Ir.

UMAR WIWI, MT

TEKNIK PENGENDALIAN MUTU

Editor: Ridha F

2017
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah S.W.T, karena berkat rahmatnya
penulisan buku ajar ini dapat selesai ditulis.

Buku ajar ini disusun untuk mahasiswa S1 Pendidikan Teknik Mesin

konsentrasi produksi, dan berisi: pengaruh kualitas terhadap bisnis modern,
penggunaan metode statistik dalam pengendalian mutu serta teknik teknik
pengendalian mutu menggunakan 7 alat (seven tools), serta sampling
penerimaan.

Pada bagian penggunaan metode statistik, hanya dijelaskan metode-

metode statistik yang digunakan pada teknik pengendalian mutu, sehingga pada
pembahasan tentang teknik pengendalian mutu hal-hal yang terkait dengan
statistik tidak perlu dibahas lagi

Bagian tentang teknik pengendalian mutu, buku ajar ini lebih fokus pada
segi teknis, mengingat materi ini akan disampaikan kepada mahasiswa yang kelak
menjadi guru di SMK prodi produksi dimana alumni SMK biasanya ditempatkan
sebagai operator pada sistem Qualiti Control di pabrik, jadi aspek yang lebih
ditonjolkan adalah teknik operasionalnya, dan dampak dari penggunaan teknik
tersebut pada kualitas produk yang dihasilkan.

Harapan penulis, dengan mempelajari buku ajar ini, dilengkapi dengan

buku-buku yang ada pada daftar pustaka, seorang mahasiswa S1 Pendidikan
Teknik Mesin konsentrasi produksi sudah memperoleh bekal yang cukup untuk
digunakan di lapangan sebagai seorang guru pada SMK prodi produksi, bahkan
tidak tertutup kemungkinan mahasiswa tersebut juga bisa menggunakannya bila
bekerja pada bidang / divisi Quality Control.

i
 Sebagai manusia biasa penulis tidak lepas dari kekeliruan dan kesalahan.
Karena itu segala bentuk koreksi / masukan demi penyempurnaan buku ajar ini
akan penulis terima dengan senang hati.

Kepada semua pihak yang telah membantu dalam penyusunan buku ajar ini,
tak lupa penulis sampaikan terima kasih banyak

Surabaya 26 Desember 2017

Umar Wiwi

ii
 DAFTAR ISI

KATA PENGANTAR................................................................................................. i
DAFTAR ISI .......................................................................................................... iii
DAFTAR GAMBAR................................................................................................ vi
DAFTAR TABEL .................................................................................................. viii
BAB I. PENDAHULUAN ......................................................................................... 1
1.1 Arti Kualitas. ........................................................................................................ 1
1.2 Jaminan Kualitas, Teknologi Dan Produktifitas ................................................... 2
1.3 Hubungan Antara Perkembangan Teknologi, Perkembangan Produk Baru,
Persaingan Dan Kualitas. .................................................................................... 3
1.4 Alasan Kualitas Muncul Sebagai Strategi Bisnis Baru Yang Utama ..................... 4
1.5 Metode Jaminan Kualitas. ................................................................................... 6
1.6 Keuntungan Pengendalian Mutu ........................................................................ 7
BAB II PENGGUNAAN METODOLOGI STATISTIK DALAM PENGENDALIAN MUTU .. 10
2.1 Penggambaran Variasi.......................................................................................10
2.1.1 Distribusi Frequensi Dan Histogram...........................................................10
2.1.2 Analisis Numerik Data ................................................................................13
2.1.3 Distribusi Probabilitas ................................................................................15
2.1.4 Mean Dan Deviasi Dari Distribusi Probabilitas ...........................................19
2.2 Beberapa Distribusi Diskrit Penting...................................................................21
2.2.1 Distribusi Hipergeometrik ..........................................................................21
2.2.2 Distribusi Binomial .....................................................................................22
2.3 Distribusi Kontinu Yang Penting ........................................................................24
2.3.1 Distribusi Normal........................................................................................24
BAB III PERANGKAT PENGENDALIAN KUALITAS .................................................. 31
3.1 Lembar Pengecekan. .........................................................................................31
3.1.1 Lembar Pengecekan Distribusi Cacat : .......................................................31

iii
 3.1.2 Lembar Pengecekan Jenis Cacat ................................................................32
3.1.3 Lembar Pengecekan Sebab Cacat. .............................................................33
3.1.4 Lembar Pengecekan Lokasi Cacat ..............................................................33
3.2 Histogram ..........................................................................................................35
3.3 Diagram Pareto .................................................................................................36
3.4 Diagram Sebab Akibat .......................................................................................37
3.5 Diagram Konsentrasi Cacat ...............................................................................39
3.6 Diagram Sebar. ..................................................................................................40
BAB IV PETA KENDALI. ....................................................................................... 42
4.1 Peta Kendali Variabel. .......................................................................................42
4.1.1 Peta Kendali X, R.........................................................................................43
4.1.2 Peta Kendali Kelompok. .............................................................................47
4.1.3 Peta Kendali Kelompok Besar. ...................................................................51
4.1.4 Peta Kendali Individual. ..............................................................................56
4.2 Pengelompokan Rasional ..................................................................................59
4.3 Peta Kendali Atribut. .........................................................................................61
4.3.1 Peta p .........................................................................................................61
4.3.2 Peta c ..........................................................................................................67
BAB V ANALISA KEMAMPUAN PROSES ............................................................... 70
5.1 Analisa Kemampuan Proses Menggunakan Histogram ....................................70
5.2 Analisis Kemampuan Proses Menggunakan Grafik Pengendali ........................75
BAB VI SAMPLING PENERIMAAN ........................................................................ 80
6.1 Sampling Penerimaan Atribut ...........................................................................81
6.1.1 Sampling Tunggal .......................................................................................81
6.1.2 Sampling ganda ..........................................................................................86
6.1.3 Penentuan AOQ, ATI dan Biaya Pemeriksaan. ...........................................89
6.1.4 Merencanakan Sampling Tunggal Dengan Curva KO Tertentu. .................91
6.1.5 Merencanakan Sampling Ganda ................................................................93

iv
 6.1.6 Sampling Standard Militer..........................................................................98
6.1.7 Sampling Dodge Roaming ........................................................................109
6.2 Sampling Penerimaan Variabel .......................................................................121
6.2.1 Kelebihan Dan Kekurangan Sampling Variabel ........................................121
6.2.2 Jenis Perencanaan Sampling ....................................................................122
6.2.3 Merancang Perencanaan Sampling Variabel Dengan Kurva KO Tertentu
...........................................................................................................................123
6.2.4 Sampling Standard MIL STD 414 (ANSI / ASQC Z1.9) ...............................128
DAFTAR PUSTAKA ............................................................................................ 132

v
 DAFTAR GAMBAR

Gambar 1.1 Pengendalian Mutu (QC) pada proses produksi........................................ 2

Gambar 2.1 Histogram Untuk Data Tebal Pelat .........................................................12
Gambar 2.2 Distribusi Probabilitas (a) Kasus diskrit (b) Kasus kontinu......................17
Gambar 2.3 Mean suatu distribusi .............................................................................19
Gambar 2.4 Dua distribusi probabilitas dengan mean berbeda ................................20
Gambar 2.5 Dua distribusi probabilitas dengan deviasi standard berbeda ...............21
Gambar 2.6 Distribusi normal. ...................................................................................24
Gambar 2.7 Luasan dibawah kurva distribusi normal. ...............................................25
Gambar 3.1 Lembar Pengecekan Distribusi Cacat ......................................................32
Gambar 3.2 Lembar Pengecekan Jenis Cacat ..............................................................33
Gambar 3.3 Lembar Pengecekan Sebab Cacat ............................................................34
Gambar 3.4 Lembar Pengecekan Lokasi Cacat............................................................34
Gambar 3.5 Histogram ................................................................................................35
Gambar 3.6 Diagram Pareto ........................................................................................38
Gambar 3.7 Diagram Sebab Akibat .............................................................................38
Gambar 3.8 Diagram Konsentrasi Cacat......................................................................39
Gambar 3.9 Diagram Sebar. .......................................................................................40
Gambar 4.1 Peta Kendali X ..........................................................................................46
Gambar 4.2 Peta Kendali R ..........................................................................................47
Gambar 4.3 Produk Setengah Lingkaran Dengan 4 Pad..............................................48
Gambar 4.4 Peta Kendali Kelompok ...........................................................................51
Gambar 4.5 Peta 𝑿 dari Peta Kendali Kelompok Besar ..............................................55
Gambar 4.6 Peta σ dari Peta Kendali Kelompok Besar ..............................................56
Gambar 4.7 Peta Kendali Individual ...........................................................................59
Gambar 4.8 peta p untuk jumlah sampel sama .........................................................64
Gambar 4.9 Peta p, ukuran sampel berbeda, menggunakan n rata-rata...................65
Gambar 4.10 peta p untuk n yang berbeda-beda ......................................................67
Gambar 4.11 Peta c ....................................................................................................69
Gambar 5.1 Histogram Ukuran Piston........................................................................74
Gambar 5.2 Peta Kendali 𝑿 ........................................................................................77
Gambar 5.3 Peta Kendali R .........................................................................................78
Gambar 6.1 Skema Prosedur Sampling Tunggal ........................................................82
Gambar 6.2 Curva Karakteristik Operasi ....................................................................84
Gambar 6.3 Curva KO .................................................................................................86

vi
Gambar 6.4 Skema Sampling Ganda ..........................................................................87
Gambar 6.5 Curva KO Sampling Ganda ......................................................................89
Gambar 6.6 Nomografik .............................................................................................92
Gambar 6.7. Aturan Perpindahan Bagi Pemeriksaan Normal, Ketat Dan Lemah ......99
Gambar 6.8 Hubungan antara p, µ dan σ .................................................................122
Gambar 6.9 Nomografik Untuk Perencanaan Sampling Variabel ............................125
Gambar 6.10 Grafik Penentuan M ...........................................................................126
Gambar 6.11 Penentuan 𝒑 berdasarkan Z ...............................................................127
Gambar 6.12 Organisasi Standard MILSTD 414........................................................128

vii
 DAFTAR TABEL

Tabel 2.1 Tebal Pelat (mm)..........................................................................................10

Tabel 2.2 Distribusi Frequensi Tebal Pelat ..................................................................11
Tabel 2.3 Perhitungan Deviasi Standard Sampel no 1 ................................................14
Tabel 2.4 Distribusi Normal Standard Kumulatif .........................................................29
Tabel 2.5 Lanjutan Tabel Distribusi Normal Standard Kumulatif ................................30
Tabel 3.1 Perhitungan Untuk Pembuatan Diagram Pareto .........................................36
Tabel 4.1 Nilai A2, D3 dan D4 sesuai n ........................................................................45
Tabel 4.2 Hasil Pengukuran Tebal Pelat ......................................................................45
Tabel 4.3 Nilai 𝑿 Dan R Dari Tiap Sampel. ...................................................................45
Tabel 4.4 Ukuran Tebal Pad dari Produk Setengah Lingkaran. ...................................48
Tabel 4.5 Tabel Perhitungan Peta Kendali Kelompok .................................................49
Tabel 4.6 Data Hasil Produksi Tiap Mesin ...................................................................53
Tabel 4.7 Perhitungan 𝑿 dan 𝝈 ...................................................................................54
Tabel 4.8 Nilai X dari Produk “P” .................................................................................57
Tabel 4.9 Perhitungan Standard Deviasi .....................................................................58
Tabel 4.10 Jumlah Cacat Tiap Sampel .........................................................................63
Tabel 4.11 Persentasi Cacat Tiap Sampel ....................................................................63
Tabel 4.12 Jumlah sampel dan jumlah cacat ...............................................................64
Tabel 4.13 Perhitungan 𝒏 dan 𝒑 .................................................................................65
Tabel 4.14 Perhitungan Batas Kendali Tiap Sampel ....................................................66
Tabel 4.15 Jumlah cacat tiap sampel...........................................................................68
Tabel 5.1 Jumlah Kerontokan Proses Untuk Setiap Nilai PKP .....................................71
Tabel 5.2 Nilai minimum PKP yang dianjurkan............................................................72
Tabel 5.3 Data ukuran piston yang dihasilkan.............................................................73
Tabel 5.4 Distribusi frequensi ......................................................................................73
Tabel 5.5 Perhitungan Standard Deviasi (S) ................................................................74
Tabel 5.6 Perhitungan , 𝑿 , R .......................................................................................76
Tabel 6.1 Nilai Pa Untuk Tiap p, Pada Masing-Masing Curva ......................................85
Tabel 6.2 Perencanaan Sampling Ganda Dengan n1 = n2 ............................................95
Tabel 6.3 Perencanaan Sampling Ganda Dengan n2 = 2n1 .........................................95
Tabel 6.4 Huruf Kode Sesuai Ukuran Sampling .........................................................102
Tabel 6.5 Tabel Induk Pemeriksaan Normal Sampling Tunggal (MIL STD 105D) ......103
Tabel 6.6 Tabel Induk Pemeriksaan Ketat Sampling Tunggal (MIL STD 105D) ..........104
Tabel 6.7 Tabel Induk Pemeriksaan Lemah Sampling Tunggal (MIL STD 105D)........105

viii
Tabel 6.8 Tabel Induk Pemeriksaan Normal Sampling Ganda (MIL STD 105D).........106
Tabel 6.9 Tabel Induk Pemeriksaan Ketat Sampling Ganda (MIL STD 105D) ............107
Tabel 6.10 Tabel Induk Pemeriksaan Lemah Sampling Ganda (MIL STD 105D) ........108
Tabel 6.11 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 2,0% ..........111
Tabel 6.12 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 2,5% ..........112
Tabel 6.13 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 3,0% ..........113
Tabel 6.14 Tabel Pemeriksaan Dodge Romig Sampling Ganda BKRK = 3,0% ............114
Tabel 6.15 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 1,0% ........115
Tabel 6.16 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 2,0% ........116
Tabel 6.17 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 5,0% ........117
Tabel 6.18 Tabel Pemeriksaan Dodge Romig Sampling Ganda PCTK = 1,0% ..........118
Tabel 6.19 Tabel Pemeriksaan Dodge Romig Sampling Ganda PCTK = 1,0% (lanjutan)
...................................................................................................................................119
Tabel 6.20 Penentuan Huruf Kode Sesuai Ukuran sampel ........................................130
Tabel 6.21 Penentuan nilai k .....................................................................................130
Tabel 6.22 Penentuan nilai M....................................................................................131

ix
 BAB I. PENDAHULUAN

1.1 Arti Kualitas.

Mutu / kualitas dapat didefenisikan dalam 2 defenisi yaitu kualitas

kecocokan dan kualitas rancangan (Montgomery 1990). Dalam dunia industri
kebanyakan kualitas diartikan sebagai kulitas kecocokan, yaitu sampai sejauh
mana suatu produk memenuhi specifikasi/persyaratan yang diberikan
konsumen/ pemakai produk dan kelonggaran yang disyaratkan oleh rancangan
produk tersebut. Specifikasi dapat berupa ukuran atau persyaratan persyaratan

Konsumen juga bermacam macam, sesuai proses produksi dan rantai

pemasaran Ada konsumen yang membeli bahan baku untuk di proses menjadi
produk. Untuk konsumen jenis ini kecocokan yang dimaksud adalah
kemampuannya untuk diproses dengan biaya rendah dan sisa yang minimal.
Sesudah diproduksi produk dibeli oleh pengecer. Pengecer menginginkan produk
tersebut mudah dalam penyimpanan, penanganan dan pemajangan. Di ujung
rantai pemasaran ada konsumen akhir yang menghendaki produk yang dibeli
tidak memiliki cacat bawaan dan dapat berfungsi dengan baik.

Kualitas rancangan menggambarkan adanya variasi dalam tingkat kualitas

yang disengaja (Montgomery 1990). Misalnya produk sepeda motor yang
kegunaan utamanya sebagai alat transport, berbeda rancangan dan komponen-
komponennya antara satu merek dengan merek lain, bahkan dalam satu merk
dengan tahun pembuatan yang berbeda akan berbeda rancangannya. Perbedaan
ini memang disengaja untuk lebih mengoptimalkan fungsi produk dan memberi
kepuasan kepada konsumen. Untuk produk seperti sepeda motor, pada tahun-
tahun terakhir muncul rancangan yang lebih mengutamakan penghematan
penggunaan bahan bakar dengan mengganti karburator dengan sistem EFI, juga
penggantian komponen lain seperti desain body, lampu, kunci kontak, memberi
ruang yang lebih luas untuk penempatan barang/helm dan komponen-komponen

1
lainnya yang terus mengalami inovasi. Dapat disimpulkan untuk kualitas
rancangan ada perbedaan yang disengaja yang meliputi : jenis bahan, daya tahan
dan keandalan.

1.2 Jaminan Kualitas, Teknologi Dan Produktifitas

Pada era bisnis modern saaat ini, kualitas/mutu dapat dikatakan

merupakan kunci keberhasilan dalam bisnis, pertumbuhan dan peningkatan
posisi bersaing. Hal ini disebabkan karena saat ini kualitas menjadi faktor utama
bagi konsumen untuk memutuskan apakah produk tersebut akan dibeli atau
tidak. Hal ini terjadi pada semua tingkatan konsumen, baik perorangan, pengecer,
maupun industri atau kelompok industri. Jika kualitas dapat mempengaruhi
keputusan perorangan, lebih lebih kelompok industri untuk membeli suatu
produk maka penjualan akan meningkat secara drastis dan mempengaruhi
pertumbuhan pemasaran, dan bila pasar sudah dikuasai posisi bersaing produk
tersebut akan meningkat, dan ini semua akan membawa keberhasilan dalam
bisnis.

Keberhasilan bisnis, yang ditandai dengan pertumbuhan pemasaran dan

peningkatan posisi bersaing dapat dicapai bila perusahaan mempunyai program
jaminan kualitas yang efektif. Contoh sederhana dari program jaminan kualitas
yang efektif dapat dijelaskan menggunakan skema pada Gambar 2.1 berikut ini.

QC1 QC2 QC3 QC 4

INPUT
M1 M2 M3 OUTPUT

Gambar 1.1 Pengendalian Mutu (QC) pada proses produksi

2
 Proses pengendalian mutu untuk menjamin kualitas yang ideal
menggunakan petugas pengendali mutu / quality control yang banyak,
ditempatkan pada setiap tahapan produksi. QC1 untuk mengontrol kualitas bahan
baku, QC2 mengontrol hasil proses produksi di mesin 1 (M1), QC3 untuk
mengontrol kualitas hasil M2, dan QC4 ditempatkan untuk mengontrol kualitas
produk akhir. Kualitas produk dengan program pengendalian kualitas seperti ini
akan menjamin kualitas yang sangat baik, tapi apakah efektif? , tentu tidak; karena
program pengendalian kualitas seperti ini akan berdampak pada : waktu siklus
produk yang labih panjang, tenaga pengendali kualitas yang banyak dan tentu
berpengaruh pada biaya yang makin tinggi.

Dengan program pengendalian kualitas yang efektif, cukup ditempatkan

seorang petugas QC di akhir proses, namun dengan teknik pengendalian kualitas
yang baik, bila ada produk yang cacat bisa ditentukan penyebab cacatnya apakah
pada bahan baku, di proses M1, M2 atau di M3. Penempatan satu saja petugas QC
akan memperpendek waktu syklus untuk satu atau sekelompok produk, yang
berdampak pada peningkatan produktifitas. Produktifitas tinggi dengan kualitas
produk yang baik juga ditunjang dengan sistem pemasaran yang baik akan
meningkatkan kemampuan penetrasi pasar. Disisi lain dengan pengurangan
tenaga pengendali mutu akan menurunkan biaya tenaga kerja, serta produktifitas
tinggi juga akan mengurangi biaya energi. Selain mengurangi tenaga kerja
dibidang pengendalian kualitas, program pengendalian kualitas yang efektif bisa
juga dilakukan dengan menggunakan peralatan sensor dan peralatan kendali
mutu otomatis lainnya.

1.3 Hubungan Antara Perkembangan Teknologi, Perkembangan

Produk Baru, Persaingan Dan Kualitas.

Perkembangan teknologi akhir akhir ini terutama dibidang teknologi

informasi , elektronika, metalurgi, keramik, komposit, farmasi, memunculkan

3
produk-produk dan jasa baru. Perkembangan produk ini digunakan oleh
produsen untuk memenangkan persaingan.

Produk berteknologi tinggi dapat menyederhanakan kerja manusia yang

memakainya, untuk penggunaan tertentu bisa lebih akurat bila dibandingkan
dengan kerja yang dilakukan pada produk-produk konvensional.

Untuk mesin mesin produksi berteknologi tinggi dapat mengoptimalkan

fungsinya, meningkatkan produktifitas namun dari segi kontrol kualitas produk
yang dihasilkan menjadi rumit. Sebagai contoh mesin bubut CNC, untuk
menghasilkan produk ulir prosesnya dimulai dari entri data, kemudian data ini
diolah menggunakan program didalam mesin menghasilkan gerakan-gerakan
spindel dan eretan dengan parameter sesuai data yang dientri. Bila produk yang
dihasilkan cacat, menyelidiki penyebab kecacatan menjadi rumit, karena
kesalahan bisa saja terjadi pada waktu data di entri, pada program yang mengolah
data menjadi gerak mekanis, atau bisa saja gangguan pada gerak mekanis itu
sendiri yang tidak bisa mengikuti perintah program karena berbagai sebab,
sedangkan program maupun gerak gerak mekanis itu sendiri terjadi di dalam
mesin yang susah dikontrol dari luar.

1.4 Alasan Kualitas Muncul Sebagai Strategi Bisnis Baru Yang Utama

Dalam bisnis banyak strategi yang digunakan untuk memenangkan

persaingan dengan tujuan menguasai pasar dan tentu saja meningkatkan
keuntungan, terutama bisnis baru ditengah peningkatan teknologi ,
perkembangan sistem informasi, perbaikan perbaikan dalam manajemen
produksi. Diantara berbagai strategi yang digunakan salah satunya adalah
kualitas.

Menurut (Montgomery 1990) ada 5 alasan mengapa kualitas muncul

sebagai strategi bisnis baru yang utama :

4
a. Meningkatkan kesadaran konsumen akan kualitas dan orientasi
konsumen yang kuat akan penampilan kualitas. Produk yang beredar di
pasar saat ini menonjolkan berbagai hal yang sengaja dipilih produsen
untuk memenangkan persaingan; diantaranya penampilan/ desain ,
harga, dan faktor-faktor lainnya yang tidak berkaitan dengan fungsi
apalagi kualitas produk. Hal ini akan menyesatkan pandangan/preferensi
konsumen terhadap suatu produk. Dengan mengemukakan kualitas
sebagai strategi bisnis utama maka konsumen akan disadarkan bahwa
untuk suatu produk yang harus diperhatikan adalah kualitas yang pasti
berkaitan dengan fungsi atau unjuk kerja dari produk.
b. Kemampuan produk: Produksi suatu barang yang baik adalah apabila
barang tersebut dapat berfungsi seperti yang dirancang, atau produk itu
mampu menunjukan kinerjanya seperti yang dikehendaki. Kualitas
dalam hal ini selain melihat kecocokan produk terhadap specifikasi, juga
kesesuaian fungsi, yang ditunjukan oleh kemampuan produk.
c. Peningkatan tekanan biaya pada tenaga kerja, energi, dan bahan baku.
Komponen-komponen biaya tersebut menentukan harga pokok produk.
Jika komponen-komponen biaya itu tinggi harga produk akan tinggi dan
susah laku di pasar. Karena itu efisiensi besar-besaran harus dilakukan
termasuk biaya kualitas. Dengan sistem pengendalian kualitas yang baik
akan menghemat biaya tidak hanya pada biaya kualitas tetapi juga pada
tenaga kerja karena kemungkinan pekerjaan ulang bisa dikurangi, begitu
juga biaya energi. Pengendalian kualitas yang baik juga akan mengurangi
produk yang tidak terpakai sehingga meminimalkan biaya bahan baku.
d. Persaingan yang semakin intensif: Dalam persaingan yang semakin
intensif harus dipilih strategi yang jitu. Pada bisnis modern dimana
konsumen mempunyai perferensi yang baik terhadap suatu produk,
maka produk yang baik adalah yang bisa berfungsi sesuai keinginan

5
 konsumen; bukan pada harga yang murah atau desain produk yang
beraneka ragam.
e. Kemajuan yang luar biasa dalam produktivitas melalui program
keteknikan kualitas yang efektif. Dengan program keteknikan kualitas
yang efektif, waktu syklus produk menjadi kecil sehingga produktifitas
meningkat, sekaligus akan meminimalkan biaya per unit.

1.5 Metode Jaminan Kualitas.

Untuk menjamin kualitas yang baik dari setiap produk perlu ada metode
tertentu, dan untuk menerapkan suatu metode jaminan kualitas, pengenalan
terhadap sistem produksi mutlak diperlukan.

Dalam sistem produksi ada 3 sub sistem yaitu : input , proses dan output
(hasil produksi).

Dalam kaitan dengan kualitas produk maka input yang perlu diperhatikan
adalah bahan baku / komponen atau bagian-bagian dari suatu produk,
merupakan masukan yang bisa diberi notasi x1.

Pada proses yang merupakan transformasi bahan baku menjadi produk;

ada mesin, fasilitas dan tenaga kerja yang dipengaruhi oleh faktor – faktor yang
terkendali (X2, X3 ....Xn ),maupun yang tidak terkendali (Z1, Z2, ... Zm).

Kombinasi antara faktor-faktor Xi dan Zi akan tercermin pada variabel hasil

Y, yang merupakan ciri-ciri kualitas.:

Untuk melihat hubungan antara X , Z dan Y. dapat dilakukan melalui

percobaan percobaan yang dirancang secara statistik, sehingga bisa ditemukan
model-model korelasi antar variabel variabel tersebut. Percobaan ini sering
digunakan sewaktu aktivitas pengembangan dan tingkat awal produksi, bukan
prosedur pengendalian biasa pada jalur atau dalam proses.

6
 Pengendalian kualitas dalam proses produksi harus dilakukan dengan 7 alat
pengendalian kualitas yaitu Lembar Pengecekan, Histogram, Diagram Pareto,
Diagram sebab-akibat, Diagram konsentrasi cacat, Diagram sebar dan Peta
kendali.

1.6 Keuntungan Pengendalian Mutu

Jika pengendalian mutu dilakukan dengan baik maka setidak-tidaknya ada

7 keuntungan yang diperoleh produsen.

a. Peningkatan Ratio Kualitas / Biaya

Nilai kualitas yang dimaksud adalah hasil penjualan produk yang baik
(sesuai specifikasi), sedangkan biaya adalah total biaya yang dikeluarkan
untuk membuat produk.
Contoh dari 100 unit produk yang berhasil diproduksi, ada 90 produk
yang baik. Jika harga per unit produk baik Rp 1000,- dan biaya perunit Rp
950,-, maka ratio kualitas / biaya adalah : (90 x 1000)/ ( 100 x 950 ) =
0,947. Jika pengendalian mutu tidak berjalan dengan baik, maka dari 100
unit yang diproduksi hanya 80 produk yang baik. Rationya menjadi : (80
x 1000) / (100 x 950) = 0,842. Kesimpulannya dengan pengendalian mutu
yang baik ratio : kualitas/biaya makin tinggi.

b. Tingkat Kualitas Lebih Baik

Tingkat kualitas dinyatakan sebagai persentasi produk cacat. Dengan
pengendalian mutu yang baik jumlah produk cacat dalam sejumlah
produksi akan menurun, tingkat kualitas lebih baik. Sebaliknya bila
pengendalian mutu tidak baik maka jumlah produk cacat bertambah
persentasinya juga bertambah.

7
c. Menjaga Kualitas Lebih Uniform/ Seragam
Kualitas produk dikatakan baik jika bisa memenuhi specifikasi yang
disyaratkan.
Contoh untuk produk poros sepeda motor yang akan diproduksi
ditentukan specifikasi diameternya adalah : 10 mm ± 0,1 mm. Produk yang
dinyatakan baik adalah yang ,mempunyai diameter 9,9 mm sampai 10,1
mm. Pengendalian kualitas harus dilakukan agar sebanyak mungkin poros
yang dihasilkan mempunyai diameter antara 9,9 mm sampai 10,1 mm,
berarti produk baik yang dihasilkan mempunyai sebaran ukuran hanya
dalam interval 0,2 mm, dan bila dilihat dengan kasat mata hampir tidak
ada perbedaan diamater antara satu produk dengan produk lain, alias
uniform/seragam.

d. Penyediaan Bahan Baku Yang Lebih Baik.

Dalam sistem pengendalian kualitas yang baik, setiap cacat produk
diselidiki penyebabnya apakah karena mesin, operator, alat, atau bahan
baku. Jika sistem ini dijalankan dengan baik, maka dapat ditentukan
apakah bahan baku yang dipakai dapat menyebabkan penurunan kualitas
atau tidak. Jika ada pengaruhnya maka segera akan direkomendasikan
penggantian bahan baku yang lebih baik.

e. Penggunaan Alat Produksi Yang Lebih Efisien.

Pengendalian kualitas tidak hanya ditujukan pada bahan baku tetapi juga
pada alat produksi. Mesin, alat produksi harus diseting dan dioperasikan
dengan memperhatikan specifikasi produk yang disyaratkan. Bila seting
mesin dan alat dilakukan dengan baik dan akan menghasilkan produk baik
dalam persentasi yang tinggi, berarti jam mesin yang dipakai tidak
terbuang untuk memproduksi barang diluar specifikasi, jadi dapat
dikatakan penggunaan mesin lebih efisien.

8
f. Mengurangi Kerja Ulang Atau Pembuangan.
Menggunakan contoh pada point c, poros yang dikatakan baik adalah yang
diameternya mulai dari 9,9 mm sampai 10,1 mm. Hasil produksi lebih
kecil dari 9,9 mm akan dibuang, sedangkan yang lebih besar dari 10,1 mm
akan dikerjakan ulang. Pengendalian kualitas yang baik akan mengurangi
produk yang diameternya diluar specifikasi yang ditentukan, berarti
mengurangi kerja ulang (bagi produk yang lebih besar dari specifikasi)
dan mengurangi pembuangan (bagi produk yang lebih kecil dari
spesifikasi)

g. Inspeksi Yang Lebih Baik.

Sebagaimana dijelaskan pada metode jaminan kualitas, bahwa
pengendalian kualitas dalam proses menggunakan peralatan dan dalam
banyak literatur dikatakan ada 7 jenis peralatan (seven tools) yaitu
lembar pengecekan, histogram, diagram pareto, diagram sebab akibat,
diagram sebar , diagram konsentrasi cacat dan peta kendali. Bila semua
peralatan ini digunakan secara efektif maka pemeriksaan produk
(inspeksi) akan lebih baik.

9
 BAB II PENGGUNAAN METODOLOGI STATISTIK DALAM
PENGENDALIAN MUTU

2.1 Penggambaran Variasi

Setiap produk yang dihasilkan tidak akan persis sama satu dengan lainnya,
baik variabel dimensi, volume, kekuatan, kadar sat tertentu maupun veriabel-
variabel lainnya yang merupakan karakteristik kualitas dalam suatu produk.
Variabel-variabel ini akan bervariasi dan variasi tersebut akan terdistribusi
menurut pola distribusi tertentu. Jenis – jenis distribusi itu yang akan kita bahas
pada point ini .

2.1.1 Distribusi Frequensi Dan Histogram

Seperti telah dijelaskan di atas. Hasil dari suatu proses produksi tidak dapat
menghindari terjadinya variasi nilai karakteristik produk. Contohnya tebal pelat
yang dihasilkan dari suatu proses produksi di pabrik baja, tebal suatu pelat
dengan pelat lainnya tidak akan sama. Untuk menarik kesimpulan dari data tebal
pelat yang bervariasi ini digunakan ilmu statistik untuk menganalisisnya.

Tabel 2.1 yang menyajikan 100 observasi hasil pengukuran tebal pelat,
menunjukan adanya variabilitas, tetapi sangat sukar melihat adanya pola dalam
variabilitas atau struktur dalam data jika hasil observasi disusun seperti pada
Tabel 2.1.

Tabel 2.1 Tebal Pelat (mm)

No 1 2 3 4 5 6 7 8 9 10
Sampel
X1 3,1 4,0 3,5 5,5 5,3 4,2 3,6 4,4 4,6 5,0
X2 4,7 4,0 3,3 4,5 5,6 4,8 5,1 4,1 4,3 5,7
X3 3,0 5,7 4,2 3,1 4,6 4,1 5,4 3,6 4,0 5,2
X4 5,0 3,0 3,7 4,2 5,1 4,6 5,2 4,7 4,4 5,3
X5 3,2 3,6 5,7 5,6 6,4 4,0 4,6 3,4 5,4 6,0

10
 Tabel 2.1 Tebal Pelat (mm) [Lanjutan]

No 11 12 13 14 15 16 17 18 19 20
Sampel
X1 3,8 4,3 5,2 4,5 5,1 4,1 4,3 5,6 5,4 6,3
X2 5,0 6,1 3,5 4,4 3,2 5,2 5,4 4,0 3,7 4,2
X3 4,7 5,0 3,4 4,6 3,2 5,7 5,8 4,1 3,5 4,3
X4 5,4 6,8 5,6 4,1 5,8 4,3 4,2 5,9 5,0 6,2
X5 6,5 4,5 4,3 5,2 5,1 5,0 6,1 6,3 3,8 4,3

Untuk melihat pola dari data maka data pada Tabel 2.1 diatas harus dibuat
dalam bentuk distribusi frequensi seperti ditunjukan pada Tabel 2.2 Dari Tabel
2.2 dapat dibuat grafik seperti Gambar 2.1 yang dinamakan Histogram. Tinggi tiap
segi empat pada histogram menunjukan frequensi kejadian dari tebal pelat dalam
interval tertentu. Dengan histogram ini dapat dengan mudah dilihat tiga sifat
yaitu:

• Bentuk
• Lokasi atau kecenderungan tengah
• Pemencaran atau penyebaran

Tabel 2.2 Distribusi Frequensi Tebal Pelat

Tebal Pelat Frequensi Frequensi Frequensi Frequensi

(mm) Kumulatif Relatif Relatif
Kumulatif
3,0 – 3,9 20 20 0,20 0,20
4,0 – 4,9 37 57 0,37 0,57
5,0 – 5,9 34 91 0,34 0,91
6,0 - 6,9 9 100 0,09 1,00

Berdasarkan data pada Tabel 2.2 diatas dapat dibuat histogram seperti Gambar
2.1 berikut ini:

11
 Gambar 2.1 Histogram Untuk Data Tebal Pelat

Dari gambar histogram diatas dapat dilihat bahwa distribusi tebal pelat
kira-kira simetris dan modus tunggal (bentuk gunung), dengan nilai tengah dekat
dengan 4,9 mm. Variabilitas tebal pelat cukup tinggi karena ada yang mempunyai
tebal 3 mm yang lainnya bisa mencapai 6 mm. Dengan melihat histogram banyak
hal yang bisa diungkapkan terkait proses, sedangkan dari data yang tersedia pada
Tabel 2.1 tidak memberikan penjelasan apa-apa.

Untuk menggambar histogram ada beberapa petunjuk yang bermanfaat.

Jika data banyak maka data itu harus dikelompokkan dalam beberapa kelas
dengan syarat :

1. Gunakan 4 sampai 20 kelas. Banyak kelas bisa ditentukan dengan

pendekatan akar ukuran sampelnya.
2. Buat kelas sama lebar
3. Mulailah batas bawah kelas pertama sedikit dibawah nilai data terkecil.

Pengelompokan data kedalam kelas bararti kita meringkas data asli,

konsekwensinya kehilangan beberapa informasi yang rinci. Jadi apabila

12
observasinya tidak terlalu banyak, histogram bisa langsung dibuat berdasarkan
data tersebut tanpa membaginya dalam kelas (interval).

2.1.2 Analisis Numerik Data

Histogram bisa memberi gambaran visual tentang tiga sifat data sampel
yaitu : bentuk distribusi data, kecenderungan tengah dalam data dan pemencaran
atau variabilitas data. Pada penggunaan praktis dari pengendalian mutu
dibutuhkan juga ukuran numerik dari nilai tengah dan pemancaran. Ukuran
kecenderungan tengah yang penting dari sampel adalah nilai rata-rata sampel.

𝑥1 +𝑥2 +⋯𝑥𝑛
𝑥̅ =
𝑛
........ (1)
∑𝑛
𝑖=1 𝑥𝑖
𝑥̅ =
𝑛

Jika menggunakan data pada tabel 1 maka dapat dihitung nilai rata-rata
untuk sampel 1 adalah :

3,1+4,7+3,0+5,0+3,2
𝑥̅ = = 3,8 mm
5
Untuk menghitung rata-rata dari seluruh data hasil observasi, berarti kita
menghutung rata-rata dari nilai rata-rata tiap sampel, atau kita menghitung rata-
rata dari seluruh data sampel.

∑100
𝑖=1 𝑥𝑖 467,3
𝑥̅ = = = 4,67 mm.
100 100

Dari hasil perhitungan rata-rata seluruh sampel kemudian diperiksa pada

gambar histogram maka terlihat nilai tersebut barada di tengah histogram yang

13
merupakan “ titik kesetimbangan”. Dapat dikatakan bahwa nilai rata-rata seluruh
sampel marupakan titik berat / pusat masa data sampel.

Pemencaran atau penyebaran dalam data sampel diukur dengan variansi

sampel, yang dapat ditulis dengan rumus :

∑𝑛 ̅ )2
𝑖=1(𝑥𝑖 −𝑥
𝑆2 = ........ (2)
𝑛−1

Satuan variansi sampel S2 adalah kuadrat data aslinya, hal ini agak sulit
untuk di interpretasi, maka biasanya lebih sering digunakan akar dari S2 yang
dinamakan deviasi standard sampel, sebagai ukuran pemencaran sehingga
rumusnya menjadi :

∑𝑛
𝑖=1(𝑥𝑖 −𝑥̅ )
2
𝑆= √ .............(3)
𝑛−1

Untuk memahami cara perhitungan Deviasi Standard kita lihat contoh

perhitungannya pada Tabel 2.3 berikut ini

Tabel 2.3 Perhitungan Deviasi Standard Sampel no 1

𝒙 ̅
𝒙 (𝒙 − 𝒙̅) ̅ )𝟐
(𝒙 − 𝒙
3,1 3,8 -0,7 0,49
4,7 3,8 0,9 0,81
3,0 3,8 -0,8 0,64
5,0 3,8 1,2 1,44
3,2 3,8 -0,6 0,36
∑ 3,74

14
 Nilai 𝑥 adalah tebal masing-masing pelat yang terdapat pada sampel no1,
sedangkan 𝑥̅ adalah rata-rata tebal pelat pada sampel no 1 yang dihitung

menggunakan rumus (1). Pada kolom ke 3 Tabel 2.3 dihitung selisih antara tebal
masing masing pelat dengan tebal rata-rata nya dan kolom ke 4 adalah kuadrat
setiap nilai dari kolom no [Link] hasil perhitungan pada Tabel 2.3 diatas, dapat
dihitung deviasi standard untuk sampel no 1 adalah :

3,74
𝑠=√ = 0,966 mm
4

Deviasi standard untuk masing- sampel berbeda. Sampel dengan deviasi

standard yang besar menggambarkan variabilitas karakteristik produknya besar.

2.1.3 Distribusi Probabilitas

Data karakteristik kualitas suatu produk digambarkan dalam bentuk

Histogram, dimana data ini merupakan data sampel, yang diambil selama 1 hari
atau 1 shift produksi. Sampel adalah diambil dari suatu himpunan yang lebih
besar yang disebut populasi. Data tebal dari 100 pelat yang diambil adalah sampel,
dan populasinya adalah seluruh pelat yang diproduksi pada pabrik yang
bersangkutan. Dari data sampel, dengan menggunakan metode statistik kita dapat
menganalisa data sampel untuk mengambil kesimpulan tentang proses yang
menghasilkan pelat itu. Untuk menganalisa data kita memerlukan beberapa
model matematik, salah satunya adalah distribusi probabilitas.

Model matematik ini menghubungkan nilai variabel (karakteristik kualitas)

dengan probabilitas/peluang terjadinya nilai itu dalam populasi. Nilai dari
variabel ini berbeda-beda dalam populasi menurut mekanisme random /acak,
maka variabel tersebut dinyatakan sebagai variabel random. Dalam contoh
tentang tebal pelat maka tebal pelat itu disebut variabel random, Distribusi

15
probabilitas tebal pelat menggambarkan probabilitas terjadinya setiap nilai tebal
pelat didalam populasi. Ada dua macam distribusi probabilitas.

1. Distribusi Kontinu : apabila variabel yang diukur dinyatakan dalam skala

kontinu. Misalnya tebal pelat, volume minuman dalam kotak/botol, diameter
kawat baja.
2. Distribusi Diskrit : bila variabelnya dinyatakan dalam bilangan bulat 0,1,2 .
contoh jumlah tabung, jumlah bola lampu, jumlah resistor.

Contoh dari masing masing jenis distribusi bisa dilihat pada Gambar 2.2.
Pada Gambar 2.2 a menunjukan distribusi diskrit sedangkan pada Gambar 2.2 b
adalah distribusi kontinu. Distribusi diskrit gambarnya berupa garis-garis tegak
lurus. Setiap garis menunjukan nilai variabelnya sedangkan tinggi garis
proporsional dengan probabilitanya. Penulisan probabilitanya adalah :

𝑃[𝑥 = 𝑥𝑖 ] = 𝑃(𝑥𝑖 )

Bentuk distribusi kontinu adalah kurva yang halus, dengan luasan dibawah

curva sama dengan probabilitasnya, sehingga probabilitas suatu nilai 𝑥 terletak

di dalam interval a dan b ditulis dalam bentuk .

𝑏
𝑃[𝑎 ≤ 𝑥 ≤ 𝑏] = ∫𝑎 𝑓(𝑥)𝑑𝑥

16
 Gambar 2.2 Distribusi Probabilitas (a) Kasus diskrit (b) Kasus kontinu

Contoh Soal Distribusi Diskrit

Suatu proses memproduksi ribuan IC tiap hari. Rata-rata 2% dari IC ini cacat
(tidak memenuhi specifikasi ) tiap hari . Setiap jam seorang pemeriksa mengambil
60 IC untuk diperiksa apakah memenuhi specifikasi atau tidak. Jika x dimisalkan
sebagai variabel random yang menunjukan jumlah IC yang tidak memenuhi
specifikasi dalam sampel maka distribusi probabilitas x dapat ditulis dalam
bentuk :

60 (0,02)𝑥 (0,98)60−𝑥
𝑝(𝑥) = ( ) ; 𝑥 = 0, 1, 2, … … 60
𝑥

60
Dari formula diatas ( ) = [60!/𝑥! (60 − 𝑥)!] adalah banyak kombinasi
𝑥
60 IC yang diambil x unit IC setiap kali. Distribusi ini adalah distribusi diskrit
karena banyaknya IC yang tidak memenuhi specifikasi itu diskrit :0,1, 2, 3 ..., 60.
Dan dinamakan distribusi binomial.

17
Berdasarkan rumus distribusi probabilitas diatas, dapat dihitung probabilita
mendapat cacat sebesar satu atau kurang sebagai berikut :

𝑃(𝑥 ≤ 1) = 𝑃(𝑥 = 0) + 𝑃(𝑥 = 1)

= 𝑝(0) + 𝑝(1)

60 (0,02)𝑥 (0,98)60−𝑥
= ∑1𝑥=0 ( )
𝑥
60! 60!
=0!60! (0,98)60 (0,02)0 + 1!59! (0,98)59 (0,02)1

= 0,2976 + 0,3643 = 0,6619

Hasil perhitungan diatas menunjukan bahwa probabilta mendapatkan satu atau

kurang cacat IC adalah 0,6619 atau 66,19 %.

Contoh Soal Distribusi Kontinu

Jika 𝑥 adalah variabel random yang menunjukan isi yang sebenarnya dalam
satuan ons dari suatu kotak susu 1 pon. Distribusi probabilitanya 𝑥 ditunjukan
dengan fungsi :

1
𝑓(𝑥) = 1,5 ; 15,5 ≤ 𝑥 ≤ 17,0

Ini adalah distribusi 𝑥 dimana nilai 𝑥 terletak antara 15,5 dan 17,0.
Distribusi ini dinamakan distribusi uniform yang grafiknya terlihat pada gambar
2.3. Luasan dibawah kurva fungsi f(x) berkaitan dengan probabilitas. Probabilitas
suatu kotak susu berisi kurang dari 16,0 ons adalah :

16,0
𝑃{𝑥 ≤ 16,0} = ∫15,5 𝑓(𝑥)𝑑𝑥

18
 16 1
= ∫15,5 1,5 𝑑𝑥

𝑥 16,0−15,5
𝑃{𝑥 ≤ 16,0} = 1,5 |16
15,5 = = 0,3333
1,5

2.1.4 Mean Dan Deviasi Dari Distribusi Probabilitas

Mean (µ) suatu distribusi probabilitas adalah suatu ukuran kecenderungan

tengah dari distribusi tersebut, atau lokasinya. Apabila populasi terdiri dari N
item maka mean (µ) dapat dirumuskan sebagai :

∑𝑁
𝐼=1 𝑋𝐼
𝜇= .......... (4)
𝑁
Jika dilihat pada Gambar 2.3 maka mean adalah titik tempat distribusi itu
benar-benar “seimbang” atau mean adalah pusat massa distribusi probabilitas.
Mean bukan merupakan median (Gambar 2.3 b ) dan juga bukan merupakan
modus (Gambar 2.3 c ). Mean hanya menentukan lokasi distribusi itu (Gambar
2.4).

Gambar 2.3 Mean suatu distribusi

19
 Gambar 2.4 Dua distribusi probabilitas dengan mean berbeda

Pemencaran, penyebaran atau variabilitas suatu distribusi dinyatakan

dengan variansi ( σ2 ) . Apabila ada N item dalam populasi maka variansinya dapat
ditulis dengan rumus :

∑𝑁
𝑖=1(𝑥𝑖 − 𝜇)
2
𝜎 2= ........ (5)
𝑁

Jika 𝜎 2 = 0 maka tiadak ada variabilitas dalam populasi, bila 𝜎2

membesar variabilitas dalam populasi membesar, dan sebaliknya. Satuan Variansi
adalah kuadrat satuan variabel aslinya, hal ini tidak praktis, maka secara praktis
orang banyak bekerja menggunakan akar variansi atau disebut deviasi standard
(σ ). Satuan dari deviasi standard dinyatakan dalam satuan asli. Rumus dari
deviasi standard adalah:

∑𝑁
𝑖=1(𝑥𝑖 − 𝜇)
2
𝜎 = √𝜎 2 = √ ....... (6)
𝑁

Berikut ini adalah gambar dari dua distribusi yang memiliki mean yang
sama tetapi deviasi standard yang berbeda.

20
 Gambar 2.5 Dua distribusi probabilitas dengan deviasi standard berbeda

2.2 Beberapa Distribusi Diskrit Penting.

Dalam pengendalian kualitas sering kita menggunakan beberapa distribusi

diskrit , karena itu pada bagian ini diperkenalkan beberapa distribusi diskrit
penting yang sering digunakan.

2.2.1 Distribusi Hipergeometrik

Jika ada populasi atau kotak yang berisi N item yang D diantaranya cacat.
Dari populasi itu diambil sampel random n item tanpa pengembalian. Jika x adalah
banyak item dalam sampel yang cacat, maka x adalah variabel random
hipergeometris dengan distribusi probabilitas :

𝐷 𝑁 − 𝐷
( )( )
𝑥 𝑛 − 𝑥
𝑝(𝑥) = 𝑁 .......... 𝑥 = 0 , 1, 2 … , 𝑚𝑖𝑛(𝑛, 𝐷) ....... (7)
( )
𝑛

Pada rumus (7) diatas terdapat rumus kombinasi yang dapat diselesaikan
sebagai berikut :

𝑎 𝑎!
( ) = 𝑏!(𝑎−𝑏)!
𝑏

21
 Rumus kombinasi diatas menunjukan banyak kombinasi a item yang
diambil b setiap pengambilan. Mean dan variansi distribusi hypergeometris dapat
ditentukan dengan rumus :

𝑛𝐷
𝜇= .............. (8)
𝑁

𝑛𝐷 𝐷 𝑁−𝑛
𝜎2 = (1 − 𝑁) (𝑁−1)......... (9)
𝑁

Contoh Perhitungan

Suatu kotak memuat 80 item, yang 3 diantaranya tidak sesuai persyaratan. Jika 8
item dipilih secara random tanpa pengembalian, maka probabilita akan
mendapatkan paling banyak satu item yang tidak sesuai dalam sampel adalah

P {𝑥 ≤ 1} = 𝑃{𝑥 = 0} + 𝑃{𝑥 = 1}
3 77 3 77
( )( ) ( )( )
0 8 1 7
= 80 + 80
( ) ( )
8 8

= 0,9748
Penggunaan model probabilitas diatas pada teknik pengendalian mutu
adalah pada Sampling Penerimaan.

2.2.2 Distribusi Binomial

Bila ada suatu proses yang terdiri dari sederetan n eksperimen yang
independen, dengan hasil tiap eksperimen berupa “sukses” atau “gagal”.
Eksperimen semacam itu dinamakan eksperimen Bernoulli . Jika probabilitas
“sukses” pada setiap eksperimen tetap misalnya p maka banyak “sukses” x dalam
n eksperimen Bernaoulli berdistribusi Binomial.

22
 𝑛
𝑝 (𝑥) = ( ) 𝑝 𝑥 (1 − 𝑝)𝑛−𝑥 𝑥 = 0,1,2 … , 𝑛 ...... (10)
𝑥

Parameter distribusi binomial adalah n dan p, dimana n adalah bilangan

bulat positif dan 0 < p < 1 merupakan persentasi produk tidak sesuai /cacat. Mean
dan Variansi dari distribusi ini dapat ditentukan menggunakan rumus (11) dan
(12).

𝜇 = 𝑛𝑝 ................. (11)

𝜎 2 = 𝑛𝑝(1 − 𝑝) ....(12)

Penggunaan distribusi ini dalam pengendalian kualitas adalah untuk

menentukan probabilita banyak item yang tidak sesuai (x) dalam suatu sampel
berukuran n.

Contoh perhitungan

Pada suatu proses produksi di suatu pabrik yang mempunyai persentasi cacat
rata-rata 5 persen (p = 0,05) diambil sampel sebesar 10 unit ( n=10). Jika populasi
produk dianggap tak terhingga, berapa probabilita terdapat 3 cacat didalam
sampel. Jika digunakan rumus 10, maka hasil perhitungannya adalah :

10
𝑝(3) = ( ) (0,05)3 (1 − 0,05)10−3
3

p (3) = 120 x 0,000125 x 0,698337= 0,010475

Hasil perhitungan ini menunjukan bahwa probabilita terdapat 3 cacat dalam

sampel yang terdiri dari 10 produk pada pabrik dengan persentasi cacat rata-rata
5% adalah sebesar 0,010475 atau atau 1,048 persen.

23
2.3 Distribusi Kontinu Yang Penting

Distribusi kontinu yang penting ada beberapa yakni distribusi Normal,

distribusi eksponensial, distribusi gamma, dan distribusi weibull; namun pada
buku ajar ini hanya dibahas tentang distribusi normal, yang sangat banyak
penggunaannya pada teknik pengendalian mutu.

2.3.1 Distribusi Normal

Seperti diuraikan pada pengantar point 3.1, distribusi ini merupakan

distribusi paling penting dalam teknik pengendalian mutu, yang berkaitan dengan

aspek statistik. Jika 𝑥 suatu variabel random normal, maka distribusi probabilitas

𝑥 dapat ditulis seperti rumus berikut ini

𝑥−𝜇 2
1
𝑒 −1/2( )
𝑓(𝑥) = 𝜎 ; −∞ < 𝑥 < ∞ ...........(13)
𝜎√2𝜋

Gambar grafik distribusi normal dapat dilihat pada Gambar 2.6 berikut ini

Gambar 2.6 Distribusi normal.

Parameter distribusi normal adalah µ yang interval nilainya ( -∞ < 𝜇 <

∞) dengan variansi σ2 = 0. Karena distribusi ini sangat sering digunakan sehingga
diberi notasi khusus , 𝑥~ 𝑁(𝜇 ; 𝜎 2 ) yang artinya 𝑥 distribusi normal dengan mean

24
µ dan variansi σ2 . Bentuk visual distribusi normal adalah simetris mempunyai
satu modus atau kurva berbentuk lonceng seperti terlihat pada Gambar 2.6.

Deviasi standard suatu distribusi normal mempunyai interpretasi

sederhana seperti ditunjukan pada Gambar 2.7. Dari gambar tersebut dapat
dijelaskan bahwa 68,26% nilai-nilai populasi jatuh pada batas-batas mean
ditambah dan dikurangi satu deviasi standard ( µ ± 1σ). Pada batas- batas mean
ditambah atau dikurangi 2 standard deviasi ( µ ± 2σ ) terdapat 95,46% data jatuh
diantara batas-batas tersebut, dan ada 99,73% data berada diantara batas-batas
(µ ± 3σ). Deviasi standard diukur pada skala mendatar.

Gambar 2.7 Luasan dibawah kurva distribusi normal.

Distribusi normal kumulatif didefenisikan sebagai probabilitas variabel

random 𝑥 yang kurang atau sama dengan suatu harga a , atau dapat ditulis dengan
rumus (14) berikut ini :

25
 𝑥−𝜇
𝑎 1
𝑃{𝑥 ≤ 𝑎} = 𝐹(𝑎) = ∫−∞ 𝜎√2𝜋 𝑒 −1/2( )
𝜎 𝑑𝑥 ........ (14)

Integral ini tidak bisa dihitung langsung selain dilakukan perubahan variabel;
𝑥− 𝜇
𝑧= ............... (15)
𝜎

Dengan perubahan variabel diatas maka hitungan bisa dilakukan secara

independen dengan variabel µ dan σ2 sebagai berikut :

𝑎− 𝜇 𝑎− 𝜇
𝑃{𝑥 ≤ 𝑎} = 𝑃 {𝑧 ≤ } ≡ ∅( ) .... (16)
𝜎 𝜎

𝑎− 𝜇
dimana ∅ ( ) adalah fungsi distribusi kumulatif dari distribusi normal
𝜎

standard (mean = 0, deviasi standard = 1) . Tabel distribusi normal standard bisa

dilihat pada Tabel 2.4 dan Tabel 2.5.

Contoh Perhitungan 1

Kekuatan kawat baja konstruksi memegang peranan penting dalam

pembuatan konstruksi bangunan, dan merupakan ciri kualitas dari produk kawat
baja itu sendiri. Jika diketahui tegangan 𝑥 yang bekerja pada kawat baja tersebut
berdistribusi normal dengan mean (µ) = 42 kg/mm2 dan deviasi standard (σ) = 2
kg/mm2 , dapat ditulis 𝑥 ~ 𝑁(42 ; 22 ). Jika pembeli kawat baja itu mensyaratkan
tegangan yang sanggup ditahan minimal 40 kg/mm2. Probabilitas satu kawat yang
dihasilkan akan memenuhi atau melebihi specifikasi ini adalah 𝑃(𝑥 ≥ 40)

𝑃{𝑥 ≥ 40} = 1 - 𝑃{𝑥 ≤ 40}

Untuk menghitung probabilitas ini digunakan tabel normal standard dan

rumus (16) sebagai berikut :

26
 40 − 42
𝑃{𝑥 ≤ 40} = 𝑃 {𝑧 ≤ }
2
= 𝑃 {𝑧 ≤ −1}
= 𝜙 ( −1)
= 0,1587

Untuk menentukan nilai 𝜙 (- ) pada tabel yang hanya memuat nilai 𝜙 (+)

didapat dari {1 - 𝜙 (+)}. Contoh : 𝜙 (- 1) = 1 - 𝜙 (1) = 1 – 0,84134 = 0, 15866

dibulatkan menjadi 0,15867

Probabilitas kawat baja yang sesuai specifikasi adalah :

𝑃{𝑥 ≥ 40} = 1 − 𝑃{𝑥 ≤ 40} = 1 – 0,1587 = 0,8413

Atau peluang kawat baja tersebut sesuai spesifikasi adalah 84,13%.

Contoh Perhitungan 2

Pelat baja yang diproduksi akan digunakan untuk pembangunan kapal. Jika
hasil produksi berdistribusi normal dengan mean 4,67 mm dan deviasi standard
0,966mm, Berapa persen peluang hasil produksi itu memenuhi specifikasi bila
specifikasi yang diminta oleh industri perkapalan 4,0 ± 0,5 mm.

Probabilta pelat baja memenuhi spesifikasi dapat ditulis sebagai berikut:

𝑃{3,5 ≤ 𝑥 ≤ 4,5} = 𝑃{𝑥 ≤ 4,5} - 𝑃{𝑥 ≤ 3,5}

4,5−4,67 3,5−4,67
= 𝜙( ) - 𝜙( )
0,966 0,966

= 𝜙(−0,18) − 𝜙 ( −1,21)
= 0,4286 – 0,113 = 0,3156

27
 Hasil perhitungan ini menunjukan probabilita pelat baja masuk dalam
spesifikasi yang diinginkan hanya 0,3156 atau secara persentasi peluang hasil
produksi masuk dalam batas specifikasi hanya 31,56 %, atau hanya sedikit sekali
yang sesuai spesifikasi, hal ini terlihat dari mean produk yang lebih besar dari
batas atas specifikasi, sedangkan standard deviasi yang menggambarkan sebaran
produk sangat kecil, hanya 0,966 mm.

28
Tabel 2.4 Distribusi Normal Standard Kumulatif

29
Tabel 2.5 Lanjutan Tabel Distribusi Normal Standard Kumulatif

30
 BAB III PERANGKAT PENGENDALIAN KUALITAS

Untuk mengendalikan kualitas produk ada 7 perangkat yang digunakan,

yang di banyak literatur dinamakan seven tools.

Tujuh perangkat tersebut adalah :

a. Lembar Pengecekan e. Diagram Konsentrasi Cacat
b. Histogram f. Diagram Sebar
c. Diagram Pareto g. Peta Kendali
d. Diagram Sebab Akibat.

Dari tujuh perangkat tersebut yang akan dibahas secara detail pada bab ini
hanya 6 perangkat, sedangkat perangkat yang ke 7 yaitu peta kendali akan
dibahas pada bab tersendiri.

3.1 Lembar Pengecekan.

Lembar pengecekan merupakan perangkat untuk mencatat hasil produksi

secara sistematis agar segera dapat dianalisis hasil produksi tersebut untuk
diambil langkah langkah perbaikan produk. Ada 4 jenis lembar pengecekan yaitu
:lembar pengecekan distribusi cacat, lembar pengecekan jenis cacat, lembar
pengecekan sebab cacat dan lembar pengecekan lokasi cacat.

3.1.1 Lembar Pengecekan Distribusi Cacat :

Lembar pengecekan distribusi cacat memuat variasi ukuran produk yang

dihasilkan dan frequensi dari masing masing variasi ukuran. Dari data pada
lembar pengecekan ini kemudian dibuat gambar histogram dan ditentukan batas
ukuran paling rendah dan batas ukuran paling [Link] gambar
histogram tersebut seorang petugas (supervisor) di bagian Quality Control dapat
menganalisis persentasi produk yang baik dan yang [Link] lembar
pengecekan distribusi cacat dapat dilihat pada Gambar 3.1 berikut ini

31
 Untuk setiap lembar pengecekan selain berisi data distribusi ukuran yang
terjadi, gambar itu juga harus mencantumkan : nama produk, penggunaan, No
inspeksi, jumlah total, jumlah lot, tanggal, nama pabrik, nama bagian, nama grup,
tanda (remark). Data umum ini dicantumkan di bagian atas dari gambar.

Gambar 3.1 Lembar Pengecekan Distribusi Cacat

3.1.2 Lembar Pengecekan Jenis Cacat

Lembar pengecekan jenis cacat ini memuat jenis dan jumlah cacat yang
terjadi pada waktu pemeriksaan Dengan lembar pengecekan ini bisa dihitung
persentasi cacat menurut jenis dan dapat digunakan untuk membuat diagram
PARETO.

Data yang diberikan oleh lembar pengecekan ini sangat membantu dalam
menentukan prioritas penyelesaian masalah cacat produk, yang biasanya dimulai
dari jenis cacat yang paling [Link] lembar pengecekan jenis cacat dapat
dilihat pada Gambar 3.2 berikut ini.

32
 Gambar 3.2 Lembar Pengecekan Jenis Cacat

3.1.3 Lembar Pengecekan Sebab Cacat.

Pengecekan sebab cacat diambil datanya pada setiap hari di setiap shift,
dirinci menurut mesin dan operator. Dengan data pada lembar pengecekan ini
dapat dianalisis jenis cacat yang terbanyak terjadi, terbanyak pada hari apa/shift
apa. Dapat juga dilihat mesin mana yang banyak menghasilkan cacat juga operator
mesin penghasil cacat terbanyak. Karena pada lembar pengecekan ini data cacat
dimasukkan tidak hanya dalam jumlah tetapi jenis cacat, maka sangat membantu
untuk menganalisis penyebab dari masing masing jenis cacat.

Karena jumlah cacat sangat banyak untuk setiap jenis dan tidak mungkin
dimasukan seluruhnya dalam lembar pengecekan maka digunakan perbandingan
misalnya untuk cacat surface scar digunakan simbol lingkaran, maka untuk setiap
gambar lingkaran mewakili berapa produk cacat survace scars. Contoh lembar
pengecekan sebab cacat dapat dilihat pada Gambar 3.3.

3.1.4 Lembar Pengecekan Lokasi Cacat

Lembar pengecekan ini merupakan gambar produk, dimana cacat produk

ditandai pada gambar itu. Jika pada lokasi yang sama terjadi konsentrasi cacat

33
maka lebih mudah petugas Quality Control menganalisis sebab cacat. Gambar
lembar pengecekan lokasi cacat dapat dilihat pada Gambar 3.4.

Gambar 3.3 Lembar Pengecekan Sebab Cacat

Gambar 3.4 Lembar Pengecekan Lokasi Cacat

34
3.2 Histogram

Histogram dibuat berdasarkan lembar pengecekan distribusi cacat. Gambar

ini memberi petunjuk yang lebih jelas bagi supervisor Quality Control untuk
melihat sebaran ukuran yang terjadi, dan dengan data Batas Spesifikasi Atas
(BSA) dan Batas Spesifikasi Bawah (BSB) dapat dianalisis berapa persen produk
yang masuk dalam batas spesifikasi dan berapa persen yang berada diluarnya ,
hal ini memberi masukan yang berarti bagaimana langkah-langkah yang harus
diambil untuk meminimumkan jumlah cacat. Gambar Histogram dapat dilihat
pada Gambar 3.5 berikut ini.

Pada Gambar 3.5 terlihat 2 gambar histogram; yang pertama balok diberi
warnah penuh adalah histogram yang menunjukan distribusi ukuran produk yang
menyebar mulai dari ukuran 5-6 sampai 25-26, dengan X rata-rata 13,2 dan
standard deviasi 5,2

Gambar 3.5 Histogram

35
 Penyebaran ukuran seperti ini jika BSA dan BSB mempunyai interval yang
kecil disekitar rata-rata ukuran produk, maka jumlah produk yang berada diluar
spesifikasi (cacat) banyak, sehingga perlu tindakan perbaikan dalam proses.
Histogram kedua yang digambar dengan garis putus-putus adalah distribusi
produk setelah diadakan perbaikan proses, dimana X rata-rata 9,1 dan standard
deviasi 1,8. Kondisi ini menunjukan sebaran ukuran produk yang kecil dan
cenderung jumlah yang diterima (dalam interval BSA dan BSB) banyak atau
jumlah produk cacat sedikit

3.3 Diagram Pareto

Diagram Pareto ini digunakan untuk menentukan prioritas penyelesaian

jenis cacat dalam rangka pengendalian kualitas.

Diagram ini terdiri dari dua jenis grafik, yaitu grafik batang dan curva.
Grafik batang menggambarkan jumlah produk cacat menurut jenisnya, sedangkan
curva menggambarkan persentasi cacat kumulatif. Dengan melihat grafik batang
dapat ditentukan prioritas penyelesaian cacat, dimulai dari jenis cacat yang paling
banyak sampai jenis cacat dengan jumlah terkecil. Untuk membuat diagram
pareto diawali dengan pembuatan tabel seperti Tabel 3.1 berikut ini :

Tabel 3.1 Perhitungan Untuk Pembuatan Diagram Pareto

No Jenis Cacat Jumlah Persen Persen Cacat

Cacat Kumulatif
(1) (2) (3) (4) (5)
1 A 48 41,73 41,73
2 B 32 27,83 69,56
3 C 23 20 89,56
4 D 8 6,96 96,52
5 E 4 3,48 100
Jumlah 115 100

36
Data dari Tabel 3.1 yang digambar dalam diagram Pareto adalah data kolom 3 dan
kolom 5. Data kolom 3 digambar dengan diagram batang, sedangkan data pada
kolom 5 digambar dalam bentuk kurva. Gambar diagram Pareto dapat dilihat pada
Gambar 3.6.

3.4 Diagram Sebab Akibat

Diagram ini digunakan untuk menyelidiki penyebab cacat. Diagram ini

sering juga disebut diagram tulang ikan (Fish Bone) karena bentuknya seperti
tulang ikan. Di ujung diagram ini pada garis utama , ditulis cacat yang akan
diselidiki, sedangkan pada garis-garis cabangnya ditulis penyebab utama cacat.

Biasanya ada lima penyebab utama suatu cacat yaitu : mesin, operator,
bahan baku, alat, metode, lingkungan. Untuk setiap garis cabang, dibuat lagi garis
menuju garis utama dan ditulis penyebab yang lebih detail dari masing masing
penyebab utama. Pada setiap diagram sebab-akibat tidak harus semua penyebab
utama digambar, tapi digambar hanya penyebab utama yang benar-benar ada.
Misalnya untuk suatu jenis cacat, setelah dianalisa penyebabnya hanya mesin dan
bahan baku, maka penyebab-penyebab lainnya seperti operator, alat, metode dan
lingkungan tidak perlu digambar. Gambar diagram sebab-akibat dapat dilihat
pada Gambar 3.7

37
 Jumlah
Cacat % cacat

100 100
96,52 100 90
75 69,56 89,56 80
70
48 60
50 50
41,73 32 40
23 30
25 20
8 4 10
0 0
A B C D E

Gambar 3.6 Diagram Pareto

Alat /Bahan Mesin Bubut

Putaran tidak stabil

Jepitan benda kerja kurang kuat

Pendinginan tidak Kurangkurang kuat
tump lancar Cacat
Permukaan
ulkeras
Kurang Silinder
Berongga
Terburu buru Kurang Trampil
TrTrampiltra
BbBahan Baku Operator Mesinmpil

Gambar 3.7 Diagram Sebab Akibat

38
3.5 Diagram Konsentrasi Cacat

Diagram ini dibuat untuk melihat dibagian mana dari produk terjadi
kumpulan/konsentrasi cacat. Dengan adanya diagram ini , dikaitkan dengan
urutan proses dan mesin mesin yang dilalui pada saat proses produksi, bisa
dianalisis penyebab cacat produk. Misalnya suatu produk merupakan kombinasi
antara bentuk balok dan silindris, yang di proses di mesin bubut dan freis. Bila
konsentrasi cacat dibagian produk yang berbentuk silindris, maka patut diduga
penyebab cacatnya pada mesin bubut. Jika konsentrasi cacat pada bagian produk
berbentuk balok maka penyebab cacat ada pada mesin freis. Contoh diagram
konsentrasi cacat dapat dilihat pada Gambar 3.8 berikut ini.

UJUNG ATAS

ATAS
ATAS

SISI KIRI DASAR SISI

KANAN
KKKIRIK
IRI

UJUNG BAWAH

Gambar 3.8 Diagram Konsentrasi Cacat.

39
3.6 Diagram Sebar.

Dalam proses pembuatan sebuah produk, ada hubungan antara besaran

suatu parameter mesin dengan hasil yang ditimbulkan pada produk. Dengan
mengatahui hubungan itu seorang manager Quality Qontrol bisa mendeteksi
penyebab menurun atau meningkatnya sifat dari produk berkaitan dengan setting
mesin. Misalnya antara putaran spindel pada mesin bubut dengan kehalusan
permukaan produk yang dihasilkan mesin bubut. Hubungan antara dua varibel itu
bisa diketahui melalui penelitian yang hasilnya di gambarkan pada diagram sebar
seperti terlihat pada Gambar 3.9. Dari gambar tersebut dapat dijelaskan dengan
contoh hubungan antara putaran spindel mesin bubut dengan kehalusan
permukaan benda yang dibubut. Jika putaran spindel di beri notasi X dan
kehalusan permukaan diberi notasi Y; dan hasil penelitian menunjukan pola
seperti Gambar 3.9 (a), dapat dikatakan ada korelasi positif antara putaran
spindel (X) dan kehalusan permukaan (Y) artinya makin tinggi putaran spindel ,
makin halus permukaan benda yang dibubut.

[Link] Positif b. Mungkin ada korelasi positif c. Tidak ada korelasi

[Link] Negatif e. Mungkin ada korelasi negatif

Gambar 3.9 Diagram Sebar.

Jika pola seperti Gambar 3.9 (b), dimana ada trend kearah positif tapi data
nya cenderung menyebar, dikatakan mungkin ada korelasi positif, pembuktian
selanjutnya harus menggunakan analisis statistik. Gambar 3.9 (c), polanya tidak

40
menentu, tidak ada kecenderungan positif atau negatif jadi dikatakan tidak ada
korelasi. Di Gambar 3.9 (d) arah kecenderungan data berlawanan dengan Gambar
3.9 (a), dikatakan korelasi negatif artinya semakin tinggi putaran spindel (X) ,
semakin rendah kehalusan permukaan (Y), dan jika data mempunyai trend negatif
namun menyebar seperti Gambar 3.9 (e) dikatakan mungkin ada korelasi negatif
namun pembuktiannya juga harus menggunakan analisis statistik. Dengan adanya
diagram sebar ini seorang manager Quality Control bisa menentukan penyebab
cacat dan cara memperbaikinya. Terkait dengan contoh diatas, bila cacat produk
berupa permukaan yang kasar, dan diagram sebar menunjukkan korelasi positif
berarti cacat itu terjadi karena putaran spindel yang rendah, dan untuk
memperbaiki cacat, putaran spindel harus dinaikan.

41
 BAB IV PETA KENDALI.

4.1 Peta Kendali Variabel.

Banyak karakteristik produk yang dijadikan patokan/spesifikasi produk

berbentuk angka, yang dalam proses produksi angka angka ini selalu bervariasi
(variabel), maka peta yang digunakan untuk melihat sampai sejauh mana nilai
dari variabel ini berfluktuasi dinamakan peta kendali variabel. Karakteristik
produk yang bervariasi ini banyak sekali, diantaranya :

1. Dimensi (ukuran) produk yang terdiri dari ; diameter, panjang, tebal.

2. Volume cairan/bubuk dalam kemasan seperti volume susu dalam
kemasan/kaleng, volume minuman dalam botol dan lain lain.
3. Kekuatan/ kekerasan material: kekuatan tarik, tegangan, kekerasan
material.
4. Besaran – besaran listrik seperti : Voltasi, Amper, Daya listrik (Wat).

Besaran/ variabel ini untuk setiap unit produk yang dihasilkan selalu
bervariasi.

Dalam pengendalian kualitas perlu dilihat seberapa besar variasinya,

apakah ada variasi yang melebihi standard deviasi ? atau variasinya masih dalam
batas-batas standard deviasi. Hal ini bisa dilihat secara grafis menggunakan peta
kendali variabel.

Pada peta kendali variabel ini ada 3 garis utama yakni : Garis Central (CL),
Batas Kendali Atas (BKA) dan Batas Kendali Bawah (BKB). Diantara 3 garis utama
ini digambarkan grafik berupa garis yang menghubungkan data dari tiap sampel.
Jika semua titik dari grafik berada didalam batas kendali, proses produksi
dikatakan terkendali secara statistik; namun bila ada 1 saja titik berada diatas
BKA atau dibawah BKB, proses dikatakan tidak terkendali secara Statistik. Kalau
proses tidak terkendali secara statistik , manager Qualiti Control harus

42
menyelidiki penyebab dari tidak terkendalinya produk pada sampel yang berada
diluar batas kendali itu. Jika penyebabnya diketahui dan bisa diatasi maka data
dari sampel tersebut dibuang untuk dilakukan perhitungan batas kendali baru.

4.1.1 Peta Kendali X, R.

Peta Kendali X, menggambarkan variabilitas suatu parameter produk dalam

suatu kurun waktu tertentu. Peta ini terkait langsung dengan parameter produk,
sedangkan peta R menggambarkan variabilitas Range (selisih antara nilai
parameter maximum dengan nilai parameter minimum).

Untuk Peta Kendali X, batas kendali atas (BKA), batas kendali bawah (BKB)
dan garis pusat / centre line dapat ditentukan secara umum dengan rumus :

BKA = µ + 3 σ ......... (1)

CL = µ .................. (2)
BKB = µ - 3 σ ..........(3)

Dari rumus umum ini kemudian diturunkan rumus-rumus yang lebih

̿ yang merupakan rata-rata dari rata-rata
praktis, dimana nilai µ didekati dengan 𝑿
̅ , dimana A2
nilai variabel di tiap sampel, sedangkan 3σ didekati dengan A2 𝑹
adalah konstanta yang tergantung dari jumlah produk dalam sampel (n)
̅ adalah rata-rata Range . Dengan pendekatan-pendekatan tadi maka
sedangkan 𝑹
batas kendali atas (BKA) , batas kendali bawah (BKB) dan centre line dapat ditulis
dengan rumus :

BKAX = 𝑋̿ + A2 𝑅̅ ......... (4)

CL X = 𝑋̿ … … … … … … … . (5)
BKBX = 𝑋̿ − A2 𝑅̅ … … … . . (6)

43
 ̿, 𝑹
Untuk menghitung 𝑿 ̅ dan Ri digunakan rumus (7), (8), (9) dan (10)
berikut ini :

𝑋 +𝑋 +𝑋 + …..𝑋𝑛 𝑋̅1 + 𝑋̅2 +𝑋̅3 + …..𝑋̅𝑚

𝑋̅ = 1 2 3 .......(7), 𝑋̿ = ..... (8),
𝑛 𝑚

𝑅 + 𝑅 + 𝑅 +⋯ 𝑅𝑚
𝑅̅ = 1 2 3 .......(9), 𝑅𝑖 = 𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛 .......(10)
𝑚

n = Jumlah produk dalam 1 sampel , m = Jumlah sampel

Peta kendali R menggambarkan variasi yang terjadi pada nilai Range

disetiap sampel. Untuk menggambarkan peta tersebut perlu ditentukan dulu
batas – batas kendali dan center line menggunakan rumus – rumus berikut ini :

𝐵𝐾𝐴𝑅 = 𝐷4 𝑅̅ ...............(11)
𝐶𝐿𝑅 = 𝑅̅ ................... (12)
𝐵𝐾𝐵𝑅 = 𝐷3 𝑅̅ ...............(13)

Nilai konstan A2 , D3 dan D4 untuk setiap nilai n ( jumlah produk dalam satu
sampel) dapat dilihat pada Tabel 4.1 . Sebagai catatan, pada perhitungan BKB
untuk peta X, bila hasil perhitungan menunjukkan nilai negatif, maka ditentukan
BKB sama dengan 0.

44
 Tabel 4.1 Nilai A2, D3 dan D4 sesuai n

n 2 3 4 5 6 7 8 9 10
A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308
D3 0 0 0 0 0 0,076 0,136 0,184 0,223
D4 3,267 2,574 2,282 2,114 2,004 1,924 1,864 1,816 1,777
Sumber : Buku Pengantar Pengendalian Kualitas Statistik ( Douglas [Link] ),
Lampiran VI.

Contoh pembuatan peta kendali X dan peta kendali R.

Hasil pengukuran tebal pelat dari 10 sampel yang masing masing berisi 5 pelat
terlihat seperti pada tabel 2, Hitung BKB, CL dan BKA untuk peta X dan peta R,
gambar peta tersebut dan analisis hasilnya.

Berdasarkan data pada Tabel 4.2, dapat dihitung nilai 𝑋̅ dan R untuk masing
masing sampel seperti Tabel 4.3 :

Tabel 4.2 Hasil Pengukuran Tebal Pelat

No 1 2 3 4 5 6 7 8 9 10
Sampel
X1 2,1 1,9 2,1 2,0 2,1 2,0 2,1 2,2 2,1 1,9
X2 1,9 1,8 2,1 2,0 1,8 2,2 2,1 2,0 2,1 1,9
X3 2,0 2,2 2,0 2,1 1,8 1,8 2,1 1,9 2,2 2,0
X4 2,2 2,0 2,1 2,0 1,9 1,9 2,0 1,9 1,8 2,2
X5 2,0 2,1 1,8 2,0 2,1 2,0 2,0 2,0 1,9 2,0

̅ Dan R Dari Tiap Sampel.

Tabel 4.3 Nilai 𝑿

No 1 2 3 4 5 6 7 8 9 10
Sampel
𝑿̅ 2,04 2,00 2,02 2,02 1,92 2,00 2,06 2,00 2,02 2,00
R 0,30 0,40 0,30 0,10 0,30 0,40 0,10 0,30 0,40 0,30

45
 Dari hasil perhitungan 𝑋̅ dan R diatas dapat dihitung 𝑋̿ = 2,012 dan 𝑅̅ = 0,29.
Dan batas kendali untuk peta X sebagai berikut :

BKAX = 𝑋̿ + A2 𝑅̅ = 2,012 + 0,577 x 0,29 = 2,18

CL X = 𝑋̿ = 2,012
BKBX = 𝑋̿ − A2 𝑅̅ = 2,12 – 0,577 x 0,29 = 1,844

Batas kendali untuk peta R, sesuai rumus (11) , (12) dan (13) adalah :

BKAR = 2,114 x 0,29 = 0,613

CL R = 𝑅̅ = 0,29
BKB R = 𝐷3 𝑅̅ = 0 x 0,29 = 0

Berdasarkan hasil hitungan batas kendali dan data 𝑋̅ serta R untuk tiap
sampel, dapat dibuat peta kendali X dan R seperti Gambar 4.1 dan Gambar 4.2
berikut ini

2.3

2.2

2.1
BKA
2
Peta Kendali
1.9 Centre Line

1.8 BKB

1.7

1.6
1 2 3 4 5 6 7 8 9 10

Gambar 4.1 Peta Kendali X

46
 0.7

0.6

0.5
BKA
0.4
Peta R
0.3
Centre Line
0.2 BKB
0.1

0
1 2 3 4 5 6 7 8 9 10

Gambar 4.2 Peta Kendali R

Dari dua jenis peta kendali diatas terlihat bahwa, baik di peta kendali X ,
maupun di peta kendali R, tidak ada titik yang berada diluar BKA maupun BKB,
sehingga dapat disimpulkan bahwa “ Proses terkendali secara statistik”.

4.1.2 Peta Kendali Kelompok.

Sering pada satu produk tidak hanya satu bagian yang diukur nilai
karakteristiknya, tetapi beberapa bagian yang menunjukkan karakteristik yang
sama, misalnya panjang kaki transistor, tebal ped pada komponen setengah
lingkaran pada Gambar 4.3 berikut ini. Dalam kondisi seperti itu jika masing
masing bagian dibuat petanya menjadi tidak praktis dan susah dianalisis untuk
menemukan penyebab cacat. Karena itu dibuat peta kendali kelompok, yang dapat
memberi gambaran secara simultan karakteiristik kualitas dari beberapa bagian
produk dalam satu peta kendali.

47
 Gambar 4.3 Produk Setengah Lingkaran Dengan 4 Pad

Dari gambar diatas terlihat bahwa satu produk berbentuk setengah

lingkaran yang biasanya digunakan untuk sistem pengereman mempunyai 4 pad
yang perlu diukur ketebalannya. Karakteristik dari produk ini adalah tebal pad.
Jika data tebal masing masing pad dari 6 unit produk terlihat seperti pada Tabel
4.4, hitung batas kendali, dan gambarkan peta kendali serta analisis peta kendali
tersebut.

Tabel 4.4 Ukuran Tebal Pad dari Produk Setengah Lingkaran.

No Produk Pad No 1 Pad No 2 Pad No 3 Pad No 4

1 933 937 938 935
2 897 898 915 913
3 840 900 900 930
4 900 905 902 900
5 879 852 873 871
6 903 890 892 908

48
 Untuk pembuatan peta kendali kelompok, produk dibagi atas beberapa
kelompok dengan jumlah produk yang sama di masing masing kelompok. Untuk
contoh ini produk dibagi menjadi 3 kelompok dengan jumlah produk tiap
kelompok 2 unit dan data tebal pad dimasukkan seperti pada Tabel 4.5 berikut
ini.

Tabel 4.5 Tabel Perhitungan Peta Kendali Kelompok

No No No Pad Tebal Pad ̅

𝑿 R
Kelompok Produk a b
1 1-2 1 933 897 915 L 36
1-2 2 937 898 918 39 H
1-2 3 938 915 926 H 23
1-2 4 935 913 924 21 L
2 3-4 1 840 900 870 L 60 H
3-4 2 900 905 902 5
3-4 3 900 902 901 2L
3-4 4 930 900 915 H 30
3 5-6 1 879 903 891 H 24
5-6 2 852 890 871 L 38 H
5-6 3 873 892 882 19 L
5-6 4 871 908 889 37

Dari tabel perhitungan diatas, dapat ditentukan 𝑋̿ , 𝑅̅ dan batas kendali

untuk peta X sebagai berikut :

∑𝑋 ̅10804
𝑋̿ = 12 = 12 = 900,33
∑𝑅 335
𝑅̅ = 12 = 12 = 27,92

𝐵𝐾𝐴𝑋 = 𝑋̿ + 𝐴2 𝑅̅ = 900,33 + (1,88). 27,92 = 952,82

𝐶𝐿 X = 𝑋̿ = 900,33
𝐵𝐾𝐵𝑋 = 𝑋̿ − 𝐴2 𝑅̅ = 900,33 – (1,88). 27,92 = 847,84

49
 𝐵𝐾𝐴𝑅 = 𝐷4 𝑅̅ = 3,27 x 29,92 = 91,30
𝐶𝐿𝑅 = 𝑅̅ = 27,92.
𝐵𝐾𝐵𝑅 = 𝐷3 𝑅̅ = 0 x 29,92 = 0

Berbeda dengan perhitungan nilai 𝑋̅ dan R pada peta kendali X dan R

sebelumnya, pada peta kendali kelompok nilai 𝑋̅ dan R ditentukan nilai
terbesar/high (H) dan nilai terkecil /low (L) untuk setiap kelompok. Nilai-nilai ini
yang di gambarkan pada peta kendali kelompok.

Dengan data hasil perhitungan batas kendali diatas dan nilai 𝑋̅H, 𝑋̅L, R H dan
RL dari tiap kelompok data, dapat digambar peta kendali kelompok seperti
Gambar 4.6.

Dalam penggambaran peta kendali kelompok ini disetiap titik harus ditulis
data itu dari elemen no berapa pada produk. Untuk kasus ini yang ditulis pada
peta adalah no pad dari data yang digambarkan pada peta. Hal ini dimaksudkan
agar dapat di-tentukan konsistensi tinggi atau konsistensi rendah. Sebagai contoh
pada gambar peta kendali ada konsistensi rendah pada peta 𝑋̅ di pad no 1, karena
pad no 1 pada kelompok 1 maupun kelompok 2 mempunyai nilai rendah (L). Data
ini bisa jadi petunjuk dalam analisa sebab cacat, dimana perlu dicari mengapa
pada pad no 1 tebalnya selalu rendah atau dengan kata lain pad tersebut tipis. Bila
proses produksi dari produk setengah lingkaran ini dilakukan dengan cara
pengecoran mungkin cetakan di daerah pad no 1 bermasalah, atau bila produk ini
melalui proses permesinan bisa dianalisis lebih lanjut mengapa pad no 1
cenderung tipis.

50
980
960
940
3
920 4
900
1
880
1 1
860 2
840
820
800
780
1 2 3

Gambar 4.4 Peta Kendali Kelompok

4.1.3 Peta Kendali Kelompok Besar.

Untuk mencapai produktifitas yang tinggi dalam satu pabrik, untuk

menghasilkan satu produk yang sama digunakan beberapa mesin secara paralel.
Idealnya peta kendali dibuat untuk tiap mesin; namun hal ini tidak efisien, jadi
dibuat peta kendali untuk menggambarkan variasi produk dari semua mesin
sekaligus. Untuk itu maka rumus-rumus nya menjadi berbeda. Bila jumlah mesin
adalah k dan jumlah sampel tiap mesin besar dan tidak sama, maka tidak dibuat
peta R tetapi peta σ. Rumus perhitungan 𝑋̅ dan σ tergantung apakah perbedaan
jumlah produk dalam sampel (n) di tiap mesin besar atau kecil. Jumlah sampel
dikatakan mempunyai perbedaan yang besar apabila n besar > 2n kecil sebaliknya
perbedaan dikatakan kecil jika n besar < 2n kecil . Rumus – rumus untuk menghitung
𝑋̿ dan 𝛔
̅ adalah sebagai berikut :

51
 Untuk perbedaan n yang besar :

n x i i
X  i 1
k .......................(14)
n i 1
i


n  i
2
i
............... (15)
n i

Untuk perbedaan n kecil :

X i ..................... (16)
X  i 1
k

 i .....................(17)
 i 1
k

Sebelum menghitung batas kendali perlu ditentukan lebih dahulu koefisien-

koefisien A1, B3, B4 dan 𝑛̅ dengan menggunakan Rumus – rumus sebagai berikut:

n i ................. (18) A1 
3
................ (19)
n i 1
n
k
3 3
B3  1  .............(20) B4  1  ...........(21)
2n 2n

Peta kendali untuk kelompok besar dibuat 2 peta yakni peta 𝑋̅ dan peta σ

52
 Batas kendali untuk peta 𝑋̅ dapat ditentukan dengan rumus :

BKAX  X  A1 ....................(22)

𝐶𝐿𝑋̅ = 𝑋̿ .......................... (23)

BKB X  X  A1 ...................(24)

Batas kendali untuk peta σ ditentukan dengan rumus-rumus dibawah ini :

BKA  B4  ...................... (25)

𝐶𝐿𝜎 = 𝜎̅ ........................ (26)

BKB  B3  ........................(27)

Contoh pembuatan peta kendali kelompok besar.

Dalam suatu pabrik ada 5 mesin yang mengerjakan satu produk yang sama secara
paralel. Besar sampel, Nilai 𝑋̅ dan σ dari setiap mesin dapat dilihat pada Tabel 4.6
berikut ini. Hitung batas kendali, gambar peta kendali dan analisis peta tersebut:

Tabel 4.6 Data Hasil Produksi Tiap Mesin

No Mesin Ukuran Sampel ̅

𝑿 σ
(N)
1 100 303 52
2 150 525 58
3 260 450 60
4 180 540 50
5 220 600 52

Dari data pada Tabel 4.6 diatas perlu diteliti lebih dahulu kasus ini termasuk
dalam perbedaan n yang kecil atau besar. Hal ini perlu dilakukan karena masing
masing mempunyai rumus perhitungan 𝑛̅ , 𝑋̅ dan 𝜎̅ yang berbeda.

53
N terbesar (Nb ) pada tabel 6 adalah 260 sedangkan N terkecil (Nk) adalah 100,
jadi

Nb > 2 Nk atau dapat dikatakan perbedaan N besar, maka rumus-rumus yang

digunakan untuk menghitung 𝑋̿ dan 𝜎̅ adalah rumus 14 dan 15, dan untuk
mengeksekusi rumus tersebut data pada Tabel 4.6 perlu diubah menjadi tabel
perhitungan (Tabel 4.7).

̿ dan 𝝈
Tabel 4.7 Perhitungan 𝑿 ̅

No Mesin N ̅
𝑿 ̅
N. 𝑿 σ σ2 N. σ2
1 100 303 30300 52 2704 270400
2 150 525 78750 58 3364 504600
3 260 450 117000 60 3600 936000
4 180 540 97200 50 2500 450000
5 220 600 132000 52 2704 594880
Jumlah 910 2418 455250 2755880
(∑)

Dari tabel perhitungan diatas dapat ditentukan ∑ N = 910 ; ∑ N. 𝑋̅ = 455250 dan

∑ N. σ2 = 2755880 dan sesuai rumus (14) dan (15) dapat dihitung :

𝑋̿ = 455250/ 910 = 500,27

2755880
𝜎̅ = √ = 55,031
910

𝑛̅ = 910/5 = 182 ; A1 = 3 / √182 = 0,22 ;

B3 = 1- 3/ √2𝑥182 = 0,84 ; B4 = 1+3/ √2𝑥182 = 1,16.

Berdasarkan data diatas dapat dihitung Batas - Batas Kendali untuk peta
kendali 𝑋̅ dan σ sebagai berikut :

54
 BKAX  X  A1 = 500,27 + 0,22 x 55,031 = 512,38.

𝐶𝐿𝑋̅ = 𝑋̿ = 500,27

BKB X  X  A1 = 500,27 - 0,22 x 55,031 = 488,16

BKA  B4  = 1,16 x 55,031 = 63,84

𝐶𝐿𝜎 = 𝜎̅ = 55,031

BKB  B3  = 0,84 x 55,031 = 46,23

Gambar Peta 𝑋̅ dari peta kelompok besar dapat dilihat pada Gambar 4.5 dan
gambar peta σ dapat dilihat pada Gambar 4.6.

700

600
Batas Kendali Atas
500

400 Grafik X Rata-Rata

300
Center Line
200

100 Batas Kendali

Bawah
0
Mesin Mesin Mesin Mesin Mesin
No 1 No 2 No 3 No 4 No 5

̅ dari Peta Kendali Kelompok Besar

Gambar 4.5 Peta 𝑿

55
 70
60
Batas Kendali
50 Atas
40 Grafik Sigma
30
Center Line
20
10
Batas Kendali
0 Bawah
Mesin Mesin Mesin Mesin Mesin
No 1 No 2 No3 No 4 No 5

Gambar 4.6 Peta σ dari Peta Kendali Kelompok Besar

Dari dua peta diatas bila dianalisis terlihat bahwa pada peta 𝑋̅ proses tidak
terkendali secara statistik, hal itu ditandai dengan 5 titik berada diluar batas
kendali; sedangkan untuk peta σ proses terkendali secara statistik. Untuk kasus
peta 𝑋̅ mengindikasikan ukuran-ukuran yang dihasilkan dari proses produksi
pada tiap mesin terlalu besar / terlalu kecil dibandingkan dengan rata-rata nya
atau variasi ukuran yang terjadi antara satu mesin dengan mesin lainnya besar,
namun hal ini belum bisa dikatakan proses baik atau tidak. Karena proses
dikatakan baik/tidak ditinjau dari ukuran/variabel, tergantung dari seberapa
jauh penyimpangannya terhadap spesifikasi yang diminta oleh konsumen. Hal ini
harus dianalisis menggunakan analisa kemampuan proses yang akan dibahas
pada pokok bahasan selanjutnya.

4.1.4 Peta Kendali Individual.

Pada Pabrik / usaha produksi tertentu jumlah produk tidak terlalu banyak,
sehingga tiap produk bisa diukur variabel/ ukuran yang menjadi kriteria
kualitasnya. Untuk type produksi seperti ini peta kendali yang digunakan adalah :
Peta Kendali Individual. Perhitungan batas kendali untuk peta ini lebih sederhana

56
dan ditentukan sesuai rumus 28, 29 , 30 dan standard deviasi (σ’ ) dihitung dengan
rumus 31.

BKAX  X '3 '........................... (28)

𝐶𝐿𝑋̅ ̅
= 𝑋′ ............................(29)

BKB X  X '  3............................(30)

'

 X 
2
X
' i
.....................(31)
n 1

Contoh perhitungan:

Ada sepuluh unit produk “P” dihasilkan dari suatu sistem produksi
sederhana. Jika nilai variabel yang menjadi karakteristik kualitas produk tersebut
seperti tertera pada Tabel 4.8; Tentukan :

a. Batas Kendali dari peta kendali individual yang harus dibuat.

b. Gambar peta kendali tersebut.

c. Analisis peta kendali, apakah proses terkendali secara statistik atau tidak.

Tabel 4.8 Nilai X dari Produk “P”

No 1 2 3 4 5 6 7 8 9 10
Xi 8 7 7 6 9 8 7 6 5 9

a. Berdasarkan data pada Tabel 4.8 , pertama-tama yang harus dihitung

adalah standard deviasi (σ’), dan untuk memudahkan perhitungan
digunakan Tabel 4.9 berikut ini :

57
 Tabel 4.9 Perhitungan Standard Deviasi

No Xi ̅
𝑿 ̅)
(X - 𝑿 ̅ )2
(X - 𝑿
Produk
1 8 7,2 0,8 0,64
2 7 7,2 -0,2 0,04
3 7 7,2 -0,2 0,04
4 6 7,2 -1,2 1,44
5 9 7,2 1,8 3,24
6 8 7,2 0,8 0,64
7 7 7,2 -0,2 0,04
8 6 7,2 -1,2 1,44
9 5 7,2 -2,2 4,84
10 9 7,2 1,8 3,24
∑ 72 15,6

15,6
Sesuai rumus no 31, dapat dihitung σ’ = √ = 1,32 dan batas kendali
9

dapat dihitung sesuai rumus 28, 29 dan 30 sebagai berikut :

BKAX  X '3 '

= 7,2 + (3 x 1,32) = 11,16
̅ = 7,2
𝐶𝐿𝑋̅ = 𝑋′

BKB X  X '  3 '

= 7,2 – (3 x 1,32) = 3,24 .

b. Sesuai hasil perhitungan batas kendali pada point a dan data nilai X i pada
Tabel 4.8, dapat digambar peta kendali individual seperti Gambar 4.7
berikut ini .

58
 12

10 Batas Kendali
Bawah
8
Grafik X
6
Center Line
4

2 Batas Kendali
Atas
0
1 2 3 4 5 6 7 8 9 10

Gambar 4.7 Peta Kendali Individual

c. Bila dianalisis , peta kendali individual diatas terkendali secara statistik,

karena titik titik pada grafik X tidak ada yang berada diluar batas kendali;
berarti proses terkendali secara statistik.

4.2 Pengelompokan Rasional

Dalam penggunaan peta kendali, setiap produk yang dihasilkan pada sistem
produksi masal dikelompokan menjadi kelompok-kelompok yang sering juga
dijadikan sampel. Kumpulan data yang merupakan sampel ini dikelompokkan
berdasarkan konsep pengelompokan rasional. Pada konsep ini produk harus
dipilih sedemikian rupa sehingga: Apabila sebab-sebab terduga (yang
menyebabkan cacat) itu ada, maka: Kemungkinan perbedaan antar kelompok itu
maksimum, sedangkan perbedaan antar produk dalam satu kelompok minimum.

Untuk menghasilkan kelompok rasional dengan kriteria yang disebutkan

diatas , ada 2 cara pengelompokan yaitu: Pengelompokan yang terdiri dari semua
produksi yang dihasilkan sedekat mungkin dan Pengelompokan yang terdiri dari
produk yang dianggap representatif untuk semua produksi dalam jangka waktu
tertentu. Untuk menjelaskan contoh dari masing masing type pengelompokan;
dilihat kasus produk “P” dengan tingkat produktifitas 1600 unit dalam 1 shift (8

59
jam). Jika diambil sampel 10% maka jumlah produk yang dijadikan sampel 160
unit.

a. Untuk pengelompokan yang terdiri dari semua produksi yang dihasilkan

sedekat mungkin pelaksanaannya dapat diilustrasikan sebagai berikut :
dari jumlah sampel 160 dibagi 8 jam ( lama produksi 1 shift) diperoleh
sampel yang harus diambil tiap jam sebanyak 160/8 sama dengan 20 unit.
Bila ditetapkan 1 sampel 5 unit, maka tiap jam diambil 20/5 sama dengan
4 sampel atau setiap 15 menit diambil 1 sampel yang terdiri dari 5 unit
produk. Pelaksanaannya adalah : tepat jam 07.00 diambil produk no 1,2,3
sampai 5 produk berturut-turut dan kumpulan 5 produk ini dinamakan
sampel 1 (S1); jam 07.15 diambil lagi 5 produk berturutan dinamakan S2;
tepat jam 07.30 diambil lagi 5 produk berturutan diberi notasi S3 dan
seterusnya setiap 15 menit diambil 5 produk berturut-turut sampai jam
15.00.
b. Pengelompokan yang terdiri dari produk yang dianggap representatif
untuk semua produksi dalam jangka waktu tertentu. Pelaksanaannya
dapat diilustrasikan sebagai berikut. Semua produk yang dihasilkan
antara jam 07.00 dan 07.15 dikumpulkan dalam 1 wadah, kemudian
diambil 5 unit produk secara acak dari wadah tadi. Produk- produk
tersebut merupakan S1. Antara jam 07.15 dan 07.30 produknya
dikumpulkan kemudian ambil 5 produk secara acak yang merupakan S2.
Hal ini dilakukan sampai jam 15.00.

Dari 2 type pengelompokan ini, yang lebih sering digunakan di lapangan

adalah type ke dua karena tidak butuh ketelitian untuk menjaga setiap 15 menit
sekali diambil 5 produk berturutan. Para pekerja hanya menampung seluruh
produk yang dihasilkan dalam interval waktu 15 menit kemudian mengambil 5
produk secara acak. Namun type 2 ini belum bisa memberi informasi yang akurat

60
apabila terjadi penyimpangan pada hasil produksi, apalagi kalau interval waktu
pengambilan sampel panjang (lebih dari 1 jam)

4.3 Peta Kendali Atribut.

Atribut adalah sesuatu yang melekat atau menjadi karakteristik suatu

benda/manusia. Kaitannya dengan hasil produksi maka atribut yang
dimaksudkan disini adalah apakah produk itu cacat atau tidak.

Peta kendali atribut pada umumnya ada 2 jenis yaitu peta p dan peta c.

4.3.1 Peta p

Peta p menggambarkan persentasi cacat terhadap jumlah produksi pada 1

sampel. Ada dua jenis peta p ini yaitu peta p dengan ukuran (besar sampel) yang
sama dan peta p dengan ukuran sampel yang berbeda. Batas kendali untuk peta p
dapat dihitung menggunakan rumus-rumus berikut :

a. Untuk Peta p dengan ukuran sampel sama.

𝑝̅ (1−𝑝̅ )
𝐵𝑃𝐴 = 𝑝̅ + 3√ ............. (32)
𝑛

Cl = 𝑝̅ ...................................(33)
𝑝̅ (1−𝑝̅ )
𝐵𝑃𝐵 = 𝑝̅ - 3√ ...............(34)
𝑛

∑𝐷
𝑝̅ = 𝑚 𝑥 𝑖𝑛 ...............................(35)

Di = jumlah cacat di tiap sampel

m = jumlah sampel , n = jumlah produk dalam 1 sampel.

Bila BPB bernilai (-) maka nilai BPB ditentukan sama dengan 0

61
 b. Untuk peta p dengan ukuran sampel (n) berbeda-beda.

Rumus batas kendali hanya berbeda pada variabel n dan penentuan 𝑝̅ .

Penentuan n pada kasus ini ada 3 cara :

• ̅ yang ditentukan dengan rumus

Menggunakan 𝒏
∑ 𝑛𝑖
• 𝑛̅ = ................(36)
𝑚
• Menggunakan n terkecil atau n terbesar diantara n tiap
sampel
• Menggunakan ni atau n bervariasi untuk tiap sampel.
• Akibat menggunakan n yang berbeda-beda ini batas kendali
untuk tiap sampel akan berbeda dan tidak membentuk garis
lurus, tapi garis yang bertingkat-tingkat

Penentuan 𝑝̅ untuk peta p dengan n berbeda tidak boleh menggunakan

rumus (35) tapi harus menggunakan rumus (37) berikut ini:

∑ 𝑝𝑖
𝑝̅ = 𝑚
................ (37)

Untuk menganalisis peta p; ketentuannya tetap sama dengan analisis peta

X dan R, dimana proses dikatakan terkendali secara statistik apabila tidak ada titik
pada peta kendali p yang berada diluar batas kendali; dan dikatakan tidak
terkendali secara statistik bila ada titik yang berada diluar batas kendali, baik
batas kendali atas (BPA) maupun batas kendali bawah (BPB)

Contoh Peta p dengan jumlah sampel sama:

Dari 10 sampel yang berukuran 40 jumlah cacat seperti tertera pada Tabel 4.10.

a. Tentukan BPA, CL, dan BPB peta p

b. Gambar peta p tersebut
c. Analisis peta apakah proses terkendali secara statistik?

62
 Tabel 4.10 Jumlah Cacat Tiap Sampel

No 1 2 3 4 5 6 7 8 9 10
sampel
Jumlah 3 5 4 2 3 1 2 5 3 1
Cacat

Penyelesaian Soal:

Berdasarkan data pada Tabel 4.10 dapat ditentukan persentasi cacat di tiap
sampel dengan cara membagi jumlah cacat tiap sampel dengan 40, seperti terlihat
pada Tabel 4.11 berikut ini, yang ditulis dalam bentuk bilangan desimal :

Tabel 4.11 Persentasi Cacat Tiap Sampel

No 1 2 3 4 5 6 7 8 9 10
sampel
% 0,195 0,195 0,195 0,195 0,195 0,195 0,195 0,195 0,195 0,195
Cacat

Rata-rata persentasi cacat dari 10 sampel diatas : 𝑝̅ = 0,072. Nilai 𝑝̅ ini juga bisa
dihitung menggunakan rumus (35)

Dengan diketahuinya nilai 𝑝̅ dapat ditentukan batas batas kendali seperti

perhitungan berikut ini :

𝑝̅ (1−𝑝̅ )
BPA = 𝑝̅ + 3 √ 𝑛
= 0,072 + 3 x 0,082= 0,317

CL = 𝑝̅ = 0,072
𝑝̅ (1−𝑝̅ )
BPB = 𝑝̅ - 3 √ = 0,072 – 3 x 0,082 = - 0,174 = 0
𝑛

Dari nilai batas kendali dan nilai p tiap sampel dapat digambarkan peta kendali p
seperti Gambar 4.8 berikut ini.

63
 0,25

0,2

0,15 BPA
Peta p
0,1 CL
BPB
0,05

0
1 2 3 4 5 6 7 8 9 10

Gambar 4.8 peta p untuk jumlah sampel sama

Contoh peta p dengan jumlah sampel berbeda

Ada 10 sampel dengan ukuran berbeda mempunyai cacat pada masing masing
sampel seperti Tabel 4.12 berikut ini.

Tabel 4.12 Jumlah sampel dan jumlah cacat

No 1 2 3 4 5 6 7 8 9 10
sampel
Jumlah 30 50 40 20 30 10 20 50 30 40
Sampel
Jumlah 2 4 6 1 3 2 3 6 2 4
cacat

Cara pertama penyelesaian soal ini adalah dengan mencari 𝑛̅ dan 𝑝̅

kemudian dihitung batas kendali. Cara ini mirip dengan penyelesaian peta p untuk
besar sampel yang sama.

Hasil perhitungan 𝑛̅ dan 𝑝̅ dapat dilihat pada Tabel 4.13.

64
 ̅ dan 𝒑̅
Tabel 4.13 Perhitungan 𝒏

No 1 2 3 4 5 6 7 8 9 10
sampel
Jumlah 30 50 40 20 30 10 20 50 30 40
Sampel
Jumlah 2 4 6 1 3 2 3 6 2 4
cacat
p 0,067 0,08 0,15 0,05 0,1 0,2 0,15 0,12 0,067 0,1

Dari nilai nilai pada Tabel 4.13 dapat ditentukan 𝑛̅ = 32 dan 𝑝̅ = 0,108. Perhitungan
batas kendali dapat dilakukan dengan rumus

𝑝̅ (1−𝑝̅ )
BPA = 𝑝̅ + 3√ = 0,108 + 3 x 0,055 = 0,273
𝑛̅

CL = 𝑝̅ = 0,108.
𝑝̅ (1−𝑝̅ )
BPB = 𝑝̅ - 3√ 𝑛̅
= 0,108 – 3 x 0,055 = - 0,057 = 0

Gambar peta kendali p dapat dilihat pada Gambar 4.9

0,3

0,25

0,2
BPA
0,15 PETA p
CL
0,1
BPB
0,05

0
1 2 3 4 5 6 7 8 9 10

Gambar 4.9 Peta p, ukuran sampel berbeda, menggunakan n rata-rata

65
 Peta p dengan jumlah sampel berbeda juga bisa digambar dengan batas
kendali yang berbeda-beda untuk tiap sampel. Jika contoh yang digunakan
datanya sama dengan data pada Tabel 4.12, maka tabel perhitungannya dapat
dilihat pada Tabel 4.14.

Tabel 4.14 Perhitungan Batas Kendali Tiap Sampel

No 1 2 3 4 5 6 7 8 9 10
sampel
Jumlah 30 50 40 20 30 10 20 50 30 40
Sampel
Jumlah 2 4 6 1 3 2 3 6 2 4
cacat
p 0,067 0,08 0,15 0,05 0,1 0,2 0,15 0,12 0,067 0,1
BPA 0,245 0,223 0,278 0,255 0,273 0,487 0,348 0,246 0,245 0,251
CL 0,108 0,108 0,108 0,108 0,108 0,108 0,108 0,108 0,108 0,108
BPB 0 0 0 0 0 0 0 0 0 0

Dari perhitungan nilai p tiap sampel dan batas kendali sesuai Tabel 4.14,
dapat digambar peta p seperti Gambar 4.10. Pada gambar ini terlihat bahwa BPA
tidak merupakan satu garis lurus tapi garis terpotong-potong dengan jarak
terhadap CL yang berbeda-beda. Hal ini sebetulnya berlaku juga untuk BPB,
namun karena dalam contoh ini nilai BPB negatif maka ditentukan sama dengan
nol, jadi merupakan garis lurus yang berimpit dengan sumbu absis. BPA yang
berbeda-beda tiap sempel disebabkan pada rumus BPA, nilai n berbeda-beda.

66
 Gambar 4.10 peta p untuk n yang berbeda-beda

Untuk melakukan analisis terhadap peta ini, maka kita lihat posisi tiap titik
di tiap sampel dengan batas kendali pada sampel tersebut. Jika titik p di suatu titik
sampel keluar dari batas kendali maka proses tidak terkendali secara statistik,
sebaliknya jika tidak ada titik yang berada diluar batas kendali (seperti Gambar
4.10) proses dikatakan terkendali secara statistik.

4.3.2 Peta c

Selain peta p , jenis peta kendali atribut lainnya adalah peta c. Peta kendali
jenis ini menggambarkan jumlah cacat pada tiap [Link]-rumus batas
pengendalinya lebih sederhana :

BPA = 𝑐̅ + 3√𝑐̅ ..... (38)

CL = 𝑐̅ ................(39)
BPB = 𝑐̅ - 3√𝑐̅........(40)
∑ 𝑐𝑖
𝑐̅ = ................(41)
𝑚

67
 Pada rumus (41) yang merupakan rumus utama dalam penentuan batas
kendali peta c ( rumus 38 sampai 40) ; 𝑐̅ adalah jumlah cacat rata-rata yang
dihitung dari jumlah cacat dari setiap sampel (ci ) dibagi jumlah sampel (m)

Contoh Perhitungan:

Jumlah cacat setiap sampel dari 10 sampel yang diperiksa terlihat pada Tabel 4.15.
Tentukan batas pengendali atas (BPA), batas pengendali bawah (BPB) serta
center line (CL) , gambar peta c dan analisis peta tersebut.

Tabel 4.15 Jumlah cacat tiap sampel

No Sampel 1 2 3 4 5 6 7 8 9 10
Jumlah 12 18 11 8 7 9 16 19 10 13
Cacat (C)

Penyelesaian:

Dari data jumlah cacat pada Tabel 4.15 dapat ditentukan 𝑐̅ = 12,3, dapat
ditentukan batas-batas kendali sebagai berikut :

BPA = 𝑐̅ + 3√𝑐̅ = 12,3 + 10,52 = 22,82

CL = 𝑐̅ = 12,3
BPB = 𝑐̅ - 3√𝑐̅ = 12,3 - 10,52 = 1, 78

Berdasarkan hasil perhitungan BPA, CL dan BPB serta data jumlah cacat pada
Tabel 4.15, dapat digambar peta kendali c seperti Gambar 4.11.

68
 Gambar 4.11 Peta c

Dari gambar peta c pada Gambar 4.11 terlihat bahwa tidak satupun titik dari peta
c yang berada diluar batas kendali; jadi dapat dikatakan proses terkendali secara
statistik.

69
 BAB V ANALISA KEMAMPUAN PROSES

Karakteristik suatu produk selalu bervariasi pada setiap proses produksi.

Hal ini menggambarkan karektiristik produk tersebut secara “alamiah” (apa
adanya yang bisa dihasilkan oleh suatu proses pada suatu saat tertentu). Disi lain
karakteristik produk itu harus memenuhi spesifikasi yang ditetapkan oleh
perusahaan atau diminta oleh konsumen.

Variabilitas yang terjadi menggambarkan kemampuan proses, sehingga

“analisa kemampuan proses” adalah: Suatu studi keteknikan guna menaksir
kemampuan proses (Montgomery; hal 328). Analisa kemampuan proses adalah
bagian yang sangat penting dari keseluruhan program peningkatan kualitas.
Dengan adanya analisa kemampuan proses, manajer produksi bisa melakukan
langkah-langkah mengendalikan proses produksi agar produk yang dihasilkan
sebanyak mungkin sesuai dengan spesifikasi yang diminta. Dalam buku ajar ini
akan diuraikan dua teknik dalam analisis kemampuan proses; yaitu: Analisis
menggunakan histogram atau grafik probabilitas dan analisis menggunakan
grafik pengendali.

5.1 Analisa Kemampuan Proses Menggunakan Histogram

Untuk Analisa Kemampuan Proses menggunakan Histogram, diperlukan

data berjumlah 50 sampai 100, agar histogram yang dibuat agak stabil sehingga
dapat diperoleh taksiran kemampuan proses yang cukup dapat dipercaya. Selain
jumlah data beberapa langkah yang harus dilakukan dalam pengumpulan data
adalah :

• Pilih mesin yang akan digunakan, mesin harus mewakili mesin mesin
dalam populasi.

70
 • Pilih keadaan operasi, catat semua parameter mesin yang digunakan pada
operasi seperti putaran, kecepatan gerak arah horisontal/vertical,
kecepatan potong dan parameter lainnya.
• Pilih operator yang mewakili, yang dipilih secara random dari populasi
operator.
• Pantau proses pengumpulan data secara cermat.

Setelah langkah-langkah diatas dilakukan bisa dilanjutkan dengan

pengumpulan data. Urutan langkah analisa kemampuan proses adalah sebagai
berikut :

1. Bagi data atas beberapa interval kelas.

2. Gambar Histogram berdasarkan data pada langkah 1.
3. Hitung nilai rata-rata (µ) dan standard deviasi (σ)
4. Hitung PKP dengan rumus – rumus berikut ini :
𝐵𝑆𝐴−𝐵𝑆𝐵
5. Untuk spesifikasi dua sisi : 𝑃𝐾𝑃 = 6σ
..........(42)

6. Untuk spesifikasi satu sisi :

𝐵𝑆𝐴−µ
7. Hanya spesifikasi atas 𝑃𝐾𝑃 = .........(43)
3𝜎
µ−BSB
8. Hanya spesifikasi bawah 𝑃𝐾𝑃 = 3σ
......(44)

9. Setelah dihitung nilai PKP dapat ditentukan berapa kerontokan (jumlah

produk cacat) setiap 1 juta produk, seperti ditunjukan pada Tabel 5.1 dan
juga bisa dilihat nilai PKP minimum yang dianjurkan sesuai Tabel 5.2.

Tabel 5.1 Jumlah Kerontokan Proses Untuk Setiap Nilai PKP

PKP Kerontokan proses (Cacat/sejuta produk)

Spesifikasi satu- sisi Spesisikasi dua-sisi
0,50 66.800 133.600
0,75 12.200 24.400
1,00 1.350 2.700
1,10 483 966

71
 PKP Kerontokan proses (Cacat/sejuta produk)
Spesifikasi satu- sisi Spesisikasi dua-sisi
1,20 159 318
1,30 48 96
1,40 13 26
1,50 3,40 6,80
1,60 0,80 1,60
1,70 0,17 0,34
1,80 0,03 0,06
2,00 0,0009 0,0018
Sumber : [Link]; Pengantar Pengendalian Kualitas Statistik ; hal 334

Dari tabel diatas dapat dijelaskan bahwa jika PKP suatu proses 1,10 , jika
menggunakan spesifikasi satu sisi maka jumlah produk yang cacat adalah 483 unit
untuk setiap satu juta produk; dan jika digunakan spesifikasi dua sisi, jumlah yang
cacat adalah 966 unit setiap satu juta produk.

Nilai PKP minimum yang dianjurkan dapat dilihat pada Tabel 5.2 berikut ini:

Tabel 5.2 Nilai minimum PKP yang dianjurkan

Uraian Spesifikasi Spesifikasi

Satu- sisi Dua-sisi
Proses yang ada 1,33 1,25
Proses baru 1,50 1,45
Keamanan, kekuatan, atau 1,50 1,45
parameter kritis proses yang ada
Keamanan, kekuatan, atau 1,67 1,60
parameter kritis proses baru
Sumber : [Link]; Pengantar pengendalian Statistik ; hal 335

Contoh soal : Data hasil pengukuran cincin piston tertera pada tabel 18 berikut
ini. Buat distribusi frekuansi dari data ini dan laukukan analisis
kemampuan proses. Taksir kemampuan proses dengan anggapan
spesifikasi adalah 74,00 ± 0,03 mm.

72
 Tabel 5.3 Data ukuran piston yang dihasilkan

Penyelesaian: Dari 125 data pada Tabel 5.3 diatas dibagi atas 5 interval dan
dapat dibuat distribusi frequensi untuk tiap interval nilai data
seperti terlihat pada Tabel 5.4.

Tabel 5.4 Distribusi frequensi

Interval nilai Nilai Fre- Nilai perkalian

Tengah quensi
Interval
(1) (2) (3) (2) x (3)
73,960 ≤ X < 73,974 73,967 1 73,967
73,974 ≤ X < 73,988 73,981 12 887,772
73,988 ≤ X < 74,002 73,995 52 3847,74
74,002 ≤ X < 74,016 74,009 52 3848,468
74,016 ≤ X ≤ 74,03 74,023 8 592,184
Jumlah 125 9250,131

73
Jika Tabel 5.4 (khusus kolom 1 dan 3 digambarkan dalam bentuk histogram, maka
gambar histogram tersebut dapat dilihat pada Gambar 5.1).

60

50

40

30

20

10

0
73,960- 73,974 >73,974 - >73,988 - >74,002- >74,016 - 74,03
73,988 74,002 74,016

Gambar 5.1 Histogram Ukuran Piston

Gambar histogram ukuran piston menunjukan distribusi yang dapat

dikatagorikan sebagai distribusi normal.

Ukuran rata-rata piston jika dihitung menggunakan Tabel 5.4 adalah 𝑋̅ =

9250,131/ 125 =74,001, dan standard deviasi dapat dihitung dengan Tabel 5.5
berikut ini

Tabel 5.5 Perhitungan Standard Deviasi (S)

Titik tengah ̅I
Imi - 𝑿 fi (2) x (3)
(mi)
(1) (2) (3) (4)
73,967 0,034 1 0,034
73,981 0,02 12 0,24
73,995 0,006 52 0,312
74,009 0,008 52 0,416
74,023 0,022 8 0,176
Jumlah 125 1,178

74
 S = 1,178/125 = 0,009

Jika spesifikasi 74 ± 0,03 maka BSA dapat ditentukan 74 + 0,03 = 74,03 dan BSB =
74 - 0,03 = 73,97.

Karena ukuran piston tidak boleh terlalu besar dan juga tidak boleh terlalu kecil
maka rumus PKP yang digunakan adalah PKP dua sisi.

PKP = (BSA – BSB) / 6S = 1,11

Jika digunakan Tabel 5.1 (spesifikasi dua sisi) untuk menghitung kerontokan
proses, harus menggunakan interpolasi antara nilai PKP = 1,1 dan 1,2, dan
diperoleh jumlah kerontokan per sejuta produk adalah : 583.

Nilai PKP sebesar 1,11 kalau kita gunakan Tabel 5.2 maka nilai ini masih lebih
rendah dari nilai minimum yang dianjurkan, berarti proses produksinya kurang
baik.

5.2 Analisis Kemampuan Proses Menggunakan Grafik Pengendali

Menggunakan histogram untuk melakukan analisis kemampuan proses

tidak selalu dapat mengungkapkan kemampuan proses yang tersembunyi karena
metode histogram tidak menguraikan pengendalian secara statistik. Cara yang
sangat efektif dalam hal ini adalah grafik pengendali, yang merupakan teknik
analisis kemampuan proses yang utama.

Dalam analisis kemampuan proses dengan metode ini yang harus dilakukan
terlebih dahulu adalah analisis apakah proses terkendali secara statistik atau
tidak. Jika proses sudah terkendali secara statistik kemudian dihitung PKP dan
dibandingkan dengan standar PKP minimal untuk menentukan apakah
kemampuan proses cukup baik atau tidak.

Contoh Soal: Buat analisa kemampuan proses dengan metode grafik pengendali
𝑋̅ , R menggunakan data ukuran piston pada Tabel 5.3

75
Penyelesaian Soal: Langkah pertama dalam analisis kemampuan proses dengan
metode ini adalah menggambar peta kendali 𝑋̅ dan R dan
sebelumnya perlu dihitung parameter-parameternya, hitung batas
kendali, sesudah itu menggambar peta kendali.

Berdasarkan data Tabel 5.3 dapat ditentukan 𝑋̅ dan R untuk masing masing
sampel seperti tertera pada Tabel 5.6 berikut ini.

̅ ,R
Tabel 5.6 Perhitungan , 𝑿

No Sampel 1 2 3 4 5
̅
𝑿 74,010 74,001 74,008 74,003 74,003
R 0,038 0,019 0,036 0,022 0,026
No Sampel 6 7 8 9 10
̅
𝑿 73,996 74,000 73,997 74,004 73,998
R 0,024 0,012 0,030 0,014 0,017
No Sampel 11 12 13 14 15
̅
𝑿 73,994 74,001 73,998 73,990 74,006
R 0,008 0,011 0,029 0,039 0,016
No Sampel 16 17 18 19 20
̅
𝑿 73,997 74,001 74,007 73,998 74,009
R 0,021 0,026 0,018 0,021 0,020
No Sampel 21 22 23 24 25
̅
𝑿 73,996 74,002 74,002 74,005 73,998
R 0,033 0,019 0,025 0,022 0,035

Menggunakan hasil poerhitungan 𝑋̅ dan R pada Tabel 5.6 dapat dihitung:

∑𝑋̅1850,024
𝑋̿ = 𝑚 = 25 = 74,001
∑𝑅 0,581
𝑅̅ = 𝑚 = = 0,023
25

Batas kendali untuk peta 𝑋̅ dapat dihitung dengan rumus-rumus yang sudah
ditentukan pada bab tentang peta kendali variabel, sebagai berikut:

76
Batas Kendali Peta 𝑋̅

𝐵𝑃𝐴 = 𝑋̿ + 𝐴2 𝑅̅ = 74,001 + (0,57) (0,023) = 74,014

𝐵𝑃𝐵 = 𝑋̿ - 𝐴2 𝑅̅ = 74,001 - (0,57) (0,023) = 73,988

Batas Kendali Peta R

𝐵𝑃𝐴 = 𝑅̅ 𝐷4 = 0,023 (2,155) = 0,049

𝐵𝑃𝐵 = 𝑅̅ 𝐷3 = 0,023 (0) = 0

Gambar peta kendali 𝑋̅ dapat dilihat pada Gambar 5.2 sedangkan peta kendali R
dapat dilihat pada Gambar 5.3.

74,02
74,015
74,01
74,005
BPA
74
Peta X
73,995
CL
73,99
BPB
73,985
73,98
73,975
1 3 5 7 9 11 13 15 17 19 21 23 25

̅
Gambar 5.2 Peta Kendali 𝑿

77
 0,06

0,05

0,04
BPA
0,03 Peta R
CL
0,02
BPB
0,01

0
1 3 5 7 9 11 13 15 17 19 21 23 25

Gambar 5.3 Peta Kendali R

Gambar dua peta kendali diatas menunjukan bahwa proses terkendali

secara statistik, karena tidak ada titik yang berada diluar batas kendali .

Gambar/grafik ini juga memberi informasi tentang kemampuan

penampilan proses, dimana terlihat diameter cincin piston rata rata 𝑋̅ = 74,001
mm, dan deviasi standar (σ) dapat dihitung dengan rumus:

𝑅̅ 0,023
𝜎= = = 0,0099
𝑑2 2,326

Sesudah mengetahui proses terkendali secara statistik, langkah berikutnya

adalah menghitung PKP

𝐵𝑆𝐴 − 𝐵𝑆𝐵 74,03 − 73,97

𝑃𝐾𝑃 = = = 1,01
6𝜎 6(0,0099)

Nilai PKP = 1,01 menunjukkan batas toleransi alami (6σ) yang bisa
ditentukan dengan mencari selisih (BPA dan BPB) hampir tepat berimpit dengan
Batas Spesifikasi ( BSA dan BSB) yang artinya jumlah cincin piston yang tidak
memenuhi spesifikasi sangat sedikit. Bila PKP > 1 atau BSA-BSB jauh lebih besar

78
dari 6σ ( BPA – BPB) maka semua produk masuk dalam batas spesifikasi dan ini
sangat bagus. Sebaliknya bila PKP< 1 banyak produk yang dihasilkan berada
diluar batas spesifikasi , ini menunjukan kemampuan proses untuk menghasilkan
produk sesuai specifikasi sangat rendah.

79
 BAB VI SAMPLING PENERIMAAN

Proses produksi barang melewati beberapa tahap; mulai dari bahan baku,
diolah menjadi barang setengah jadi kemudian di proses lebih lanjut menjadi
barang jadi atau produk. Pada setiap tahapan yang dilalui kualitas bahan perlu
dijaga agar tiba diujung proses diperoleh kualitas produk jadi yang sangat baik.
Karena itu pada setiap tahapan perlu diperiksa bahannya. Produsen menerima
bahan baku dari supplyer untuk diproses, bahan baku tersebut perlu diperiksa.
Jika proses manufaktur tidak langsung menghasilkan barang jadi tapi barang
setengah jadi atau komponen, maka barang setengah jadi/komponen ini perlu
diperiksa oleh bagian yang akan memprosesnya lebih lanjut. Produk/barang jadi
sebelum diterima oleh pembeli juga harus diperiksa.

Pemeriksaan bisa dilakukan dengan dua cara yaitu pemeriksaan 100% atau
pemeriksaan sampel. Pemeriksaan 100% memang akan menghasilkan hasil yang
baik, tetapi dalam kasus dimana jumlah barang yang diperiksa banyak maka akan
memakan waktu lama dan petugas pemeriksa akan mengalami kelelahan
sehingga hasil pemeriksaan juga tidak terlalu baik. Jika pemeriksaan dilakukan
dengan cara merusak maka teknik pemeriksaan 100% ini tidak bisa dilakukan.

Pada pemeriksaan menggunakan sampel, dari seluruh produk (1 lot)

diambil sampel dengan jumlah tertentu untuk diperiksa. Jika hasil pemeriksaan
sampel sesuai dengan kriteria kualitas maka seluruh produk dalam lot tersebut
diterima, namun bila hasil pemeriksaan sampel tidak sesuai kriteria maka seluruh
lot ditolak. Teknik pemeriksaan ini yang disebut Sampling Penerimaan.

Sampling penerimaan mempunyai beberapa keunggulan antara lain lebih

murah karena jumlah pemeriksaan dan petugas pemeriksa yang lebih sedikit,
kerusakan produk yang diperiksa berkurang karena jumlah yang diperiksa
sedikit, dapat digunakan pada pemeriksaan dengan cara merusak produk,

80
kesalahan pemeriksaan bisa diminimalisir, penolakan seluruh lot bisa memberi
motifasi yang kuat bagi produsen/penjual untuk memperbaiki kualitas.

Disamping keunggulan, sampling pemeriksaan mempunyai beberapa

kelemahan antara lain: Ada risiko menerima lot yang “jelek” dan menolak lot yang
“baik”, informasi tentang produk dan proses lebih sedikit diperoleh, memerlukan
perencanaan dan dokumentasi tentang prosuder pemeriksaan.

6.1 Sampling Penerimaan Atribut

Pada metode sampling penerimaan ini karakteristik kualitas pada setiap

sampel yang menjadi acuan adalah jumlah cacat (d) . Syarat yang diajukan oleh
penerima dinyatakan sebagai “bilangan penerimaan” (c) , sedangkan jumlah
produk dalam satu sampel / ukuran sampel dinyatakan dengan (n). Untuki setiap
sampel yang perlu dihitung adalah Probabiltas Penerimaan (Pa). Nilai Pa ini
adalah peluang suatu sampel lolos uji . sampling penerimaan atribut ini dilakukan
dengan beberapa taraf ; yakni sampling tunggal, sampling ganda dan sampling
darab/multiple; namun dalam buku ajar ini hanya dijelaskan tentang sampling
tunggal dan sampling ganda saja, karena sampling darab dapat dimengerti dari
penjelasan sampling ganda.

6.1.1 Sampling Tunggal

Pada Sampling tunggal, pengambilan sampel hanya satu kali. Jika jumlah
cacat dalam sampel (d) lebih kecil dari bilangan penerimaan (c) sampel dapat
diterima, sekaligus seluruh lot diterima. Sebaliknya bila (d) lebih besar dari (c),
sampel ditolak, sekaligus lot/populasi juga ditolak dan harus dilakukan
pemeriksaan 100 %. Prosedur untuk melakukan sampling tunggal dapat dilihat
pada Gambar 6.1.

81
 Gambar 6.1 Skema Prosedur Sampling Tunggal

Salah satu parameter penting dalam sampling penerimaan adalah

Acceptance Probability (Pa) atau Probabilita Penerimaan. Parameter ini
menunjukkan seberapa besar peluang suatu lot dapat diterima. Dalam penurunan
rumus ini, diasumsikan jumlah produk dalam populasi/lot (N) berukuran besar
sehingga secara teoritis dianggap tak [Link] kondisi ini distribusi
banyaknya cacat (d) dalam suatu sampel acak dengan n benda adalah binomial
Rumus yang digunakan disini adalah:

pd (1  p)n  d
c n!
Pa  P{d  c}  
d0
d!(n  d)! (44)

d = Jumlah cacat dalam sampel

c = Bilangan penerimaan
n = ukuran sampel/ jumlah produk dalam satu sampel.
p = Persentasi cacat di pabrik

Contoh soal:

Suatu sampel berukuran 89 diambil dalam sampling penerimaan tunggal. Bila

bilangan penerimaan yang ditentukan pemakai produk adalah 2 dan persentasi
82
cacat rata-rata di pabrik pembuat atau suplier adalah 1 %. Tentukan probabilitas
penerimaan (Pa) sampel tersebut.

Penyelesaian soal:

Karena besarnya lot (N) tidak diketahui berarti asumsinya N = ∞, harus

menggunakan distribusi binomial dan rumus yang digunakan adalah rumus (44)
dimana n = 89 ; c = 2 dan p = 0,01. Nilai d menunjukkan jumlah cacat yang ada
dalam sampel. Kalau sampel mau diterima maka nilai d yang boleh hanya nol (0),
satu (1) atau dua (2); kalau nilai d > 2, maka sampel ditolak, karena
bilangan penerimaan c adalah 2.

Hasil perhitungan Pa, dapat dilihat pada uraian dibawah ini :

2
89!
𝑃𝑎 = 𝑃{𝑑 ≤ 2} ∑ (0,01)𝑑 (0,99)89−𝑑
𝑑! (89 − 𝑑)!
𝑑=0

89! 89!
𝑃𝑎 = [0!.89!(0,01)0 (0,99)89 ]+[ (0,01)1 (0,99)88 ]
1!.88!
89!
+[ (0,01)2 (0,99)87] = 0,9397
2!.87!

Nilai Pa sebesar 0,9397 menggambarkan bahwa untuk sampel berukuran 89,

dengan syarat bilangan penerimaan c=2 dan persentasi cacat pabrik rata-rata 1
% , maka peluang produk tersebut diterima adalah 93,97%.

Nilai Pa yang diperoleh kemudian dihubungkan dengan variasi nilai persentasi

cacat (p) akan membentuk suatu curva yang disebut curva Karakteristik Operasi
(KO). Satu curva KO dibuat untuk satu nilai n dan satu nilai [Link]. Contoh dari
curva KO untuk n=89 dan c=2 dapat dilihat pada Gambar 6.2.

83
 Gambar 6.2 Curva Karakteristik Operasi

Dengan adanya curva KO ini maka seorang produsen / suplier akan

mengetahui secara cepat berapa peluang produknya diterima dengan syarat n dan
c tertentu yang diberikan pengguna produk. Contoh: bila pemakai produk
menggunakan syarat n=89 ; c =2 sedangkan persentasi cacar rata-rata pabrik
pembuat (p) adalah 1% (0,01), maka peluang produk diterima (Pa) diatas 90%;
namun bila persentasi cacat rata-rata pabrik (p) naik menjadi 2% maka (Pa) akan
turun antara 70 sampai 80%. Cara penentuan Pa menggunakan curva ini adalah
dengan cara menarik garis vertical dari sumbu (p) sampai berpotangan dengan
curva KO; dari titik potong dengan curva KO ditarik garis horisontal kekiri,
berpotongan dengan sumbu Pa, dapat diketahui berapa besar Pa.

Cara menggambar curva KO ini adalah :

1. Tentukan dulu nilai n dan c dari curva KO yang akan dibuat.

2. Untuk p = 0,01, hitung Pa menggunakan rumus (44)
3. Kedua variabel (p =0,01 dan Pa hasil perhitungan) di plot sebagai satu
titik.

84
 4. Dengan cara yang sama seperti point 3 dihitung Pa untuk p = 0,02 ; 0,03 ;
dan seterusnya sampai p = 1 yang akan menentukan titik-titik curva.
5. Titik-titik hasil perhitungan dihubungkan menjadi curva KO
6. Selain curva KO hasil perhitungan juga dibuat dalam tabel- tabel, yang bisa
digunakan secara cepat untuk menaksir Pa.

Contoh Soal:

Gambar curva KO untuk (n=50 ; c= 1) dan (n=50 ; c = 2)

Penyelesaian Soal:

Sebelum kita menggambar 2 curva KO yang diminta di soal, harus dihitung dulu
nilai Pa untuk variasi p = 0,01 sampai p = 0,08, bagi setiap pasangan parameter (
n = 50 ; c = 1) dan ( n=50 ; c =2). Sesudah itu hasilnya dimasukan dalam tabel
seperti Tabel 6.1

Tabel 6.1 Nilai Pa Untuk Tiap p, Pada Masing-Masing Curva

p n = 50 ; c = 1 n = 50 ; c = 2
0,01 0,910565 0,986183
0,02 0,735771 0,921572
0,03 0,55528 0,810798
0,04 0,400481 0,676714
0,05 0,279432 0,540533
0,06 0,190003 0,416246
0,07 0,126493 0,310789
0,08 0,082712 0,225974

Dengan data seperti pada Tabel 6.1, dapat digambar curva KO seperti terlihat
pada Gambar 6.3. Data ini juga bisa memberi informasi bahwa kalau kita
menggunakan sampling n=50 ; c=1; kalau rata-rata cacat pabrik kita 1 persen
(0,01) ; peluang produk kita lolos masih tinggi; sekitar 91,05 % , namun bila cacat

85
rata-rata pabrik turun sedikit saja ke angka 2% (0,02) , peluang produk kita lolos
menurun dibawah 80% yakni 73,57%

Untuk dua skema sampling, berdasarkan Gambar curva KO, ternyata n=50 dan
c=1 memberikan nilai Pa yang lebih rendah dibanding n=50 ; c=2.

1,2

0,8

0,6 n=50 ; c=1

n=50 ; c=2
0,4

0,2

0
0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08

Gambar 6.3 Curva KO

6.1.2 Sampling ganda

Teknik pengambilan sampel dan keputusan diterima atau ditolaknya suatu

sampel pada sampling ganda adalah dengan pengambilan sampel sampai dua kali.
Pada sampling ganda sampel diberikan dalam dua ukuran (n1 dan n2 ) begitu juga
bilangan penerimaannya ada dua juga (c1 dan c2), jumlah produk cacat pada
sampel pertama (d1) dan jumlah cacat pada sampel kedua (d2). Prosedur
pengambilan sampel pada sampling ganda adalah :

1. Sampel pertama diambil dan diperiksa.

2. Bila jumlah cacat sampel pertama (d1) < (c1) sampel diterima, sekaligus
populasi/lot diterima.

86
 3. Bila (d1) > (c2) sampel ditolak sekaligus populasi ditolak.
4. Bila (c1)< (d1)≤ (c2) ; ambil sampel kedua dan diperiksa
5. Jika (d1+d2) ≤(c2) sampel diterima, dan bila (d1+d2) > (c2) sampel ditolak,
sekaligus lot ditolak

Skema pelaksanaan sampling ganda dapat dilihat pada Gambar 6.4 dengan
ketentuan, pada sampel pertama n1 = 40 ; c1 = 1, dan pada sampel ke dua n2 = 60;
c2 =3.

Gambar 6.4 Skema Sampling Ganda

Contoh Soal:

Dari suatu populasi, diambil sampel pertama dengan n1 = 50. Bila sampel ini
ditolak, diambil sampel kedua dengan n2 = 100. Tentukanlah probabilitas
penerimaan bila c1 = 1; c2 =3 dan p = 5 %

Penyelesaian: Pa = Pa’ + Pa”

Pa’ adalah probabilitas penerimaan pada pengambilan sampel pertama dan Pa”
merupakan probabilitas penerimaan pada pengambilan sampel ke dua.

87
 50!
Pa’ = P{𝑑1 ≤ 𝑐1 } = ∑1𝑑1 =0 𝑝𝑑1 (1 − 𝑝)50−𝑑1
𝑑1 !(50−𝑑1 )!
50! 50!
= 0,050 (0,95)50 + 1!(50−1)! 0,051 (0,95)49 = 0,279
0!(50−0)!

Untuk perhitungan Pa” atau peluang produk diterima pada pengambilan sampel
kedua ada 2 alternatif yaitu: alternatif pertama d1 = 2 dan d2 = 0 atau 1 dan
alternatif kedua d1 = 3 dan d2 = 0.

(1) 𝑃{𝑑1 = 2 , 𝑑2 ≤ 1} = 𝑃(𝑑1 = 2). 𝑃(𝑑2 ≤ 1)

50!
𝑃(𝑑1 = 2 ) = 0,052 (0,95)48 = 0,261
2!.48!
100! 100!
𝑃(𝑑2 ≤ 1) = 0!.100! 0,050 (0,95)100 + 1!.99! 0,051 (0,95)99 = 0,037

𝑃{𝑑1 = 2 , 𝑑2 ≤ 1} = 0,261 𝑥 0,037 = 0,009

(2) 𝑃{𝑑1 = 3, 𝑑2 = 0} = 𝑃(𝑑1 = 3) . 𝑃(𝑑2 = 0)

50!
𝑃(𝑑1 = 3) = 3!.47! 0,053 0,9547 = 0,220
100!
𝑃(𝑑2 = 0) = 0! .100! 0,050 0,95100 = 0,0059

𝑃{𝑑1 = 3, 𝑑2 = 0} = 0,220 x 0,0059 = 0,001

Pa” = 𝑃{𝑑1 = 2 , 𝑑2 ≤ 1} + 𝑃{𝑑1 = 3, 𝑑2 = 0} = 0,009 + 0,001 = 0,01

Pa = Pa’ + Pa” = 0,279 + 0,01 = 0,289

Pembuatan curva Karakteristik Operasi (KO) untuk sampling ganda lebih

kompleks dari sampling tunggal, karena pada gambar curva KO sampling ganda
ada beberapa area yang harus digambar yakni area peluang penerimaan pada
sampel pertama, peluang penerimaan pada sampel gabungan dan peluang
penolakan pada sampel pertama. Curva KO tersebut dapat dilihat pada Gambar
6.5.

88
 Gambar 6.5 Curva KO Sampling Ganda

6.1.3 Penentuan AOQ, ATI dan Biaya Pemeriksaan.

Setelah bisa menghitung probabilitas penerimaan (Pa) maka selanjutnya

bisa dihitung AOQ (Average Outgoing Quality) yaitu ekspektasi kerusakan
didalam lot.. Dengan parameter AOQ ini seorang produsen/ konsumen bisa
menaksir persentasi cacat rata-rata dari produk didalam lot. Penurunan rumus
AOQ bisa dilakukan dengan logika sebagai berikut :

• Apabila Lot diterima melalui rencana sampling tertentu, dengan

probabilita (Pa) maka Lot yang diterima masih mengandung persen cacat
p
• Bila Lot ditolak dengan probabilita (1- Pa) dan diperiksa 100 % produk
cacat diganti dengan produk yang baik, Lot mengandung 0 % cacat.
• Rumus AOQ bisa ditulis sebagai berikut

89
 AOQ = p (Pa) + 0 (1- Pa) = p. Pa .........(45)

Selain AOQ, parameter lainnya yang harus ditentukan dalam sampling

penerimaan adalah Average Total Inspection (ATI) yaitu rata-rata jumlah produk
yang harus diperiksa dalam satu lot. Penurunan rumus ATI ini juga dilakukan
dengan ;logika sebagai berikut :

• Jika produk diterima, dengan probabilita Pa maka jumlah produk yang

diperiksa hanya n (jumlah produk dalam satu sampel)
• Jika produk ditolak; dengan probabilita (1 – Pa) maka seluruh produk
dalam satu lot harus diperiksa , itu berarti jumlah produk yang diperiksa
(N).
• Rumus ATI dapat ditulis sebagai berikut :

ATI = n (Pa) + N (1- Pa) ................(46)

Bila jumlah yang diperiksa adalah ATI maka biaya pemeriksaan dapat
dihitung sebagai ATI dikalikan biaya periksa per unit (C), maka rumus untuk biaya
pemeriksaan adalah :

Biaya Pemeriksaan = ATI x C..............(47)

Contoh Soal:

Dari suatu pabrik yang mempunyai persentasi cacat rata-rata 2% diambil sampel
berukuran 45. Bila sampling penerimaan dilakukan menggunakan sampling
tunggal dengan c = 1.

• Hitung Pa dan AOQ

• Jika besar lot 1000, dan biaya pemeriksaan tiap unit Rp 10.000, berapa
ATI dan berapa besar biaya pemeriksaan.

90
Penyelesaian:

Dari soal diatas dapat diketahui p = 2% = 0,02 ; n=45; c=1

45! 45!
𝑎. 𝑃𝑎 = (0,02)0 (0,98)45 + (0,02)1 (0,98)44 = 0,7729
0! .45! 1! .44!
𝐴𝑂𝑄 = 𝑛. 𝑃𝑎 = 45 𝑥 0,7729 = 34,78.

𝑏. 𝐴𝑇𝐼 = 𝑛 . 𝑃𝑎 + 𝑁(1 − 𝑃𝑎) = 45 𝑥 0,7729 + 1000 (0,2271) = 262

𝐵𝑖𝑎𝑦𝑎 𝑃𝑒𝑚𝑒𝑟𝑖𝑘𝑠𝑎𝑎𝑛 = 262 𝑥 𝑅𝑝 10000 = 𝑅𝑝 2.620.000

6.1.4 Merencanakan Sampling Tunggal Dengan Curva KO Tertentu.

Pada pembahasan tentang sampling tunggal dan sampling ganda, jumlah n

dan c sudah ditentukan terlebih dahulu, kemudian dihitung probabilita
penerimaan (Pa) dan parameter-parameter lainnya seperti AOQ, ATI dan biaya
pemeriksaan. Dalam merencanakan sampling sebaliknya, kita menegtahui tingkat
rata-rata cacat di pabrik (p) dan direncanakan probabilitas penerimaan pada nilai
tertantu, maka harus ditentukan ukuran sampel (n) dan bilangan penerimaan (c).

Bila persentasi cacat (p1) dan probabiltas penerimaan yang dikehandaki

(1–α) dan jika persentasi cacat berubah menjadi (p2), diharapkan probabilita
penerimaan β. Dua pasangan p dan probabiltas penerimaan ini dapat dirumuskan
dalam distribusi binomial sebagai berikut :

𝑛!
1−∝ = ∑𝑐𝑑=0 𝑑!(𝑛−𝑑)! 𝑝1 𝑑 (1 − 𝑝1 )𝑛−𝑑 (48)
𝑛!
𝛽 = ∑𝑐𝑑=0 𝑑!(𝑛−𝑑)! 𝑝2 𝑑 (1 − 𝑝2 )𝑛−𝑑 (49)

Walaupun kita akan menghitung 2 variabel (n dan c) dan telah tersedia 2

persamaan namun tidak bisa diselesaikan secara sederhana karena dua

91
persamaan diatas bukan persamaan linier. Untuk itu harus menggunakan bantuan
nomografik seperti terlihat pada Gambar 6.6.

Gambar 6.6 Nomografik

Pada Gambar 6.6 ada 4 bagian penting yang harus diperhatikan kalau akan
menggunakan nomografik ini.

• Pada sumbu vertikan sebelah kiri adalah sumbu p yang bernilai 0,01
sampai 0,50
• Sumbu vertikal di kanan merupakan sumbu Pa yang tertera nilai 0,001
sampai 0,999

92
 • Nomografik ditengah terdiri dari dua set garis, set pertama berupa garis
lengkung mengarah dari kiri bawah ke kanan atas adalah set garis yang
menunjukan nilai n ; set kedua yang mengarah dari kanan bawah ke kiri
atas dengan garis yang cenderung lurus menunjukan nilai c

Cara penggunaan nomografik ini bisa kita lakukan untuk menyelesaikan

Contoh soal berikut ini.

Contoh Soal:

Bila p1 = 0,02 , diharapkan Pa = 95% atau 0,95, dan jika p2 = 0,08 diharapkan Pa
turun menjadi 10% atau 0,10; tentukan n dan c

Penyelesaian:

1. Tentukan angka 0,02 di sumbu vertikal kiri dan angka 0,95 di sumbu
vertikal kanan.
2. Hubungkan 2 titik tersebut dengan satu garis lurus (garis 1)
3. Tentukan pula angka 0,08 di sumbu vertikal kiri dan 0,10 di sumbu
vertikal kanan
4. Hubungkan 2 titik di point 3 membentuk garis lurus (garis lurus 2)
5. Garis 1 dengan garis 2 akan berpotongan di satu titik (t)
6. Perhatikan titik t berdekatan dengan garis n=98 dan c=4.

Kesimpulan : jika p1=0,02 dikehendaki Pa = 0,95; sedangkan jika p2 = 0,10

diharapkan Pa= 0,10 maka sampling penerimaan tunggal harus dilakukan dengan
n = 98 dan c=4

6.1.5 Merencanakan Sampling Ganda

Sama halnya dengan merencanakan sampling tunggal; merencanakan

sampling ganda juga bertujuan menentukan ukuran sampel ( n1 ‘ n2) dan bilangan

93
penerimaan (c1 ; c2) bila diketahui p1; p2 , untuk nilai Pa tertentu. Dalam hal ini Pa
ditentukan 95% (0,95) dan 10% (0,10). Untuk merencanakan sampling ganda
digunakan tabel Grubbs ( Montgomery , hal 457 dan 458). Ada 2 jenis tabel
Grubbs . Tabel pertama digunakan untuk ukuran sampel yang sama n1 = n2 (Tabel
6.2) dan tabel kedua untuk n2 = 2n1 (Tabel 6.3).

Prosedur perencanaan sampling ganda adalah sebagai berikut :

a. Hitung R = p2/p1
b. Tentukan perencanaan akan dilakukan untuk n1 = n2 atau n2 = 2n1
c. Jika kita merencanakan untuk n1 = n2 selanjutnya gunakan Tabel 6.2;
sedangkan jika perencanaan dilakukan untuk n2 = 2n1 selanjutnya
gunakan Tabel 6.3.
d. Tentukan no perencanaan sesuai hasil perhitungan R atau yang
mendekati, langsung bisa ditentukan c1 dan c2.
e. Menentukan n1 melalui ketentuan pn1; untuk itu terlebih dahulu harus
menentukan orientasi apakah orientasi α ( Pa = 0,95) atau orientasi β (Pa
= 0,10)
f. Pilih nilai pn1 yang segaris dengan nomor perencanaan, pada kolom (Pa =
0,95) atau (Pa = 0,10) sesuai orientasi yang dipilih
g. Tentukan nilai n1 dari nilai pn1 sesuai point f dibagi p ; kalau orientasi yang
dipilih α, maka p yang digunakan p1 ; kalau orientasi β , p yang dipilih p2.
h. Hitung n2 sesuai nilai n1. Jika digunakan ketentuan n1=n2 maka nilai n2
sama dengan n1; namun jika ketentuan yang digunakan n2 = 2n1 maka nilai
n2 adalah dua kali nilai n1.
i. Buat kesimpulan hasil perencanaan tentang nilai-nilai yang telah dihitung
(n1 ;n2 ; c1 ; c2)

Berikut ini tabel-tabel yang menjadi dasar perencanaan sampling ganda

94
 Tabel 6.2 Perencanaan Sampling Ganda Dengan n1 = n2

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 457

Tabel 6.3 Perencanaan Sampling Ganda Dengan n2 = 2n1

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 458

95
Contoh Soal:

a. Rencanakan suatu sampling ganda bila p1 = 0,02 dan p2 = 0,08 dengan

orientasi α atau Pa = 0,95 jika diinginkan ukuran-ukuran sampel tersebut
n1 = n2
b. Rencanakan juga sampling ganda jika p1 dan p2 dan hubungan n1 dan n2
sama dengan soal point a, tapi orientasi β (Pa = 0,10)

Penyelesaian:

a. Hitung R = p2/p1 = 0,08/0,02 = 4, jika digunakan Tabel 6.2 ( n1 = n2 )

maka R = 4, lebih dekat ke nilai R= 3,88 , jadi nomor perencanaan yang
dipakai adalah no perencanaan 7 , jadi c1 = 2 dan c2 = 5 jika digunakan
orientasi α, maka pn1 untuk nomor perencanaan 7 adalah 1,43.

Karena orientasi yang digunakan α maka p yang dipakai adalah p1 = 0,02.

Selanjutnya n1 bisa dihitung sebagai berikut :

p.n1 = 1,43
0,02.n1 = 1,43
n1 = 1,43 / 0,02 = 71,5
n1 = 72 (dibulatkan) ; n2 = 72

Hasil perencanaan sampling ganda secara keseluruhan :

n1 = 72 ; c1 = 2 ; n2 = 72 ; c2 = 5

b. Untuk penyelesaian soal b kita tetap menggunakan no perencanaan 7

karena p1 dan p2 sama dengan soal point a.

Karena orientasi β, maka kolom dalam Tabel 6.3 yang dipakai adalah kolom
terakhir. Untuk nomor perencanaan 7 ; nilai p.n1 = 5,55. Selanjutnya n1 dihitung
menggunakan p2 = 0,08, dan hasil perhitungannya adalah:

96
 p.n1 = 5,55
0,08.n1 = 5,55
n1 = 5,55 / 0,08 = 69,3
n1 = 69 (dibulatkan) ; n2 = 69

Hasil perencanaan secara keseluruhan :

n1 = 69 ; c1 = 2 ; n2 = 69 ; c2 = 5

Contoh Soal:

a. Rencanakan suatu sampling ganda bila p1 = 0,01 dan p2 = 0,06 dengan

orientasi α atau Pa = 0,95 jika diinginkan ukuran-ukuran sampel tersebut
n2 = 2n1
b. Rencanakan juga sampling ganda jika p1 dan p2 serta hubungan n1 dan
n2 sama dengan soal point a, tapi orientasi β (Pa = 0,10)

Penyelesaian:

a. Hitung R = p2/p1 = 0,06/0,01 = 6, karena n2 = 2n1 digunakan Tabel 6.3.

Dari tabel tersebut R = 6, lebih dekat ke nilai R= 6,48 , jadi nomor
perencanaan yang dipakai adalah no perencanaan 3 , jadi c1 = 0 dan c2 =
3 jika digunakan orientasi α, maka pn1 untuk nomor perencanaan 3
adalah 0,49.

Karena orientasi yang digunakan α maka p yang dipakai adalah p1 = 0,01.

Selanjutnya n1 bisa dihitung sebagai berikut :

p.n1 = 0,49
0,01.n1 = 0,49
n1 = 0,49 / 0,01 = 49
n2 = 2n1 = 98

97
 Hasil perencanaan sampling ganda secara keseluruhan :

n1 = 49 ; c1 = 0 ; n2 = 98 ; c2 = 3

b. Untuk penyelesaian soal b kita tetap menggunakan no perencanaan 3

karena p1 dan p2 sama dengan soal point a.

Karena orientasi β, maka kolom dalam Tabel 6.3 yang dipakai adalah kolom
terakhir. Untuk nomor perencanaan 3 ; nilai p.n1 = 2,64. Selanjutnya n1 dihitung
menggunakan p2 = 0,06, dan hasil perhitungannya adalah :

p.n1 = 2,64
0,06.n1 = 2,64
n1 = 2,64 / 0,06 = 44
n2 = 2.n1 = 88

Hasil perencanaan secara keseluruhan :

n1 = 44 ; c1 = 0 ; n2 = 88 ; c2 = 3

6.1.6 Sampling Standard Militer

Prosedur sampling standard ini dikembangkan selama perang dunia kedua,

terutama untuk produk-produk militer, namun saat ini banyak juga digunakan
secara luas untuk produk-produk non militer.

Versi standard yang asli MIL STD 105A diterbitkan tahun 1950, dan terus
dikembangkan dan telah ada 3 versi sejak saat itu dan yang terakhir MIL STD
105D diterbitkan tahun 1963. Versi sipil dari standard ini adalah ANSI/ASQC
ZI.4, yang sangat serupa dengan standard militernya.

Ada 3 jenis sampling yang digunakan standard ini yaitu sampling tunggal,
ganda dan darab, namun pada buku ini hanya diuraikan sampling tunggal dan
ganda. Untuk tiap jenis perencanaan sampling dilakukan 3 jenis pemeriksaan

98
yaitu pemeriksaan normal, ketat atau lemah. Tiga jenis pemeriksaan ini
dibedakan dari persyaratannya, yang dimulai dari pemeriksaan normal (Tingkat
II) dengan syarat yang biasa, dan bila tidak memenuhi persyaratan sampai
sejumlah sampel tertentu, diteruskan dengan pemeriksaan ketat (Tingkat III)
dengan syarat lebih ketat; dan jika pemeriksaan normal meloloskan sejumlah
besar sampling, diteruskan dengan pemeriksaan lemah (Tingkat I). Syarat untuk
tiap jenis pemeriksaan ditentukan oleh ukuran sampling (n) dan bilangan
penerimaan (c). Aturan perpindahan jenis pemeriksaan bisa dilihat pada Gambar
6.7.

Gambar 6.7. Aturan Perpindahan Bagi Pemeriksaan Normal, Ketat Dan Lemah

99
 Titik penting dalam sampling penerimaan ini adalah tingkat kualitas yang
dapat diterima (TKT).

TKT biasanya ditentukan dalam kontrak atau oleh petugas yang

bertanggung jawab untuk sampling. Jika standard digunakan untuk perencanaan
persen cacat, TKT pada tabel merentang antara 1 % (0,010) sampai 10% (1000).
Dalam praktek secara umum, dipilih TKT 1% untuk cacat besar dan TKT 2,5%
untuk cacat kecil.

Dari Gambar 6.7 diatas dapat dijelaskan aturan perpindahan pemeriksaan

dimulai dengan pemeriksaan normal dan untuk pemeriksaan berikutnya deatur
dengan prosedur sebagai berikut :

1. Normal ke ketat: jika dalam pemeriksaan normal yang sedang berjalan,

dua dari lima kotak/sampel berturutan ditolak .
2. Ketat ke normal: pemeriksaan ketat yang sedang berjalan dapat beralih
ke pemeriksaan normal bila lima kotak berturut-turut diterima
3. Normal ke lemah: Pemeriksaan normal yang sedang berjalan dapat
dialihkan ke pemeriksaan lemah bila memenuhi 3 syarat ini:
a. Jumlah produksi tetap (tidak ada gangguan pada sistem produksi)
b. Sepuluh kotak berturut-turut yang diperiksa, dapat diterima
c. Disetujui oleh petugas yang bertanggung jawab.
4. Lemah ke normal: Apabila pemeriksaan lemah sedang berjalan, dapat
dialihkan ke pemeriksaan normal bila terpenuhi satu dari empat
persyaratan dibawah ini :
a. Kotak/sampel ditolak
b. Jika prosedur sampling berakhir dengan kriteria penerimaan atau
penolakan belum terpenuhi, kotak/sampel diterima, tetapi untuk
kotak berikutnya dimulai dengan pemeriksaan normal
c. Produksi tidak teratur atau terlambat.
d. Syarat-syarat lain yang mengharuskan pemeriksaan normal.

100
 5. Penghentian pemeriksaan: Bila sepuluh kotak/sampel berturut-turut
tetap pada pemeriksaan ketat maka pemeriksaan menggunakan standard
MIL STD 105D harus dihentikan, dan harus ada langkah langkah pada
tingkat penjual untuk meningkatkan kualitas kotak/sampel yang
diserahkan.

Penggunaan MIL STD 105D untuk melakukan sampling penerimaan harus

melalui prosedur sebagai berikut :

1. Tentukan TKT yang dinginkan dan jenis sampling, apakah sampling

tunggal atau ganda.
2. Tentukan tingkat pemeriksaan (biasanya diawali dengan pemeriksaan
normal /II ).
3. Berdasarkan ukuran kotak/ jumlah populasi (N) dan tingkat pemeriksaan,
ditentukan huruf kode sesuai Tabel Huruf Kode.
4. Dengan huruf kode sesuai point 3, gunakan Tabel pemeriksaan sesuai
jenis sampling dan tingkat pemeriksaan.
5. Dari tabel pemeriksaan tersebut dan huruf kode , dapat ditentukan ukuran
sampel.
6. Menggunakan TKT yang telah ditetapkan dan huruf kode dapat
ditentukan bilangan penerimaan (c)

101
 Tabel 6.4 Huruf Kode Sesuai Ukuran Sampling

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 473

Contoh soal:

1. Dari populasi produk sejumlah 1000 unit, akan dilakukan sampling

tunggal untuk tingkat kualitas yang diterima (TKT) 2,5 %.
Untuk tingkat pemeriksaan normal, tentukan
a. Ukuran sampling (n)
b. Bilangan penerimaan c atau Ac

2. Suatu produk dengan populasi 4000 unit akan dilakukan sampling ganda
untuk TKT 6,5% pada pemeriksaan ketat, tentukan .
a. Ukuran sampling n1 d;an n2
b. Bilangan penerimaan c1 dan c2

102
Tabel 6.5 Tabel Induk Pemeriksaan Normal Sampling Tunggal (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 474

103
Tabel 6.6 Tabel Induk Pemeriksaan Ketat Sampling Tunggal (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 475

104
Tabel 6.7 Tabel Induk Pemeriksaan Lemah Sampling Tunggal (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 476

105
Tabel 6.8 Tabel Induk Pemeriksaan Normal Sampling Ganda (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 477

106
Tabel 6.9 Tabel Induk Pemeriksaan Ketat Sampling Ganda (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 478

107
Tabel 6.10 Tabel Induk Pemeriksaan Lemah Sampling Ganda (MIL STD 105D)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 479

108
Penyelesaian Soal:

1. Dengan N sebesar 1000 (berada pada baris 501 – 1200) untuk pemeriksaan
normal (II) maka huruf kode yang dipakai sesuai Tabel 6.4 adalah J .
Penentuan bilangan penerimaan (c) atau sesuai Tabel 6.5 ditulis Ac, untuk
sampling tunggal pemeriksaan normal digunakan Tabel 6.5. Pada tabel 6.4
dapat ditentukan untuk huruf kode J jumlah produk dalam sampel (n) adalah
80, dan untuk TKT 2,5% atau 0,025 bilangan penerimaan c atau Ac = 0.

2. Soal no 2 memberi data N = 4000 untuk sampling ganda pemeriksaan ketat.

Angka 4000 (berada pada baris 3201 – 10.000) dan untuk pemeriksaan ketat
(III) sesuai Tabel 6.4, kode huruf nya M. Karena sampling ganda dan
pemeriksaan ketat selanjutnya digunakan Tabel 6.9. Dari tabel itu untuk huruf
kode M dapat ditentukan n1 =200 dan n2 juga sama dengan 200. Untuk TKT
6,5% atau 0,065 sesuai Tabel 6.9 dapat ditentukan c1 = 0 dan c2 = 1.

6.1.7 Sampling Dodge Roaming

Sampling Standard ini dikembangkan oleh H.F Dodge dan H.G Romig tahun
1920 dan digunakan secara luas . Perencanaan sampling ini dibagi menjadi dua jenis.
Pertama berdasarkan batas kualitas rata-rata yang keluar (BKRK) dan yang kedua
berorientasi pada persen cacat toleransi kotak (PCTK). Dua jenis/orientasi
perencanaan sampling ini dibuat untuk sampling tunggal dan sampling ganda. Tabel
tabel sistem perencanaan Dodge Romig ini menggunakan BKRK : 2,0% ; 2,5% ; 3,0%
untuk sampling tunggal , dan untuk sampling ganda BKRK 3,0%, sedngkan
perencanaan menggunakan PCTK : 1,0% ; 2% dan 5,0% untuk sampling tunggal dan
untuk sampling ganda PCTK 1,0%.

Untuk tiap tabel dengan nilai BKRK tertentu dapat ditentukan ukuran sampel
(n) dan bilangan penerimaan (c) juga bisa ditentukan % PCTK, begitu juga sebaliknya
untuk tiap tabel PCTK tertentu dapat ditentukan % BKRK.

109
 Pada setiap tabel ada beberapa interval persentasi rata-rata proses; yang
besaran interval persentasi rata-rata proses berbeda anatara satu tabel dengan tabel
lainnya. Tabel Sampling Dodge Rommig dapat dilihat pada Tabel 6.11 sampai Tabel
6.18 berikut ini

110
Tabel 6.11 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 2,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 497

111
Tabel 6.12 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 2,5%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 498

112
Tabel 6.13 Tabel Pemeriksaan Dodge Romig Sampling Tunggal BKRK = 3,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 499

113
Tabel 6.14 Tabel Pemeriksaan Dodge Romig Sampling Ganda BKRK = 3,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 500

114
Tabel 6.15 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 1,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 502

115
 Tabel 6.16 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 2,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 503

116
 Tabel 6.17 Tabel Pemeriksaan Dodge Romig Sampling Tunggal PCTK = 5,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 504

117
 Tabel 6.18 Tabel Pemeriksaan Dodge Romig Sampling Ganda PCTK = 1,0%

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 505

118
Tabel 6.19 Tabel Pemeriksaan Dodge Romig Sampling Ganda PCTK = 1,0% (lanjutan)

Sumber : Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 506

119
Perencanaan BKRK

Tabel Dodge-Romig yang asli (1959) memuat tabel dengan nilai BKRK 0,1% ,
0,25% , 0,5% , 0,75% , 1% , 1,5% , 2% , 2,5% , 3% , 4% , %5 , 7% dan 10% Tabel-tabel
tersebut dibuat untuk sampling tunggal dan sampling ganda. Pada buku ini, seperti
telah diperlihatkan pada Tabel 6.11 sampai Tabel 6.14 hanya disediakan Tabel Dodge
Romig dengan BKRK 2% , 2,5% dan 3% untuk sampling tunggal dan BKRK 3% untuk
sampling ganda

Untuk mengetahui cara penggunaan tabel Dodge Romig, di misalkan populasi

produk yang diperiksa adalah 3000, dan persentasi cacat rata-rata pada proses
produksi adalah 0,6%. Ingin diperoleh pada sampling tunggal , BKRK sebesar 2,5%.
Pertama dipilih tabel untuk sampling tunggal dengan BKRK 2,5% adalah Tabel 6.12.
Pada tabel tersebut dipilih baris ukuran kotak 2001 – 3000, kemudian dipilih kolom
rata-rata proses yang sesuai yaitu Kolom ke 3 ( 0,51% - 1,00%) maka dapat
ditentukan n =55 dan c = 2, pada Tabel 6.12 juga dapat ditentukan PCTK = 9,4%.
Dengan data n=55, c=2 pada persentasi cacat rata-rata proses 0,6% dapat ditentukan
Pa, menggunakan kurva KO. Dengan nilai Pa tersebut dapat dihitung jumlah
pemeriksaan total rata-rata (BPR) dengan rumus:

BPR = n + (1 – Pa )( N – n ) ..... (50)

Perencanaan PCTK.

Tabel PCTK Dodge Romig dapat dilihat pada Tabel 6.15 sampai Tabel 6.19. Pada
seri Dodge Romig asli tabel- tabel dibuat untuk PCTK 0,5% , 1% , 2% , 3% , 4% , 5% ,
7% dan 10%. Pada buku ini dibuat hanya PCTK 1% , 2% , dan 5%.

Perencanaan sampling metode Dodge Romig menggunakan tabel berorientasi

PCTK dapat dijelaskan sebagai berikut :

Suatu populasi berjumlah 4000 akan dirancang sampling ganda untuk PCTK =
1%. Bila rata –rata proses 0,8% , tentukan n1, c1, n2 dan c2 .

120
 Dari Tabel 6.19 pada baris (ukuran kotak 3001 – 4000) dan kolom rata-rata
proses (0,011 – 0,10%) dapat ditentukan n1 = 275 ; c1 =0 dan n2 = 305; c2 = 2 serta
BKRK = 0,22%.

6.2 Sampling Penerimaan Variabel

Perencanaan ini umumnya didasarkan pada nilai rata-rata variabel sampel dan
standard deviasi karakteristik kualitas. Distribusi karakteristik kualitas ini yang akan
dibandingkan dengan kriteria. Hasil perbandingannya yang akan menentukan apakah
sampel diterima atau ditolak.

6.2.1 Kelebihan Dan Kekurangan Sampling Variabel

Kelebihan dari sampling variabel adalah ; untuk membuat kurva karakteristik

opreasi (KO) yang sama diperlukan lebih sedikit sampel bila dibandingkan dengan
sampling sifat, yang menyebabkan biaya pemeriksaan lebih kecil, walaupun biaya
untuk tiap sampling variabel lebih mahal, dan ini sangat bermanfaat bila pengujian
yang dilakukan adalah pengujian merusak.

Kelebihan kedua dari sampling ini adalah data pengukurannya biasanya

memberikan informasi yang lebih banyak dibanding sampling sifat. Karena data yang
terkumpul berupa ukuran/karakteristik produk yang bisa lebih menjelaskan tentang
bagaimana proses produksinya berlangsung; sedangkan pada sampling sifat hanya
diketahui cacat atau tidak cacat saja.

Selain kelebihan, sampling variabel juga mempunyai beberapa .kelemahan.

Kelemahan utamanya adalah distribusi karakteristik kualitas harus diketahui;
umumnya dianggap distribusi karakteristik kualitas adalah normal. Jika distribusinya
tidak normal namun dianggap berdistribusi normal, maka mungkin dialami
penyimpangan serius dari risiko menentukan menerima atau menolak kotak.

Kelemahan kedua: jika suatu benda mempunyai 3 karakteristik kualitas, maka

pemeriksaan harus dilakukan terhadap masing masing karakteristik secara terpisah,

121
namun jika menggunakan sampling sifat maka pemeriksaannya hanya dilakukan
sekali saja.

6.2.2 Jenis Perencanaan Sampling

Karakteristik suatu produk ditinjau dari variabel, selalu dikaitkan dengan

spesifikasi, dimana spesifikasi ini bisa batas bawah (Batas Specifikasi Bawah /BSB )
bisa batas atas (Batas Spesifikasi Atas /BSA) atau kedua-duanya. Jika yang digunakan
BSB maka dapat ditunjukan seperti pada Gambar 6.8 bahwa areal yang mengandung
produk yang cacat (p) ada disebelah kiri BSB. Bagian yang cacat (p) merupakan fungsi
dari mean (µ) dan deviasi standar kotak ( σ ). Jika σ diketahui dan diambil sampel dari
populasi untuk menghitung nilai µ, sedemikian rupa sehingga p dapat diterima.

Gambar 6.8 Hubungan antara p, µ dan σ

Ada 2 cara (prosedur) dalam perencanaan sampling variabel

Prosedur 1. Ambil sampel berukuran n, hitung (𝑥̅ ) , hitung Z BSB dengan rumus.

̅ −𝑩𝑺𝑩
𝑿
𝒁𝑩𝑺𝑩 = ............(51)
𝝈

Nilai ZBSB manggambarkan jarak antara 𝑥̅ dan Batas Specifikasi Bawah dalam
unit deviasi standard. Semakin besar nilai ZBSB semakin jauh 𝑥̅ dari BSB berarti
semakin kecil bagian cacat (p). Jika ada suatu nilai kritis p yang tidak boleh dilampaui,

122
dan disimbolkan dengan k, maka kriteria penerimaan dan penolakan kotak dapat
ditulis sebagai :

ZBSB ≥ 𝒌 kotak diterima

ZBSB ≤ k kotak ditolak

Prosedur 2. Langkah awalnya sama dengan prosedur 1 yaitu ambil sampel

berukuran n dan hitung ZBSB sesuai rumus (51). Gunakan nilai ini pada tabel distribusi
normal untuk menentukan luas dibawah curva normal sampai batas Z BSB, yang
̂ . Jika nilai ini melebihi maksimum M yang ditentukan,
merupakan nilai taksiran 𝒑
tolak kotak itu. Jika sebaliknya terima kotak.

Jika batas spesifikasi atas yang digunakan maka rumus (51) dapat ditulis :
̅
𝑩𝑺𝑨−𝑿
𝒁𝑩𝑺𝑨 = (52)
𝝈

Bila Spesifikasi yang diberikan hanya satu saja (BSB atau BSA) bisa digunakan
2 prosedur. Namun jika spasifikasi dua sekaligus hanya bisa digunakan prosedur 2.
Jika deviasi standard populasi tidak diketahui maka bisa didekati dengan defiasi
standard sampel (S) maka variabel ( σ ) pada rumus 51 dan 52 diganti dengan (S)

6.2.3 Merancang Perencanaan Sampling Variabel Dengan Kurva KO Tertentu

Perencanaan sampling variabel dengan metode ini menggunakan Nomografik

seperti terlihat pada Gambar 6.9. Pada gambar ini terlihat skala ordinat di sebelah kiri
gambar yang merupakan skala untuk penentuan persentasi cacat p1 dan p2,
sedangkan di skala ordinat sebelah kanan untuk penentuan probabilita penerimaan
(1 – α ) dan (β). Di tengah nomografik ada dua set garis. Set pertama mengarah
vertikal merupakan garis-garis untuk menentukan ukuran sampel n (dari 5 sampai
1000), dan garis horisontal mengarah kiri atas ke kanan bawah untuk menentukan
nilai k (dari nilai 0 sampai 3,5)

Contoh perencanaan sampling variabel dengan menggunakan nomografik

adalah sebagai berikut : Suatu perusahaan logam menentukan batas bawah dari pelat

123
baja yang dihasilkan adalah 3 mm. Jika 0,5% atau kurang, pelat berada dibawah 3mm
populasi pelat bisa diterima dengan probabilitas penerimaan 0,95. Dan bila 6% atau
lebih pelat berada dibawah batas yang ditentukan akan ditolak, dengan probabilitas
penolakan 0,90.

Dari soal diatas dapat ditentukan p1 = 0,005 dan (1-α ) = 0,95 sedangkan p2 =
0,06 dan β = 1-0,90 = 0,10. Pada nomografik ditarik dua garis; garis pertama
menghubungkan 0,005 di kiri dan 0,95 dikanan, garis kedua menghubungkan 0,06
dikiri dan 0,90 dikanan. Kedua garis itu akan berpotongan tepat pada garis k=2 dan
didekat n=30 (dilihat pada skala dibagian atas nomografik). Ditetapkan n=30 ; k=2.
Selanjutnya diambil 30 sampel, hitung ZBSB dengan rumus (51), dimana standard
deviasi dihitung dari data sampel. Jika ZBSB > 2 kotak/populasi diterima dan jika lebih
kecil dari 2 kotak ditolak. Bila standard deviasi dari populasi pelat sudah diketahui
sebelumnya maka penentuan n dilakukan dengan menarik garis vertikal dari
perpotongan dua garis ke skala n dibawah nomografik, akan diperoleh n=7

124
 Gambar 6.9 Nomografik Untuk Perencanaan Sampling Variabel

Sumber: Montgomery; Pengantar Pengendalian Kualitas Statistik, hal 518

Selain perencanaan sampling variabel menggunakan titik kritis k, sesuai

prosedur 2 penentuan penerimaan atau penolkan kotak/populasi bisa juga
menggunakan kriteria M. Untuk itu dengan menggunakan nilai n dan k yang sudah
diperoleh ( k =2 ; n = 30 ) dapat dihitung nilai M, menggunakan grafik sesuai Gambar
6.10.

125
 Gambar 6.10 Grafik Penentuan M

Sumber: Montgomery; Pengantar Pengendalian Kualitas Statistik, hal 519

Cara penggunaan grafik Gambar 6.10 untuk menentukan nilai M adalah sebagai
berikut . Pertama-tama harus dihitung dulu nilai absis menggunakan nilai k dan n
yang sudah dihitung sebelumnya dengan rumus :

𝑘 √𝑛
1−
(𝑛−1)
Nilai absis = ....... (53)
2

Menggunakan k =2 dan n=30 dapat dihitung nilai absis sebesar 0,31. Dari nilai
0,31 pada absis grafik Gambar 6.10, tarik garis vertikal keatas sampai memotong garis

126
lengkung n = 30, dan dari titik potong tersebut di tarik vertical kekiri pada sumbu M,
maka dapat ditentukan M = 0,028.

Untuk menentukan apakah kotak diterima atau tidak kita menggunakan ZBSB
yang sudah dihitung sebelumnya dan grafik Gambar 6.11. Misalnya hasil hitungan ZBSB
= 2,6 , tarik garis vertical dari n = 30 sampai memotong garis Z = 2,6 kemudian dari
titik potong tersebut tarik garis horisontal ke sumbu p akan diperoleh 𝑝̂ = 0,002 .
karena 𝑝̂ < M maka kotak dapat diterima. Jika sebaliknya maka kotak ditolak.

Gambar 6.11 Penentuan ̂ berdasarkan Z

𝒑
Sumber: Montgomery; Pengantar Pengendalian Kualitas Statistik, hal 520

Jika digunakan BSB dan BSA sekaligus, kemudian diketahui juga p1; (1-α) dan
p2 ; β., gunakan nomografik untuk menentukan n dan k. Tahap berikutnya
menentukan M dengan grafik pada Gambar 6.10. Dari sampel berukuran n diambil
data karakteristik kualitasnya kemudian hitung ZBSB dengan rumus (51) dan Z BSA

dengan rumus (52). Dengan nilai ZBSB dan di plot pada Gambar 6.11 dapat ditentukan

127
𝑝̂ BSB, dari nilai ZBSA diplot pada Gambar 6.11 diperoleh nilai 𝑝̂ BSA . Kotak diterima jika
𝑝̂ BSB + 𝑝̂ BSA≤ 𝑀 dan jika 𝑝̂ BSB + 𝑝̂ BSA ≥ 𝑀 kotak ditolak.

6.2.4 Sampling Standard MIL STD 414 (ANSI / ASQC Z1.9)

Dilihat dari kodenya sampling standard ini termasuk standard militer, namun
banyak digunakan pada produk-produk sipil, khusus untuk sampling variabel.
Variabel utama pada sampling standard ini adalah tingkat kualitas yang diterima
(TKT) dengan interval mulai dari 0,04% sampai 15%. Berbeda dengan standard MIL
STD 105D; pada standard ini ada 5 tingkat pemeriksaan umum dimana tingkat IV
merupakan tingkat pemeriksaan “ normal” dan tingkat V memberikan kurva KO lebih
curam. Jika dikehendaki pengurangan biaya sampling dan jika risiko yang lebih besar;
dapat atau harus diterima maka digunakan tingkat pemeriksaan yang lebih rendah.
Organisasi standard dari sampling penerimaan ini dapat dilihat pada Gambar 6.12.

Gambar 6.12 Organisasi Standard MILSTD 414

Sumber: Montgomery; Pengantar Pengendalian Kualitas Statistik, hal 523

128
a. Penggunaan Tabel

Tabel yang pertama digunakan adalah Tabel 6.20 yang menentukan huruf kode
tergantung dari ukuran kotak dan tingkat pemeriksaan. Setelah memperoleh huruf
kode, penentuan nilai k (prosedur 1) dapat dilakukan menggunakan Tabel 6.21,
dengan terlebih dahulu ditentukan TKT. Pada Tabel 6.21, pemeriksaan normal dilihat
dari atas ke bawah sedangkan untuk pemeriksaan ketat dilihat dari bawah ke atas.
Penentuan nilai M (prosedur 2) dapat dilakukan menggunakan Tabel 6.22.

b. Contoh Penggunaan

Seperti contoh sebelumnya, suatu perusahaan baja menentukan batas bawah

dari pelat baja yang dihasilkan adalah 3 mm. Jika lot yang akan diperiksa berjumlah
500 dan TKT yang ditentukan 1%. Tentukan nilai k dari lot tersebut.

Jika pemeriksaan dimulai dengan tingkat pemeriksaan IV, sesuai Tabel 6.20,
huruf kode adalah I. Untuk penentuan n dan k digunakan Tabel 6.21. Jika digunakan
pemeriksaan normal, ukuran sampel (n) = 25 dan untuk TKT = 1% ditentukan k =
1,85, dan jika digunakan pemeriksaan ketat jumlah n tetap sama 25 namun k = 1,98.

Jika digunakan prosedur 2, maka untuk menentukan nilai M digunakan Tabel

6.22. Dari tabel ini dapat ditentukan untuk huruf kode I ukuran sampel 25 dan untuk
TKT 1% jika tingkat pemeriksaan normal maka nilai M = 2,86 dan jika pemeriksaan
yang dilakukan ketat maka M = 2,00.

129
 Tabel 6.20 Penentuan Huruf Kode Sesuai Ukuran sampel

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 524

Tabel 6.21 Penentuan nilai k

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 525

130
 Tabel 6.22 Penentuan nilai M

Sumber: Montgomery;Pengantar Pengendalian Kualitas Statistik, hal 526

131
 DAFTAR PUSTAKA

1. Douglas,C,Montgomery; Pengntar Pengendalian Kualitas Statistik; Gajah-

Mada University Press, Yogyakarta , 1990.
2. Eugene .[Link], [Link]; Pengendalian Mutu Statistis;
Penerbit Erlangga, Jakarta , 1988.
3. Praptono; Statistika Pengawasan Kualitas; Penerbit Karunika Jakarta,
Universitas Terbuka, 1985.
4. Ronald E Walpole; Raymond H Myers; Ilmu Peluang dan Statistika Untuk
Insinyur dan Ilmuwan ; Penerbit ITB Bandung , 1986.

132