Penelitian statistik bengkel sepeda moto
BAB I
PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang penelitian, identifikasi masalah, tujuan
dan manfaat penelitian, serta batasan dan asumsi masalah.
1.1 Latar Belakang
Statistik mempunyai peran untuk mengubah informasi yang berupa data-data menjadi
sebuah pengetahuan. Secara umum, statistik merupakan disiplin ilmu yang mempelajari metode dan
prosedur pengumpulan, penyajian, analisa, dan penyimpulan suatu data mentah, agar menghasilkan
informasi yang lebih jelas untuk keperluan suatu pendekatan ilmiah.Saat ini statistik berkembang,
merambah ke banyak bidang. Ekonomi, sosial, kesehatan industri pengolahan, pertanian,
eksperimen-eksperimen biologi, fisika dan masih banyak lagi bidang-bidang yang lain. Definisi
statistik pun berubah dari ilmu tentang kependudukan menjadi ilmu tentang bagaimana
merencanakan, mengumpulkan, mengolah, menganalisa, menginterpretasi dan mempresentasikan
data.
Ilmu statistika berperan penting dalam penyelesaian suatu masalah terutama dalam bidang
industri dan manufaktur. Melalui pengumpulan dan analisis data, akan didapatkan faktor yang
menjadi permasalahan dalam perusahaan sehingga perusahaan dapat menangani masalah tersebut
secara tepat dan akurat. Salah satu penggunaan ilmu statistika adalah pada industri otomotif. Pada
pengamatan ini, kami mengambil objek amatan sebuah bengkel sepeda motor di suatu lingkungan
padat penduduk yang memiliki fungsi utama untuk perbaikan sepeda motor. Bengkel yang kami
jadikan objek amatan adalah Bengkel Sepeda Motor AHASS Dealer Putra Merdeka di Jalan
Keputih Timur 100B.
Dalam fungsi utama ini tentunya sebuah bengkel membutuhkan komponen sepeda motor
yang tidak sedikit jumlahnya. Dengan banyaknya jenis dan tipe sepeda motor yang beragam, maka
penting bagi sebuah bengkel untuk memperhatikan jumlah stock komponen sepeda motor sesuai
dengan jenis dan tipenya. Agar tidak terjadi penyimpanan stock yang berlebihan, maka
permasalahan yang kami amati adalah jenis sepeda motor dengan beragam tipenya dan komponen
sepeda motor yang sering mengalami kerusakan sehingga bengkel dapat menyediakan jumlah stock
komponen sepeda motor yang sesuai dengan jenisnya.
1.2 Identifikasi Masalah
Banyaknya tipe sepeda motor serta beragamnya jenis kerusakan yang terjadi adalah suatu
masalah yang harus dihadapi oleh bengkel sepeda motor. Agar suatu bengkel dapat menyimpan
stock komponen sepeda motor yang sesuai dengan tipe sepeda motornya, maka harus ditentukan
terlebih dulu jenis dan tipe sepeda motor apa yang paling sering mengalami kerusakan. Bagaimana
cara menentukan jenis dan tipe sepeda motor yang paling sering mengalami kerusakan?
Setelah menentukan frekuensi kerusakan yang paling sering terjadi diantara jenis dan tipe
motor, dilanjutkan dengan menganalisa komponen apa yang sering mengalami kerusakan agar suatu
bengkel dapat menentukan dengan tepat komponen sepeda motor apa saja yang paling banyak
dibutuhkan. Bagaimana cara mengetahui komponen sepeda motor yang paling banyak dibutuhkan?
1.3 Tujuan dan Manfaat
1.3.1 Tujuan
1.3.1.1 Mengetahui jenis dan tipe sepeda motor yang paling sering mengalami kerusakan
1.3.1.2 Mengetahui komponen sepeda motor apa yang paling sering mengalami kerusakan
1.3.2 Manfaat
1.3.1.1 Manfaat bagi Peneliti
Mengetahui kaedah pengumpulan, pengolahan, dan penyajian data yang benar serta
melihat keadaan real lapangan dalam rangka mengaplikasikan disiplin ilmu Statistik Industri
yang dipelajari.
1.3.1.2 Manfaat bagi Objek Amantan
Dari tujuan yang dipaparkan diatas, manfaat yang dirasakan bengkel sebagai objek
amatan yaitu dapat menyediakan stock komponen sepeda motor jenis apa yang dibutuhkan
lebih banyak.
1.4 Batasan dan Asumsi
1.4.1 Batasan
Batasan dalam pengamatan kami terhadap objek adalah:
1. Waktu pengamatan yaitu pada hari Kamis,7 Mei 2015; Jumat,8 Mei 2015; Sabtu,9
Mei 2015 dan Senin,11 Mei 2015.
2. Jenis motor yang diamati ada tiga yaitu, motor jenis CUB, matic dan sport.
3. Bengkel yang kami jadikan objek amatan adalah Bengkel Sepeda Motor AHASS
Dealer Putra Merdeka di Jalan Keputih Timur 100B.
1.4.2
Asumsi
Diasumsikan bahwa waktu pengamatan selama empat hari dapat merepresentasikan
data yang didapatkan.
BAB II
METODE PENGUMPULAN DATA
Pada bab ini akan dibahas mengenai metode yang digunakan dalam pengumpulan data
pada objek amatan. Data yang digunakan dalam laporan ini adalah data primer dari objek amatan
yaitu Bengkel Ahas Honda Keputih
2.1
Proses Pengumpulan Data
Pada proses pengumpulan data, ada beberapa metode yang digunakan yaitu observasi dan
wawancara. Berikut Flowchart mengenai proses pengumpulan data dalam makalah ini.
Mulai
Menentukan
Objek amatan
Identifikasi Masalah
Rumusan masalah
dan Tujuan
Survey Objek
Amatan
Wawancara
Narasumber
Observasi
Lapangan
Data Primer
(Mentah)
Penyajian Data Statistika
Deskriptif
Arsip
Perusahaan
Selesai
(Gambar 1. Flowchart Pengumpulan Data )
Flowchart diatas menunjukkan langkah-langkah pengumpulan data yang dimulai
dari menentukan objek amantan. Objek amatan disini yaitu Bengkel Ahas Honda Keputih,
Sukolilo, Surabaya. Kemudian setelah objek dapat dipastikan, hal terpenting yang harus
dilakukan yaitu survey lapangan. Langkah ini betujuan untuk memastikan kesediaan
perusahaan yang dituju dan melihat kondisi awal sebagai gambaran umum serta juga dalam
rangka menyepakati waktu wawancara dan observasi yang dilengkapi dengan surat
pengantar dari laboratorium Komputasi Optimasi Industri (KOI) Teknik Industri ITS.
Dalam mendapatkan data primer dari objek amatan dilakukan beberapa metode
yaitu seperti ditunjukkan gambar diatas. Pertama dilakukan pengamatan lansung ke
lapangan sekaligus menyepakati waktu untuk wawancara. Kemudian setelah terdapat
kesepakatan dengan narasumber dilakukan wawancara yang bertujuan mendapatkan data
dari kegiatan industri yang dituju. Dari dua metode tersebut didapatkan data primer yang
kemudian bisa diolah dan disajikan dalam bentuk Stastik Deskriptif, namun jika
dibutuhkan juga bisa menjadi arsip perusahaan. Tujuan akhir dari kegiatan tersebut yaitu
sebagai pertimbangan bagi pemilik perusahaan dalam mengambil keputusan.
2.2
Teknik Sampling
Sesuai proses pengumpulan data yang dilakukan, metode yang digunakan khususnya
observasi memerlukan teknik sampling dalam pengumpulan data. Observasi dilakukan
lansung ke lapangan dalam rentang waktu satu minggu. Dari populasi kendaraan yang
datang ke bengkel dalam rentang waktu tersebut diambil sampel data berupa banyak motor
yang datang dalam waktu yang telah ditentukan. Dalam penentuan waktu pengambilan
data primer juga mempertimbangkan jam kerja seperti jam berangkat kerja, istirahat siang,
dan jam pulang kerja
Secara spesifik dapat dinyatakan bahwa teknik sampling yang digunakan yaitu Quota
Sampling. Teknik sampling ini termasuk jenis pengambilan sampel tanpa acak, yang berarti
setiap populasi tidak mendapat peluang yang sama. Teknik quota sampling yaitu
pengambilan sampling berdasarkan jatah dan pada penlitian ini jatah tersebut mengacu
pada pemilihan waktu pengamatan. Tujuan pengambilan jatah tersebut yaitu untuk
menjamin keterwakilan dari populasi objek amatan. Pengambilan sampling dengan teknik
quota sampling secara saintis kurang objektif, akan tetapi pemilihan teknik tersebut juga
mempertimbangkan keterbatasan sumber daya dari peneliti.
2.3
Data Screening
Penggunaan perangkat lunak minitab, ikuti langkah dibawah ini:
Copy dan paste data ke perangkat lunak minitab
Klik Start pada Menu Bar Select Control Charts Variable Charts for Individuals
Individuals
Pilih variabel terpilih untuk Tes Keseragaman Data, dengan mengklik data yang sudah
ditulis, kemudian Klik select, dan kemudian OK.
Masukan grafis yang dihasilkan dari perangkat lunak untuk mengetahui data yang
termasuk dalam outlier .
2.4
Uji Kecukupan
Tes kecukupan data dihitung menggunakan rumus :
[ ]
z ..s
N '=
x.k
2
Keterangan :
N’
= Jumlah pengamatan harus dilakukan
z
= Tingkat Kepercayaan (confidence level of 95%, z = 1.96)
s
= Standard deviasi data
x
= Rata-rata data setalah uji keseragaman
k
= Tingkat Kesalahan (5%)
Data Pengamatan dianggap cukup representatif dan layak untuk dianalisis jika N > N ' .
Pengumpulan data harus dilakukan sampai kriteria tercapai .
Hasil uji kecukupan disajikan dalam bentuk tabel. Tabel tersebut berisi Rata-rata,
Standard deviasi, N’, dan Informasi lainnya yang dirasa perlu.
BAB III
PROSES DATA
Dalam mengamati suatu objek amatan, hal yang terpenting adalah mencatat semua data
sesuai dengan objek yang ditentukan dan data yang diambil harus akurat, valid, dan tepat. Mulai
dari waktu dan tempat pengambilan data.
3.1 Waktu dan Lokasi Objek Amatan
Waktu
: Kamis, 7 Mei 2015; Jumat,8 Mei 2015; Sabtu, 9 Mei 2015; dan Senin, 11
Mei 2015
Tempat: Bengkel Sepeda Motor AHASS Dealer Putra Merdeka di Jalan Keputih
Timur 100B.
3.2 Tabel Pengamatan
Tabel dibawah ini merupakan jumlah motor per hari berdasarkan jenisnya
Jenis Sepeda Motor
Jumlah
CUB
Sport
Kamis, 7 Mei 2015
25
25
11
61
Jumat, 8 Mei 2015
33
43
7
83
Minggu, 10 Mei 2015
33
42
7
82
Senin, 11 Mei 2015
20
36
3
59
Tabel dibawah ini merupakan jumlah komponen motor yang rusak dan perawatan yang
diberikan dalam 4 hari pengamatan
Waktu Pengamatan
1
2
3
4
N
o
1
2
3
4
5
Hari
Kamis,
7 Mei 2015
Jumat,
8 Mei 2015
Sabtu,
9 Mei 2015
Senin,
11 Mei 2015
Jumlah
Matic
Oli
Karburato
r
Lamp
u
Rem
Busi
Filter
Udara
48
37
8
2
6
7
5
Speed
o
Meter
3
50
48
5
1
6
8
5
3
4
57
69
4
5
6
9
6
3
4
42
42
1
2
5
7
1
3
2
197
196
18
10
23
31
17
12
12
Tune
up
Gea
r
3.3 Uji Kecukupan
Berikut ini akan diberikan contoh perhitungan dari penggunaan rumus uji kecukupan diatas,
misal di dapatkan data :
Z= 1.96 s= 8.08
Sehingga :
x= 20.33
k= 0.05
[
1.96 ..8 .08
N '=
20.33.0.05
N=61
]
2
2
N’ = 242.82 , N’>N sehingga kesimpulannya data tidak cukup
Terdapat beberapa faktor yang mempengaruhi hasil dari perhitungan uji kecukupan
data pada suatu data statistik, seperti terlalu banyaknya variasi data yang ada, sehingga
mempengaruhi persebaran data yang sangat berflukstuasi dan akan sangat berpengaruh pada
hasil perhitungan rata-rata data dan standar deviasi data, karena standar deviasi dan rata-rata
masuk pada rumus hitungan secara langsung sehingga secara tidak langsung variansi data
sangat mempengaruhi hasil dari uji kecukupan data.
3.4 Grafik Minitab
Grafik jumlah kendaraan yang masuk kebengkel pada hari kamis, jumat, sabtu dan senin
I Chart of jumlah
120
UCL=113,9
Individual Value
100
80
_
X=64,3
60
40
20
LCL=14,6
0
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 64,3 UCL sebesar 113,9 dan LCL sebesar 14,6.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Cub yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of cub
60
UCL=53,51
Individual Value
50
40
30
_
X=24,25
20
10
0
LCL=-5,01
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 24,25 UCL sebesar 53,51 dan LCL sebesar -5,01.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Sport yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of sport
20
UCL=17,14
Individual Value
15
10
_
X=6,5
5
0
LCL=-4,14
-5
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 6,5 UCL sebesar 17,14 dan LCL sebesar -4,14.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Metik yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of metik
60
UCL=53,89
Individual Value
50
40
_
X=33,5
30
20
LCL=13,11
10
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 33,5 UCL sebesar 53,89 dan LCL sebesar 13,11.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah ganti oli yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of oli
UCL=101,3
100
80
Individual Value
60
_
X=49
40
20
0
LCL=-3,3
1
2
3
Observation
4
Berdasarkan tabel tersebut didapatkan x sebesar 49 UCL sebesar 101,3 dan LCL sebesar 3,3.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah tune up yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of tune up
UCL=70,53
70
Individual Value
60
_
X=49,25
50
40
30
LCL=27,97
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 49,25 UCL sebesar 70,53 dan LCL sebesar 27,29 .
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian lampu yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of lampu
10,0
UCL=9,59
Individual Value
7,5
5,0
_
X=2,5
2,5
0,0
-2,5
LCL=-4,59
-5,0
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 2,5 UCL sebesar 9,59 dan LCL sebesar 4,59.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian gear yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of gear
7
UCL=6,546
6
5
Individual Value
4
_
X=3
3
2
1
0
LCL=-0,546
1
2
3
Observation
4
Berdasarkan tabel tersebut didapatkan x sebesar 3 UCL sebesar 6,546 dan LCL sebesar 0,546.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah perawatan karburator yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of karburator
12,5
UCL=10,71
Individual Value
10,0
7,5
_
X=4,5
5,0
2,5
0,0
LCL=-1,71
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 4,5 UCL sebesar 10,71 dan LCL sebesar 1,71.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah pergantian busi yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of busi
12
UCL=11,296
11
Individual Value
10
9
_
X=7,75
8
7
6
5
LCL=4,204
4
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 7,75 UCL sebesar 11,296 dan LCL sebesar 14,204.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian speedometer yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of speedometer
3,50
Individual Value
3,25
_
LCL=3
UCL=3
X=3
3,00
2,75
2,50
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan
karena data yang sama tiap harinya.
x sebesar 3 dan dari data tersebut tidak memiliki UCL dan LCL
Grafik jumlah perawatan pada filter udara yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of filter udara
10
UCL=9,57
Individual Value
8
6
_
X=4,25
4
2
0
LCL=-1,07
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 4,25 UCL sebesar 9,57 dan LCL sebesar 1,07.
Berdasarkan tabel tersebut tidak ada data out layer.
3.5 Grafik Data (Bar Chart)
Grafik dibawah menunjukkan jumlah kendaran yang masuk kebengkel berdasarkan jenisnya.
Grafik Jumlah Motor per Jenis
90
83
82
80
70
61
60
59
50
43
40
30
33
36
33
25 25
20
20
11
10
0
42
kamis
7
7
sabtu
jumat
3
senin
GRAFIK MAINTANCE
200
190
180
170
160
150
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0
Senin, 11 Mei 2015
Sabtu, 9 Mei 2015
Jumat, 8 Mei 2015
Kamis, 7 Mei 2015
3.6 Statistik Deskriptif
3.1
3.2 Jumlah
Kendaraa
3.3
n
3.4
3.6 Mean
3.5
3.7 71,2
3.8 Standard
5
3.9 6,51
cub
metik
sport
jumlah
Error
3.10
120
828
5
M
edian
3.12
71,5
M
ode
3.14
andard
Deviation
S
ample
Variance
3.18
K
urtosis
3.20
ewness
3.15
13,0224
165
7
3.17
169,583
333
3
3.19
3.21
0,01
528
266
3
R
3.23
ange
3.24
24
M
3.25
inimum
59
3.26
M
aximum
3.28
S
um
3.30
C
ount
3.43
3.27
83
3.29
285
3.31
4
3.32
M
3.44
M
3.46
St
3.48
edian
3.45
29
ode
3.47
5,85
323
907
8
Sk
3.22
3.13
#N/A
St
3.16
3.11
4
33
andard
Deviation
3.49
S
ample
Variance
3.51
K
urtosis
3.53
3.50
40,9166
666
7
3.52
3,17
833
425
3
Sk
ewness
3.55
6,39661
368
7
3.54
0,50
147
460
3
R
3.56
ange
3.57
13
M
3.58
inimum
20
3.59
M
aximum
3.61
S
um
3.63
C
ount
3.60
33
3.62
111
3.64
4
3.65
3.66
M
3.67
atic
3.33
3.68
3.34
3.70
3.35
C
3.36
ub
3.37
3.39
3.38
M
ean
3.41
andard
Error
3.40
27,75
St
3.42
3,19830
684
3.69
M
3.71
St
3.73
ean
3.72
36,5
andard
Error
3.74
4,13319
892
3
M
3.75
edian
3.76
39
M
ode
3.78
3.77
#N/A
St
3.79
andard
Deviation
3.80
S
ample
Variance
3.82
K
urtosis
3.84
8,26639
784
5
3.81
68,3333
333
3
3.83
0,91302
796
Sk
3.85
ewness
3.86
1,27
462
838
9
R
3.87
M
3.89
M
aximum
3.92
S
um
3.94
C
ount
3.91
ange
3.88
18
inimum
25
3.90
43
3.93
146
3.95
4
3.96
3.115
S
kewness
3.117
R
ange
3.119
M
inimum
3.121
M
aximum
3.123
S
um
3.125
C
ount
S
3.138
3.99
3.101
M
3.142
3.100
3.144
T
ean
3.103
7
S
tandard
Error
3.105
3.104
1,63299
316
2
M
3.106
M
3.108
S
3.110
edian
3.107
7
ode
3.109
7
tandard
Deviation
3.111
S
ample
Variance
3.113
urtosis
K
3,26598
632
4
3.112
10,6666
666
7
3.114
1,5
8
3.120
3
3.122
11
3.124
28
3.126
4
3.139
3.141
M
3.143
S
3.145
ean
3.102
3.118
une up
3.98
port
0
3.127
3.128
3.129
3.130
3.131
3.132
3.133
3.134
3.135
3.136
3.137
3.140
3.97
3.116
86,5
tandard
Error
3.146
36,9605
645
7
M
3.147
M
3.149
S
3.151
edian
3.148
53,5
ode
3.150
#N/A
tandard
Deviatio
n
3.152
S
ample
Varianc
e
3.154
K
urtosis
3.156
kewnes
S
73,9211
291
4
3.153
5464,33
333
3
3.155
3,86429
431
4
3.157
1,95877
s
653
9
3.158
R
ange
3.160
3.159
155
M
3.161
M
aximum
3.164
S
um
3.166
C
ount
3.163
inimum
42
3.162
197
3.165
346
3.167
4
3.168
3.169
O
3.170
li
3.171
3.173
3.172
M
ean
3.175
88,75
S
tandard
Error
3.177
M
3.178
M
3.180
S
3.182
58,5
ode
3.181
S
kewnes
s
3.189
R
3.184
5246,25
3.186
3,45485
433
3
3.188
M
M
aximum
3.195
S
um
3.192
42
3.194
196
3.196
355
3.198
4
3.199
3.200
3.201
3.202
3.203
3.204
3.205
3.206
3.207
3.208
3.209
3.210
3.211
3.212
3.213
3.214
3.215
K
arburato
r
3.216
M
ean
3.218
S
tandard
Error
3.220
M
3.221
M
3.223
4,5
ode
#N/
A
3.224
S
tandard
Deviation
3.226
S
ample
Variance
3.228
urtosis
3.219
3,76
3
8
6
3
edian
3.222
3.217
7
3.190
154
inimum
3.193
72,4310
016
5
1,85285
568
9
ange
3.191
C
ount
#N/A
tandard
Deviatio
n
3.183
S
ample
Varianc
e
3.185
K
urtosis
3.187
3.176
36,2155
008
2
edian
3.179
3.174
3.197
K
3.225
7,52
7
7
2
7
3.227
56,6
6
6
6
7
3.229
3,14
4
2
9
1
3.230
S
kewness
3.232
1,68
7
8
7
8
R
3.233
M
3.235
M
aximum
3.238
S
um
3.240
C
ount
3.237
ange
3.234
17
inimum
1
3.236
18
3.239
28
3.241
4
3.242
3.243
L
3.244
ampu
3.245
3.247
3.246
M
3.248
S
3.250
ean
3.249
4,5
tandard
Error
3.251
2,02
0
7
2
6
M
edian
3.253
ode
3.255
S
tandard
Deviatio
n
3.257
S
ample
Varianc
e
3.259
urtosis
3.252
3,5
M
3.261
S
kewness
3.263
3.265
3.260
0,29
7
3
7
1,09
0
7
3
8
3.264
3.266
1
M
aximum
3.269
S
um
3.271
C
ount
3.268
10
3.270
18
3.272
4
3.273
3.274
3.275
3.276
3.277
3.278
3.279
3.280
3.281
3.282
3.283
3.284
3.285
3.288
3.258
M
3.267
#N/
A
4,04
1
4
5
2
3.262
9
inimum
3.286
3.256
R
ange
3.254
16,3
3
3
3
3
K
6
3.231
R
3.287
em
3.290
3.289
M
ean
3.292
10
S
tandard
Error
3.294
M
3.295
6
M
ode
3.298
3.293
4,33
9
7
3
9
edian
3.296
3.291
3.297
6
S
tandard
Deviatio
n
3.299
8,67
9
4
7
8
3.300
S
ample
Varianc
e
3.302
K
S
kewness
R
ange
3.308
inimum
1,98
2
0
9
4
M
aximum
3.312
S
um
3.314
C
ount
3.309
3.311
23
3.313
40
3.315
4
3.316
3.317
B
3.318
usi
3.319
3.321
3.320
M
ean
3.323
tandard
Error
3.325
M
tandard
3.326
8,5
M
ode
3.329
3.324
5,76
4
4
7
5
edian
3.327
3.322
13,7
5
S
3.328
#N/
A
S
3.333
K
urtosis
S
kewness
3.330
11,5
R
ange
3.339
3.332
3.334
3,90
0
1
2
7
3.335
3.337
2
8
9
5
132,
9
1
6
7
3.307
5
3.310
S
ample
Varianc
e
3.305
18
M
3.331
3.303
3,94
3
4
1
8
3.304
3.306
3.301
75,3
3
3
3
3
urtosis
Deviatio
n
3.336
1,96
9
9
6
3
3.338
24
M
inimum
3.340
7
3.341
M
aximum
3.343
S
um
3.345
C
ount
3.342
31
3.344
55
3.346
4
3.347
3.348
3.349
3.350
3.351
3.352
3.353
3.354
3.355
3.356
3.357
3.358
3.359
3.360
F
3.361
ilter
Udara
3.362
3.363
3.364
M
ean
3.366
7,25
S
tandard
Error
3.368
M
M
S
S
ample
Varianc
e
3.376
3.373
6,84
9
5
7
4
3.375
46,9
1
6
6
7
K
urtosis
3.377
2,53
8
1
5
4
3.378
S
kewness
3.380
3.371
#N/
A
tandard
Deviatio
n
3.374
3.369
5,5
ode
3.372
3.367
3,42
4
7
8
7
edian
3.370
3.365
3.379
1,38
8
6
3
3
R
3.381
M
3.383
M
aximum
3.386
S
um
3.388
C
ount
3.385
ange
3.382
16
inimum
3.384
1
17
3.387
29
3.389
4
3.390
3.393
3.394
3.395
M
ean
3.397
5,2
5
S
tandard
Error
3.399
M
S
peedom
eter
3.392
3.400
3
M
ode
3.402
3
3.403
S
tandard
Deviatio
n
3.405
S
ample
Variance
3.404
3.407
3.408
K
urtosis
4,5
3.406
20,
2
5
4
3.409
S
kewness
3.411
R
ange
3.413
M
inimum
3.415
M
aximum
3.417
S
um
3.419
C
ount
3.410
2
3.412
9
3.414
3
3.416
12
3.418
21
3.420
4
3.421
3.422
3.423
3.424
3.425
3.426
3.427
3.428
3.429
G
3.430
ear
3.431
3.391
3.398
2,2
5
edian
3.401
3.396
3.433
3.432
M
ean
3.435
3.434
5,5
S
3.436
tandard
Error
3.437
2,21
7
3
5
6
M
edian
3.439
4
M
ode
3.441
S
3.443
S
ample
Variance
K
urtosis
S
kewness
ange
3.442
4,43
4
7
1
2
3.444
19,6
6
6
6
7
3.446
3,26
4
5
7
9
3.447
3.449
3.440
4
tandard
Deviatio
n
3.445
3.438
R
3.448
1,71
9
8
6
8
3.450
10
3.451
M
inimum
3.453
M
aximum
3.455
S
um
3.457
C
ount
3.459
3.460
3.461
3.462
3.463
3.464
3.465
3.466
3.467
3.468
3.469
3.470
3.471
3.472
3.473
3.474
3.475
3.476
3.477
3.478
3.479
3.480
3.481
3.482
3.483
3.484
3.485
3.452
2
3.454
12
3.456
22
3.458
4
3.486
3.487
3.488
3.489
BAB IV
ANALISIS DAN INTERPRETASI DATA
3.490 4.1 Analisis Data
3.491
Data yang telah disajikan pada bab sebelumnya mengenai proses data pada Bengkel
Sepeda Motor Ahass, dapat dianalisa bahwa data yang didapatkan pada objek amatan tersebut
hampir mendekati keseragaman. Keseragaman tersebut dapat dilihat pada grafik hasil analisa data
menggunakan aplikasi minitab. Dari grafik tersebut memperlihatkan bahwa data yang didapatkan
berkisar sekitar nilai rata-rata dan tidak melewati garis UCL atau LCL sebagai batas outlayers.
Selain itu data pengamatan yang didapatkan dari beberapa metode pengumpulan data secara teori
belum mencukupi untuk merepresentasikan data secara keseluruhan. Kekurangan jumlah
pengamatan tersebut karena hasil yang didapatkan dari uji keseragaman sangat besar. Oleh karena
itu jumlah pengamatan tidak mungkin dipenuhi karena berbagai faktor, seperti keterbatasan
waktu, sumberdaya, dan tools.
3.492
Uji keseragaman yang telah disinggung pada sub bab 2.3 bertujuan untuk melihat
apakah data yang diambil terdapat nilai outlayer. Uji keseragaman penting untuk dilakukan karena
akan mempermudah proses pengumpulan dan pengolahan data. Pada grafik yang dihasilkan oleh
aplikasi minitab terdapat tiga garis batas, yaitu rata-rata disimbolkan dengan (X), Upper Control
Limit (UCL), dan Lower Control Limit (LCL). Ketiga garis ini merupakan paremeter dalam
Statistical Process Control (SPC). Output dari pengujian ini yaitu menentukan apakah proses
stabil dari waktu ke waktu. Contohnya pada tabel jumlah kendaraan, data tersebut memiliki
X=64.3, UCL=113.9 , dan LCL= 14.6, sedangkan data yang diperoleh hanya berkisar pada titik 55
- 80. Artinya data tersebut berada sekitar rata-rata nilai dan grafiknya tidak menyinggung garis
UCL ataupun LCL. Dengan data yang telah dikumpulkan berkisar antara UCL dan LCL, maka
data tersebut tidak outlayer sehingga tidak terjadi kesalahan dalam pengolahan data untuk
mencapai tujuan penelitian dan data yang didapatkan relatif konstan dari waktu ke waktu.
3.493
Pengujian kecukupan data merupakan salah satu hal penting yang harus dilakakukan
sebelum proses pengumpulan data. Uji kecukupan data dilakukuan untuk mengukur jumlah
pengamatan yang harus dilakukan sehingga data pengamatan dianggap representatif dan layak
dianalisis. Kaedah uji kecukupan data mengacu pada teori GIGO (Gerbage-in Gerbage-Out),
dimana data input menentukan kualitas output sebuah penelitian. Oleh karena itu sebelum
melakukan pengumpulan data diharuskan untuk menguji kecukupan dari data yang diambil.
3.494
Setelah data teruji kecukupan dan keseragamannya kemudian ditampilkan statistika
deskriptif. Tabel statistik deskriptif pada proses data memperlihatkan penjelasan mengenai
deskripsi data yang diambil. Pada tabel tersebut terdapat data-data seperti rata-rata, standard error,
median, standar deviasi, modus, varians, dan lainya. Semua data tersebut bermanfaat bagi
pengelola karena akan membantu dalam perumusan kebijakan
3.495
3.496 4.2 Interpretasi Data
3.497
Proses data dan hasil analisa yang telah dipaparkan sebelumnya dapat dihubungkan
dengan kondisi nyata dalam industri otomotif khusunya pada Bengkel Sepeda Motor Ahass. Data
yang diperoleh bisa menjadi acuan bagi perusahaan dalam hal ini manajer Bengkel Sepeda Motor
Ahass untuk mengambil kebijakan. Data jumlah kendaraan yang masuk, jenis motor, dan
komponen yang rusak merupakan permasalahan perusahaan yang akan terbantu dengan adanya
data dan penyajian data.
3.498 Dengan adanya data jumlah kendaraan yang masuk berdasarkan jenisnya, pihak
manajemen bisa mengantisipasi jumlah teknisi yang ada untuk memenuhi kebutuhan konsumen.
Dari data yang dipaparkan pada grafik jumlah motor perjenis terlihat bahwa jumlah kendaraan
jenis Matic tiap harinya selalu terbesar dibanding jenis motor cub dan sport. Data statistik jumlah
motor jenis matic mempunyai median 39 dan rata-rata 36.5 dengan standar deviasi sebesar 8.26.
Berbeda dengan jenis motor cub dan sport yang intensitasnya lebih kecil dibanding matic. Namun
jenis motor cub dan sport memiliki data terpusat karena jika dilihat motor cub memiliki median
dan rata-rata yang hampir sama yaitu 29 dan 27.75 dengan standar deviasi 6.39, begitu juga motor
sport yang memiliki rata-rata, modus, dan median yang sama yaitu 7 dengan standar deviasi 3.2.
Dengan demikian jelas bahwa intensitas motor jenis matic lebih tinggi namun untuk jumlah motor
jenis cub dan sport memiliki tingkat keseragaman yang tinggi sehingga bisa menjadi patokan
dalam penetapan kerja teknisi dan karyawan.
3.499 Selain itu manajer bengkel juga bisa menyusun waktu kerja dari karyawan melihat
kuantitas motor yang masuk tiap hari. Pada grafik jumlah motor perjenis memperlihatkan bahwa
kecondongan cutumer yaitu intensitas kendaraan yang masuk lebih sering di hari-hari weekend,
dapat dilihat pada Jumat dan Sabtu jumlah kendaraan yang masuk cukup banyak yaitu sekitar 82
dan 83 kendaraan dibandingkan hari kamis yang hanya 63 kendaraan dan hari senin yang hanya
sekitar 59 kendaraan. Oleh karena itu manajer perlu memaksimalkan teknisi dan karyawan untuk
bekerja keras dan memiliki waktu kerja lebih panjang di hari weekend seperti Jumat dan Sabtu.
3.500 Permasalahan terakhir yang dapat dibantu dengan data yang diperoleh yaitu jenis
komponen yang sering rusak pada setiap kendaraan yang masuk. Dengan demikian pihak
manajemen bisa menyediakan stok barang atau komponen yang setiap minggu berpotensi habis
sehingga kebutuhan konsumen terpenuhi dan meminimalisir kendala stok barang di Bengkel
Sepeda Motor Ahass Keputih.
3.501
3.502
3.503
3.504
3.505
3.506
3.507
3.508
3.509
3.510
3.511
3.512
3.513
3.514
3.515
3.516
3.517
BAB V
KESIMPULAN DAN SARAN
3.518 Berdasarkan hasil pengamatan dapat diambil kesimpulan yang dapat membantu
untuk pengambilan langkah sebagai saran. Kesimpulan yang diambil berdasarkan hasil analisa yang
dibahas dalam bab IV.
3.519 5.1 Kesimpulan
3.520 Data yang didapatkan dari Bengkel Sepeda Motor Ahass menunjukkan tingkat
keseragaman yang tinggi sehingga dari waktu ke waktu relatif konstan. Meskipun demikian, jumlah
data masih belum mencukupi untuk merepresentasikan data secara keseluruhan. Ketidakcukupan
jumlah data disebabkan oleh keterbatasan dari peneliti baik dari segi waktu ataupun resources.
Analisis dan interpretasi data menunjukkan bahwa jenis sepeda motor yang paling sering
mengalami kerusakan adalah sepeda motor jenis matic dibandingkan cub dan sport. Sedangkan
Komponen sepeda motor yang paling sering mengalami kerusakan adalah busi.
3.521 5.2 Saran
3.522
3.523
3.524
3.525
3.526
3.527
3.528
3.529
3.530
3.531
3.532
3.533
PENDAHULUAN
Pada bab ini akan dijelaskan mengenai latar belakang penelitian, identifikasi masalah, tujuan
dan manfaat penelitian, serta batasan dan asumsi masalah.
1.1 Latar Belakang
Statistik mempunyai peran untuk mengubah informasi yang berupa data-data menjadi
sebuah pengetahuan. Secara umum, statistik merupakan disiplin ilmu yang mempelajari metode dan
prosedur pengumpulan, penyajian, analisa, dan penyimpulan suatu data mentah, agar menghasilkan
informasi yang lebih jelas untuk keperluan suatu pendekatan ilmiah.Saat ini statistik berkembang,
merambah ke banyak bidang. Ekonomi, sosial, kesehatan industri pengolahan, pertanian,
eksperimen-eksperimen biologi, fisika dan masih banyak lagi bidang-bidang yang lain. Definisi
statistik pun berubah dari ilmu tentang kependudukan menjadi ilmu tentang bagaimana
merencanakan, mengumpulkan, mengolah, menganalisa, menginterpretasi dan mempresentasikan
data.
Ilmu statistika berperan penting dalam penyelesaian suatu masalah terutama dalam bidang
industri dan manufaktur. Melalui pengumpulan dan analisis data, akan didapatkan faktor yang
menjadi permasalahan dalam perusahaan sehingga perusahaan dapat menangani masalah tersebut
secara tepat dan akurat. Salah satu penggunaan ilmu statistika adalah pada industri otomotif. Pada
pengamatan ini, kami mengambil objek amatan sebuah bengkel sepeda motor di suatu lingkungan
padat penduduk yang memiliki fungsi utama untuk perbaikan sepeda motor. Bengkel yang kami
jadikan objek amatan adalah Bengkel Sepeda Motor AHASS Dealer Putra Merdeka di Jalan
Keputih Timur 100B.
Dalam fungsi utama ini tentunya sebuah bengkel membutuhkan komponen sepeda motor
yang tidak sedikit jumlahnya. Dengan banyaknya jenis dan tipe sepeda motor yang beragam, maka
penting bagi sebuah bengkel untuk memperhatikan jumlah stock komponen sepeda motor sesuai
dengan jenis dan tipenya. Agar tidak terjadi penyimpanan stock yang berlebihan, maka
permasalahan yang kami amati adalah jenis sepeda motor dengan beragam tipenya dan komponen
sepeda motor yang sering mengalami kerusakan sehingga bengkel dapat menyediakan jumlah stock
komponen sepeda motor yang sesuai dengan jenisnya.
1.2 Identifikasi Masalah
Banyaknya tipe sepeda motor serta beragamnya jenis kerusakan yang terjadi adalah suatu
masalah yang harus dihadapi oleh bengkel sepeda motor. Agar suatu bengkel dapat menyimpan
stock komponen sepeda motor yang sesuai dengan tipe sepeda motornya, maka harus ditentukan
terlebih dulu jenis dan tipe sepeda motor apa yang paling sering mengalami kerusakan. Bagaimana
cara menentukan jenis dan tipe sepeda motor yang paling sering mengalami kerusakan?
Setelah menentukan frekuensi kerusakan yang paling sering terjadi diantara jenis dan tipe
motor, dilanjutkan dengan menganalisa komponen apa yang sering mengalami kerusakan agar suatu
bengkel dapat menentukan dengan tepat komponen sepeda motor apa saja yang paling banyak
dibutuhkan. Bagaimana cara mengetahui komponen sepeda motor yang paling banyak dibutuhkan?
1.3 Tujuan dan Manfaat
1.3.1 Tujuan
1.3.1.1 Mengetahui jenis dan tipe sepeda motor yang paling sering mengalami kerusakan
1.3.1.2 Mengetahui komponen sepeda motor apa yang paling sering mengalami kerusakan
1.3.2 Manfaat
1.3.1.1 Manfaat bagi Peneliti
Mengetahui kaedah pengumpulan, pengolahan, dan penyajian data yang benar serta
melihat keadaan real lapangan dalam rangka mengaplikasikan disiplin ilmu Statistik Industri
yang dipelajari.
1.3.1.2 Manfaat bagi Objek Amantan
Dari tujuan yang dipaparkan diatas, manfaat yang dirasakan bengkel sebagai objek
amatan yaitu dapat menyediakan stock komponen sepeda motor jenis apa yang dibutuhkan
lebih banyak.
1.4 Batasan dan Asumsi
1.4.1 Batasan
Batasan dalam pengamatan kami terhadap objek adalah:
1. Waktu pengamatan yaitu pada hari Kamis,7 Mei 2015; Jumat,8 Mei 2015; Sabtu,9
Mei 2015 dan Senin,11 Mei 2015.
2. Jenis motor yang diamati ada tiga yaitu, motor jenis CUB, matic dan sport.
3. Bengkel yang kami jadikan objek amatan adalah Bengkel Sepeda Motor AHASS
Dealer Putra Merdeka di Jalan Keputih Timur 100B.
1.4.2
Asumsi
Diasumsikan bahwa waktu pengamatan selama empat hari dapat merepresentasikan
data yang didapatkan.
BAB II
METODE PENGUMPULAN DATA
Pada bab ini akan dibahas mengenai metode yang digunakan dalam pengumpulan data
pada objek amatan. Data yang digunakan dalam laporan ini adalah data primer dari objek amatan
yaitu Bengkel Ahas Honda Keputih
2.1
Proses Pengumpulan Data
Pada proses pengumpulan data, ada beberapa metode yang digunakan yaitu observasi dan
wawancara. Berikut Flowchart mengenai proses pengumpulan data dalam makalah ini.
Mulai
Menentukan
Objek amatan
Identifikasi Masalah
Rumusan masalah
dan Tujuan
Survey Objek
Amatan
Wawancara
Narasumber
Observasi
Lapangan
Data Primer
(Mentah)
Penyajian Data Statistika
Deskriptif
Arsip
Perusahaan
Selesai
(Gambar 1. Flowchart Pengumpulan Data )
Flowchart diatas menunjukkan langkah-langkah pengumpulan data yang dimulai
dari menentukan objek amantan. Objek amatan disini yaitu Bengkel Ahas Honda Keputih,
Sukolilo, Surabaya. Kemudian setelah objek dapat dipastikan, hal terpenting yang harus
dilakukan yaitu survey lapangan. Langkah ini betujuan untuk memastikan kesediaan
perusahaan yang dituju dan melihat kondisi awal sebagai gambaran umum serta juga dalam
rangka menyepakati waktu wawancara dan observasi yang dilengkapi dengan surat
pengantar dari laboratorium Komputasi Optimasi Industri (KOI) Teknik Industri ITS.
Dalam mendapatkan data primer dari objek amatan dilakukan beberapa metode
yaitu seperti ditunjukkan gambar diatas. Pertama dilakukan pengamatan lansung ke
lapangan sekaligus menyepakati waktu untuk wawancara. Kemudian setelah terdapat
kesepakatan dengan narasumber dilakukan wawancara yang bertujuan mendapatkan data
dari kegiatan industri yang dituju. Dari dua metode tersebut didapatkan data primer yang
kemudian bisa diolah dan disajikan dalam bentuk Stastik Deskriptif, namun jika
dibutuhkan juga bisa menjadi arsip perusahaan. Tujuan akhir dari kegiatan tersebut yaitu
sebagai pertimbangan bagi pemilik perusahaan dalam mengambil keputusan.
2.2
Teknik Sampling
Sesuai proses pengumpulan data yang dilakukan, metode yang digunakan khususnya
observasi memerlukan teknik sampling dalam pengumpulan data. Observasi dilakukan
lansung ke lapangan dalam rentang waktu satu minggu. Dari populasi kendaraan yang
datang ke bengkel dalam rentang waktu tersebut diambil sampel data berupa banyak motor
yang datang dalam waktu yang telah ditentukan. Dalam penentuan waktu pengambilan
data primer juga mempertimbangkan jam kerja seperti jam berangkat kerja, istirahat siang,
dan jam pulang kerja
Secara spesifik dapat dinyatakan bahwa teknik sampling yang digunakan yaitu Quota
Sampling. Teknik sampling ini termasuk jenis pengambilan sampel tanpa acak, yang berarti
setiap populasi tidak mendapat peluang yang sama. Teknik quota sampling yaitu
pengambilan sampling berdasarkan jatah dan pada penlitian ini jatah tersebut mengacu
pada pemilihan waktu pengamatan. Tujuan pengambilan jatah tersebut yaitu untuk
menjamin keterwakilan dari populasi objek amatan. Pengambilan sampling dengan teknik
quota sampling secara saintis kurang objektif, akan tetapi pemilihan teknik tersebut juga
mempertimbangkan keterbatasan sumber daya dari peneliti.
2.3
Data Screening
Penggunaan perangkat lunak minitab, ikuti langkah dibawah ini:
Copy dan paste data ke perangkat lunak minitab
Klik Start pada Menu Bar Select Control Charts Variable Charts for Individuals
Individuals
Pilih variabel terpilih untuk Tes Keseragaman Data, dengan mengklik data yang sudah
ditulis, kemudian Klik select, dan kemudian OK.
Masukan grafis yang dihasilkan dari perangkat lunak untuk mengetahui data yang
termasuk dalam outlier .
2.4
Uji Kecukupan
Tes kecukupan data dihitung menggunakan rumus :
[ ]
z ..s
N '=
x.k
2
Keterangan :
N’
= Jumlah pengamatan harus dilakukan
z
= Tingkat Kepercayaan (confidence level of 95%, z = 1.96)
s
= Standard deviasi data
x
= Rata-rata data setalah uji keseragaman
k
= Tingkat Kesalahan (5%)
Data Pengamatan dianggap cukup representatif dan layak untuk dianalisis jika N > N ' .
Pengumpulan data harus dilakukan sampai kriteria tercapai .
Hasil uji kecukupan disajikan dalam bentuk tabel. Tabel tersebut berisi Rata-rata,
Standard deviasi, N’, dan Informasi lainnya yang dirasa perlu.
BAB III
PROSES DATA
Dalam mengamati suatu objek amatan, hal yang terpenting adalah mencatat semua data
sesuai dengan objek yang ditentukan dan data yang diambil harus akurat, valid, dan tepat. Mulai
dari waktu dan tempat pengambilan data.
3.1 Waktu dan Lokasi Objek Amatan
Waktu
: Kamis, 7 Mei 2015; Jumat,8 Mei 2015; Sabtu, 9 Mei 2015; dan Senin, 11
Mei 2015
Tempat: Bengkel Sepeda Motor AHASS Dealer Putra Merdeka di Jalan Keputih
Timur 100B.
3.2 Tabel Pengamatan
Tabel dibawah ini merupakan jumlah motor per hari berdasarkan jenisnya
Jenis Sepeda Motor
Jumlah
CUB
Sport
Kamis, 7 Mei 2015
25
25
11
61
Jumat, 8 Mei 2015
33
43
7
83
Minggu, 10 Mei 2015
33
42
7
82
Senin, 11 Mei 2015
20
36
3
59
Tabel dibawah ini merupakan jumlah komponen motor yang rusak dan perawatan yang
diberikan dalam 4 hari pengamatan
Waktu Pengamatan
1
2
3
4
N
o
1
2
3
4
5
Hari
Kamis,
7 Mei 2015
Jumat,
8 Mei 2015
Sabtu,
9 Mei 2015
Senin,
11 Mei 2015
Jumlah
Matic
Oli
Karburato
r
Lamp
u
Rem
Busi
Filter
Udara
48
37
8
2
6
7
5
Speed
o
Meter
3
50
48
5
1
6
8
5
3
4
57
69
4
5
6
9
6
3
4
42
42
1
2
5
7
1
3
2
197
196
18
10
23
31
17
12
12
Tune
up
Gea
r
3.3 Uji Kecukupan
Berikut ini akan diberikan contoh perhitungan dari penggunaan rumus uji kecukupan diatas,
misal di dapatkan data :
Z= 1.96 s= 8.08
Sehingga :
x= 20.33
k= 0.05
[
1.96 ..8 .08
N '=
20.33.0.05
N=61
]
2
2
N’ = 242.82 , N’>N sehingga kesimpulannya data tidak cukup
Terdapat beberapa faktor yang mempengaruhi hasil dari perhitungan uji kecukupan
data pada suatu data statistik, seperti terlalu banyaknya variasi data yang ada, sehingga
mempengaruhi persebaran data yang sangat berflukstuasi dan akan sangat berpengaruh pada
hasil perhitungan rata-rata data dan standar deviasi data, karena standar deviasi dan rata-rata
masuk pada rumus hitungan secara langsung sehingga secara tidak langsung variansi data
sangat mempengaruhi hasil dari uji kecukupan data.
3.4 Grafik Minitab
Grafik jumlah kendaraan yang masuk kebengkel pada hari kamis, jumat, sabtu dan senin
I Chart of jumlah
120
UCL=113,9
Individual Value
100
80
_
X=64,3
60
40
20
LCL=14,6
0
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 64,3 UCL sebesar 113,9 dan LCL sebesar 14,6.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Cub yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of cub
60
UCL=53,51
Individual Value
50
40
30
_
X=24,25
20
10
0
LCL=-5,01
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 24,25 UCL sebesar 53,51 dan LCL sebesar -5,01.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Sport yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of sport
20
UCL=17,14
Individual Value
15
10
_
X=6,5
5
0
LCL=-4,14
-5
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 6,5 UCL sebesar 17,14 dan LCL sebesar -4,14.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah kendaraan jenis Metik yang masuk pada hari kamis, jumat, sabtu dan senin
I Chart of metik
60
UCL=53,89
Individual Value
50
40
_
X=33,5
30
20
LCL=13,11
10
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 33,5 UCL sebesar 53,89 dan LCL sebesar 13,11.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah ganti oli yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of oli
UCL=101,3
100
80
Individual Value
60
_
X=49
40
20
0
LCL=-3,3
1
2
3
Observation
4
Berdasarkan tabel tersebut didapatkan x sebesar 49 UCL sebesar 101,3 dan LCL sebesar 3,3.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah tune up yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of tune up
UCL=70,53
70
Individual Value
60
_
X=49,25
50
40
30
LCL=27,97
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 49,25 UCL sebesar 70,53 dan LCL sebesar 27,29 .
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian lampu yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of lampu
10,0
UCL=9,59
Individual Value
7,5
5,0
_
X=2,5
2,5
0,0
-2,5
LCL=-4,59
-5,0
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 2,5 UCL sebesar 9,59 dan LCL sebesar 4,59.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian gear yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of gear
7
UCL=6,546
6
5
Individual Value
4
_
X=3
3
2
1
0
LCL=-0,546
1
2
3
Observation
4
Berdasarkan tabel tersebut didapatkan x sebesar 3 UCL sebesar 6,546 dan LCL sebesar 0,546.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah perawatan karburator yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of karburator
12,5
UCL=10,71
Individual Value
10,0
7,5
_
X=4,5
5,0
2,5
0,0
LCL=-1,71
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 4,5 UCL sebesar 10,71 dan LCL sebesar 1,71.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah pergantian busi yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of busi
12
UCL=11,296
11
Individual Value
10
9
_
X=7,75
8
7
6
5
LCL=4,204
4
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 7,75 UCL sebesar 11,296 dan LCL sebesar 14,204.
Berdasarkan tabel tersebut tidak ada data out layer.
Grafik jumlah penggantian speedometer yang dikerjakan pada hari kamis, jumat, sabtu dan senin
I Chart of speedometer
3,50
Individual Value
3,25
_
LCL=3
UCL=3
X=3
3,00
2,75
2,50
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan
karena data yang sama tiap harinya.
x sebesar 3 dan dari data tersebut tidak memiliki UCL dan LCL
Grafik jumlah perawatan pada filter udara yang dilakukan pada hari kamis, jumat, sabtu dan senin
I Chart of filter udara
10
UCL=9,57
Individual Value
8
6
_
X=4,25
4
2
0
LCL=-1,07
1
2
3
4
Observation
Berdasarkan tabel tersebut didapatkan x sebesar 4,25 UCL sebesar 9,57 dan LCL sebesar 1,07.
Berdasarkan tabel tersebut tidak ada data out layer.
3.5 Grafik Data (Bar Chart)
Grafik dibawah menunjukkan jumlah kendaran yang masuk kebengkel berdasarkan jenisnya.
Grafik Jumlah Motor per Jenis
90
83
82
80
70
61
60
59
50
43
40
30
33
36
33
25 25
20
20
11
10
0
42
kamis
7
7
sabtu
jumat
3
senin
GRAFIK MAINTANCE
200
190
180
170
160
150
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0
Senin, 11 Mei 2015
Sabtu, 9 Mei 2015
Jumat, 8 Mei 2015
Kamis, 7 Mei 2015
3.6 Statistik Deskriptif
3.1
3.2 Jumlah
Kendaraa
3.3
n
3.4
3.6 Mean
3.5
3.7 71,2
3.8 Standard
5
3.9 6,51
cub
metik
sport
jumlah
Error
3.10
120
828
5
M
edian
3.12
71,5
M
ode
3.14
andard
Deviation
S
ample
Variance
3.18
K
urtosis
3.20
ewness
3.15
13,0224
165
7
3.17
169,583
333
3
3.19
3.21
0,01
528
266
3
R
3.23
ange
3.24
24
M
3.25
inimum
59
3.26
M
aximum
3.28
S
um
3.30
C
ount
3.43
3.27
83
3.29
285
3.31
4
3.32
M
3.44
M
3.46
St
3.48
edian
3.45
29
ode
3.47
5,85
323
907
8
Sk
3.22
3.13
#N/A
St
3.16
3.11
4
33
andard
Deviation
3.49
S
ample
Variance
3.51
K
urtosis
3.53
3.50
40,9166
666
7
3.52
3,17
833
425
3
Sk
ewness
3.55
6,39661
368
7
3.54
0,50
147
460
3
R
3.56
ange
3.57
13
M
3.58
inimum
20
3.59
M
aximum
3.61
S
um
3.63
C
ount
3.60
33
3.62
111
3.64
4
3.65
3.66
M
3.67
atic
3.33
3.68
3.34
3.70
3.35
C
3.36
ub
3.37
3.39
3.38
M
ean
3.41
andard
Error
3.40
27,75
St
3.42
3,19830
684
3.69
M
3.71
St
3.73
ean
3.72
36,5
andard
Error
3.74
4,13319
892
3
M
3.75
edian
3.76
39
M
ode
3.78
3.77
#N/A
St
3.79
andard
Deviation
3.80
S
ample
Variance
3.82
K
urtosis
3.84
8,26639
784
5
3.81
68,3333
333
3
3.83
0,91302
796
Sk
3.85
ewness
3.86
1,27
462
838
9
R
3.87
M
3.89
M
aximum
3.92
S
um
3.94
C
ount
3.91
ange
3.88
18
inimum
25
3.90
43
3.93
146
3.95
4
3.96
3.115
S
kewness
3.117
R
ange
3.119
M
inimum
3.121
M
aximum
3.123
S
um
3.125
C
ount
S
3.138
3.99
3.101
M
3.142
3.100
3.144
T
ean
3.103
7
S
tandard
Error
3.105
3.104
1,63299
316
2
M
3.106
M
3.108
S
3.110
edian
3.107
7
ode
3.109
7
tandard
Deviation
3.111
S
ample
Variance
3.113
urtosis
K
3,26598
632
4
3.112
10,6666
666
7
3.114
1,5
8
3.120
3
3.122
11
3.124
28
3.126
4
3.139
3.141
M
3.143
S
3.145
ean
3.102
3.118
une up
3.98
port
0
3.127
3.128
3.129
3.130
3.131
3.132
3.133
3.134
3.135
3.136
3.137
3.140
3.97
3.116
86,5
tandard
Error
3.146
36,9605
645
7
M
3.147
M
3.149
S
3.151
edian
3.148
53,5
ode
3.150
#N/A
tandard
Deviatio
n
3.152
S
ample
Varianc
e
3.154
K
urtosis
3.156
kewnes
S
73,9211
291
4
3.153
5464,33
333
3
3.155
3,86429
431
4
3.157
1,95877
s
653
9
3.158
R
ange
3.160
3.159
155
M
3.161
M
aximum
3.164
S
um
3.166
C
ount
3.163
inimum
42
3.162
197
3.165
346
3.167
4
3.168
3.169
O
3.170
li
3.171
3.173
3.172
M
ean
3.175
88,75
S
tandard
Error
3.177
M
3.178
M
3.180
S
3.182
58,5
ode
3.181
S
kewnes
s
3.189
R
3.184
5246,25
3.186
3,45485
433
3
3.188
M
M
aximum
3.195
S
um
3.192
42
3.194
196
3.196
355
3.198
4
3.199
3.200
3.201
3.202
3.203
3.204
3.205
3.206
3.207
3.208
3.209
3.210
3.211
3.212
3.213
3.214
3.215
K
arburato
r
3.216
M
ean
3.218
S
tandard
Error
3.220
M
3.221
M
3.223
4,5
ode
#N/
A
3.224
S
tandard
Deviation
3.226
S
ample
Variance
3.228
urtosis
3.219
3,76
3
8
6
3
edian
3.222
3.217
7
3.190
154
inimum
3.193
72,4310
016
5
1,85285
568
9
ange
3.191
C
ount
#N/A
tandard
Deviatio
n
3.183
S
ample
Varianc
e
3.185
K
urtosis
3.187
3.176
36,2155
008
2
edian
3.179
3.174
3.197
K
3.225
7,52
7
7
2
7
3.227
56,6
6
6
6
7
3.229
3,14
4
2
9
1
3.230
S
kewness
3.232
1,68
7
8
7
8
R
3.233
M
3.235
M
aximum
3.238
S
um
3.240
C
ount
3.237
ange
3.234
17
inimum
1
3.236
18
3.239
28
3.241
4
3.242
3.243
L
3.244
ampu
3.245
3.247
3.246
M
3.248
S
3.250
ean
3.249
4,5
tandard
Error
3.251
2,02
0
7
2
6
M
edian
3.253
ode
3.255
S
tandard
Deviatio
n
3.257
S
ample
Varianc
e
3.259
urtosis
3.252
3,5
M
3.261
S
kewness
3.263
3.265
3.260
0,29
7
3
7
1,09
0
7
3
8
3.264
3.266
1
M
aximum
3.269
S
um
3.271
C
ount
3.268
10
3.270
18
3.272
4
3.273
3.274
3.275
3.276
3.277
3.278
3.279
3.280
3.281
3.282
3.283
3.284
3.285
3.288
3.258
M
3.267
#N/
A
4,04
1
4
5
2
3.262
9
inimum
3.286
3.256
R
ange
3.254
16,3
3
3
3
3
K
6
3.231
R
3.287
em
3.290
3.289
M
ean
3.292
10
S
tandard
Error
3.294
M
3.295
6
M
ode
3.298
3.293
4,33
9
7
3
9
edian
3.296
3.291
3.297
6
S
tandard
Deviatio
n
3.299
8,67
9
4
7
8
3.300
S
ample
Varianc
e
3.302
K
S
kewness
R
ange
3.308
inimum
1,98
2
0
9
4
M
aximum
3.312
S
um
3.314
C
ount
3.309
3.311
23
3.313
40
3.315
4
3.316
3.317
B
3.318
usi
3.319
3.321
3.320
M
ean
3.323
tandard
Error
3.325
M
tandard
3.326
8,5
M
ode
3.329
3.324
5,76
4
4
7
5
edian
3.327
3.322
13,7
5
S
3.328
#N/
A
S
3.333
K
urtosis
S
kewness
3.330
11,5
R
ange
3.339
3.332
3.334
3,90
0
1
2
7
3.335
3.337
2
8
9
5
132,
9
1
6
7
3.307
5
3.310
S
ample
Varianc
e
3.305
18
M
3.331
3.303
3,94
3
4
1
8
3.304
3.306
3.301
75,3
3
3
3
3
urtosis
Deviatio
n
3.336
1,96
9
9
6
3
3.338
24
M
inimum
3.340
7
3.341
M
aximum
3.343
S
um
3.345
C
ount
3.342
31
3.344
55
3.346
4
3.347
3.348
3.349
3.350
3.351
3.352
3.353
3.354
3.355
3.356
3.357
3.358
3.359
3.360
F
3.361
ilter
Udara
3.362
3.363
3.364
M
ean
3.366
7,25
S
tandard
Error
3.368
M
M
S
S
ample
Varianc
e
3.376
3.373
6,84
9
5
7
4
3.375
46,9
1
6
6
7
K
urtosis
3.377
2,53
8
1
5
4
3.378
S
kewness
3.380
3.371
#N/
A
tandard
Deviatio
n
3.374
3.369
5,5
ode
3.372
3.367
3,42
4
7
8
7
edian
3.370
3.365
3.379
1,38
8
6
3
3
R
3.381
M
3.383
M
aximum
3.386
S
um
3.388
C
ount
3.385
ange
3.382
16
inimum
3.384
1
17
3.387
29
3.389
4
3.390
3.393
3.394
3.395
M
ean
3.397
5,2
5
S
tandard
Error
3.399
M
S
peedom
eter
3.392
3.400
3
M
ode
3.402
3
3.403
S
tandard
Deviatio
n
3.405
S
ample
Variance
3.404
3.407
3.408
K
urtosis
4,5
3.406
20,
2
5
4
3.409
S
kewness
3.411
R
ange
3.413
M
inimum
3.415
M
aximum
3.417
S
um
3.419
C
ount
3.410
2
3.412
9
3.414
3
3.416
12
3.418
21
3.420
4
3.421
3.422
3.423
3.424
3.425
3.426
3.427
3.428
3.429
G
3.430
ear
3.431
3.391
3.398
2,2
5
edian
3.401
3.396
3.433
3.432
M
ean
3.435
3.434
5,5
S
3.436
tandard
Error
3.437
2,21
7
3
5
6
M
edian
3.439
4
M
ode
3.441
S
3.443
S
ample
Variance
K
urtosis
S
kewness
ange
3.442
4,43
4
7
1
2
3.444
19,6
6
6
6
7
3.446
3,26
4
5
7
9
3.447
3.449
3.440
4
tandard
Deviatio
n
3.445
3.438
R
3.448
1,71
9
8
6
8
3.450
10
3.451
M
inimum
3.453
M
aximum
3.455
S
um
3.457
C
ount
3.459
3.460
3.461
3.462
3.463
3.464
3.465
3.466
3.467
3.468
3.469
3.470
3.471
3.472
3.473
3.474
3.475
3.476
3.477
3.478
3.479
3.480
3.481
3.482
3.483
3.484
3.485
3.452
2
3.454
12
3.456
22
3.458
4
3.486
3.487
3.488
3.489
BAB IV
ANALISIS DAN INTERPRETASI DATA
3.490 4.1 Analisis Data
3.491
Data yang telah disajikan pada bab sebelumnya mengenai proses data pada Bengkel
Sepeda Motor Ahass, dapat dianalisa bahwa data yang didapatkan pada objek amatan tersebut
hampir mendekati keseragaman. Keseragaman tersebut dapat dilihat pada grafik hasil analisa data
menggunakan aplikasi minitab. Dari grafik tersebut memperlihatkan bahwa data yang didapatkan
berkisar sekitar nilai rata-rata dan tidak melewati garis UCL atau LCL sebagai batas outlayers.
Selain itu data pengamatan yang didapatkan dari beberapa metode pengumpulan data secara teori
belum mencukupi untuk merepresentasikan data secara keseluruhan. Kekurangan jumlah
pengamatan tersebut karena hasil yang didapatkan dari uji keseragaman sangat besar. Oleh karena
itu jumlah pengamatan tidak mungkin dipenuhi karena berbagai faktor, seperti keterbatasan
waktu, sumberdaya, dan tools.
3.492
Uji keseragaman yang telah disinggung pada sub bab 2.3 bertujuan untuk melihat
apakah data yang diambil terdapat nilai outlayer. Uji keseragaman penting untuk dilakukan karena
akan mempermudah proses pengumpulan dan pengolahan data. Pada grafik yang dihasilkan oleh
aplikasi minitab terdapat tiga garis batas, yaitu rata-rata disimbolkan dengan (X), Upper Control
Limit (UCL), dan Lower Control Limit (LCL). Ketiga garis ini merupakan paremeter dalam
Statistical Process Control (SPC). Output dari pengujian ini yaitu menentukan apakah proses
stabil dari waktu ke waktu. Contohnya pada tabel jumlah kendaraan, data tersebut memiliki
X=64.3, UCL=113.9 , dan LCL= 14.6, sedangkan data yang diperoleh hanya berkisar pada titik 55
- 80. Artinya data tersebut berada sekitar rata-rata nilai dan grafiknya tidak menyinggung garis
UCL ataupun LCL. Dengan data yang telah dikumpulkan berkisar antara UCL dan LCL, maka
data tersebut tidak outlayer sehingga tidak terjadi kesalahan dalam pengolahan data untuk
mencapai tujuan penelitian dan data yang didapatkan relatif konstan dari waktu ke waktu.
3.493
Pengujian kecukupan data merupakan salah satu hal penting yang harus dilakakukan
sebelum proses pengumpulan data. Uji kecukupan data dilakukuan untuk mengukur jumlah
pengamatan yang harus dilakukan sehingga data pengamatan dianggap representatif dan layak
dianalisis. Kaedah uji kecukupan data mengacu pada teori GIGO (Gerbage-in Gerbage-Out),
dimana data input menentukan kualitas output sebuah penelitian. Oleh karena itu sebelum
melakukan pengumpulan data diharuskan untuk menguji kecukupan dari data yang diambil.
3.494
Setelah data teruji kecukupan dan keseragamannya kemudian ditampilkan statistika
deskriptif. Tabel statistik deskriptif pada proses data memperlihatkan penjelasan mengenai
deskripsi data yang diambil. Pada tabel tersebut terdapat data-data seperti rata-rata, standard error,
median, standar deviasi, modus, varians, dan lainya. Semua data tersebut bermanfaat bagi
pengelola karena akan membantu dalam perumusan kebijakan
3.495
3.496 4.2 Interpretasi Data
3.497
Proses data dan hasil analisa yang telah dipaparkan sebelumnya dapat dihubungkan
dengan kondisi nyata dalam industri otomotif khusunya pada Bengkel Sepeda Motor Ahass. Data
yang diperoleh bisa menjadi acuan bagi perusahaan dalam hal ini manajer Bengkel Sepeda Motor
Ahass untuk mengambil kebijakan. Data jumlah kendaraan yang masuk, jenis motor, dan
komponen yang rusak merupakan permasalahan perusahaan yang akan terbantu dengan adanya
data dan penyajian data.
3.498 Dengan adanya data jumlah kendaraan yang masuk berdasarkan jenisnya, pihak
manajemen bisa mengantisipasi jumlah teknisi yang ada untuk memenuhi kebutuhan konsumen.
Dari data yang dipaparkan pada grafik jumlah motor perjenis terlihat bahwa jumlah kendaraan
jenis Matic tiap harinya selalu terbesar dibanding jenis motor cub dan sport. Data statistik jumlah
motor jenis matic mempunyai median 39 dan rata-rata 36.5 dengan standar deviasi sebesar 8.26.
Berbeda dengan jenis motor cub dan sport yang intensitasnya lebih kecil dibanding matic. Namun
jenis motor cub dan sport memiliki data terpusat karena jika dilihat motor cub memiliki median
dan rata-rata yang hampir sama yaitu 29 dan 27.75 dengan standar deviasi 6.39, begitu juga motor
sport yang memiliki rata-rata, modus, dan median yang sama yaitu 7 dengan standar deviasi 3.2.
Dengan demikian jelas bahwa intensitas motor jenis matic lebih tinggi namun untuk jumlah motor
jenis cub dan sport memiliki tingkat keseragaman yang tinggi sehingga bisa menjadi patokan
dalam penetapan kerja teknisi dan karyawan.
3.499 Selain itu manajer bengkel juga bisa menyusun waktu kerja dari karyawan melihat
kuantitas motor yang masuk tiap hari. Pada grafik jumlah motor perjenis memperlihatkan bahwa
kecondongan cutumer yaitu intensitas kendaraan yang masuk lebih sering di hari-hari weekend,
dapat dilihat pada Jumat dan Sabtu jumlah kendaraan yang masuk cukup banyak yaitu sekitar 82
dan 83 kendaraan dibandingkan hari kamis yang hanya 63 kendaraan dan hari senin yang hanya
sekitar 59 kendaraan. Oleh karena itu manajer perlu memaksimalkan teknisi dan karyawan untuk
bekerja keras dan memiliki waktu kerja lebih panjang di hari weekend seperti Jumat dan Sabtu.
3.500 Permasalahan terakhir yang dapat dibantu dengan data yang diperoleh yaitu jenis
komponen yang sering rusak pada setiap kendaraan yang masuk. Dengan demikian pihak
manajemen bisa menyediakan stok barang atau komponen yang setiap minggu berpotensi habis
sehingga kebutuhan konsumen terpenuhi dan meminimalisir kendala stok barang di Bengkel
Sepeda Motor Ahass Keputih.
3.501
3.502
3.503
3.504
3.505
3.506
3.507
3.508
3.509
3.510
3.511
3.512
3.513
3.514
3.515
3.516
3.517
BAB V
KESIMPULAN DAN SARAN
3.518 Berdasarkan hasil pengamatan dapat diambil kesimpulan yang dapat membantu
untuk pengambilan langkah sebagai saran. Kesimpulan yang diambil berdasarkan hasil analisa yang
dibahas dalam bab IV.
3.519 5.1 Kesimpulan
3.520 Data yang didapatkan dari Bengkel Sepeda Motor Ahass menunjukkan tingkat
keseragaman yang tinggi sehingga dari waktu ke waktu relatif konstan. Meskipun demikian, jumlah
data masih belum mencukupi untuk merepresentasikan data secara keseluruhan. Ketidakcukupan
jumlah data disebabkan oleh keterbatasan dari peneliti baik dari segi waktu ataupun resources.
Analisis dan interpretasi data menunjukkan bahwa jenis sepeda motor yang paling sering
mengalami kerusakan adalah sepeda motor jenis matic dibandingkan cub dan sport. Sedangkan
Komponen sepeda motor yang paling sering mengalami kerusakan adalah busi.
3.521 5.2 Saran
3.522
3.523
3.524
3.525
3.526
3.527
3.528
3.529
3.530
3.531
3.532
3.533