Alat Pengendalian Kualitas adalah suatu alat yang digunakan di dalam metode Quality System atau pengendalian kualitas yang berkaitan dengan ilmu statistik.Fungsi pengendalian kualitas sebagai dasar untuk kegiatan perbaikan mutu. Alat dasar pengendalian kualitas ini pertama kali diperkenalkan oleh Kaoru Ishikawa pada tahun 1968.Terdapat 7 alat pengendalian kualitas yaitu Check Sheet, Peta Kendali, Sebab dan Akibat diagram, Pareto Diagram, Histogram, Scatter Diagram dan Stratifikasi. Pada kesempatan ini saya ingin memberikan contoh penggunaan 7 alat pengendalian kualitas menggunakan software R Studio. Berikut penjelasannya dan contoh alat pengendalian kualitas.
1. Check Sheet
Check Sheet atau lembar periksa merupakan alat pengendalian yang biasanya berbentuk dokumen sederhana yang mana sering digunakan untuk mengumpulkan data pada saat real time dan pada lokasi dimana data tersebut muncul. Informasi yang sering dikumpulkan dapat berupa data kualitatif dan kuantitatif. karakterisitik Check Sheet data yang dicatat atau dikumpulkan diberi check didalam sheet tersebut. Pada kesempatan ini akan diberikan contoh penggunaan check sheet menggunakan software R Studio dan data yang digunakan diambil dari hasil Skripsi saudara Yosef Bagus Nugroho Sulistyo Putro dengan judul ANALISIS PENGENDALIAN KUALITAS PRODUK MINYAK KELAPA TROPICOCO. Berikut step by step dalam membuat check sheet menggunakan software R Studio;
# 1. memasukkan data
Tanggal<- c("7/5/2018","14/5/2018","22/5/2018","30/5/2018","4/6/2018","12/6/2018","16/6/2018","18/6/2018")
Jumlah_Produksi<- c(337,329,332,402,136,250,301,713)
warnakeruh <- c (17,5,0,0,34,0,0,0)
kotor <- c (0,0,28,50,0,0,0,0)
KemasanRusak <- c (0,0,4,0,0,0,0,13)
KadarAirTinggi <- c (0,0,0,0,0,35,40,25)
# 2. membuat data frame
data2 <- data.frame(Tanggal,Jumlah_Produksi,warnakeruh,kotor,KemasanRusak,KadarAirTinggi)
# 3. memprint data untuk menghasilkan check sheet
data2
## Tanggal Jumlah_Produksi warnakeruh kotor KemasanRusak KadarAirTinggi
## 1 7/5/2018 337 17 0 0 0
## 2 14/5/2018 329 5 0 0 0
## 3 22/5/2018 332 0 28 4 0
## 4 30/5/2018 402 0 50 0 0
## 5 4/6/2018 136 34 0 0 0
## 6 12/6/2018 250 0 0 0 35
## 7 16/6/2018 301 0 0 0 40
## 8 18/6/2018 713 0 0 13 25
Dari hasil check sheet yang ditampilkan dapat terlihat bahwa dalam 8 hari masa produksi terdapat kecacatan produk minyak kelapa tropicoco. kecacatan produksi disini berupa warna minyak keruh, minyak yang dihasilkan kotor, kemasan yang digunakan rusak dan kadar air dalam minyak tinggi.
2. Sebab dan Akibat Diagram (Fishbone Diagram)
Sebab dan Akibat Diagram (Fishbone Diagram) adalah alat pengendalian yang dipergunakan untuk meng-identifikasikan dan menunjukkan hubungan antara sebab dan akibat agar dapat menemukan akar penyebab dari suatu permasalahan. Sebab dan Akibat Diagram dipergunakan untuk menunjukkan Faktor-faktor penyebab dan akibat kualitas yang disebabkan oleh Faktor-faktor penyebab tersebut.Karena bentuknya seperti Tulang Ikan, sebab dan akibat Diagaram disebut juga dengan Fishbone Diagram (Diagram Tulang Ikan). Biasanya untuk mendapatkan akar permasalahan yang dimaksud, metode 5 WHY adalah metode yang sering digunakan dalam menentukan fishbone diagram. Pada kesempatan ini akan diberikan contoh penggunaan fishbone diagram menggunakan software R Studio dan data yang digunakan diambil dari hasil Skripsi saudara Yosef Bagus Nugroho Sulistyo Putro dengan judul ANALISIS PENGENDALIAN KUALITAS PRODUK MINYAK KELAPA TROPICOCO. Fisbone diagram yang akan dijadikan contoh sebab akibat terjadinya minyak keruh. Berikut step by step dalam membuat Sebab dan Akibat Diagram (fishbone) menggunakan software R Studio;
# 1. mendefinisikan variabel yang digunakan
cManpower <- c("kurang teliti")
cMaterials <- c("kualitas bahan baku rendah","minyak terlalu tua")
cMachines <- c("alat produksi kotor","pencucian alat kurang bersih")
cMethods <- c("intruksi kerja")
cGroups <- c("Manpower", "Materials", "Machines",
"Methods")
cEffect <- "warna keruh"
# 2. memanggil package yang ingin digunakan
library(qcc)
## Package 'qcc' version 2.7
## Type 'citation("qcc")' for citing this R package in publications.
# 3. memasukkan code untuk membuat diagram fish bone
cause.and.effect(
cause = list(Manpower = cManpower,
Materials = cMaterials,
Machines = cMachines,
Methods = cMethods),
effect = cEffect)
Dari hasil sebab akibat diagram dapat dilihat penyebab warna keruh pada minyak terjadi dikarenakan 4 faktor yaitu ;
1. sebab dari manusia kurang teliti
2. sebab dari bahan baku, minyaknya terlalu tua atau kualitas bahan baku rendah
3. sebab metode pembuatan minyak, intruksi kerja kurang
4. sebab mesin yang digunakan, pencucian alat kurang bersih dan alat produksi kotor
itulah penyebab warna keruh dari minyak menurut pengamatan yang dilakukan saudara Yosep pada penelitiannya.
3. Histogram
Histogram merupakan tampilan bentuk grafis untuk menunjukkan distribusi data secara visual atau seberapa sering suatu nilai yang berbeda itu terjadi dalam suatu kumpulan data. Manfaat dari penggunaan Histogram adalah untuk memberikan informasi mengenai variasi dalam proses dan membantu manajemen dalam membuat keputusan dalam upaya peningkatan proses yang berkesimbungan (Continous Process Improvement). Pada kesempatan ini akan diberikan contoh penggunaan Histogram menggunakan software R Studio. Data yang digunakan merupakan kecacatan dari 20 observasi yang dilakukan peneliti terhadap hasil suatu produksi (contoh soal diambil dari www.ceasarvery.com/2017/05/macam-macam-peta-kendali-control-chart.html?m=1). Jenis Data yang digunakan merupakan data individual, berikut cara membuat histogramnya;
#1. masukkan data dan definisikan variabel
defects <- c(44, 48, 32,50,29,31,46,52,44,48,36,52,35,41,42,30,46,38,26,30)
#2. masukkan kode untuk histogram
hist(defects)
Dari hasil histogram dapat disimpulkan menjadi beberapa poin ;
1. Terdapat 4 observasi yang mengalami kecacatan produk dalam rentan 25-29.
2. Terdapat 3 observasi yang mengalami kecacatan produk dalam rentan 30-34.
3. Terdapat 2 observasi yang mengalami kecacatan produk dalam rentan 35-39.
4. Terdapat 4 observasi yang mengalami kecacatan produk dalam rentan 40-44.
5. Terdapat 5 observasi yang mengalami kecacatan produk dalam rentan 45-49.
6. Terdapat 2 observasi yang mengalami kecacatan produk dalam rentan 51-55.
DEngan histogram data dikumpulkan menjadi beberapa kelompok dan dapat dilihat frekuensinya. Ini memudahkan kita dalam melihat datanya.
4. Pareto Diagram
Pareto diagram adalah grafik batang yang menunjukkan masalah berdasarkan urutan banyaknya jumlah kejadian.Urutannya dimulai dari jumlah permasalahan yang paling banyak terjadi hingga pada permasalahan yang frekuensi terjadinya paling sedikit. Nama diagram pareto diambil dari prinsip Pareto, yang mengatakan bahwa 80% gangguan berasal dari 20% masalah yang ada. Dalam grafik, ditunjukkan dengan batang grafik tertinggi ( paling kanan) hingga grafik terendah (paling kanan). Dalam pengapalikasiannya, diagram pareto sangat bermanfaat dalam menentukan dan mengidentifikasi prioritas permasalahan yang akan diselesaikan. Dengan ini dapat terlihat permasalahan yang paling banyak dan sering terjadi dapat dijadikan prioritas untuk melakukan tindakan. Pada kesempatan ini akan diberikan contoh penggunaan pareto diagram menggunakan software R Studio. Data yang digunakan merupakan kecacatan dari 20 observasi yang dilakukan peneliti terhadap hasil suatu produksi (contoh soal diambil dari www.ceasarvery.com/2017/05/macam-macam-peta-kendali-control-chart.html?m=1). Jenis Data yang digunakan merupakan data individual, berikut cara membuat pareto diagram ;
# 1. masukkan packages yang ingin digunakan
library(qcc)
# 2. mendefinisikan variabel yang digunakan
defects <- c(44, 48, 32,50,29,31,46,52,44,48,36,52,35,41,42,30,46,38,26,30)
# 3. memberikan nama per sampel
names(defects) <- c("observasi 1","observasi 2","observasi 3","observasi 4", "observasi 5","observasi 6","observasi 7","observasi 8","observasi 9","observasi 10","observasi 11","observasi 12","observasi 13","observasi 14","observasi 15","observasi 16","observasi 17","observasi 18","observasi 19","observasi 20")
# 4. kode membuat pareto chart
pareto.chart(defects,
ylab = "Frequency",
ylab2 = "Cumulative Percentage",
main = "Pareto Chart")
##
## Pareto chart analysis for defects
## Frequency Cum.Freq. Percentage Cum.Percent.
## observasi 8 52.000 52.000 6.500 6.500
## observasi 12 52.000 104.000 6.500 13.000
## observasi 4 50.000 154.000 6.250 19.250
## observasi 2 48.000 202.000 6.000 25.250
## observasi 10 48.000 250.000 6.000 31.250
## observasi 7 46.000 296.000 5.750 37.000
## observasi 17 46.000 342.000 5.750 42.750
## observasi 1 44.000 386.000 5.500 48.250
## observasi 9 44.000 430.000 5.500 53.750
## observasi 15 42.000 472.000 5.250 59.000
## observasi 14 41.000 513.000 5.125 64.125
## observasi 18 38.000 551.000 4.750 68.875
## observasi 11 36.000 587.000 4.500 73.375
## observasi 13 35.000 622.000 4.375 77.750
## observasi 3 32.000 654.000 4.000 81.750
## observasi 6 31.000 685.000 3.875 85.625
## observasi 16 30.000 715.000 3.750 89.375
## observasi 20 30.000 745.000 3.750 93.125
## observasi 5 29.000 774.000 3.625 96.750
## observasi 19 26.000 800.000 3.250 100.000
Dari pareto diagram dapat dilihat observasi ke-8 menghasilkan sekitar 10% kecacatan dari 20 observasi. karena itu diperlukan analisis lebih lanjut pada observasi ke-8 untuk mengetahui apa penyebab tingginya kecacatan produk pada observasi ke-8.
5. Peta Kendali
Peta Kendali merupakan salah satu dari alat pengendalian yang berbentuk grafik dan dipergunakan untuk memonitor/memantau stabilitas dari suatu proses serta mempelajari perubahan proses dari waktu ke waktu. Peta kendali ini memiliki Upper Line (garis atas) untuk Upper Control Limit (Batas Kontrol tertinggi), Lower Line (garis bawah) untuk Lower control limit (Batas control terendah) dan Central Line (garis tengah) untuk Rata-rata (Average). Peta Kendali pertama kali diperkenalkan oeh Dr. Walter Andrew Shewhart yang bekerja untuk Bell Telephone Laboratories Amerika Serikat. Peta kendali dibutuhkan atau digunakan pada saat ;
1. Mengontrol proses yang sedang berlangsung dan dapat menemukan dan memperbaiki masalah yang terjadi.
2. Memprediksi atau mendapatakan kisaran (range) dari suatu proses
3. Proses yang sedang diamati stabil atau tidak.
4. Menganalisis pola variasi proses apakah dari penyebab khusus atau penyebab umum yang sering terjadi diproses.
5. Proyek peningkatan kualitas harus membididk pada pencegahan pada masalah tertentu atau harus melakukan perubahan yang mendasar pada proses.
Tujuan utama peta kendali untuk mengendalikan proses produksi sehingga dapat menghasilkan kualitas yang unggul dengan cara mendeteksi penyebab variasi yang tidak alami serta mengurangi variasi yang terdapat dalam proses sehingga menghasilkan proses yang stabil. Proses stabil adalah proses yang memiliki distribusi normal yang sama pada setiap saatnya. Perlu diketahui, bahwa proses stabil yang dimaksud tetap memiliki variasi akan tetapi variasinya sangat kecil dan dapat dikendalikan. Pada kesempatan ini akan diberikan contoh penggunaan peta kendali menggunakan software R Studio. Data yang digunakan merupakan kecacatan dari 20 observasi yang dilakukan peneliti terhadap hasil suatu produksi (contoh soal diambil dari www.ceasarvery.com/2017/05/macam-macam-peta-kendali-control-chart.html?m=1). Jenis Data yang digunakan merupakan data individual, berikut cara membuat peta kendali ;
# 1. Memasukkan data yang digunakan
defects <- c(44, 48, 32,50,29,31,46,52,44,48,36,52,35,41,42,30,46,38,26,30)
# 2. Masukkan code membuat peta kendali
petakendali <- qcc(data = defects,
type = "xbar.one")
Berdasarkan hasil diagram data yang digunakan masih berada dibawah garis UCL dan diatas garis LCL. Ini diasumsikan tidak ada masalah yang berarti pada proses ini. Data kecacatan produk masih dalam keadaan normal atau sewajarnya.
6. Stratifikasi
Stratifikasi adalah pembagian atau pengelompokkan data kekategori - kategori yang lebih kecil dan mempunyai karakteristik yang sama. Stratifikasi sendiri bertujuan untuk untuk mengidentifikasi faktor-faktor penyebab pada suatu permasalahan . Pada kesempatan ini akan diberikan contoh penggunaan Stratifikasi menggunakan software R Studio. Akan tetapi, contoh yang diberikan bukan mengelompokkan sesuai penyebab kecacatan, pengelompokkan yang dilakukan hanya untuk mengelompokkan 2 data. Data yang digunakan merupakan kecacatan dari 20 observasi yang dilakukan peneliti terhadap hasil suatu produksi (contoh soal diambil dari www.ceasarvery.com/2017/05/macam-macam-peta-kendali-control-chart.html?m=1). Jenis Data yang digunakan merupakan data individual, berikut cara membuat Stratifikasi ;
# 1. Memasukkan nama kelompok yang di inginkan
pgrup <- rep(c("A","B"), each = 10)
# 2. Memasukkan data yang digunakan
defects <- c(44, 48, 32,50,29,31,46,52,44,48,36,52,35,41,42,30,46,38,26,30)
# 3. Memasukkan code untuk membuat Boxplot
boxplot(defects ~ pgrup,
xlab = "Grup",
ylab = expression("Density("*g/cm^3*")"),
main = "Boxplot Grup Defects")
Dari hasil boxplot data yang dijadikan contoh tadi sudah dikelompokkan jadi 2 boxplot. Yang mana 2 boxplot ini sudah dikategorikan dan memiliki karakteristik yang sama.
7. Scatter Plot
Scatter plot adalah alat yang berfungsi untuk melakukan pengujian terhadap seberapa kuatnya hubungan antara 2 variabel serta menentukan jenis hubungannya. Hubungan tersebut dapat berupa hubungan Positif, hubungan Negatif ataupun tidak ada hubungan sama sekali. Bentuk dari Scatter Diagram adalah gambaran grafis yang terdiri dari sekumpulan titik-titik dari nilai sepasang variabel (Variabel X dan Variabel Y). Dalam Bahasa Indonesia, Scatter plot disebut juga dengan Diagram Tebar. Pada Scatter plot ini saya menggunakan fungsi rnorm untuk contoh penggunaannya, yang berfungsi untuk menarik angka-angka secara acak dengan dapat menentukan berapa mean dan standar deviasi yang diinginkan. Berikut cara Penggunaan fungsi rnorm dan membuat scatter plot menggunakan software R Studio;
# 1. memasukkan packages sixsigma
library(SixSigma)
# 2. membuat 60 titik data acak dan diberi nama X
x <- rnorm(60, 15, 5)
# 3. membuat 60 titik data acak dan beri nama y
y <- rnorm(60, 30, 4)
# 4. membuat data frame dari x dan y
df <- data.frame(x, y)
# 5. masukkan kode untuk membuat scatter plot
plot(y ~ x,
data = df,
main = "Scatter Plot",
xlab = "x",
ylab = "y",
xlim = c(0,30),
ylim = c(0,45),
col = "blue",
pch = 16,
asp = 0)
grid()
Berdasarkan hasil dari scatter plot data yang digunakan ternyata hubungan antara variabel x dan variabel y sangatlah kecil atau tidak ada hubungan sama sekali. Ini dikarenakan saya menggunakan data angka acak, wajar saja jika tidak ada hubungan antara variabel x dan variabel y.
Sekian pembahasan tentang penggunaan 7 alat pengendalian kualitas menggunakan software R Studio. Jika ada salah kata dalam penulisan mohon diberikan kritik dan sarannya agar saya dapat mengetahui letak kesalahan saya. Semoga Laporan singkat ini dapat dipahami dan dipergunakan sebagaimana mestinya. Akhir kata saya ucapkan, TERIMA KASIH...