http://okdogi.

com/2015/12/perawatan-tepat-mencegah-kerontokan-bulu-kucing/
http://okdogi.com/2015/12/5-cara-mudah-mengamati-ciri-kucing-hamil/
http://okdogi.com/2016/01/persiapan-masa-kucing-kawin-hamil-dan-melahirkan/

Apakah Box cox power transformation bekerja 100% untuk data normal?
Box-Cox power transformation bukanlah jaminan normalitas. Hal ini karena sebenarnya box cox
tidak benar-benar memeriksa normalitas, box cox hanya mengecek metode berdasarkan standar
deviasi terkecil. Asumsinya adalah bahwa di antara semua transformasi dengan nilai Lambda antara
-5 dan +5, data yang ditransformasikan memiliki kemungkinan tertinggi - tapi bukan jaminan-
terdistribusi secara normal ketika deviasi standar adalah yang terkecil. Oleh karena itu, sangatlah
penting untuk selalu memeriksa data ditransformasikan normalitas menggunakan plot probabilitas.

Contoh gambaran box cox transformation dalam mengubah data tidak normal
menjadi data normal
Contoh berikut menggunakan data yang tidak normal. berikut plot dari data tidak normal sehingga
bisa dibandingkan dengan hasillnya nanti.

Setelah itu dilakukan transformasi box cox menggunakan software statistik. pada contoh dibawah
ini menggunakan output dari minitab. sehingga diperoleh salah satu output seperti berikut.

Nilai lower and upper confidence levels (CLs) pada gambar yang berupa garis vertikal
menunjukkan nilai lambda yang terbaik untuk data normal yaitu -2,48003 dan -0,69483 dengan
nilai lambda yang terbaik yaitu -1,53932. Tapi nilai lambda yang terbaik diambil yaitu berupa
bilangan yang bisa dipahami transformasinya seperti pada tabel di atas. pada bagian bawah tersebut
terdapat nilai best value -2 yang menunjukkan nilai lambda terbaik sebaiknya diambil. tapi untuk
nilai -1 juga bisa karena berada pada batas tadi. silahkan putuskan dengan bijak karena datanya
sudah normal untuk keduanya. berikut hasil data setelah ditransformasi dengan lambda = -1.
Box Cox Transformation
Data transforms are usually applied so that the data appear to more closely meet assumptions
of a statistical inference model to be applied or to improve the interpret-ability or appearance
of graphs.
Power transformation is a class of transformation functions that raise the response to some
power. For example, a square root transformation converts X to X1/2
Box Cox transformation is a popular power transformation method developed by George E.
P. Box and David Cox.

Box Cox Transformation Formula

The formula of the Box Cox transformation is:

Where:
y is the transformation result
x is the variable under transformation
is the transformation parameter.

Use Minitab to Perform a Box-Cox Transformation

Minitab provides the best Box-Cox transformation with an optimal that minimizes the model SSE
(sum of squared error). Here is an example of how we transform the non-normally distributed
response to normal data using Box-Cox method.
Data File: Box-Cox tab in Sample Data.xlsx

Step 1: Test the normality of the original data set

1. Click Stat Basic Statistics Normality Test.

Fig 1.1 Stat > Basic Statistics > Normality Test

2. A new window named Normality Test pops up.

Fig 1.2 Normality Test dialog box

3. Select Y as Variable.

Fig 1.3 Normality Test with selected variable

4. Click OK.
5. The normality test results are shown automatically in the new window.

Fig 1.4 Normality Test output

Normality Test:
H0: The data are normally distributed.
H1: The data are not normally distributed.

If p-value > alpha level (0.05), we fail to reject the null hypothesis. Otherwise, we reject the null. In
this example, p-value = 0.029 < alpha level (0.05). The data are not normally distributed.
Step 2: Run the Box-Cox Transformation:
1. Click Stat Control Charts Box-Cox Transformation.

Fig 1.5 Stat > Control Charts > Box-Cox Transformation

2. A new window named Box-Cox Transformation pops up.

Fig 1.6 Box-Cox Transformation dialog box

3. Click into the blank list box below All observations for a chart are in one column.
4. Select Y as the variable.

Fig 1.7 Box-Cox Transformation dialog box with selected

5. Select Run into the box next to Subgroup sizes (enter a number or ID column).
Fig 1.8 Box-Cox Transformation dialog box with subgroup selection

6. Click OK.
7. The analysis results are shown automatically in the new window.

Fig 1.9 Box-Cox output

The software looks for the optimal value of lambda that minimizes the SSE (Sum of Squares of
Error). In this case the minimum value is 0.12. The transformed Y can also be saved in another
column.
1. Create a new column named Y1 in the data table.

Fig 1.10 Creating Y1 column

2. Click on the Options button in the Box-Cox Transformation window.

Fig 1.11 Box-Cox Transformation dialog box with variable selections

3. A new window named Box-Cox Transformation Options appears.

Fig 1.12 Box-Cox Transformation: Options dialog box

4. Click in the blank box under Store transformed data in and all the columns pop up in the
list box on the left.

Fig 1.13 Box-Cox Transformation: Options dialog box with variable options

5. Select Y1 in Store transformed data in.

Fig 1.14 Box-Cox Transformation: Options dialog box with selected variable

6. Click OK in the window Box-Cox Transformation Options.

7. Click OK in the window Box-Cox Transformation.
8. The transformed column is stored in the column Y1.

Fig 1.15 Box-Cox Transformation output

Run the normality test to check whether the transformed data are normally distributed.

Fig 1.16 Normality Test output

Use the AndersonDarling test to test the normality of the transformed data
H0: The data are normally distributed.
H1:: The data are not normally distributed.

If p-value > alpha level (0.05), we fail to reject the null. Otherwise, we reject the null. In this
example, p-value = 0.327 > alpha level (0.05). The data are normally distributed.

Trend Analisa produk dalam jangka waktu tertentu merupakan bahan evaluasi produk. Trend analisa
ini merupakan bagian dari Pengkajian Produk Tahunan(PPT). Tujuan dari PPT adalah untuk melihat
trend kualitas produk tahunan (mencakup kapabilitas, ketangguhan proses & formula, spesifikasi
atau parameter produk, stabilitas dan waktu daluarsa, ada komplain atau tidak, dan sebagainya)
sehingga dapat menjadi acuan untuk langkah-langkah selanjutnya.
Di dalam PPT terdapat spesifikasi dan komplain dari pelanggan maka alat yang tepat dalam
membuat trend analisa adalah menggunakan Analisa kapabilitas proses bukan peta kendali saja.
Peta kendali/control chart digunakan untuk memonitor proses ketika produksi sedang berlangsung,
dengan peta kendali ini membantu mendeteksi penyebab variasi proses dan mempermudah
perbaikan. Akan tetapi peta kendali saja bukan alat yang tepat untuk menentukan jika ingin
memenuhi kebutuhan pelanggan karena peta kendali hanya digunakan untuk memonitor kinerja
produksi yang sedang berlangsung. Proses yang sedang berlangsung dan dikontrol tidak otomatis
berarti semua produk memenuhi kebutuhan pelanggan(spesifikasi yang kita inginkan). Dengan kata
lain proses yang berlangsung dapat diantara batas atas dan bawah(UCL/LCL) dan masih
menghasilkan produk diluar spesifikasi yang diinginkan(USL/LSL).Untuk lebih jelasnya dapat
dilihat pada chart dibawah ini:

Pada gambar diatas terlihat bahwa semua proses yang diwakili oleh garis-garis masih diantara UCL
dan LCL tapi ada beberapa bagian(yang diarsir hitam) melebihi batas yang kita inginkan (USL dan
LSL). Dengan kata lain proses pada gambar diatas dikatakan tidak capable. Proses dikatakan
capable jika rata-rata proses berada ditengah diantara target yang diinginkan dan rentang batas
spesifikasi(USL/LSL) lebih lebar daripada batas kontrol(UCL/LCL) seperti ditunjukkan pada
gambar dibawah ini,

Analisis Kapabilitas Proses Sixpack

Ketika sebuah proses dalam kontrol statistik maka akan memproduksi secara konsisten. Oleh karena
itu, pertanyaan yang muncul adalah: Apakah proses yang berjalan capable?. Capable disini
berarti barang/proses yang dihasilkan memenuhi spesifikasi batas yang telah ditetapkan. Analisis
kapabilitas proses ini ditentukan dengan membandingkan lebar variasi proses dengan lebar batas
spesifikasi yang telah ditetapkan. Proses yang akan di analisis kapabilitasnya harus sudah dikontrol
sebelum ditentukan kapabilitasnya, jika tidak maka akan didapat estimasi kapabilitas proses yang
tidak benar.
Cara untuk mengetahui proses sudah dikontrol atau belum adalah dengan mengecek dengan control
chart pada minitab(Xbar dan I Chart) dan variasi(Rchart, S chart atau MR chart). Salah satu
kelebihan Capability Sixpack adalah dalam analisis kapabilitas ini sudah termasuk chart yang sesuai
dengan bagian dari output yang dihasilkan
Trend analisa dapat dibuat dengan mudah menggunakan software minitab 15. Berikut ini langkah-
langkahnya:
Cek Normalitas Data
1. Masukkan data parameter yang akan dianalisa ke dalam worksheet minitab kemudian beri
nama pada tiap kolom

2. Periksa apakah data yang akan dibuat trend analisa berupa distribusi normal atau non-
normal.
3. Pengecekan data apakah normal atau tidak dengan mengklik Stat>Basic Statistic>Normality

Test
4. Kemudian akan muncul box Normality Test, pada variable ketik nomor kolom yang berisi
data yang akan dianalisis, pilih Percentile Lines None dan Test for Normality pilih
Anderson-Darling kemudian klik OK

5. Akan muncul chart Probability Plot Normalitas, pada chart terdapat nilai p-value, bila p-
value lebih dari alpha (dalam hal ini 0,05) maka data dikatakan normal dan sebaliknya.Bila
data normal bisa dilanjutkan dengan pembuatan Proces Capability Sixpack Normal(bila data
tidak normal baca Capability Sixpack untuk data non-normal pada bagian bawah)

Capability Analysis Sixpack dengan data Normal

1. Setelah mengetahui data normal kemudian pada menu Stat>Quality Tools>Capability
Sixpack>Normal

2. Akan muncul box Capability Sixpack(Normal Distribution), pada Single Column isi dengan
kolom yang berisi data yang akan dianalisis dan pada subgrup diisi dengan ID column. Pada
lower dan upper spec diisi dengan nilai yang dipersyaratkan, kemudian tekan OK.

3. Akan muncul diagram Sixpack seperti pada gambar berikut:

Capability Analysis Sixpack dengan data non-Normal

 1. Lakukan tes normalitas seperti pada langkah Cek Normalitas Data dan bila didapat data
yang tidak normal misal seperti gambar dibawah dimana p-value kurang dari 0,05.

2. Untuk Capability Sixpack dari menu Stat>Quality Tools>Capability Sixpack>Normal

sehingga akan muncul jendela seperti pada gambar berikut

3. Kemudian klik pada menu Box-Cox sehingga akan muncul jendela baru,centang pada Box-
Cox power transformation dan pilih Use optimal lambda, klik OK.

4. Akan muncul diagram Sixpack seperti pada gambar berikut

Catatan:data yang tidak mengikuti distribusi normal(non-normal) perlu ditransformasi dahulu

kemudian baru dianalisis untuk mendapatkan diagram sixpack. Bila tidak dilakukan transformasi
maka data akan kurang tepat walaupun dapat dilakukan analisis sixpack tanpa transformasi terlebih
dahulu.