Escolar Documentos
Profissional Documentos
Cultura Documentos
ABSTRAK
Perusahaan yang bergerak dalam bidang manufaktur tentunya memerlukan perencaan dan pengendalian
produksi. Permintaan pasar yang fluktuatif memaksa perusahaan untuk melakukan perencanaan dan
pengendalian produksi agar dapat lebih efektif, optimal, dan terstruktur dengan cara melakukan peramalan.
Peramalan merupakan tahap awal dari perencanaan produksi, dimana hasil peramalan merupakan basis bagi
seluruh tahapan dalam perencanaan produksi selanjutnya. Peramalan dilakukan agar perusahaan dapat
memperkirakan permintaan pasar dimasa mendatang (penjualan aktual pada periode selanjutnya) dengan
menggunakan data penjualan aktual pada periode sebelumnya.Terdapat beberapa metode yang dapat
digunakan dalam melakukan peramalan. Metode yang digunakan dalam perencanaan produksi diantaranya
adalah WMA (Weight Moving Average), SES(Single Exponential Smoothing) dan regresi linier. Metode inilah
yang kemudian diterapkan dalam peramalan produksi lemari hijab. Tujuannya adalah untuk mengetahui
metode mana yang dipilih untuk dapat menghasilkan peramalan dengan nilai kesalahan terkecil. Mengetahui
kelayakan atau penyimpangan dari metode terpilih berdasarkan nilai MAD dan tracking signal. Mengetahui
pengendalian hasil peramalan berdasarkan moving range (MR). Harapan dari perusahaan setelah
mengaplikasikan ketiga metode peramalan tersebut adalah agar perusahaan dapat memperkiakan besarnya
penjualan aktual pada periode selanjutnya untuk memenuhi kebutuhan pasar dengan jumlah yang tepat.
Berdasarkan hasil perhitungan maka metode peramalan yang terbaik adalah metode regresi linierdengan
peramalan jumlah penjualan aktual sebesar 644. Nilai MAD dari metode tersebut adalah sebesar5,009
dan berdasarkan tracking signal nilai peramalan pada metode tersebut tidak keluar dari batas kontrol.
Berdasarkan peta moving range (MR) dapat diketahui bahwa semua data masuk kedalam BKA dan BKB serta
MR absolute nya adalah sebesar 95.
Kata Kunci : Peramalan, WMA (Weight Moving Average), SES(Single Exponential Smoothing),
RegresiLinier,Tracking Signal, MAD (Mean Absolut Deviation), MR (Moving Range).
PENDAHULUAN
Perusahaan yang bergerak dalam bidang manufaktur tentunya memerlukan perencaan dan pengendalian
produksi. Perencanaan dan pengendalian produksi merupakan proses untuk merencanakan dan mengendalikan
aliran material dalam sistem produksi. Permintaan pasar yang fluktuatif memaksa perusahaan untuk melakukan
perencanaan dan pengendalian produksi agar dapat lebih efektif, optimal, dan terstruktur dengan cara melakukan
peramalan. Peramalan merupakan tahap awal dari perencanaan produksi, dimana hasil peramalan merupakan
basis bagi seluruh tahapan dalam perencanaan produksi selanjutnya. Peramalan dilakukan agar perusahaan dapat
memperkirakan permintaan pasar dimasa mendatang dengan menggunakan data penjualan aktual pada periode
sebelumnya. Terdapat beberapa metode yang dapat digunakan dalam melakukan peramalan. Metode yang
digunakan dalam melakukan peramalan diantaranya adalah WMA (Weight Moving Average), SES(Single
Exponential Smoothing)dan regresi linier. Metode inilah yang kemudian diterapkan dalam peramalan produksi
lemari hijab.
Weight moving average (WMA) merupakan salah satu metode peramalan dengan pemberian bobot
yang berbeda untuk setiap data historis masa lalu yang tersedia, terakhir atau terbaru akan memiliki bobot lebih
besar dibandingkan dengan data hsitoris yang lama. Hal tersebut dikarenakan data terbaru merupakan data yang
paling relevan untuk digunakan dalam peramalan. Metode ini sangat memperhatikan dan menggunakan data
historis dimasa lalu. Single exponential smoothing (SES) merupakan suatu prosedur yang secara terus menerus
memperbaiki peramalan dengan merat-rata (menghaluskan=smoothing) nilai masa lalu dari suatu data runtut
waktu dengan cara menurun (exponential) dengan menggunakan satu nilai alpha (single). Regresi merupakan
suatu metode peramalan dimana faktor yang diramalkan menunjukan sebab akibat dengan satu atau lebih
variabel bebas. Harapan dari perusahaan setelah mengaplikasikan ketiga metode peramalan tersebut adalah agar
perusahaan dapat memperkiakan besarnya penjualan aktual pada periode selanjutnya untuk memenuhi
kebutuhan pasar dengan jumlah yang tepat.
Berdasarkan permasalahan diatas maka ketiga metode peramalan tersebut diterapkan dalam peramalan
produksi lemari hijab untuk membahas bagaimana menentukan jumlah penjualan aktual lemari hijab pada
periode berikutnya berdasarkan kebutuhan pasar dan persediaan perusahaan. Tujuannya adalah untuk
mengetahui metode mana yang dipilih untuk dapat menghasilkan peramalan dengan nilai kesalahan terkecil.
Mengetahui kelayakan atau penyimpangan dari metode terpilih berdasarkan nilai MAD dantracking
signal. Mengetahui pengendalian hasil peramalan berdasarkan moving range (MR). Peramalan yang dilakukan
hanya berdasarkan data penjualan aktual yang ditambah dengan asusmsi penambahan penjualan selama 12
bulan.
TINJAUAN PUSTAKA
Tahap pertama dalam perencanaan dan pengendalian produksi bila produksi bertipe made to
stockadalah menentukan suatu peramalan akurat dari permintaan untuk item yang diproduksi. Peramalan ini
digunakan sebagai dasar untuk menentukan kebijakan pengendalian dari sistem persediaan, membuat
perencanaan produksi, pembebanan mesin, menentukan kebutuhan mesin, peralatan, bahan serta untuk
menentukan tingkat tenaga kerja selama periode produksi. Peramalan tidak hanya digunakan untuk
memperkirakan permintaan produk saja, namun secara luas juga digunakan dalam sistem lainnya. Peramalan
dilakukan oleh berbagai depertemen dalam suatu industri yakni departemen pemasaran, produksi, pembelian,
persediaan, keuangan, dan litbang[1].
Kriteria pemilihan metode peramalan yang terbaik memiliki kriteria MAD (mean absolute deviation),
MSE (mean square error), dan MAPE (mean absolute procentage of error). MAD merupakan kriteria untuk
mengevaluasi metode peramalan dengan cara menghitung jumlah nilai absolut deviation dibagi dengan t
terbesar. Nilai MAPE didapatkan dengan cara membagi absolute deviation pada tiap periode dengan permintaan
actual dan dikalikan 100%. Kriteria MAD, MSE, dan MAPE dapat dinyatakan secara matematis sebagai
berikut[1].
Keterangan :
= Permintaan aktual pada periode t
= Ramalan permintaan (real) untuk periode t
Keterangan :
y = Besarnya nilai yang diramal
x = Variable bebas
a = Nilai trend pada periode dasar
b = Tingkat perkembangan nilai yang diramal
Metode single exponential smoothing dalam bentuk sederhana tidak memperhitungkan pengaruh trend
sehingga nilai
sangat kecil dan dapat dihilangkan. Nilai-nilai
yang rendah lebih cocok bila
permintaan produk relatif stabil yang berarti tanpa trend atau variasi siklikal sedangkan nilai-nilai
yang
tinggi adalah lebih berguna di mana perubahan-perubahan yang sesungguhnya cenderung terjadi karena lebih
tanggap terhadap permintaan fluktuatif. Kasus sederhana dari pemulusan eksponensial tunggal sebagai berikut [2].
Keterangan :
Xt = Nilai aktual terbaru
Ft
= Nilai peramalan terakhir
Ft+1 = Peramalan untuk periode yang mendatang
= Konstanta pemulusan
Peramalan yang baik mempunyai beberapa kriteria yang penting antara lain akurasi biaya dan
kemudahan. Akurasi dari suatu peramalan diukur dengan kebiasan dan kekonsistensian peramalan tersebut.
Hasil peramalan dikatakan bias bila peramalan tersebut terlalu tinggi atau terlalu rendah dibandingkan
kenyataan yang sebenarnya terjadi. Biaya yang diperlukan dalam pembuatan suatu peramalan adalah tergantung
dari jumlah item yang diramalkan, lamanya periode peramalan, dan metode peramalan yang dipakai.
Penggunaan metode peramalan yang sederhana, mudah dibuat, dan mudah diaplikasikan akan memberikan
keuntungan bagi perusahaan[2].
Weighted moving average (WMA) atau metode ratarata bergerak yang memiliki bobot. WMA memiliki
bobot yang digunakan pada setiap perubahan harga. Metode ini merupakan model peramalan time series yang
dilakukan dengan cara memberikan bobot pada data-data periode yang terbaru dari pada bobot pada periode
yang sebelumnya. Nilai dari bobot ini dapat berapa saja dengan ketentuan nilai bobot untuk harga yang terbaru
adalah lebih besar dar ipada nilai bobot untuk harga sebelumnya. Perumusan metodeweight moving
average adalah sebagai berikut[3].
Nilai tracking signal ini merupakan suatu ukuran baiknya suatu ramalan dengan memperkirakan nilainilai actual. Rumus yang digunakan untuk menentukan tracking signal, yaitu sebagai berikut[3].
Keterangan :
RSFE : Jumlah kumulatif dari nilai error
MAD : Perbandingan kumulatif absolut error dengan periode penjualan
Nilai tracking signal bernilai positif berarti nilai aktual permintaan lebih kecil dari ramalan, sedangkan
apabila bernilai negatif artinya nilai aktual permintaan lebih kecil daripada ramalan. Nilai suatu tracking
signal dikatakan baik apabila jumlah dari selisih data aktual dengan peramalan mendekati nol atau dengan kata
lain jumlah error positifnya seimbang dengan error negatif. Nilai tracking signal yang telah dihitung maka
selanjutnya dapat dibangun peta control untuk melihat sebaran dan pergerakan data dari nilai tracking
signal tersebut. Nilai tracking signal ini sebaiknya maksimum 4 sebagai batas pengendaliannya. Nilai yang
didapatkan melebihi batas maksimum tersebut, artinya model peramalan perlu ditinjau kembali karena akurasi
peramalan tidak dapat diterima [4].
METODOLOGI PENULISAN
Metodologi penulisan merupakan langkah-langkah prosedur yang dilakukan pada proses pembuatan
laporan akhir peramalan. Metodologi penulisan pada laporan akhir ini terdiri dari beberapa bagian atau kerangka
penulisan menyangkut kegiatan yang dilakukan dalam meramalkan penjualan aktual pada periode
selanjutnya produk lemari hijab. Langkah pertama yang dilakukan menentukan tujuan penulisan. Tujuan
penulisan dibuat untuk menjelasakan maksud dibuatnya laporan akhir peramalan. Langkah kedua yaitu
pembuatan tinjauan pustaka. Tinjauan pustaka digunakan untuk membandingkan pembahasan masalah atau
memperkuat hasil yang dapat dalam pembahasan. Tinjauan pustaka berisikan teori-teori tentang modul
peramalan yang terdapat penjelasan mengenai tiga metode peramalan yang digunakan dalam pembuatan laporan
akhir ini yaitu metode Weight Moving Average (WMA), Single Exponential Smoothing (SES) dan Regresi
Linier. Langkah ketiga yaitu mencari data penjualan aktual penjualan produk lemari hijab. Data aktual penjualan
lemari hijab didapat dari penambahan angka 37 yaitu dua angka NPM terhadap data penjualan yang telah
ditentukan.
Langkah keempat adalah peramalan item yaitu produk lemari hijab. Perusahaan akan
meramalkanpenjualan aktual dari lemari hijab pada bulan januari dengan menggunakan data penjualan aktual
selama 12 bulan sebelumnya. Langkah kelima adalah menentukan horizon waktu peramalan. Waktu peramalan
yang digunakan adalah horizon perencanaan satu tahun dengan periode perencanaan selama 12 periode.
Langkah keenam adalah memilih metode peramalan yang akan digunakan. Metode peramalan yang digunakan
adalah weight moving average (WMA), single exponential smoothing (SES) dan regresi linier. Langkah
ketujuh adalah mengolah dan menganalisis data. Pengolahan data dilakukan dengan menggunakan perhitungan
manual sesuai dengan tahapan rumus yang telah ditentukan pada metode peramalan yang digunakan. Langkah
selanjutnya adalah melakukan pengolahan perangkat lunak dengan tujuan untuk membandingkan perhitungan
manual yang telah dilakukan agar lebih akurat. Pengolahan perangkat lunak yang digunakan dengan
menggunakan perangkat lunak POM QM. Langkah selanjutnya adalah mengukur keakuratan dari hasil
peramalan dengan menggunakan tracking signal dan MAD.Tracking Signal digunakan untuk memantau
keandalan hasil peramalan, peta kontrol dibuat dengan nilai BKA sebesar 4 dan BKB sebesar -4, hal ini
dikarenakan pada batasan tersebut sudah dianggap layak atau batasan tersebut lebih sering digunakan untuk
sebuah perusahaan.
Langkah selanjutnya adalah membuat tahapan validasi model peramalan dengan menentukan metode
peramalan mana yang paling akurat berdasarkan nilai MAD yang terkecil. Langkah selanjutnya menentukan
metode yang terpilih yaitu metode regresi linier, kemudian melakukan uji keakuratan metode yang terpilih
dengan perhitungan moving range. Langkah selanjutnya adalah membuat peramalan dan mengimplementasi
hasil peramalan. Pengolahan data peramalan yang telah selesai dilakukan diimplementasi pada produksi lemari
hijab pada bulan januari. Langkah terakhir adalah membuat kesimpulan untuk menjawab tujuan penulisan
sedangkan saran bertujuan sebagai kritik atau masukan yang membangun guna penulisan yang lebih baik.
Bulan
Indeks Waktu
(t)
Penjualan Aktual
(A)
Januari
Februari
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
1
2
3
4
5
6
7
8
9
10
11
12
13
625
611
629
634
626
633
644
634
632
633
645
639
Setelah
Pembulatan
622,33
628,5
629,17
630,83
637,33
637,17
634,67
632,83
638,83
640
623
629
630
631
638
638
635
633
639
640
Perhitungan peramalan dengan menggunakan metode weight moving average dilakukan dengan
menggunakan data penjualan aktual tiga bulan pertama yakni januari, febuari, dan maret karena menggunakan
bobot yang bernilai 3 sehingga menggunakan data penjualan aktual tiga bulan pertama untuk memperoleh hasil
peramalan bulan april. Data penjualan aktual pada bulan Maret diberikan bobot yang paling besar yaitu 3. Hal
tersebut dikarenakan data terbaru merupakan data yang paling relevan untuk digunakan dalam peramalan. Hasil
peramalan penjualan produk lemari hijab dengan nilai terbesar yaitu pada bulan januari periode berikutnya
sebesar 640. Hasil peramalan penjualan produk lemari hijab dengan nilai terkecil yaitu pada bulan april sebesar
623. Hasil peramalan penjualan produk lemari hijab untuk januari tahun berikutnya adalah sebesar
640. Peramalan dengan menggunakan metode ini sangat bergantung pada data historis penjualan sebelumnya.
Hasil peramalan dibulatkan keatas, dikarenakan produk yang diproduksi dalam jumlah satuan unit. Peramalan
penjualan lemari hijab ini merupakan jenis peramalan jangka menengah karena peramalan dilakukan dalam
jangka waktu 3 bulan. Penentuan jumlah bobot yang bernilai 3 dikarenakan hasil peramalan yang diperoleh akan
lebih akurat dibandingkan dengan bobot yang bernilai lebih dari 3. Peramalan dengan bobot yang semakin besar
akan menyebabkan error atau kesalahan lebih banyak dan hasil peramalan menjadi kurang sensitif. Langkah
selanjutnya adalah membuattracking signal dari metode WMA.
Tracking signal untuk metode weight moving average dilakukan untuk mengetahui keakurasian metode
peramalan. Berikut merupakan hasil perhitungan tracking signal dapat dilihat pada Tabel 3tracking signal dari
peramalan metode WMA berikut.
Tabel 3 Tracking Signal Dari Peramalan Metode WMA
Period
e
(1)
1
2
3
4
Peramala
n (f)
(2)
623
629
630
631
Aktu
al
(A)
RSFE
Komulat
if
Absolu
t
Error
(3)
Erro
r
e=
A-f
(4)
(5)
(6)
634
626
633
644
11
-3
3
13
11
8
11
24
11
3
3
13
KomulatifAbsol
ut Error
(7)
11
14
17
30
MA
D
(7)/
(1)
(8)
11
7
5,67
7,5
Trackin
g
Signal
(5)/(8)
(9)
1
1,14
1,94
3,2
5
6
7
8
9
638
638
635
633
639
634
632
633
645
639
MAD =
-4
-6
-2
12
0
20
14
12
24
24
4
6
2
12
0
6
34
40
42
54
54
6,8
6,67
6
6,75
6
2,94
2,1
2
3,56
4
=1
Berdasarkan tabel tracking signal yang diperoleh informasi mengenai seberapa besar penyimpangan data
penjualan hasil peramalan dengan data penjualan aktual. Nilai error menunjukan selisih harga penjualan lemari
hijab antara penjualan aktual dengan data penjualan lemari hijab dengan hasil dari metode peramalan weight
moving average. Nilai RSFE kumulatif merupakan jumlah kumulatif dari selisih antara hasil penjualan aktual
dengn hasil peramalan pada setiap periode contohnya pada periode kedua nilai RSFE kumulatif sebesar 8 yang
diperoleh dari jumlah error pada periode pertama yang bernilai 11 dan periode kedua yang bernilai 3.
Nilai absolute error merupakan nilai mutlak dari hasil selisih antara penjualan aktual dengan data penjualan
lemari hijab. Nilai absolut error kumulatif adalah jumlah kumulatif dari nilai mutlak hasil selisih antara
penjualan aktual dengan data penjualan
lemari hijab. MAD adalah perbandingan antara
kumulatif absolut error dengan masing-masing periode penjualan lemari hijab. Nilai tracking signal adalah
perbandingan antara RSFE kumulatif dengan MAD. Hasil nilai tracking signaluntuk model peramalan weight
moving average pada tiap periode berada dalam batas-batas yang dapat diterima yaitu maksimum
.
Hal ini berarti bahwa keakurasian dari hasil peramalan dengan menggunakan metode weight moving
average memiliki keandalan karena nilai nilai tracking signal pada tiap periode hasil peramalan berada dalam
batas tracking signal yaitu
. Langkah selanjutnya adalah membuat grafik tracking signal berdasarkan
hasil peramalan metode weight moving average untuk melihat nilai tracking signal yang dapat diterima dengan
menggunakan grafik. Berikut merupakan Gamba1 grafiktracking signal metode weight moving average.
biru merupakan simbol dari batas kontrol atas sebesar 4 dan garis bewarna abu-abu merupakan simbol dari batas
kontrol bawah sebesar -4. Nilai batas 4 dan 4 berasal dari nilai 3,75 yang merupakan teori batas kendali
statistik yang menetapkan hubungan antara Deviasi Absolut Mean dan Standar Deviasi. Hubungan antara MAD
dan deviasi standar dalam populasi yang terdistribusi normal didirikan sebagai 1,25 MAD = 1 SD (standar
deviasi dari distribusi).
Garis bewarna orange merupakan nilai tracking signal yang diperoleh dari perhitungan peramalan
metode WMA. Nilai tracking signal tersebut didapatkan dari pembagian nilai RSFE kumulatif dengan nilai
MAD. Nilai tracking signal tersebut berada diantara nilai BKA dan BKB, sehingga dapat dikatakan
pengendalian peramalan menggunakan metode WMA dikatakan baik. Nilai tracking signal tersebut
menunjukkan sebaran nilai peramalan selama 12 periode. Nilai tracking signal apabila positif, memiliki arti
bahwa data penjualan aktual lebih besar dari data peramalan, sedangkan nilai tracking signal apabila negatif
artinya bahwa nilai data peramalan lebih besar daripada nilai penjualan aktual. Berdasarkan grafiktracking
signal yang disajikan diatas, nilai tracking signal menggunakan metode WMA bernilai positif, hal tersebut
menyebabkan peramalan kurang baik karena peramalan yang baik memiliki nilai yang berada disekitar nilai nol.
Suatu tracking signal yang baik memiliki nilai positive error yang seimbang dengannegative error.
Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode WMA tersebut, maka langkah
selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari perhitungan
manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 1 sampai dengan Gambar 4 berikut.
Software yang digunakan adalah dengan menggunakan Forecasting pada program POM-QM. Metode
pertama yang akan diolah dengan software adalah metode Weight Moving Average (WMA). Berikut ini
adalah forecasting results yang ditunjukan Gambar 2 Output Forecasting Results WMA
Bulan
Januari
Februari
Maret
Indeks Waktu
(t)
1
2
3
Penjualan
Aktual (A)
625
611
629
(F,
Sebelum
Pembulatan
Setelah
Pembulatan
632,083
630,664
626,731
633
631
627
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
Januari
4
5
6
7
8
9
10
11
12
13
634
626
633
644
634
632
633
645
639
= 7585
627,185
628,548
628,038
629,021
632,017
632,414
632,331
632,465
634,972
635,778
628
629
629
630
633
633
633
633
635
636
Berikut ini adalah contoh perhitungan peramalan berdasarkan konstanta pemulusan = 0,3 dengan
metodesingle exponential smoothing.
Rumus : Ft= Ft-1 +
( At-1- Ft-1)
Contoh perhitungan mencari nilai peramalan pada bulan Januari:
F1 =
=
= 632,083
633
631
627
Perhitungan nilai single exponential smoothing diatas berdasarkan data penjualan aktual selama 12
bulan. Peramalan dilakukan dengan menggunakan sebesar 0,2. Peminilai nilai sebesar 0,2 dikarenakan pada
niali tersebut memiliki MAD yang paling kecil yaitu sebesar 6,49. Total nilai penjualan aktual produk lemari
hijab selama 12 bulan adalah 7585 unit. Hasil perhitungan manual metode peramalan single exponential
smoothing menghasilkan nilai peramalan pada periode bulan januari sebesar 636 unit lemari hijab. Pada
perhitungan dilakukan pembulatan, hal ini dakrenakan lemari hijab yang diproduksi adalah dalam satuan unit
sehingga dilakukan pembulatan keatas. Langkah selanjutnya setelah membuat perhitungan single exponential
smoothing (SES) adalah membuat perhitungan tracking signal. Nilai yang dihasilkan pada tracking
signal didapatkan dari tahapan menghitung nilai error, RSFE kumulatif, absoluterror, kumulatif Abs. error dan
MAD. Tabel 6 merupakan perhitungan tracking signal metode SES adalah sebagai berikut.
Tabel 6 Tracking Signal Peramalan Metode SES
(2)
Aktual
(A)
(3)
Errore=Af
(4)
RSFE
Kumulatif
(5)
Abs.
Error
(6)
Kum.
Abs.
Error
(7)
633
631
627
628
629
629
630
633
633
633
633
625
611
629
634
626
633
644
634
632
633
645
-8
-20
2
6
-3
4
14
1
-1
0
12
-8
-28
-26
-20
-23
-19
-5
-4
-5
-5
7
8
20
2
6
3
4
14
1
1
0
12
8
28
30
36
39
43
57
58
59
59
71
Periode
Forecast (f)
(1)
1
2
3
4
5
6
7
8
9
10
11
MAD =
7/1
Tracking
Signal
=5/8
(9)
(8)
8
14
10
9
8,4
7,8
8,143
7,25
7
6,55
6,454
-1
-2
-2.6
-2.22
-2.738
-2.435
-0.614
-0.552
-0.714
-0.76
1.084
12
635
639
MAD=
11
4
6,25
75
6,25
1.76
Berdasarkan tabel hasil perhitungan tracking signal diatas, kolom pertama berisi periode peramalan,
yaitu bulan februari hingga desember. Kolom kedua adalah nilai hasil peramalan yang telah dicari pada tabel
sebelumnya dengan menggunakan rumus Ft= Ft-1 + ( At-1- Ft-1) . Kolom ketiga merupakan nilai aktual atau nilai
penjualan yang telah ada pada awal peramalan. Kolom keempat merupakan selisih dari nilai aktual dengan nilai
peramalannya. Kolom kelima merupakan hasil kumulatif penjumlahan perhitungan error yang terdapat dikolom
keempat. Kolom keenam merupakan nilai absolute error, yang artinya nilai error yang negatif pada kolom
empat diubah tanda menjadi positif. Kemudian pada kolomabsolute error, hasil penjumlahan error yang telah
didapat selanjutnya dicari nilai rata-rata absolut errordan dibandingkan dengan nilai MAD pada periode
terakhir. Nilai rata-rata dari kolom absolute error harus sama dengan nilai MAD pada periode terakhir agar
menunjukkan bahwa perhitungan yang dilakukan sudah benar. Kolom ketujuh merupakan nilai kumulatif dari
kolom keeenam dan kolom kedelapan merupakan nilai MAD. Nilai MAD diperoleh dari nilai
kumulatif absolute error dibagi dengan periode pada kolom pertama. Kolom kesembilan merupakan
nilai tracking signal yaitu nilai RSFE kumulatif dibagi dengan nilai MAD. Nilai MAD pada metode single
exponential smoothing (SES) akan dibandingkan dengan metode-metode lainnya yaitu weight moving
average (WMA) dan regresi linier. Setelah nilai tracking signal selesai dihitung, maka langkah selanjutnya akan
dibuat suatu grafik yang dapat menggambarkan penyimpangan nilai data terhadap nilai-nilai peramalanya.
Grafik tersebut dapat menghasilkan informasi mengenai ada atau tidaknya nilai yang keluar dari BKA dan BKB.
Nilai ketetapan yang diberikan pada BKA dan BKB dalam pembuatan grafik adalah BKA sebesar 4 dan BKB
sebesar -4. Gambar 6 merupakan grafik tracking signalmetode single exponential smoothing (SES).
Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode SES tersebut, maka langkah
selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari perhitungan
manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 7 sampai dengan Gambar 10 berikut.
Keluaran pertama adalah keluaran gambar details and error analysis. Keluaran tersebut berdasarkan
tahapan langkah proses yang telah ditentukan. Keluaran tersebut merupakan penjabaran nilai dari peramalan
menggunakan metode SES. Gambar 7 berikut ini adalah keluaran hasil pengolahan software nilaidetails and
error analysis dengan metode single exponential smoothing (SES) dengan menggunakan aplha 2.
positif. Kolom keenam merupakan nilai mean square error(MSE) yang merupakan nilai error yang
dikuadratkan. Nilai persentase error peramalan pada bulan februari sebesar 0,032. Gambar keluaran pengolahan
perangkat lunak berikutnya adalah keluaran tracking signal.Gambar 9 berikut merupakan keluaran tracking
signal adalah sebagai berikut.
Oktober
November
Desember
Januari
10
11
12
13
633
645
639
638,362
640,156
641,95
643,744
639
641
642
644
Berikut merupakan salah satu contoh perhitungan mencari a dan b kemudian menghitung peramalan dengan
menggunakan metode regresi linier:
Berdasarkan tabel diatas dapat dilihat hasil-hasil perhitungan berdasarkan data yang sudah ada. Berikut ini
merupakan contoh perhitungan untuk menentukan nilai MAD untuk periode 2.
MAD=
=
=8
Kolom pertama berisi periode peramalan, yaitu periode bulan dimana terdapat 12 bulan yaitu dari bulan
januari hingga desember. Kolom kedua adalah nilai hasil peramalan yang telah dicari pada tahap sebelumnya.
Kolom ketiga merupakan nilai aktual atau nilai penjualan yang telah ditentukan pada awal peramalan. Kolom
keempat merupakan selisih antara nilai aktual dengan nilai peramalan. Kolom kelima merupakan hasil kumulatif
penjumlahan perhitungan error yang terletak pada kolom keempat. Kolom keenam merupakan nilai absolute
error, yang artinya nilai error yang negatif pada kolom empat diubah menjadi positif dan diletakkan di kolom
keenam. Kolom absolute error akan dicari nilai rata-ratanya dan dibandingkan dengan nilai MAD pada periode
terakhir. Nilai rata-rata dari kolom absolute error harus sama dengan nilai MAD pada periode terakhir agar
menunjukkan bahwa perhitungan yang dilakukan sudah benar. Nilai rata-rata dari kolom absolute error didapat
sebesar 4,917 sehingga dibulatkan menjadi 5. Nilai ini sudah sama dengan hasil MAD pada periode terakhir.
Kolom ketujuh merupakan nilai kumulatif dari kolom keeenam dan kolom kedelapan merupakan nilai MAD.
Nilai MAD diperoleh dari nilai kumulatifabsolute error dibagi dengan periode pada kolom pertama. Kolom
kesembilan merupakan nilai tracking signal yaitu nilai RSFE kumulatif dibagi dengan nilai MAD.
Langkah selanjutnya adalah membandingkan Nilai MAD pada metode weight moving average(WMA)
dengan metode-metode lainnya yaitu single exponential smoothing (SES) dan regresi linier. Nilaitracking
signal yang telah didapat selanjutnya dibuat dalam bentuk grafik. Grafik ini dibuat sehingga dapat lebih mudah
dalam pembacaannya dan grafik juga dapat memvisualisasikan penyimpangan nilai data terhadap nilai-nilai
peramalanya. Grafik tersebut dapat menghasilkan informasi mengenai ada atau tidaknya nilai yang keluar dari
BKA dan BKB. Nilai ketetapan yang diberikan pada BKA dan BKB dalam pembuatan grafik adalah BKA
sebesar 4 dan BKB sebesar -4. Gambar 15 merupakan grafik tracking signal metode regresi linier adalah
sebagai berikut.
peramalan lebih besar dari pada nilai penjualan aktual. Berdasarkan grafik tracking signalyang disajikan diatas,
nilai tracking signal menggunakan metode regresi linier berada diantara nilai positif error dan negative error.
Setelah didapatkan hasil peramalan dengan perhitungan manual dari metode regresi tersebut, maka
langkah selanjutnya melakukan pengolahan software untuk membandingkan hasil yang diperoleh dari
perhitungan manual dan software. Berikut adalah output pengolahan software POM-QM yang dapat dilihat pada
Gambar 12 sampai dengan Gambar 15 berikut.
Pengolahan perangkat lunak untuk peramalan penjualan lemari hijab dengan metode regresi linier
menggunakan perangkat lunak POM-QM. Hasil atau keluaran pertama untuk pengolahan perangkat
lunaktersebut dapat dilihat pada Gambar 12 berikut ini
Control Tracking Signal memberikan informasi yang lengkap mulai dari permintaan aktual,
peramalan, error, mencari nilai MAD, sampai dengan mencari track signal. Berikut ini merupakan
gambar 14 Output Tracking Signal.
Maret
April
Mei
Juni
Juli
Agustus
September
Oktober
November
Desember
626
628
630
632
633
635
637
639
641
642
629
634
626
633
644
634
632
633
645
639
3
6
-4
1
11
-1
-5
-6
4
-3
Total
17
3
10
5
10
12
4
1
10
7
95
Contoh perhitungan:
MR absolute(2) = |(Ft-1 At-1) (F1 A1)|
= |(623-625) (625-611)|
= 16
Berdasarkan hasil perhitungan maka metode peramalan yang terbaik adalah metode regresi linierdengan
peramalan jumlah penjualan aktual sebesar 644. Nilai MAD dari metode tersebut adalah sebesar5,009
dan berdasarkan tracking signal nilai peramalan pada metode tersebut tidak keluar dari batas kontrol.
Berdasarkan peta moving range (MR) dapat diketahui bahwa semua data masuk kedalam BKA dan BKB serta
MR absolute nya adalah sebesar 95.
Saran ditujukan untuk perbaikan penulisan selanjutnya. Saran dari penulis adalah agar lebih menggunakan
banyak refrensi sebagai tinjauan pustaka. Sebaiknya lebih memperhatikan perhitunganperamalan untuk ketida
metode yang digunakan, yitu WMA, SES, dan regresi linier. Penulisan juga harus dilakukan dengan ketelitian
yang tinggi untuk megurangi kesalahan.
DAFTAR PUSTAKA
[1]
[3]
[4]
Dengan kata lain, selain Statistical Process Control merupakan sebuah proses
yang digunakan untuk mengawasi standar, membuat pengukuran dan
mengambil tindakan perbaikan selagi sebuah produk atau jasa sedang
diproduksi. (Render dan Heizer, 2005, p286).
Persamaan dari beberapa ahli ada empat yaitu kumpulan, pengukuran, produksi
dan kualitas. Jadi, Statistical Process Control dapat disimpulkan sebagai
kumpulan dari metode-metode dan pengukuran untuk meningkatkan kualitas
yang lebih tinggi dari suatu produk maupun jasa yang diproduksinya guna
memenuhi kebutuhan pelanggan.
2. Data Variabel
Data variabel (Variables Data) merupakan data yang kuantitatif yang diukur
menggunakan alat pengukuran tertentu untuk keperluan pencatatan dan
analisis. Jika suatu catatan dibuat berdasarkan keadaan aktual, diukur secara
langsung, maka karakteristik kualitas yang diukur itu disebut sebagai variabel.
Contoh dari data variabel adalah : diameter pipa, ketebalan produk kayu lapis,
berat semen dalam kantong, banyaknya kertas setiap rim, konsentrasi elektrolit
dalam persen, dan lain-lain. Ukuran-ukuran berat, panjang, lebar, tinggi,
diameter, volume biasanya merupakan data variabel.
Diagram alir digunakan untuk membuat proses menjadi lebih mudah dilihat
berdasarkan urutan-urutan atau langkah-langkah dari proses itu, sehingga
bermanfaat bagi analisis dari proses terus-menerus (Vincent, 1998, p189).
Sedangkan menurut Vincent (1998, p53) Diagram Pareto adalah grafik batang
yang menunjukkan masalah berdasarkan urutan banyaknya kejadian.
a. Garis vertikal
Garis vertikal sebelah kiri : skala pada garis ini merupakan skala dari nol sampai
total keseluruhan dari variabel masalah yang terjadi (misalnya total kerusakan
produk).
Garis vertikal sebelah kanan : skala pada garis ini adalah skala dari 0% sampai
100%.
b. Garis Horizontal
Garis ini dibagi ke dalam banyaknya interval sesuai dengan banyaknya item
masalah yang diklasifikasikan.
Langkah 5 : Buatlah histogram pada diagram pareto.
Langkah 6 : Gambarkan kurva kumulatif serta cantumkan nilai-nilai kumulatif
(total kumulatif atau persen kumulatif) di sebelah kanan atas dari interval setiap
item masalah.
Langkah 7 : Memutuskan untuk mengambil tindakan perbaikan atas penyebab
utama dari masalah yang sedang terjadi itu.
Sedangkan, menurut Gasperz (1998, p47) check sheet atau lembar periksa
adalah suatu formulir dimana item-item yang akan diperiksa telah dicetak dalam
formulir itu, dengan maksud agar data dapat dikumpulkan secara mudah dan
ringkas. Dengan demikian, lembar periksa adalah catatan yang sederhana dan
teratur dalam pengumpulan dan pencatatan data sehingga memudahkan dalam
mengontrol proses dan pengambilan keputusan.
Sedangkan menurut Render dan Heizer (2005, p265) Diagram ini disebut juga
diagram tulang ikan (fishbone chart) dan berguna untuk memperlihatkan faktorfaktor utama yang berpengaruh pada kualitas dan mempunyai akibat pada
masalah yang kita pelajari. Selain itu, kita juga dapat melihat faktor-faktor yang
lebih terperinci yang berpengaruh dan mempunyai akibat pada faktor utama
tersebut yang dapat kita lihat pada panah-panah yang berbentuk tulang ikan.
Diagram sebab-akibat ini pertama kali dikembangkan pada tahun 1950 oleh
seorang pakar kualitas dari Jepang yaitu Dr. Kaoru Ishikawa yang menggunakan
uraian grafis dari unsur-unsur proses untuk menganalisa sumber-sumber
potensial dari penyimpangan proses.
Langkah 6 : Tentukan item-item yang penting dari setiap faktor dan tandailah
faktor-faktor penting tertentu yang kelihatannya memiliki pengaruh nyata
terhadap karakteristik kualitas.
Langkah 7 : Catatlah informasi yang perlu di dalam diagram sebab-akibat itu,
seperti : judul, nama produk, proses, kelompok, daftar partisipan, tanggal, dll.
Histogram merupakan suatu alat yang membantu kita untuk menemukan variasi.
Histogram merupakan suatu potret dari proses yang menunjukkan distribusi dari
pengukuran dan frekuensi dari setiap pengukuran itu. (Vincent, 1998, p69)
kualitas secara statistika atau tidak sehingga dapat memecahkan masalah dan
menghasilkan perbaikan kualitas. Peta kendali menunjukkan adanya perubahan
data dari waktu ke waktu, tetapi tidak menunjukkan penyebab penyimpangan
meskipun penyimpangan itu akan terlihat pada peta kendali.
Sepasang batas kontrol (Control Limits), dimana satu batas kontrol ,ditempatkan
di atas garis tengah yang dikenal sebagai batas kontrol atas (Upper Control
Limit/UCL) merupakan garis yang menunjukkan nilai rata-rata batas kendali
bagian atas. Sedangkan yang satu lagi ditempatkan di bawah garis tengah yang
dikenal sebagai batas kontrol bawah (Lower Control Limit/LCL) merupakan garis
yang menunjukkan nilai rata-rata batas kendali bagian bawah.
Dalam setiap peta kontrol, batas kontrol dapat dihitung dengan menggunakan
rumus :
UCL = (Nilai rata-rata) + 3 (Simpangan baku)
LCL = (Nilai rata-rata) - 3 (Simpangan baku)
Variabel disini maksudnya adalah jenis data yang memiliki ukuran dan besaran
tertentu, misalnya panjang, lama, berat, diameter, dll.
Terdapat dua jenis control chart untuk data variabel, yakni x-bar dan R atau S
Kedua control chart jenis x-bar dan R atau S fungsinya saling melengkapi guna
mencapai tujuan terkontrolnya suatu proses sehingga tidak bisa dipakai terpisah
kecuali untuk tujuan khusus tertentu.
Di satu sisi, yang digunakan sebelum x-bar yakni control chart R atau S
merapihkan interval variasi data kedalam interval yang terkontrol ( gambar a
menjadi gambar b, bentuk distribusi datanya menjadi kurva normal yang ideal )
Sedangkan pada sisi yang lain, control chart x-bar mengarahkan rata-rata data
hasil dari proses control chart R ke titik yang sebenarnya, mengikuti pola
distribusi normal (gambar c menjadi gambar d, kurva normal yang telah ideal
digeser posisinya ke dalam interval ideal dengan patokan nilai rata-rata data )
Sehingga jika hanya control chart R (atau S) atau x-bar saja yang dipakai, maka
sebenarnya data proses belum sepenuhnya terkontrol (gambar a dan c) sehingga
bisa saja terdapat kecacatan proses yang tidak terdeteksi.
ii. Melakukan pengambilan sampel sesuai dengan kaidah pada teknik sampling
survei untuk mengisi grup analisis.
ingat !! semua anggota grup analisis harus berjumlah sama, karena jika
jumlahnya berbeda maka kelak pada tahap pembuatan control chart akan
muncul masalah, yakni tidak pastinya Upper Control Limit (UCL) dan Lower
Control Limit (LCL).
Masing-masing sampel akan memiliki besar UCL dan LCL sendiri, sehingga sulit
untuk mengambil kesimpulan dengan dasar yang baku dan universal.
berikut adalah contoh control chart yang dibuat berdasarkan jumlah anggota
grup yang saling berbeda :
Rata-rata dari rata-rata (grand average, symbol x dengan dua garis diatasnya)
R-bar atau Rata-rata dari range (R) grup-grup analisis ( jika anggota grup
analisis dibawah 20 unit )
Range didapat dari selisih antara angka terbesar dengan angka terkecil dalam
grup
S-bar atau Rata-rata dari simpangan baku (S) grup-grup analisis ( jika anggota
grup analisis diatas 19 unit ), rumus dari simpangan baku adalah :
Dimana A2, A3, B3, B4, D3, D4 bisa dilihat besarnya pada tabel ini : (click on me
to download)
Masukan grup-grup data ke dalam control chart yang telah memiliki control limit
dan specification limit.
Periksa grup jika ada yang memenuhi kriteria dalam sensitizing rule ( click on me
to download ), khusus untuk grup yang berada di luar control limit, maka
dilakukan penghitungan ulang control chart dengan grup yang berada diluar
batas tersebut dihilangkan dari penghitungan control limit, dan jika penyebab
dari keluarnya grup tersebut dari control chart :
Diketahui dan bisa dikendalikan, maka grup tersebut tidak dimasukan pada
gambar dan perhitungan revisi control chart selanjutnya
Tidak diketahui atau tidak bisa dikendalikan, maka grup tersebut tetap
dimasukan pada gambar control chart (sebagai rekam kontrol) tetapi tidak
dimasukan pada perhitungan control chart baru tersebut
Hey!! Urusan control chart ini tidak hanya berhenti sampai pembuatan chartnya,
tetapi juga diaplikasikan pada keadaaan di lapangan, misal bila terdapat grup
yang memenuhi kriteria dalam sensitizing rule maka dilakukan pemeriksaan,
evaluasi, dan perbaikan di lapangan sehingga penyebab rusak / defectnya grup
tersebut dapat diperbaiki. Setelah kegiatan evaluasi lapangan beres lalu
dilakukan pembuatan control chart baru.
Karena apabila kita memperbesar nilai sigma, maka besar rentang dalam control
chart akan semakin lebar sehingga semakin detail memperlihatkan cacat yang
terjadi. nah, cacat-cacat yang terlihat itulah yang lalu diperbaiki sehingga
banyak cacat dapat diusahakan mendekati nol.
Agar lebih jelas, lihat perbandingan antara besar sigma dengan banyak cacat per
sejuta (DPMO) berikut :
Sumber :
index, hal ini akan membantu kita dalam memfokuskan pada target value, target
value yaitu value yang paling diinginkan pelanggan. Meskipun output 100%
berada di dalam spesifikasi limit, bisa jadi pelanggan tidak puas dan
memungkinkan hilangnya bisnis.
5. Pareto Diagram
6. Cause-and-Effect Diagram
7. Control Chart
Dan dalam hal ini pembahasan akan dikonsentrasikan pada Control Chart (Peta
kendali). Control Chart ialah suatu Quality Tool yang dapat digunakan untuk
mendeteksi apakah sebuah proses tersebut dalam kondisi terkontrol secara
statistik (statistically stable) ataukah tidak. Proses yang tidak dalam kondisi
terkontrol secara statistik akan menunjukan suatu variasi yang berlebih
sebanding dengan perubahan waktu.
Control Chart membedakan antara Common Cause dan Special Cause. Common
Cause ialah Penyebab yang agak susah untuk bisa dihilangkan (Natural variation)
sedang Special Cause ialah Penyebab yang masih mungkin bisa dihilangkan,
misalnya : Kesalahan Operator, materialnya retak dan kotor, Operator masih
baru, tidak ada Standard Operasional Procedure untuk menjalankan suatu mesin
produksi, dll.
Manfaat Control Chart
1. Mengetahui perubahan-perubahan yang terjadi selama satu periode produksi.
2. Memberikan informasi proses secara kronologis, yakni menunjukkan
bagaimana pengaruh berbagai faktor, misalnya : material, manusia, metode, dll.
terhadap proses produksi.
3. Mengidentifikasi gejala penyimpangan suatu proses yakni dengan
memperhatikan pola atas pergerakan titik-titik sehingga dapat dihindari Over
Control yaitu pengontrolan terlalu ketat sehingga dapat menurunkan efisiensi
maupun Under Control yaitu pengontrolan terlalu longgar sehingga dapat
menurunkan mutu.
8 Kategori adanya pola yang Out of Control pada special Cause yang
menunjukan bahwa proses belum stabil secara statistik (Uncontrolled)
a. Dua titik berada lebih dari 3 sigma dari garis tengah.b. Sembilan titik berada
pada lajur baris yang sama dari center line.c. Enam titik pada gambar
kecenderungannya semuanya naik atau turun.
d. Keempat belas titik yang terdapat pada gambar naik dan turun.
e. Titik-titik yang dilingkari berada lebih dari 2 sigma pada CL. f. Titik-titik yang
dilingkari melebihi 1 sigma dari CL.
g. Kelima belas titik berada pada batas 1 sigma dari CL.
h. Kedelapan titik yang dilingkari melebihi 1 sigma dari CL..Jenis Control Chart
Sebagaimana telah disinggung pada pembahasan diatas bahwa pada dasarnya
data diklasifikasikan menjadi 2, yakni : Data attribute dan data variable,
sehingga dengan demikian jenis-jenis Control Chart terbagi atas :
1. Variable Control Chart, yaitu suatu jenis Control Chart dimana data yang
dikumpulkan dan akan dianalisa merupakan data-data variable, misalnya : X-R
Bar Chart dan X-S Bar Chart.
2. Attribute Control Chart, yaitu suatu jenis Control Chart dimana data yang
dikumpulkan dan akan dianalisa merupakan data-data attribute, misalnya : pchart
Contoh Langkah kerja pada penggunaan X-R Bar Control Chart
X-R Bar Control Chart merupakan salah satu variable Control Chart dimana data
yang dikumpulkan dalam setiap pengamatan berbentuk sub-group yang
besarnya sekitar 2 hingga 9 sampel.
Koreksi dalam menentukan frekwensi dan besarnya sample, jika ditemui kondisi
sebagai berikut :
a. Sample size terlalu kecil
Jika Control Chart tidak bisa cepat mendeteksi perubahan ekonomis penting.
b. Sample Size terlalu besar
Jika Control Chart Out of Control untuk perubahan yang tidak bernilai
ekonomis.
c. Frekwensi Penyampelan terlalu sering
Jika sampling and plotting cost melebihi keuntungan ekonomis yang diperoleh
dari proses control tersebut.
d. Frekwensi penyampelan terlalu jarang
Jika Economic loss lebih tinggi biayanya dibandingkan dengan waktu tambahan.
Langkah-langkah Kerja :
1. Tentukan tujuan dari penelitian.
2. Buatlah Blue Print (Rancangan-rancangan) sistematis dari penelitian yang
akan dilakukan.
3. Buatlah lembar data (Check Sheet) dengan menentukan : jenis data yang
dibutuhkan, Critical parameter yang akan dikontrol, besar sample (sub group),
frekuensi pengambilan sampel, dll.
4. Lakukan pengumpulan data.
5. Buatlah Control Chart. Hal ini dapat dilakukan dengan bantuan software
(MINITAB) maupun secara konvensional dengan rumus sebagaimana telah
dibahas dimuka.
6. Perlu diperhatikan bahwa Control Chart yang dibuat pertama kali merupakan
Control Chart percobaan.
7. Periksa apakah ada titik-titik yang Out of Control ataukah tidak dengan
menggunaikan kaidah pengujian 8 titik Out of Control sebagimana telah
dikemukakan diatas. Jika terdapat titik yang Out of Control maka Control Chart
harus diperbaiki (revisi)
8. Merperbaiki (revisi) Control Chart dengan membuang data-data yang Out of
Control (tidak stabil), kemudian hitung kembali dan tampilkan dalam Control
Chart. Perlu diingat bahwa pembuangan data-data yang Out of Control harus
disertai dengan penjelasan logis 5W+1H dan dilengkapi dengan Corrective
Action. Setelah dianggap jelas (close) maka data-data yang Out of Control dapat
dibuang.
9. Ulangi proses 5 ~ 8 dan hingga seluruh titik berada dalam Chart serta dalam
keadaan In Control. Perlu diperhatikan juga bahwa dalam pembentukkan Control
Chart ini dalam satu periode proses pengambilan data harus diperhatikan dalam
keadaan normal serta tidak mengalami perubahan proses kerja yang signifikan
(perubahan material, mesin, sistem kerja, dll.
10. Jika telah tercapai, maka garis kendali yang diperoleh dapat digunakan untuk
mengontrol proses pada periode berikutnya.
11. Menerapkan pengontrolan proses. Sebagai informasi tambahan saja bahwa
seiring dengan mobilitas produksi yang tinggi maka alangkah baiknya jika dalam
aktual penerapan pengontrolan proses itu menggunakan bantuan software
(misal : MINITAB). Hal ini bertujuan jika terjadi Out of Control (abnormality) akan
segera ketahuan dan terdeteksi.
CONTROL CHART
0
21.33 | Posted in control chart
Control Chart pertama kali diperkenalkan oleh Dr. A.W. Shewhart di Bell
Telephone Laboratories pada tahun 1924.
Apabila suatu barang atau jasa diproduksi, hasilnya akan tidak persis 100 %
sama, hanya similar tetapi tidak identik, hal ini dikarenakan adanya variasi.
Variasi merupakan hal yang normal dan wajar, namun Shewhart menganggap
variabilitas terdiri atas sesuatu yang dapat dikontrol (variasi terkontrol) dan
sesuatu yang tak terkontrol (variasi tak terkontrol).
Variasi terkontrol :
Yaitu variasi karena sebab-sebab umum (common cause), yang terjadi secara
alamiah merupakan hal yang bisa diprediksi dan bersifat stabil. Shewhart
awalnya menyebut hal ini sebagai chance cause.
Control Chart / Bagan Kendali : Merupakan bagan yang terdiri atas garis UCL
(Upper Control Limit) dan LCL (Lower Control Limit) sebagai batas pengendalian
proses produksi dan memberikan sinyal apabila ada ketidaknormalan proses.
Besar Subgroup :
Memperhatikan faktor : Biaya, tingkat produksi, sensitifitas pendeteksian
Jumlah Subgroup :
Minimal 25 sub group yang berisi sekitar 100 data adalah cukup untuk mengukur
kestabilan proses dan supaya special causes mempunyai kesempatan untuk
muncul.
Batas Pengendali :
Batas pengendali 3 sigma --> 0.0027 peluang salah signal.
Kondisi Ideal:
ukuran subgroup besar sesering mungkin
2.XBar-R Chart :
Digunakan :
a.Untuk data variabel
b.Jumlah sampel (n) per subgrup 2 9
c.Jika rata rata mudah dihitung
Defect / kecacatan menunjukkan jenis cacat yang terjadi misal buram, kotor,
meler, tipis, gores untuk painting, sehingga untuk sample 1 part bisa terdiri atas
lebih dari 1 defect/kecacatan.
Digunakan :
a.Untuk data attribut
b.Menggunakan prinsip Poisson
c.C chart untuk sample (n) = c (konstan).
d.U chart utk sample (n) tidak kontan.