pengendalian kualitas statistikPENGENDALIAN
KUALITASSTATISTIKKualitas / Mutu :Ukuran tingkat kesesuaian barang/
jasa dg standar/spesifikasi yang telah ditentukan/
ditetapkan.Pengendalian Kualitas Statistik (PKS) :Ilmu yang
mempelajari tentang teknik /metode pengendalian kualitas
berda-sarkan prinsip/ konsep statistik.Cara menggambarkan ukuran
kualitas1. Variabel: karakteristik kualitas suatu produk dinyatakan
dengan besaran yang dapat diukur (besaran kontinue). Seperti :
panjang, berat, temperatur, dll.2. Attribut: karakteristik kualitas
suatu produk dinyatakan dengan apakah produk tersebut memenuhi
kondisi/persyaratan tertentu, bersifat dikotomi, jadi hanya ada dua
kemungkinan baik dan buruk. Seperti produk cacat atau produk baik,
dll.Tujuan: Memperoleh jaminan kualitas (quality Assuran-ce) dapat
dilakukan dengan Aceceptance sampling Plans. Menjaga konsistensi
Kualitas, dilaksanakan dengan Control Chart.Keuntungan : Untuk
mempertinggi kualitas atau mengurangi biaya. Menjaga kualitas lebih
uniform. Penggunaan alat produksi lebih efisien. Mengurangi rework
dan pembuangan. Inspeksi yang lebih baik. Memperbaiki hubungan
produsen-konsumen. Spesifikasi lebih baik.Teknik Pengendalian
Kualitas StatistikAda 4 metode Statistik yang dapat digunakan :1.
1.Distribusi FrekuensiSuatu tabulasi atau cacah (tally) yang
menyatakan banyaknya suatu ciri kualitas muncul dalam sampel yang
diamati.Untuk melihat kualitas sampel dapat digunakan :1. Kualitas
rata-rata2. Penyebaran kualitas3. Perbandingan kualitas dengan
spesifikasi yang diinginkan.1. 2.Peta kontrol/kendali (control
chart)Grafik yang menyajikan keadaan produksi secara kronologi (jam
per jam atau hari per hari).Tiga macam control chart :1. Control
Chart ShewartPeta ini disebut peta untuk variabel atau peta untuk x
dan R (mean dan range) dan peta untuk x dan (mean dan deviasi
standard).b. Peta kontrol untuk proporsi atau perbandingan antara
banyaknya produk yang cacat dengan seluruh produksi, disebut peta-p
(p-chart).c. Peta kontrol untuk jumlah cacat per unit, disebut
peta-c (c-chart).1. 3.Tabel samplingTabel yang terdiri dari jadual
pengamatan kualitas, biasanya dalam bentuk presentase.1. 4.Metode
KhususMetode ini digunakan untuk pengendalian kualitas dalam
industri, al : korelasi, analisis variansi, analisis toleransi,
dll.KONSEP STATISTIKDALAM PROBABILITASKonsep statistikPKS merupakan
pengeterapan statistik pada proses produksi, sehingga diperlukan
pengertian yang tepat dan jelas mengenai konsep-konsep statistik
untuk menghindari salah interpretasi.Salah interpretasi dalam
proses produksi mengakibatkan penurunan kualitas produksi atau
penambahan biaya produksi.Pola atau bentuk variasiDalam memproduksi
barang secara masal tentu akan dijumpai varisi meskipun sudah
ditentukan ukuran maupun kualitasnya.Ada 3 macam variasi yang dapat
terjadi :1. Variasi yg terdapat pada unit (barang).2. Variasi yg
timbul diantara unit-unit yang dihasilkan selama waktu tertentu.3.
Variasi yang ditimbulkan oleh produksi yg berlainan
waktunya.Variasi-variasi tersebut timbul disebabkan karena dua
sumber, yaitu variasi penyebab khusus dan variasi penyebab umum.1.
Variasi Penyebab KhususAdalah kejadian-kejadian diluar sistem yang
mempengaruhi variasi dalam sistem. (manusia, peralatan, material,
lingkungan, metode kerja, dll).2. Variasi penyebab UmumAdalah
faktor-faktor dalam sistem atau yang melekat pada proses yang
menyebabkan timbulnya variasi. Penyebab umum sering disebut
penyebab acak (random causes) atau penyebab sistem (system
causes).Harga Tengah dan Ukuran DispersiMean, median, modus (mode),
kuartil, percentil, decile, range, deviasi standar.Mean
(rata-rata):n = banyaknya pengamatanxi= nilai atau harga pada
pengamatan ke i MedianNilai atau harga yang membagi seluruh data
menjadi dua kelompok yang sama banyaknyaJika banyaknya pengamatan
ganjil (2k+1), maka pengamatan ke (k+1) merupakan median, tentunya
setelah diurutkanxk + 1.X1, x2, x3 ,xk xk + 1, xk + 2,, x2k + 1
k pengamatan k pengamatanJika banyaknya pengamatan genap 2k,
maka sebagai median diambil :xk = nilai pengamatan ke k setelah
diurutkanxk+1= nilai pengamatan ke k+1 setelah diurutkan Modus
(Mode)Nilai atau harga yang mempunyai frekuensi
terbesar.KuartilMembagi data menjadi empat kelompok, masing-masing
kelompok banyak anggotanya sama.Percentil dan DecileMembagi data
menjadi seratus bagian dan sepuluh bagian sama banyak.Ukuran
Dispersi atau Ukuran Sebaran DataMacam dispersi : range, deviasi
standarRange (R)adalah selisih nilai terbesar dan nilai terkecil.R
= Xmaks XminDeviasi Standar() = PETA KENDALI (CONTROL CHART)Metode
Statistik untuk menggambarkan adanya variasi atau penyimpangan dari
mutu (kualitas) hasil produksi yang diinginkan.Dengan Peta kendali
: Dapat dibuat batas-batas dimana hasil produksi menyimpang dari
ketentuan. Dapat diawasi dengan mudah apakah proses dalam kondisi
stabil atau tidak. Bila terjadi banyak variasi atau penyimpangan
suatu produk dapat segera menentukan keputusan apa yang harus
diambil.Macam Variasi : Variasi dalam objekMis : kehalusan dari
salah satu sisi daru suatu produk tidak sama dengan sisi yang lain,
lebar bagian atas suatu produk tidak sama dengan lebar bagian
bawah, dll. Variasi antar objekMis : sautu produk yang diproduksi
pada saat yang hampir sama mempunyai kualitas yang berbeda/
bervariasi. Variasi yg ditimbulkan oleh perbedaan waktu produksiMis
: produksi pagi hari berbeda hasil produksi siang hari.Penyebab
Timbulnya Variasi Penyebab Khusus (Special Causes of Variation)Man,
tool, mat, ling, metode, dll.(berada di luar batas kendali)
Penyebab Umum (Common Causes of Variation)Melekat pada
sistem.(berada di dalam batas kendali)Jenis Peta Kendali Peta
Kendali Variabel (Shewart)Peta kendali untuk data variabel : Peta X
dan R, Peta X dan S, dll. Peta Kendali AttributPeta kendali untuk
data atribut : Peta-P, Peta-C dan peta-U, dll.Peta X dan R Peta
kendal X: Memantau perubahan suatu sebaran atau distribusi suatu
variabel asal dalam hal lokasinya (pemusatannya). Apakah proses
masih berada dalam batas-batas pengendalian atau tidak. Apakah
rata-rata produk yang dihasilkan sesuai dengan standar yang telah
ditentukan. Peta kendali R: Memantau perubahan dalam halspread-nya
(penyebarannya). Memantau tingkat keakurasian/ketepatan proses yang
diukur dengan mencari range dari sampel yang diambil.Langkah dalam
pembuatan Peta X dan R1. Tentukan ukuran subgrup (n = 3, 4, 5, ).2.
Tentukan banyaknya subgrup (k) sedikitnya 20 subgrup.3. Hitung
nilai rata-rata dari setiap subgrup, yaitu X.4. Hitung nilai
rata-rata seluruh X, yaitu X, yang merupakan center line dari peta
kendali X.5. Hitung nilai selisih data terbesar dengan data
terkecil dari setiap subgrup, yaitu Range ( R ).1. Hitung nilai
rata-rata dari seluruh R, yaitu R yang merupakan center line dari
peta kendali R.2. Hitung batas kendali dari peta kendali X :UCL = X
+ (A2 . R) . A2 =LCL = X (A2 . R)1. Hitung batas kendali untuk peta
kendali RUCL = D4 . RLCL = D3 . R1. Plot data X dan R pada peta
kendali X dan R serta amati apakah data tersebut berada dalam
pengendalian atau tidak.2. Hitung Indeks Kapabilitas Proses (Cp)Cp
=Dimana :S = atau S = R/d2Kriteria penilaian :Jika Cp > 1,33 ,
maka kapabilitas proses sangat baikJika 1,00 Cp 1,33, maka
kapabilitas proses baikJika Cp < 1,00, maka kapabilitas proses
rendahHitung Indeks Cpk :Cpk = Minimum { CPU ; CPL }Dimana :CPU =
dan CPL =Kriteria penilaian :Jika Cpk = Cp, maka proses terjadi
ditengahJika Cpk = 1, maka proses menghasilan produk yang sesuai
dengan spesifikasiJika Cpk < 1, maka proses menghasilkan produk
yang tidak sesuai dengan spesifikasiKondisi Ideal : Cp > 1,33
dan Cp = CpkContoh KasusPT XYZ adalah suatu perusahaan pembuatan
suatu produk industri. Ditetapkan spesifikasi adalah : 2.40 0,05
mm. Untuk mengetahui kemampuan proses dan mengendalikan proses itu
bagian pengendalian PT XYZ telah melakukan pengukuran terhadap 20
sampel. Masing-masing berukuran 5 unit (n=5).SampelHasil
Pengukuran
X1X2X3X4X5
12.382.452.402.352.42
22.392.402.432.342.40
32.402.372.362.362.35
42.392.352.372.392.38
52.382.422.392.352.41
62.412.382.372.422.42
72.362.382.352.382.37
82.392.392.362.412.36
92.352.382.372.372.39
102.432.392.362.422.37
112.392.362.422.392.36
122.382.352.352.352.39
132.422.372.402.432.41
142.362.382.382.362.36
152.452.432.412.452.45
162.362.422.422.432.37
172.382.432.372.392.38
182.402.352.392.352.35
192.392.452.442.382.37
202.352.412.452.472.35
Perhitungan :SampelPerhitungan
Rata-rataRange
12.400.10
22.390.09
32.370.05
42.380.04
52.390.07
62.400.05
72.370.03
82.380.05
92.370.04
102.390.07
112.380.06
122.360.04
132.410.06
142.370.02
152.440.04
162.400.07
172.390.06
182.370.05
192.410.08
202.410.12
Jumlah47.781.19
Rata-rata2.390.06
X = ( X)/k = 47.78 / 20 = 2.39R = ( R)/k = 1.19 / 20 = 0.06Peta
Kendali X :CL = X = 2.39UCL = X + (A2* R) = 2.39 + (0.577*0.06) =
2.42LCL = X (A2* R) = 2.39 (0.577*0.06) = 2.36Peta Kendali RCL = R
= 0.06UCL = D4 * R = 2.114 * 0.06 = 0.12LCL = D3 * R = 0 * 0.06 =
0Pada Peta X ada data yang out of control, maka data pada sampel
tersebut dibuangSampelPerhitungan
Rata-rataRange
12.400.10
22.390.09
32.370.05
42.380.04
52.390.07
62.400.05
72.370.03
82.380.05
92.370.04
102.390.07
112.380.06
122.360.04
132.410.06
142.370.02
162.400.07
172.390.06
182.370.05
192.410.08
202.410.12
Jumlah45.341.15
Rata-rata2.3860.0605
X = ( X)/k = 45.34 / 19 = 2.386R = ( R)/k = 1.15 / 19 =
0.0605Peta Kendali X :CL = X = 2.386UCL = X + (A2* R) = 2.386 +
(0.577*0.0605)= 2.4209LCL = X (A2* R) = 2.386 (0.577*0.0605)=
2.3511Peta Kendali RCL = R = 0.0605UCL = D4 * R = 2.114 * 0.0605 =
0.1280LCL = D3 * R = 0 * 0.06 = 0Karena sudah tidak ada data yang
out of control, maka langkah selanjutnya adalah menghitung
kapabilitas proses.Perhitungan Kapabilitas Proses :S =atau S =
R/d2= 0.0605/2.326 = 0.026Cp = =CPU = =CPL = =Cpk = Minimum { CPU ;
CPL } = 0.4615Nilai Cpk sebesar 0.4615 yang diambil dari nilai CPL
menunjukkan bahwa proses cenderung mendekati batas spesifikasi
bawah.Nilai Cp sebesar 0.6410 ternyata kurang dari 1, hal ini
menunjukkan kapabilitas proses untuk memenuhi spesifikasi yang
ditentukan rendah.Peta Kendali Rata-rata danStandar Deviasi ( x
danS) Peta kendali standar deviasi digunakan untuk mengukur tingkat
keakurasian suatu proses.Langkah-langkah pembuatan peta kendali x
dan S adalah sebagai berikut :1. Tentukan ukuran contoh/subgrup (n
> 10),2. Kumpulkan banyaknya subgrup (k) sedikitnya 2025
sub-grup,3. Hitung nilai rata-rata dari setiap subgrup, yaitu x,4.
Hitung nilai rata-rata dari seluruh x, yaitu x yang merupakan garis
tengah (center line) dari peta kendali x,5. Hitung simpangan baku
dari setiap subgrup yaitu S,S =1. Hitung nilai rata-rata dari
seluruh s, yaitu S yang merupakan garis tengah dari peta kendali
S,1. Hitung batas kendali dari peta kendali x :UCL = x +LCL = x
dimana = A3Sehingga :UCL = x + (A3 * S)LCL = x (A3 * S)1. Hitung
batas kendali untuk peta kendali S :UCL = dimana = B4LCL = dimana =
B3Sehingga :UCL = B4 * SLCL = B3 * S1. Plot data x dan S pada peta
kendali x dan S serta amati apakah data tersebut berada dalam
pengendalian atau diluar pengendalian.Contoh : />Jumlah
ObservasiHasil PengukuranxS
1 20, 22, 21, 23, 2221,601,14
2 19, 18, 22, 20, 2019,801,48
3 25, 18, 20, 17, 2220,403,21
4 20, 21, 22, 21, 2121,000,71
5 19, 24, 23, 22, 2021,002,07
6 22, 20, 18, 18, 1919,401,67
7 18, 20, 19, 18, 2019,001,00
8 20, 18, 23, 20, 2120,401,82
9 21, 20, 24, 23, 2222,001,58
10 21, 19, 20, 20, 2020,000,71
11 20, 20, 23, 22, 2021,001,41
12 22, 21, 20, 22, 2321,601,14
13 19, 22, 19, 18, 1919,401,52
14 20, 21, 22, 21, 2221,200,84
15 20, 24, 24, 21, 2322,801,64
16 21, 20, 24, 20, 2121,201,64
17 20, 18, 18, 20, 2019,201,10
18 20, 24, 23, 23, 2322,401,52
19 20, 19, 23, 20, 1920,201,64
20 22, 21, 21, 24, 2222,001,22
21 23, 22, 22, 20, 2221,801,10
22 21, 18, 18, 17, 1918,601.52
23 21, 24, 24, 23, 2323,001,22
24 20, 22, 21, 21, 2020,800,84
25 19, 20, 21, 21, 2220,601,14
Jumlah521,0034,88
Rata-rata20,771,30
Peta kendali x :CL = 20,77UCL = x + (A3 * S) = 20,77 +
1,427(1,30) = 22,63LCL = x (A3 * S) = 20,77 1,427(1,30) = 18,91
Peta kendali S :CL = 1,30UCL = B4 * S= 2,089 (1,30) = 2,716LCL = B3
* S= 0 (1,30) = 0Peta Kontrol Untuk Atribut1. Peta Kendali p :
untuk proporsi cacatDan peta kendali np untuk proporsi unit
cacatnya relaitif kecil.1. Peta Kendali c : untuk cacat
(defective)2. Peta Kendali u : untuk cacat per unit. Peta kendali
pPerbandingan antara banyaknya cacat dengan semua pengamatan, yaitu
setiap produk yang diklasifikasikan sebagai diterima atau ditolak
(yang diperhatikan banyaknya produk cacat).Langkah-langkah
pembuatan peta kendali p :1. Tentukan ukuran contoh/subgrup yang
cukup besar (n > 30),2. Kumpulkan banyaknya subgrup (k)
sedikitnya 2025 sub-grup,3. Hitung untuk setiap subgrup nilai
proporsi unit yang cacat,yaitu :p = jumlah unit cacat/ukuran
subgrup1. Hitung nilai rata-rata dari p, yaitu p dapat dihitung
dengan :p = total cacat/total inspeksi.1. Hitung batas kendali dari
peta kendali x :UCL = p +LCL = p 1. Plot data proporsi (persentase)
unit cacat serta amati apakah data tersebut berada dalam
pengendalian atau diluar pengendalian.Contoh :Sebuah perusahaan
ingin membuat peta kendali untuk periode mendatang dengan
mengadakan inspeksi terhadap proses produksi pada bulan ini.
Perusahaan melakukan 25 kali observasi dengan mengambil 50 buah
sample untuk setiap kali observasi. Hasil selengkapnya adalah
:ObservasiUkuranSampelBanyaknyaProduk CacatProporsiCacat
15040,08
25020,04
35050,10
45030,06
55020,04
65010,02
75030,06
85020,04
95050,10
105040,08
115030,06
125050,10
135050,10
145020,14
155030,06
165020,04
175040,08
1850100,20
195040,08
205030,06
215020,04
225050,10
235040,08
245030,06
255020,08
Jumlah1250901,90
p = (pi)/k = 1,90/25 = 0,076UCL = p + = 0,076 + = 0,188LCL = p =
0,076 = 0,036 Peta Kendali cSuatu produk dikatakan cacat
(defective) jika produk tersebut tidak memenuhi suatu syarat atau
lebih. Setiap kekurangan disebut defec. Setiap produk yang cacat
bias saja terdapat lebih dari satu defec. (yang diperhatikan
banyaknya defec).Langkah-langkah pembuatan peta kendali p :1.
Kumpulkan k = banyaknya subgrup yang akan diinspeksi, usahakan k
mencukupi jumlahnya antara k = 2025 subgrup,2. Hitung jumlah cacat
setiap subgrup ( = c),3. Hitung nilai rata-rata jumlah cacat, c sbb
:c =1. Hitung batas kendali untuk peta kendali c :UCL = c +LCL = c
1. Plot data jumlah cacat dari setiap subgrup yang diperiksa dan
amati apakah data tersebut berada dalam pengendalian atau diluar
kendali. Peta Kendali uPeta kendali u relatif sama dengan peta
kendali c. Perbedaanya hanya terdapat pada peta kendali u
spesifikasi tempat dan waktu yang dipergunakan idak harus selalu
sama, yang membedakan dengan peta kendai c adalah besarnya unit
inspeksi perlu diidentifikasikan.Rumus yang digunakan :Su=CL =
u-barUCL = u-bar + 3 SuLCL = u-bar 3 SuRENCANA PENERIMAAN
SAMPEL(Acceptance Sampling Plans) Rencana penerimaan sampel adalah
prosedur yang digunakan dalam mengambil keputusan terhadap
produk-produk yang dihasilkan perusahaan. Bukan merupakan alat
pengendalian kualitas, namun alat untuk memeriksa apakah produk
yang dihasilkan tersebut telah memenuhi spesifikasi. Acceptance
samplingdigunakan karena alasan : Dengan pengujian dapat merusak
produk. Biaya inspeksi yang tinggi. 100 % inspeksi memerlukan waktu
yang lama, dll. Beberapa keunggulan dan kelemahan dalamacceptance
sampling:Keunggulan al : biaya lebih murah meminimalkan kerusakan
mengurangi kesalahan dalam inspeksi dapat memotivasi pemasok bila
ada penolakan bahan baku.Kelemahan al : adanya resiko penerimaan
produk cacat atau penolakan produk baik membutuhkan perencanaan dan
pendokumentasian prosedur pengambilan sampel. Tidak adanya jaminan
mengenai sejumlah produk tertentu yang akan memenuhi spesifikasi.
Sedikitnya informasi mengenai produk. Dua jenis pengujian
dalamacceptance sampling:1. Pengujian sebelum pengiriman produk
akhir ke konsumen.Pengujian dilakukan oleh produsen disebutthe
producer test the lot for outgoing.1. Pengujian setelah pengiriman
produk akhir ke konsumen.Pengujian dilakukan oleh konsumen
disebutthe consumer test the lot for incoming quality. Acceptance
samplingdapat dilakukan untuk data atribut data variable
:Acceptance Samplinguntuk data atribut dilakukan apabila inspeksi
mengklasifikasikan sebagai produk baik dan produk cacat tanpa ada
pengklasifikasian tingkat kesalahan/cacat produk.Acceptance
Samplinguntuk data variabel karakteristi kualitas ditunjukkan dalam
setiap sample, sehingga dilakukan pula perhitungan rata-tata sampel
dan penyimpangan atau deviasi standar. Teknik pengambilan sample
dalan acceptance sampling : Sampel tunggal, sampel ganda dan sampel
banyak. Syarat pengambilan produk sebagai sample : Produk harus
homogen Produk yang diambil sebagai sample harus sebanyak mungkin
Sample yang diambil harus dilakukan secara acak Prosedur yang
dilakukan : Sejumlah produk yang sama N unit Ambil sample secara
acak sebanyak n unit Apabila ditemukan kesalahan d sebanyak
maksimum c unit, maka sample diterima. Apabila ditemukan kesalahan
d melebihi c unit, maka sample ditolak, yang berarti seluruh produk
yang homogen yang dihasilkan tersebut juga ditolak.Indek kualitas
yang dapat digunakan dalam acceptance sampling :1. AQL (Acceptance
Quality Level= tingkat kualitas menurut produsen)Merupakan proporsi
maksimum dari cacat atau kesalahan yang diperbolehkan.Produsen
selalu menghendaki probabilitas penerimaan pada tingkat yang cukup
tinggi (biasanya 0,99 atau 0,95). Sehingga produsen menginginkan
semua produk yang baik dapat diterima atau meminimalkan risiko
produsen.Risiko produsen () adalah risiko yg diterima karena
menolak produk baik dalam inspeksinya.Dengan kata lain produsen
menginginkan probabilitas penerimaan(Pa) dekat dengan 1 (satu).
Probabilitas kesalahan tipe I = = 1 Pa.1. LQL (Limiting Quality
Level= tingkat kualitas menurut konsumen)Merupakan kualitas
ketidakpuasan atau tingkat penolakan.Probabilitas penerimaan LQL
harus rendah, probabilitas tersebut disebut risiko konsumen () atau
kesalahan tipe II, yaitu risiko yang dialami konsumen karena
menerima produk yang cacat atau tidak sesuai.LQL sering disebut dg
LTPD (Lot Tolerance Percent Defective).1. IQL (Indifference Quality
Level)Tingkat kualitas diantara AQL dan LQL atau tingkat kualitas
pada probabilitas 0.5 untuk rencana sampel tertentu.1. AOQL
(Average Outgoing Quality Level)Perkiraan hubungan yang berada
diantara bagian kesalahan pada produk sebelum inspeksi (incoming
quality) atau p dari bagian sisa kesalahan setelah inspeksi
(outgoing quality) atau AOQ = p x Pa.Apabilaincoming qualitybaik,
makaoutgoing qualityjuga harus baik, namun bilaincoming
qualityburuk, makaoutgoing qualityakan tetap baik. Dengan kata
lainincoming qualitybaik atau buruk,outgoing qualityakan cenderung
baik. Pengukuran untuk mengevaluasi kinerja SampelAda beberapa
macam pengukuran1. 1.OC Curve (Kurva Karakteristik
Operasi)Merupakan kurva probabilitas penerimaan (Pa) terhadap
produk yang dihasilkan.Rumus : Pa = P(d=< c)Pa : probabilitas
penerimaanc : batas penerimaan cacat produkd : jumlah cacat yang
terjadiKurva ini dilakukan untuk mencari hubungan antara
probabilitas penerimaan (Pa) dengan bagian kesalahan dalam produk
yang dihasilkan (p).Perhitungan probabilitas penerimaan dapat
digunakan Tabel distribusi Poisson. Apabila tidak diketemukan nilai
probabilitasnya karena keterbatasan nilai np, maka dapat digunakan
cara interpolasi.Dua macam OC Curve :
11
OC Kurva ideal OC Kurva SContoh : Diketahui N = 2000, n = 50, c
= 2Proporsi kesalahan(p)npProbabilitas penerimaan (Pa)
0.010.500.986
0.021.000.920
0.031.500.809
0.042.000.677
0.052.500.544
0.063.000.423
0.073.500.321
0.084.000.238
0.094.500.174
0.105.000.125
0.115.500.088
0.126.000.062
0.136.500.043
0.147.000.030
0.157.500.020
Kurva OC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p
1. 2.AOQ Curve (Kurva Kualitas Output rata-rata)AOQ adalah
tingkat kualitas rata-rata dari suatu inspeksi. Sampel yang diambil
harus dikembalikan untuk dilakukan perbaikan bila produk tersebut
ternyata rusak atau cacat.AOQ untuk mengukur rata-rata kualitas
output dari suatu hasil produksi dengan proporsi kerusakan sebesar
p.Apabila N = banyaknya unit yang dihasilkann = unit sampel yang
diinspeksip = bagian kesalahan/ketidaksesuaianPa = probabilitas
penerimaan produkMaka rumus yang digunakan :AOQ =Kurva AOQ
mempunyai titik puncak (AOQL= Average Outgoing Quality Limit). AOQL
menunjukkan kualitas rata-rata yang harus dikembalikan dari
inspeksi untuk dilakukan perbaikan.Contoh : pembuatan kurva AOQ
:Diketahui N = 2000, n = 50, c = 2Proporsi Kesalahan
(p)Probabilitas penerimaan (Pa)Kualitas output rata-rata (AOQ)
0.010.9860.0096
0.020.9200.0179
0.030.8090.0237
0.040.6770.0264
0.050.5440.0265
0.060.4230.0247
0.070.3210.0219
0.080.2380.0186
0.090.1740.0153
0.100.1250.0122
0.110.0880.0094
0.120.0620.0073
0.130.0430.0055
0.140.0300.0041
0.150.0200.0029
Kurva AOQ
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p
Untuk pengambilan sampel ganda digunakan rumus :AOQ =Contoh : N
= 5000 unitn1 = 40 unit n2 = 60 unitc1 = 1 unit c2 = 5 unitr1 = 4
unit r2 = 6 unitProporsi Kesalahan (p)Pa IPa IIKualitas output
rata-rata (AOQ)
0.010.9380.0610.0099
0.020.8080.1730.0194
0.030.6620.2570.0273
0.040.5250.2800.0318
0.050.4060.2510.0324
0.060.3090.1980.0300
0.070.2310.1350.0253
0.080.1710.0610.0185
0.090.1250.0600.0165
0.100.0910.0340.0124
0.110.0660.0200.0091
0.120.0470.0110.0069
0.130.0360.0060.0054
0.140.0270.0030.0042
0.150.0170.0010.0027
1. 3.ATI Curve (Kurva Inspeksi Total Rata-rata)ATI menunjukkan
rata-rata jumlah sampel yang diinspeksi setiap unit yang
dihasilkan.Untuk sampel tunggal :ATI = n + (1 Pa) (N n)Untuk sampel
ganda :ATI = n1(Pa I) + (n1 + n2)Pa II + N(1 Pa1 Pa II)Contoh :
Diketahui N = 2000, n = 50, c = 2Proporsi Kesalahan (p)Probabilitas
penerimaan (Pa)Rata-rata Inspeksi (ATI)
0.010.98677.30
0.020.920206.00
0.030.809422.45
0.040.677679.85
0.050.544939.20
0.060.4231175.15
0.070.3211374.05
0.080.2381535.90
0.090.1741660.70
0.100.1251756.25
0.110.0881828.40
0.120.0621879.10
0.130.0431916.15
0.140.0301941.50
0.150.0201961.00
2500200015001000500 0
Kurva ATI
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
p
1. 4.ASN Curve (Banyaknya sample rata-rata)ASN adalah rata-rata
banyaknya unit yang diuji untuk membuat suatu keputusan.Sampel
tunggal : ASN = nSampel ganda : ASN = n1 + n2 (1 P1)P1 : merupakan
probabilitas keputusan pada sampel pertamaP1 = P (produk yg
diterima pd sampel pertama) + P (produk yg ditolak pd sampel
pertama)= P (d= r1)Contoh :Diketahui N = 3000n1 = 40 c1 = 1 r1 =
4n2 = 80 c2 = 3 r2 = 4Misal nilai p atau proporsi kerusakan 0.02
maka :P1 = P (d =r1)P1 = P [d = 4 n1.p = 40 (0.02)]= P [d = 4 n1.p
= 0.8]= 0.808 + (1 0,991)P1 = 0.817ASN = n1 + n2 (1 P1)= 40 + 80 (1
= 0.817)= 54.64Proporsi Kesalahan (p)Probabilitas keputusan pada
sample pertama (P1)Banyaknya Sampel Rata-rata (ASN)
0.010.93944.38
0.020.81754.64
0.030.69764.24
0.040.60471.68
0.050.54976.08
MILITARY STANDAR 105 D Adalah system pengambilan sampel untuk
data atribut dengan indek kualitas yang digunakan adalah AQL. AQL :
Tingkat kualitas menurut produsen merupakan proporsi maksimum dari
cacat atau kesalahan yang diperbolehkan yang bertujuan untuk
inspeksi sampel, yang dipertimbangkan secara tepat sebagai
rata-rata proses. Alat yang digunakan adalah tabel yang berkaitan
dengan banyaknya inspeksi.ACCEPTANCE DENGAN TABEL ABC(Mil STD 105 D
Tabel) Defect : Critical : berbahaya/tdk aman terhadap pemakai
Major : mengurangi fungsi/kegunaan Minor : tidak mengurangi fungsi
tetapi menyim-pang dari standar. Macam sampling plan Single
sampling plan Double sampling plan Multiple sampling plan Level
Inspeksi Special (khusus) General (umum) Jenis Inspeksi Normal
Tighten (ketat) Reducet (longgar) Prodedur Pemilihan :Single
sampling plan1. Tentukan lot size dan level inspeksi2. Dari table I
: tentukan sampel code letter3. Tentukan AQL (dalam %)4. Tentukan
batas penerimaan/penolakan dan jumlah sampel dari :Tabel II A
NormalII B TightenII C Reduced Cara penggunaan tabel Dengan ukuran
lot tertentu (N) lihat tabel Kdan tingkat pemeriksaanJika tingkat
pemeriksaan tidak diketahui maka diambil tingkat pemeriksaan umum
tk. II Dari tabel K akan diperoleh kode huruf ukuran sampel.Khusus
S1S2Tingkat pemeriksaan S3S4Umum III III Huruf yang didapat dari
table K untuk menentukan ukuran sample dan batas kelas pemeriksaan
suatu penolakan dari lot Ditambah AQL (Acceptable Quality Level/
tingkat kualitas yang diterima Jenis pemeriksaanMaka akan diperoleh
n, Ac, Ren = ukuran sample untuk menentukanAc = batas penerimaan
harga PaRe = batas penolakanJenis pemeriksaan : tunggal : normal
(L)ketat (M)longgar (N) ganda : normal (O)ketat (P)longgar (Q)
multi : normal (R)ketat (S)longgar (T)Contoh :N = 1000Tingkat
pemeriksaan umum IIAQL = 0,25Cari : a). Jenis pemeriksaan tunggal
normalb). Jenis pemeriksaan ganda longgardari tabel K didapat untuk
N = 1000 dg tingkat pemeriksaan umum tk II dg kode letter J :1.
dengan jenis pemeriksaan tunggal normaln = 80AQL = 0,25Maka Ac =
0Re = 11. Ganda longgarn1 = 20n2 = 20tabel tunggal longgar didapat
:n = 32AQL = 0,25Ac = 0Re = 1PERENCANAAN SAMPING MENURUTMIL STD
414Perencanaan sampel untuk data variabel. Pengambilan dan
penerimaan data variabel didasarkan pada rata-rata dan standar
deviasi, serta distribusi frekuensi.METODE TAGUCHI Metode Taguchi :
Dr. Genichi Taguchi (1949). Metode Taguchi dikembangkan untuk
melaukan perbaikan kualitas dengan metode baru dengan pendekatan
lain yang memberikan tingkat kepercayaan yang sama dengan SPC
(Statistical Process Control). Kelebihan Metode Taguchi1. Dapat
mengurangi jumlah pelaksanaan percobaan dibandingkan jika
menggunakan full factorial, shg dapat menghemat waktu dan biaya.2.
Dapat melakukan pengamatan terhadap rata-rata dan variasi
karakteristik kualitas sekaligus, shg ruang lingkup pemecahan
masalah lebih luas.3. Dapat mengetahui faktor-faktor yang
berpengaruh terhadap karakteristik kualitas melalui perhitungan
AVONA dan Rasio S/N, shg faktor-faktor yang berpengaruh tersebut
dapat diberikan perhatian khusus. Kekurangan Metode
TaguchiPercobaan dilakukan dengan banyak faktor dan interaksi akan
terjadi pembauran beberapa interaksi oleh faktor utama, akibatnya
keakuratan hasil percobaan akan berkurang. Tahap-tahap dalam Desain
Produk/proses Taguchi1. 1.System DesignTahap konseptual untuk
memperoleh ide-ide baru dan mewujudkan dalam produk baru atau
inovasi proses.1. 2.Parameter DesignTahap pembuatan prototipe
matematis bedasarkan tahap sebelumnya melalui percobaan secara
statistik. Tujuannya adalah mengidentifikasi setting parameter yang
akan memberikan performansi rata-rata pada target dan menentukan
pengaruh dari faktor gangguan pada variasi dari target.1.
3.Tolerance DesignPenentuan toleransi dari parameter yang berkaitan
dengan kerugian pada masyarakat akibat penyimpangan produk.
Karakteristik KualitasKarakteristik kualitas adalah hasil suatu
proses yang berkaitan dengan kualitas.1. 1.Nominal is the
bestKarakteristik kualitas yang menuju nilai target yang tepat pada
suatu nilai tertentu.Berat panjang lebar kerapatanKetebalan
diameter luas kecepatanVolume jarak tekanan waktu1. 2.Smaller the
betterPencapaian karakteristik jika semakin kecil (mendekati nol)
semakin baik.Penggunaan mesin persen kontaminasiPenyimpangan
kebisinganWaktu proses produk gagalPemborosan kerusakan1. 3.Larger
the betterPencapaian karakteristik kualitas semakin besar semakin
baik.Kekuatan km/liter efisiensiWaktu antar kerusakan ketahanan thd
korosi Orthogonal Array (OA)OA merupakan salah satu kelompok dari
percobaan yang hanya menggunakan bagian dari kondisi total, dimana
bagian ini mungkin separuh, seperempat atau seperdelapan dari
percobaan faktorial penuh.Keuntungan OA adalah kemampuan untuk
mengevaluasi berapa faktor dengan jumlah tes yang minimum. Jika
terdapat 7 faktor dengan 2 level, maka jika menggunakan full
factorial akan diperlukan 27buah percobaan. Dengan OA jumlah
percobaan dapat dikurangi shg dapat mengurangi waktu dan biaya
percobaan.Langkah-2 pelaksanaan percobaan Taguchi1. Penentuan
karakteristik kualitas (variabel tak bebas)Variabel yang
perubahannya tergantung pada variabel-variabel lain.Dalam percobaan
Taguchi, variabel tak bebas adalah karakteristik kualitas yang
terdiri dari tiga kategori :1. Measurable
Characteristic(karakteristik yg dpt diukur)1).Nominal is the
best2).Smaller the better3).Larger the betterb.Attribute
CharacteristicHasil akhir yang diamati tdk dapat diukur dengan
skala kontinu, tetapi dapat diklasifikasikan secara kelompok kecil,
menengah, besar atau dpt dikelompokan berdasarkan berhasil (sukses)
atau tidak.1. c.Dynamic CharacteristicMerupakan fungsi representasi
dari proses yang diamati. Proses yang diamati digambarkan sebagai
signal atau input dan output sebagai hasil dari signal.1.
Identifikasi faktor-faktor (variabel bebas)Variabel yang
perubahannya tidak tergantung pada variabel lain.Beberapa metode
yang dapat digunakan untuk mengidentifikasi faktor-faktor tersebut
:1. a.BrainstormingDiskusi kelompok untuk memberikan gambaran
tentang masalah yang dihadapi, setiap orang mengungkapkan
faktor-faktor yang berpengaruh pada masalah yang dihadapi, dicatat
kemudian dilakukan penyaringan/pemilihan berdasarkan urgensi
masalah.b.FlowchartingMengidentifikasi faktor-faktor yang mungkin
berpengaruh melalui flowchart proses pembuatan obyek yang
diamati.1. c.Cause-effect diagramDiagramistikawadigunakan untuk
mengidentifikasi penyebab faktor-faktor yang potensial.1. Pemisahan
faktor kontrol dan faktor gangguanFaktor yang diamati terdiri atas
faktor kontrol dan faktor gangguan.Faktor kontrol: faktor yg
nilainya dapat diatur atau dikendalikan atau yg nilainya akan kita
atur atau dikendalikan.Faktor gangguan (noise factor): faktor yg
nilainya tidak bisa kita atur atau kendalikan.Faktor gangguan
terdiri dari :1. External (outer) noise: semua gangguan dari
kondisi lingkungan atau luar produksi.2. Internal (inner noise):
semua gangguan dari dalam produksi sendiri.3. Unit to unit noise:
perbedaan antara unit yang diproduksi dengan spesifikasi yang
sama.1. Penentuan jumlah level dan nilai level faktorLevel faktor
dapat dinyatakan secara kuantitatif seperti temperatur, kecepatan,
waktu dll.1. Identifikasi interaksi faktor kontrolInteraksi muncul
jika dua faktor atau lebih yang mengalami perlakuan secara bersama
akan memberikan hasil yg berbeda.1. Perhitungan derajat kebebasan
(degree of freedom)Dilakukan untuk menghitung jumlah minimum
percobaan yang harus dilakukan untuk menyelidiki faktor-faktor yg
diamati.Jika nAdan nBadalah jumlah perlakuan untuk faktor A dan
faktor B maka :Dof untuk faktor A = nA 1Dof untuk faktor B = nB
1Dof unt interaksi faktor A dan B = (nA 1)( nB 1)Jumlah total dof =
(nA 1)+( nB 1) +(nA 1)( nB 1)1. Pemilihan Orthogonal arrayDalam
memilih jenis Orthogonal Array harus diperhatikan jumlah level
faktor yang diamati yaitu :1. jika semua fator adalah 2 level :
pilih OA untuk 2 level faktor.2. jika semua fator adalah 3 level :
pilih OA untuk 3 level faktor.3. jika beberapa fator adalah 2 level
dan lainnya 3 level : pilih yang mana yang dominan.4. jika terdapat
campuran 2, 3, atau 4 level faktor : lakukan modifikasi OA dengan
metode Merging coloumn.5. Penugasan untuk faktor dan interaksinya
pada OA6. Persiapan dan pelaksanaan percobaan
Distribusi Frekuensi97 Komentar Posted by smartstat pada Maret
29, 2010 Hasil pengukuran yang kita peroleh disebut dengan data
mentah. Besarnya hasil pengukuran yang kita peroleh biasanya
bervariasi. Apabila kita perhatikan data mentah tersebut, sangatlah
sulit bagi kita untuk menarik kesimpulan yang berarti. Untuk
memperoleh gambaran yang baik mengenai data tersebut, data mentah
tersebut perlu di olah terlebih dahulu.Pada saat kita dihadapkan
pada sekumpulan data yang banyak, seringkali membantu untuk
mengatur dan merangkum data tersebut dengan membuat tabel yang
berisi daftar nilai data yang mungkin berbeda (baik secara individu
atau berdasarkan pengelompokkan) bersama dengan frekuensi yang
sesuai, yang mewakili berapa kali nilai-nilai tersebut terjadi.
Daftar sebaran nilai data tersebut dinamakan dengan Daftar
Frekuensi atau Sebaran Frekuensi (Distribusi Frekuensi).Dengan
demikian, distribusi frekuensi adalah daftar nilai data (bisa nilai
individual atau nilai data yang sudah dikelompokkan ke dalam selang
interval tertentu) yang disertai dengan nilai frekuensi yang
sesuai.Pengelompokkan data ke dalam beberapa kelas dimaksudkan agar
ciri-ciri penting data tersebut dapat segera terlihat. Daftar
frekuensi ini akan memberikan gambaran yang khas tentang bagaimana
keragaman data. Sifat keragaman data sangat penting untuk
diketahui, karena dalam pengujian-pengujian statistik selanjutnya
kita harus selalu memperhatikan sifat dari keragaman data. Tanpa
memperhatikan sifat keragaman data, penarikan suatu kesimpulan pada
umumnya tidaklah sah.Sebagai contoh, perhatikan contoh data pada
Tabel 1. Tabel tersebut adalah daftar nilai ujian Matakuliah
Statistik dari 80 Mahasiswa (Sudjana, 19xx).Tabel 1. Daftar Nilai
Ujian Matakuliah Statistik7949487481988780
8084907091938278
7071923856817473
6872855165938386
9035837374438688
9293767190726775
8091617297918881
7074999580597177
6360838260678963
7663887066887975
Sangatlah sulit untuk menarik suatu kesimpulan dari daftar data
tersebut. Secara sepintas, kita belum bisa menentukan berapa nilai
ujian terkecil atau terbesar. Demikian pula, kita belum bisa
mengetahui dengan tepat, berapa nilai ujian yang paling banyak atau
berapa banyak mahasiswa yang mendapatkan nilai tertentu. Dengan
demikian, kita harus mengolah data tersebut terlebih dulu agar
dapat memberikan gambaran atau keterangan yang lebih
baik.Bandingkan dengan tabel yang sudah disusun dalam bentuk daftar
frekuensi (Tabel 2a dan Tabel 2b). Tabel 2a merupakan daftar
frekuensi dari data tunggal dan Tabel 2b merupakan daftar frekuensi
yang disusun dari data yang sudah di kelompokkan pada kelas yang
sesuai dengan selangnya. Kita bisa memperoleh beberapa informasi
atau karakteristik dari data nilai ujian mahasiswa.Tabel 2a.NoNilai
UjianFrekuensi
xifi
1351
2360
3370
4381
:::
16704
17713
::1
42981
43991
Total80
Pada Tabel 2a, kita bisa mengetahui bahwa ada 80 mahasiswa yang
mengikuti ujian, nilai ujian terkecil adalah 35 dan tertinggi
adalah 99. Nilai 70 merupakan nilai yang paling banyak diperoleh
oleh mahasiswa, yaitu ada 4 orang, atau kita juga bisa mengatakan
ada 4 mahasiswa yang memperoleh nilai 70, tidak ada satu pun
mahasiswa yang mendapatkan nilai 36, atau hanya satu orang
mahasiswa yang mendapatkan nilai 35.Tabel 2b.Kelas ke-Nilai Ujian
Frekuensi fi
131 402
241 503
351 605
461 7013
571 8024
681 9021
791 10012
Jumlah80
Tabel 2b merupakan daftar frekuensi dari data yang sudah
dikelompokkan. Daftar ini merupakan daftar frekuensi yang sering
digunakan. Kita sering kali mengelompokkan data contoh ke dalam
selang-selang tertentu agar memperoleh gambaran yang lebih baik
mengenai karakteristik dari data. Dari daftar tersebut, kita bisa
mengetahui bahwa mahasiswa yang mengikuti ujian ada 80, selang
kelas nilai yang paling banyak diperoleh oleh mahasiswa adalah
sekitar 71 sampai 80, yaitu ada 24 orang, dan seterusnya. Hanya
saja perlu diingat bahwa dengan cara ini kita bisa kehilangan
identitas dari data aslinya. Sebagai contoh, kita bisa mengetahui
bahwa ada 2 orang yang mendapatkan nilai antara 31 sampai 40.
Meskipun demikian, kita tidak akan tahu dengan persis, berapa nilai
sebenarnya dari 2 orang mahasiswa tersebut, apakah 31 apakah 32
atau 36 dst.Ada beberapa istilah yang harus dipahami terlebih
dahulu dalam menyusun daftar frekuensi.Tabel 3.Kelas ke-SelangNilai
Ujian Batas KelasNilai Kelas(xi)Frekuensi(fi)
131 4030.5 40.535.52
241 5040.5 50.545.53
351 6050.5 60.555.55
461 7060.5 70.565.513
571 8070.5 80.575.524
681 9080.5 90.585.521
791 10090.5 100.595.512
Jumlah80
Range : Selisih antara nilai tertinggi dan terendah. Pada contoh
ujian di atas, Range = 99 35 = 64Batas bawah kelas: Nilai terkecil
yang berada pada setiap kelas. (Contoh: Pada Tabel 3 di atas, batas
bawah kelasnya adalah 31, 41, 51, 61, , 91)Batas atas kelas: Nilai
terbesar yang berada pada setiap kelas. (Contoh: Pada Tabel 3 di
atas, batas bawah kelasnya adalah 40, 50, 60, , 100)Batas kelas
(Class boundary): Nilai yang digunakan untuk memisahkan antar
kelas, tapi tanpa adanya jarak antara batas atas kelas dengan batas
bawah kelas berikutnya. Contoh: Pada kelas ke-1, batas kelas
terkecilnya yaitu 30.5 dan terbesar 40.5. Pada kelas ke-2, batas
kelasnya yaitu 40.5 dan 50.5. Nilai pada batas atas kelas ke-1
(40.5) sama dengan dan merupakan nilai batas bawah bagi kelas ke-2
(40.5). Batas kelas selalu dinyatakan dengan jumlah digit satu
desimal lebih banyak daripada data pengamatan asalnya. Hal ini
dilakukan untuk menjamin tidak ada nilai pengamatan yang jatuh
tepat pada batas kelasnya, sehingga menghindarkan keraguan pada
kelas mana data tersebut harus ditempatkan. Contoh: bila batas
kelas di buat seperti ini:Kelas ke-1 : 30 40Kelas ke-2 : 40
50:dst.Apabila ada nilai ujian dengan angka 40, apakah harus
ditempatkan pada kelas-1 ataukah kelas ke-2?Panjang/lebar kelas
(selang kelas): Selisih antara dua nilai batas bawah kelas yang
berurutan atau selisih antara dua nilai batas atas kelas yang
berurutan atau selisih antara nilai terbesar dan terkecil batas
kelas bagi kelas yang bersangkutan. Biasanya lebar kelas tersebut
memiliki lebar yang sama. Contoh:lebar kelas = 41 31 = 10 (selisih
antara 2 batas bawah kelas yang berurutan) ataulebar kelas = 50 40
= 10 (selisih antara 2 batas atas kelas yang berurutan) ataulebar
kelas = 40.5 30.5 = 10. (selisih antara nilai terbesar dan terkecil
batas kelas pada kelas ke-1)Nilai tengah kelas: Nilai kelas
merupakan nilai tengah dari kelas yang bersangkutan yang diperoleh
dengan formula berikut: (batas atas kelas+batas bawah kelas). Nilai
ini yang dijadikan pewakil dari selang kelas tertentu untuk
perhitungan analisis statistik selanjutnya. Contoh: Nilai kelas
ke-1 adalah (31+40) = 35.5Banyak kelas: Sudah jelas! Pada tabel ada
7 kelas.Frekuensi kelas: Banyaknya kejadian (nilai) yang muncul
pada selang kelas tertentu. Contoh, pada kelas ke-1, frekuensinya =
2. Nilai frekuensi = 2 karena pada selang antara 30.5 40.5, hanya
ada 2 angka yang muncul, yaitu nilai ujian 31 dan 38.Teknik
pembuatan Tabel Distribusi Frekuensi (TDF)Distribusi frekuensi
dibuat dengan alasan berikut: kumpulan data yang besar dapat
diringkas kita dapat memperoleh beberapa gambaran mengenai
karakteristik data, dan merupakan dasar dalam pembuatan grafik
penting (seperti histogram).Banyak software (teknologi komputasi )
yang bisa digunakan untuk membuat tabel distribusi frekuensi secara
otomatis. Meskipun demikian, di sini tetap akan diuraikan mengenai
prosedur dasar dalam membuat tabel distribusi
frekuensi.Langkah-langkah dalam menyusun tabel distribusi
frekuensi: Urutkan data, biasanya diurutkan dari nilai yang paling
kecil Tujuannya agar range data diketahui dan mempermudah
penghitungan frekuensi tiap kelas! Tentukan range (rentang atau
jangkauan) Range = nilai maksimum nilai minimum Tentukan banyak
kelas yang diinginkan. Jangan terlalu banyak/sedikit, berkisar
antara 5 dan 20, tergantung dari banyak dan sebaran datanya. Aturan
Sturges: Banyak kelas = 1 + 3.3 log n, dimana n = banyaknya data
Tentukan panjang/lebar kelas interval (p) Panjang kelas (p) =
[rentang]/[banyak kelas] Tentukan nilai ujung bawah kelas interval
pertamaPada saat menyusun TDF, pastikan bahwa kelas tidak tumpang
tindih sehingga setiap nilai-nilai pengamatan harus masuk tepat ke
dalam satu kelas. Pastikan juga bahwa tidak akan ada data
pengamatan yang tertinggal (tidak dapat dimasukkan ke dalam kelas
tertentu). Cobalah untuk menggunakan lebar yang sama untuk semua
kelas, meskipun kadang-kadang tidak mungkin untuk menghindari
interval terbuka, seperti 91 (91 atau lebih). Mungkin juga ada
kelas tertentu dengan frekuensi nol.Contoh:Kita gunakan prosedur di
atas untuk menyusun tabel distribusi frekuensi nilai ujian
mahasiswa (Tabel 1).Berikut adalah nilai ujian yang sudah
diurutkan:
35 38 43 48 49 51 56 59 60 60 61 63 63 63 65 66 67 67 68 70 70
70 70 71 71 71 72 72 72 73 73 74 74 74 74 75 75 76 76 77 78 79 79
80 80 80 80 81 81 81 82 82 83 83 83 84 85 86 86 87 88 88 88 88 89
90 90 90 91 91 91 92 92 93 93 93 95 97 98 99
2. Range: [nilai tertinggi nilai terendah] = 99 35 = 64
3. Banyak Kelas: Tentukan banyak kelas yang diinginkan. Apabila
kita lihat nilai Range = 64, mungkin banyak kelas sekitar 6 atau 7.
Sebagai latihan, kita gunakan aturan Sturges. banyak kelas = 1 +
3.3 x log(n) = 1 + 3.3 x log(80) = 7.28 7
4. Panjang Kelas: Panjang Kelas = [range]/[banyak kelas] = 64/7
= 9.14 10 (untuk memudahkan dalam penyusunan TDF)
5. Tentukan nilai batas bawah kelas pada kelas pertama. Nilai
ujian terkecil = 35 Penentuan nilai batas bawah kelas bebas saja,
asalkan nilai terkecil masih masuk ke dalam kelas tersebut.
Misalkan: apabila nilai batas bawah yang kita pilih adalah 26, maka
interval kelas pertama: 26 35, nilai 35 tepat jatuh di batas atas
kelas ke-1. Namun apabila kita pilih nilai batas bawah kelas 20
atau 25, jelas nilai terkecil, 35, tidak akan masuk ke dalam kelas
tersebut. Namun untuk kemudahan dalam penyusunan dan pembacaan TDF,
tentunya juga untuk keindahan, he2.. lebih baik kita memilih batas
bawah 30 atau 31. Ok, saya tertarik dengan angka 31, sehingga batas
bawahnya adalah 31.
Dari prosedur di atas, kita dapat info sebagai berikut: Banyak
kelas : 7 Panjang kelas : 10 Batas bawah kelas : 31 Selanjutnya
kita susun TDF: Form TDF:
------------------------------------------------------------ Kelas
ke- | Nilai Ujian | Batas Kelas | Turus | Frekuensi
------------------------------------------------------------ 1 31 -
2 41 - 3 51 - : : - 6 81 - 7 91 -
------------------------------------------------------------ Jumlah
------------------------------------------------------------ Tabel
berikut merupakan tabel yang sudah dilengkapiKelas ke-Nilai Ujian
Batas KelasFrekuensi(fi)
131 4030.5 40.52
241 5040.5 50.53
351 6050.5 60.55
461 7060.5 70.513
571 8070.5 80.524
681 9080.5 90.521
791 10090.5 100.512
Jumlah80
atau dalam bentuk yang lebih ringkas:Kelas ke-Nilai Ujian
Frekuensi(fi)
131 402
241 503
351 605
461 7013
571 8024
681 9021
791 10012
Jumlah80
Distribusi Frekuensi Relatif dan KumulatifVariasi penting dari
distribusi frekuensi dasar adalah dengan menggunakan nilai
frekuensi relatifnya, yang disusun dengan membagi frekuensi setiap
kelas dengan total dari semua frekuensi (banyaknya data). Sebuah
distribusi frekuensi relatif mencakup batas-batas kelas yang sama
seperti TDF, tetapi frekuensi yang digunakan bukan frekuensi aktual
melainkan frekuensi relatif. Frekuensi relatif kadang-kadang
dinyatakan sebagai persen.Frekuensi relatif = Contoh: frekuensi
relatif kelas ke-1:fi = 2; n = 80Frekuensi relatif = 2/80 x 100% =
2.5%Kelas ke-Nilai Ujian Frekuensi relatif (%)
131 402.50
241 503.75
351 606.25
461 7016.25
571 8030.00
681 9026.25
791 10015.00
Jumlah100.00
Distribusi Frekuensi kumulatifVariasi lain dari distribusi
frekuensi standar adalah frekuensi kumulatif. Frekuensi kumulatif
untuk suatu kelas adalah nilai frekuensi untuk kelas tersebut
ditambah dengan jumlah frekuensi semua kelas sebelumnya.Perhatikan
bahwa kolom frekuensi selain label headernya diganti dengan
frekuensi kumulatif kurang dari, batas-batas kelas diganti dengan
kurang dari ekspresi yang menggambarkan kisaran nilai-nilai
baru.Nilai Ujian Frekuensi kumulatif kurang dari
kurang dari 30.50
kurang dari 40.52
kurang dari 50.55
kurang dari 60.510
kurang dari 70.523
kurang dari 80.547
kurang dari 90.568
kurang dari 100.580
atau kadang disusun dalam bentuk seperti ini:Nilai Ujian
Frekuensi kumulatif kurang dari
kurang dari 412
kurang dari 515
kurang dari 6110
kurang dari 7123
kurang dari 8147
kurang dari 9168
kurang dari 10180
Variasi lain adalah Frekuensi kumulatif lebih dari. Prinsipnya
hampir sama dengan prosedur di atas.HistogramHistogram adalah
merupakan bagian dari grafik batang di mana skala horisontal
mewakili nilai-nilai data kelas dan skala vertikal mewakili nilai
frekuensinya. Tinggi batang sesuai dengan nilai frekuensinya, dan
batang satu dengan lainnya saling berdempetan, tidak ada jarak/ gap
diantara batang. Kita dapat membuat histogram setelah tabel
distribusi frekuensi data pengamatan dibuat.
Poligon Frekuensi:Poligon Frekuensi menggunakan segmen garis
yang terhubung ke titik yang terletak tepat di atas nilai-nilai
titik tengah kelas. Ketinggian dari titik-titik sesuai dengan
frekuensi kelas, dan segmen garis diperluas ke kanan dan kiri
sehingga grafik dimulai dan berakhir pada sumbu horisontal.
OgiveOgive adalah grafik garis yang menggambarkan frekuensi
kumulatif, seperti daftar distribusi frekuensi kumulatif.
Perhatikan bahwa batas-batas kelas dihubungkan oleh segmen garis
yang dimulai dari batas bawah kelas pertama dan berakhir pada batas
atas dari kelas terakhir. Ogive berguna untuk menentukan jumlah
nilai di bawah nilai tertentu. Sebagai contoh, pada gambar berikut
menunjukkan bahwa 68 mahasiswa mendapatkan nilai kurang dari
90.5.