DISTRIBUSI PROBABILITAS

Penjelasan 3 SIGMA & 6 SIGMA Penggunaan Z SCORE & T-SCORE

Pengertian 3 Sigma dan 6 Sigma dalam Distribusi Probabilitas

Apa Itu Sigma?

Sigma (σ) adalah ukuran statistik untuk melihat seberapa jauh suatu data menyimpang dari rata-rata (μ). Dalam distribusi normal, sebagian besar data terkonsentrasi di sekitar rata-rata, dan semakin jauh dari rata-rata, semakin jarang nilai tersebut muncul. Semakin kecil sigma, semakin seragam datanya.

3 Sigma: Standar dengan Sedikit Kesalahan

Pendekatan 3 Sigma berarti 99,73% data berada dalam tiga kali standar deviasi dari rata-rata, dengan 0,27% kemungkinan kesalahan. Dalam produksi 1 juta barang, sekitar 2.700 barang cacat.

Aplikasi 3 Sigma:

Produk konsumsi seperti pakaian atau botol minuman.
Proses produksi standar di pabrik.
Analisis keuangan atau bisnis dengan toleransi variasi.

Namun, 3 Sigma tidak cocok untuk industri presisi tinggi karena masih ada kemungkinan kesalahan signifikan.

6 Sigma: Standar Ketat untuk Kesalahan Minimal

Pendekatan 6 Sigma berarti 99,99966% data berada dalam enam kali standar deviasi dari rata-rata, dengan hanya 3,4 kesalahan per 1 juta produk.

Aplikasi 6 Sigma:

Pembuatan komponen pesawat → Kesalahan kecil bisa fatal.
Industri medis dan farmasi → Dosis harus akurat.
Otomotif dan elektronik → Kesalahan minimal untuk performa optimal.

Karena ketepatannya, perusahaan besar seperti Motorola, Toyota, dan General Electric menerapkan metode ini untuk meningkatkan kualitas.

Perbandingan 3 Sigma vs 6 Sigma

Tingkat Sigma	Produk Benar (%)	Produk Cacat per 1 Juta	Digunakan untuk
3 Sigma	99,73%	2.700	Produk konsumsi, industri umum
6 Sigma	99,99966%	3,4	Pesawat, medis, otomotif

visualisasi distribusi normal dengan area 1 Sigma, 2 Sigma, dan 3 Sigma

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Kesimpulan

3 Sigma cukup untuk industri dengan toleransi variasi.
6 Sigma penting jika kesalahan kecil pun berdampak besar.
Pilihan tergantung pada kebutuhan presisi dalam industri.

Penggunaan Z-Score dan T-Score dalam Statistik

Apa Itu Z-Score?

Z-score menunjukkan seberapa jauh suatu data dari rata-rata dalam satuan standar deviasi.

Rumus Z-Score:

\[ Z = \frac{X - \mu}{\sigma} \]

Z positif → Data di atas rata-rata.
Z negatif → Data di bawah rata-rata.
Z = 0 → Data sama dengan rata-rata.

Kapan Menggunakan Z-Score?

Jika ukuran sampel besar (>30 data).
Jika standar deviasi populasi diketahui.
Untuk deteksi outlier dan analisis probabilitas.

Contoh: Jika rata-rata nilai ujian 75 dengan standar deviasi 10, dan seorang siswa mendapat 85:
\[ Z = \frac{85 - 75}{10} = 1 \]
Artinya, skor berada satu standar deviasi di atas rata-rata.

Apa Itu T-Score?

T-score digunakan untuk pengujian hipotesis saat standar deviasi populasi tidak diketahui atau sampel kecil (<30).

Rumus T-Score:

\[ T = \frac{X - \bar{X}}{s / \sqrt{n}} \]

T-score menggunakan distribusi t-Student, yang lebih sesuai untuk sampel kecil.

Kapan Menggunakan T-Score?

Jika ukuran sampel kecil (<30 data).
Jika standar deviasi populasi tidak diketahui.
Untuk uji-t dalam pengujian hipotesis.

Contoh: Seorang peneliti membandingkan nilai matematika kelas A (20 siswa) dengan rata-rata populasi. Karena jumlah sampel kecil dan standar deviasi populasi tidak diketahui, digunakan uji-t.

Perbedaan Utama Z-Score vs T-Score

Perbedaan	Z-Score	T-Score
Ukuran Sampel	Besar (>30)	Kecil (<30)
Standar Deviasi Populasi	Diketahui	Tidak diketahui
Distribusi	Normal	t-Student
Tujuan	Deteksi outlier, analisis probabilitas	Uji hipotesis, perbandingan rata-rata

Kesimpulan

Gunakan Z-score untuk sampel besar dengan standar deviasi diketahui.
Gunakan T-score untuk sampel kecil atau jika standar deviasi tidak diketahui.
Z-score cocok untuk analisis probabilitas, sedangkan T-score lebih umum dalam pengujian hipotesis.

Dengan memahami perbedaan Z-score dan T-score, kita dapat melakukan analisis statistik yang lebih tepat untuk penelitian dan industri.

Kasus Nyata: Implementasi 6 Sigma dan Analisis Statistik dengan Z-Score/T-Score

Di bawah ini adalah beberapa contoh penerapan 6 Sigma serta analisis statistik (Z-Score & T-Score) dalam dunia industri yang membantu meningkatkan kualitas serta pengambilan keputusan berbasis data.

1. Implementasi 6 Sigma di General Electric (GE)

Studi Kasus: Mengurangi Tingkat Cacat dalam Produksi Mesin Turbin

Latar Belakang:

General Electric (GE) adalah salah satu perusahaan yang pertama kali menerapkan Six Sigma dalam skala besar guna meningkatkan efisiensi produksi serta mengurangi kesalahan dalam pembuatan produknya.

Tantangan yang Dihadapi:

Tingkat cacat dalam produksi mesin turbin mencapai 4.000 unit per 1 juta produk, yang masih dalam kategori 3 Sigma.
Kesalahan sekecil apa pun dalam komponen turbin dapat berdampak serius terhadap keamanan penerbangan.
GE ingin menurunkan jumlah produk cacat hingga mencapai standar 6 Sigma, yakni hanya 3,4 cacat per 1 juta unit.

Strategi dengan 6 Sigma:

Define (D): Menentukan faktor utama yang menyebabkan kecacatan dalam produksi.
Measure (M): Mengumpulkan data dan menganalisis seberapa sering cacat terjadi.
Analyze (A): Menggunakan metode statistik (termasuk Z-Score dan T-Score) untuk mengidentifikasi faktor yang paling berpengaruh terhadap kualitas.
Improve (I): Melakukan perbaikan dalam proses produksi untuk mengurangi cacat.
Control (C): Menerapkan sistem pengawasan ketat agar standar 6 Sigma tetap terjaga.

Hasil yang Diperoleh:

jumlah produk cacat berkurang dari 4.000 unit per juta menjadi kurang dari 10 unit per juta.
Efektivitas produksi meningkat, biaya operasional berkurang, dan keandalan mesin semakin tinggi.
GE berhasil menghemat miliaran dolar dengan meningkatkan kualitas serta efisiensi produksinya.

2. Penggunaan Z-Score dalam Industri Keuangan

Studi Kasus: Identifikasi Transaksi Mencurigakan di Perbankan

Latar Belakang:

Perusahaan keuangan dan bank sering menggunakan Z-Score untuk mendeteksi transaksi yang dianggap tidak wajar, seperti indikasi fraud atau pencucian uang.

Tantangan yang Dihadapi:

Bank ingin mengidentifikasi transaksi yang tidak biasa dan berpotensi sebagai aktivitas mencurigakan.
Sebagian besar transaksi berkisar antara $100 hingga $2.000, dengan rata-rata $1.000 dan standar deviasi $300.
Beberapa transaksi bernilai $10.000 atau lebih, yang kemungkinan merupakan transaksi anomali.

Analisis Menggunakan Z-Score:

Dengan menerapkan rumus Z-Score:

\[ Z = \frac{X - \mu}{\sigma} \]

Jika terdapat transaksi sebesar $10.000, maka:

\[ Z = \frac{10.000 - 1.000}{300} = \frac{9.000}{300} = 30 \]

Karena Z-Score = 30 jauh di luar batas normal ±3, transaksi ini dikategorikan sebagai anomali dan perlu dipantau lebih lanjut.

Dampak Positifnya:

Bank dapat secara otomatis mendeteksi dan menandai transaksi yang mencurigakan untuk diperiksa lebih lanjut.
Risiko terkait penipuan serta aktivitas pencucian uang dapat diminimalkan.

3. Penerapan T-Score dalam Industri Farmasi

Studi Kasus: Evaluasi Efektivitas Obat Baru

Latar Belakang:

Sebuah perusahaan farmasi ingin membandingkan efektivitas obat baru dalam menurunkan tekanan darah dengan obat yang sudah tersedia di pasaran.

Metode yang Digunakan:

Dua kelompok pasien: satu diberikan obat baru, sementara yang lain menerima obat standar.
Jumlah sampel terbatas: hanya 25 pasien per kelompok karena ini merupakan tahap awal uji klinis.
Karena standar deviasi populasi tidak diketahui, analisis dilakukan menggunakan T-Test untuk membandingkan rata-rata tekanan darah pasca pengobatan.

Pengolahan Data dengan T-Score:

Menggunakan rumus T-Score:

\[ T = \frac{X - \bar{X}}{s / \sqrt{n}} \]

Apabila hasil pengujian menunjukkan bahwa perbedaan rata-rata tekanan darah antara kedua kelompok signifikan secara statistik (p < 0,05), maka:

Obat baru dianggap memiliki efektivitas yang lebih baik dibandingkan obat standar.
Perusahaan dapat melanjutkan ke tahap uji klinis yang lebih besar sebelum mendapatkan persetujuan regulasi.

Kesimpulan

Metode	Studi Kasus	Manfaat
6 Sigma	GE – Pengurangan cacat dalam produksi turbin pesawat	Meningkatkan kualitas, mengurangi cacat, serta menekan biaya produksi
Z-Score	Perbankan – Deteksi transaksi anomali	Mengidentifikasi aktivitas mencurigakan dan mengurangi risiko penipuan
T-Score	Farmasi – Uji efektivitas obat baru	Mengukur perbedaan signifikan antara dua kelompok untuk menentukan efektivitas obat

Pendekatan ini telah terbukti efektif dalam berbagai industri untuk meningkatkan mutu, mengoptimalkan proses, serta memastikan keandalan keputusan berbasis data.

Referensi

MySkill Blog. (2025, February 18). Memahami Z-Score: Alat Statistik Penting dalam Analisis Data. MySkill Blog. https://blog.myskill.id/istilah-dan-tutorial/memahami-z-score-alat-statistik-penting-dalam-analisis-data/#utm_source=chatgpt.com

Indeed. (n.d.). Three Sigma vs. Six Sigma: Differences, Similarities, and Examples. Indeed. Retrieved February 18, 2025, from https://www.indeed.com/career-advice/career-development/3-sigma-vs-6-sigma?utm_source=chatgpt.com

Indeed. (n.d.). 3 Sigma vs. 6 Sigma: Differences, Similarities, and Examples. Indeed. Retrieved February 18, 2025, from https://ca.indeed.com/career-advice/career-development/3-sigma?utm_source=chatgpt.com

6Sigma.us. (n.d.). Six Sigma Case Study: General Electric. Diakses pada 27 Februari 2025, dari https://www.6sigma.us/ge/six-sigma-case-study-general-electric/

Universitas Gadjah Mada. (n.d.). Penggunaan Altman Z-Score Model: Apakah Masih Relevan? Diakses pada 27 Februari 2025, dari https://etd.repository.ugm.ac.id/penelitian/detail/227694

---
title: "DISTRIBUSI PROBABILITAS"

subtitle: "Penjelasan 3 SIGMA & 6 SIGMA 
Penggunaan Z SCORE & T-SCORE"

author: 
  - " Fika Irsandi Desvyanti (522400013)"
  
date:  "`r format(Sys.Date(), '%B %d, %Y')`"
output:
  rmdformats::readthedown:
    self_contained: true
    thumbnails: true
    lightbox: true
    gallery: true
    lib_dir: libs
    df_print: "paged"
    code_folding: "show"   
    code_download: yes
    css: "Style.css"
    
---

 <img id="logo-utama" src="Fikaaa.jpg" alt="Fikaaa.jpg" style="width:200px; display: block; margin: auto;">

---

# **Pengertian 3 Sigma dan 6 Sigma dalam Distribusi Probabilitas**

## **Apa Itu Sigma?**  
Sigma (**σ**) adalah ukuran statistik untuk melihat seberapa jauh suatu data menyimpang dari rata-rata (**μ**). Dalam distribusi normal, sebagian besar data terkonsentrasi di sekitar rata-rata, dan semakin jauh dari rata-rata, semakin jarang nilai tersebut muncul. **Semakin kecil sigma, semakin seragam datanya**.

---

## **3 Sigma: Standar dengan Sedikit Kesalahan**  
Pendekatan **3 Sigma** berarti **99,73% data berada dalam tiga kali standar deviasi dari rata-rata**, dengan **0,27% kemungkinan kesalahan**. Dalam produksi 1 juta barang, sekitar **2.700 barang cacat**.

### **Aplikasi 3 Sigma:**

- Produk konsumsi seperti pakaian atau botol minuman.

- Proses produksi standar di pabrik.

- Analisis keuangan atau bisnis dengan toleransi variasi.

Namun, **3 Sigma tidak cocok untuk industri presisi tinggi** karena masih ada kemungkinan kesalahan signifikan.

---

## **6 Sigma: Standar Ketat untuk Kesalahan Minimal**  
Pendekatan **6 Sigma** berarti **99,99966% data berada dalam enam kali standar deviasi dari rata-rata**, dengan **hanya 3,4 kesalahan per 1 juta produk**.

### **Aplikasi 6 Sigma:**

- **Pembuatan komponen pesawat** → Kesalahan kecil bisa fatal.

- **Industri medis dan farmasi** → Dosis harus akurat.

- **Otomotif dan elektronik** → Kesalahan minimal untuk performa optimal.

Karena ketepatannya, perusahaan besar seperti **Motorola, Toyota, dan General Electric** menerapkan metode ini untuk meningkatkan kualitas.

---

## **Perbandingan 3 Sigma vs 6 Sigma**

| **Tingkat Sigma** | **Produk Benar (%)** | **Produk Cacat per 1 Juta** | **Digunakan untuk** |
|-----------------|-----------------|--------------------|---------------------------|
| **3 Sigma**    | 99,73%          | 2.700              | Produk konsumsi, industri umum |
| **6 Sigma**    | 99,99966%       | 3,4                | Pesawat, medis, otomotif |

---


## visualisasi distribusi normal dengan area 1 Sigma, 2 Sigma, dan 3 Sigma

```{r echo=FALSE, message=FALSE}
# Memuat library yang diperlukan
library(ggplot2)

# Membuat data distribusi normal
mu <- 0       # Mean
sigma <- 1    # Standar deviasi
x <- seq(mu - 4*sigma, mu + 4*sigma, length.out = 1000)  # Rentang nilai x
y <- dnorm(x, mean = mu, sd = sigma)  # Fungsi distribusi probabilitas

# Membuat data frame
data <- data.frame(x, y)

# Plot distribusi normal dengan area sigma
ggplot(data, aes(x, y)) +
  geom_line(color = "blue", size = 1) +  # Kurva distribusi normal
  geom_area(data = subset(data, x >= mu - 1*sigma & x <= mu + 1*sigma), fill = "green", alpha = 0.3) +
  geom_area(data = subset(data, x >= mu - 2*sigma & x <= mu + 2*sigma), fill = "yellow", alpha = 0.3) +
  geom_area(data = subset(data, x >= mu - 3*sigma & x <= mu + 3*sigma), fill = "red", alpha = 0.3) +
  geom_vline(xintercept = c(mu - 1*sigma, mu + 1*sigma), linetype = "dashed", color = "black") +
  geom_vline(xintercept = c(mu - 2*sigma, mu + 2*sigma), linetype = "dashed", color = "black") +
  geom_vline(xintercept = c(mu - 3*sigma, mu + 3*sigma), linetype = "dashed", color = "black") +
  labs(title = "Distribusi Normal dengan Area 1, 2, dan 3 Sigma",
       x = "Nilai",
       y = "Probabilitas") +
  theme_minimal()

```


## **Kesimpulan**  

- **3 Sigma cukup untuk industri dengan toleransi variasi**.

- **6 Sigma penting jika kesalahan kecil pun berdampak besar**.

- **Pilihan tergantung pada kebutuhan presisi dalam industri**.

---

# **Penggunaan Z-Score dan T-Score dalam Statistik**

## **Apa Itu Z-Score?**  
**Z-score** menunjukkan seberapa jauh suatu data dari rata-rata dalam satuan standar deviasi.

### **Rumus Z-Score:**  
\[ Z = \frac{X - \mu}{\sigma} \]  


- **Z positif** → Data di atas rata-rata.

- **Z negatif** → Data di bawah rata-rata.

- **Z = 0** → Data sama dengan rata-rata.

### **Kapan Menggunakan Z-Score?**  

- **Jika ukuran sampel besar (>30 data).**

- **Jika standar deviasi populasi diketahui.**

- **Untuk deteksi outlier dan analisis probabilitas.**

Contoh: Jika rata-rata nilai ujian **75** dengan standar deviasi **10**, dan seorang siswa mendapat **85**:  
\[ Z = \frac{85 - 75}{10} = 1 \]  
Artinya, skor berada satu standar deviasi di atas rata-rata.

---

## **Apa Itu T-Score?**  
**T-score** digunakan untuk **pengujian hipotesis** saat **standar deviasi populasi tidak diketahui** atau **sampel kecil (<30)**.

### **Rumus T-Score:**  
\[ T = \frac{X - \bar{X}}{s / \sqrt{n}} \]  

T-score menggunakan distribusi **t-Student**, yang lebih sesuai untuk sampel kecil.

### **Kapan Menggunakan T-Score?**  

- **Jika ukuran sampel kecil (<30 data).**

- **Jika standar deviasi populasi tidak diketahui.**

- **Untuk uji-t dalam pengujian hipotesis.**

Contoh: Seorang peneliti membandingkan nilai matematika kelas A (20 siswa) dengan rata-rata populasi. Karena jumlah sampel kecil dan standar deviasi populasi tidak diketahui, digunakan **uji-t**.

---

## **Perbedaan Utama Z-Score vs T-Score**

| **Perbedaan** | **Z-Score** | **T-Score** |
|--------------|------------|------------|
| **Ukuran Sampel** | Besar (>30) | Kecil (<30) |
| **Standar Deviasi Populasi** | Diketahui | Tidak diketahui |
| **Distribusi** | Normal | t-Student |
| **Tujuan** | Deteksi outlier, analisis probabilitas | Uji hipotesis, perbandingan rata-rata |

---

## **Kesimpulan**

- **Gunakan Z-score untuk sampel besar dengan standar deviasi diketahui.**

- **Gunakan T-score untuk sampel kecil atau jika standar deviasi tidak diketahui.**

- **Z-score cocok untuk analisis probabilitas, sedangkan T-score lebih umum dalam pengujian hipotesis.**

Dengan memahami perbedaan Z-score dan T-score, kita dapat melakukan analisis statistik yang lebih tepat untuk penelitian dan industri.


# **Kasus Nyata: Implementasi 6 Sigma dan Analisis Statistik dengan Z-Score/T-Score**  

Di bawah ini adalah beberapa contoh penerapan **6 Sigma** serta **analisis statistik (Z-Score & T-Score)** dalam dunia industri yang membantu meningkatkan kualitas serta pengambilan keputusan berbasis data.  

---

## **1. Implementasi 6 Sigma di General Electric (GE)**
### **Studi Kasus: Mengurangi Tingkat Cacat dalam Produksi Mesin Turbin**  
#### **Latar Belakang:**  
General Electric (GE) adalah salah satu perusahaan yang pertama kali menerapkan **Six Sigma** dalam skala besar guna meningkatkan efisiensi produksi serta mengurangi kesalahan dalam pembuatan produknya.  

#### **Tantangan yang Dihadapi:**  
- Tingkat cacat dalam produksi mesin turbin mencapai **4.000 unit per 1 juta produk**, yang masih dalam kategori **3 Sigma**.  
- Kesalahan sekecil apa pun dalam komponen turbin dapat berdampak serius terhadap keamanan penerbangan.  
- GE ingin menurunkan jumlah produk cacat hingga mencapai standar **6 Sigma**, yakni hanya **3,4 cacat per 1 juta unit**.  

#### **Strategi dengan 6 Sigma:**  
1. **Define (D):** Menentukan faktor utama yang menyebabkan kecacatan dalam produksi.  
2. **Measure (M):** Mengumpulkan data dan menganalisis seberapa sering cacat terjadi.  
3. **Analyze (A):** Menggunakan metode statistik (termasuk Z-Score dan T-Score) untuk mengidentifikasi faktor yang paling berpengaruh terhadap kualitas.  
4. **Improve (I):** Melakukan perbaikan dalam proses produksi untuk mengurangi cacat.  
5. **Control (C):** Menerapkan sistem pengawasan ketat agar standar **6 Sigma** tetap terjaga.  

#### **Hasil yang Diperoleh:**  

- jumlah produk cacat berkurang dari **4.000 unit per juta** menjadi **kurang dari 10 unit per juta**.  

- Efektivitas produksi meningkat, biaya operasional berkurang, dan keandalan mesin semakin tinggi.  

- GE berhasil menghemat miliaran dolar dengan meningkatkan kualitas serta efisiensi produksinya.  

---

## **2. Penggunaan Z-Score dalam Industri Keuangan**  

### **Studi Kasus: Identifikasi Transaksi Mencurigakan di Perbankan**  

#### **Latar Belakang:**  
Perusahaan keuangan dan bank sering menggunakan **Z-Score** untuk mendeteksi transaksi yang dianggap tidak wajar, seperti indikasi **fraud** atau **pencucian uang**.  

#### **Tantangan yang Dihadapi:**  

- Bank ingin mengidentifikasi transaksi yang tidak biasa dan berpotensi sebagai aktivitas mencurigakan.  

- Sebagian besar transaksi berkisar antara **$100 hingga $2.000**, dengan rata-rata **$1.000** dan standar deviasi **$300**.  

- Beberapa transaksi bernilai **$10.000 atau lebih**, yang kemungkinan merupakan transaksi anomali.  

#### **Analisis Menggunakan Z-Score:**  
Dengan menerapkan rumus Z-Score:  

\[
Z = \frac{X - \mu}{\sigma}
\]

Jika terdapat transaksi sebesar **$10.000**, maka:  

\[
Z = \frac{10.000 - 1.000}{300} = \frac{9.000}{300} = 30
\]

Karena **Z-Score = 30** jauh di luar batas normal **±3**, transaksi ini dikategorikan sebagai **anomali** dan perlu dipantau lebih lanjut.  

#### **Dampak Positifnya:**  

- Bank dapat secara otomatis mendeteksi dan menandai transaksi yang mencurigakan untuk diperiksa lebih lanjut.  

- Risiko terkait penipuan serta aktivitas pencucian uang dapat diminimalkan.  

---

## **3. Penerapan T-Score dalam Industri Farmasi**  
### **Studi Kasus: Evaluasi Efektivitas Obat Baru**  
#### **Latar Belakang:**  
Sebuah perusahaan farmasi ingin membandingkan efektivitas obat baru dalam menurunkan tekanan darah dengan obat yang sudah tersedia di pasaran.  

#### **Metode yang Digunakan:**  

- **Dua kelompok pasien**: satu diberikan obat baru, sementara yang lain menerima obat standar.  

- **Jumlah sampel terbatas**: hanya **25 pasien per kelompok** karena ini merupakan tahap awal uji klinis.  

- **Karena standar deviasi populasi tidak diketahui**, analisis dilakukan menggunakan **T-Test** untuk membandingkan rata-rata tekanan darah pasca pengobatan.  

#### **Pengolahan Data dengan T-Score:**  
Menggunakan rumus T-Score:  

\[
T = \frac{X - \bar{X}}{s / \sqrt{n}}
\]

Apabila hasil pengujian menunjukkan bahwa perbedaan rata-rata tekanan darah antara kedua kelompok **signifikan secara statistik (p < 0,05)**, maka:  

- Obat baru dianggap memiliki efektivitas yang lebih baik dibandingkan obat standar.  
- Perusahaan dapat melanjutkan ke tahap uji klinis yang lebih besar sebelum mendapatkan persetujuan regulasi.  

---

## **Kesimpulan**  
| **Metode**  | **Studi Kasus** | **Manfaat** |
|------------|-----------------|-------------|
| **6 Sigma** | GE – Pengurangan cacat dalam produksi turbin pesawat | Meningkatkan kualitas, mengurangi cacat, serta menekan biaya produksi |
| **Z-Score** | Perbankan – Deteksi transaksi anomali | Mengidentifikasi aktivitas mencurigakan dan mengurangi risiko penipuan |
| **T-Score** | Farmasi – Uji efektivitas obat baru | Mengukur perbedaan signifikan antara dua kelompok untuk menentukan efektivitas obat |

Pendekatan ini telah terbukti efektif dalam berbagai industri untuk meningkatkan mutu, mengoptimalkan proses, serta memastikan keandalan keputusan berbasis data. 

# Referensi

MySkill Blog. (2025, February 18). Memahami Z-Score: Alat Statistik Penting dalam Analisis Data. *MySkill Blog*. https://blog.myskill.id/istilah-dan-tutorial/memahami-z-score-alat-statistik-penting-dalam-analisis-data/#utm_source=chatgpt.com

 Indeed. (n.d.). *Three Sigma vs. Six Sigma: Differences, Similarities, and Examples*. Indeed. Retrieved February 18, 2025, from [https://www.indeed.com/career-advice/career-development/3-sigma-vs-6-sigma?utm_source=chatgpt.com](https://www.indeed.com/career-advice/career-development/3-sigma-vs-6-sigma?utm_source=chatgpt.com)

Indeed. (n.d.). *3 Sigma vs. 6 Sigma: Differences, Similarities, and Examples*. Indeed. Retrieved February 18, 2025, from [https://ca.indeed.com/career-advice/career-development/3-sigma?utm_source=chatgpt.com](https://ca.indeed.com/career-advice/career-development/3-sigma?utm_source=chatgpt.com)

   6Sigma.us. (n.d.). *Six Sigma Case Study: General Electric.* Diakses pada 27 Februari 2025, dari [https://www.6sigma.us/ge/six-sigma-case-study-general-electric/](https://www.6sigma.us/ge/six-sigma-case-study-general-electric/)  


   Universitas Gadjah Mada. (n.d.). *Penggunaan Altman Z-Score Model: Apakah Masih Relevan?* Diakses pada 27 Februari 2025, dari [https://etd.repository.ugm.ac.id/penelitian/detail/227694](https://etd.repository.ugm.ac.id/penelitian/detail/227694)  


