Embed Size (px)
Citation preview
1
Abstrak— PT. Timur Megah Steel. merupakan salah satu
perusahaan nasional yang bergerak di bidang pembuatan bolt.
Dalam proses inspeksi produksi bolt, perusahaan menetapkan
karakteristik cacat yang bersifat atribut, yaitu kondisi gupil,
crack, tidak center,ada goresan, keropos, dan ukuran tidak
sesuai. Sejauh ini penyajian informasi kecacatan di PT Timur
Megah Steel hanya sebatas penjumlahan cacat terbanyak,
perusahaan tidak menggunakan pengendalian kualitas secara
statistik. Sementara itu pengendalian kualitas sangat perlu
diterapkan dalam tahapan proses produksi agar mendapatkan
standard atau kualitas mutu sesuai harapan.Dalam penelitian
ini digunakan diagram kontrol multivariat np sebagai
monitoring proses produksi pada perusahaan PT.Timur
Megah Steel. Proses produksi bolt pada fase I, yaitu proses
pada bulan Juni 2012 berdasarkan peta kendali multivariat
np sudah terkendali dengan, namun peta ini tidak sesuai jika
digunakan untuk periode Juli 2012 karena dengan peta ini
proses pada bulan Juli tidak terkendali. Dengan peta kendali
yang baru proses produksi bolt pada fase II, yaitu Juli 2012
menunjukkan kondisi terkendali dengan. Sehingga
disimpulkan telah terjadi pergeseran proses dari fase I ke fase
II. Batas kendali pada fase II lebih lebar dibandingkan fase I.
Dapat dikatakan proses pada Bulan Juli lebih buruk
dibandingkan pada bulan Juni 2012.
Kata Kunci— multivariat , cacat, bolt, diagram kontrol.
I. PENDAHULUAN
ERKEMBANGAN industri manufaktur semakin pesat
menuntut manajemen perusahaan untuk melakukan
inspeksi proses produksi yang berkelanjutan demi
terciptanya produk yang berkualitas agar konsumen tetap
loyal terhadap produk tersebut.
Pengendalian kualitas diterapkan dalam tahapan proses
produksi agar mendapatkan standard atau kualitas mutu
sesuai harapan (Juran dan Gryna, 1983). Dalam penerapan
pengendalian kualitas, terdapat konsep pengendalian
kualitas statistik salah satunya dengan menggunakan peta
kendali yang merupakan alat yang sering digunakan dalam
pengendalian kualitas statistik yang berfungsi untuk
memonitor suatu proses produksi dalam kondisi terkendali
atau tidak. Jika variabel kualitas lebih dari satu, diagram
kontrol multivariat lebih sensitif dibandingkan diagram
kontrol univariat karena mempertimbangkan keeratan
hubungan antar variabel. Pengembangan diagram
Multivariat np diterapkan melalui proses penjumlahan
proporsi cacat dari semua variabel karateristik yang
dimana mempunyai korelasi antar variabel.
Penelitian diagram multivariat untuk atribut ada dua
macam yaitu diagram multivariat p dan multivariat np.
Diagram Multivariat np dijelaskan oleh Lu et al.(1998)
membahas diagram kontrol multivariat np lebih sensitif
daripada diagram kontrol univariat np. Penerapan konsep
diagram kontrol multivariat np pernah diterapkan oleh
Mawarini (2009) pada kasus produksi panel listrik di salah
satu perusahaan panel listrik terkemuka di dunia yaitu
PT.Siemens, selanjutnya Wenny (2010) mengenai
pengontrolan kualitas proses produksi kasus rokok sigaret
kretek tangan di PT ‘X’, Surabaya Dalam penelitian ini
akan diterapkan diagram kontrol multivariat np karena
terdapat cacat atribut yang lebih dari dua variabel dan antar
variabel karateristiknya mempunyai hubungan keeratan.
PT. Timur Megah Steel. merupakan salah satu
perusahaan nasional yang bergerak di bidang pembuatan
bolt. Dalam proses inspeksi produksi bolt, perusahaan
menetapkan karakteristik atribut cacat, yaitu kondisi gupil,
crack, tidak center,ada goresan, keropos, dan ukuran tidak
sesuai. Sejauh ini penyajian informasi kecacatan di PT
Timur Megah Steel hanya sebatas penjumlahan cacat
terbanyak, perusahaan tidak menggunakan pengendalian
kualitas secara statistik. Oleh karena itu perlu dilakukan
pengendalian kualitas secara statistik dan identifikasi
faktor-faktor yang menyebabkan proses produksi out of
control.
II. TINJAUAN PUSTAKA
A. Diagram kontrol Univariat np
Diagram kontrol adalah tampilan dalam bentuk grafik dari
beberapa karakteristik kualitas yang telah diukur dan
dihitung (Montgomery, 2005).
Asas statistik yang melandasi pengendalian bagian
cacat didasarkan pada distribusi binomial. Apabila sampel
random dengan unit n dipilih, dan F adalah unit produk
yang cacat, maka F berdistribusi binomial dengan
parameter n dan p, yaitu:
gnpp
ngFp
g
g
)1()(
(2.(1)
dimana ng ,...,1,0
Cacat dalam sampel dapat didefinisikan sebagai
perbandingan cacat dalam sampel dimana g dengan jumlah
sampel n sebagai berikut.
n
gp ˆ (2)
Mean dan varians dari p adalah
np
dan
)1(2 pnpp
Penerapan Diagram Kontrol Multivariat np
pada Proses Produksi Hexagon Bolt M16x75mm di PT. Timur
Megah Steel Gresik
Febrianto, Muhammad Mashuri 1, dan Lucia Aridinanti 2
Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected] 1dan [email protected] 2
P
(3)
(4)
2
adi p yang tidak diketahui dapat ditaksir dengan p . Maka
garis tengah, batas kendali atas dan batas kendali bawah
pada peta kendali np adalah sebagai berikut.
)1(3 ppnpnBKA
pnGT
)1(3 ppnpnBKB
B. Diagram Kontrol Multivariat np
Analisis multivariat adalah metode analisis statistik
yang digunakan untuk menganalisis data secara serentak
dengan banyak variabel (Johnson & Wichern, 2002).
Sehingga, jika pemeriksaan obyek secara atribut dilakukan
pada lebih dari satu karakteristik kualitas maka diagram
kontrol yang digunakan adalah diagram kontrol multivariat
atribut.
Proses yang diamati dapat diasumsikan i adalah
karakteristik kualitas, pi merupakan probabilitas dari
sebuah item cacat pada karakteristik kualitas i.
Karakteristik-karakteristik kualitas itu mungkin tidak
independen maka disebut koefisien korelasi antara
karakteristik i dan karakteristik j adalah ij . Dengan
cacatan:
jiij
ij
jiij
,1
1
(6)
Jika Ci adalah jumlah dari unit item cacat dengan
karakteristik kualitas i di dalam sampel, maka dapat
ditentukan perhitungan statistik X yang merupakan
jumlahan pembobot dari unit item cacat dari semua
karakteristik kualitas di dalam sampel secara matematis
dapat dituliskan sebagai berikut :
m
iip
iCX
1 (7)
Keterangan :
),...,2,1( npppP merupakan proporsi vektor item cacat
mxmij adalah matrik koefisien korelasi
iC = banyaknya cacat tiap variabel ke-i
C = (C1,C2, ..., Cm) adalah vektor dari jumlah unit item
cacat
Alasan pemilihan ip1 sebagai pembobot
karakteristik kualitas dalam perhitungan statistik X adalah
pertama, tidak seperti diagram kontrol Hotelling T2
untuk
proses multivariat perhitungan statistik uji X dalam
diagram MNP merupakan lanjutan dari diagram univariat
np. Kedua, nilai harapan dari statistik uji
m
iipnXE
1)(
meningkatkan fungsi dari jp yang berhubungan dengan
bagian internal proses yang dipantau dan didefinisikan
sebagai jumlah pembobot unit item cacat terhadap seluruh
karakteristik kualitas.
id menunjukkan jumlah kerugian yang mengindikasi
tingkat keparahan item cacat dalam i karakteristik kualitas,
maka statistik uji X yang dapat diterapkan dalam kondisi
nyata adalah sebagai berikut
m
i
iiiD pCdX1
(8)
dimana D adalah vektor item cacat dan dituliskan sebagai
berikut
),...,,( 21 mdddD (9)
Mean dari statistik uji X pada rumus (2.2) adalah sebagai
berikut
ip
m
iiCEid
m
iip
iC
idEDXE
1
)(
1)( .
m
iipidn
ip
m
iipnid
1
1
(10)
Keterangan :
iC = banyaknya cacat tiap variabel ke-i
ip = rata-rata proporsi cacat pada variabel ke-i dengan
banyaknya sampel tiap pengamatan ke-j.
Estimasi vektor proporsi item cacat secara umum
adalah sebagai berikut. (Lu, 1998)
),...,2
,1
(1
,...,1 2
,1 11
mpppnk
k
jmjC
nk
k
j jC
nk
k
j jC
k
k
jjP
P
Dengan ij merupakan koefisien korelasi antar variabel
karakteristik i = 1, 2, ..., m. Dimana
)var()var(
),cov(ˆ
ji
ji
ijCC
CC
k
h
k
h
jh
jh
k
h
k
h
ih
ih
k
h
jh
jh
k
h
k
h
ih
ih
k
C
Ck
C
C
k
C
Ck
C
C
1
2
1
1
2
1
1
1
14
(12)
Dengan menggunakan prinsip umum diagram kontrol
Shewhart, maka didapatkan batas untuk diagram Mnp.
m
j
m
j jijpipijjpnjpnBKB
m
jjpnGT
m
j
m
j jijpipijjpnjpnBKA
1 1)1)(1(2)1(3
1
1 1)1)(1(2)1(3
dimana:
P = nilai estimasi dari vektor proporsi item cacat P
= nilai estimasi matrik korelasi.
C. Profil PT. Timur Megah
PT. Timur Megah Steel adalah perusahaan yang
memproduksi baut mulai tahun 1976 dan bertempat di
Desa Cangkir km 20-21 Driyorejo Gresik.Gambar
Proses pertama dalam pembuatan bolt di PT. Timur
Megah Steel adalah menampung bahan baku kawat paku
yang berbentuk gulungan besar yang beratnya bisa
(5)
(13)
(11)
3
mencapai beberapa ton. Kemudian gulungan kawat ini
dibersihkan dari kerak dan dibentuk dengan diameter yang
diinginkan. Proses ini disebut coating. Selanjutnya
dilakukan annealing yaitu penghilangan tegangan pada bolt
dengan jalan pemanasan terlebih dahulu kemudian
didinginkan perlahan-lahan dengan rate tertentu secara
konstan.
Setelah proses annealing berakhir, gulungan kawat akan
dimasukkan ke dalam sebuah mesin dan dibentuk menjadi
batang bolt dan kepala bolt. Kepala bolt akan dibentuk
menjadi hexagon atau segi empat, proses ini dinamakan
trimming. Selanjutnya bagian batang bolt dibuat ulir sesuai
ukuran dimana ini dinamakan rolling. Kemudian tahap
proses selanjutnya adalah sortir yaitu menyeleksi semua
jenis bolt hasil dari proses produksi dari unit pabrikasi
yang sesuai standart kualitas yang telah ditentukan oleh
Quality Control (QC). Jika produk baik maka
dikategorikan bolt kualitas 1(kualitas baik), sedangkan
produk bolt yang buruk dikategorikan bolt kualitas 2
(kualitas kurang baik).bolt kualitas 1 diperuntukkan kepada
konsumen yang memesan sedangkan bolt kualitas 2
diperuntukan konsumen penampung. Tahap terakhir adalah
pengemasan yang ditempatkan pada box. Box adalah
bahan kemas terbuat dari kardus dengan ketebalan tertentu
yang digunakan untuk mengepak hasil selesai untuk
kemudian dikirim ke konsumen.
III. METOLOGI PENELITIAN
A. Sumber Data
Pengambilan sampel dilakukan pada tahap sortir
dimana seluruh baut hasil produksi setiap jam dikumpulkan
kemudian diambil sampel secara acak sebanyak 10 buah.
Karena tiap hari produksi memerlukan waktu 8 jam maka
didapat sampel sebanyak 80 baut. Sumber data adalah
sekunder pada 15 Juni 2012 sampai dengan 18 Juli 2012.
Dalam Proses Pembuatan hexagon bolt dibutuhkan waktu
sebanyak 34 hari.
Langkah analisis yang dialkukan meliputi:
1. Pengumpulan data
Tahap ini dilakukan pengumpulan data di PT.Timur
Megah Steel Gresik yaitu data proses produksi
hexagon bolt M16 X 75mm tahap sortir pada 15 Juni
2012 sampai 18 Juli 2012. Sampel diambil setiap
selang waktu satu jam selama sehari pada saat
produksi berlangsung, dengan ukuran sampel sebesar
80 hexagon bolt M16 X 75mm.
2. Menghitung rata-rata proporsi cacat ( ip ) masing-
masing karakter kualitas ke-i, i=1, 2,..., 6.
3. Menghitung nilai statistik X pada masing-masing
subgrup ke k bulan Juni
4. Menghitung estimasi vektor proporsi item cacat ke m
5. Menghitung nilai korelasi antar variabel
6. Menghitung batas kendali diagram multivariat np
bulan Juni
7. Plot statistik X dengan batas kendalinya,jika terdapat
out of control maka titik tersebut dihilangkan.
8. Membandingkan peta kendali np univariat dengan np
multivariat. Selanjutnya mengidentifikasi proses pada
bulan Juli apakah sudah dalam keadaan terkendali
atau belum.
9. Menghitung rata-rata proporsi cacat ( ip ) masing-
masing karakterisktik kualitas ke-i dimana i = 1, 2, ...,
6.
10. Menghitung nilai statistik X pada masing-masing
subgrup ke k bulan juli
11. Plot statistik X dengan batas kendalinya,jika terdapat
out of control maka titik tersebut dihilangkan.
12. Menarik kesimpulan
IV. ANALISIS DAN PEMBAHASAN
A. Analisis Korelasi Antar Variabel
Koefisien korelasi antar variabel digunakan untuk
mengetahui seberapa besar keterkaitan antar masing-
masing variabel. Uji hipotesis untuk koefisien korelasi:
H0 : ρ = 0
H1 : ρ ≠ 0
Dengan tingkat signifikansi 5% tolak H0 jika p-value
kurang dari 5% yang berarti ada hubungan antara variabel
satu dengan yang lain.
Berdasarkan Tabel 4.1 didapatkan bahwa ada
beberapa variabel yang signfikan karena memiliki nilai
koefisien korelasi lebih dari 0,5. Variabel-variabel yang
sigifikan yaitu variabel 1 dan variabel 2 dengan nilai
koefisien korelasi sebesar 0,569 Selain itu, variabel 1 dan
variabel 4 dengan nilai koefisien korelasi sebesar 0,554,
variabel 1 dan variabel 6 dengan koefisien korelasi sebesar
-0,586, variabel 5 dan variabel 6 dengan koefisien korelasi
sebesar -0,639, variabel 2 dan variabel 4 dengan koefisien
korelasi sebesar 0,512, variabel 2 dan variabel 6 dengan
koefisien korelasi sebesar -0,574, dan variabel 4 dan
variabel 6 dengan koefisien korelasi sebesar -0,585. Hal ini
dapat dilihat dari nilai signifikansi dua arah dimana nilai p-
value kurang dari 0,05. Meskipun ada beberapa pasang
variabel yang tidak signifikan, namun hal ini berbeda
dengan kondisi di lapangan dimana 6 variabel ini
mempengaruhi satu sama lain. Sehingga asumsi adanya
korelasi antar variabel dapat dikatakan terpenuhi dan dapat
dilanjutkan ke analisis selanjutnya. Tabel 1 Nilai koefisien Korelasi dari 6 Variabel
Variabel C1 C2 C3 C4 C5 C6
C1
Pearson Corr. 1 0,569* 0,288 0,554
* 0,258 -0,586
*
Sig. (2-tailed) 0,021 0,279 0,026 0,334 0,017
C2
Pearson Corr 0,569* 1 0,294 0,512
* 0,007 -0,574
*
Sig. (2-tailed) 0,021 0,269 0,042 0,981 0,02
C3
Pearson Corr. 0,288 0,294 1 0,045 -0,199 0,226
Sig. (2-tailed) 0,279 0,269 0,869 0,459 0,399
C4
Pearson Corr. 0,554* 0,512
* 0,045 1 0,369 -0,585
*
Sig. (2-tailed) 0,026 0,042 0,869 0,159 0,017
C5
Pearson Corr. 0,258 0,007 -0,199 0,369 1 -0,639*
Sig. (2-tailed) 0,334 0,981 0,459 0,159 0,008
C6
Pearson Corr. -0,586* -0,574
* 0,226 -0,585
* -0,639
* 1
Sig. (2-tailed) 0,017 0,02 0,399 0,017 0,008
4
B. Estimasi Parameter
Setelah didapatkan nilai koefisien korelasi maka
selanjutnya adalah menaksir parameter. Berdasarkan
persamaan (11) dan data cacat bulan Juni, maka didapatkan
nilai-nilai estimasi parameter seperti terlihat pada Tabel 2 Tabel 2 Nilai Estimasi Parameter
Nilai
0.116406
0.120313
0.041406
0.099219
0.074219
0.021875
Berdasarkan nilai rata-rata proporsi pada Tabel 4.2
maka hasil yang didapatkan nilai taksiran parameter
yang memiliki nilai paling besar adalah jenis cacat gupil
(C2) dengan nilai 0.120313, hal ini berarti bahwa dari 80
sampel yang diambil yang mengalami jenis cacat gupil
sebanyak 12 persen. Kemudian yang kedua adalah keropos
(C1) dengan nilai 0.116406. Sedangkan nilai taksiran
parameter yang memiliki nilai paling kecil adalah tidak
center antara body dan kepala (C6) dengan nilai 0.021875,
hal ini berarti bahwa dari 80 sampel yang diambil yang
mengalami jenis cacat tidak center antara body dan kepala
sebesar 2 persen.
C. Pengendalian Produksi
Berikutnya adalah menghitung batas kendali pada peta
kendali atribut Mnp dan menghitung statistik X
berdasarkan pada persamaan (8) dengan ukuran sampel n
sebesar 80 dan nilai k sebesar 16 pengamatan. Berdasarkan
persamaan (5) maka didapatkan batas kendali bawah
(BKB) sebesar 62,63401, batas kendali atas (BKA) sebesar
197.6625 dan garis tengah sebesar 130.1482. Karena telah
incontrol seperti ditunjukkan pada gambar 1 maka dilanjut
nanti akan dilanjutkan pada fase II.
Gambar 1 Peta Kendali Multivariat np fase I pada Proses
Produksi Bolt
Untuk melihat apakah hasil yang didapatkan pada
peta kendali multivariat np fase I dapat mewakili dari
setiap jenis cacat, maka dilakukan analisis dengan peta
kendali univariat np seperti yang ditunjukkan pada gambar
2 untuk kategori jenis cacat keropos dimana diperoleh
BKB sebesar 0,706909, nilai garis tengah sebesar 9,3125
dan BKA sebesar 17,91809. Dari peta kendali tersebut,
terlihat bahwa tidak ada pengamatan yang berada di luar
batas kendali sehingga dapat dikatakan bahwa jenis cacat
keropos telah terkendali.
Gambar 2 Peta Kendali Univariat np Jenis Cacat Keropos
Gambar 3 Peta Kendali Univariat np Jenis Cacat gupil
Gambar 3 menunjukkan hasil peta kendali univarite
np dengan nilai BKB sebesar 0,895571, nilai garis tengah
sebesar 9,625 dan BKA sebesar 18,35443. Dari peta
kendali tersebut, terlihat bahwa tidak ada pengamatan yang
berada di luar batas kendali sehingga dapat dikatakan
bahwa jenis cacat gupil telah terkendali.
Gambar 4 Peta Kendali Univariat np Jenis Cacat Panjang Tidak
Sesuai
Gambar 4 menunjukkan hasil peta kendali univarite
np dengan nilai BKB sebesar 0, nilai garis tengah sebesar
3,3125 dan BKA sebesar 8,658347. Dari peta kendali
tersebut, terlihat bahwa tidak ada pengamatan yang berada
di luar batas kendali sehingga dapat dikatakan bahwa jenis
cacat panjang tidak sesuai telah terkendali.
Gambar 5 menunjukkan hasil peta kendali univarite
np dengan nilai BKB sebesar 0, nilai garis tengah sebesar
7,9375 dan BKA sebesar 15,95932. Dari peta kendali
tersebut, terlihat bahwa tidak ada pengamatan yang berada
di luar batas kendali sehingga dapat dikatakan bahwa jenis
cacat goresan telah terkendali.
Gambar 5 Peta Kendali Univariat np Jenis Cacat Goresan
5
Gambar 6 Peta Kendali Univariat np Jenis Cacat Crack
Gambar 6 menunjukkan hasil peta kendali univarite np
dengan nilai BKB sebesar 0, nilai garis tengah sebesar
5,9375 dan BKA sebesar 12,97109. Dari peta kendali
tersebut, terlihat bahwa tidak ada pengamatan yang berada
di luar batas kendali sehingga dapat dikatakan bahwa jenis
cacat crack telah terkendali.
Gambar 7 Peta Kendali Univariat np Jenis Cacat Tidak Center
Gambar 7 menunjukkan hasil peta kendali univarite np
dengan nilai BKB sebesar 0, nilai garis tengah sebesar 1,75
dan BKA sebesar 5,67498. Dari peta kendali tersebut,
terlihat bahwa ada pengamatan yang berada di luar batas
kendali sehingga dapat dikatakan bahwa jenis cacat tidak
center belum terkendali.
Pada analisis pengendalian proses produksi untuk fase II
menggunakan data pada bulan Juli 2012 sebanyak 18
pengamatan dengan jumlah ukuran sampel yang sama yaitu
80. Dengan menggunakan parameter dan batas-batas
kendali pada fase I yang sudah terkendali yaitu
BKA=197.6625, garis tengah = 130.1482, dan BKB =
62.63401 dan setelah menghitung nilai statistik X untuk
fase II ditampilkan pada gambar 8 yang memperlihatkan
bahwa proses produksi bolt cenderung tidak membentuk
pola tertentu namun terdapat beberapa titik pengamatan
yang keluar dari batas kendali. Titik yang tidak terkendali
tersebut merupakan pengamatan ke-14, ke-17 dan ke-18.
Berikut adalah tabel nilai statistik dari masing-masing
pengamatan yang tidak terkendali. Tabel 4.3 Nilai Statistik X yang tidak terkendali
Pengamatan ke- Statistik X
14 55.12967
17 35.53641
18 44.87462
Gambar 8 Peta kendali multivariat np fase II pada Proses
Produksi Bolt
D. Identifikasi Penyebab Sinyal Out of Control
Dalam diagram kendali Mnp, untuk mendeteksi sinyal out
of control dari pengamatan dengan tiga cara. Pertama,
menghitung nilai statistik Zi pada tiap titik yang out of
control sebagaimana hasilnya ditunjukkan pada Tabel 3
sebagai berikut,
Tabel 4 Penentuan Variabel out of control
Variabel ke- Zi(14) Zi(17) Zi(18)
1 -11.847 -11.847 -15.401
2 4.899 -17.963 -21.229
3 -10.111 -10.111 5.715
4 -15.008 -7.804 -11.406
5 -12.461 -16.396 -12.461
6 -13.663 -13.663 -13.663
Tabel 4 menunjukkan bahwa pengamatan ke-14 nilai
Z4 = -15.008 memberikan nilai tertinggi, sehingga dapat
disimpulkan cacat crack merupakan kontributor terbesar
yang menyebabkan pengamatan ke 14 menjadi out-of-
control. Pada pengamatan ke-17 nilai Z2 = -21.229
memberikan nilai tertinggi, sehingga dikatakan bahwa
cacat gupil merupakan kontributor terbesar yang
menyebabkan pengamatan ke 17 menjadi out-of-control.
Sedangkan pada pengamatan ke-18 nilai Z2 = -21.229
memberikan nilai tertinggi, sehingga dikatakan bahwa
cacat gupil merupakan kontributor terbesar yang
menyebabkan pengamatan ke 18 menjadi out-of-control.
Cara kedua untuk mengidentifikasi penyebab sinyal
Out of Control adalah melihat jenis cacat mana yang
memiliki frekuensi lebih dominan di proses sortir pada
pembuatan produk bolt menggunakan diagram pareto pada
gambar 9 dimana frekuensi cacat tertinggi adalah jenis
cacat gupil (C2) dengan prosentasenya 25,4%. Selanjutnya
adalah keropos (C1) dengan prosentase 24,6%. Untuk
frekuensi jenis cacat terkecil yaitu tidak center antara body
dan kepala bolt (C6) sebesar 4,6%. Sementara untuk bulan
Juli 2012 terdapat jenis cacat yang memiliki frekuensi
cacat tertinggi adalah jenis cacat gupil (C2) dengan
prosentasenya 26,1%. Selanjutnya frekuensi jenis cacat
yang sering muncul adalah keropos (C1) prosentasenya
sebesar 22,0%. Untuk frekuensi jenis cacat terkecil yaitu
panjang tidak sesuai (C3) sebesar 4,4%.
jenis cacat otherpanjang tidak sesuai
crackgoresan
keroposgupil
600
500
400
300
200
100
0
100
80
60
40
20
0
Coun
t
Perc
ent
Pareto Chart of jenis cacat bulan juni
Gambar 9 Diagram Pareto Jenis Cacat Pada Bolt Juni 2012
jenis cacat Othertidak center
crackgoresan
keroposgupil
500
400
300
200
100
0
100
80
60
40
20
0
Coun
t
Perc
ent
Pareto Chart of jenis cacat bulan juli
Gambar 10 Diagram Pareto Jenis Cacat Pada Bolt Juli 2012
6
Cara ketiga untuk mengidentifikasi penyebab sinyal
Out of Control adalah dengan menelusuri faktor-faktor
penyebab terjadinya kecacatan menggunakan diagram
ishikawa.
Gambar 11 Diagram Ishikawa Cacat Bolt
Gambar 11 memperlihatkan bahwa bahwa cacat
bolt disebabkan karena cacat keropos,crack,gupil,
dll. Cacat keropos disebabkan karena faktor manusia
yang lelah dan meterial yang tidak tertata rapi
sehingga terkena hujan. Cacat crack disebabkan
karena kualitas faktor manusia yang lelah dan bahan
baku yang terlalu keras. Cacat tidak center karena
faktor manusia lelah dan proses penyambungan
kurang sempurna.
V. KESIMPULAN/RINGKASAN
A. Kesimpulan
1. Proses Proses produksi bolt pada fase I, yaitu proses
pada bulan Juni 2012 berdasarkan peta kendali
multivariat np sudah terkendali, namun tidak cocok
digunakan untuk bulan Juli 2012.
2. Jenis cacat yang paling sering terjadi berdasarkan
diagram pareto adalah gupil, keropos, crack dan
goresan. Cacat keropos disebabkan karena faktor
manusia yang lelah dan meterial yang tidak tertata rapi
sehingga terkena hujan. Cacat crack disebabkan
karena kualitas faktor manusia yang lelah dan bahan
baku yang terlalu keras. Cacat gupil disebabkan karena
faktor manusia lelah dan sedikit benturan pada proses
annealing. Cacat jenis goresan disebabkan karena
faktor manusia lelah dan pembentukan diameter kawat
pada mesin kurang sempurna.
B. Saran
Saran yang dapat disampaikan berdasarkan hasil dan
pembahasan yang telah dilakukan yaitu untuk perusahaan
PT. Timur Megah Steel, masih perlu melakukan perbaikan
pada setiap jenis cacat yang terjadi. Untuk jenis cacat gupil
sebaiknya mesin pada proses annealing pengontrolannya
lebih ditingkatkan untuk menghindari proses benturan.
Sedangkan untuk jenis cacat keropos, goresan dan crack
sebaiknya pemilihan bahan baku dan gulungan kawat
benar-benar diperhatikan kualitas dan pemeliharaannya.
UCAPAN TERIMA KASIH
Febrianto selaku penulis mengucapkan terima kasih
kepada jurusan Statistika ITS Surabaya yang telah
memberikan dukungan sehingga telah terselesaikan laporan
ini dengan baik. Terima kasih juga saya sampaikan kepada
PT. Timur Megah Steel yang telah memberikan data dan
atas kerjasamanya terhadap penulis dan jurusan Statistika
ITS Surabaya.
DAFTAR PUSTAKA
[1] Johnson, A.R. and Wichern, D.W. (2002). Applied Multivariate
Statistical Analysis 5th. New Jersey. Prentice Hall, Upper Saddle
River.
[2] Juran, J. M, dan Gryna, F. (1983). Quality Planning and Analysis
(2nd Edition). New Delhi: Hill Publishing Company Ltd
[3] LU, X. S. (1998). Control Chart for Multivariate Attribute
Processes. International Journal of Production Research, 3477-
3489(13).
[4] .Mawarini, Y. F. (2009). Pengontrolan Kualitas Proses Produksi
Panel Listrik PT. Siemens Indonesia Menggunakan Diagram
Kontrol Multivariat np (Mnp Chart). Tugas Akhir Jurusan
Statistika. Surabaya: ITS.
[5] Montgomery, D. C. (2005). Introduction to Statistical Quality
Control, 5th edition. New York: John Wiley and Sons, Inc
[6] Rakhmania, W. (2010). Pengontrolan Kualitas Proses Produksi
Rokok Unit Sigaret Kretek Tangan di PT. X Menggunakan
Diagram Kontrol Multivariat np (Mnp). Tugas Akhir Jurusan
Statistika. Surabaya: ITS.
Lel
ah
Cacat bolt
Goresa
n
Crack
Manu
sia
Lel
ah
Man
usia
Kualitas
bahan
baku
terlalu
keras Lel
ah
Pembentuk
an diameter
kawat yang
kurang
sempurna
Me
sin
Mater
ial
Gupil
Manus
ia
Lel
ah
Sedikit
benturan
pada
proses
annealin
g
Mesin
Tidak center
Manu
sia
Proses
penyamb
ungan
kurang
sempurna
Met
ode
Keropo
s
Manusia Bahan
baku
kehujana
n Lel
ah Materi
al Panjang tidak sesuai
Manusia
Proses
pemotonga
n kurang
sempurna
Lel
ah Me
tod
e
