P. 1
Makalah Capability Binomial

Makalah Capability Binomial

|Views: 303|Likes:
Published by Prisca Abiyani

More info:

Published by: Prisca Abiyani on Apr 11, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

03/06/2015

pdf

text

original

ANALISIS KEMAMPUAN PROSES PADA DATA BERDISTRIBUSI BINOMIAL

Makalah Untuk Memenuhi Tugas Mata Kuliah Pengendalian Kualitas Statistik Yang Dibina Oleh Bapak Hendro Permadi

Nama Kelompok: Sudarsono (309312422762)

Prisca Abiyani (309312422763) Dwi Susanti Siti Hasanah (309312426744) (309312426746)

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI MALANG MARET 2012

sebarannya acak. dan lain-lain. Mengetahui cara menganalisis kemampuan proses untuk data berdistribusi binomial.BAB I PENDAHULUAN 1. Jika ada salah satu syarat yang menyebabkan proses tidak terkendali.1 Latar Belakang Analisis kemampuan proses merupakan suatu tahapan yang harus dilakukan dalam mengadakan pengendalian kualitas proses statistic (statistical process control).3 Tujuan a. akan selalu ada gangguan yang dapat timbul secara tidak terduga. Dalam Montgomery (2001). 1. maka proses belum terkendali dan perlu dicari penyebab terduganya agar proses menjadi terkendali secara statistik. tidak terdapat run atau giliran. Bagaimana cara menganalisis kemampuan proses untuk data berdistribusi binomial? 1.2 Rumusan Masalah a. Oleh karena itu kami membuat makalah dengan judul “Analisis Kemampuan Proses pada Data Berdistribusi Binomial” agar dapat lebih mengetahui dan memahami tentang analisis kemampuan proses khususnya pada data berdistribusi binomial tersebut serta mengaplikasikannya. dalam banyak proses produksi. Pengendalian kualitas proses statistic (statistical process control) adalah alat yang sangat berguna dalam membuat produk sesuai dengan spesifikasi sejak dari awal proses hingga akhir proses. proses produksi yang memenuhi standar mutu yang diinginkan bila dalam grafik pengendali mutu semua titik sampel berada dalam daerah pengendali. .

Analisis Kemampuan Proses dapat dilakukan tanpa mengingat spesifikasi pada karakteristik mutu. tetapi dapat kita nyatakan sebagai presentase yang di luar spesifikasi.Dengan demikian diagram kontrol digunakan untuk mencapai suatu keadaan terkendali secara statistik. Sehingga analisis kemampuan proses harus dilakukan hanya apabila proses berada dalam batas pengendali statistik. 2. Batas-batas darivariasi proses ditentukan setelah proses berada dalam pengendalian statistik. Menurut Systma (1997) dalam buku Ariani (2004). Studi kemampuan proses biasanya mengukur parameter fungsional pada produk.BAB II KAJIAN TEORI Grafik pengendali atau diagram kontrol digunakan untuk : 1. Analisis Kemampuan Proses dapat dilakukan apabila proses dapat dilakukan apabila proses berada dalam keadaan terkendali. dan penyebaran (standar deviation ). analisis kemampuan proses merupakan konsep yang penting dalam proses statistik. karena analisa ini . 2. dalam membentuk analisis kemampuan proses dengan data kontinu. 3. Menentukan apakah suatu proses berada dalam pengendalian statistik. bukan prose situ sendiri.1 Analisis Kemampuan Proses Menurut Montgomery (1985). Menentukan kemampuan proses ( procces capability ). Memantau proses terus menerus sepanjang waktu agar proses tetapstabil secara statistik dan hanya mengandung variasi penyebab umum. yaitu proses berada dalam batas pengendalian statistik dan distribusi proses adalah distribusi normal. rata-rata (mean ). Analisis kemampuan proses merupakan prosedur yang digunakan untuk memprediksi kinerja jangka panjang yang berada dalam batas pengendali proses statistik. Analisis Kemampuan Proses digunakan untuk menaksir kemampuan proses dalam bentuk distribusi probabilitas yang mempunyai bentuk . Menurut Bower (1997) dalam buku Ariani (2004).

Bila dalam penarikan kartu tadi kartunya tidak dikembalikan maka peluang sukses akan berubah dari penarikan yang satu ke berikutnya. Kemampuan proses biasanya ditunjukkan dengan formulasi ±3δ atau secara keseluruhan mencakup 6δ. tapi pada penarikan kedua peluangnya bersyarat dengan harga 26/51. Sebagai contoh bila lima kartu ditarik secara berurutan dari sekotak kartu bridge dan tiap penarikan disebut gagal atau sukses tergantung atas apakah kartu merah atau hitam yang terambil.73% produk dalam batas ±3δ dari spesifikasi nomial. Yaitu peluang mendapat kartu merah pada penarikan pertama adalah ½. Proses yang berada pada kondisi in statistic control berada pada kemampuan proses 6δ. yaitu bahwa tiap usaha atau penarikan kartu bebas satu dari yang lain dan peluang sukses tidak berubah. . Kita dpaat menentukan atau memilih salah satu hasil sebagai sukses. Percobaan seperti ini bukan lagi binomial.menguji variabilitas dalam karakteristik-karakteristik proses dan apakah proses mampu menghasilkan produk sesuai dengan spesifikasi. atau 25/51. Untuk memeriksa proses produksi. tidak tergantung atas urutan keberapa kartu tersebut ditarik. Sehingga dalam analisa kemampuan proses dikenal adanya batas-batas spesifikasi yang disebut juga batas toleransi. maka terdapat 99. tiap usaha dengan 2 kemungkinan hasil yang dapat diberi nama sukses atau gagal. kita perlu juga melihat Indeks Kemampuan Proses (Cp) atau Indeks Kemampuan Proses (Cpk) DISTRIBUSI BINOMIAL (n. dengan tiap pengujian atau usaha dapat menunjukkan apakah suatu barang cacat atau tidak cacat. Hal ini terjadi. misalnya pada pengujian barang hasil produksi. Percobaan seperti ini disebut percobaan binomial. tergantung apakah kartu pertama hitam atau merah. dimana δ menunjukkan standar deviasi proses berada pada kondisi in statistic control tanpa ada perubahan atau penyimpangan.r) Suatu percobaan sering terdiri atas beberapa usaha. Jika proses terpusat pada spesifikasi nomial dan mengikuti probabilitas normal. Batas spesifikasi meliputi batas spesifikasi bawah dan batas spesifikasi atas. Bila tiap kartu dikembalikan lalu dikocok sebelum kartu berikutnya ditarik maka penarikan kartu merah atau hitam mempunyai sifat yang sama.

tidak berubah dari usaha yang satu ke yang berikutnya d. dengan hasil tiap percobaan dapat berbentuk “sukses” atau “tidak sukses”.p mempunyai fungsi padat peluang: f (r. yang diasumsikan mengikuti distribusi binomial dengan parameter p. Menurut Ross. misalnya p. Pandang suatu proses yang terdiri dari sederetan n percobaan yang bebas. Tiap usaha bebas dengan usaha lainnya. Analisis Kemampuan (Binomial) menghasilkan kemampuan untuk memproses laporan data atribut yang mengikuti distribusi Binomial. Laporan ini mencakup:  P Chart untuk memverifikasi apakah proses berada dalam kendali statistic Rata-rata P = ̂ . Peluang sukses dinyatakan dengan p. Data dikumpulkan jumlah item yang rusak di sub kelompok individu. Tiap usaha memberi hasil yang dapat ditentukan dengan sukses atau gagal c. Percobaan terdiri atas n usaha yang berulang b. n.Suatu percobaan binomial adalah yang memenuhi persyaratan berikut : a. Percobaan seperti itu dinamakan percobaan Bernoulli. maka banyak “sukses” r dalam n percobaan Bernoulli berdistribusi Binomial. (1997) peubah acak X dikatan mempunyai distribusi binomial dengan parameter n. Apabila peluang “sukses” pada tiap percobaan tetap. p)   n  p r (1  p) n r  r n! p r (1  p) n r (n  r )!r ! dimana r = banyaknya peristiwa sukses n-r = banyaknya peristiwa gagal n = banyaknya percobaan yang dilakukan 2.2 Analisis Kemampuan Binomial Analisis kemampuan binomial ini digunakan ketika suatu produk atau jasa dicirikan sebagai cacat atau tidak cacat. Kemampuan Binomial mengevaluasi kesempatan (p) bahwa sebuah item yang dipilih dari proses rusak.

 % Cacat untuk memverifikasi apakah data memiliki estimasi yang konsisten barang cacat% %Kumulatif grafik cacat = ̂  PPM cacat adalah banyaknya kecacatan yang diharapkan dari satu juta produksi. Proses Z dihitung dari rata-rata P dengan menentukan nilai dari standart normal dari distribusi (0. Idealnya. ingin proses Z untuk minimal 2.menyediakan indeks kapabilitas proses. Anda perlu memastikan bahwa asumsi sebagai berikut adalah valid:    Hasilnya adalah biner atau hanya 2 hasil yang mungkin Probabilitas keberhasilan adalah sama untuk semua unit Hasil dari unit masing-masing independen satu sama lain .1) sehingga daerah sebelah kanan dari nilai adalah rata-rata P.Dimana D adalah jumlah dari keseluruhan cacat dan N adalah jumlah dari keseluruhan sampel. PPM cacat = ̂  Proses Z adalah indeks kemampuan. Lebih besar nilai Z menunjukkan bahwa proses ini berperforma lebih baik. Dalam rangka penggunaan Analisis Kemampuan (Binomial). Proses Z = Dimana  (rata-rata P) adalah invers dari standart distribusi normal Histogram dari% rusak untuk membantu memvisualisasikan distribusi% cacat dari data sampel  Cacat Rate Chart untuk memverifikasi bahwa% rusak tidak terpengaruh oleh ukuran sampel  Binomial Plot (ketika ukuran subkelompok konstan) untuk memverifikasi bahwa barang cacat% diharapkan tidak terpengaruh oleh barang cacat% diamati  Proses Z . Proses Z terbesar adalah lebih baik dari proses yang dilakukan.

Perhatikan grafik P untuk titik-titik yang terletak di luar batas kendali atau pola-pola acak lainnya. Jika proses tidak dalam kontrol.memverifikasi bahwa proses ini dalam keadaan kendali statistik. Batas Atas dan Batas Bawah  Rata-rata P Dimana  dan dan % Cacat  PPM Cacat  Proses Z Dimana adalah invers cdf dari standart distribusi normal . maka statistik akan kemampuan perkiraan salah.Grafik P (persentase cacat) . Dengan menggunakan grafik kendali P untuk menentukan apakah proporsi barang cacat per sampel di kontrol. Proses ini harus berada dalam kontrol sebelum menilai kemampuan.

Ukuran Sampel (n) 50 50 50 50 50 50 50 50 50 50 Banyaknya Produk Cacat (x) 1 2 3 3 6 4 3 2 3 4 Observasi 1 2 3 4 5 6 7 8 9 10 .….1 TABEL DATA Misal di suatu perusahaan yang memproduksi kotak teh diambil 25 sampel data masing-masing 50 kotak teh.j = Jumlah kecacatan pada sampel ke i = Ukuran sampel ke i BAB III PEMBAHASAN 3. ∑ ∑ Dimana: i = 1. Kumulatif % cacat untuk sampel kecil adalah perbandingan dari jumlah kecacatan dan jumlah sampel tertinggi dari sampel ke j yang dikalikan dengan 100.Kumulatif % Kecacatan Banyaknya titik-titik plot sama dengan banyaknya sampel. Pengambilan sampel dilakukan dalam selang waktu setengah jam pada 3 shift waktu mesin yang beroperasi terus menerus.

11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Jumlah 50 50 50 50 50 50 50 50 50 50 50 50 50 50 50 1250 3 2 5 2 2 5 4 4 5 3 5 5 4 2 4 86  Pengecekan Distribusi Binomial Dengan menggunakan EasyFit. didapat hasil yaitu .

02 0 1 2 3 4 5 6 x Sample Binomial Menggunakan minitab dengan perintah Stat – Quality Tool – Capability Analysis – Binomial diperoleh .08 0.14 0.26 0.Probability Density Function 0.16 f(x) 0.18 0.2 0.22 0.04 0.1 0.06 0.24 0.12 0.

Hasil perhitungan manual : dan .

Grafik pengendali moving average efektif untuk mendeteksi perubahan kecil dalam proses rataan.BAB IV PENUTUP KESIMPULAN Pada pengolahan data observasi pengukuran tinggi almari pada uji normalitas diperoleh .Tetapi pada data tersebut tidak diperlukan perbaikan karena pada data ke 17 hingga data ke 30 telah stabil yang berarti pada proses produksi almari telah memenuhi Quality Control.Berarti perlu di teliti lebih lanjut apa penyebab dari kesalahan tersebut. yaitu ada titik yang berada di luar batas pengendali 3σ. sehingga terima . jadi pada pengujian data tersebut berdistribusi normal. . Dari grafik pengendali Moving Average terlihat bahwa pada data ke 11 sampai data ke 13 berada di luar batas pengendali dari sini terdapat kesalahan yang no 1.Grafik pengendali moving average juga dapat digunakan bila sample tiap observasi hanya satu unit.

.

4shared. Saifudin. (http://www.fst.id%2F1826%2F1%2F4_QC_-_Sudarno.1990. Sudarno.co.google.doc&ei=QHI7TSNBoTKrAfbt7GHAQ&usg=AFQjCNE0vULVqia4wPE04uZ5XeS-I5HnrA&cad=rja / di akses pada tanggal 14 Februari 2012) Douglas C.Toha. (http://www.html/ di akses pada tanggal 8 Februari 2012). . ( http://dc306.Wuri.google. Analisis Pengendalian Kualitas Produksi Pembekuan Udang PT.pdf&ei=QHI7TSNBoTKrAfbt7GHAQ&usg=AFQjCNH-So_6nV_q19_uUKhS1HUVMc7yQ&cad=rja /di akses pada tanggal 14 Februari 2012).Pengantar Pengendalian Kualitas Statistik. Perbandingan Grafik Pengendali Moving Average dan Geometric Moving Average pada Data Berkelompok.Montgomery.id/url?sa=t&rct=j&q=pengertian%20grafik%20kendali%2 0moving%20average&source=web&cd=1&ved=0CB4QFjAA&url=http%3A%2 F%2Felesys.BaganKendali“Moving Average”.ac.ac.id%2Fcivitas%2Fmateri%2FMateri%25208%2520Bagan %2520Kendali%2520Moving%2520Average. Yogyakarta: Gajahmada University Press.unair.com/doc/kIS2X__0/preview.BAB V DAFTAR PUSTAKA Retno Setyaningtyas.2005.co.id/url?sa=t&rct=j&q=pengertian%20grafik%20kendali%20mov ing%20average&source=web&cd=2&ved=0CCQQFjAB&url=http%3A%2F%2Feprint s. Istana CIPTA SEMBADA dengan menggunakan Diagram Kontrol C.undip.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->