MODUL IV GRAFIK PENGENDALI ATRIBUT

MODUL IV GRAFIK PENGENDALI ATRIBUT 4.1. Tujuan Dari praktikum ini di harapkan mahasiswa: Dapat membuat sebuah Grafik untuk Data atribut Dapat menginterpretasikan output dari dari grafik pengendali atribut 4.2. Pengumpulan Data 1. Data Atribut kecacatan ring Tabel 4.1 data kecacatan ring Hari Jenis Kecacatan Jumlah Gores Kotor Karat Bengkok 1 7 8 6 12 33 2 12 7 9 3 31 3 8 4 7 6 25 4 10 12 4 4 30 5 9 9 10 4 32 6 7 3 7 6 23 7 11 8 8 3 30 8 4 10 3 9 26 9 6 11 8 11 36 10 4 6 6 5 21 11 3 8 6 7 24 12 8 5 4 4 21 13 9 10 12 8 39 14 7 3 7 6 23 15 9 11 9 9 38 Sebuah perusahaan Susu setiap harinya melakukan monitoring terhadap hasil produksi dengan melakukan proses pengendalian pada produknya. Perusahaan memonitor kemasan susu apakah terjadi kebocoran atau kerusakan pada kemasan susu. Perusahaan melakukan pengamatan setiap hari sejumlah dengan jumlah produksi per hari ( sampel bervariasi). Berikut datanya : Tabel 4.2 Data Proses pengendali minumum Hari Jumlah Sampel Cacat kemasan 1 850 49 2 701 57 3 642 14 4 763 43 5 610 31 6 807 33 7 689 28 8 715 17 9 712 10 10 625 31 11 650 22 12 751 12 13 725 36 14 615 61 15 615 21 16 680 51 17 725 33 18 715 44 19 650 29 20 611 27 21 625 13 22 650 18 23 610 57 24 650 30 25 725 31 26 650 12 27 650 11 28 721 36 29 715 41 30 625 41 Keterengan : Ganti nilai X dengan 2 angka NIM akhir dan nilai Y dengan 1 angka NIM akhir (contoh 075 ; X = 7 ; Y = 5). Buatlah grafik pengendalinya dan analisa hasilnya. Jika hasilnya tidak terkendali dan penyebab tidak terkendali karena penyebab khusus, lakukan perbaikan terhadap grafik pengendali tersebut.  PT. Karya Sejahtera melakukan sebuah penelitian terhadapat cacat produk karpet yang berupa bercak cat pada karpet. Berikut hasil observasi pada karpet sebagai berikut : Tabel 4.3 data kecacatan karpet Hari Jumlah sampel Jumlah ketidaksesuaian 1 48 21 2 38 25 3 31 14 4 29 12 5 30 11 6 45 23 7 27 11 8 21 15 9 30 11 10 40 20 11 31 21 12 26 12 13 21 11 14 23 10 15 21 15 16 41 11 17 27 16 18 33 28 19 40 20 20 32 17 Ganti nilai X dengan 2 angka NIM akhir dan nilai Y dengan 1 angka NIM akhir (contoh 075 ; X = 7 ; Y = 5). Gunakan data pada tabel tersebut untuk membuat grafik pengendali ketidaksesuaian. Apakah proses dalam keadaan terkendali? Berapakah batas kendali yang anda rekomendasikan untuk mengontrol produksi saat ini ? PT. Tekstil Makmur sedang melakukan pengamatan terhadapat roll kain tekstil selama 15 hari dimana setiap sampel berukuran 10X dan diperoleh data jumlah cacat sebagai berikut : Tabel 4.4 pengamatan Roll Kain Hari Jumlah cacat 1 50 2 71 3 37 4 25 5 11 6 45 7 17 8 21 9 14 10 15 11 29 12 15 13 27 14 65 15 31 Ganti nilai X dengan 2 angka NIM akhir dan nilai Y dengan 1 angka NIM akhir (contoh 075 ; X = 7 ; Y = 5). Tentukan peta kendali pada roll kain tersebut dan apakah terkendali atau tidak. Jika tidak lakukan perbaikan hingga menjadi terkendali. 4.3 Pengolahan Data Soal Nomor 1 a. Manual pengolahan data soal nomor 1 menggunakan grafik pengendali Defective NP, karena jumlah sampel tetap ( n = 180 ). np bar Snp = 4,919 Grafik NP GAmbar 4.1 Grafik NP kecacatan Ring UCL1 LCL 1 CL 1 Interpretasi : berdasarkan grafik diatas diketahui bahwa semua data telah in control. Artinya tidak ada data yang keluar dari batas UCL dan LCL b. Penyelesaian soal nomor 1 dengan Software Minitab Pada soal nomor 1 menggunakan grafik pengendali np karena jumlah sampel yang digunakan konstan, pertama menginputkan data (table 4.1) kedalam worksheet. Lalu klik Stat lalu pilih Control Chart – np, lalu isikan data semua, lalu pilih menu np chart option klik menu test pilih peform all test for special causes. Lalu klik OK. Gambar 4.3 Pengendali NP Ring Software Minitab Interpretasi : berdasarkan grafik diatas semua data telah in control . artianya tidak ada data yang keluar dari batas UCL dan LCL. SOAL NO 2 Manual Pengolahan data pada soal nomor 2 menggunakan Grafik Pengendali P. Karena sampel yang di gunakan tidak konstan. Tabel 4.7 pengolahan Data cacat kemasan susu Hari Jumlah Sampel Cacat kemasan Sp Data UCL CL LCL 1 850 49 0,0072 0,058 0,067 0,0459 0,024 2 701 57 0,0079 0,081 0,07 0,0459 0,022 3 642 14 0,0083 0,022 0,071 0,0459 0,021 4 763 43 0,0076 0,056 0,069 0,0459 0,023 5 610 31 0,0085 0,051 0,071 0,0459 0,02 6 807 33 0,0074 0,041 0,068 0,0459 0,024 7 689 28 0,008 0,041 0,07 0,0459 0,022 8 715 17 0,0078 0,024 0,069 0,0459 0,022 9 712 10 0,0078 0,014 0,069 0,0459 0,022 10 625 31 0,0084 0,05 0,071 0,0459 0,021 11 650 22 0,0082 0,034 0,07 0,0459 0,021 12 751 12 0,0076 0,016 0,069 0,0459 0,023 13 725 36 0,0078 0,05 0,069 0,0459 0,023 14 615 61 0,0084 0,099 0,071 0,0459 0,021 15 615 21 0,0084 0,034 0,071 0,0459 0,021 16 680 51 0,008 0,075 0,07 0,0459 0,022 17 725 33 0,0078 0,046 0,069 0,0459 0,023 18 715 44 0,0078 0,062 0,069 0,0459 0,022 19 650 29 0,0082 0,045 0,07 0,0459 0,021 20 611 27 0,0085 0,044 0,071 0,0459 0,02 21 625 13 0,0084 0,021 0,071 0,0459 0,021 22 650 18 0,0082 0,028 0,07 0,0459 0,021 23 610 57 0,0085 0,093 0,071 0,0459 0,02 24 650 30 0,0082 0,046 0,07 0,0459 0,021 25 725 31 0,0078 0,043 0,069 0,0459 0,023 26 650 12 0,0082 0,018 0,07 0,0459 0,021 27 650 11 0,0082 0,017 0,07 0,0459 0,021 28 721 36 0,0078 0,05 0,069 0,0459 0,022 29 715 41 0,0078 0,057 0,069 0,0459 0,022 30 625 41 0,0084 0,066 0,071 0,0459 0,021 SUM 20472 939 Pbar Sp Sp 1 = 0,0072 Grafik P Gambar 4.5 Pengendali P UCL1 LCL 1 CL 1 Data 1 Interpretasi : berdasarkan grafik diatas diketahui bahwa masih terdapat 4 data yang keluar UCL dan 4 data yang keluar LCL. Maka perlu di lakukan Perbaikan dengan cara membuang data yang out of control. Perbaikan 1 Tabel 4.8 pengolahan Data cacat kemasan susu Perbaikan 1 Hari Jumlah Sampel Cacat kemasan Sp Data UCL CL LCL 1 850 49 0,007052 0,057647 0,065386 0,04423 0,023073 2 642 14 0,008115 0,021807 0,068573 0,04423 0,019886 3 763 43 0,007443 0,056356 0,06656 0,04423 0,021899 4 610 31 0,008325 0,05082 0,069204 0,04423 0,019256 5 807 33 0,007238 0,040892 0,065943 0,04423 0,022517 6 689 28 0,007833 0,040639 0,067728 0,04423 0,020731 7 715 17 0,007689 0,023776 0,067297 0,04423 0,021162 8 625 31 0,008224 0,0496 0,068902 0,04423 0,019557 9 650 22 0,008064 0,033846 0,068423 0,04423 0,020036 10 725 36 0,007636 0,049655 0,067138 0,04423 0,021322 11 615 21 0,008291 0,034146 0,069102 0,04423 0,019357 12 725 33 0,007636 0,045517 0,067138 0,04423 0,021322 13 715 44 0,007689 0,061538 0,067297 0,04423 0,021162 14 650 29 0,008064 0,044615 0,068423 0,04423 0,020036 15 611 27 0,008318 0,04419 0,069183 0,04423 0,019276 16 625 13 0,008224 0,0208 0,068902 0,04423 0,019557 17 650 18 0,008064 0,027692 0,068423 0,04423 0,020036 18 650 30 0,008064 0,046154 0,068423 0,04423 0,020036 19 725 31 0,007636 0,042759 0,067138 0,04423 0,021322 20 721 36 0,007657 0,049931 0,067201 0,04423 0,021258 21 715 41 0,007689 0,057343 0,067297 0,04423 0,021162 22 625 41 0,008224 0,0656 0,068902 0,04423 0,019557 SUM 15103 668 Pbar Sp Sp 1 = 0,007052 Grafik P Perbaikan 1 Gambar 4.6 Pengendali P perbaikan 1 UCL1 LCL 1 CL 1 Data 2 Interpretasi : berdasarkan Gambar 4.6 diketahui bahwa tidak ada data yang out of control. Artinya data sudah terkendali. Penyelesaian Soal Nomor 2 dengan Software Minitab Pada soal nomor 2 menggunakan grafik pengendali p Karena sampel yang digunakan berbeda-beda. Pengolahan data menggunakan software minitab dengan cara menginputkan data (table 4.2) kedalam worksheet. Lalu klik Stat lalu pilih Control Chart – P, lalu isikan data semua, lalu pilih menu P chart option klik menu test pilih peform all test for special causes. Lalu klik OK. Gambar 4.7 Grafik Pengendali P Minitab Interpretasi : berdasarkan grafik diatas diketahui bahwa masih terdapat 4 data yang keluar UCL dan 4 data yang keluar LCL. Gambar 4.8 Grafik Pengendali P perbaikan 1 Interpretasi : berdasarkan Gambar 4.6 diketahui bahwa tidak ada data yang out of control. Artinya data sudah terkendali. Soal Nomor 3 Manual Pada pengolahan data ini menggunakan grafik u, karena data banyaknya ketidaksesuaian per unit laporan inspeksi dalam kelompok (periode) pengamatan. Tabel 4.9 pengolahan Data bercak pada karpet Hari Jumlah sampel Jumlah ketidaksesuaian u bar SU UCL LCL 1 48 21 0,51 0,1032 0,821 0,201 2 38 25 0,511 0,116 0,859 0,163 3 31 14 0,511 0,1284 0,896 0,126 4 29 12 0,511 0,1327 0,909 0,113 5 30 11 0,511 0,1305 0,903 0,119 6 45 23 0,511 0,1066 0,831 0,191 7 27 11 0,511 0,1376 0,924 0,098 8 21 15 0,511 0,156 0,979 0,043 9 30 11 0,511 0,1305 0,903 0,119 10 40 20 0,511 0,113 0,85 0,172 11 31 21 0,511 0,1284 0,896 0,126 12 26 12 0,511 0,1402 0,932 0,09 13 21 11 0,511 0,156 0,979 0,043 14 23 10 0,511 0,1491 0,958 0,064 15 21 15 0,511 0,156 0,979 0,043 16 41 11 0,511 0,1116 0,846 0,176 17 27 16 0,511 0,1376 0,924 0,098 18 33 28 0,511 0,1244 0,884 0,138 19 40 20 0,511 0,113 0,85 0,172 20 32 17 0,511 0,1264 0,89 0,132 SUM 634 324 Ubar Su 1 = 0,1032 Grafik U Gambar 4.9 Grafik Pengendali U UCL1 LCL 1 CL 1 Interpretasi : berdasarkan Gambar 4.9 diketahui bahwa tidak ada data yang out of control. Artinya data sudah terkendali. Penyelesaian Soal Nomor 3 dengan Software Minitab Pada soal nomor 3 menggunakan grafik pengendali u karena jumlah sampel yang digunakan berbeda-beda. Pengolahan data menggunakan software minitab dengan cara menginputkan data (table 4.2) kedalam worksheet. Lalu klik Stat lalu pilih Control Chart – u, lalu isikan data semua, lalu pilih menu P chart option klik menu test pilih peform all test for special causes. Lalu klik OK. Gambar 4.10 Grafik Pengendali U Interpretasi : berdasarkan Gambar 4.10 Grafik Pengendali U soal nomor 3 Software Minitab diketahui bahwa tidak ada data yang out of control. Artinya data sudah terkendali. Soal Nomor 4 Pengolahan secara Manual Soal nomor 4 menggunakan grafik pengendali C. Karena data ketidak sesuaian terhadap roll kain tekstil dapat saja di anggap memenuhi syarat meskipun mengandung beberapa titik spesifik yang cacat. Dan sampel yang di gunakan konstan. Tabel 4.10 Pengolahan Data Grafik pengendali C Hari Jumlah cacat UCL CL LCL 1 50 48,38 31,533 14,687 2 71 48,38 31,533 14,687 3 37 48,38 31,533 14,687 4 25 48,38 31,533 14,687 5 11 48,38 31,533 14,687 6 45 48,38 31,533 14,687 7 17 48,38 31,533 14,687 8 21 48,38 31,533 14,687 9 14 48,38 31,533 14,687 10 15 48,38 31,533 14,687 11 29 48,38 31,533 14,687 12 15 48,38 31,533 14,687 13 27 48,38 31,533 14,687 14 65 48,38 31,533 14,687 15 31 48,38 31,533 14,687 Rata2 31,53333 Cbar Sc = 5,6155 Grafik Pengendali C: Gambar 4. 11 Grafik Pengendali C UCL LCL CL Interpretasi: Berdasarkan Gambar grafik 4.11 masih ada data yang out of control yaitu data ke 1, 2, 5, 9 dan 14. Maka perlu di lakukan perbaikan dengan cara membuang data-data tersebut. Lalu di lakukan perhitungan ulang. Perbaikan 1 Cbar Sc = 5,12 Gambar 4.12 Grafik pengendali C perbaikan 1 Interpretasi: UCL LCL CL Pada perbaikan 1 masih terdapat satu data yang out of control. Yaitu data ke tiga. Perbaikan ke-2 Tabel 4.11 pengolahan data Pengendali C perbaikan ke 2 DATA UCL CL LCL 37 38,84203 24,11111 9,380191 25 38,84203 24,11111 9,380191 17 38,84203 24,11111 9,380191 21 38,84203 24,11111 9,380191 15 38,84203 24,11111 9,380191 29 38,84203 24,11111 9,380191 15 38,84203 24,11111 9,380191 27 38,84203 24,11111 9,380191 31 38,84203 24,11111 9,380191 24,11111 Cbar Cbar Sc = 4,91 Grafik C Perbaikan ke – 2 Gambar 4.12 Grafik pengendali C perbaikan ke 2 Interpretasi: Berdasarkan Gambar 4.12 semua data sudah In control. Artinya data sudah terkendali. Pengolahan data menggunakan Software Minitab pada Soal nomor 4 menggunakan grafik pengendali C. Karena data ketidak sesuaian terhadap roll kain tekstil dapat saja di anggap memenuhi syarat meskipun mengandung beberapa titik spesifik yang cacat. Dan sampel yang di gunakan konstan. Pengolahan data menggunakan software minitab dengan cara menginputkan data (table 4.2) kedalam worksheet. Lalu klik Stat lalu pilih Control Chart – u, lalu isikan data semua, lalu pilih menu P chart option klik menu test pilih peform all test for special causes. Lalu klik OK. Gambar 4.13 Grafik pengendali C Minitab Interpretasi: Berdasarkan Gambar grafik 4.11 masih ada data yang out of control yaitu data ke 1, 2, 5, 9 dan 14. Maka perlu di lakukan perbaikan dengan cara membuang data-data tersebut. Lalu di lakukan perhitungan ulang. Perbaikan ke – 1 Gambar 4.14 Grafik pengendali C perbaikan ke-1 Perbaikan ke 2 Gambar 4.14 Grafik pengendali C Minitab perbaikan ke - 2 Interpretasi: Berdasarkan Gambar 4.12 semua data sudah In control. Artinya data sudah terkendali. Analisa data Analisa hasil kasus 1 Peta kendali np biasa digunakan untuk memetakan jumlah item cacat atau banyaknya cacat dari sebuah sampel yang diambil. Berbeda dengan peta kendali p yang dapat memetakan proses dengan jumlah sampel tiap observasi sama maupun tidak sama, peta kendali np hanya biasa digunakan apabila sampel yg diambil tiap observasi jumlahnya sama. Setalah dilakukan penginputan data pada kasus 1 dengan menggunakan aplikasi Minitab didapatkanlah hasil pada grafik NP charts 1 data yang out of control terdapat 2 buah seperti Gambar minitab pertama. kemudian dilakukanlah perbaikan untuk kasus 1 dengan menghilangkan data yang out of control dan menginputkan data kembali pada aplikasi Minitab maka didapatkan lah hasil seperti pada gambar terkendali dan data tidak ada yang out of control sehingga disimpulkan bahwa data telah terkendali.  Analisa hasil kasus 2 Peta kendali p (pengendali proporsi kesalahan) merupakan salah satu peta kendali atribut yang digunakan untuk mengendalikan bagian produk cacat dari hasil produksi. Pengendali proporsi kesalahan (p-chart) digunakan untuk mengetahui apakah cacat produk yang dihasilkan masih dalam batas yang disyaratkan atau tidak. Dapat dikatakan juga sebagai perbandingan antara banyaknya cacat dengan semua pengamatan, yaitu setiap produk yang diklasifikasikan sebagai “diterima” atau “ditolak” (yang diperhatikan banyaknya produk cacat). Pada Kasus 2 dilakukan penghitungan menggunakan grafik pengendali P di karenakan sampel yang diambil untuk setiap  kali observasi jumlahnya selalu sama atau konstan. Seperti terlihat pada gambar 4.7 Grafik pada software Minitab terlihat bahwa masih terdapat 8 data yang out of control. Kemudian di lakukan perbaikan dengan membuang ke – 8 data tersebut dan pada gambar 4.8 tidak ada data yang keluar sehingga bisa disimpulkan bahwa grafik telah terkendali. Analisa hasil kasus 3 Peta kendali U digunakan untuk jumlah ketaksesuaian per subgroup dengan ukuran konstan. Untuk menyusun peta kendali rata-rata ketasesuaian per unit di dalam subgroup dengan ukuran tidak sama, digunakan peta kendali U. Setelah dilakukan penginputan data pada kasus 3 didapatkan pada gambar manual 4.9 dan Minitab 4.10 pada grafik U chart tidak ada data yang out of control. Artinya data sudah terkendali. Analisa Kasus 4 Grafik Pengendali Atribut C adalah digunakan untuk sejumlah ketidaksesuaian dalam subgroup berukuran konstan. Setiap subgroup biasanya merupakan barang tunggal. Beberapa Contoh: pada Soal nomor 4 menggunakan grafik pengendali C. Karena data ketidak sesuaian terhadap roll kain tekstil dapat saja di anggap memenuhi syarat meskipun mengandung beberapa titik spesifik yang cacat. Dan sampel yang di gunakan konstan. Seperti terlihat pada tabel 4.13 dan setelah dilakukan penginputan data pada software Minitab terlihat bahwa masih ada data yang out of control. Kasus ke empat di lakukan perbaikan sebanyak dua kali baru data sudah tekendali. Kesimpulan Dari praktikum yang telah dilakukan dinyatakan bahwa setiap data attribute yang terdiri atas 2 bagian utama yaitu data yang berupa defective dan defect yang mana data defective terdiri atas 2 grafik pengendali yang dapat digunakan untuk mengendalikan data, yaitu grafik pengendali P dan NP yang mana pada kasus-kasus diatas Grafik pengendali P digunakan untuk kasus 2 dan Grafik pengendali NP digunakan pada kasus 1, sedangkan untuk data yang bersifat defect terdapat 2 grafik pengendali yaitu grafik pengendali C dan U seperti pada kasus 3 dan Grafik pengendali C digunakan pada kasus 4. Dan dari data apakah defective dan defect kita dapat membuat grafik pengendali data attribute secara baik dan benar dan sesuai dengan penggunaan dan fungsinya. Setiap hasil out put dari grafik baik P,NP,U, dan C kesemuanya itu digunakan untuk mengendalikan nilai proporsi dari data tersebut. Apakah data itu terkendali atau tidak yang jika pada prosesnya terdapat data yang tidak terkendali maka dilanjutkan dengan tahap selanjutnya yaitu dengan menghilangkan data proporsi yang out dan melakukan perhitungan ulang sehingga terdapat nilai UCL dan LCL yang berbeda dengan sebelumnya dan niali dari proporsi yang harus di cocokan apakah ada data yang out atau tidak. Jika setelah diketahu ternyata ada data yang tidak out of control maka data dapat disimpulkan tidak ada yang out dan grafik data dapat diterima sebagai bahan acuan untuk proses pengendalian selanjutnya.