Failure Mode and Effect Analysis FMEA

b. Mode kegagalan potensial : suatu mode kegagalan adalah kegagalan atau kecacatan apa saja dalam desain atau perubahan –peubahan dalam produk yang menyebabkan produk itu tidak berfungsi sebagai mana seharusnya. Contoh model kegagalan adalah patahretak, meledak , bocor, terlepas. c. Akibat potensial dari mode kegagalan : merupakan dampak yang diakibatkan oleh daerah yang rusak. Jelas bahwa ika mode kegagalan dapat berdampak pada keselamatan atau tidak dipenuhinya persyaratan-persyaratan. Contoh : operasi tidak teratur, tidak terpenuhi tindakan-tidakan pengaturan. d. Rating keparahan severity, merupakan suatu perkiraan yang menyangkut keseriusan dari efek kegagalan potensial pada fungsional produk atau pada saat digunakan oleh pelanggan. Severity dapat menjadi masukan dalam mengurangi efek yang merugikan pada proses secara langsung. Rating keparahan diberi nilai pada skala satu sampai sepuluh, dengan sepuluh dinyatakan sebagai tingkat yang paling parah, dan 1 mengimplikasikan efek yang paling kecilminimal. Adapun tabel rating keparahan severity dapat dilihat pada Tabel 3.2. Tabel 3.2. Rating Severity Efek Rank Kriteria Berbahaya tanpa ada peringatan 10 Kegagalan pada produk hampir dipastikan mengakibatkan bahaya yang sangat tinggi dan bertentengan pada hukum yang berlaku Berbahaya dan ada peringatan 9 Kegagalan pada produk menimbulkan kemungkinan bahaya yang tinggi. Masih didalam hukum yang belaku Sangat tinggi 8 Terjadi downtime dan berdampak pada financialkeuangan. Pengguna tidak puas Tabel 3.2. Rating Severity Lanjutan Tinggi 7 Terjadi downtime pada proses. Pengaruh buruk masalah mempengaruhi kinerjatampilan produk. Pengguna tidak puas Sedang 6 Adanya gangguan pada proses hilir. Produk dalam keadaan aman namun kinerja menurun. Pengguna tidak puas Rendah 5 Dampak akan mempengaruhi keseluruhan proses.Penurunan pada kinerja atau tampilan secara bertahap. Pengguna tidak puas Sangat rendah 4 Proses hilir mungkin dipengaruhi. Pengguna akan mengalami sedikit dampak negatif pada produk Kecil 3 Pengguna mungkin akan memberitahukan efek tapi efek sedikit pada proses dan produk Sangat kecil 2 Tidak ada efek pada hilir proses. Efek dapat diabaikan pada produk Tidak ada 1 Kemungkinan dapat diberitahukan oleh operator proses. Tidak diberitahukan oleh pengguna produk Sumber : Dydem, 2003 e. Rating kejadian occurrence menggambarkan kemungkinan terjadinya mode kegagalan. Frekuensi terjadinya kegagalan dapat diestimasi melalui pengalaman pada proses dan data historis kinerja. Pada data historispengalaman, frekuensi terjadinya kegagalan dapat diestimasi dengan melihat data kegagalan pada proses yang sama. Nilai rating occurence diberikan skala antara 1 sampai 10. Nilai 10 diberikan jika kegagalan yang terjadi memiliki nilai kumulatif yang tinggi atau sangat sering atau selalu terjadi, dan nilai 1 mengimplikasikan situasi yang sangat jarang atau tidak pernah terjadi. Adapun tabel rating kejadian occurrence dapat dilihat pada Tabel 3.3. Tabel 3.3. Rating Occurrence Kemungkinan Rank Kriteria Tingkat kegagalan Sangat tidak mungkin 1 Kegagalan tidak mungkin terjadi 1 dalam 1.000.000 Jarang kemungkinan 2 Kegagalan jarang terjadi 1 dalam 20.000 Sangat kecil kemungkinan 3 Sangat sedikit kegagalan mungkin terjadi 1 dalam 15.000 Kecil kemungkinan 4 Sedikit kegagalan mungkin terjadi 1 dalam 1.000 Cukup rendah kemungkinan 5 Terkadang kegagalan mungkin terjadi 1 dalam 400 Sedang kemungkinan 6 Jumlah kegagalan yang terjadi sedang 1 dalam 80 Cukup tinggi kemungkinan 7 Jumlah kegagal agak tinggi mungkin terjadi 1 dalam 40 Tinggi kemungkinan 8 Jumlah kegagalan yang terjadi tinggi 1 dalam 20 Sangat tinggi kemungkinan 9 Jumlah kegagalan sangat mungkin terjadi 1 dalam 8 Tinggi sekali kemungkinan 10 Kegagalan dapat dipastikan terjadi 1 dalam 2 Sumber : Dydem, 2003 f. Rating deteksi detection, menggambarkan kemungkinan relatif terjadinya kegagalan yang dapat dideteksi melalui kontrol yang tepat seperti inspeksi, pengujian, atau pengendalian proses. Detection diberikan skala nilai dari 1 sampai 10, dimana nilai 10 mengimplikasikan kesulitan dalam pendeteksian, dan nilai 1 mengimplikasikan kepastian pendektesian. Adapun tabel rating deteksi detection dapat dilihat pada Tabel 3.4. g. Tindakan Rekomendasi merupakan masukan ide-ide mengenai peningkatan proses, jika rangking detection tidak memuaskan Tabel 3.4. Rating Detection Deteksi Rank Kriteria Sangat tinggi sekali mungkin 1 Kontrol akan hampir pasti mendeteksi adanya efek Sangat tinggi kemungkinan 2 Kontrol memiliki probabilitas sangat tinggi untuk mendeteksi adanya kegagalan Kemungkinan tinggi 3 Memiliki efektivitas tinggi untuk dideteksi Kemungkinan cukup tinggi 4 Memiliki efektivitas cukup tinggi untuk dideteksi Kemungkinan sedang 5 Memiliki efektivitas sedang untuk dideteksi Kemungkinan agak rendah 6 Memiliki efektivitas cukup rendah untuk dideteksi Kemungkinan rendah 7 Memiliki efektivitas rendah untuk dideteksi Kemungkinan sangat rendah 8 Memiliki efektivitas sangat rendah di setiap kategori yang berlaku Hampir tidak mungkin 9 Kontrol memiliki probabilitas sangat rendah untuk mendeteksi adanya efek Sangat tidak mungkin 10 Kontrol akan hampir pasti tidak mendeteksi adanya efek Sumber : Dydem, 2003 Penerapan FMEA dapat dilakukan dengan langkah-langkah yaitu: 16 1. Defenisikanpastikan item yang diamati. 2. Pastikan fungsikegunaan masing-masing item yang diamati. 3. Identifikasi jenis kesalahan yang mungkin muncul dari tiap item. 4. Tentukan penyebab kesalahan yang muncul dari tiap item. 5. Identifikasi dampak dari tiap kesalahankegagalan yang muncul tanpa mempertimbangkan kontrol yang ada. 16 Dyadem.2003.Guidelines for Failure Mode and Effect Analysis, For Automotive, Aerospace and General manufacturing Industries. CRC Press, Boca Raton London new Uork Washington, D.C. Page 45. 6. Identifikasi dan buat urutan kendali untuk tiap kegagalan yang muncul. 7. Tentukan langkah pencegahan dan langkah yang diusulkan didasarkan pada resiko yang diamati.

3.5.3.4. Eksperimen Faktorial

Eksperimen dengan satu faktor, secara umum dinyatakan dengan perlakuan, yang terdiri atas beberapa taraf. Analisa dilakukan untuk menyelidiki apakah terdapat perbedaan yang berarti mengenai efek rata-rata tiap faktor ataukah tidak. Akan tetapi sering terjadi bahwa kita ingin menyelidiki secara bersamaan efek beberapa faktor yang berlainan, misalnya efek perubahan temperatur, tekanan, dan konsentrasi zat reaksi. Dalam hal ini tiap perlakuan merupakan kombinasi perlakuan. Jika semua atau hampir semua kombinasi antara taraf setiap faktor kita perhatikan, maka eksperimen yang terjadi karenanya dinamakan eksperimen faktorial. Dikatakan dengan cara lain, eksperimen faktorial adalah eksperimen yang semua hampir semua taraf sebuah faktor tertentu dikombinasikan atau disilangkan dengan semua hampir semua taraf tiap faktor lainnya yang ada dalam eksperimen itu. 1. Model Acak Desain Eksperimen Faktorial a x b x c 17 Apabila eksperimen factorial ini meliputi 3 buah faktor. Namakanlah faktor-faktor itu A,B dan C masing – masing dengan menggunakan desain acak sempurna, dalam tiap kombinasi perlakuan terdapat n buah unit eksperimen atau 17 Sudjana, Prof, Dr. M.A, Msc, Desain Eksperimen, Penerbit Tarsito Bandung, 1980, hal 87-108 observasi, maka model linier yang tepat untuk desain eksperimen factorial a x b x c ini adalah: Dengan: i = 1,2,…..a J = 1,2,…..b k = 1,2…..c l = 1,2,….n Yijkl = variabel respon hasil observasi ke-l yang terjadi karena pengaruh bersama taraf ke-i faktor A, taraf ke-j faktor B, dan taraf ke-k faktor C. μ = rata-rata yang sebenarnya berharga konstan Ai = efek taraf ke-i faktor A Bj = efek taraf ke-j faktor B Ck = efek taraf ke-k faktor C ABij = efek interaksi antara taraf ke-i faktor A dan taraf ke-j faktor B ACik = efek interaksi antara taraf ke-i faktor A dan taraf ke-k faktor C BCjk = efek interaksi antara taraf ke-j faktor B dan taraf ke-k faktor C ABCijk = efek terhadap variabel respon yang disebabkan oleh interaksi antar taraf ke-i faktor A, taraf ke-j faktor B, dan taraf ke-k faktor C εlijk = efek unit eksperimen ke l dikarenakan oleh kombinasi perlakuan Seperti biasanya diasumsikan εlijk Untuk keperluan ANAVA, maka jumlah kuadrat-kuadrat ∑Y 2 dan R y dihitung dengan serupa seperti dalam hal untuk dua faktor, ialah : ∑Y 2 = Dan R Y = Jumlah kuadrat-kuadrat lainnya yang diperlukan akan mudah dapat dihitung apabila data hasil observasi dipecah dan disusun dalam beberapa buah daftar, ialah : daftar a x b x c, daftar a x b, daftar a x c dan daftar b x c J a b c = jumlah kuadrat-kuadrat antara sel untuk daftar a x b x c = Dengan J i j k = elemen dalam sel ijk dari daftar a x b x c = J a b = jumlah kuadrat-kuadrat antara sel untuk daftar a x b = J a c = jumlah kuadrat-kuadrat antara sel untuk daftar a x b = Dengan J i k = elemen dalam sel ik dari daftar a x c = Dengan J b c = jumlah kuadrat-kuadrat antara sel untuk daftar b x c = Dengan J j k = elemen dalam sel jk dari daftar b x c = A y = Dengan A i = jumlah semua nilai observasi untuk taraf ke-i faktor A;. = Dengan J i j = elemen dalam sel ij dari daftar a x b