Professional Documents
Culture Documents
MODUL 2
PENGENDALIAN KUALITAS STATISTIKA
Hanninda Ersya M.
Rr. Farahsanitaqwim B.
Oleh :
(1313030049)
(1313030077)
Asisten Dosen :
Ayub Samuel Yosepha
ABSTRAK
Motor adalah salah satu kendaraan yang sangat mudah ditemui. Di jaman
sekarang ini, semua orang pasti membutuhkan alat transportasi, seperti untuk
pergi kuliah. Namun, meningkatnya pengendara motor tidak diimbangi luas
lahan parkir seperti pada parkiran Statistika ITS sehingga menyebabkan
motor berhimpitan yang dapat menyebabkan motor mengalami kecacatan.
Digunakan uji keacakan sebagai uji dasar untuk melihat kerandoman
pengambilan data. Penganalisisan menggunakan peta kendali u dan p, karena
jumlah sampel yang berbeda, untuk mengetahui batas kendali cacat di
parkiran Statistika ITS. Digunakan pula diagram pareto dan diagram
ishikawa untuk mengetahui faktor penyebab terbesar suatu motor dikatakan
cacat dan faktor yang mempengaruhinya. Berdasarkan analisis didapatkan
bahwa data yang diambil telah diambil secara acak. Data jumlah motor tidak
berdistribusi binomial begitu pula dengan data kecacatan juga tidak
berditribusi poisson. Jumlah sepeda motor yang cacat dan kecacatan sepeda
motor tidak terkendali.
Kata Kunci : Diagram Ishikawa, Diagram Pareto, Motor, Peta p, Peta u,
Uji Asumsi Keaacakan
DAFTAR ISI
Halaman Judul
Halaman
ABSTRAK.......................................................................................................i
DAFTAR ISI....................................................................................................ii
DAFTAR TABEL............................................................................................iv
DAFTAR GAMBAR.......................................................................................v
BAB I PENDAHULUAN
1.1
1.2
1.3
1.4
1.5
Latar Belakang.................................................................................................1
Rumusan Masalah............................................................................................2
Tujuan..............................................................................................................2
Manfaat............................................................................................................3
Batasan Masalah..............................................................................................3
DAFTAR TABEL
Halaman
Tebel 3.1 Struktur Data.....................................................................................9
Tabel 4.1 Uji Keacakan Data Motor Cacat......................................................12
Tabel 4.2 Uji Binomial Motor Cacat dan Tidak Cacat.....................................13
Tabel 4.3 Uji Distribusi Poisson Motor Cacat.................................................14
DAFTAR GAMBAR
Halaman
Gambar 2.1 Diagram Pareto............................................................................8
Gambar 2.2 Diagram Ishikawa........................................................................8
Gambar 3.1 Diagram Alir................................................................................11
Gambar 4.1 Peta Kendali P Awal....................................................................15
Gambar 4.2 Peta Kendali P Perbaikan 1.........................................................15
Gambar 4.3 Peta Kendali P Perbaikan 2.........................................................16
Gambar 4.4 Peta Kendali U Awal...................................................................16
Gambar 4.5 Peta Kendali U Perbaikan 1.........................................................17
Gambar 4.6 Peta Kendali U Perbaikan 2.........................................................18
Gambar 4.7 Peta Kendali U Perbaikan 3.........................................................18
Gambar 4.8 Diagram Pareto............................................................................19
Gambar 4.9 Diagram Ishikawa........................................................................20
BAB I
LATAR BELAKANG
1.1 Latar Belakang
Saat ini, alat transportasi sudah menjadi kebutuhan yang amat sangat
mendasar. Sudah banyak orang-orang menggunakan alat trasnportasi untuk
melakukan aktivitas sehari-hari, mobilitas hampir tidak mungkin dilakukan jika
tidak menggunakan transportasi (Sueryani, 2012). Semakin berkembangnya
jaman, berkembang pula pengendara kendaraan bermotor, seperti sepeda motor.
Sepeda motor yang ada sekarang ini juga telah berkembang. Berkembangnya
jaman juga mempengaruhi pola pikir pengendara motor yang ingin motornya
tidak biasa dan berbeda dengan orang lain, karena itulah para pengendara motor
biasanya akan merubah beberapa tampilan pada motor mereka. Perubahan pada
motor biasa dilakukan dengan mengganti, menambah, ataupun mengurangi bagian
luar motor serta dapat melapisi motor dengan stiker. Semakin banyaknya
pengendara motor, haruslah diimbangi dengan fasilitas yang ada, seperti tempat
parkir.
Penelitian kali ini peneliti ingin meneliti kecacatan motor yang parkir pada
parkiran Statistika ITS. Peneliti meneliti motor yang parkir di parkiran Statistika
ITS dimaksudkan karena pada parkiran Statistika ITS terdapat banyak motor yang
parkir meskipun tempat parkir telah penuh, karena itu sering sekali dijumpai
motor-motor yang berhimpitan sehingga dapat menimbulkan kecacatan serta
semakin berkembangnya jaman, banyak motor yang sudah tidak sesuai dengan
standar keluaran pabrik atau biasa disebut motor modif ataupun motor dengan
stiker. Penelitian dilakukan dengan maksud untuk mengetahui apakah cacat pada
moto yang parkir di Statistika ITS masih dalam batas kendali atau tidak, maka
dilakukan penelitian dengan menggunakan Peta p dan u. Peta p digunakan karena
karakteristik kualitas berupa cacat atau tidak dengan ukuran sampel yang berbeda,
sedangkan peta u digunakan karena karakteristik cacat atau tidak dibedakan
menjadi kategori-kategori.
1.2 Rumusan Masalah
Rumusan masalah yang digunakan dalam penelitian ini adalah sebagai
berikut.
1
1. Apakah data jumlah motor cacat di parkiran Statistika ITS telah diambil
secara acak?
2. Apakah data jumlah motor cacat di parkiran Statistika ITS telah memenuhi
asumsi distribusi binomial?
3. Apakah data jumlah motor cacat di parkiran Statistika ITS masih terkendali?
4. Apakah data kategori motor cacat di parkiran Statistika ITS telah diambil
secara acak?
5. Apakah data kategori motor cacat di parkiran Statistika ITS telah memenuhi
asumsi distribusi poisson?
6. Apakah data kategori motor cacat di parkiran Statistika ITS masih
terkendali?
7. Apa faktor utama motor di Statistika ITS dikategorikan cacat?
8. Apakah yang menyebabkan motor cacat di Statistika ITS?
1.3 Tujuan
Tujuan yang didapat adalah dapat mengetahui apakah jumlah motor
cacat dan kecacatan sudah terkendali atau belum serta apakah data yang
diambil telah acak atau belum dan apakah telah memenuhi distribusi yang
ada, yatu distribusi binomial dan poisson, serta dapat mengetahui faktor
penyebab utama yang mengakibatkan motor cacat.
1.4 Manfaat
Manfaat yang dapat diperoleh oleh peneliti adalah peneliti dapat memahami
penggunaan peta p dan peta u serta dapat menerapkannya dalam kehidupan seharihari sehingga dapat bermanfaat bagi banyak orang. Manfaat yang dapat diperoleh
oleh pembaca adalah dapat mengetahui informasi tentang kecacatan motor yang
parkir di parkiran Statistika ITS sehingga dapat mengantisipasi kecacatan yang
tidak diinginkan.
1.5 Batasan Masalah
Batasan masalah yang digunakan dalam penelitian ini adalah kategori cacat
dibedakan pada enam komponen motor, yaitu spion, lampu, ban, body, knalpot,
dan plat yang parkir di parkiran Statistika.
BAB II
TINJAUAN PUSTAKA
2.1 Uji Asumsi Kecakan
Uji keacakan (Runs test) digunakan untuk menguji hipotesis
deskriptif (satu sample), bila datanya berbentuk ordinal. Pengujian
dilakukan dengan cara mengukur kerandoman populasi yang didasarkan
atas data hasil pengamatan melalui data sampel.
Prosedur pengujian untuk uji keacakan adalah sebagai berikut.
Hipotesis
H0 : Data pengamatan telah diambil secara acak dari suatu populasi
H1 : Data pengamatan tidak diambil secara acak dari suatu populasi
Statistik Uji
r (banyaknya runtun yang terjadi)
Daerah Kritis
Tolak H0 apa bila r < rbawah atau r > ratas dari tabel nilai kritis untuk runtun r
Bila n1 maupun n2 > 20 maka rumus yang digunakan :
z
r {(2n1n2 ) / (n1 n2 ) 1}
2n1n2 (2n1n2 n1 n2 )(n1 n2 ) 2 (n1 n2 1)
(2.1)
(2.2)
untuk x = 0, 1 , 2, , n.
Mean : = n . p
varians : 2 = n . p . q
Hipotesis pada uji binomial adalah sebagai berikut.
H0 : p = p0
H1 : p p0
Statistik uji : S = banyaknya keberhasilan
Daerah penolakan : tolak H0 jika P(xs1) /2 atau P(x>s2) /2
(Daniel, 1989)
2.3 Uji Distribusi Poisson
Distribusi Poisson adalah percobaan yang menghasilkan nilai-nilai bagi
suatu peubah acak X, yaitu banyaknya hasil percobaan yang terjadi selama suatu
selang waktu tertentu atau disuatu daerah tertentu. Distribusi poisson memiliki
ciri-ciri sebagai berikut:
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau
suatu daerah tertentu, tidak bergantung pada banyaknya hasil percobaan
yang terjadi pada selang waktu atau daerah lain yang terpisah.
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan
panjang selang waktu tersebut atau besarnya daerah tersebut, dan tidak
bergantung pada banyaknya hasil percobaan yang terjadi diluar selang
waktu atau daerah tersebut.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah yang kecil tersebut, dapat
diabaikan. Bilangan X yang menyatakan banyaknya hasil percobaan dalam
suatu distribusi poisson disebut peubah acak poisson.
Karena nilai-nilai peluang nya hanya berganting pada , maka dirumuskan:
e x
p x,
x!
untuk x = 1, 2,..., n
(2.3)
(Walpole, 1995)
2.4 Peta Kendali Atribut
Banyak karakteristik kualitas tidak dapat dengan mudah dinyatakan secara
numerik. Dalam hal seperti itu, biasanya tiap benda yang diperiksa kita klasifikasi
sesuai dengan spesifikasi dengan istilah cacat atau baik. Karakteristik kualitas
yang merupakan sifat seperti itu dinamakan atribut. Peta kendali atribut dibedakan
menjadi empat, yaitu peta p, peta np, peta u, dan peta c. Berikut adalah penjelasan
beberapa peta kendali atribut (Montgomery, 2005).
2.4.1 Peta P
Peta Kendali P digunakan untuk membandingan antara banyaknya cacat
dengan semua pengamatan, yaitu setiap produk yang diklasifikasikan sebagai
diterima atau ditolak (yang diperhatikan banyaknya produk cacat) (Susetyo,
2010). Misalkan proses produksi bekerja dalam keadaan stabil, sehingga
probabilitas bahea suatu unit akan tidak sesuai dengan spesifikasi adalah p, dan
unit yang diproduksi beurutan adalah independen, maka tiap unit yang diproduksi
merupakan realitas suatu variabel random Bernoulli dengan parameter p. Apabila
sampel random dengan n unit produk dipilih, dan D adalah banyak unit produk
yang tidak sesuai, maka D berdistribusi Binomial dengan parameter n dan p.
Bagian tak sesuai dalam sampel didefinisikan sebagai perbandingan banyak unit
tak sesuai dalam sampel D dengan ukuran sampel n yakni:
Di
n
(2.4)
BPA 3
1
n
(2.5)
Garis Tengah
BPB 3
1
n
(2.6)
(2.7)
Keterangan :
BPA
= Batas Pengendali Atas
BPB
= Batas Pengendali Bawah
BPA u 3
u
n
(2.9)
Garis Tengah u
(2.10)
6
BPB u 3
u
n
(2.11)
(Montgomery, 2005)
(Heizer, 2006)
BAB III
METODOLOGI PENELITIAN
7
Mulai
Mengumpulkan Data
Menginputkan data
tidak
Melakukan Uji Kecakan
ya
Kesimpulan
9
Selesai
BAB IV
ANALISIS dan PEMBAHASAN
Setelah melakukan pengamatan, analisis dan pembahasan akan
dibahas dalam bab ini. Analisis yang dilakukan pada pengamatan data
banyaknya variasi kualitas terhadap sepeda motor yang ada di parkiran
jurusan Statistika ITS blok 2 adalah uji keacakan, uji binomial, uji
distribusi poisson, peta kendali p, peta kendali u, diagram pareto dan
diagram tulang ikan.
4.1 Uji Keacakan
Pengujian keacakan data digunakan untuk mengetahui terpenuhnya asumsi
keacakan data. Hasil analisis uji keacakan pada pengamatan banyaknya motor
cacat di parkiran jurusan Statistika ITS blok 2adalah sebagai berikut :
blok 2
diambil dari suatupopulasi secara acak
H1 : Data pengamatan motor cacat di parkiran jurusan Statistika ITS
blok 2
diambil dari suatu populasi secara tidak acak
Taraf signifikan : = 0,05
Daerah Kritis : Tolak H0 jika ratas< r < rbawah atau P-value <
Statistik Uji
:
Tabel 4.1 Uji Keacakan Data Motor Cacat
Median
n2
10
17,2
1
2
Pv
al
u
e
0,
77
3
10
nilai yang berada di bawah median sebanyak 8 kali pengamatan dan yang
berada diatas median sebanyak 12 kali pengamatan dengan total data
sebanyak 20 kali pengamatan. P-value berdasarkan tabel diatas sebesar
0,773 yang berarti lebih besar dari (0,05), sehingga keputusannya adalah
gagal tolak H0. Jadi kesimpulannya data pengamatan motor cacat di
parkiran jurusan Statistika ITS blok 2 sudah diambil secara acak.
Proporsi
0,33
0,67
P-Value
0,000
Pada tabel 4.2 dapat dilihat bahwa proporsi kategori motor cacat adalah
sebesar 0,33 dan untuk kategori motor tidak cacat adalah sebesar 0,67 dari total
sampel sebesar 614. Dari hasil analisis tersebut dapat dikatakan bahwa motor
yang tidak cacat lebih banyak dari pada motor yang cacat. Sehingga dapat diambil
keputusan bahwa tolak H0 dikarenakan P-value (0,000) < (0,05), jadi dapat
disimpulkan bahwa data pengamatan motor cacat dan tidak cacat pada parkiran
jurusan Statistika ITS blok 2 tidak berdistribusi binomial. Tetapi pada penelitian
ini, data diasumsukan berdistribusi binomial.
4.3 Uji Distribusi Poisson
Distribusi Poisson adalah percobaan yang menghasilkan nilai-nilai bagi
suatu peubah acak X, yaitu banyaknya hasil percobaan yang terjadi selama suatu
selang waktu tertentu atau disuatu daerah tertentu. Analisis distribusi poisson pada
11
data pengamatan motor cacat di parkiran jurusan Statistika ITS blok 2 adalah
sebagai berikut.
Hipotesis:
H0 : Data pengamatan motor cacat di parkiran jurusan Statistika ITS blok 2
berdistribusi poisson
H1 : Data pengamatan motor cacat di parkiran jurusan Statistika ITS blok 2
tidak
berdistribusi poisson
Taraf signifikan : = 0,05
Daerah Kritis : Tolak H0 jika P-value <
Statistik Uji
:
Tabel 4.3 Uji Distribusi Poisson Motor Cacat
N
20
DF
4
Chi-Square
16,9357
P-value
0,002
12
0.7
1
UCL=0.6094
Proportion
0.6
0.5
_
P=0.4052
0.4
0.3
0.2
LCL=0.2009
0.1
11
Sample
13
15
17
19
Pada gambar 4.1 dapat dilihat bahwa peta kendali P awal ada data
yang tidak terkendali yaitu data ke 10, 14, 15 dan 18. Penyebab dari tidak
terkendalinya data ke 10 adalah pada subgroup ke 2 pengamatan ke 5
sehingga dilakukan eliminasi data ke 10. Sedangkan pada data ke 14
adalah pada subgroup ke 3 pengamatan ke 4, pada data ke 15 adalah pada
subgroup ke 3 pengamatan ke 5 dan pada data ke 18 adalah subgroup ke 4
pengamatan ke 3. Sehingga data yang tidak terkendali tersebut harus
dieliminasi. Dibuat lagi peta kendali P dengan batas kendali baru sebagai
berikut.
P Chart of Motor cacat
0.7
1
0.6
UCL=0.5774
Proportion
0.5
_
P=0.3759
0.4
0.3
0.2
LCL=0.1744
0.1
1
9
Sample
11
13
15
Pada gambar 4.2 dapat dilihat bahwa peta kendali P belum terkendali. Data
yang tidak terkendali adalah data ke 10 adalah subgroup ke 3 pengamatan ke 1.
13
Sehingga data tersebut harus dieliminasi agar peta dapat terkendali. Peta kendali P
baru dibuat dengan batas kendali baru dan jumlah data baru yaitu 15 sebagai
berikut.
P Chart of Motor cacat
0.6
UCL=0.5579
Proportion
0.5
0.4
_
P=0.3584
0.3
0.2
LCL=0.1589
0.1
1
7
8
9
Sample
10 11 12 13 14 15
14
1.7
1.6
UCL=1.5881
1.5
1.4
_
U=1.3581
1.3
1.2
LCL=1.1280
1.1
Sample
Tests performed with unequal sample sizes
1.2
UCL=1.1456
1.1
1.0
_
U=0.9529
0.9
0.8
LCL=0.7602
0.7
0.6
0.5
1
0.4
1
3
Sample
UCL=1.2581
1.2
1.1
_
U=1.0554
1.0
0.9
LCL=0.8526
1
0.8
1
Sample
Tests performed with unequal sample sizes
16
1.3
UCL=1.2981
1.2
_
U=1.0919
1.1
1.0
0.9
LCL=0.8856
0.8
1
Sample
Tests performed with unequal sample sizes
1200
Frekuensi
800
60
600
40
400
20
200
0
Kategori
Frekuensi
Percent
Cum %
Body
498
39.6
39.6
Plat
445
35.4
75.0
Knalpot
110
8.8
83.8
Spion
100
8.0
91.7
Lampu
65
5.2
96.9
17
Other
39
3.1
100.0
Percent
80
1000
Gambar 4.8 diketahui bahwa cacat yang jumlahnya paling banyak adalah
body dengan jumlah 498 cacat dengan prosentase 39,6%, terbanyak kedua adalah
plat nomer berjumlah 445 cacat dengan prosentase 35,4%, yang ketiga adalah
knalpot berjumlah 110 cacat dengan prosentase 8,8%, yang keempat adalah spion
berjumlah 100 cacat dengan prosentase 8%, yang ke lima adalah lampu berjumlah
65 cacat dengan prosentase 3,1% dan lain lain sebanyak 39 cacat dengan
prosentase 3,1%. Serta dapat disimpulkan bahwa 50% motor cacat dikarenakan
dari cacat body.
4.7 Diagram Ishikawa
Pada diagram ishikawa akan diketahui akar dari permasalahan cacat
pada motor yang parkir di jurusan Statistika ITS blok 2. Berikut adalah
hasil analisis menggunakan diagram ishikawa
Cause-and-Effect Diagram
Lingkungan
Diri Sendiri
Klub
Hobi
Motor
Motor Cacat
terbaru
sekitar
Motor
O rang
Fasilitas
Manusia
18
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari analisis dan pembahasan pada data pengamatan motor cacat di
parkiran jurusan Statistika ITS blok 2 adalah sebagai berikut.
1. Uji keacakan yang dilakukan dapat disimpulkan bahwa data pengamatan
motor di jurusan Statistika ITS blok 2 sudah diambil secara acak.
2. Uji Distribusi Binomial yang dilakukan pada data ini adalah data
pengamatan motor cacat dan tidak cacat di jurusan Statistika ITS blok 2
tidak berdistribusi binomial, tetapi pada pengamatan ini diasumsikan
data berdistribusi binomial.
3. Uji Distribusi poisson yang dilakukan pada 20 kali pengamatan adalah
gagal tolak H0 yang berarti data tidak berdistribusi poisson, tetapi dalam
penelitian ini diasumsikan bahwa data berdistribusi poisson.
4. Peta kendali P yang didapatkan dari analisis ini adalah melakukan
eliminasi hingga tahap 3 kali agar peta kendali P dapat terkendali.
Eliminasi dilakukan jika ada data dalam peta tidak terkendali sehingga
data harus dibuang.
5. Peta kendali U yang didapatkan dari analisis ini adalah melakukan
eliminasi sebanyak 3 kali sampai data pengamatan motor cacat di
jurusan Statistika ITS blok 2 dapat terkendali. Peta kendali U dapat
terkendali saat melakukan eliminasi pengamatan setiap subgroup.
Eliminasi dilakukan terus menerus hingga peta kendali U terkendali.
19
DAFTAR PUSTAKA
Daniel,W.W. 1989. Statistika Non Parametrik. Jakarta: PT. Gramedia Pustaka.
Heizer, Jay dan Barry, Render. 2006. Manajemen Operasi Edisi Tujuh. Jakarta:
Salemba Empat.
Montgomery, Douglas C. 2009. Statistical Quality Control: A Modern
Introduction (Sixth Edition). United States : John Wiley and Sons (Asia)
Pte.Ltd.
Walpole, Ronald E. 2005. Pengantar Statistika Edisi ke-3. Jakarta: Gramedia
Pustaka Utama
LAMPIRAN
Har
i
Knalpo
JumlahSampel
30
38
37
41
41
Sesi
7:00
9:00
11:00
13:00
15:00
Spion
1
2
2
7
1
Plat
7
12
27
25
24
20
Body
19
14
15
22
23
t
2
6
3
5
1
Ban
0
3
0
1
0
Lampu JumlahCacat
0
29
3
34
5
47
7
59
2
49
38
7:00
9
37
36
11
4
41
9:00
7
25
22
5
1
2
41
11:00
1
24
36
11
4
5
25
26
5
7
45
13:00
34
15:00
5
24
26
7
0
50
7:00
18
40
21
10
0
50
9:00
6
36
23
7
0
3
46
11:00
4
14
19
5
1
12
26
29
8
10
49
13:00
37
15:00
1
22
23
6
0
32
7:00
1
10
18
3
0
4
48
9:00
2
12
27
4
0
40
11:00
0
7
21
3
0
9
25
41
6
7
59
13:00
52
15:00
7
23
37
2
1
Lampiran 1 Data pengamatan motor parkiranjurusanStatistika ITS blok 2
10
7
10
1
2
4
3
0
3
1
2
2
0
2
1
93
59
72
61
62
89
72
42
75
52
32
45
31
81
69
Lampiran 2 Uji keacakan data pengamatan motor cacat pada parkiran jurusan
Statistik ITS blok 2
Runs Test: Motor cacat
Runs test for Motor cacat
Runs above and below K = 17.2
The observed number of runs = 10
The expected number of runs = 10.6
12 observations above K, 8 below
* N is small, so the following approximation may be invalid.
P-value = 0.773
Lampiran 3 Uji binomial data pengamatan motor cacat dan tidak cacat pada
parkiran jurusan Statistika ITS blok 2
Binomial Test
Observed
Category
Cacat_Moto Group 1 cacat
r
Group 2 tidakcaca
t
Total
Prop.
Test Prop.
205
.33
409
.67
614
1.00
21
Asymp. Sig.
.50
(2-tailed)
.000a
Lampiran 4 Uji poisson data pengamatan motor cacat dan tidak cacat pada
parkiran jurusan Statistika ITS blok 2
Goodness-of-Fit Test for Poisson Distribution
Data column: Jumlahcacatpengamatan
Poisson mean for Jumlahcacatpengamatan = 57.65
Jumlahcacat
pengamatan
<=49
50 - 52
53 - 55
56 - 58
59 - 61
>=62
N
20
N*
0
DF
4
Observed
8
1
0
0
3
8
Chi-Sq
16.9357
Poisson
Probability
0.140574
0.111994
0.143778
0.156801
0.146479
0.300374
Expected
2.81149
2.23987
2.87556
3.13602
2.92957
6.00748
Contribution
to Chi-Sq
9.57524
0.68633
2.87556
3.13602
0.00169
0.66086
P-Value
0.002
22