Sumber: Edward G. Schilling 2008
Gambar 3.5. Prosedur dari Double Sampling
3.7. Pengukuran Performansi Double Sampling
9
Pengukuran Pengukuran performansi dari double sampling dapat dilihat pada Tabel
3.4.
Tabel 3.4. Rumus Performansi Double Sampling
Rumus P
a
, dimana
P
ai
adalah
P
a
untuk i sampel
∑
− +
=
− +
=
1 1
2 1
2 1
1 1
1
1 1
1
r a
d
n d
a F
n d
f n
a F
Sumber: Edward G. Schilling 2008
9
Ibid, hlm. 152
Universitas Sumatera Utara
3.8. Pengujian Keseragaman Data
10
Selama melakukan pengukuran, operator mungkin mendapatkan data yang tidak seragam. Untuk itu digunakan alat yang dapat mendeteksinya yaitu peta
kendali. Batas kendali dibentuk dari data yang merupakan batas yang menentukan seragam tidaknya data. Data dikatakan seragam jika berada dalam batas control
dan data dikatakan tidak seragam jika berada diluar batas kontrol. Rumus untukmenghitung keseragaman data dengan tingkat ketelitian 5 dan tingkat
keyakinan 95 adalah :
dimana: : waktu rata-rata
: simpangan baku : Batas Kontrol Atas
: Batas Kontrol Bawah
10
Sutalaksana, Teknik Perancangan Sistem Kerja Bandung:Penerbit ITB, 2005, hlm. 131 – 135.
Universitas Sumatera Utara
3.9. Penentuan Jumlah Sampel Data
11
Penelitian deskriptif umumnya memiliki interval konfidensi, yaitu selang nilai dari rata-rata atau proporsi sampel. Penelitian juga menentukan tingkat
keyakinan 95 atau 99. Dalam menentukan jumlah sampel yang diperlukan, rumus yang digunakan penelitian adalah
Dimana: adalah nilai z yang besarnya tergantung pada tingkat keyakinan dilihat dari
tabel z S = standar deviasi data
W = nilai interval konfidensi
3.10. Selang Kepercayaan
12
Bila dan s adal ah nilai tengah dan simpangan baku sampel berukuran n30, maka selang kepercayaan 1-
α100 bagi µ diberikan oleh rumus
11
Hulley dkk, Designing Clinical Research Philadelphia:Lippincott Williams Wilkins, 2007, hlm.
75 – 76.
12
Walpole, R.E., Pengantar Statistika Jakarta:Gramedia, 1993, hlm. 247
Universitas Sumatera Utara
Dimana: t
α2
= nilai t dengan v = n - 1
3.11. Logika Fuzzy
13
13
Sri Kusumadewi, Hari Purnomo. 2002. Analisis Desain FuzzyMenggunakan Tool. Box Matlab. Yogyakarta: Graha Ilmu. h. 2-3, 17
Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika fuzzy merupakan salah satu metode
untuk melakukan analisa system yang mengandung ketidakpastian. Penerapan logika fuzzy dalam Acceptance sampling adalah untuk membantu menentukan
nilai probabilitas penerimaan dari persentase kecacatan yang terjadi. Dengan melakukan metode fuzzy Acceptance Sampling ini, perusahaan dapat menentukan
estimasi lot yang kemungkinan diterima secara akurat. Terdapat beberapa alasan mengapa orang menggunakan logika fuzzy antara lain :
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
2. Logika fuzzy sangat fleksibel. 3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
4. Logikafuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks.
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
Universitas Sumatera Utara
6. Logikafuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
7. Logika fuzzy didasarkan pada bahasa alami.
3.12. Fuzzy Acceptance Sampling Plan