Optimasi Penentuan Level Parameter Proses Pencetakan Rotogravure Menggunakan Metode Taguchi Untuk Menurunkan Persentase Cacat

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  Optimasi Penentuan Level Parameter Proses Pencetakan Rotogravure Menggunakan Metode Taguchi Untuk Menurunkan Persentase Cacat Fajar Panogari Silaban1, Bobby Oedy P. Soepangkat2

  Jurusan Manajemen Industri, Fakultas Bisnis dan Manajemen Teknologi Institut Teknologi Sepuluh Nopember Surabaya

  Jl.Cokroaminoto 12A, Surabaya, 60264 fajarsilaban@gmail.com1, bops_1994@me.its.ac.id2

  ABSTRAK Percetakan Rotogravure merupakan salah satu bagian percetakan dari Direktorat Grafika, yang menggunakan teknologi cetak dengan teknik cetak dalam. Pada bulan Juli sampai Desember 2016 terdapat tiga katagori cacat terbesar yang telah teridentifikasi pada proses pencetakan Rotogravure, yaitu smearing sebesar 43.6%, streaking sebesar 21.7%, dan drying in sebesar 15.7%. Cacat yang terjadi pada hasil cetak diakibatkan dari parameter- parameter proses pencetakan yang tidak tepat. Pada kenyataannya, kecacatan berupa smearing, streaking, dan drying in masih ditemukan meskipun telah diketahui faktor penyebabnya dan masih belum ada penelitian yang dilakukan untuk mengatasi permasalahan cacat pada proses pencetakan Rotogravure. Dengan penelitian ini, diharapkan persentase cacat pada hasil pencetakan dapat diminimalkan. Agar persentase cacat dapat diminimalkan, maka dilakukan suatu penelitian untuk menentukan pengaturan parameter proses yang optimal. Parameter-parameter proses pencetakan yang dijadikan variabel bebas dalam penelitian ini adalah viskositas tinta dengan level-level ((19-21) detik, (22-24) detik, (25-27) detik), kecepatan mesin dengan level-level (80 _{o o o} m/menit, 100 m/menit, 120 m/menit), temperatur drying dengan level-level (40

_{o o o}

  C, 50

  C, 60

  C), serta sudut kemiringan doctor blade dengan level-level (30

C, 45 , 60 ). Rancangan eksperimen ditetapkan dengan

  

₉

₄ menggunakan metode Taguchi berupa orthogonal array L (3 ). Optimasi yang dilakukan menggunakan metode Taguchi data atribut. Hasil penelitian ini menunjukkan bahwa kontribusi variabel-variabel pada variasi produk dari proses pencetakan, yaitu sebesar 8.39% pada variabel viskositas tinta, 7.07% pada variabel kecepatan mesin, 0.75% pada variabel temperatur drying, dan 1.25% pada variabel sudut kemiringan doctor blade. Untuk meminimalkan variasi dari hasil proses pencetakan, maka dipilih level dari setiap variabel, yaitu viskositas tinta pada level 3 yaitu 25 – 27 detik, kecepatan mesin pada level 2 yaitu 100 m/menit, tempearatur drying pada level _{o o} 2 yaitu 50

  C, dan sudut kemiringan doctor blade pada level 2 yaitu 45 . Penurunan persentase cacat yang didapatkan dengan menggunakan pengaturan yang optimal adalah sebesar 12.67%.

  Kata kunci: cacat, orthogonal array, Rotogravure, Taguchi atribut.

A. PENDAHULUAN

  Direktorat Grafika adalah anak perusahaan dari PT. Gudang Garam yang berada di Jawa Timur, dan memproduksi bungkus rokok Gudang Garam diseluruh dunia. Salah satu bagian dari Direktorat Grafika adalah bagian percetakan Rotogravure, yang menggunakan teknologi cetak dengan teknik cetak dalam. Pada proses pencetakan ini digunakan acuan cetak berbentuk silinder yang berputar, dimana gambar pada cetakan tersebut dibuat dengan cara dicukil ataupun diukir.

  Pada bulan Juli sampai dengan Desember 2016, salah satu mesin pada bagian percetakan Rotogravure yaitu mesin BOBST-650 memiliki hasil cacat yang terjadi dari hasil proses pencetakan. Hasil cacat terbesar yang terjadi adalah smearing sebesar 43,6%, streaking sebesar 21,7%, dan drying

  in sebesar 15,7%. Menurut Kiphhan (2001), smearing dan drying in merupakan cacat yang sering

  terjadi pada pencetakan Rotogravure. Kecacatan berupa smearing dan drying in terjadi akibat tidak tepatnya viskositas tinta yang digunakan dan temperatur pada dryer untuk mengeringkan tinta yang telah tercetak. Jika viskositas tinta yang digunakan terlalu kental (tinggi) dan temperatur dryer terlalu panas, maka akan menyebabkan cacat berupa drying in. Smearing terjadi akibat viskositas tinta yang terlalu encer (rendah) dan temperatur dryer tidak cukup panas untuk mengeringkan tinta dan cacat berupa streaking sering terjadi dikarenakan kecepatan mesin yang tidak tepat, sehingga tinta tidak

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  dapat masuk kedalam silinder dengan sempurna dan menyebabkan tinta mengering. Sudut kemiringan

  doctor blade berperan pada proses pengikisan tinta, sehingga jika sudut kemiringan doctor blade tidak tepat maka cacat berupa streaking dan smearing juga dapat terjadi.

  Pada kenyataannya, kecacatan berupa smearing, streaking, dan drying in masih ditemukan di mesin BOBST-650 meskipun telah diketahui faktor penyebab terjadinya kecacatan. Belum adanya penelitian untuk mengatasi ketiga katagori cacat dengan persentase terbesar di mesin BOBST-650. Oleh karena itu, perlu dilakukan penelitian untuk mengurangi kecacatan dengan pengaturan parameter yang tepat untuk mengurangi jumlah cacat.

  Metode Taguchi sangat populer digunakan untuk menyelesaikan permasalahan-permasalahan di dalam bidang teknik produksi. Optimasi pada metode ini menggunakan rancangan eksperimen yang dinamakan orthogonal array dan signal-to-noise ratio, yang digunakan sebagai fungsi objektif untuk dioptimalkan dalam desain eksperimen (Esme, 2009). Dengan adanya penelitian pada percetakan Rotogravure, diharapkan dapat berkontribusi untuk memperbaiki kualitas dari hasil proses pencetakan berupa penurunan persentase cacat dengan menentuan level-level yang tepat pada setiap variabel prosesnya. Rosiawan (2011) dan Permatasari (2014) menggunakan metode Taguchi dengan sampel sebanyak 20, sedangkan pada penelitian ini menggunakan sampel sebanyak 100 agar data bisa dianggap terdistribusi normal (Bhattacharya dan Johnson, 1977).

  Oleh karena itu, maka akan dilakukan penelitian untuk menentukan pengaturan parameter proses pencetakan pada mesin BOBST-650 dengan melakukan suatu optimasi untuk mengurangi jumlah cacat. Pada penelitian ini, variabel-variabel proses yang akan divariasikan adalah viskositas tinta, kecepatan mesin, dan temperatur drying, dan sudut kemiringan doctor blade dengan menggunakan tiga level pada setiap variabel prosesnya sedangkan pada variabel tinta dan silinder tidak dapat dijadikan variabel proses pada penelitian ini dikarenakan keterbatasan wilayah penelitian.

B. METODOLOGI

  1. Metode Taguchi Metode Taguchi dikembangkan oleh Genichi Taguchi, yang digunakan untuk memperbaiki penerapan Total Quality Control di Jepang. Metode Taguchi merupakan sutau metodologi dalam bidang teknik yang bertujuan untuk memperbaiki kualitas produk dan proses dalam waktu yang bersamaan untuk menekan biaya dan sumber daya seminimal mungkin. Menurut Gaspersz (2002), pengendalian kualitas merupakan suatu aktivitas teknik dan manajemen dalam mengukur suatu karakteristik kualitas dari output dan membandingkan hasil pengukuran tersebut dengan spesifikasi

  output yang diinginkan pelanggan, serta mengambil tindakan perbaikan yang tepat apabila ditemukan

  perbedaan antara performansi aktual dan stadar. Menurut Ariani (2004), penggunaan Taguchi off-line efektif untuk perbaikan dalam pembuatan produk serta pengurangan biaya pengembangan produk. Tujuan ini akan dapat tercapai jika organisasi manufaktur mampu mengidentifikasi adanya faktor- faktor yang mempengaruhi karakteristik kualitas dengan menyesuaikan faktor-faktor tersebut pada tingkat atau level yang sesuai.

  2. Signal to Noise Ratio (SNR) untuk Persentase Cacat Karakter kualitas berhubungan dengan proporsi seperti persentase cacat (p) yang dapat bernilai 0 dan 1. Untuk kasus seperti ini, maka nilai terbaik p adalah 0%. Persamaan kerugian adalah sebagai berikut (Belavendram, 1995):

    p

  Kerugian = k (4)

     1 p  

  Dimana k adalah biaya produksi per 1 unit. Fungsi objektif yang harus dimaksimalkan dan diminimalkan adalah:

   

  1  

  η =

  10 log 1 (5)

  10   p

   

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

1 F MSE

  r n _eff

  n eff

   

  (9) Dengan: n eff

  (10)

  c. Interval keyakinan eksperimen konfirmasi Interval keyakinan untuk eksperimen konfirmasi digunakan rumus: CI = _{   , 2 , 1}

  1

   (11)

       

     

     , 2 ,

  Dengan: r = jumlah sampel pada percobaan eksperimen konfirmasi.

  4. ANOVA untuk Data Atribut ANOVA untuk data atribut menggunakan analisis akumulasi atribut. Analisis ini menggunakan variansi dan rasio kontribusi untuk mengetahui faktor-faktor yang signifikan. Pada analisis ini data dibuat secara peringkat atau kategori, misalnya baik, sedang dan buruk. Analisis akumulasi ini berdasarkan distribusi binomial. Dalam distribusi binomial, jika p adalah persentase cacat, maka variansi adalah:

  σ

  2

  = p . (1-p) (12) jadi variansi tergantung pada p. Karena jumlah kuadrat kelas yang berbeda dalam analisis akumulasi akan mempunyai basis yang berbeda, maka penting menormalkan basis ini. Hal ini dapat dilakukan dengan membagi jumlah kuadrat tiap kategori dengan variansinya. Prosedur ini sering disebut sebagai pembobotan (ω), yaitu

  1

  b. Interval keyakinan nilai taksiran rata-rata Interval keyakinan untuk memutuskan rata-rata proses optimum digunakan rumus: CI =

  Fungsi objektif tersebut sering disebut transformasi omega (Ω).

  10

  Ω =

     

     

  1

  1 log

  10

  10 p

  (6) Nilai yang diperoleh dari transformasi omega ini ditransformasikan kembali menjadi rata-rata prediksi persentase cacat, yaitu: p prediksi =

  10

  = nilai pada tabel F dengan derajat bebas dari faktor dan error

  1

  1 _{ } 

  (7)

  3. Interval Keyakinan Menurut Ross (1996), terdapat tiga hal untuk menghitung interval keyakinan, yaitu:

  a. Interval keyakinan level faktor Perumusan interval keyakinan untuk suatu level dari faktor digunakan rumus: CI =

     , 2 ,

  1

  n  

  (8) Dengan: n = jumlah pengamatan MSE = Mean Square Error _{   , 2 , 1} F

1 F MSE

1 F MSE

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  1

  ω = (13)

  2 

  Untuk melakukan ANOVA pada data atribut ada beberapa langkah yang harus dilakukan (Belavendram, 1995): a. Membuat tabel OA beserta hasilnya untuk setiap kategori, misalkan kategori baik dan cacat.

  b. Membuat frekuensi kumulatif dari kategori. Misalkan frekuensi baik = f

  I , dan frekuensi cacat = f

  II , maka frekuensi kumulatif:

  f (I) = f

  I

  (14) f (II) = f I + f

  II (15)

  c. Menghitung bobot tiap kategori:

  2 (

  II ) f

  ω

  I = (16)   f f f

    ( I ) (

  II ) ( I )

  d. Menghitung persentase untuk tiap kategori:

  f f

  I I

  P

  I = =

  (17)

   f f f (II )

  I II f f

II II

  P

  II = =

  (18)

   f f f (II )

  I II

  e. Menghitung total jumlah kuadrat seluruhnya untuk kategori I dan II: SS total = total jumlah kuadrat kategori I dan II (19)

  = f _{( II )} f. Menghitung total jumlah derajat bebas.

  

total = jumlah derajat bebas kelas I (20)

  V = (total banyak pengukuran – 1) . (banyak kelas – 1)

  7

  g. Menghitung SS. Jika terdapat n pengamatan dalam tiap eksperimen L

  8 (2 ), maka akan terdapat 4 n pengamatan tiap level faktor dari 8 n total pengamatan.

  (21) Menghitung derajat bebas faktor:

  A

  V = (banyak kelas – 1) . (banyak level – 1) (22) Untuk faktor yang lain dapat dihitung dengan cara yang sama.

  h. Menghitung jumlah kuadrat kesalahan SS e derajat bebas kesalahan V e . SS e = SS T – (SS A + SS B + SS C + SS D + ...) (23) V e = V total – (V A + V B + V C + V D + ...) (24) i. Menghitung mean of square (MS) faktor.

  (25) j. Menghitung F-ratio. (26) k. Menghitung SSꞌ. (27) l. Menghitung percent contribution (Rho%) faktor. (28) m. Membuat tabel ANOVA data atribut.

  n. Menghitung perkiraan kondisi optimal dan interval keyakinan. o. Menghitung interval keyakinan eksperimen konfirmasi

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

C. HASIL DAN PEMBAHASAN

  Tabel 3. Hasil eksperimen Taguchi dan kumulatif frekuensi

  SS T = f (II) = 900 e.

  a. Mengolah frekuensi kumulatif dari tiap kategori

  Pada Tabel 3 ditunjukkan frekuensi respon baik dan cacat dan frekuensi kumulatif pada hasil eksperimen yang telah dilakukan.

  = =

  A

  SS

  f. Menghitung jumlah kuadrat faktor (SS faktor )

  V T = (total pengamatan – 1) . (banyaknya kategori – 1) = (900 – 1) . (2 – 1) = 899

  Menghitung derajat kebebasan

  d. Menghitung total jumlah kuadrat seluruh kategori

  Eksperimen Variabel Frekuensi Frekuensi Kumulatif A B C D f I f

  = 6,27

  1. Uji ANOVA ANOVA pada metode Taguchi bertujuan untuk mengetahui besarnya kontribusi variabel- variabel proses terhadap variasi produk. Langkah-langkah perhitungan ANOVA data atribut adalah sebagai berikut:

  0,8011 0,1989

  b. Menghitung persentase respon

  Jumlah 721 179 721 900

  9 91 100 9 25-27 120 50 30 98 2 98 100

  40 60 100 2 19-21 100 50 45 85 15 85 100 3 19-21 120 60 60 70 30 70 100 4 22-24 80 50 60 65 35 65 100 5 22-24 100 60 30 89 11 89 100 6 22-24 120 40 45 78 22 78 100 7 25-27 80 60 45 85 15 85 100 8 25-27 100 40 60 91

  1 19-21 80 40 30 60

  II f (I) f (II)

  c. Menghitung bobot tiap katagori

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  = 77,2 Dengan menggunakan cara perhitungan yang sama, maka SS untuk variabel B, C, dan D dapat dihitung. Hasil pehitungan SS untuk variabel B, C, dan D adalah sebagai berikut: SS B = 65,3 SS C = 8,4 SS D = 12,9

  g. Menghitung derajat bebas variabel

  V A = (banyak kelas – 1) . (banyak level – 1) = (2 – 1) . (3 – 1) = 2 Dengan menggunakan cara perhitungan yang sama, maka derajat bebas untuk variabel B, C, dan D dapat dihitung. Hasil pehitungan derajat bebas untuk variabel B, C, dan D adalah sebagai berikut:

  B

  V = 2

  V C = 2

  V D = 2

  h. Menghitung jumlah kuadrat kesalahan (SS e ) dan derajat bebas kesalahan (V e )

  SS e = SS T – (SS A + SS B + SS C + SS D ) = 900 – (77,2 + 65,3 + 8,4 + 12,9) = 736,2 V e = V T – (V A + V B + V C + V D ) = 899 – (2 + 2 + 2 + 2) = 891

i. Menghitung mean of square (MS)

  MS A = = Dengan menggunakan cara perhitungan yang sama, maka MS untuk variabel B, C, dan D dapat dihitung. Hasil perhitungan MS untuk variabel B, C, dan D adalah sebagai berikut: MS B = 32,6 MS C = 4,2 MS D = 6,5 MS e = 0,8

  j. Menghitung nilai F-rasio

  F-rasio A = = Dengan menggunakan cara perhitungan yang sama, maka F-rasio untuk variabel B, C, dan D dapat dihitung. Hasil pehitungan F-ratio untuk variabel B, C, dan D adalah sebagai berikut: F-rasio B = 39,5 F-rasio C = 5,1 F-rasio D = 7,8 F-rasio e = 1

  Menghitung pure sum of squares (SSꞌ) k. SSꞌ A = SS A – (V A . MS e )

  = 77,2 – (2 . 0,8) = 75,5

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  Dengan menggunakan cara perhitungan yang sama, maka SSꞌ untuk variabel B, C, dan D dapat dihitung. Hasil pehitungan SSꞌ untuk variabel B, C, dan D adalah sebagai berikut:

  B

  SSꞌ = 63,6 SSꞌ C = 6,7 SSꞌ D = 11,3 SSꞌ e = 736,2

  Menghitung percent contribution (Rho%) l. Rho% A =

  = = 8,39%

  Dengan menggunakan cara perhitungan yang sama, maka Rho% untuk variabel B, C, dan D dapat dihitung. Hasil pehitungan Rho% untuk variabel B, C, dan D adalah sebagai berikut:

  Rho% B = 7,07% Rho% C = 0,75% Rho% D = 1,25%

  m. Membuat tabel ANOVA data atribut

  Setelah dilakukan perhitungan, maka dibuat tabel ANOVA untuk menggabungkan seluruh perhitungan kedalam tabel tersebut dan mengetahui besarnya kontribusi setiap variabel proses terhadap variasi produk yang ada. Tabel ANOVA data atribut ditunjukkan pada Tabel 4.

  Tabel 4. ANOVA data atribut Variabel SS

  V MS SSꞌ F-rasio Rho (%) A 77.1833 2 38.59165 75.53077 46.70595 8.39% B 65.30037 2 32.65018 63.64783 39.51523 7.07% C 8.39616 2 4.19808 6.743623 5.08077 0.75% D 12.91502 2 6.457512 11.26249 7.815271 1.25% e 736.2051 891 0.826268 736.2051

  1 82.54% ST 900 899 900 100%

  Pada Tabel 4 diketahui nilai persentase kontribusi error sebesar 82.54%. Hal ini menunjukkan beberapa kemungkinan yang perlu diperhatikan, yaitu: Kemungkinan ada faktor lain yang terabaikan dan berpengaruh terhadap respon yang dipilih.

   Pemilihan level dan masing-masing variabel mungkin kurang tepat untuk menghasilkan  pengaruh yang signifikan terhadap respon yang dipilih

  2. Perhitungan SNR Perhitungan SNR untuk variabel viskositas tinta.

  Level 1 : η = -10log

  10 η = -10log

  10 η = -4,03 dB

  Level 2 : η = -5,33 dB Level 3 : η = -10,23 dB Perhitungan SNR untuk variabel kecepatan mesin.

  Level 1 : η = -10log

  10

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  η = -10log

  10 η = -3,68 dB

  Level 2 : η = -8,79 dB Level 3 : η = -6,58 dB Perhitungan SNR untuk variabel temperatur drying.

  Level 1 : η = -10log

  10 η = -10log

  10 η = -5,08

  Level 2 : η = -6,78 Level 3 : η = -6,39 Perhitungan SNR untuk variabel sudut kemiringan doctor blade.

  Level 1 : η = -10log

  10

  10 η = -10log η = -6,68

  Level 2 : η = -6,78 level 3 : η = -4,84 Kombinasi dari variabel-variabel proses yang dapat meminimumkan persentase cacat atau

  3

  2

  2

  2

  kondisi optimal adalah A , B , C , dan D . Selanjutnya dilakukan perhitungan nilai SNR persentase cacat untuk kombinasi variabel-variabel proses A

  3 , B 2 , C 2 , dan D 2 .

• 7,97 Nilai SNR fraction defective untuk rata-rata persentase cacat selanjutnya akan digunakan pada perhitungan perkiraan rata-rata persentase cacat dari hasil optimasi yang dilakukan.

  3. Perkiraan Rata-rata Persentase Cacat Dari Kondisi Optimal dan Interval Keyakinan Menghitung jumlah pengamatan efektif n eff = banyak pengamatan efektif

  N

  =

      1     A B C D

  900

  =

     

  1

  2

  2

  2

  2

  = 100 Rata-rata persentase cacat dari prediksi kondisi optimal

•  - prediksi =  + (Ω A3  ) + (Ω B2  - - ) + (Ω C2  ) + (Ω D2  ) = Ω A3 + Ω B2 + Ω C2 + Ω D2 - 3 .  = -10,23 + (-8,79) + (-6,78) + (-6,78) – 3. (-7,97) = -8,66

  1 prediksi = _ prediksi _

  10 

  1

  10

  = 0,12 = 12% Menghitung interval keyakinan rata-rata persentase cacat dari prediksi kondisi optimal

1 CI = . MSE .. F

  2 ; 891 ; ,

  05 n eff

E-ISSN:2549-1601X

ISSN: 2549-1601

• -0.037 ≤ prediksi ≤ 0,277

  0% ≤ prediksi ≤ 27,7%

  1

  7

  0.07 9 100

  91

  9

  0.09 Jumah 900 835

  65

  0.65 Rata-rata 100 92.78 0.072 0.072

  Setelah didapatkan hasil eksperimen konfirmasi dengan menggunakan pengaturan level parameter yang optimal dari setiap variabel proses, maka dilakukan perhitungan untuk mengetahui apakah hasil optimasi yang diperoleh sesuai dengan hasil eksperimen konfirmasi. Menghitung interval keyakinan rata-rata persentase cacat dari eksperimen konfirmasi.

  CI =   

  , 2 , 1 . .

     

  r n eff 

  0.03 8 100

     

  =

  ) 00583 , 3 ).( .( 82 , 900

  1 100 1 

     

  = ± 0,165 Selanjutnya menghitung batas atas dan batas bawah interval keyakinan rata-rata persentase cacat dari eksperimen konfirmasi.

  konfirmasi – CI ≤ konfirmasi ≤ konfirmasi + CI

  0,072 – 0,165 ≤ konfirmasi ≤ 0,072 + 0,165

  Perbandingan interval keyakinan rata-rata persentase cacat pada proses optimal yang diprediksi dengan interval keyakinan rata-rata persentase cacat pada eksperimen konfirmasi pada penelitian ini dapat dilihat pada Gambar 1.

  93

  3

  89

  97

  1 

  = ±0,157 Jadi, batas atas dan batas bawah interval keyakinan rata-rata persentase cacat dari prediksi kondisi optimal adalah:

  

prediksi – CI ≤ prediksi ≤ prediksi + CI

  0,12 – 0,157 ≤ prediksi ≤ 0,12 + 0,157

  4. Eksperimen Konfirmasi Tabel 5. Hasil eksperimen konfirmasi

  Eksperimen Jumlah Sampel Baik Cacat Persentase Cacat

  1 100 100 2 100

  88

  12

  0.12 3 100

  11

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

  0.11 4 100

  90

  10

  0.1 5 100

  95

  5

  0.05 6 100

  92

  8

  0.08 7 100

  00583 , 3 . . 82 , 100

1 F MSE

• -0,093 ≤ konfirmasi ≤ 0,238 0% ≤ konfirmasi ≤ 23,8%

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017 _{CI prediksi}

ISSN: 2549-1601

  _{(%) 50} CI konfirmasi

  27.7 _{23,8 12 25}

  7.22 Gambar 1. Interval keyakinan rata-rata persentase cacat dari prediksi dan konfirmasi

  Dari perbandingan interval keyakinan yang dilakukan, maka dapat disimpulkan bahwa hasil eksperimen dapat diterapkan dengan pengaturan parameter sebagai berikut:

  3 (25 – 27) detik

  1. Viskositas tinta di level

  2. Kecepatan mesin di level 2 (100 m/menit) o o

  3. Temperatur drying di level 2 (50

  C), dan Sudut kemiringan doctor blade di level 2 (45 )

  D. KESIMPULAN

  Berdasarkan hasil analisis dan pengolahan data yang telah dilakukan, maka dapat diambil kesimpulan dari penelitian ini yaitu sebagai berikut:

  1. Besar kontribusi dari variabel proses yang berpengaruh terhadap total variasi dari hasil pencetakan adalah sebagai berikut: a. Viskositas tinta sebesar 8,39%

  b. Kecepatan mesin sebesar 7,07%

  c. Temperatur drying sebesar 0,75%

  d. Sudut kemiringan doctor blade sebesar 1,25%

  2. Pengaturan level-level dari variabel-variabel proses pencetakan yang dapat meminimalkan jumlah cacat adalah sebagai berikut: a. Viskositas tinta sebesar 25 – 27 detik

  b. Kecepatan mesin sebesar 100 m/menit

  o

  c. Temperatur drying pada 50 C

  o

  d. Sudut kemiringan doctor blade sebesar 45 Hasil eksperimen konfirmasi menunjukkan bahwa telah terjadi perbaikan berupa penurunan persentase cacat dari 19,89% menjadi 7,22%.

  E. DAFTAR PUSTAKA

  [1]. Belavendram, N. (1995), Quality by design Taguchi Techniques for Industrial Experiment, Prentice Hall International, London. [2]. Bhattacharrya, G.K., and Johnson, R.A. (1977), Statictical Concepts and Methods, John Wiley, New York. [3]. Esme, U. (2009), “Application Of Taguchi Method for the Optimization of Resistance Spot

  Welding Process,” Arabian Journal For Science And Engineering, Vol. 34, No. 28, hal. 519- 528.

E-ISSN:2549-1601X

  Technology Science and Engineering Journal, Volume 1 No 3 November 2017

ISSN: 2549-1601

  [4]. Kipphan, H. (2001), Handbook of Print Media: Technologies and Production Methods, Heidelberg, Springer, Berlin. [5]. Permatasari, S.R. (2014), Penerapan Metode Six Sigma Dengan Pendekatan Metode Taguchi

  

Untuk Menurunkan Produk Cacat, Industrial Engineering Project, Engineering Faculty, The

University of Brawijaya, Malang.

  [6]. Phadke, M.S. (1989), Quality Engineering Using Robust Design, Prentice Hall, New Jersey. [7]. Rosiawan, M., Alvina, B.D.C., dan Hidayat M.A. (2011), “Optimasi Parameter Vertical

  th

  Injection Moulding Menggunakan Metode Taguchi Untuk Persentase Cacat,” Proceedings 6 National Industrial Engineering Conference (NIEC-6), Universitas Surabaya, Surabaya.

  nd

  [8]. Ross, P.J. (1996), Taguchi Techniques for Quality Engineering, 2 edition, McGraw-Hill, Singapura. [9]. Soejanto, I. (2009), Desain Eksperimen dengan Metode Taguchi, Graha Ilmu, Yogyakarta. [10]. Sudjana. (1995), Desain dan Analisis Eksperimen, PT. Tarsito, Bandung