DIAGRAM KONTROL CUMULATIVE SUM (CUSUM) DAN

EXPONENTIALLY WEIGHTED MOVING AVERAGE

( EWMA )

ABSTRAK

Dalam kasus ini, PT. XXX di samping memproduksi blackboard,

fancy, curveboard, sawmill, word working, particle board, dan arang. Tahap
analisanya yang digunakan adalah pengumpulan data yang diperoleh dari
data Tugas Akhir. Secara deskriptif diketahui bahwa terdapat sebanyak 100
pengamatan. Mean atau nilai rata-rata data tersebut adalah 3,5992. Dengan
standart error mean sebesar 0.005073 dan standart deviasi sebesar 0.05.
Nilai minimumya 3,38 sedangkan nilai maksimumnya sebesar 3,72. Dari
diagram kontrol Cumulative Sum ( CUSUM ) diketahui bahwa tidak
terdapat titik yang out of control sehingga dapat disimpulkan bahwa tidak
terjadi pergeseran rata-rata proses terhadap target. Berdasarkan diagram
kontrol Exponentially Weighted Moving Average ( EWMA ) terlihat bahwa
tidak ada titik yang out of control sehingga dapat disimpulkan bahwa tidak
terjadi pergeseran rata-rata proses terhadap target. Dari perbandingan kedua
diagram tersebut jika dilihat dari lebar batas kontrolnya maka diagram
kontrol Exponentially Weighted Moving Average ( EWMA ) lebih baik jika
dibandingkan dengan diagram kontrol Cumulative Sum ( CUSUM ) karena
lebar batasnya lebih sempit sehingga diagram tersebut lebih presisi.

Kata kunci : Cumulative Sum ( CUSUM ), Exponentially Weighted Moving

Average ( EWMA )
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Salah satu kekurangan diagram kontrol Shewhart adalah hanya
menggunakan informasi tentang proses yang terkandung dalam titik tergambar
terakhir dan mengabaikan setiap informasi yang diberikan oleh seluruh barisan
titik-titik tersebut. Diagram kontrol CUSUM digunakan sebagai alternatif terhadap
grafik pengendali Shewhart untuk fase II proses monitoring dan digunakan untuk
memonitor rata-rata dari proses. Diagram ini menghitung secara langsung semua
informasi di dalam barisan nilai-nilai sampel dengan menggambarkan jumlah
kumulatif deviasi nilai sampel dari nilai target. Jika digunakan untuk shift yang
besar, CUSUM tidak efektif, maka untuk mengatasinya digunakan kombinasi dari
CUSUM dan Shewhart prosedur untuk on line kontrol. One side CUSUM
digunakan jika salah satu, yaitu shift bagian atas dari target lebih kritis daripada
shift bagian bawah dari target, atau sebaliknya.
Diagram kontrol EWMA sangat efektif dalam menyelidiki pergeseran yang
kecil. Diagram kontrol EWMA memiliki kemampuan yang tinggi untuk
pengindraan dan pengendalian otomatis pada jalur proses produksi.
Dalam kasus ini PT Nusantara Plywood Gresik di samping memproduksi
plywood, juga memproduksi blackboard, fancy, curveboard, sawmill, word
working, particle board, dan arang. PT Nusantara Plywood Gresik merupakan
perusahaan terpadu karena dengan adanya produk utama dan beberapa produk
sampingan ini akan menghasilkan keuntungan bagi perusahaan, di mana kayu
yang tidak bisa dipakai untuk plywood masih bisa untuk memproduksi produk
lain.

1.2 Permasalahan
Parmasalahan dalam praktikum ini antara lain:
1. Bagaimana statistik deskriptif untuk karakteristik kualitas tebal Plywood.
2. Bagaimana diagram kontrol CUSUM untuk karakteristik kualitas tebal
Plywood.

2
 3. Bagaimana diagram kontrol EWMA untuk karakteristik kualitas tebal
Plywood.
4. Bagaimana perbandingan antara diagram kontrol CUSUM dan EWMA
untuk karakteristik kualitas tebal Plywood.

1.3 Tujuan
Tujuan dari praktikum ini antara lain:
1. Mengetahui statistik deskriptif untuk karakteristik kualitas tebal
plywood.
2. Mengetahui diagram kontrol CUSUM untuk karakteristik kualitas tebal
plywood.
3. Mengetahui diagram kontrol EWMA untuk karakteristik kualitas tebal
Plywood.
4. Mengetahui perbandingan antara diagram kontrol CUSUM dan EWMA
untuk karakteristik kualitas tebal Plywood.

3
 BAB II
LANDASAN TEORI

Dalam praktikum ini, diperlukan teori-teori yang mendukung pelaksanaan

praktikum. Selain itu, juga dibutuhkan rumus-rumus yang digunakan dalam
proses perhitungan. Sehingga, pada bab ini akan dijelaskan mengenai teori-teori
dan rumus-rumus yang digunakan dalam pelaksanaan praktikum ini.

2.1 Tinjauan Statistik

2.1.1 Diagram Kontrol CUSUM
Diagram kontrol CUSUM digunakan sebagai alternatif terhadap grafik
pengendali Shewhart untuk fase II proses monitoring dan digunakan untuk
memonitor rata-rata dari proses. Digram ini menghitung secara langsung semua
informasi di dalam barisan nilai-nilai sampel dengan menggambarkan jumlah
kumulatif deviasi nilai sampel dari nilai target.

2.1.1.2 Diagram Kontrol CUSUM Untuk Memonitor Proses Mean

Diagram kontrol ini digunakan untuk memonitor rata-rata dari suatu

proses. Misalkan sampel-sampel berukuran n ≥ 1 dikumpulkan dan x j adalah

rata-rata sampel ke-j. Maka jika µ 0 adalah target dari mean proses itu, diagram
kontrol jumlah kuadrat dibentuk dengan menggambarkan kuantitas terhadap
banyaknya sampel i. Rumusnya adalah sebagai berikut :
i
C i = Σ ( x j − µ 0 ) = ( xi − µ 0 ) + C i −1
j =1 (2.1)
Ci adalah jumlah kumulatif sampel dengan sampel ke-i. Karena Ci
menggabungkan informasi dari beberapa sampel, grafik jumlahan kuadrat lebih
efektif daripada grafik Shewhart untuk meyelidiki proses pergeseran proses kecil.
Selain itu grafik CUSUM khususnya, efektif dengan sampel n = 1. Ini membuat
diagram kontrol CUSUM mungkin untuk digunakan dengan pengukuran otomatis
bagi tiap benda dan pengendalian pada jalur dengan menggunakan

Ci+ = max[0, xi − ( µ 0 + K ) + Ci+−1 ]

4
mikrokomputer langsung di tempat kerja. Selain itu terdapat rumus Tabular
CUSUM yaitu:

Ci− = max[0, ( µ 0 − K ) − xi + Ci−−1 ] (2.2)

dimana
C0+ = C0− = 0

δ µ1 − µ 0
K= σ=
2 2
Rumus menaksir rata-rata proses yang baru adalah:

 µ0 + K + Ci+ ,
+
if Ci+ > H
µˆ =  N
Ci− (2.3)
 µ0 − K − N − , if Ci− > H

Rumus batas kontrol diagram ini adalah:

σ
UCL = h
m
(2.4)
µ =0
(2.5)
σ
LCL = - h
m
(2.6)
dimana m adalah banyaknya subgrup.

2.1.1.3 Rekomendasi Untuk Desain CUSUM (Recommendation for CUSUM

Design)
Merekomendasikan parameter yang terpilih untuk memberikan rata-
rata terbaik. Yaitu dalam pemilihan H dan K. H dan K yang dinilai baik
adalah H = 4 atau H = 5 dan K = ½. One side CUSUM digunakan jika salah
satu, yaitu shift bagian atas dari target lebih kritis daripada shift bagian bawah

5
 dari target atau sebaliknya. Untuk one-side CUSUM dengan h dan k
parameter, maka Siegmund’s approximationnya adalah:

exp(−2∆b) + 2∆b − 1
ARL = (2.7)
2∆2

1 1 1 (2.8)
= +
+
ARL ARL ARL−

2.1.1.4 The Standardized CUSUM

Rumus The Standardized CUSUM adalah sebagai berikut:

x i − µ0
Yi =
σ (2.9)
Rumus The Standardized Two-way CUSUM adalah sebagai berikut:

Ci+ = max[0, yi − k + Ci+−1 ]

Ci− = max[0,−k − yi + Ci−−1 ] (2.10)

Keuntungan The Standardized CUSUM antara lain:
 Banyak k dan h yang sama dan pemilihan parameter tidak berskala
dependent
 Standart CUSUM lebih natural untuk variabilitas
Meningkatkan kemampuan reaksi CUSUM untuk pergeseran yang besar
(Improving Cusum Responsiveness for large Shift ), CUSUM tidak efektif jika
digunakan untuk shift yang besar, maka untuk mengatasinya digunakan kombinasi
dari CUSUM dan Shewhart procedure untuk on line kontrol. Fast Initial Respon
or Headstart Feature atau FIR menetapkan nilai awal dan sama dengan nilai
yang bukan nol, yaitu H/2 yang disebut 50% head start.

2.1.1.5 Diagram Kontrol CUSUM Untuk Memonitor Proses Variability (A

CUSUM for monitoring process variability)
Diagram kontrol ini digunakan untuk membuat standart kuantitas, dengan
rumus sebagai berikut:

yi 0,822
vi = − (2.11)
0,349 0,349

6
Skala cusum yaitu:

Si+ = max[0, yi − k + Si+−1 ]

Si− = max[0,− k − yi + Si−−1 ] (2.12)

Rational Subgroup menggunakan sampel berukuran n>1 dan dapat
digunakan untuk mengatur CUSUM pada varian sampel dan memonitor proses
variability. Rumusnya adalah:
− − 2
c i
= max(0, ci −1 + S i − k )
+ + 2
c i
= max(0, ci −1 + S i + k )
(2.13)
dimana

+ −
c =c0 0
=0

k = [ 2 ln(σ 0 / σ 1)σ 0σ 1 /(σ 0 − σ 1 )]

2 2 2 2

2.1.1.6 Diagram Kontrol CUSUM Untuk Sampel Statistik Yang Lain

(CUSUM For Other Sample Statistics)
CUSUMS For Other Sample Statistics merupakan satu variasi dari
CUSUM yang digunakan pada perhitungan dari suatu data. Sangat efektif jika
menggunakan The Time Between Events (TBE). TBE digunakan untuk
mendeteksi kenaikan laju dari perhitungan tersebut. Ekuivalen dapat dideteksi dari
penurunan TBE. Angka dari perhitungan dibangkitkan dari distribusi poisson,
sedangkan TBE menggunakan distribusi eksponensial. Rumusnya sebagai
berikut:
− −
c i
= max[0, K − T i + ci −1 + ]

(2.14)
dimana K adalah nilai referensi, sedangkan Ti adalah waktu lalu perhitungan
obeservasi yang lalu.

2.1.1.7 The V-Mask Produce

7
 Pola pengendalian Tabel penutup (The V-Mask) yang relatif mudah
melaksanakannya. Ini berguna khususnya jika prosedur pengendalian proses
dilakukan dengan komputer . Rumusnya sebagai berikut:
i

c i
=∑y = y +c i −1
j i
j =1 (2.15)
Yi merupakan observasi standart, rumusnya adalah:
y = ( xi − µ )
i 0 (2.16)
Pola V-Mask dan tabel CUSUM, rumusnya adalah:
k = A tan θ (2.17)
(2.18)
h = Ad tan(θ ) = dk

Parameternya adalah:
−1  δ  (2.19)
θ = tan  
 2A 

 δ  1− β 
d =  2  ln 
(2.20)  δ   α 

Bilaβ kecil , rumusnya adalah:

ln α
d = −2
δ (2.21)

2.1.2 The Exponentially Weighted Moving Average Control Chart (EWMA)

EWMA merupakan alternatif dari digram kontrol Shewhart jika terdapat
perubahan kecil β . Diagram kontrol EWMA dapat memperkirakan ekuivalen pada
diagram kontrol CUSUM sehingga sangat mudah untuk dioperasikan. Sama
dengan digram kontrol CUSUM, EWMA dapat digunakan untuk observasi
individual dan rational subgroup dengan ukuran sampel n >1.

2.1.2.1 Diagram Kontrol EWMA Untuk Memonitor Proses Mean

Sama dengan diagram kontrol CUSUM, diagram ini juga digunakan untuk
memonitor rata-rata dari suatu proses. Rumusnya sebagai berikut:

z i
= λ xi + (1 − λ ) z i −1 (2.22)

8
dimana 0 < λ ≤ 1 adalah konstant (sampel pertama i=1) maka z 0 = µ 0
Rumus EWMA rata rata dari semua rata-rata sampel sebelumnya yaitu:

z i
[
= λ xi + (1 − λ ) λ xi −1 + (1 − λ ) z i −2 ]

z i
[
= λ xi + λ (1 − λ ) λ xi −1 + (1 − λ ) 2 z ]
i−2 (2.23)

untuk j = 2,3,….,t , rumusnya adalah:

[x z]
i −1

z i = λ ∑ (1 − λ ) + (1 − λ )i
j
i −1 0 (2.24)
j =0

Jika λ (1 − λ ) j adalah pengurangan dari mean sampel, rumusnya sebagai berikut:

i −1
1 − (1 − λ ) i 
λ ∑ (1 − λ ) j = λ   = 1 − (1 − λ )
i
(2.25)
j =0  1 − (1 − λ ) 
Jika observasi xi adalah variabel random yang independent dengan varians σ 2 ,

maka varians dari z i sebagai berikut:

2 λ
σ zi2 = σ 
− λ

(
 1 − (1 − λ )
2i
) (2.26)
 2 

Batas kontrol dari diagram kontrol EWMA adalah:

λ
UCL = µ + Lσ
0 (2 − λ )
(1 − (1 − λ ) 2i )

Garis tengah = µ 0

λ
LCL = µ − Lσ
0 (2 − λ )
(1 − (1 − λ ) 2i ) (2.27)
atau

λ
UCL = µ + Lσ
0 (2 − λ )

λ
LCL = µ − Lσ (2.28)
0 (2 − λ )

di mana L adalah lebar dari batas kontrolnya.

9
2.1.2.2. Perluasan dari EWMA ( Extensions of the EWMA )
Perluasan dari EWMA terdiri atas Fast Initial Response Feature, The
EWMA for poisson data, dan EWMA as Predictor of process level. Pada Fast
Initial Response Feature, jika menggunakan single control dengan perubahan
kejadian pendekatan waktu pada sampel pertama, maka digunakan exponentially
decreasing adjustment atau pengurangan penyesuaian secara eksponensial.
Rumusnya sebagai berikut:
 λ 
(
± Lσ  1 − (1 − f )1+α (t −1) ) 2 −λ
(1 − (1 − λ ) 2t 

  (2.29)
Untuk memonitor variabilitas, The exponentially weighted mean square error
(EWMS) adalah:
2
Si2 = λ ( xi − µ ) 2 + (1 − λ ) S i (2.30)
Batas kontrol dari diagram kontrol EWMS yaitu:
xv2.1α / 2
UCL = σ 0
v

xv2.1−(α / 2)
LCL = σ 0 (2.31)
v

Batas kendali untuk menghasilkan pergerakan perbedaan varians yang

bersifat eksponensial atau Control limit for the resulting exponentially weighted
moving variance (EWMA), rumusnya adalah:

2
Si2 = λ ( xi − zi ) 2 + (1 − λ ) S i −1
(2.32)
EWMA untuk data poisson terdapat beberapa rumus, antara lain:

z i
= λ xi + (1 − λ ) z i −1 (2.33)

Batas kendali EWMA untuk data poisson adalah:

λµ 0
UCL = µ + Aij
0 2−λ
(1 − (1 − λ ) 2i )

Garis tengah = µ 0
λµ 0
LCL = µ + AL
0 2−λ
(1 − (1 − λ ) 2i )
(2.34)

10
The EWMA as a Predictor of Proses Level memiliki beberapa rumus antara lain:
z =z
i i −1
+ λei (2.35)

z =z + λ ( xi − z i −1)
i i −1 (2.36)
(2.37)
zi = λ xi + (1 − λ ) zi −1
i (2.38)
zi = zi −1 + λ1ei + λ2 ∑ e j j =1
i

z =z
i i −1
+ λ1ei + λ2 ∑ e j + λ3 vei (2.39)
j =1

2.1.2.3 The Moving Average Control Chart

Pergerakan diagram kontrol (The Moving Average Control Chart)
digunakan sebagai rata – rata terimbang seperti diagram statistik. Pergerakan rata-
rata dari w pada waktu i adalah:

xi + xi −1 + ....xi − w+1
Mi = (2.40)
w

Rumus varians dari Mi adalah sebagai berikut:

1 i
1 i
σ2 (2.41)
V (M i ) =
w2
∑ v( x j ) =
j = i − w +1 w2
∑σ 2 =
j =i − w +1 w

Sedangkan batas kendalinya adalah:

3σ
UCL = µ +
0
w

3σ
LCL = µ −
0
w (2.42)

2.2 Tinjauan Non Statistik

PT Nusantara Plywood Gresik di samping memproduksi plywood, juga
memproduksi blacboard, fancy, curveboard, sawmill, wordworking, particle
board, dan arang.

11
2.2.1 Tahapan-tahapan proses produksi
A. Tahap Persiapan Bahan
Bahan yang dimaksud di sini terbagi menjadi 2 macam, yaitu bahan baku
dan bahan pembantu.
B. Tahap Penupasan dan Persiapan Veneer
Pada tahap ini, potongan log yang telah disiapkan pada tahapan pertama
akan mengalami pengupasan dan pemotongan, pengeringan, serta
persiapan guna diproses pada tahap berikutnya.
C. Tahap Plywood Assembly
Pada tahap ini akan melalui 4 tingkatan:

1. Glue Mixer
Glue Mixer adalah mencampur dari tipe glue (urea) dengan tepung
terigu, condener, dan air.
2. Glue Spinder
Pada tingkatan ini, lembaran-lembaran veneer akan mengalami
proses pengeleman dan penyusunan terhadap plywood yang akan
mengalami pengepresan.
3. Cold Press
Pada proses ini, susunan plywood akan mengalami pengeprasan
dingin.
4. Hot Press
Hasil dari pengepresan dingin langsung dimasukkan ke mesin Hot
Press guna mengeringkan lem yang ada di antara lapisan veneer.
D. Tahap Proses Finishing
Pada tahap ini terdapat beberapa kegiatan, yaitu:
1. Double Sizer
Pada proses ini plywood mengalami pemotongan pada sisinya,
baik memanjang maupun melebar sehingga akan kelihatan rata dan
lebih rapi.
2. Sanding

12
 Dalam proses ini permukaan plywood dihaluskan.
E. Tahap Grading
Pada tahap ini dilakukan pemisahan unutk membedakan mana yang baik
dan mana yang perlu diperbaiki lagi. Apabila sudah baik langsung
dimasukkan ke gudang, sedang yang perlu diperbaiki dikembalikan lagi
pada tahap finshing.

2.2.2 Diagram Proses Produksi

Log cutting

Transportasi dalam air

Pengupasan dan
persiapan veneer

X1 Diinspeksi

Assembly

X2 Diinspeksi

Finishing dan
X3 diinspeksi

X4 6

Grading Packing Gudang

X5

13
 Gambar2.1 Diagram Proses Produksi

BAB III
METODOLOGI PENELITIAN

Dalam pelaksanaan praktikum ini, dibutuhkan data dan perlu diketahui

variabel penelitian yang digunakan. Selain itu, dalam praktikum ini juga
dilakukan anlisa secara sistematis. Sehingga, pada bab ini akan dijelaskan sumber
data yang kami peroleh, variabel penelitian yang digunakan, dan langkah-langkah
sistematis yang dilakukan dalam analisa.

3.1 Sumber Data

Praktikum ini dilakukan dengan mengambil data Tugas Akhir dengan
judul ”Analisis Pengendalian Kualitas Pda Proses Produksi di PT XXX”. Disusun
oleh Endri Wahyuni ( 1396 030 018 ). Pengamatan ini dilakukan selama 20 hari
dan sampel yang digunakan sebanyak 5, sehingga didapatkan 100 data.

3.2 Variabel Penelitian

Variabel penelitian yang digunakan dalam praktikum ini adalah
karakteristik kualitas tebal plywood.

3.3 Langkah Kerja

3.3.1 Metode Analisa

14
 Kegiatan praktikum ini menggunakan salah satu metode dalam
pengendalian kualitas, yaitu diagram kontrol Cumulative Sum ( CUSUM ) dan
diagram kontrol Exponentially Weighted Moving Average ( EWMA ). Tahap
analisanya adalah sebagai berikut:
1. Pengumpulan data yang diperolah dari data dari Tugas Akhir.
2. Pengujian terhadap asumsi normal, yang merupakan asumsi yang harus
dipenuhi untuk menggunakan diagram kontrol diagram kontrol CUSUM dan
diagram kontrol EWMA.
3. Pengolahan data dengan software minitab dan dibuat diagram kontrol CUSUM
dan diagram kontrol EWMA sampai diagram terkontrol.
4. Mencari diagram kontrol variabel yang terbaik dengan membandingkan hasil
yang diperoleh.
5. Membuat kesimpulan dari hasil yang diperoleh.

3.3.2 Diagram Alur Analisa

Mulai

Data

Uji normalitas
Tidak

Apakah berdistribusi normal ?

Ya

Membuat diagram kontrol

CUSUM dan EWMA

Apakah ada
subgroup yang out
Tidak
Ya Membuang
Subgrup out of
control

15
 Mencari tahu penyebab out of control

Ya
Apakah penyebab out of
control diketahui?

Tidak

Selesai

Gambar 3.1 Diagram alur analisa

BAB IV
ANALISA DATA

4.1.1 Statistik Deskriptif

Statistik deskriptif menjelaskan mengenai ukuran pemusatan dan
persebaran data yang terdapat pada tabel berikut:
Tabel 4.1 Statistik Deskriptif
Count Mean SEMean StDev Minimum Maximum
100 3.5992 0.005073 0.050726 3.38 3.72
Berdasarkan output minitab dapat diketahui bahwa terdapat
sebanyak 100 jumlah pengamatan. Mean atau nilai rata-rata data tersebut
adalah 3,5992. Dengan standart error mean sebesar 0.005073 dan standart
deviasi sebesar 0,05. Nilai minimumya 3,38 sedangkan nilai maksimumnya
3,72.

4.1.2 Uji Asumsi

Dalam hal ini uji asumsi yang digunakan hanyalah uji kenormalan
saja. Uji kenormalan data digunakan untuk apakah data berdistribusi normal
atau tidak. Uji kenormalan data menggunakan uji kolmogorov smirnov untuk
Hipotesis:
H0 : Data berdistribusi normal
H1: Data tidak berdistribusi normal
Statistik uji :

16
D = sup ΙF * ( x) − S ( x)Ι
x

α = 0,05
Daerah Penolakan:
P_value = 0,059
Karena nilai P_value > α maka Ho diterima sehingga dapat disimpulkan
bahwa data 20 subgrup pengamatan berdistribusi normal .

Probability Plot of x1_ 1

Normal
99.9
Mean 3.599
StDev 0.05073
99 N 100
KS 0.088
95 P-Value 0.059
90
80
70
Percent

60
50
40
30
20
10
5

0.1
3.4 3.5 3.6 3.7 3.8
x1_ 1

Gambar 4.1 Probability Plot Tebal Plywood

Secara visual berdasarkan probability plot terlihat bahwa semua data
berada di sekitar garis lurus. Nilai P-value dari probability plot tersebut
lebih besar dari α = 0,05 sehingga dapat disimpulkan bahwa data
berdistribusi normal.

4.1.3 Diagram Kontrol CUSUM

Diagram kontrol CUSUM menggambarkan pergeseran rata-rata
proses terhadap target. Dapat diketahui pula besarnya pergeseran tersebut
dan apakah masih dapat ditolerir atau tidak. Diagram kontrol CUSUM
untuk 20 subgrup pengamatan ini dibuat dengan nilai h sebesar 5
sedangkan nilai k sebesar 0,05 yang diperoleh dari batas spesifikasi
pergeseran yang ditetapkan perusahaan sebesar 0,1/2. .Diagram kontrol
CUSUM untuk 20 subgrup pengamatan adalah sebagai berikut:

17
 CUSUM Chart of xbar
0.2
UCL=0.1782

0.1

Cumulative Sum
0.0 0

-0.1

LCL=-0.1782
-0.2
1 3 5 7 9 11 13 15 17 19
Sample

Gambar 4.2 Diagram Kontrol CUSUM

Berdasarkan gambar diagram kontrol CUSUM tersebut terlihat
bahwa untuk 20 subgrup batas kontrol atasnya sebesar 0,1782 dan batas
kontrol bawahnya sebesar -0,1782 sedangkan nilai rata-ratanya sebesar 0.
Dan terlihat pada diagram bahwa tidak terdapat data yang berada di luar
batas kontrol bawah dan batas kontrol atas. Sehingga dapat disimpulkan
bahwa tidak terjadi pergeseran rata-rata proses terhadap target.

4.2 Analisa Pergeseran Mean dengan Diagram Kontrol Exponentially

Weighted Moving Average ( EWMA )
4.2.1 Diagram Kontrol Exponentially Weighted Moving Average ( EWMA )
Diagram kontrol Exponentially Weighted Moving Average ( EWMA )
digunakan untuk mengetahui apakah ada pergeseran rata-rata dari data. Dan
mengetahui apakah besarnya pergeseran tersebut masih dapat ditoleransi atau
tidak. Diagram kontrol EWMA untuk 20 subgrup pengamatan ini dibuat
dengan nilai weight of EWMA sebesar 0,2. Diagram kontrol EWMA ) untuk 20
subgrup pengamatan adalah sebagai berikut:

18
 EWMA Chart of xbar
3.64
UCL=3.63485
3.63

3.62

3.61
_

EWMA
_
3.60 X=3.5992

3.59

3.58

3.57
LCL=3.56355
3.56
1 3 5 7 9 11 13 15 17 19
Sample

Gambar 4.3 Diagram Kontrol EWMA

Berdasarkan gambar diagram kontrol EWMA tersebut, terlihat
bahwa batas kontrol atasnya sebesar 3,63485 dan batas kontrol bawahnya
sebesar 3,56355 sedangkan nilai rata-ratanya sebesar 3,5992. Tidak
terdapat data yang berada di luar batas kontrol bawah dan batas kontrol
atas. Sehingga dapat disimpulkan bahwa tidak terjadi pergeseran rata-rata
proses terhadap target.

4.3 Perbandingan Diagram Kontrol Cumulative Sum ( CUSUM ) dan

Diagram Kontrol Exponentially Weighted Moving Average ( EWMA )
Dari kedua digram kontrol Cumulative Sum ( CUSUM ) dan
Exponentially Weighted Moving Average ( EWMA ) yang diperoleh di atas,
terlihat bahwa tidak terjadi pergeseran rata-rata proses terhadap target.
Proses tetap akurat. Namun dari kedua diagram tersebut dapat kita
bandingkan diagram mana yang lebih presisi.
Jika dilihat dari batas kontrol yang diperoleh dari masing-masing
diagram kontrol yang telah terkontrol yaitu:
Tabel 4.2 Perbandingan Lebar Batas Kontrol
Batas Kontrol Batas Kontrol Lebar Batas
Atas Rata-rata Bawah Kontrol
CUSUM -0.1782 0.00000 0.1782 0.3564
EWMA 3.56355 0.00000 3.63485 0.0713

Berdasarkan tabel tersebut, terlihat bahwa diagram kontrol

CUSUM memiliki lebar batas kontrol sebesar 0,3564. Sedangkan diagram
kontrol EWMA memiliki lebar batas kontrol sebesar 0,0713. Sehingga

19
 dilihat dari lebar batas kontrolnya, diagram kontrol EWMA lebih baik jika
dibandingkan dengan diagram kontrol individu dan diagram kontrol
CUSUM karena lebar batas kontrolnya lebih sempit sehingga lebih
presisi.

BAB V
KESIMPULAN

5.1 Kesimpulan
Data 100 data tebal Plywood yang telah dianalisis diperoleh kesimpulan
sebagai berikut :
1. Secara deskriptif diketahui bahwa terdapat sebanyak 100 jumlah
pengamatan. Mean atau nilai rata-rata data tersebut adalah 3,5992. Dengan
standart error mean sebesar 0.005073 dan standart deviasi sebesar 0.05.
Nilai minimumya 3,38 sedangkan nilai maksimumnya sebesar 3,72.
2. Dari diagram kontrol Cumulative Sum ( CUSUM ) diketahui bahwa tidak
terdapat titik yang out of control sehingga dapat disimpulkan bahwa tidak
terjadi pergeseran rata-rata proses terhadap target.
3. Berdasarkan diagram kontrol Exponentially Weighted Moving Average
( EWMA ) terlihat bahwa tidak ada titik yang out of control sehingga
dapat disimpulkan bahwa tidak terjadi pergeseran rata-rata proses terhadap
target.

20
 4. Dari perbandingan kedua diagram tersebut jika dilihat dari lebar batas
kontrolnya maka diagram kontrol Exponentially Weighted Moving Average
( EWMA ) lebih baik jika dibandingkan dengan diagram kontrol
Cumulative Sum ( CUSUM ) karena lebar batasnya lebih sempit sehingga
diagram tersebut lebih presisi.

5.2 Saran
Untuk melakukan analisis selanjutnya sebaiknya digunakan data yang
lebih banyak untuk mengetahui terkontrol atau tidaknya kualitas tebal Plywood.
Lebih teliti dalam proses pengukuran terhadap variabel yang akan diteliti.
Mengetahui proses produksinya sehingga dapat diidentifikasi penyebab terjadinya
data yang out of control.

DAFTAR PUSTAKA

Wahyuni, Endri (1999), ”Laporan Tugas Akhir Analisis Pengendalian Kualitas

pada Proses Produksi Plywood di PT Nusantara Plywood Gresik.”,
Surabaya.
5th ”
Montgomery, Douglas C (2005), “ Inroduction to Statistical Quality Control ,
John Willey and Sons.Inc, USA.

21
 LAMPIRAN

Data Tebal Plywood

Pengamatan
Hari x1 x2 x3 x4 x5 xbar
1 3.7 3.63 3.6 3.59 3.57 3.618
2 3.63 3.66 3.57 3.6 3.58 3.608
3 3.59 3.59 3.57 3.6 3.62 3.594
4 3.61 3.59 3.58 3.6 3.64 3.604
5 3.68 3.56 3.6 3.6 3.57 3.602
6 3.66 3.61 3.6 3.52 3.55 3.588
7 3.7 3.59 3.61 3.62 3.57 3.618
8 3.6 3.58 3.56 3.56 3.59 3.578
9 3.59 3.55 3.62 3.59 3.58 3.586
10 3.63 3.61 3.61 3.66 3.59 3.62
11 3.57 3.72 3.63 3.62 3.64 3.636
12 3.63 3.65 3.54 3.55 3.66 3.606
13 3.62 3.63 3.65 3.72 3.66 3.656
14 3.59 3.45 3.43 3.38 3.49 3.468
15 3.59 3.63 3.59 3.62 3.61 3.608
16 3.63 3.58 3.62 3.62 3.6 3.61
17 3.56 3.56 3.54 3.55 3.57 3.556
18 3.6 3.6 3.62 3.61 3.64 3.614
19 3.56 3.6 3.59 3.61 3.58 3.588
20 3.6 3.61 3.64 3.63 3.65 3.626

22
23