cacat, C-chart menghitung banyaknya cacat dalam satu
item tersebut, misal: dalam 10 item sampel terdapat 2 item cacat, yang mana
pada 1 item ditemukan 3 titik kerusakan dan pada 1 item lagi terdapat 5 titik
kerusakan. P-chart akan menunjukkan proporsi cacat 2/10 = 0,2 dan NP-chart
akan menunjukkan jumlah cacat sebanyak 2 item, sementara C-chart akan
menunjukkan 8 kerusakan. C-chart tidak seperti P-chart dan U-chart, C-chart
membutuhkan ukuran sampel yang konstan.
C-chart (maupun U-chart) didasarkan pada distribusi Poisson yang pada
dasarnya mensyaratkan bahwa jumlah peluang atau lokasi potensial cacat
sangat besar (tak terhingga) dan bahwa probability cacat di setiap lokasi menjadi
kecil dan konstan. Selanjutnya, prosedur pemeriksaan harus sama untuk setiap
sampel dan dilakukan secara konsisten dari sampel ke sampel (Montgomery,
2005, p. 289).
Batas kendali untuk C-chart adalah c 3 c , yang mana c sama
dengan mean dan varians dari distribusi Poisson. Jika nilai standar untuk ctidak
tersedia, c (rata-rata c) dapat digunakan untuk menghampiri c.
Sebuah contoh mungkin akan membantu untuk menggambarkan bagaimana
cara membuat C-chart. Dari 25 wafer yang masing-masing berisi 100 chip, kita
menemukan total jumlah cacat sebanyak 516 (lihat Tabel 6).
Tabel 6
Data jumlah cacat untuk 26 wafer, masing-masing berisi 100 chip

Sumber: Montgomery, 2005, p. 291 (dimodifikasi)

Dari Tabel 6 di atas, kita menghampiri c dengan menggunakan c, yaitu sebagai
berikut:
n
c

ci

516
=

26

19,85

i=1
Oleh karena itu, batas kendalinya adalah sebagai berikut:
UCL

c+3

19,85 + 3

33,21

Garis pusat
LCL

=
=

c3

19,85 3

6,48

19,85

19,85

19,85

Gambar 7 di bawah ini adalah C-chart dari perhitungan di atas.

Gambar 7. C-chart untuk Data Tabel 6

Cara Membuat U-chart
U dalam U-chart berarti unit cacat dalam kelompok sampel. Uchart menghitung titik cacat per unit laporan pemeriksaan dalam periode yang
mungkin memiliki ukuran sampel bervariasi (banyak item yang diperiksa). Jika Cchart menghitung titik cacat dalam satu item yang sama, maka U-chart
digunakan dalam kasus di mana sampel yang diambil bervariasi atau memang
seluruh produk yang dihasilkan akan diuji. Hal ini berarti bahwa U-chart
digunakan jika ukuran sampel lebih dari satu unit atau mungkin bervariasi dari
waktu ke waktu.
Jika pada C-chart, kita langsung mem-plot-kan data cacat langsung ke dalam
peta kendali; maka pada U-chart, kita perlu menghitung terlebih dahuluu cacat
untuk setiap n sampel, yaitu:
ui

xi
ni

Nilai ui inilah yang akan di-plot-kan dalam peta kendali, yang mana xi adalah
jumlah cacat dalam subgrup ke-i dan ni adalah jumlah unit laporan pemeriksaan
dalam subgrup ke-i.
Terdapat dua model untuk penyelesaian U-chart beserta batas-batas kendalinya,
yaitu menggunakan:

Model Harian/Individu, batas kendali U-chart dengan model

harian/individu adalah
u
u

ni

Model Rata-Rata, batas kendali U-chart dengan model rata-rata adalah

u
u

Berikut ini adalah contoh penggunaan U-chart:

Pada sebuah lini finishing industri tekstil, inpektur QC memeriksa cacat celupan
kain setiap 50 meter persegi, yang mana luas kain per roll bervariasi. Data 10
roll kain ditunjukan Tabel 7 di bawah ini.
Tabel 7
Data kejadian cacat dalam celupan kain dan batas-batas kendali untuk U-chart

Sumber: Montgomery, 2005, pp. 299300 (dimodifikasi)

Garis pusat U-chart adalah rata-rata jumlah cacat per unit pemeriksaan, yaitu
rata-rata jumlah cacat per 50 meter persegi, dihitung sebagai berikut:
u

153
107,5

Perhatikan bahwa u adalah rasio dari jumlah cacat teramati dengan jumlah total
unit pemeriksaan.
Batas-batas kendali pada Tabel 7 dihitung dengan model harian/individu. Lebar
batas-batas kendali bervariasi mengikuti ni, jumlah unit pemeriksaan dalam roll
kain. Perhitungan batas-batas kendali ditampilkan dua kolom terakhir Tabel 7,
dan plot U-chart ditunjukkan Gambar 8 dibawah ini.

Gambar 8. U-chart untuk Tabel 7

Daftar Pustaka

Borysowich, C. (2007, May 10). Building an x-r control chart. Retrieved

from[Link]
Bower, K. M. (n.d.). Statistical process control (SPC). Retrieved
from[Link]
Montgomery, D. C., & Runger, G. C. (2003). Applied statistics and probability for
engineers. (3th ed.). New York: John Wiley & Sons, Inc.
Montgomery, D. C. (2005). Introduction to statistical quality control. (5th ed.).
Hoboken, New Jersey: John Wiley & Sons, Inc.
Nelson, L. S. (1988). Control charts: rational subgroups and effective
applications. Journal of Quality Technology, 20(1), 7375.
Porticus. (n.d.). Western electric: A brief history. Retrieved
from[Link]
Prins, J. (2006). Proportions control charts. In NIST & SEMATECH (Eds.), eHandbook of Statistical Methods (chap. [Link]). Retrieved
from[Link]
Sower, V. E. (2011). Essentials of quality with cases and experiential exercises.
Hoboken, New Jersey: John Wiley & Sons, Inc.
Straker, D. (n.d.). Choosing the type of control chart. Retrieved
from[Link]