TI 3221 PENGENDALIAN KUALITAS STATISTIK
TI 3221 PENGENDALIAN KUALITAS STATISTIK TI 3221 PENGENDALIAN KUALITAS STATISTIK
TOPIK 7 PETA KENDALI ATRIBUT PETA KENDALI ATRIBUT LD, Semester II 2003/04 LD, Semester II 2003/04 Hlm. 1
PEMILIHAN PETA KENDALI PEMILIHAN PETA KENDALI
TIPE DATA ATRIBUT
VARIABEL UKURAN SAMPEL UKURAN SAMPEL Proporsi, Rata2 n
n n
unit Tdk n Tdk n ≥ 25 12 < n < 25 n ≤ 12 n =1 Konstan Konstan Konstan Konstan
X X s
X R
X MR
, σ , , , c u np p
LD, Semester II 2003/04 Hlm. 2
- - - LANGKAH LANGKAH LANGKAH LANGKAH PEMBUATAN PETA KENDALI PEMBUATAN PETA KENDALI
1. Tetapkan tujuan & karakteristik kualitas yang akan dikendali
1. Tetapkan tujuan & karakteristik kualitas yang akan dikendali kan kan
2. Tentukan tipe data yang akan digunakan
2. Tentukan tipe data yang akan digunakan Diskrit: counts, proporsi, persentase, dll.
Kontinyu: semua data pengukuran, seperti panjang, volume, kecepatan, dll.
3. Tentukan pendekatan sampling
3. Tentukan pendekatan sampling Tentukan ukuran subgrup rasional: Subgrup harus cukup besar untuk menentukan peluang yang sama untuk item cacat; Tentukan frekuensi sampling (jumlah subgrup): f (tingkat produksi, biaya sampling).
4. Tentukan peta kendali yang sesuai
4. Tentukan peta kendali yang sesuai
Peta p: untuk memetakan proporsi/persentase item cacat; Peta np: untuk memetakan jumlah item cacat (data diskrit); Peta c: untuk memetakan jumlah cacat per unit yang terjadi dalam area peluang yang konstan (data
diskrit);
Peta u: serupa dengan peta c; digunakan untuk memetakan jumlah rata-rata cacat per unit jika area
peluang tidak konstan (data diskrit);
Peta individual: untuk memetakan pengukuran individual (data kontinyu); Peta moving average (MR): untuk memetakan variabilitas proses untuk pengukuran individual (data
kontinyu);
Peta R: untuk memetakan variabilitas proses untuk sampling dengan n>1;
X Peta : untuk memetakan rata-rata proses dari subgrup sampel (data kontinyu);
X Peta EWMA (Exponentially Weighted Moving Average): merupakan alternatif Peta untuk LD, Semester II 2003/04 mendeteksi pergeseran proses yang kecil. Hlm. 3
LANGKAH LANGKAH LANGKAH PEMBUATAN PETA KENDALI LANGKAH PEMBUATAN PETA KENDALI - -
5. Lakukan sampling & pencatatan data pada lembar data yang ses
5. Lakukan sampling & pencatatan data pada lembar data yang ses uai uai
6. Menghitung garis tengah & batas kendali awal
6. Menghitung garis tengah & batas kendali awal
UNTUK PETA p :
n Tanpa p standar (p ): o
D i
∑ p ( 1 p )
− i =
1 Garis Tengah : p = ; maka UCL / LCL = p ±
3 p p g ∗ n n D : Jumlah item cacat yang dite mukan pada sampel − i i
Dengan p standar (p ): o p ( 1 − p ) o o
Garis Tengah : p p sesuai sas aran ; maka UCL / LCL p
3 = = = ± p p o n
7. Koreksi garis tengah & batas kendali
7. Koreksi garis tengah & batas kendali
Untuk peta atribut:
Hilangkan titik di luar batas kendali atas yang dapat diidentifikasi penyebabnya; • Tidak disarankan menghilangkan titik di bawah batas kendali bawah (BKB). •
8. Implementasikan peta kendali, monitor stabilitas proses mela
8. Implementasikan peta kendali, monitor stabilitas proses mela lui peta lui peta kendali; Jika terjadi signal tertentu, ambil tindakan yang perlu . kendali; Jika terjadi signal tertentu, ambil tindakan yang perlu .
9. Hitung ulang garis tengah & batas kendali, jika terjadi peru
9. Hitung ulang garis tengah & batas kendali, jika terjadi peru bahan proses bahan proses secara signifikan. secara signifikan.
JUMP LD, Semester II 2003/04 Hlm. 4
Suplemen KONSEP DALAM SAMPLING KONSEP DALAM SAMPLING Terminologi Sampling Terminologi Sampling Desain sampling: deskripsi prosedur pemilihan observasi dalam suatu sampling.
Populasi : seluruh item penyusun kelompok yang menjadi obyek observasi. Kerangka sampling (sampling frame) : daftar, basis data, atau identifikator lain dari item yang tercakup dalam sampel.Contoh: daftar catatan pengiriman suatu barang.
Unit sampling : Elemen individual atau kumpulan elemen yang tidak overlaping dari populasi. Error dalam sampling ; sumber :
9 Variasi random
9 Mis-spesifikasi dari populasi. Contoh: sampling opini publik
9 Tidak ada respon LD, Semester II 2003/04
Hlm. 5 Tipe Sampel Tipe Sampel
Simple Random Sample Setiap item dalam n populasi mempunyai
N peluang yang sama untuk menjadi sampel.
Sampel Populasi Stratified Random Sample
9 Populasi tersegmentasi menjadi lebih dari satu stratum & setiap item dipilih secara random pada setiap stratum;
9 Setiap item dalam populasi mempunyai peluang (walaupun tidak sama) untuk masuk dalam sampel;
9 Digunakan untuk meredukswi ukuran sampel dalam populasi dengan variansi yang besar;
9 Umum digunakan untuk strategi mereduksi resiko, di mana bobot lebih besar diberikan pada sampel dari strata dengan resiko tertinggi;
Stratum A Stratum A Stratum B Stratum B Stratum C Stratum C Stratum D Stratum D Populasi Stratified Populasi dengan 5 Random Sample segmen LD, Semester II 2003/04 Hlm. 6
Tipe Sampel Tipe Sampel Cluster Sample
Digunakan jika untuk mendapatkan sampel dari seluruh segmen populasi tidak mungkin, misalnya karena faktor geografis.
Stratum A Stratum A Stratum B Stratum C Stratum C Stratum D
Populasi Cluster Sample
Populasi dengan 5 segmen LD, Semester II 2003/04Hlm. 7 Ukuran Sampel Ukuran Sampel
Untuk Data Kontinyu Jika B = batas kesalahan yang dapat diterima, maka
σ B = Z σ = Z
α / 2 x α /
2 n
α/2 α/2
2
2 Z σ /
2 α n =
2 B
B B
µ Contoh: Seorang analis ingin mengestimasi rata-rata diameter bor dari hasil pengecoran. Berdasarkan data historis, disetimasikan bahwa deviasi standar diameter bor = 4,2 mm. Jika diinginkan probabilitas rata-rata diameter bor dalam rentang 0,8 mm, tentukan ukuran sampel yang harus digunakan.
2
2 Z σ α /
2 n
=
2 B
2
2 ( 1 , 96 ) ( 4 ,
2 )
Z1 , 96 maka n 105 , 88 106 = = = ≅
, 025
2 ( , 8 )
LD, Semester II 2003/04 Hlm. 8
Ukuran Sampel Ukuran Sampel Untuk Data Diskrit
Jika B = batas kesalahan yang dapat diterima, maka untuk data diskrit (distribusi binomial), B dirumuskan sbb. p( 1 -p)
Nilai sebenarnya dari p tidak diketahui, B Z σ Z
= = α / 2 x α /
2 diestimasi dari nilai rata-rata p historis. n
Jika rata-rata p historis tidak diketahui,
2 Z p( 1 -p) maka p = 0,5 yang menghasilkan nilai p(1- α/
2 n
= p) maksimum (nilai konservatif).
2 B
Contoh: Untuk membuat pipa karet, pertama-tama batangan karet dipotong menjadi ukuran tertentu.
Potongan tersebut kemudian dilengkungkan membentuk lingkaran & tepinya dilekatkan dengan tekanan dengan temperatur yang tepat. Keterampilan operator dan parameter proses seperti temperatur, tekanan dan ukuran cetakan mempengaruhi produksi pipa karet yang baik. Jika diinginkan dengan probabilitas 90% proporsi pipa karet yang cacat di antara rentang 4%, berapa sampel yang harus digunakan ? .
2 Z p( 1 -p)
2 α/ n =
2 B
1 , 645 ( ,
5 )(
05 ) Z = 1 , 645 maka n = = 422 , 8 ≅ 423,
5
2
( , 04 )LD, Semester II 2003/04 Hlm. 9
CONTOH: Peta Kendali Atribut CONTOH: Peta Kendali Atribut
Untuk mencegah kebocoran pada kemasan minuman kaleng, dilakukan pengendalian terhadap seal kaleng minuman tersebut. Untuk pengendalian tersebut akan dibuat peta kendali dengan data yang telah dikumpulkan dari hasil inspeksi terhadap 30 sampel masing-masing dengan ukuran 50. Buat peta kendali yang diperlukan tersebut.
Data hasil sampling I : Data hasil sampling I :
No Item Proporsi No Item Proporsi
ˆ ˆ ( p ) ( p )
Sampel (i) Cacat (D ) Cacat Sampel (i) Cacat (D ) Cacat i i
1 12 0,24
16
8 0,162 15 0,3
17
10 0,23 8 0,16
18
5 0,14 10 0,2
19
13 0,265 4 0,08
20
11 0,226 7 0,14
21
20 0,47 16 0,32
22
18 0,368 9 0,18
23
24 0,489 14 0,28
24
15 0,310 10 0,2
25
9 0,1811 5 0,1
26
12 0,2412 6 0,12
27
7 0,1413 17 0,34
28
13 0,2614 12 0,24
29
9 0,1815 22 0,44
30
6 0,12Jumlah 347
LD, Semester II 2003/04 Hlm. 10
Peta kendali p : Peta kendali p : TAHAP KONSTRUKSI : Perhitungan-1
30 D i ∑
347 i =
1 Garis Tengah : p , 2313
= = = ( 30 )( 50 ) ( 30 )( 50 ) p (
1 − p ) ( , 2313 )( , 7687 )
- Batas Kendali Atas : = + BKA p 3 = , 2313
3 = , 4102 n 50 p (
1 − p ) ( , 2313 )( , 7687 )
Batas Kendali Bawah : BKB = p −
3 = , 2313 − 3 = , 0524 n
50 Operator
Material
0,5
baru baru
0,45
BKA = 0,4012
0,4 )
0,35 t (p a
0,3 c a
0,25
i C
GT = 0,2313
rs 0,2 0,15 ropo P
0,1
BKB = 0,0524
0,05 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 No Sam pel LD, Semester II 2003/04
Hlm. 11 TAHAP KONSTRUKSI : Perhitungan-2, hilangkan sampel di luar BKA
30 D i ∑
347 i =
1 Garis Tengah : p = = = , 2313
( 30 )( 50 ) ( 30 )( 50 ) p ( 1 p ) ( , 2313 )( , 7687 )
− BKA p 3 , 2313 3 , 4102
Batas Kendali Atas : = = =
n
50 p ( 1 − p ) ( , 2313 )( , 7687 )
Batas Kendali Bawah : BKB = p −
3 = , 2313 − 3 = , 0524 n
50 Random 0,5
Operator Material baru baru
0,4 BKA’ = 2313 acat 0,3 i C s 0,2 GT’ = ropor 0,2313 P 0,1 BKB’ = 0,0524 0,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19
20 21 22 23 24 25 26 27 28 29 30 No Sam pelLD, Semester II 2003/04 Hlm. 12
31 BKA’ = 2313
1200
α
1 Z 05 , H p p H p p
ˆ p ˆ 645 ,
ˆ 1108 , p ˆ , 2150 p p
1669 ,
1200 1400
) 1108 , )( 1200 ( ) 2150 , )( 1400 (
n n p ˆ n p ˆ n pˆ p ˆ Z
ˆ 1 ( p ˆ p
1 n 1 )( p
, 2150 1108 , Z ) n
1
1400 1 )( 8331 , )( 1669 , (
Tolak H proses, rata-rata perubahan h terjadi atau Tela Z Karena Z
10 , 7 )1
) p 1 ( p 3 p 01108 p s kendali. batas-bata ksi ulang an konstru lu dilakuk per
50 ) 8892 , )( 1108 , (
, 3 1108
nHlm. 14 LD, Semester II 2003/04 TAHAP KONSTRUKSI ULANG :
p
ˆ
p ˆ= → − = − = =
) 50 )( 24 ( 133 p
50 ) 8892 , )( 1108 , ( , 3 1108 BKA 1108 ,
50 ) 8892 , )( 1108 , ( , 3 1108 BKB 2440 ,
0224 ,
BKA” = 0,2240
BKB” = 0
GT” = 0,1108BKB’ = 0,0524 GT’ = 0,2313 Material baru Operator baru
Penyesuaian
Mesin2
2
32 0,12
1
α
1 α α
2
: ) Z & n kepercayaa (tingkat penerimaan kriteria Penentuan 2. : proses rata - rata perubahan hipotesis Uji 1.
; BKA/BKB : Tengah Garis : Keputusan 4. ; : p & p , p Estimasi a. : Z n Perhitunga 3.
= =
=
− ± = = → >
1 = = = ± =
2
1
1
2
1
1
2
2
1
1
2
2
1
2
9
6
5
47
4
8
33 0,1
44
45
46
48
6 0,1
IMPLEMENTASI I : 0,0 0,1 0,2 0,3 0,4 0,5 1 2 3 4 5 6 7 8 P 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 No Sampel ro p o rsi C acat
6
35 0,16
5
34 0,08
12
5
- = = =
2
53
37 0,12
4
49
50
51
52
54
38 0,14
44
45
0,06
0,08
0,04
0,12
0,14
0,06
0,12
0,08
0,12
0,1
0,24
0,12
0,18
133 Jumlah D i D i i i
36 0,1
Hlm. 13 LD, Semester II 2003/04 TAHAP
6
3
42 0,1
7
4
43 0,12
3
41 0,06
6
40 0,12
39 0,1
5
6
7
5
6
3
5
6
- = = = = = = → = > =
+
+
=- − =
- − − = =
- - 0224 , BKB 2440 , BKA
Hlm. 15 LD, Semester II 2003/04 D i i D i i D i i
P p BKA p ˆ P β
57 0,02
1 83 0,14
7
69 0,147
56 0,04
2 82 0,06
3
68 0,168
55 p ˆ p
ˆ p ˆ
TAHAP
IMPLEMENTASI II : Hlm. 16 LD, Semester II 2003/04
Peta OC (Operating Characteristics Curve): Probabilitas terjadinya error tipe II (β); Merepresentasikan sensitivitas peta kendali; Digunakan sebagai ukuran kemampuan peta kendali dalam mendeteksi pergeseran (perubahan) pada nilai parameter proses. Contoh 1: UCL p = 0,173 LCL p = 0 CL p = 0,067 n = 50 Peta OC PETA KENDALI ATRIBUT Peta OC PETA KENDALI ATRIBUT
{ } { } { } { }
BKB p n x P p BKA n x P β
BKB p p
ˆ∗ ≤ − ∗ < = ≤ − < = { } { } { } { } { } { }
4 84 0,18
9
70 0,10( ) ( ) ( ) ( ) i 50 i
3 i 50 i i 50 i
8 i 50 i i
50 i
3 i 50 i i 50 i
8 i 50 i
9 ,
1 ,
9 , 1 ,) p ) 1 ( p p 1 ( p P 3 x
P 8 x 35 , P 3 x 65 ,
P 8 x 067 , P 50 x 173 , P 50 x
− = − =
− = − =
× × − × × = − − − = = ≤ − = ≤ = = ≤ − = < =
= × ≤ − = × < = ∑ ∑ ∑ ∑
0,10 p 0,10 p 0,10 p 0,10 p
0,10 p 0,10 p
β5
58 0,08
0,10 218 Jml
4 90 0,16
8
76 0,08
5
81 0,12 6 94 0,06
3
80 0,105
67 0,10
5 93 0,14
7
79 0,105
66 0,16
8 92 0,18
9
78 0,126
65 0,12
6 91 0,22
11
77 0,147
64 0,08
4
6
63 0,08
4 89 0,10
5
75 0,063
62 0,12
6 88 0,06
3
74 0,042
61 0,14
7 87 0,08
4
73 0,105
60 0,06
3 86 0,20
10
72 0,084
59 0,10
5 85 0,12
6
71 0,12β β β
Hlm. 17 LD, Semester II 2003/04 Pendekatan dengan distribusi Poisson: Jika n: besar, p: kecil, np
8
8
50
10 : 9 /105
10 0,10
8
50
40 : 9 /104
11 0,08
8
50
40 : 10 /103
12 0,06
50
20 : 11 /102
5
13 0,10
9
50
20 : 8 /105
14 0,10
9
50
10 : 9 /102
15 0,04
9
50
50 : 9 /103
9 0,04
50
50 : 10 /109
50
20 : 10 /106
50
30 : 8 /104
2 0,08
6
50
30 : 9 /102
3 0,04
6
50
00 : 10 /105
4 0,10
6
3
7
5 0,06
7
50
40 : 8 /102
6 0,04
7
50
50 : 9 /101
7 0,02
7
50
10 : 10 /103
8 0,06
16 0,06
50
20 : 10 /10≤ 5 np = 50 x 0,10 = 5 β = P (x ≤ 8 / np = 5) – P (x ≤ 0 / np = 5)
P( Er ro r t ip e
50
50 : 9 /104
24 0,08
11
50
20 : 10 /103
25 0,06
11
50
30 : 11 /104
90 0,08
Contoh 2: 25 sampel masing-masing berukuran 50 dipilih dari mesin plastic injection molding yang menghasilkan gelas plastik kecil. Jumlah item cacat per sampel dapat dilihat pada tabel berikut. Buat peta kendali yang dapat digunakan untuk memonitor proses dan buat peta OC curve untuk peta kendali tersebut.
I I) Hlm. 18 LD, Semester II 2003/04
0.40 p
23 0,10
0.28
0.20
0.15
0.10
0.09
0.08
1
0.8
0.6
0.4
0.2
β P (x ≤ 0 / p) P (x ≤ 8 / p) p
= 0,932 – 0,007 = 0,925 0,002 0.000 0,002 0,40 0,062 0.000 0,062 0,28 0,333 0.000 0,333 0,20 0,661 0,001 0,662 0,15 0,925 0,007 0,932 0,10 0,949 0,011 0,960 0,09 0,961 0,018 0,979 0,08
11
5
2
10
17 0,04
10
50
40 : 8 /104
18 0,08
18
10
10
9 /10 9 /10
30 : 30 :
50
50
10
19 Drop in pressure 0,20 0,20
50
10 : 9 /1010
50
10 : 10 /104
20 0,08
10
50
30 : 11 /103
21 0,06
11
50
20 : 8 /102
22 0,04
11
1 Catatan p D i i
n
Jam Tgl ii
Pembuatan Peta Kendali p : Pembuatan Peta Kendali p : Perhitungan tahap-1: p = 90 / 1250 = , 072 p (
1 − p ) ( , 072 )( , 928 ) BKA / BKB = p ± 3 = , 072 ±
3 n
50 BKA = , 182 BKB = − , 038 → BKB =
- Rata − rata sampel ke
18 di luar BKA dengan penyebab non random (penurunan temperatu r).
- Keluarkan nilai rata rata sampel ke
18 dari perhitunga n parameter batas kendali.
Perhitungan tahap-2: p = 80 / 1200 = , 067 p (
1 p ) ( , 067 )( , 933 ) −
BKA / BKB p 3 , 067
3 = ± = ± n
50 BKA = , 173 BKB = − , 039 → BKB = LD, Semester II 2003/04
Hlm. 19 Pembuatan Peta OC : Pembuatan Peta OC :
P ( x n BKA p ) P ( x n BKB p ) β = < − ≤
p P(x ≤8|p) P(x ≥0|p) β
= P ( x < 50 x , 173 p ) − P ( x ≤ 50 x p )
0,08 0,979 0,018 0,961
= P ( x < 8 , 65 p ) − P ( x ≤ p )
0,09 0,96 0,011 0,949
= P ( x ≤ 8 p ) − P ( x ≤ p )
0,10 0,932 0,007 0,925 0,15 0,662 0,001 0,661
Dengan pendekatan distribusi Binomial :
0,20 0,333 0,000 0,333
untuk p 0,10 : =
0,28 0,062 0,000 0,062
8 50 i 50 − i
0,30 0,042 0,000 0,042
, 10 , 90 , 9369 β = ( ) ( ) =
∑ i i = 1 0,40 0,002 0,000 0,002
Dengan pendekatan distribusi Poisson :
1 untuk p = 0,10 :
I I e = np = 50 x , 10 =
5 λ 0,8 Tip r
= P(x ≤ 8 np = 5 ) − P(x ≤ np = 5 ) o β
0,6 rr E s = , 932 , 007 = , 925 - a 0,4 ilit b untuk p = 0,08 : a 0,2 rob
= np = 50 x , 08 =
4 λ P
P(x 8 np 4 ) P(x np 4 ) β = ≤ = − ≤ = 0,08 0,09 0,1 0,15 0,2 0,28 0,3 0,4
= , 979 , 018 = - , 961 p Hitung β untuk p yang lain & plot peta vs p.
β LD, Semester II 2003/04
Hlm. 20
Hlm. 21 LD, Semester II 2003/04 β = P (x ≤ 8 / np = 5) –
P (x ≤ 0 / np = 5)
= 0,932 – 0,007 = 0,925 Hlm. 22 LD, Semester II 2003/04
I I
D D i i n n i i
DATA HASIL DATA HASIL
0,015 0,131 0,067 12 180
2 0,018 0,128 0,070 14 200
0,015 0,131 0,111 20 180
8 0,034 0,112 0,063 25 400
7 0,023 0,122 0,072 18 250
6 0,028 0,118 0,067 20 300
5 0,002 0,144 0,067 8 120
4 0,018 0,128 0,085 17 200
3 0,015 0,131 0,056 10 180
1 BKB basis n BKB basis n i i BKA basis n BKA basis n i i p p i i
9
353 4.860
INSPEKSI ITEM CACAT PETA p DENGAN N TIDAK KONSTAN PETA p DENGAN N TIDAK KONSTAN
i i n ) 0726 ,
, 0726 1 ( BKB 0726 , / BKA n ) p
1 ( p BKB p / BKA / 4860 0726 , 353 p
− ± = − ± =
= = : KENDALI BATAS : TENGAH GARIS
9
210
20 0,018 0,128 0,055 11 200
12 0,016 0,129 0,079 15 190
19 0,033 0,113 0,050 19 380
18 0,016 0,129 0,095 18 190
17 0,002 0,144 0,125 15 120
16 0,033 0,112 0,062 24 390
15 0,019 0,126 0,067 14 210
14 0,018 0,128 0,050 10 200
13 0,033 0,113 0,068 26 380
11 0,033 0,113 0,079 30 380
210
10 0,019
0,019
0,126
0,126
0,129
0,129
Σ
27
27
Peta Kendali p dengan n tidak konstan Peta Kendali p dengan n tidak konstan LD, Semester II 2003/04 Hlm. 23
PETA np PETA np Data hasil inspeksi Data hasil inspeksi
I I n n D D i i i i GARIS TENGAH : 1 300
10
p = 184 / 20 = 9 ,
2
2 300
12 BATAS KENDALI : 3 300
8 4 300
9 BKA / BKB = n p ±
3 n p ( 1 − p )
5 300
6 BKA / BKB =
9 , 2 ± 9 ,
2 (
1 − 9 , 2 / 300 )6 300
11 7 300
13 BKA =
18 , 159
8 300
10 BKB = , 241 9 300
8 10 300
9 11 300
6 OUT OUT
12
12 300 300
19
19 13 300
10 14 300
7 Hitung Hitung
ulang BK ulang BK
15 300
8 Peta np Peta np 16 300
4 17 300
11 18 300
10 19 300
6 20 300
7
Σ 6.000 184 LD, Semester II 2003/04
Hlm. 24
PETA c PETA c Digunakan untuk monitoring jumlah cacat dalam sampel dengan ukuran konstan.
Untuk dimensi sampel yang variabel, peta u digunakan untuk memonitor jumlah cacat per unit dimensi sampel. Basis: distribusi Poisson.
Tanpa standar: Garis Tengah = c = ±
Batas Kendali : BKA / BKB c 3 c Dengan standar (c ):
Garis Tengah = c o
Batas Kendali : BKA / BKB = c ± 3 c
o o
LD, Semester II 2003/04 Hlm. 25
PETA c PETA c
I Cacat (c )
I Cacat (c i ) i Untuk mengendalikan kualitas rakitan PCB (printed circuit board),
1
5 dilakukan inspeksi melalui sampling terhadap cacat rakitan untuk
2
4 setiap 100 unit PCB. Hasil inspeksi terhadap 25 sampel yang
3
7 dilakukan secara berturut adalah sebagai berikut.
4
6
5
8 Garis Tengah c 189/25 7,56
= = =
6
5
7
6 Batas Kendali : BKA/BKB c
8
5 OUT OUT
3 c 7,56 3 7,56 = ± = ±
9
9
16
16 BKA 15,809 ; BKB 0,689 = = →
- 10
10
11
9 Hitung Hitung
12
7
ulang BK ulang BK
13
8 Peta c Peta c
14
11
15
9
16
5
17
7
18
6
19
10
20
8
21
9
22
9
23
7
24
5
25
7
Σ 189 LD, Semester II 2003/04
Hlm. 26
PETA OC PETA c & u PETA OC PETA c & u c P(X≤15|c) P(X≤0|c) β Basis: distribusi Poisson.
0,5 1,000 0,607 0,393
Probabilitas Error Tipe II:
1 1,000 0,368 0,632 3 1,000 0,050 0,950 β = P x < BKA c − P x ≤ BKB c c c
{ } { } 5 1,000 0,007 0,993 7 0,998 0,001 0,997 8 0,978 0,000 0,978
Contoh (dari soal terdahulu):
10 0,951 0,000 0,951
Perhitungan Garis Tengah & Batas Kendali final :
12 0,844 0,000 0,844 14 0,669 0,000 0,669 c = ( 16 )/ 24 = - 7 , 208 189
18 0,287 0,000 0,287 BKA/BKB = c ± 3 c = 7 , 208 ±
3 7 , 208 20 0,157 0,000 0,157 BKA = 15 , 262 ; BKB = - , 846 → I e I 0,9 1,0
Perhitungan β (distribusi Poisson): E rr o r T ip 0,8 0,7 0,6
β = P x < BKA c − P x ≤ BKB c
{ c } { c } s b ilit 0,4 a 0,5 β = P x <
1 5 , 262 c − P x ≤ c a 0,3 { } { } P ro b 0,2
β 0,1 = P x ≤
1 5 c − P x ≤ c { } { } 0,0
0,5
1 3 Rata-2 jumlah cacat (c) 5 7 8 10 12 14 18 20 LD, Semester II 2003/04Hlm. 27
DISTRIBUSI POISSON KUMULATIF (1)
LD, Semester II 2003/04 Hlm. 28
DISTRIBUSI POISSON KUMULATIF (2)
LD, Semester II 2003/04 Hlm. 29
PETA DEMERIT PER UNIT PETA DEMERIT PER UNIT Klasifikasi Cacat (ANSI/ASQC A3, 1978) Klasifikasi Cacat (ANSI/ASQC A3, 1978)
Cacat Kelas A – Sangat Serius:
Merupakan cacat yang secara langsung dapat menyebabkan kecelakaan atau kerugian ekonomi yang katastropik. Item tidak dapat atau gagal untuk digunakan.
Cacat Kelas 2 – Serius:
Merupakan cacat yang dapat menyebabkan kecelakaan atau kerugian ekonomi secara signifikan; dapat menyebabkan kegagalan operasi yang serius, mereduksi umur produk & meningkatkan biaya perawatan.
Cacat Kelas 3 – Mayor:
Cacat yang dapat menyebabkan kegagalan fungsi produk atau masalah yang kurang serius dibandingkan kegagalan operasi produk, dapat mereduksi umur produk atau meningkatkan biaya perawatan, atau mempunyai cacat pada finishing, penampilan, atau kualitas kerja produk.
Cacat Kelas 4 – Minor:
Cacat yang terjadi tidak menyebabkan kegagalan fungsi produk; merupakan cacat pada finishing, penampilan, atau kualitas kerja produk.
- = = + D w c w c w c w c ; w bobot cacat berdasarka n kelasnya.
1
1
2
2
3
3
4 4 i Demerit per unit :
D w c w c w c w c
1
1
2
2
3
3
4
4 U = = , U : kombinasi linier dari variabel random Poisson.
n n Garis Tengah peta U : + + + U = w u w u w u w u , u : jumlah rata cacat per unit per kelas cacat.
1
1
2
2
3
3
4
4
2
2
2
2
- w u w u w u w u
1
1
2
2
3
3
4
4 =
σ U n
= ± Batas Kendali : BKA / BK U σ U
LD, Semester II 2003/04 Hlm. 30
1
6 6,2
4 6,0
1
2
5
75
5 7,5
6
2
62
8
10
8
7 0,8