Diagram Kontrol Variabel

:
Pengendalian Kualitas Pembuatan Benang 30 Rayon
Pada Periode Januari 2008 di PT.Lotus Indah Textile
Industries Surabaya
Ahmad Kusuma Raharja
1
, Rizky Amalia Yulianti
2
, dan Muhammad Mashuri
3

1
Mahasiswa Jurusan Statistika FMIPA ITS, a_midwayers@yahoo.co.id
2
Mahasiswi Jurusan Statistika FMIPA ITS, rizkyamaliay@gmail.com
3
Dosen Mata Kuliah Pengendalian Kualitas Jurusan Statistika FMIPA ITS,
m_mashuri@statistika.its.ac.id

Abstrak. Quality is a factor which to base the selection of a product by cunsumers. PT. Lotus
Indah Textile Industries requires good quality control in production processes to be able to
produce good Quality product. Caunt observed variable is the number of defect in the yarn and
the yarn Uster examination. To analyze quality of the yarn production at PT. Lotus Indah
Textile Industries using statistical methods that control chart
̅
-R and
̅
-S for variable caunt
,Yarn wrapping (weight yarn) because the data are variable. Control chart
̅
-S continued to be
used in this paper even though there are only 5 machines, as this paper pointed to the learning
process, which will be compared to the results of control chart
̅
-R and
̅
-S. As for the
variables are many defects in the examination of Uster is an attribute that can not use a
control chart
̅
-R and
̅
-S. The variable data can be analyzed from many defects in the
examination of Yarn Uster through Pareto and Ishikawa diagram.

Keywords: Yarn wrapping, Yarn Uster, control chart
̅
-R and
̅
-S, Pareto diagram, Ishikawa
diagram

1. Pendahuluan
1.1 Latar Belakang

Indonesia mempunyai beragam industri dalam pembangunan perekonomian
Negara. Kebutuhan akan sandang seperti pakaian sangat penting, hal itu
mengakibatkan tumbuhnya sektor industri tekstil cukup berkembang cepat. Apalagi
di zaman yang modern ini pakaian merupakan sesuatu yang nilai cukup menjual,
banyak pilihan model yang variatif sesuai dengan tren-tren yang ada.
PT. Lotus Indah Textile industries adalah perusahaan yang bergerak dibidang
industri textile yang berorientasi ekspor. Produk yang dihasilkan PT. Lotus Indah
Textile industries antara lain benang dan kain. Sebagai perusahaan yang berorientasi
ekspor, PT. Lotus Indah Textile industries telah mendapatkan sertifikat ISO 9001 dan
ISO 14001. ( khoirunnisak,2008).
Dikarenakan PT. Lotus Indah Textile industries berorientasi pada ekspor maka
produk yang dihasilkan pastilah yang berkualitas sangat baik. Untuk mendapatkan
produk berkualitas terbaik maka perencanaan dan pengendalian proses produksi
mutlak diperlukan agar dapat mengoreksi dan memperbaiki sesuatu yang kurang
dalam produksi sehingga meningkatkan mutu produk.
Pada makalah ini yang digunakan sebagai obyek penelitian adalah produksi
benang 30 rayon di bagian Quality Control khususnya pada inspeksi Yarn Wrapping
(count) dan Yarn Uster proses Frame. Dimana kualitas pada bagian ini sangat
mempengaruhi kualitas produk akhir. Dalam hal ini terdapat lima mesin yang
digunakan sebagai alat produksi yaitu mesin 1, 4,7,8, dan 10. Sistem produksi yang
digunakan di perusahaan ini bergantung padabanyaknya pesanan, setiap mesin tidak
selalu memproduksi benang dalam jumlah yang sama setiap bulannya. (
khoirunnisak,2008)
Untuk menganalisis kualitas hasil produksi benang di PT. Lotus Indah textile
Industries menggunakan metode statistik yaitu peta kendali
̅
-R dan
̅
-S untuk
variabel Caunt (berat benang) karena data bersifat variabel. Peta kendali
̅
-S tetap
digunakan pada makalah ini meskipun hanya terdapat 5 mesin, karena makalah ini
ditunjukkan untuk proses pembelajaran, yang nantinya akan dapat dibandingkan hasil
dari peta kendali
̅
-R dan
̅
-S. Sedangkan untuk variabel banyak cacat dalam
pemeriksaan Uster (ketidakhalusan) bersifat atribut sehingga tidak dapat
menggunakan peta kendali
̅
-R dan
̅
-S. Yang dapat dianalisis dari data variabel
banyak cacat dalam pemeriksaan Uster (ketidakhalusan) melalui digram Pareto dan
Ishikawa.

1.2 Permasalahan

1. Bagaimana hasil dari uji kenormalan dari 80 data pada inspeksi Yarn Wrapping
dan 100 data dari inspeksi Yarn Uster di PT. Lotus Indah Textile Industries ?
2. Bagaimana hasil dari uji keacakan dari dari 80 data pada inspeksi Yarn
Wrapping dan 100 data dari inspeksi Yarn Uster di PT. Lotus Indah Textile
Industries ?
3. Bagaimana peta
̅
-R dan
̅
-R dari 80 data pada inspeksi Yarn Wrapping di
PT. Lotus Indah Textile Industries?
4. Bagaimana kapabilitas proses dari 80 data pada inspeksi Yarn Wrapping di PT.
Lotus Indah Textile Industries?
5. Bagaimana diagram pareto dari 100 data dari inspeksi Yarn Uster di PT. Lotus
Indah Textile Industries ?
6. Bagaimana diagram sebab akibat untuk100 data dari inspeksi Yarn Uster di PT.
Lotus Indah Textile Industries ?
1.3 Tujuan
Dari latar belakang dan permasalah yang telah dijelaskan diatas maka dapat
disusun tujuan dari laporan ini yaitu :
1. Mengetahui hasil uji kenormalan kenormalan dari 80 data pada inspeksi Yarn
Wrapping dan 100 data dari inspeksi Yarn Uster di PT. Lotus Indah Textile
Industries .
2. Mengetahui hasil uji keacakan dari 80 data pada inspeksi Yarn Wrapping dan
100 data dari inspeksi Yarn Uster di PT. Lotus Indah Textile Industries ?
3. Mengetahui peta peta
̅
-R dan
̅
-R dari 80 data pada inspeksi Yarn Wrapping
di PT. Lotus Indah Textile Industries.
4. Mengetahui kapabilitas proses dari 80 data pada inspeksi Yarn Wrapping di PT.
Lotus Indah Textile Industries.
5. Mengetahui hasil dari diagram pareto untuk 100 data dari inspeksi Yarn Uster di
PT. Lotus Indah Textile Industries .
6. Mengetahui hasil dari diagram sebab akibat untuk untuk100 data dari inspeksi
Yarn Uster di PT. Lotus Indah Textile Industries .

1.4 Manfaat
Adapun manfaat dari praktikum kali ini diharapkan mahasiswa bisa lebih
memahami dan mampu mengaplikasikan materi untuk peta pengendali variabel,
diagram pareto dan diagram sebab akibat yang selama ini didapat secara langsung di
kelas.


2 Landasan Teori
2.1 Uji Kenormalan
Uji normalitas bertujuan untuk mengetahui apakah data yang terkumpul
berdistribusi normal. Pada umumnya data yang diperoleh menggunakan statistika uji
Kolmogorov Smirnov untuk data yang bersifat kontinyu. Sedangkan untuk data
nominal digunakan uji Chi Square. Karena pada kumpulan data yang digunakan pada
makalah ini bersifat kontinyu maka menggunakan uji Kolmogorov Smirnov. Berikut
hipotesa dan statistika ujinya :
Hipotesa :
H
0
: F
0 (X)
= F
(X)
(untuk semua nilai x)
H
1
: F
0 (X)
= F
(X) (
untuk sekurang-kurangnya sebuah nilai x)
Statistik uji :
D = Sup | F
n (X)
– F
0 (X)
|
F
n (X)
merupakan fungsi peluang komulatif dari data sampel, dan D dapat dibaca
“D sama dengan supremus, untuk semua x, dari nilai mutlak beda F
n (X)
– F
0 (X)
“.
Kaidah pengambilan keputusan :
H
0
(hipotesa dugaan) ditolak pada taraf nyata (o) jika statistik uji (D) lebih besar
dari kuantil 1-o yang terdapat pada tabel kolmogorov smirnov atau nilai p-value <
taraf nyata (o).

2.2 Uji Keacakan
Uji keacakan dilakukan untuk menguji keacakan (kerandoman) data sampel dari
suatu populasi. Biasanya uji ini menggunakan statistika Uji Run, atau disebut juga uji
sampel rangkaian tunggal.
Hipotesis :
H
0
: Data pengamatan telah diambil secara acak dari suatu populasi.
H
1
: Data pengamatan yang diambil dari populasi tidak acak.
Statistik uji :
r = Banyaknya runtun yang terjadi
Untuk sampel-sampel besar pendekatan yang baik distribusi sampling random adalah
distribusi normal dengan
Mean =
1
2
2 1
2 1
+
+
=
n n
n n
r
µ

Standar Deviasi =
) 1 ( ) (
) 2 ( 2
2 1
2
2 1
2 1 2 1 2 1
÷ + +
÷ ÷
=
n n n n
n n n n n n
r
o

Apabila n
1
dan n
2
lebih besar dari 20 maka H
0
dapat diuji dengan :
) 1 ( ) (
) 2 ( 2
1
2
2 1
2
2 1
2 1 2 1 2 1
2 1
2 1
÷ + +
÷ ÷
|
|
.
|

\
|
+
+
÷
=
÷
=
n n n n
n n n n n n
n n
n n
r
r
Z
r
r
µ
µ

Daerah kritis :
Tolak H
0
, bila: r < r
bawah
atau r > r
atas
dari tabel nilai kritis untuk runtun r
dengan n
1
dan n
2

Dimana:
n
1
: Banyaknya data bertanda (+) atau huruf tertentu.
n
2
: Banyaknya data bertanda (-) atau huruf lainnya.

2.3 Peta Kendali x
Peta kendali x adalah salah satu dari jenis peta kendali variabel, karena
karakteristik kualitas dapat diukur dan dinyatakan dalam bilangan. Satu faktor penting
dalam penggunaan peta kendali x adalah rancangan peta kendali itu. Dalam hal ini
yang dimaksudkan adalah pemilihan ukuran sampel, batas-batas pengendali dan
frekuensi pengambilan sampel. Peta kendali x dapat dibagi menjadi dua yakni peta
kendali x - R dan peta kendali x - S.
Rumus peta kendali x - R adalah:
UCL =
R A X
2
+

CL = X
LCL = R A X
2
÷
Rumus peta kendali x - S adalah:
UCL = S A X
3
+
CL = X
LCL = S A X
3
÷
Pada peta x terdapat 3 batas kendali yaitu UCL(Upper Central Limit),
CL(Central Limit), dan LCL (Lower Central Limit). Jika semua titik pengamatan
berada dalam batas kendali dan menyebar secara random maka dikatakan proses
terkendali yang disebut sebagai indikasi variasi alami. Apabila proses dikatakan tidak
terkendali maka terjadi variasi yang tidak alami sehingga perlu dicari penyebabnya.
2.4 Peta R
Sama halnya dengan peta , x peta R adalah peta kendali kedua yang merupakan
peta kendali variabel.
Batas kendali Peta R adalah :
UCL =
4
D R
CL = R
LCL =
3
D R
2.5 Peta S
Sama halnya dengan peta , x peta R adalah peta kendali kedua yang merupakan
peta kendali variabel.
Batas kendali Peta R adalah :
UCL =
4
B S
CL = S
LCL =
3
B S
2.6 Kapabilitas Proses
Kapabilitas proses adalah kemampuan suatu proses untuk beroperasi sesuai
dengan batas spesifikasi.

Rumus dari pada kapabilitas proses adalah sebagai berikut:
2
d
R
= o

o 6
LSL USL
CP
÷
=

o 3
X USL
CPU
÷
=

o 3
LSL X
CPL
÷
=

Dimana :
CP : Kapabilitas Proses
CPU : Indeks performans proses atas
CPL : Indeks performans proses bawah
USL : Batas spesifikasi atas
LSL : Batas spesifikasi bawah
o : Standart deviasi proses actual.
Ada tiga hal yang berkaitan dengan Indeks Cp :
1. Cp < 1 artinya batas spesifikasi perusahaan lebih kecil dari pada sebaran data
pengamatan. Proses ini dikatakan dalam keadaan yang kurang baik, karena
banyak produk yang kualitasnya berada diluar batas spesifikasi.
2. Cp = 1 artinya batas spesifikasi perusahaan sama dengan sebaran data
pengamatan. Proses ini dikatakan dalam keadaan yang baik, tetapi masih perlu
ditingkatkan kualitasnya.
3. Cp > 1 artinya batas spesifikasi perusahaan lebih dari pada sebaran data
pengamatan. Proses ini dikatakan dalam keadaan yang sudah baik, tetapi
perbaikan proses secara terus – menerus masih tetap dilakukan.

2.5 Diagram Pareto
Diagram Pareto merupakan suatu gambar atau diagram yang mengurutkan
klasifikasi data dari kiri ke kanan menurut urutan ranking tertinggi hingga terendah.
Dimana dalam diagram tersebut menunjukkan persentase kumulatif dari dan nilai
hitung tiap bagan. Hal ini dapat membantu menemukan permasalahan yang terpenting
untuk segera diselesaikan (ranking tertinggi) sampai dengan yang tidak harus segera
diselesaikan (ranking terendah) sehingga membantu meningkatan daerah yang
menghasilkan keuntungan yang paling besar.

2.6 Diagram Sebab Akibat atau Diagram Ishikawa
Ditemukan oleh Hitoshi Kume pada tahun 1937. Diagram sebab akibat
menggambarkan hubungan antara karakteristik mutu yang merupakan akibat faktor
yang merupakan sebab yang terdiri dari faktor metode, material, lingkungan, manusia,
dan mesin.
Diagram sebab akibat bertujuan untuk mengetahui faktor-faktor apa saja
yang menjadi penyebab dari terjadinya suatu masalah. Manfaat dari diagram sebab
akibat adalah mampu mengidentifikasikan penyebab dari suatu permasalahan
sehingga dapat diketahui sumber terjadinya masalah. Sumber permasalahan yang
lebih diutamakan adalah 20% penyebab cacat.

4. Metodologi

Pada makalah ini menggunakan data sekunder yaitu berasal dari Tugas Akhir
mahasiswa Statistika ITS di PT. Lotus Indah Textile Industries Surabaya. Data
tersebut digunakan untuk membuat diagram peta kendali, pareto, ishikawa yang
kemudian dianalisis.
Langkah-langkah dalam pembuatan makalah ini adalah:
a. Menentukan persoalan
b. Mencari data sekunder dari Tugas Akhir atau Kerja Praktek Mahasiswa
Statistika ITS
c. Menguji apakah data yang didapat berdistribusi normal dan independent.
d. Mengolah data sekunder tersebut dalam bentuk peta kendali produksi, pareto,
dan ishikawa menggunakan software Minitab.
e. Menganalisis hasil dari peta kendali Produksi, Pareto, dan Ishikawa.
f. Menyimpulkan hasil daru Peta Kendali Produksi, Pareto, dan Ishikawa.

5. Analisa dan pembahasan

4.1 Uji Kenormalan Data
Setelah diketahui statistik deskrptif dari datanya maka perlu diketahui apakah data
tersebut normal atau tidak, karena data yang baik sebaiknya berdistribusi normal agar
dapat dianalisis. Berikut uji kenormalan datanya :
Hipotesis :
H
0
: Data mesin 1,4,7,8,10 untuk yarn wrapping (count) benang berdistribusi
normal
H1 : Data mesin 1,4,7,8,10 untuk yarn wrapping (count) benang tidak
berdistribusi normal
Taraf Signifikan : α = 0,05
Statistik Uji : ) ( ) ( x Fo x Fn Sup D ÷ =
Daerah Kritis : Tolak H
0
jika p-value < α (0.05)
31.0 30.5 30.0 29.5 29.0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
mesin 1
P
e
r
c
e
n
t
Mean 29.95
StDev 0.2952
N 80
KS 0.099
P-Value 0.053
Probability Plot of mesin 1
Normal

31.0 30.5 30.0 29.5 29.0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
mesin 4
P
e
r
c
e
n
t
Mean 29.88
StDev 0.3147
N 80
KS 0.075
P-Value >0.150
Probability Plot of mesin 4
Normal

31.0 30.5 30.0 29.5 29.0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
mesin 7
P
e
r
c
e
n
t
Mean 29.84
StDev 0.3022
N 80
KS 0.070
P-Value >0.150
Probability Plot of mesin 7
Normal

30.5 30.0 29.5 29.0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
mesin 8
P
e
r
c
e
n
t
Mean 29.70
StDev 0.2775
N 80
KS 0.074
P-Value >0.150
Probability Plot of mesin 8
Normal

31.0 30.5 30.0 29.5 29.0
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
mesin 10
P
e
r
c
e
n
t
Mean 29.75
StDev 0.3501
N 80
KS 0.073
P-Value >0.150
Probability Plot of mesin 10
Normal

Gambar 4.1 normality test untuk mesin 1,4,7, 8, dan 10
Pada gambar bahwa dapat dilihat semua p-value > 0,05 dari hasil normality test
pada mesin 1,4,7, 8, dan 10. Sehingga didapatkan keputusan gagal tolak H0 dan dapat
dinyatakan bahwa semua data pada mesin 1, 4, 7, 8, dan 10 berdistribusi normal.
Untuk menguji kenormalan dari jenis cacat yang terjadi pada pemeriksaan
ketidakhalusan benang (yarn uster) dilakukan pengujian melalui softwre minitab
dengan sampel masing-masing sebanyak 100 adalah sebagai berikut.
Hipotesis :
H
0
: Data jenis cacat thin,thick, nep yang terjadi pada pemerikasaan
ketidakhalusan benang (Yarn Uster)berdistribusi normal.
H1 : Data Data jenis cacat thin,thick, nep yang terjadi pada pemerikasaan
ketidakhalusan benang (Yarn Uster) tidak berdistribusi normal.
Taraf Signifikan : α = 0,05
Statistik Uji : ) ( ) ( x Fo x Fn Sup D ÷ =
Daerah Kritis : Tolak H
0
jika p-value < α (0.05)
8 6 4 2 0 -2 -4
99,9
99
95
90
80
70
60
50
40
30
20
10
5
1
0,1
thick
P
e
r
c
e
n
t
Mean 1,23
StDev 1,384
N 100
KS 0,256
P-Value <0,010
Probability Plot of thick
Normal
2,0 1,5 1,0 0,5 0,0 -0,5 -1,0
99,9
99
95
90
80
70
60
50
40
30
20
10
5
1
0,1
thin
P
e
r
c
e
n
t
Mean 0,11
StDev 0,3451
N 100
KS 0,525
P-Value <0,010
Probability Plot of thin
Normal

30 25 20 15 10 5 0
99,9
99
95
90
80
70
60
50
40
30
20
10
5
1
0,1
nep
P
e
r
c
e
n
t
Mean 12,56
StDev 4,770
N 100
KS 0,117
P-Value <0,010
Probability Plot of nep
Normal

Gambar 4.2 Normality Test untuk Jenis Cacat thin,thick, nep pada Pemeriksaan Yarn
Uster
Berdasarkan Gambar 4.2 dapat diketahui bahwa p-value untuk thick, thin, dan
nep mempunyai nilai yang sama yaitu 0,01 pada taraf signifikan 0,05, sehinnga
keputusan yang diambil yaitu tolak H
0
yang berarti data sampel jenis cacat thin,thick,
dan nep tidak berasal dari populasi berdistribusi normal. Dan apabila di uji secara
serentak dari 3 jenis cacat didapatkan hasil berikut
30 20 10 0 -10 -20
99,9
99
95
90
80
70
60
50
40
30
20
10
5
1
0,1
ketiga jenis cacat
P
e
r
c
e
n
t
Mean 4,633
StDev 6,320
N 300
KS 0,288
P-Value <0,010
Probability Plot of ketiga jenis cacat
Normal

Gambar 4.3 Normality Test untuk ketiga Jenis Cacat pada Pemeriksaan Yarn Uster
Berdasarkan Gambar 4.2 dapat diketahui bahwa p-value untuk ketiga jenis cacat
yaitu 0,01 pada taraf signifikan 0,05, sehinnga keputusan yang diambil yaitu tolak H
0

yang berarti data sampel ketiga jenis cacat tidak berasal dari populasi berdistribusi
normal. Namun karena makalah ini hanya menggunakan data sekunder, maka
diasumsikan data berdistribusi normal agar dapat dianalisis lebih lanjut.

4.2 Uji Keacakan Data
4.2.1 Uji Keacakan Data pada data yarn wrapping (count) benang.
Uji keacakan digunakan untuk menentukan apakah sampel sudah diambil
secara acak atau tidak, karena data yang dipakai adalah data sampel yang diambil
sebanyak 80 data dari populasi yang sebenarnya, maka perlu diketahui apakah data
sampel tersebut telah diambil secara acak atau tidak. Berikut uji keacakan data yarn
wrapping (count) benang :
Hipotesis :
H
0
: Data mesin 1,4,7,8,10 untuk yarn wrapping (count) diambil secara
acak.
H
1
: Data mesin 1,4,7,8,10 untuk yarn wrapping (count) yang diambil
secara tidak acak.
Taraf Signifikan : α = 0.05
Statistik Uji :
Karena sampel yang diambil > 30 buah maka menggunakan rumus :
( )
( ) ( ) 1
2 2
1
2
2 1
2
2 1
2 1 2 1 2 1
2 1
2 1
÷ + +
÷ ÷
+
+
÷
= Z
n n n n
n n n n n n
n n
n n
r

Daerah kritis :
Tolak H
0
Jika P-value < atau nilai Z dibandingkan dengan distribusi
normal baku.

o
Runs test for mesin 4
Runs above and below K =
29.8849
The observed number of runs =
40
The expected number of runs =
41
40 observations above K, 40
below
P-value = 0.822


Runs test for mesin 1
Runs above and below K =
29.9536
The observed number of runs =
43
The expected number of runs =
40.775
37 observations above K, 43
below
P-value = 0.615




Gambar 4.4 : Uji Keacakan Pada 5 Jenis Mesin dalam Yarn wrapping (caunt)
Nilai p-value yang diperoleh dari hasil Gambar lebih besar dari pada 0,05 yang
berarti gagal tolak H
0
karena nilai p-value lebih besar dari nilai α. Sehingga
kesimpulan yang diperoleh yaitu data mesin 1,4,7,8,10 untuk yarn wrapping (count)
diambil secara acak.

4.2.2 Uji Keacaakan pada 3 Jenis Cacat di Pemeriksaan yarn uster

data sampel yang diambil sebanyak 100 data dari populasi yang sebenarnya,
maka perlu diketahui apakah data sampel tersebut telah diambil secara acak atau
tidak. Berikut uji keacakan data yarn uster :
Hipotesis :
H
0
: Data 3 jenis cacat untuk yarn uster diambil secara acak.
H
1
: Data 3 jenis untuk yarn uster yang diambil secara tidak acak.
Taraf Signifikan : α = 0.05
Statistik Uji :
Karena sampel yang diambil > 30 buah maka menggunakan rumus :
( )
( ) ( ) 1
2 2
1
2
2 1
2
2 1
2 1 2 1 2 1
2 1
2 1
÷ + +
÷ ÷
+
+
÷
= Z
n n n n
n n n n n n
n n
n n
r

Daerah kritis :
Tolak H
0
Jika P-value < atau nilai Z dibandingkan dengan distribusi
normal baku.

Runs test for thin
Runs above and below K = 0,11
The observed number of runs = 17
The expected number of runs = 19
10 observations above K; 90 below
* N is small, so the following approximation may be invalid.
o
Runs test for mesin 10
Runs above and below K = 29.7484
The observed number of runs = 33
The expected number of runs =
40.975
41 observations above K, 39 below
P-value = 0.073


Runs test for mesin 8
Runs above and below K =
29.703
The observed number of runs
= 40
The expected number of runs
= 41
40 observations above K, 40
below
P-value = 0.822


Runs test for mesin 7
Runs above and below K =
29.8352
The observed number of runs =
33
The expected number of runs =
40.775
43 observations above K, 37
below
P-value = 0.078



Runs test for nep
Runs above and below K = 12,56
The observed number of runs = 34
The expected number of runs = 50,02
43 observations above K; 57 below
P-value = 0,001


P-value = 0,255

Runs test for thick
Runs above and below K = 1,23
The observed number of runs = 40
The expected number of runs = 43,78
31 observations above K; 69 below
P-value = 0,374

Gambar 4.5 : Uji Keacakan Pada 3 Jenis cacat dalam inspeksi Yarn Uster
Nilai p-value pada runs test jenis cacat thin, thick,dan nep berturut-turut adalah
0,255; 0,3704 dan 0,001 pada taraf signifikan 0,05, yang berarti gagal tolak H
0
karena
nilai p-value lebih besar dari nilai α pada jenis cacat thin dan thick. Sehingga
kesimpulan yang diperoleh yaitu data jenis cacat thin dan thick untuk Yarn Uster secara
acak. Sedangkan pada jenis cacat nep didapatkan keptusan yaitu tolak H
0
karena nilai
p-value kurang dari dari nilai α, yang berarti bahwa jenis cacat nep tidak diambil
secara acak. Karena data yang digunakan pada makalah ini berasal dari data sekunder,
maka diasumsikan bahwa ketiga data diambil secara acak.

4.3 Peta Variable X - R

Dari data mesin 1,4,7,8,10 untuk yarn wrapping (count) akan dianalisis
menggunakan peta variable
̅
-R sebagai berikut:
73 65 57 49 41 33 25 17 9 1
30.2
30.0
29.8
29.6
29.4
Sample
S
a
m
p
l
e

M
e
a
n
_
_
X=29.8250
UCL=30.2284
LCL=29.4217
73 65 57 49 41 33 25 17 9 1
1.6
1.2
0.8
0.4
0.0
Sample
S
a
m
p
l
e

R
a
n
g
e
_
R=0.699
UCL=1.479
LCL=0
1 1
Xbar-R Chart of data

Gambar 4.5 : Peta Kendali x -R Data Jenis Mesin 1,4,7,8, dan 10
untuk Yarn Wrapping(Count)
Pada peta variable kontrol x -R dapat dijelaskan bahwa nilai dari pada Upper
Control Limit (UCL) sebesar 30,2284 dengan nilai Center Line (CL) sebesar 29,8250
dan Low Control Limit (LCL) sebesar 29,4217. Pada peta variable kontrol x -R
didapatkan 2 dari data yang melebihi batas kendali bawah sehingga dapat disimpulkan
bahwa mean proses tidak dalam keadaan terkendali atau tidak terkontrol. Untuk peta
variable kontrol R (range) didapat nilai UCL, CL dan LCL masing-masing sebesar
1,479, 0,699 dan 0,000. Dapat dilihat pada peta variable kontrol R data yang melebihi
UCL maupun LCL tidak ada sehingga dapat disimpulkan bahwa range dari data
dalam keadaan terkendali atau terkontrol.

4.4 Peta Variable X - S

Dari data mesin 1,4,7,8,10 untuk yarn wrapping (count) akan dianalisis
menggunakan peta variable x - S sebagai berikut:
73 65 57 49 41 33 25 17 9 1
30.2
30.0
29.8
29.6
29.4
Sample
S
a
m
p
l
e

M
e
a
n
_
_
X=29.8250
UCL=30.2284
LCL=29.4217
73 65 57 49 41 33 25 17 9 1
0.60
0.45
0.30
0.15
0.00
Sample
S
a
m
p
l
e

S
t
D
e
v
_
S=0.2826
UCL=0.5903
LCL=0
1 1
Xbar-S Chart of data

Gambar 4.5 : Peta Kendali x -R Data Jenis Mesin 1,4,7,8, dan 10
untuk Yarn Wrapping(Count)
Dapat dilihat pada peta variable kontrol x -S bahwa nilai dari pada UCL adalah
30,2284, nilai CL adalah 29,8250, sedangkan nilai untuk LCL adalah 29,4217. Pada
peta variable kontrol x -S dapat dilihat ada 2 dari data yang melebihi batas kendali
bawah sehingga dapat disimpulkan bahwa mean proses tidak terkendali atau tidak
terkontrol.
Untuk peta variable kontrol S didapat nilai UCL, CL dan LCL masing-masing
sebesar 0,5903, 0,2826 dan 0,000. Dapat dilihat pada peta variable kontrol S data
yang melebihi UCL maupun LCL tidak ada sehingga dapat disimpulkan bahwa
standar deviasi dari data dalam keadaan terkendali atau terkontrol.

4.5 Kapabilitas Proses

Pengujian apakah proses tersebut kapabel atau tidak adalah dengan
menggunakan kapabilitas proses. Dalam hal ini telah ditentukan bahwa untuk batas
spesifikasi atas dan bawah adalah masing-masing 31 dan 28, untuk mengetahuinya
dapat dilihat dari diagram distribusinya. Berikut merupakan diagram distribusi
kapabilitas dari data mesin 1,4,7,8,10 untuk yarn wrapping (count):
30.8 30.4 30.0 29.6 29.2 28.8 28.4 28.0
LSL USL
LSL 28
Target *
USL 31
Sample Mean 29.825
Sample N 400
StDev (Within) 0.300628
StDev (Ov erall) 0.320427
Process Data
Cp 1.66
CPL 2.02
CPU 1.30
Cpk 1.30
Pp 1.56
PPL 1.90
PPU 1.22
Ppk 1.22
Cpm *
Ov erall Capability
Potential (Within) Capability
PPM < LSL 0.00
PPM > USL 0.00
PPM Total 0.00
Observ ed Performance
PPM < LSL 0.00
PPM > USL 46.45
PPM Total 46.46
Exp. Within Performance
PPM < LSL 0.01
PPM > USL 122.75
PPM Total 122.76
Exp. Ov erall Performance
Within
Overall
Process Capability of data

Gambar 4.5 : Proses Kapabilitas Data Jenis Mesin 1,4,7,8, dan 10
untuk Yarn Wrapping(Count)
Dari gambar diagram kapabiltas proses dari data mesin 1,4,7,8,10 untuk yarn
wrapping (count) sebanyak 400 sampel dari data dengan nilai spesifikasi batas
terendah sebesar 28 (LSL / Low Spec Limit) dan spesifikasi nilai batas tertinggi
sebesar 31 (USL / Upper Spec Limit) sedangkan nilai dari pada sampel mean sebesar
29,825. Pada diagram tersebut dapat diketahui juga bahwa nilai indeks kapabilitas
proses (CP) sebesar 1,66 dimana nilai CP ini digunakan untuk mengukur tingkat
presisi dari suatu proses, untuk nilai dari CPL yaitu sebesar 2,02 dan nilai dari CPU
yaitu sebesar 1,30. Nilai CPK merupakan nilai minimum dari (CPL,CPU) yaitu
sebesar 1,30. Nilai CPK

ini digunakan untuk mengukur tingkat akurasi dari suatu
proses.
Dalam hal ini nilai dari pada Cp > 1 artinya batas spesifikasi perusahaan lebih
dari pada sebaran data pengamatan. Proses ini dikatakan dalam keadaan yang sudah
baik, tetapi perbaikan proses secara terus menerus masih tetap dilakukan. Dan juga
Berdasarkan nilai CP dapat diketahui tingkat presisi suatu proses, bila nilai C
p
< 1
maka suatu proses dikatakan memiliki tingkat presisi yang rendah namun bila C
p
> 1
maka suatu proses dikatakan memiliki tingkat presisi yang tinggi. Pada diagram
menunjukkan bahwa nilai dari pada CP adalah 1,66 sehingga nilai CP > 1, itu
menunjukkan bahwa proses memiliki tingkat presisi yang tinggi. Nilai CPK

digunakan untuk mengukur tingkat akurasi dari suatu proses, bila nilai CPK

< 1 maka
suatu proses dikatakan memiliki tingkat akurasi yang rendah namun bila CPK > 1
maka suatu proses dikatakan memiliki tingkat akurasi yang tinggi. Pada diagram
dapat ditunjukkan bahwa nilai dari pada CPK adalah 1,30 sehingga nilai CPK > 1, dan
itu menunjukkan bahwa proses memiliki tingkat akurasi yang tinggi.

4.3 Diagram Pareto

Pada makalah ini diagram pareto digunakan untuk mengidentifikasi jenis cacat
yang terjadi pada pemerikasaan ketidakhalusan benang (Yarn Uster), yang dibagi
menjadi 3 jenis cacat dan ditunjukkan pada gambar 4.6 berikut ini.
jumlah cacat 1256 123 11
Percent 90,4 8,8 0,8
Cum % 90,4 99,2 100,0
jenis cacat thin thick nep
1400
1200
1000
800
600
400
200
0
100
80
60
40
20
0
j
u
m
l
a
h

c
a
c
a
t
P
e
r
c
e
n
t
Pareto Chart of jenis cacat

Gambar 4.6 Diagram Pareto Cacat pada pemeriksaan Yarn Uster.
Pada Gambar 4.6 merupakan presentase jumlah cacat yang terjadi dalam
pemeriksaan Yarn Uster dari kelima mesin yang digunakan. Jenis cacat yang paling
banyak yaitu terjadi pada Nep (banyaknya titik-titik atau gumpalan putih pada benang.
Sedangkan cacat jenis thin (bagian benang yang lebih tipis dari ukuran yang
ditentukan) paling sedikit terjadi.

4.4 Diagram Ishikawa

Data untuk digram ishikawa berikut ini diambil berdasarkan informasi dari data
sekunder Tugas Akhir Mega Khoirunnisak, di PT. Lotus Indah Textile Industries
Surabaya periode Januari 2008. Diagram Ishikawa bertujuan untuk mengetahui
sesuatu yang menyebabkan terjadinya cacat. Dari tiga jenis dikelompokkan menjadi 2
yaitu untuk cacat jenis thin dan thick menjadi satu kelompok dan cacat jenis nep
untuk identifikasi sebab akibat.
dan thick
cacat thin
Methods
Material
Machines
sebelumny a
sisa-sisa pemintalan
bagus meninggalkan
komponen mesin kurang
berkala
kurangny a perwatan
ukuranny a sama
sulit dipintal hingga
menggumpal
adany a material y ang
kadar air terlalu bany ak
diurai
material sangat sulit
kurang tepat
mesin menggunakan metode
Cause-and-Effect Diagram

Gambar 4.7 Diagram Ishikawa untuk cacat thin dan thick
Melalui gambar 4.7 diagram ishikawa untuk cacat menjelaskan bahwa cacat
jenis thin dan thick yaitu perbedaan ketebalan benang (lebih tipis atau tebal)
disebabkan oleh 3 faktor , yaitu methods, mechine,dan material. Untuk faktor
material disebabkan karena material yang sangat sulit diurai dan dipintal hingga
ukurannya sama , selain itu juga terdapat material yang menggumpal karena kadar air
yang terlalu banyak. Pada faktor mesin dikarenakan mesin tidak dapat memintal
dengan baik akibat kurangnya perawtan mesin secara berkala. Mesin yang kurang
bagus mengakibatkan adanya sisa-sisa pemintalan dari proses sebelumnya. Dengan
adanya hal-hal seperti itu menunjukkan bahwa metode yang digunakan kurang tepat.
Data di bawah ini merupakan diagram ishikawa untuk cacat jenis nep, dimana
menurut diagram pareto menghasilkan jumlah cacat terbesar diantara yang lain.
cacat nep
Methods
Material
Machines
sempurna
mengurai dengan
mesin tidak dapat
tumpul
jarum pengurai sudah
material sulit diurai
bany ak
kadar air y ang terlalu
suplier
material awal dipercay akan pada
kehalusan benang kurang
menggunakan mesin sehingga
material awal
tidak adany a screening pada
Cause-and-Effect Diagram

Gambar 4.7 Diagram Ishikawa untuk cacat Nep
Berdasarkan gambar 4.7 dapat diketahui penyebab terjadinya cacat Nep
(gumpalan putih pada benang) yaitu berasal dari 3 faktor, tiga faktor yang dimaksud
yaitu methods, machines, dan material. Mesin yang tidak dapat mengurai dengan baik
dikarenakan jarum-jarum pengurai sudah tumpul. Dari segi material cacat Nep
dikarenakan kadar air yang terlalu banyak sehingga menyebabkan adanya gumpalan
putih. Perusahaan juga menerapkan sistem kepercayaan kepada suplier sehingga tidak
ad proses seleksi material dari awal. Proses pengerjaan yang menggunakan mesin
sehingga kehalusan benang kurang.
5. Kesimpulan
Setelah melakukan analisi pada praktikum quality control pada data sekunder Tugas
Akhir terhadap proses pembuatan benang di PT. Lotus Indah Textile Industries, dapat
diambil kesimpulan sebagai berikut:
1. Semua data pada inspeksi Yarn Wrapping mesin 1, 4, 7, 8, dan 10 berdistribusi
normal.sedangkan pada inspeksi Yarn Uster semua jenis cacat tidak
berdistribusi normal. Akan tetapi dalam makalah ini dianggap berdistribusi
normal.
2. Berdasarkan hasil perhitungan semua data sampel pada inspeksi Yarn
Wrapping mesin 1, 4, 7, 8, dan 10 diambil secara acak .sedangkan pada
inspeksi Yarn Uster hanya pada cacat jenis nep tidak memenuhi asumsi
keacakan selainnya memenuhi.
3. Pada peta variable kontrol x -R inspeksi Yarn Wrapping mesin 1, 4, 7, 8, dan
10 didapatkan 2 dari data yang melebihi batas kendali bawah sehingga dapat
disimpulkan bahwa mean proses tidak dalam keadaan terkendali atau tidak
terkontrol
4. Berdasarkan hasil pada peta variable kontrol x -S inspeksi Yarn Wrapping
mesin 1, 4, 7, 8, dan 10 didapatkan 2 dari data yang melebihi batas kendali
bawah sehingga dapat disimpulkan bahwa mean proses tidak terkendali atau
tidak terkontrol.
5. Pada diagram Pareto jenis cacat yang paling banyak yaitu terjadi di inspeksi
Yarn Uster adalah Nep (banyaknya titik-titik atau gumpalan putih pada
benang.
6. Pada diagram ishikawa menjelaskan bahwa cacat jenis thin dan thick yaitu
perbedaan ketebalan benang (lebih tipis atau tebal) serta cacat jenis Nep
disebabkan oleh 3 faktor , yaitu methods, mechine,dan material.

Daftar Pustaka

Walpole, E R. 1995. Pengantar Statistik Edisi Ketiga. Jakarta : PT Gramedia Pustaka Utama
Supranto, J.2000. Statistik Teori dan Aplikasi. Jakarta: Erlangga.
Montgomery Douglas C., “Pengantar Pengendalian Statistik”, (1991), Second ed, John Wiley
& Sons, Ne

Bagaimana hasil dari uji keacakan dari dari 80 data pada inspeksi Yarn Wrapping dan 100 data dari inspeksi Yarn Uster di PT. . Mengetahui hasil uji kenormalan kenormalan dari 80 data pada inspeksi Yarn Wrapping dan 100 data dari inspeksi Yarn Uster di PT. Sistem produksi yang digunakan di perusahaan ini bergantung padabanyaknya pesanan. Yang dapat dianalisis dari data variabel banyak cacat dalam pemeriksaan Uster (ketidakhalusan) melalui digram Pareto dan Ishikawa. 1. Lotus Indah Textile Industries . Lotus Indah Textile Industries. Lotus Indah Textile Industries ? 1. Bagaimana hasil dari uji kenormalan dari 80 data pada inspeksi Yarn Wrapping dan 100 data dari inspeksi Yarn Uster di PT. Peta kendali ̅ -S tetap digunakan pada makalah ini meskipun hanya terdapat 5 mesin. Bagaimana diagram sebab akibat untuk100 data dari inspeksi Yarn Uster di PT. Lotus Indah textile Industries menggunakan metode statistik yaitu peta kendali ̅ -R dan ̅ -S untuk variabel Caunt (berat benang) karena data bersifat variabel. Bagaimana diagram pareto dari 100 data dari inspeksi Yarn Uster di PT. ( khoirunnisak.7. Mengetahui hasil uji keacakan dari 80 data pada inspeksi Yarn Wrapping dan 100 data dari inspeksi Yarn Uster di PT.2008) Untuk menganalisis kualitas hasil produksi benang di PT. dan 10.3 Tujuan Dari latar belakang dan permasalah yang telah dijelaskan diatas maka dapat disusun tujuan dari laporan ini yaitu : 1. 4. Lotus Indah Textile Industries ? 3. Dimana kualitas pada bagian ini sangat mempengaruhi kualitas produk akhir. 2. setiap mesin tidak selalu memproduksi benang dalam jumlah yang sama setiap bulannya. Lotus Indah Textile Industries ? 6. Lotus Indah Textile Industries. Sedangkan untuk variabel banyak cacat dalam pemeriksaan Uster (ketidakhalusan) bersifat atribut sehingga tidak dapat menggunakan peta kendali ̅ -R dan ̅ -S.8. Lotus Indah Textile Industries? 4. yang nantinya akan dapat dibandingkan hasil dari peta kendali ̅ -R dan ̅ -S.2 Permasalahan 1. Bagaimana kapabilitas proses dari 80 data pada inspeksi Yarn Wrapping di PT. 4. Bagaimana peta ̅ -R dan ̅ -R dari 80 data pada inspeksi Yarn Wrapping di PT. Lotus Indah Textile Industries ? 3. Mengetahui kapabilitas proses dari 80 data pada inspeksi Yarn Wrapping di PT.Pada makalah ini yang digunakan sebagai obyek penelitian adalah produksi benang 30 rayon di bagian Quality Control khususnya pada inspeksi Yarn Wrapping (count) dan Yarn Uster proses Frame. Lotus Indah Textile Industries? 5. karena makalah ini ditunjukkan untuk proses pembelajaran. Dalam hal ini terdapat lima mesin yang digunakan sebagai alat produksi yaitu mesin 1. Mengetahui peta peta ̅ -R dan ̅ -R dari 80 data pada inspeksi Yarn Wrapping di PT. Lotus Indah Textile Industries ? 2.

2 Landasan Teori 2. Lotus Indah Textile Industries . Pada umumnya data yang diperoleh menggunakan statistika uji Kolmogorov Smirnov untuk data yang bersifat kontinyu. dari nilai mutlak beda Fn (X) – F0 (X)“. dan D dapat dibaca “D sama dengan supremus. diagram pareto dan diagram sebab akibat yang selama ini didapat secara langsung di kelas.2 Uji Keacakan Uji keacakan dilakukan untuk menguji keacakan (kerandoman) data sampel dari suatu populasi. Mengetahui hasil dari diagram sebab akibat untuk untuk100 data dari inspeksi Yarn Uster di PT.5. 1.1 Uji Kenormalan Uji normalitas bertujuan untuk mengetahui apakah data yang terkumpul berdistribusi normal. untuk semua x. Karena pada kumpulan data yang digunakan pada makalah ini bersifat kontinyu maka menggunakan uji Kolmogorov Smirnov.4 Manfaat Adapun manfaat dari praktikum kali ini diharapkan mahasiswa bisa lebih memahami dan mampu mengaplikasikan materi untuk peta pengendali variabel. Sedangkan untuk data nominal digunakan uji Chi Square. Lotus Indah Textile Industries . Hipotesis : H0 : Data pengamatan telah diambil secara acak dari suatu populasi. H1 : Data pengamatan yang diambil dari populasi tidak acak. Statistik uji : r = Banyaknya runtun yang terjadi Untuk sampel-sampel besar pendekatan yang baik distribusi sampling random adalah distribusi normal dengan Mean =  r  2n1n2  1 n1  n2 . Mengetahui hasil dari diagram pareto untuk 100 data dari inspeksi Yarn Uster di PT. 2. Kaidah pengambilan keputusan : H0 (hipotesa dugaan) ditolak pada taraf nyata () jika statistik uji (D) lebih besar dari kuantil 1- yang terdapat pada tabel kolmogorov smirnov atau nilai p-value < taraf nyata (). Berikut hipotesa dan statistika ujinya : Hipotesa : H0 : F0 (X) = F(X) (untuk semua nilai x) H1 : F0 (X)  F(X) (untuk sekurang-kurangnya sebuah nilai x) Statistik uji : D = Sup  Fn (X) – F0 (X)  Fn (X) merupakan fungsi peluang komulatif dari data sampel. 6. atau disebut juga uji sampel rangkaian tunggal. Biasanya uji ini menggunakan statistika Uji Run.

n2: Banyaknya data bertanda (-) atau huruf lainnya. Rumus peta kendali x .S adalah: UCL CL LCL = X  A2 R = X = X  A2 R = X  A3 S = X = X  A3 S Pada peta x terdapat 3 batas kendali yaitu UCL(Upper Central Limit). karena karakteristik kualitas dapat diukur dan dinyatakan dalam bilangan.Standar Deviasi =  r  2n1n2 (2n1n2  n1  n2 ) (n1  n2 )2 (n1  n2  1) Apabila n1 dan n2 lebih besar dari 20 maka H0 dapat diuji dengan :  2n n  r   1 2  1 n n  r  r  1 2  Z  r 2n1n2 (2n1n2  n1  n2 ) (n1  n2 ) 2 (n1  n2  1) Daerah kritis : Tolak H0.R adalah: UCL CL LCL Rumus peta kendali x .R dan peta kendali x . dan LCL (Lower Central Limit). Apabila proses dikatakan tidak terkendali maka terjadi variasi yang tidak alami sehingga perlu dicari penyebabnya.4 Peta R Sama halnya dengan peta x . batas-batas pengendali dan frekuensi pengambilan sampel. 2.3 Peta Kendali x Peta kendali x adalah salah satu dari jenis peta kendali variabel. peta R adalah peta kendali kedua yang merupakan peta kendali variabel. 2. Batas kendali Peta R adalah : UCL = R D4 . Satu faktor penting dalam penggunaan peta kendali x adalah rancangan peta kendali itu. CL(Central Limit). bila: r < rbawah atau r > ratas dari tabel nilai kritis untuk runtun r dengan n1 dan n2 Dimana: n1: Banyaknya data bertanda (+) atau huruf tertentu. Peta kendali x dapat dibagi menjadi dua yakni peta kendali x . Dalam hal ini yang dimaksudkan adalah pemilihan ukuran sampel. Jika semua titik pengamatan berada dalam batas kendali dan menyebar secara random maka dikatakan proses terkendali yang disebut sebagai indikasi variasi alami.S.

2. Proses ini dikatakan dalam keadaan yang baik. tetapi perbaikan proses secara terus – menerus masih tetap dilakukan. Hal ini dapat membantu menemukan permasalahan yang terpenting untuk segera diselesaikan (ranking tertinggi) sampai dengan yang tidak harus segera diselesaikan (ranking terendah) sehingga membantu meningkatan daerah yang menghasilkan keuntungan yang paling besar. tetapi masih perlu ditingkatkan kualitasnya. Cp = 1 artinya batas spesifikasi perusahaan sama dengan sebaran data pengamatan. karena banyak produk yang kualitasnya berada diluar batas spesifikasi. Dimana dalam diagram tersebut menunjukkan persentase kumulatif dari dan nilai hitung tiap bagan.CL LCL 2. 2. Proses ini dikatakan dalam keadaan yang kurang baik.5 Diagram Pareto Diagram Pareto merupakan suatu gambar atau diagram yang mengurutkan klasifikasi data dari kiri ke kanan menurut urutan ranking tertinggi hingga terendah. Proses ini dikatakan dalam keadaan yang sudah baik. 3. Ada tiga hal yang berkaitan dengan Indeks Cp : 1. peta R adalah peta kendali kedua yang merupakan = S B4 S = S B3 = 2.5 Peta S Sama halnya dengan peta peta kendali variabel. Cp < 1 artinya batas spesifikasi perusahaan lebih kecil dari pada sebaran data pengamatan. Rumus dari pada kapabilitas proses adalah sebagai berikut:  R d2 CP  USL  LSL 6 CPU  USL  X 3 CPL  X  LSL 3 Dimana : CP : Kapabilitas Proses CPU : Indeks performans proses atas CPL : Indeks performans proses bawah USL : Batas spesifikasi atas LSL : Batas spesifikasi bawah  : Standart deviasi proses actual.6 Kapabilitas Proses Kapabilitas proses adalah kemampuan suatu proses untuk beroperasi sesuai dengan batas spesifikasi. Batas kendali Peta R adalah : UCL CL LCL = R = R D3 x . Cp > 1 artinya batas spesifikasi perusahaan lebih dari pada sebaran data pengamatan. .

Mencari data sekunder dari Tugas Akhir atau Kerja Praktek Mahasiswa Statistika ITS c.7. pareto. material. Menyimpulkan hasil daru Peta Kendali Produksi. 4. Data tersebut digunakan untuk membuat diagram peta kendali.10 untuk yarn wrapping (count) benang tidak berdistribusi normal Taraf Signifikan : α = 0. Mengolah data sekunder tersebut dalam bentuk peta kendali produksi. dan ishikawa menggunakan software Minitab.2.05 Statistik Uji Daerah Kritis : D  Sup Fn( x)  Fo( x) : Tolak H0 jika p-value < α (0. e. f. Manfaat dari diagram sebab akibat adalah mampu mengidentifikasikan penyebab dari suatu permasalahan sehingga dapat diketahui sumber terjadinya masalah. Pareto. manusia.4.6 Diagram Sebab Akibat atau Diagram Ishikawa Ditemukan oleh Hitoshi Kume pada tahun 1937. Langkah-langkah dalam pembuatan makalah ini adalah: a. Pareto.7.1 Uji Kenormalan Data Setelah diketahui statistik deskrptif dari datanya maka perlu diketahui apakah data tersebut normal atau tidak. Diagram sebab akibat menggambarkan hubungan antara karakteristik mutu yang merupakan akibat faktor yang merupakan sebab yang terdiri dari faktor metode. ishikawa yang kemudian dianalisis.8. Menentukan persoalan b. d. Metodologi Pada makalah ini menggunakan data sekunder yaitu berasal dari Tugas Akhir mahasiswa Statistika ITS di PT. Lotus Indah Textile Industries Surabaya. Menguji apakah data yang didapat berdistribusi normal dan independent.4.05) . dan mesin. dan Ishikawa. Menganalisis hasil dari peta kendali Produksi. Berikut uji kenormalan datanya : Hipotesis : H0 : Data mesin 1.10 untuk yarn wrapping (count) benang berdistribusi normal H1 : Data mesin 1. karena data yang baik sebaiknya berdistribusi normal agar dapat dianalisis. pareto. dan Ishikawa. lingkungan. Sumber permasalahan yang lebih diutamakan adalah 20% penyebab cacat. Diagram sebab akibat bertujuan untuk mengetahui faktor-faktor apa saja yang menjadi penyebab dari terjadinya suatu masalah.8. 5. Analisa dan pembahasan 4.

0 30.3022 80 0.thick. Hipotesis : H0 : Data jenis cacat thin.099 0.150 Percent 29.0 29.0 Gambar 4.5 31.1 Mean StDev N KS P-Value 29.0 29.75 0. dan 10.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.05 .3501 80 0.Probability Plot of mesin 1 Normal 99.1 normality test untuk mesin 1.074 >0.1 Mean StDev N KS P-Value 29.0 mesin 10 30.5 30.70 0.2775 80 0.5 31.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.88 0.1 Probability Plot of mesin 4 Normal Mean StDev N KS P-Value 29.5 mesin 8 30. Untuk menguji kenormalan dari jenis cacat yang terjadi pada pemeriksaan ketidakhalusan benang (yarn uster) dilakukan pengujian melalui softwre minitab dengan sampel masing-masing sebanyak 100 adalah sebagai berikut.0 Percent 29.0 29. H1 : Data Data jenis cacat thin. dan 10 berdistribusi normal.thick.1 Mean StDev N KS P-Value 29.0 mesin 1 30.4. Taraf Signifikan : α = 0.0 mesin 4 30. nep yang terjadi pada pemerikasaan ketidakhalusan benang (Yarn Uster) tidak berdistribusi normal.5 Probability Plot of mesin 10 Normal 99. nep yang terjadi pada pemerikasaan ketidakhalusan benang (Yarn Uster)berdistribusi normal.7.1 Mean StDev N KS P-Value 29.5 31.5 30.075 >0.073 >0.053 99.5 30.5 31.0 29.95 0.0 mesin 7 30.0 29.7.0 Probability Plot of mesin 7 Normal 99.150 Probability Plot of mesin 8 Normal 99. 8.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0. dan 10 Pada gambar bahwa dapat dilihat semua p-value > 0. 8.150 Percent Percent 29.84 0.070 >0.5 30.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0. 7.150 Percent 29.0 29. Sehingga didapatkan keputusan gagal tolak H0 dan dapat dinyatakan bahwa semua data pada mesin 1. 8.4.05 dari hasil normality test pada mesin 1.3147 80 0. 4.2952 80 0.

23 1.0 1.5 thin 1.01 pada taraf signifikan 0.1 Mean StDev N KS P-Value 4.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0. sehinnga keputusan yang diambil yaitu tolak H 0 yang berarti data sampel ketiga jenis cacat tidak berasal dari populasi berdistribusi .56 4.5 0.1 Mean StDev N KS P-Value 12.01 pada taraf signifikan 0.05.2 dapat diketahui bahwa p-value untuk thick.1 Probability Plot of thin Normal Mean StDev N KS P-Value 0.288 <0.05) Probability Plot of thick Mean StDev N KS P-Value 1.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.0 Probability Plot of nep Normal 99.117 <0.384 100 0.Statistik Uji Daerah Kritis 99. nep pada Pemeriksaan Yarn Uster Berdasarkan Gambar 4.11 0.1 : D  Sup Fn( x)  Fo( x) Normal : Tolak H0 jika p-value < α (0.010 99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.525 <0.010 Percent 0 5 10 15 nep 20 25 30 Gambar 4.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0. dan nep mempunyai nilai yang sama yaitu 0.3451 100 0.5 2.2 dapat diketahui bahwa p-value untuk ketiga jenis cacat yaitu 0.633 6.thick.0 0.05.010 Percent -20 -10 0 10 ketiga jenis cacat 20 30 Gambar 4.256 <0.3 Normality Test untuk ketiga Jenis Cacat pada Pemeriksaan Yarn Uster Berdasarkan Gambar 4. sehinnga keputusan yang diambil yaitu tolak H0 yang berarti data sampel jenis cacat thin. dan nep tidak berasal dari populasi berdistribusi normal.0 -0. Dan apabila di uji secara serentak dari 3 jenis cacat didapatkan hasil berikut Probability Plot of ketiga jenis cacat Normal 99.770 100 0.2 Normality Test untuk Jenis Cacat thin.thick. thin.320 300 0.010 Percent -4 -2 0 2 thick 4 6 8 Percent -1.

1 Uji Keacakan Data pada data yarn wrapping (count) benang.normal. karena data yang dipakai adalah data sampel yang diambil sebanyak 80 data dari populasi yang sebenarnya.2.7. Taraf Signifikan : α = 0. maka diasumsikan data berdistribusi normal agar dapat dianalisis lebih lanjut.10 untuk yarn wrapping (count) yang diambil secara tidak acak.4. maka perlu diketahui apakah data sampel tersebut telah diambil secara acak atau tidak.  atau nilai Z dibandingkan dengan distribusi Runs test for mesin 1 Runs above and below K = 29. Namun karena makalah ini hanya menggunakan data sekunder.2 Uji Keacakan Data 4.9536 The observed number of runs = 43 The expected number of runs = 40. 4. 40 below P-value = 0.775 37 observations above K.615 Runs test for mesin 4 Runs above and below K = 29.8.8. Berikut uji keacakan data yarn wrapping (count) benang : Hipotesis : H0 : Data mesin 1.822 . 43 below P-value = 0.8849 The observed number of runs = 40 The expected number of runs = 41 40 observations above K.10 untuk yarn wrapping (count) diambil secara acak.4.05 Statistik Uji : Karena sampel yang diambil > 30 buah maka menggunakan rumus : r  2n1n2 2n1n2  n1  n2  2n1n2 1 n1  n2 n1  n2 2 n1  n2  1 Daerah kritis : Tolak H0 Jika P-value < normal baku.7. Uji keacakan digunakan untuk menentukan apakah sampel sudah diambil secara acak atau tidak. H1 : Data mesin 1.

Taraf Signifikan : α = 0.  atau nilai Z dibandingkan dengan distribusi Runs test for thin Runs above and below K = 0.05 yang berarti gagal tolak H0 karena nilai p-value lebih besar dari nilai α.7.775 43 observations above K.822 Runs test for mesin 10 Runs above and below K = 29. H1 : Data 3 jenis untuk yarn uster yang diambil secara tidak acak.8352 The observed number of runs = 33 The expected number of runs = 40. 4. 90 below * N is small.11 The observed number of runs = 17 The expected number of runs = 19 10 observations above K. 40 below P-value = 0.Runs test for mesin 7 Runs above and below K = 29.2 Uji Keacaakan pada 3 Jenis Cacat di Pemeriksaan yarn uster data sampel yang diambil sebanyak 100 data dari populasi yang sebenarnya.8.078 Runs test for mesin 8 Runs above and below K = 29.703 The observed number of runs = 40 The expected number of runs = 41 40 observations above K.975 41 observations above K. Sehingga kesimpulan yang diperoleh yaitu data mesin 1.05 Statistik Uji : Karena sampel yang diambil > 30 buah maka menggunakan rumus : r  2n1n2 2n1n2  n1  n2  2n1n2 1 n1  n2 n1  n2 2 n1  n2  1 Daerah kritis : Tolak H0 Jika P-value < normal baku.2.4 : Uji Keacakan Pada 5 Jenis Mesin dalam Yarn wrapping (caunt) Nilai p-value yang diperoleh dari hasil Gambar lebih besar dari pada 0. so the following approximation may be invalid.4. 39 below P-value = 0. 37 below P-value = 0.073 Gambar 4. . maka perlu diketahui apakah data sampel tersebut telah diambil secara acak atau tidak.10 untuk yarn wrapping (count) diambil secara acak.7484 The observed number of runs = 33 The expected number of runs = 40. Berikut uji keacakan data yarn uster : Hipotesis : H0 : Data 3 jenis cacat untuk yarn uster diambil secara acak.

479.7.2284 dengan nilai Center Line (CL) sebesar 29. Untuk peta variable kontrol R (range) didapat nilai UCL.78 31 observations above K.7.8250 dan Low Control Limit (LCL) sebesar 29. 69 below P-value = 0. Sehingga kesimpulan yang diperoleh yaitu data jenis cacat thin dan thick untuk Yarn Uster secara acak.10 untuk yarn wrapping (count) akan dianalisis menggunakan peta variable ̅ -R sebagai berikut: Xbar-R Chart of data 30.001 pada taraf signifikan 0.699 dan 0. . yang berarti bahwa jenis cacat nep tidak diambil secara acak. yang berarti gagal tolak H0 karena nilai p-value lebih besar dari nilai α pada jenis cacat thin dan thick.4 0.dan nep berturut-turut adalah 0.374 Runs test for nep Runs above and below K = 12. dan 10 untuk Yarn Wrapping(Count) Pada peta variable kontrol x -R dapat dijelaskan bahwa nilai dari pada Upper Control Limit (UCL) sebesar 30.23 The observed number of runs = 40 The expected number of runs = 43.4217. Sedangkan pada jenis cacat nep didapatkan keptusan yaitu tolak H 0 karena nilai p-value kurang dari dari nilai α.R Dari data mesin 1. Karena data yang digunakan pada makalah ini berasal dari data sekunder.4.0 1 9 17 25 33 41 Sample 49 57 65 73 U C L=1.56 The observed number of runs = 34 The expected number of runs = 50. Dapat dilihat pada peta variable kontrol R data yang melebihi UCL maupun LCL tidak ada sehingga dapat disimpulkan bahwa range dari data dalam keadaan terkendali atau terkontrol.5 : Uji Keacakan Pada 3 Jenis cacat dalam inspeksi Yarn Uster Nilai p-value pada runs test jenis cacat thin.8.001 Gambar 4.5 : Peta Kendali x -R Data Jenis Mesin 1.2 0.8 0. 4. thick.4 1 9 17 LC L=29.6 1.8250 1 25 33 41 Sample 49 57 65 73 1.3 Peta Variable X .3704 dan 0.P-value = 0. 0.8 29. maka diasumsikan bahwa ketiga data diambil secara acak.8. 57 below P-value = 0.0 29.4217 1 _ _ X=29.2284 Sample Mean 30. 0.479 Sample Range _ R=0.4.6 29.000.255.255 Runs test for thick Runs above and below K = 1.699 LC L=0 Gambar 4. CL dan LCL masing-masing sebesar 1.02 43 observations above K.2 U C L=30. Pada peta variable kontrol x -R didapatkan 2 dari data yang melebihi batas kendali bawah sehingga dapat disimpulkan bahwa mean proses tidak dalam keadaan terkendali atau tidak terkontrol.05.

Untuk peta variable kontrol S didapat nilai UCL.2 Sample M ean U C L=30. nilai CL adalah 29.S sebagai berikut: Xbar-S Chart of data 30. Dalam hal ini telah ditentukan bahwa untuk batas spesifikasi atas dan bawah adalah masing-masing 31 dan 28.5 Kapabilitas Proses Pengujian apakah proses tersebut kapabel atau tidak adalah dengan menggunakan kapabilitas proses.5903.10 untuk yarn wrapping (count): .2284 30. sedangkan nilai untuk LCL adalah 29.8250 1 25 33 41 Sample 49 57 65 73 0.8.000.0 29.30 0.2826 dan 0. Berikut merupakan diagram distribusi kapabilitas dari data mesin 1. CL dan LCL masing-masing sebesar 0.45 0. dan 10 untuk Yarn Wrapping(Count) Dapat dilihat pada peta variable kontrol x -S bahwa nilai dari pada UCL adalah 30.4.4217.5 : Peta Kendali x -R Data Jenis Mesin 1.4217 1 _ _ X=29.4 1 9 17 LC L=29.5903 0. untuk mengetahuinya dapat dilihat dari diagram distribusinya.7.S Dari data mesin 1.2826 Gambar 4.7. 4.4 Peta Variable X .4.8250.6 29. 0.10 untuk yarn wrapping (count) akan dianalisis menggunakan peta variable x . Dapat dilihat pada peta variable kontrol S data yang melebihi UCL maupun LCL tidak ada sehingga dapat disimpulkan bahwa standar deviasi dari data dalam keadaan terkendali atau terkontrol.8.60 Sample StDev U C L=0.00 1 9 17 25 33 41 Sample 49 57 65 73 LC L=0 _ S =0.4.4.8 29. Pada peta variable kontrol x -S dapat dilihat ada 2 dari data yang melebihi batas kendali bawah sehingga dapat disimpulkan bahwa mean proses tidak terkendali atau tidak terkontrol.2284.7.15 0.8.

30 sehingga nilai CPK > 1.300628 S tD ev (O v erall) 0. Dalam hal ini nilai dari pada Cp > 1 artinya batas spesifikasi perusahaan lebih dari pada sebaran data pengamatan. Proses ini dikatakan dalam keadaan yang sudah baik. Within P erformance P P M < LS L 0.46 E xp.4.7. O v erall P erformance P P M < LS L 0.6 30.66 C P L 2.10 untuk yarn wrapping (count) sebanyak 400 sampel dari data dengan nilai spesifikasi batas terendah sebesar 28 (LSL / Low Spec Limit) dan spesifikasi nilai batas tertinggi sebesar 31 (USL / Upper Spec Limit) sedangkan nilai dari pada sampel mean sebesar 29.825. dan 10 untuk Yarn Wrapping(Count) Dari gambar diagram kapabiltas proses dari data mesin 1.8.02 dan nilai dari CPU yaitu sebesar 1.00 E xp.00 P P M > U S L 46. Nilai CPK merupakan nilai minimum dari (CPL.56 1.76 Gambar 4.75 P P M Total 122. Pada diagram menunjukkan bahwa nilai dari pada CP adalah 1. Pada diagram tersebut dapat diketahui juga bahwa nilai indeks kapabilitas proses (CP) sebesar 1.4 30.30 O v erall C apability Pp PPL PPU P pk C pm 1. itu menunjukkan bahwa proses memiliki tingkat presisi yang tinggi. Nilai CPK digunakan untuk mengukur tingkat akurasi dari suatu proses.00 P P M Total 0.66 dimana nilai CP ini digunakan untuk mengukur tingkat presisi dari suatu proses.2 29. . Nilai CPK ini digunakan untuk mengukur tingkat akurasi dari suatu proses.30 C pk 1.90 1. 4.5 : Proses Kapabilitas Data Jenis Mesin 1.22 * 28.3 Diagram Pareto Pada makalah ini diagram pareto digunakan untuk mengidentifikasi jenis cacat yang terjadi pada pemerikasaan ketidakhalusan benang (Yarn Uster).320427 USL Within Ov erall P otential (Within) C apability Cp 1.8. Dan juga Berdasarkan nilai CP dapat diketahui tingkat presisi suatu proses.45 P P M Total 46. Pada diagram dapat ditunjukkan bahwa nilai dari pada CPK adalah 1. bila nilai Cp < 1 maka suatu proses dikatakan memiliki tingkat presisi yang rendah namun bila C p > 1 maka suatu proses dikatakan memiliki tingkat presisi yang tinggi.0 28.0 30.8 O bserv ed P erformance P P M < LS L 0.Process Capability of data LSL P rocess D ata LS L 28 Target * USL 31 S ample M ean 29.02 C P U 1. tetapi perbaikan proses secara terus menerus masih tetap dilakukan. bila nilai CPK < 1 maka suatu proses dikatakan memiliki tingkat akurasi yang rendah namun bila CPK > 1 maka suatu proses dikatakan memiliki tingkat akurasi yang tinggi.7.825 S ample N 400 S tD ev (Within) 0.6 berikut ini.01 P P M > U S L 122.00 P P M > U S L 0.30.66 sehingga nilai CP > 1. dan itu menunjukkan bahwa proses memiliki tingkat akurasi yang tinggi.4.30.4 28. yang dibagi menjadi 3 jenis cacat dan ditunjukkan pada gambar 4. untuk nilai dari CPL yaitu sebesar 2.CPU) yaitu sebesar 1.22 1.8 29.

Cause-and-Effect Diagram Material material sangat sulit diurai kadar air terlalu bany ak adany a material y ang menggumpal sulit dipintal hingga ukuranny a sama cacat thin dan thick mesin menggunakan metode kurang tepat komponen mesin kurang bagus meninggalkan sisa-sisa pemintalan sebelumny a kurangny a perw atan berkala Methods Machines Gambar 4. selain itu juga terdapat material yang menggumpal karena kadar air yang terlalu banyak. mechine.8 99.4 Diagram Ishikawa Data untuk digram ishikawa berikut ini diambil berdasarkan informasi dari data sekunder Tugas Akhir Mega Khoirunnisak. Dari tiga jenis dikelompokkan menjadi 2 yaitu untuk cacat jenis thin dan thick menjadi satu kelompok dan cacat jenis nep untuk identifikasi sebab akibat. di PT.4 90.8 100. Lotus Indah Textile Industries Surabaya periode Januari 2008.7 diagram ishikawa untuk cacat menjelaskan bahwa cacat jenis thin dan thick yaitu perbedaan ketebalan benang (lebih tipis atau tebal) disebabkan oleh 3 faktor . Diagram Ishikawa bertujuan untuk mengetahui sesuatu yang menyebabkan terjadinya cacat. Jenis cacat yang paling banyak yaitu terjadi pada Nep (banyaknya titik-titik atau gumpalan putih pada benang.0 20 0 100 80 60 40 jumlah cacat Gambar 4.2 thin 11 0.7 Diagram Ishikawa untuk cacat thin dan thick Melalui gambar 4.6 merupakan presentase jumlah cacat yang terjadi dalam pemeriksaan Yarn Uster dari kelima mesin yang digunakan. yaitu methods. Untuk faktor material disebabkan karena material yang sangat sulit diurai dan dipintal hingga ukurannya sama .dan material. Pada faktor mesin dikarenakan mesin tidak dapat memintal Percent . 4.4 thick 123 8.Pareto Chart of jenis cacat 1400 1200 1000 800 600 400 200 0 jenis cacat jumlah cacat Percent Cum % nep 1256 90. Sedangkan cacat jenis thin (bagian benang yang lebih tipis dari ukuran yang ditentukan) paling sedikit terjadi. Pada Gambar 4.6 Diagram Pareto Cacat pada pemeriksaan Yarn Uster.

Pada peta variable kontrol x -R inspeksi Yarn Wrapping mesin 1. machines. Dengan adanya hal-hal seperti itu menunjukkan bahwa metode yang digunakan kurang tepat.7 dapat diketahui penyebab terjadinya cacat Nep (gumpalan putih pada benang) yaitu berasal dari 3 faktor. 3. dimana menurut diagram pareto menghasilkan jumlah cacat terbesar diantara yang lain. Mesin yang kurang bagus mengakibatkan adanya sisa-sisa pemintalan dari proses sebelumnya. 4.sedangkan pada inspeksi Yarn Uster semua jenis cacat tidak berdistribusi normal. 8. Cause-and-Effect Diagram Material kadar air y ang terlalu bany ak material sulit diurai cacat nep material aw al dipercay akan pada suplier menggunakan mesin sehingga kehalusan benang kurang tidak adany a screening pada material aw al mesin tidak dapat mengurai dengan sempurna jarum pengurai sudah tumpul Methods Machines Gambar 4. Perusahaan juga menerapkan sistem kepercayaan kepada suplier sehingga tidak ad proses seleksi material dari awal. dan 10 berdistribusi normal.sedangkan pada inspeksi Yarn Uster hanya pada cacat jenis nep tidak memenuhi asumsi keacakan selainnya memenuhi. dan material. 8. Mesin yang tidak dapat mengurai dengan baik dikarenakan jarum-jarum pengurai sudah tumpul. Berdasarkan hasil perhitungan semua data sampel pada inspeksi Yarn Wrapping mesin 1. Proses pengerjaan yang menggunakan mesin sehingga kehalusan benang kurang. 7. 4. 8. Semua data pada inspeksi Yarn Wrapping mesin 1. 7.7 Diagram Ishikawa untuk cacat Nep Berdasarkan gambar 4. Kesimpulan Setelah melakukan analisi pada praktikum quality control pada data sekunder Tugas Akhir terhadap proses pembuatan benang di PT. 5. Akan tetapi dalam makalah ini dianggap berdistribusi normal. Data di bawah ini merupakan diagram ishikawa untuk cacat jenis nep. Dari segi material cacat Nep dikarenakan kadar air yang terlalu banyak sehingga menyebabkan adanya gumpalan putih. dan 10 diambil secara acak . dapat diambil kesimpulan sebagai berikut: 1.dengan baik akibat kurangnya perawtan mesin secara berkala. 7. 4. tiga faktor yang dimaksud yaitu methods. dan 10 didapatkan 2 dari data yang melebihi batas kendali bawah sehingga dapat disimpulkan bahwa mean proses tidak dalam keadaan terkendali atau tidak terkontrol . 2. Lotus Indah Textile Industries.

(1991). “Pengantar Pengendalian Statistik”. Second ed. J. yaitu methods. Pengantar Statistik Edisi Ketiga. John Wiley & Sons. 4. Jakarta : PT Gramedia Pustaka Utama Supranto. 7. dan 10 didapatkan 2 dari data yang melebihi batas kendali bawah sehingga dapat disimpulkan bahwa mean proses tidak terkendali atau tidak terkontrol. 5. Pada diagram Pareto jenis cacat yang paling banyak yaitu terjadi di inspeksi Yarn Uster adalah Nep (banyaknya titik-titik atau gumpalan putih pada benang. Berdasarkan hasil pada peta variable kontrol x -S inspeksi Yarn Wrapping mesin 1. Ne . 6. Jakarta: Erlangga. Daftar Pustaka Walpole. 8. 1995. Pada diagram ishikawa menjelaskan bahwa cacat jenis thin dan thick yaitu perbedaan ketebalan benang (lebih tipis atau tebal) serta cacat jenis Nep disebabkan oleh 3 faktor . E R. Montgomery Douglas C.. Statistik Teori dan Aplikasi. mechine.2000.4.dan material.