LAPORAN PRAKTIKUM

MODUL 2
PENGENDALIAN KUALITAS STATISTIKA

ANALISIS PENGENDALIAN KUALITAS STATISTIK PADA

KECACATAN MOTOR DI PARKIRAN STATISTIKA ITS
MENGGUNAKAN PETA KENDALI p DAN PETA KENDALI u
x

Hanninda Ersya M.
Rr. Farahsanitaqwim B.

Oleh :
(1313030049)
(1313030077)

Asisten Dosen :
Ayub Samuel Yosepha

PROGRAM STUDI DIPLOMA III

JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2015

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

BAB II TINJAUAN PUSTAKA

2.1 Uji Asumsi Keacakan..............................................................................4
2.2 Uji Distribusi Binomial...........................................................................4
2.3 Uji Distribusi Poisson..............................................................................5
2.3 Peta Kendali Atribut................................................................................6
2.4 Diagram Pareto........................................................................................8
2.5 Diagram Ishikawa...................................................................................8
BAB III METODOLOGI PENELITIAN
3.1 Sumber Data............................................................................................9
3.2 Variabel Penelitian...................................................................................9
3.3 Struktur Data...........................................................................................9
3.4 Langkah Analisis Data............................................................................9
3.5 Diagram Alir............................................................................................11
BAB IV ANALISIS DAN PEMBAHASAN
4.1 Uji Keacakan...........................................................................................12
4.2 Uji Distribusi Binomial...........................................................................13
4.3 Uji Distribusi Poisson..............................................................................13
4.4 Peta Kendali p.........................................................................................14
4.5 Peta Kendali u.........................................................................................16
4.6 Diagram Pareto........................................................................................19
4.7 Diagram Ishikawa...................................................................................20
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan..............................................................................................21
5.2 Saran........................................................................................................22
DAFTAR PUSTAKA
LAMPIRAN

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)

n1 adalah banyaknya data bertanda plus (+)

n2 adalah banyaknya data bertanda minus (-)
(Daniel, 1989)
2.2 Uji Distribusi Binomial
Suatu percobaan sering terjadi atas beberapa usaha, tiap usaha dengan dua
kemungkinan hasil yang dapat diberi nama sukses atau gagal . Hal ini sering
terjadi, misalnya pada barang hasil produksi, dengan tiap pengujian atau usaha
dapat menunjukkan apaka suatu barang cacata atau tidak. Distribusi binomial
adalah suatu usaha Bernoulli dapat menghasilkan sukses dengan peluang peubah
acak binomial Xt, yaitu banyaknya sukses dalam n usaha bebas (Walpole, 1995).
Berikut adalah asumsi pada uji distribusi binomial:
1. Data terdiri atas hasil percoban Bernoulli yang diulang n kali.
2. Dalam setiap ulangan, hasilnya digolongkan dalam sukses dan gagal.
3. Ulangan-ulangan tersebut bersifat saling bebas satu sama lain.
4. Peluang untuk memperoleh keberhasilan pada setiap percobaan tidak
berubah-ubah.
Distribusi binomial dilambangkan dengan:
n
b x; n, p p x q n x
x

(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)

Jika digunakan k = 3, maka peta kendali

rumus sebagai berikut.

BPA 3

1
n

dapat dicari menggunakan

(2.5)

Garis Tengah
BPB 3

1
n

(2.6)

(2.7)
Keterangan :
BPA
= Batas Pengendali Atas
BPB
= Batas Pengendali Bawah

= Rata-rata dari rata-rata pengamatan

n
= jumlah data
(Montgomery, 2005)
2.4.2 Peta U
Benda yang tak sesuai adalah unit produk yang tidak memenuhi satu atau
beberapa spesifikasi untuk produk itu. Tiap unit dapat mempunyai satu atau
beberapa cacat yang sangat kecil kabinetnya.
Jika kita peroleh c jumla ketidak sesuaian rata-rata unit pemeriksaan, maka
banyak jetidaksesuaian rata-rata per unit pemeriksaan adalah
c
u
n
(2.8)
U adalah variabel random Poisson karena ini merupakan kombinasi linear n
variabel random Poisson independen. Dengan demikian, parameter grafik
pengendali itu adalah

BPA u 3

u
n
(2.9)

Garis Tengah u
(2.10)
6

BPB u 3

u
n

(2.11)
(Montgomery, 2005)

2.5 Diagram Pareto

Diagram pareto adalah sebuah metode untuk mengelola kesalahan, masalah,
atau cacat guna membantu memusatkan perhatian untuk upaya penyelesaian
masalahnya. Berikut adalah gambar diagram pareto.
(Montgomery, 2005)
2.6 Diagram Ishikawa
Diagram Ishikawa sering juga disebut diagram sebab-akibat serta diagram
tulang ikan, merupakan salah satu perangkat dalam seven tools yang digunakan
untuk mengidentifikasi masalah kualitas dan titik inspeksi. Dalam Diagram
Ishikawa ada 4 kategori, yaitu material/bahan baku, mesin/peralatan, manusia, dan
metode. Keempat kategori ini memberikan suatu daftar periksa yang baik untuk
melakukan analisis awal. Setiap penyebab dikaitkan pada kategori yang disatukan
dalam tulang yang terpisah sepanjang cabang tersebut. Berikut gambar dari
Diagram Ishikawa.

Gambar 2.2 Diagram Ishikawa

(Heizer, 2006)

BAB III
METODOLOGI PENELITIAN
7

3.1 Sumber Data

Data yang digunakan dalam penelitian ini adalah data primer yang diperoleh
secara langsung melalui observasi untuk mengetahui kecacatan yang ada pada
sepeda motor yang parkir di parkiran Statistika ITS pada 10-13 Maret 2015
dengan waktu selang dua jan dari pengamatan di sesi pertama.
3.2 Variabel Penelitian
Variabel yang diamati pada penelitian ini adalah sepeda motor yang ada di
parkiran Statistika ITS. Sepeda motor yang diamati memiliki kategori kecacatan
pada spion, ban, body, plat, knalpot, dan lampu.
3.3 Langkah Analisis Data
Langkah analisis data yang digunakan dalam penelitian adalah sebagai
berikut.
1. Mengamati dan mencatat kecacatan sepeda motor di parkiran Statistika ITS.
2. Menginputkan data kecacatan sepeda motor di parkiran Statistika ITS.
3. Melakukan uji keacakan pada data jumlah motor cacat yang ada di parkiran
Statistika ITS.
4. Melakukan uji distribusi binomial pada data jumlah motor cacat yang ada di
parkiran Statistika ITS.
5. Menganalisis data jumlah motor cacat yang ada di parkiran Statistika ITS
menggunakan peta p.
6. Melakukan uji keacakan pada data kecacatan sepeda motor yang ada di
parkiran Statistika ITS.
7. Melakukan uji distribusi poisson data kecacatan sepeda motor yang ada di
parkiran Statistika ITS.
8. Menganalisis data kecacatan sepeda motor yang ada di parkiran Statistika
ITS menggunakan peta u.
9. Membuat diagram pareto.
10. Membuat diagram ishikawa.
11. Menginterpretasikan hasil analisis.
12. Membuat kesimpulan.

Mulai
Mengumpulkan Data
Menginputkan data

3.4 Diagram Alir

Berdasarkan langkah analisis, maka dapat dibuat sebagai diagram sebagai
berikut.

tidak
Melakukan Uji Kecakan
ya

Melakukan Uji Binomial

Melakukan Uji Poisson

Membuat Peta Kendali P

Membuat Peta Kendali U

Membuat Diagram Pareto

Membuat Diagram Ishikawa

Kesimpulan
9
Selesai

Gambar 3.1 Diagram Alir

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 :

Membuat Peta Kendali

H0 : Data pengamatan motor cacat di parkiran jurusan Statistika ITS
P

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

Tabel 4.1menunjukkan bahwa runtutan yang terjadi sebanyak 10

runtutan, sedangkan runtutan yang diharapkan adalah 10,6 runtutan. Untuk

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.

4.2 Uji Distribusi Binomial

Uji distribusi binomial pada analisis ini berfungsi untuk mengetahui proporsi
motor cacat atau tidak cacat yang parkir pada jurusan Statistika ITS blok 2. Hasil
dari analisis ini adalah sebagai berikut.
Hipotesis
H0 : Data pengamatan motor cacat dan tidak cacat pada parkiran jurusan
Statistika ITS berdistribusi binomial
H1 : Data pengamatan motor cacat dan tidak cacat pada parkiran jurusan
Statistika ITS tidak berdistribusi binomial.
Taraf signifikan : = 0,05
Daerah kritis : tolak H0 jika P-value <
Statistik uji :
Tabel 4.2 Uji Binomial Motor Cacat dan Tidak Cacat
Kategori
Cacat
Tidak Cacat

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

Tabel 4.3 menunjukkan hasil uji distribusi poisson diketahui bahwa

banyak data yang diamati sebanyak 20 kali pengamatan, dengan nilai df 4,
dan nilai uji chi-square sebesar 16,9357, serta didapatkan hasil
perhitungan P-value sebesar 0,002 yang berarti menghasilkan keputusan
tolak H0. Sehingga dapat disimpulkan bahwa data pengamatan motor cacat
di parkiran jurusan Statistika ITS blok 2 tidak berdistribusi poisson,
namun dalam praktikum ini diasumsikan bahwa data berdistribusi poisson.
4.4 Peta Kendali P
Peta kendali P dibuat untuk mengetahui jumlah motor cacat yang
parkir di jurusna Statistika ITS blok 2 masih terkendali atau tidak. Berikut
adalah gambar peta kendaliP dari hasil pengolahan data menggunakan
software minitab.

12

P Chart of Motor cacat

0.8
1

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

Tests performed with unequal sample sizes

Gambar 4.1 Peta Kendali P Awal

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

Tests performed with unequal sample sizes

Gambar 4.2 Peta Kendali P Perbaikan 1

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

Tests performed with unequal sample sizes

Gambar 4.3 Peta Kendali P Perbaikan 2

Pada gambar 4.3 dapat dilihat bahwa peta kendali P perbaikan 2

sudah terkendali karena sudah tidak ada data yang keluar dari batas
kendali. Jadi peta kendali P terkendali hingga 2 kali tahap perbaikan dan 2
kali tahap eliminasi data.
4.5 Peta Kendali U
Peta kendali U dibuat untuk mengetahui apakah jumlah cacat motor
yang parkir di jurusan Statistika ITS blok 2 masih terkendali atau tidak.
Berikut adalah gambar peta kendali U dari hasil pengolahan data
menggunakan software minitab.

14

U Chart of J umlah cacat subgrup

1.8

Sample Count Per Unit

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

Gambar 4.4Peta Kendali U Awal

Gambar 4.4 dapat diketahui bahwa terdapat dua subgroup pengamatan

yang tidak terkendali, karena plotnya keluar dari batas pengendali, dengan batas
kendali yang berbeda-beda pada setiap sampelnya. Data yang tidak terkendali
tersebut adalah pada sub group ke 1 dan ke 2. Selanjutnya dilakukan analisis pada
kedua sub group tersebut, untuk mengetahui apa yang menyebabkan sub group
tersebut tidak terkendali. Setelah dilakukan analisis diketahui bahwa pada sub
group ke 2 adalah pengamatan ke pertama pada pukul 07.00 dan pada pengamatan
ke 2 pada pukul 09.00, sehingga pengamatan pada jam tersebut dibuang. Untuk
sub group ke 4 pengamatan yang dibuang adalah pengamatan ke 4 pada pukul
13.00 dan pengamatan ke 5 pada pukul 15.00. Berikut adalah peta kendali U
dengan jumlah sub group 4 dengan membuang data pada pengamatan subgroup 2
dan 4, serta dengan batas pengendali baru.
U Chart of J umlah Cacat Subgrup
1.3

Sample Count Per Unit

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

Tests performed with unequal sample sizes

Gambar 4.5Peta Kendali U Perbaikan 1

15

Gambar 4.5dengan perbaikan peta kendali U dengan eliminasi pengamatan

pada subgroup 2 dan 4 didapatkan batas pengendali baru dengan hasil bahwa
subgroup ke 2 sudah terkendali tetapi subgroup ke 4 belum terkendali dan
subgroup ke 3 ikut tidak terkendali. Oleh karena itu dicari penyebab pada
subgroup ke 3 dan ke 4 tidak terkendali. Penyebab pada subgroup ke 3 tidak
terkendali adalah pengamatan ke 3 pada pukul 11.00 sehingga data pengamatan ke
3 harus di eliminasi. Sedangkan pada subgroup ke 4 data pengamatan yang di
eliminasi adalah pengamatan ke 1 pada pukul 07.00 dan pengamatan ke 3 pada
pukul 11.00. Setelah pengamatan pada subgroup tersebut dieliminasi, didapatkan
peta kendali U yang baru dengan batas kendali baru sebagai berikut.
U Chart of J umlah Cacat Subgrup
1.3

Sample Count Per Unit

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

Gambar 4.6Peta Kendali U Perbaikan 2

Gambar 4.6 dengan peta kendali U yang baru setelah dilakukan

perbaikan ke 2 didapatkan hasil bahwa peta kendali U masih ada subgroup
yang tidak terkendali yaitu subgroup ke 4. Penyebab dari tidak
terkendalinya subgroup ke 4 adalah pengamatan ke 1 pada pukul 07.00.
Setelah diketahui penyebabnya, maka pada subgroup ke 4 pengamatan ke
1 di eliminasi. Peta kendali U setelah eliminasi dengan batas kendali baru
adalah sebagai berikut.

16

U Chart of J umlah Cacat Subgrup

Sample Count Per Unit

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

Gambar 4.7Peta Kendali U Perbaikan 3

Gambar 4.7 terlihat bahwa peta kendali U perbaikan 3 setelah dilakukan

beberapa kali eliminiasi dan pada tahap ke 3 peta kendali U sudah terkendali
karena semua subgroup sudah berada pada batas kendali yang baru. Sehingga
pada peta kendali U perbaikan 3 ini ada data-data pengamatan yang dieliminasi.
4.6 Diagram Pareto
Diagram paretto merupakan salah satu seven tools yang digunakan
untuk menggambarkan jenis cacat yang paling banyak terjadi dari suatu
pengamatan. Dalam pengamatan ini cacat diklasifikasikan menjadi 6 jenis
yaitu cacat pada spion, plat nomer, body, knalpot, ban, dan lampu. Hasil
analisis menggunakan software diagram pareto adalah sebagai berikut.
Pareto Chart of Kategori
1400
100

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

Gambar 4.8Diagram Pareto

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

Gambar 4.9Diagram Ishikawa

Berdasarkan gambar 4.9 dapat diketahui bahwa akar dari

permasalahan tersebut adalah fasilitas yang didapatkan oleh seseorang.
Seperti fasilitas jika motornya rusak atau ingin lebih bagus lagi. Penyebab
kedua adalah lingkungan sekitar orang itu berada. Lingkungan dalam hal
ini contohnya klub motor. Bisa saja klub motor sangat mempengaruhi
kepribadian orang tersebut, sehingga dari lingkungan klub motor

18

seseorang ingin merubah motornya menjadi model terbaru atau agar

terlihat lebih bagus diantara klub motornya. Faktor diri sendiri dan orang
sekitar juga sangat erat hubungannya dengan kepribadian seseorang. Jika
orang terdekatnya mendukungnya untuk membuat motornya tidak seperti
aslinya, bisa saja orang tersebut menjadi tertarik untuk merubahnya
sehingga membuat motornya terdefinisi cacat.

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

6. Diagram pareto yang digunakan dalam penelitian ini didapatkan hasil

bahwa cacat yang paling banyak diakibatkan oleh cacat body, yang
kedua adalah cacat plat, yang ketiga adalah cacat knalpot, yang keempat
adalah cacat spion, yang kelima adalah cacat lampu, dan yang terakhir
adalah cacat lain-lain.
7. Dari diagram tulang ikan (Ishikawa) dapat dilihat bahwa penyebab
utama motor cacat adalah dari fasilitas. Fasilitas itu contohnya jika
motornya rusak itu bisa dijadikan alasan untuk seseorang agar tidak
mengembalikan motornya ke model aslinya. Banyak faktor yang
menyebabkan hal-hal tersebut terjadi. Bisa jadi dari lingkungan, orang
sekitar, bahkan dirinya sendiri.
5.2 Saran
Saran untuk penelitian ini adalah lebih teliti lagi saat melakukan
pengamatan agar data yang didapat valid

dan bisa dipertanggung

jawabkan kedepannya. Sedangkan untuk pembaca dimohon lebih

memahami isi dari penelitian ini agar dapat bermanfaat untuk dirinya
sendiri, atau juga saudara-saudarnya.

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

5 cell(s) (83.33%) with expected value(s) less than 5.

22