A.
KENDALI
PROSES STATISTIK (SPC)
Statistik
proses kontrol (SPC) adalah aplikasi metode statistika untuk pemantauan dan
pengendalian proses untuk memastikan bahwa dia bekerja pada potensi penuh untuk
menghasilkan produk yang sesuai. Dalam SPC, proses berperilaku diduga untuk
memproduksi sebanyak mungkin produk sesuai dengan limbah paling mungkin. Alat
kunci dalam SPC adalah kontrol grafik, fokus pada perbaikan terus-menerus dan
dirancang percobaan.
Dalam
menggunakan SPC untuk mengukur kinerja suatu proses, suatu proses dikatakan
bekerja dalam kendali statistika apabila sumber variasinya hanya berasal dari
sebab - sebab umum (alamiah) dan variasi khusus / terusut (assignable).
Tujuan dari SPC adalah memberikan sinyal statistika apabila terdapat sebab - sebab
variasi khusus. Dengan SPC kita dapat
mempercepat tindakan yg diperlukan untuk menyingkirkan sebab - sebab khusus (assignable)
tersebut.
SEJARAH SINGKAT
SPC
dicetuskan pertama kali oleh Walter Andrew Shewhart ketika bekerja di Bell
Telephone Laboratories, Inc. (divisi R&D untuk perusahaan AT&T dan Western Electric) pada tahun 1920-an. Dalam
dokumen sejarah Western Electric diceritakan pada tahun 1918, tahun di mana
Shewhart bergabung di Departemen
Inspection Engineering, Western Electric di Hawthorne, manajamen kualitas industri masih terbatas
pada kegiatan inspeksi produk jadi dan memperbaiki/membuang barang-barang
cacat.
Semuanya
berubah pada bulan Mei 1924, atasan Shewhart, George Edwards, menceritakan:
“Dr.
Shewhart telah menyiapkan sebuah memo
kecil yang panjangnya hanya sekitar satu halaman. Sepertiga halaman berisi
sebuah skema sederhana yang sekarang dikenal sebagai peta kendali. Dalam skema
tersebut, dan teks singkat yang mendahului dan mengikutinya, tercantum semua
prinsip-prinsip dan pertimbangan-pertimbangan
penting tentang apa yang kita kenal sekarang sebagai proses pengendalian
kualitas. ” (Porticus, n.d., Western
Electric and the Quality Movement section, para. 3).
Pada
tahun yang sama, Shewhart menciptakan peta kendali statistik pertama untuk
proses manufaktur melalui prosedur-prosedur sampling statistik. Kemudian
Shewhart mempublikasikan penemuannya dalam buku Economic Control of Quality of
Manufactured Product pada tahun 1931.
ASQ
(American Society for Quality) mencatat peningkatan penggunaan peta kendali
mulai terjadi selama Perang Dunia II di Amerika Serikat untuk menjamin kualitas
amunisi dan produk strategis penting lainnya. Penggunaan SPC agak berkurang
setelah perang, namun menjadi booming sampai sekarang setelah revolusi perbaikan
kualitas di Jepang pada tahun 1970-an, tahun di mana orang-orang Jepang
menyambut baik masukan dari W. Edwards Deming yang salah satunya adalah
penggunaan SPC.
VARIASI ILMIAH (NATURAL VARIATION)
Variasi
Ilmiah (Natural Variation) adalah variabelitas yg mempengaruhi setiap proses
produksi dgn derajat yg berbeda dan telah diproduksi sebelumnya, serta sering
disebut suatu penyebab umum. Variasi alamiah bertindak seperti suatu sistem
konstan yg memproduksi sebab-sebab yang sifatnya acak. Meskipun setiap nilainya
berbeda, sebagai suatu kelompok, nilai mereka tersebut membentuk suatu pola yg
dapat digambarkan sebagai suatu distribusi (distribution).
Apabila
distribusi ini normal, sebaran tersebut dapat dikarakteristikan oleh dua
parameter :
a.
Rerata (µ) : ukuran kecendrungan terpusat yaitu nilai rata-rata.
b.
Standar deviasi (σ)
: ukuran sebaran atau dispersi.
Selama
distribusinya (ukuran - ukuran keluarannya) tetap berada dalam batas yang telah
ditetapkan, proses tersebut dikatakan “terkendali” dan variasi alamiah tersebut
dapat diterima (ditoleransi).
VARIASI TERSUSUT (ASSIGNABLE
VARIATION)
Variasi
Tersusut (Assignable Variation) adalah variasi dalam proses produksi yang dapat
ditelusuri ke sebab-sebab tertentu.
Faktor - faktor seperti usangnya mesin, kesalahan pengaturan pada
peralatan, pekerja yang lelah atau tidak terlatih, sumber bahan baku yang baru
merupakan sumber potensial dari variasi terusut.
Variasi
alamiah dan variasi terusut membedakan dua buah tugas tujuan manajer
operasional :
a. Variasi
alamiah : harus bekerja secara
terkendali.
b. Variasi
terusut : harus dikenali dan disingkirkan
sehingga semua proses tetap berada dalam kendali.
DIAGRAM KENDALI
Ada
tiga jenis keluaran proses dalam kendali proses :
1) Berada
dalam kendali dan proses tersebutmampu menghasilkan barang dalam batas-batas
kendali yang telah ditetapkan.Suatu proses hanya dengan variasi alamiah dan mampu
menghasilkan barang dalam batas kendali yg telah ditetapkan.
2) Berada
dalam kendali, tetapi proses tersebut tidak mampu menghasilkan barang dalam
batas kendali. Suatu proses yang terkendali (hanya ada variasi sebab alamiah) tetapi
tidak mampu menghasilkan barang dalam batas-batas kendali yang telah
ditetapkan.
3) Di
luar kendali : suatu proses yang tidak terkendali karena mempunyai variasi-
variasi sebab yang terusut.
Gambar
Kendali Proses : Tiga Jenis Keluaran Proses
1.
DIAGRAM
KENDALI VARIABEL
l Diagram
Diagram kendali kualitas untuk variabel yang menunjukkan
terjadinya perubahan dalam kecenderungan terpusat dari suatu proses
produksi. Perubahan ini dapat disebabkan
oleh factor -faktor : usangnya peralatan, kenaikan suhu secara bertahap, metode
berbeda yg digunakan oleh giliran kerja kedua, atau bahan-bahan yang baru dan
lebih kuat.
l Diagram
R
Diagram kendali yang menelusuri
“jangkauan” (range=R) dalam suatu sampel, grafik ini menunjukkan peningkatan
atau penurunan dalam keseragaman yg telah terjadi dalam seberan dari suatu
proses produksi.
Perubahan-perubahan yg terjadi
berupa ausnya bantalan proses, peralatan yang longgar, aliran pelumas yang
tidak teratur ke dalam mesin, atau kecerobahan operator mesin.
2.
TEOREMA LIMIT
TENGAH
Landasan teoritis bagi
diagram adalah teorema limit tengah (central limit theorem). Teorema ini
menyatakan terlepas dari distribusi populasinya, distribusi sampel akan cenderung mengikuti kurva normal
seiring dengan ditingkatkannya jumlah sampel.
Teorema tersebut juga
menyatakan :
1) Rerata
dari distribusi(disebut ) akan sama
dengan rerata dari seluruh populasi µ.
2) Standar deviasi dari
distribusi sampling σ akan menjadi deviasi standar populasi σ dibagi dengan akar kuadrat dari jumlah
sampelnya n, dengan kata lain :
dan
Hubungan antara Populasi dan
Distribusi Sampling
3.
MENETAPKAN
BATAS-BATAS DIAGRAM RERATA
· Batas kendali atas
(upper control limit = UCL) :
· Batas kendali bawah (lower
control limit = LCL) :
dimana;
= rerata dari banyak sampel atau suatu
nilai sasaran yang ditetapkan untuk proses tersebut
z = angka untuk standar deviasi normal
(2 untuk keyakinan 95,45%, 3 untuk 99,73%)
= standar deviasi dari rerata – rerata
sample = /
= standar deviasi
populasi (proses)
n= ukuran sampel
Karena
standar deviasi proses tidak diketahui atau sulit dihitung, kita umumnya
menghitung batas – batas kendali berdasarkan nilai jangkauan rata – rata, bukan
berdasarkan standar deviasi. Jangkauan didefinisikan sebagai selisih antara
nilai terbesar dan nilai terkecil dalam suatu sampel.
Tabel
dibawah ini memberikan konversi yang kita perlukan untuk menghitung batas –
batas kendali berdasarkan nilai jangkauan rata – rata.
TABEL Faktor
– Faktor untuk Menghitung Batas – Batas Diagram Kendali
UkuranSampel, n
|
FaktorRerata, A2
|
JangkauanAtas, D4
|
JangkauanBawah, D3
|
2
|
1,880
|
3,268
|
0
|
3
|
1,023
|
2,574
|
0
|
4
|
0,729
|
2,282
|
0
|
5
|
0,577
|
2,115
|
0
|
6
|
0,483
|
2,004
|
0
|
7
|
0,419
|
1,924
|
0,076
|
8
|
0,373
|
1,864
|
0,136
|
9
|
0,337
|
1,816
|
0,184
|
10
|
0,308
|
1,777
|
0,223
|
12
|
0,266
|
1,716
|
0,284
|
·
Batas kendali atas (upper control
limit = UCL) :
·
Batas kendali bawah (lower control
limit = LCL) :
dimana;
R = jangkauan rata – rata dari sampel
A2 = nilai yang
diperoleh dari Tabel
= rerata dari rerata – rerata sampel
Contoh Soal Menetapkan
Batas – Batas Kendali Menggunakan Sampel
Berat
kotak – kotak Oat Flakes dalam suatu lot produksi besar disampel setiap jamnya.
Manajernya ingin menetapkan batas – batas kendali yang mencakup 99,73% dari
seluruh rerata sampelnya.
Pendekatan:
Pilih secara acak dan timbang berat dari Sembilan (n = 9) kotak setiap jamnya
hingga jam ke-12. Kemudian carilah rerata keseluruhannya.
BobotSampel
|
BobotSampel
|
BobotSampel
|
|||
Jam
|
Mean (9 kotak)
|
Jam
|
Mean (9 kotak)
|
Jam
|
Mean (9 kotak)
|
1
|
16,1
|
5
|
16,5
|
9
|
16,3
|
2
|
16,8
|
6
|
16,4
|
10
|
14,8
|
3
|
15,5
|
7
|
15,2
|
11
|
14,2
|
4
|
16,5
|
8
|
16,4
|
12
|
17,3
|
Rerata dari ke-12
sampel ini dihitung tepat sebesar 16 ons. Dengan demikian;
= 16
=
1 ons
n = 9
z = 3 (99,73%)
Berikut batas – batas kendalinya
:
UCLx
= 16 + 3 = 16 + 3() = 17 ons
LCLx
= 16 - 3 = 16 - 3() = 15 ons
Kesimpulan :
karena rerata dari beberapa rata – rata sampel yang paling akhir berada di luar
batas kendali atas dan bawah (17 dan 15), kita dapat simpulkan bahwa prosesnya
mulai menjadi aneh dan tidak terkendali.
Contoh Soal Menetapkan
Batas – Batas Rerata dengan Menggunakan Nilai dari Tabel
Super
Cola mengemas botol minuman berlabel “berat bersih 12 ons”. Rata – rata proses
keseluruhan yang diukur dengan mengambil banyak sampel adalah 12, di mana
setiap sampel terdiri atas 5 botol. Jangkauan rata – rata dari proses adalah
0,25 ons. Tim Manajer Operasi ingin menentukan batas kendali atas dan bawah
dari rata – rata dalam proses ini.
TABEL Faktor-faktor untuk menghitung
batas-batas diagram kendali (3 sigma)
UkuranSampel, n
|
FaktorRerata, A2
|
JangkauanAtas, D4
|
JangkauanBawah, D3
|
2
|
1,880
|
3,268
|
0
|
3
|
1,023
|
2,574
|
0
|
4
|
0,729
|
2,282
|
0
|
5
|
0,577
|
2,115
|
0
|
6
|
0,483
|
2,004
|
0
|
7
|
0,419
|
1,924
|
0,076
|
8
|
0,373
|
1,864
|
0,136
|
9
|
0,337
|
1,816
|
0,184
|
10
|
0,308
|
1,777
|
0,223
|
12
|
0,266
|
1,716
|
0,284
|
Dengan
melihat tabel diatas, untuk ukuran sampel 5 pada kolom factor rerata A2,
kita memperoleh nilai 0,577. Jadi batas atas dan bawah dari diagram kendalinya
adalah:
UCLx = 12 + (0,577) (0,5)
=
12 + 0,144
=
12,144 ons
LCLx = 12 – 0,144
=
11,856 ons
B.
MENETAPKAN BATAS-BATAS DIAGRAM JANGKAUAN (DIAGRAM R)
Selain
tugasnya memperhatikan rata-rata proses, para manajer operasi juga perlu
memperhatikan dispersi dari proses atau jangkauannya. Para manajer operasi
menggunakan diagram kendali jangkauan untuk memantau variabilitas proses,
selain diagram kendali rata-rata yang memantau kecenderungan tengah.
Teori
di balik diagram kendali sama dengan teori untuk diagram kendali rata-rata
proses. Batas-batas yang ditentukan memiliki ± 3 standar
deviasi dari distribusi jangkauan rata-rata R. Kita dapar menggunakan
persamaan-persamaan berikut untuk menentukan batas-batas kendali atas dan bawah
untuk jangkauan :
dimana
:
BKAR = batas kendali atas untuk jangkauan
BKBR = batas kendali bawah untuk
jangkauan
D4 dan D3 = nilai-nilai yang diperoleh dari Tabel
sebelumnya
Contoh Soal
Menetapkan batas-batas jangkauan dengan menggunakan nilai dari tabel
Jangkauan
rata-rata dari produk pada Clinton Manufacturing adalah 5,3 pon. Dengan ukuran
sampel 5, pemilik perusahaan itu Roy Clinton ingin menentukan batas-batas
kendali atas dan bawah.
Diketahui
: (melihat tabel sebelumnya) untuk ukuran sampel 5
D4 = 2,115
D3 = 0
Jawab :
Batas-batas
kendali jangkauannya adalah
UCLR = D4 = (2,115) (5,3 pounds) = 11,2 pounds
LCLR = D3 = (0) (5,3 pounds) = 0 pounds
TABEL Nilai-nilai z yang umum
Batas Kendali yang diinginkan (%)
|
Nilai z (standar deviasi yang diperlukan untuk tingkat kepercayaan
yang diinginkan)
|
90
|
1,65
|
95
|
1,96
|
95,45
|
2
|
99
|
2,58
|
99,73
|
3
|
1.
MENGGUNAKAN
DIAGRAM RERATA DAN JANGKAUAN
Distribusi
normal didefinisikan oleh dua parameter, yaitu rerata dan standar deviasi.
Diagram (rerata) dan diagram R menyerupai kedua
parameter ini. Diagram peka terhadap pergeseran nilai rerata proses,
sedangkan diagram R peka terhadap pergeseran nilai standar deviasi proses.
Jadi, kita dapat melacak perubahan-perubahan dari distribusi proses dengan
menggunakan kedua diagram tersebut.
Misal,
sampel dan hasil diagram pada gambar
dibawah menunjukkan pergeseran pada rerata proses. Namun, karena
dispersinya konstan, tidak ada perubahan yang terdeteksi pada diagram R.
Sebaliknya, sampel dan diagram pada gambar
dibawah tidak mendeteksi adanya pergeseran (karena memang tidak ada),
tetapi pada diagram R terdeteksi adanya pergeseran dalam dispersi. Kedua
diagram ini dibutuhkan untuk melacak suatu proses secara akurat.
Langkah-langkah yang
ditempuh ketika menggunakan diagram kendali.
Pada
umumnya, ada 5 langkah yang ditempuh saat menggunakan diagram dan R, yaitu :
1.
Kumpulkan 20-25 sampel yang masing-masing
berukuran n=4 atau n=5 dari proses yang stabil. Hitung rerata dan jangkauan
setiap sampel.
2.
Hitung rerata keseluruhan ( dan R), tetapkan batas-batas kendali yang
sesuai, biasanya pada tingkat 99,73%, dan hitung batas-batas kendali atas dan
bawah awal. Gunakan tabel yang tersedia sebagai acuan untuk batas-batas kendali
yang lain. Jika saat ini prosesnya belum stabil, gunakan rerata yang
diinginkan, µ, untuk menggantikan dalam menghitung batas-batas kendali.
3.
Gambar titik-titik rerata dan jangkauan sampel
pada diagram kendalinya masing-masing dan tentukan apakah titik-titik itu
berada di dalam atau di luar batas yang diterima.
4.
Periksa titik-titik atau pola titik yang
menunjukkan dari variasi tersebut, atasi penyebabnya, kemudian lanjutkan
prosesnya.
5.
Kumpulkan sampel tambahan. Bila perlu, sesuaikan
batas-batas kendali menggunakan data yang baru.
2.
DIAGRAM
KENDALI UNTUK ATRIBUT
Diagram
kendali dan R tidak berlaku apabila kita mengambil
sampel dari atribut yang umumnya dibagi dalam kelompok cacat dan tidak cacat.
Untuk mengukur jumlah yang cacat, kita harus menghitung jumlah yang cacat,
sedangkan variabel biasanya diukur panjang atau beratnya. Ada 2 jenis diagram
kendali atribut :
- diagram yang
mengukur persen cacat dalam sampel yang disebut diagram p
- diagram yang
menghitung jumlah cacat yang disebut diagram c
Diagram p
Diagram
p adalah diagram kendali kualitas yang digunakan untuk mengendalikan atribut.
Meskipun atribut yang baik atau buruk mengikuti distribusi binomial, distribusi
normal dapat digunakan untuk menghitung batas-batas diagram p apabila ukuran
sampel besar. Caranya mirip dengan pendekatan diagram dan juga didasarkan pada teorema limit tengah.
Rumus
untuk batas kendali atas dan bawah dari diaram p adalah :
di mana :
p
= fraksi rerata yang cacat dalam sampel
z = jumlah standar deviasi (z=2 untuk
batas 95,45%; z=3 untuk batas 99,73%)
= standar deviasi dari
distribusi sampling
diperkirakan dengan rumus :
di mana :
n
= banyaknya pengamatan pada setiap sampel
Contoh Soal Menetapkan
batas-batas kendali untuk persen cacat
Para
petugas administrasi di Moster Data Systems memasukkan ribuan data asuransi
setiap harinya dari berbagai perusahaan klien. Pemimpin eksekutufnya, Donna
Mosier, ingin menetapkan batas-batas kendali yang menyertakan 99,73% dari
variasi acak untuk proses pencatatan data yang berbeda dalam kendali.
Diketahui
:
Sampel
dari hasil kerja 20 pegawai dikumpulkan (dan ditunjukkan pada tabel). Dengan
cermat, Mosier memeriksa 100 data yang dimasukkan oleh setiap pegawai dan
menghitung jumlah kesalahan. Ia juga menghitung bagian yang cacat (fraksi
cacat) pada setiap sampel.
Jumlah sampel
|
Jumlah kesalahan
|
Jumlah cacat
|
Jumlah sampel
|
Jumlah kesalahan
|
Jumlah cacat
|
1
|
6
|
0,6
|
11
|
6
|
0,06
|
2
|
5
|
0,05
|
12
|
1
|
0,01
|
3
|
0
|
0
|
13
|
8
|
0,08
|
4
|
1
|
0,01
|
14
|
7
|
0,07
|
5
|
4
|
0,04
|
15
|
5
|
0,05
|
6
|
2
|
0,02
|
16
|
4
|
0,04
|
7
|
5
|
0,05
|
17
|
11
|
0,11
|
8
|
3
|
0,03
|
18
|
3
|
0,03
|
9
|
3
|
0,03
|
19
|
0
|
0
|
10
|
2
|
0,02
|
20
|
4
|
0,04
|
Jawab :
total
jumlah kesalahan = 80
|
|
|
Diagram c
Diagram
c adalah diagram kendali kualitas yang digunakan untuk mengendalikan jumlah
cacat setiap unit output. Diagram kendali untuk cacat sangat bermanfaat untuk
memantau proses yang memiliki potensi terjadinya banyak kesalahan, tetapi
jumlah kesalahan yang memang terjadi relatif kecil. Distribusi peluang Poisson
yang memiliki variansi yang sama dengan reratanya adalah dasar dari diagram c.
Karena diagram c adalah rerata jumlah cacat setiap satuan, standar deviasinya
sama dengan . untuk menghitung
batas kendali99,73% untuk c, kita menggunakan rumus :
Contoh Soal Menentukan batas kendali untuk jumlah cacat
Setiap
hari perusaahan Taksi Red Top menerima sejumlah keluhantentang perilaku
sopirnya. Dalam kurun waktu 9 hari (di sini, hari merupakan satuan pengukuran),
pemilik perusahaan, Gordon Hoft menerima telepon dari penumpang yang kesl
sebanyak : 3,0,8,9,6,7,4,9,8 kali dengan total 54 keluhan. Tuan Hoft ingin
menghitung batas-batas kendali 99,73%.
Jawab :
atau
Setelah
Hoft menggambarkan diagram kendali yang meringkas data-data tersebut dan
menempelnya pada tempat yang mencolok di kamar ganti pakaian sopir, jumlah
telepon keluhan yang diterima ternyata turun menjadi rata-rata 3 setiap
harinya.
3.
ISU-ISU
MANAJERIAL DAN DIAGRAM KENDALI
Dalam
dunia yang ideal, diagram kendali tidak dibutuhkan. Namun, karena kebanyakan
proses tidak sempurna, para manajer harus mengambil tiga keputusan utama dalam
kaitannya dengan diagram kendali, yaitu :
1.
Para manajer harus menentukan
titik-titik di mana suatu proses membutuhkan SPC.
2.
Para manajer harus memutuskan diagram
variabel atau diagram atribut yang cocok digunakan.
3.
Perusahaan harus menetapkan kebijakan
SPC yang jelas dan spesifik untuk diikuti karyawannya.
Terdapat
metode yang disebut dengan runtest, yaitu uji yang digunakan
untuk memeriksa titik-titik pada diagram kendali untuk melihat adanya variasi
nonacak.
Tabel Membantu Anda Memutuskan Diagram
Kendali yang Dipakai
C.
KAPABILITAS PROSES
Kendali
proses statistik berarti menjaga agar suatu proses tetap berada dalam kendali.
Ini berarti variasi alami dari suatu proses harus stabil. Namun, proses yang
berada dalam kendali statistik bisa saja menghasilkan barang atau jasa yang
tidak memenuhi spesifikasi rancangan (toleransi).
Kemampuan
suatu proses untuk memenuhi spesifikasi rancangan yang ditetapkan oleh
rancangan teknik atau keinginan pelanggan dinamakan kapabilitas proses.
Meskipun proses berada dalam kendali (stabil), keluaran dari proses tersebut
bisa berada di luar spesifikasi.
Terdapat
dua pengukuran yang lazim digunakan untuk menentukan kapabilitas dari suatu
proses secara kualitatif, yaitu rasio kapabilitas proses (Cp) dan indeks
kapabilitas proses (Cpk).
1.
RASIO
KAPABILITAS PROSES (Cp)
Agar
suatu proses dianggap memiliki kapabilitas, nilai-nilainya harus berada dalam
spesifikasi atas dan bawahnya. Hal ini umunya berarti kapabilitas proses berada
didalam lebih kurang 3 standar deviasi dari rerata prosesnya. Karena jangkauan
nilai ini adalah 6 standar deviasi, toloransi proses yang baik dan merupakan
selisih antara spesifikasi atas dan bawah harus lebih besar atau sama dengan 6.
Rasio
kapabilitas proses (Cp) dihitung sebagai berikut.
Suatu
proses yang kapabilitasnya baik adalah proses dengan nilai Cp setidaknya 1,00. Apabila
Cp kurang dari 1,0 maka proses tersebut menghasilkan produk atau jasa yang
berada di luar toleransi yang dibolehkan. Semakin tinggi rasio kapabilitas
proses, semakin besar pula kemungkinan proses tersebut berada dalam spesifikasi
rancangan.
2.
INDEKS
KAPABILITAS PROSES (Cpk)
Indeks
kapabilitas proses (Cpk), mengukur selisih antara dimensi yang diinginkan dari
dimensi yang sebenarnya dari barang atau jasa yang dihasilkan.
Apabila
angka Cpk untuk batas spesifikasi atas dan bawah sama dengan 1,0 , maka variasi
proses berada di tengah danprosesnya dikatakan mampu menghasilkan barang dalam
lebih kurang 3 standar deviasinya
Indeks
kapabilitas proses (Cpk) dihitung sebagai berikut.
MAKNA PENGUKURAN Cpk
Nilai
Cpk senilai 1,0 baik untuk batas kendali atas dan bawah menunjukkan variasi
proses berada dalam batas kendali atas dan bawah. Nilai Cpk yang berada diatas
1,0 menunjukkan prosesnya menjadi semakin terarah pada sasarannya dengan berkurangnya
cacat. Apabila Cpk kurang dari 1,00 , prosesnya tidak akan memproduksi barang
dalam toleransi yang telah ditentukan. Dibutuhkan angka Cpk diatas 1,0 agar
prosesnya tetap berpusat dan tidak menyimpang atau “bergeser”.
D.
SAMPLING KEBERTERIMAAN
Sampling
keberterimaan (acceptance sampling)
adalah suatu bentuk pengujian yang meliputi pengambilan sampel acak dari “lot”
atau kumpulan produk jadi dan pengukuran sampel itu terhadap standar yang telah
ditentukan. Mengambil sampel lebih ekonomis jika dibandingkan dengan
pemeriksaan 100%. Kualitas dari sampel digunakan untuk menilai kualitas dari
semua barang dalam lot.
Sampling
keberterimaan dapat diterapkan baik ketika bahan-bahan tiba di pabrik maupun
pada akhir pemeriksaan, tetapi biasanya digunakan untuk mengendalikan kumpulan
produk masuk yang dibeli.
1.
Kurva
Karakteristik Operasional
Kurva
karakteristik operasional ( operating
characteristic curve, OC) menjelaskan seberapa baiknya suatu rencana
penerimaan dalam membedakan antara lot yang baik dan buruk. Kurva terkait
dengan suatu rencana tertentu yaitu gabungan antara n (ukuran sampel) dan c
(tingkat penerimaan). Kurva ini dimaksudkan untuk menunjukkan peluang suatu
rencana akan menerima lot dengan tingkat kualitas yang bervariasi.
Kurva
OC memperlihatkan sifat dari suatu rencana sampling, termasuk risiko dari pengambilan
keputusan yang salah.
Ada
empat konsep dalam kurva karakteristik operasional yaitu:
§ Tingkat
Kualitas Berterima (acceptance quality level, AQL) adalah tingkat kualitas paling buruk
yang masih dapat diterima. Dengan kata lain, kita hanya ingin menerima lot
dengan tingkat kualitas seperti itu atau lebih baik, dan tidak mau menerima
yang lebih rendah. Apabila tingkat kualitas berterimanya adalah 20 barang cacat
dalam lot yang terdiri atas 1.000 barang, maka AQL adalah 20/1.000 = 2% cacat.
§ Persen
Cacat Toleransi Lot (lot tolerance percent defective, LTPD) adalah tingkat kualitas dari
lot yang dianggap jelek. Kita akan menolak lot yang mempunyai tingkat kualitas
seperti ini atau tingkat kualitas yang lebih jelek. Apabila disepakati bahwa
tingkat kualitas yang tidak dapat diterima adalah 70 barang cacat setiap 1.000,
maka nilai LTPD – nya adalah 70/1.000 = 7% cacat.
§ Risiko
Produsen (a) adalah peluang suatu
“lot yang baik” ditolak oleh konsumen. Ini adalah risiko bahwa sampel acak
menghasilkan perbandingan jumlah cacat yang jauh lebih besar dari populasi
seluruh barang dalam lot. Suatu lot dengan tingkat kualitas AQL yang dapat
diterima masih mempunyai kemungkinan untuk ditolak sebesar a. Rencana sampling biasanya dirancang
dengan risiko produsennya ditetapkan pada a
= 0,05 atau 5%.
§ Risiko
Konsumen (b)
adalah peluang lot yang “buruk” diterima oleh konsumen. Ini adalah resiko bahwa
sampel acak menghasilkan perbandingan jumlah cacat yang lebih rendah daripada
populasi barang dalam lot secara keseluruhan. Nilai resiko konsumen yang umum
dalam rencana sampling adalah b
= 0,10 atau 10%.
Gambar Kurva Karakteristik Operasional (OC):
2.
Rata
– Rata Kualitas Keluaran
Pada
kebanyakan rencana sampling, ketika suatu lot ditolak, keseluruhan lot tersebut
akan diperiksa dan semua barang yang cacat akan diganti. Metode penggantian ini
akan meningkatkan rata-rata kualitas keluaran dalam hal nilai persen cacatnya.
Berikut
ini persamaan untuk rata-rata kualitas keluaran (AOQ):
Nilai
maksimum AOQ menunjukkan rata-rata persen cacat yang tertinggi atau rata-rata
kualitas terendah untuk rencana samplingnya. Nilai ini dinamakan rata-rata kualitas keluaran ( average outgoing quality limit – AOQL).
Sampling
keberterimaan bermanfaat dalam menyaring lot yang masuk. Ketika barang yang
cacat diganti dengan yang baik, sampling keberterimaan akan membantu
meningkatkan kualitas lot dengan mengurangi nilai persen cacat keluarannya.
Perbandingan
antara Sampling Keberterimaan, SPC dan Cpk
hallo, kenapa picturenya tidak bisa terbuka ya
ReplyDelete