1 First Sevent Tools of Quality Improvement Seorang ahli pengendalian kualitas statistik dari Jepang, Kaoru Ishikawa, percaya bahwa statistik mampu menyelesaikan 95% persoalan kualitas. Ishikawa menyarankan untuk meningkatkan penggunaan statistik dengan jalan melatih semua orang dalam organisasi agar dapat menggunakan dan menguasai alat-alat statistik yang diperlukan untuk pengendalian kualitas, seperti: bagan Pareto, diagram tulang ikan (fishbone), histogram, dan sebagainya. Alat-alat statistik ini kemudian dikenal dengan nama 7 Tools yang dirancang sederhana agar dapat dipakai siapa saja, termasuk para pekerja yang berbekal pendidikan menengah. Para praktisi dan akademisi yang menekuni bidang kualitas menggunakan nama “The Old Seven”, “The First Seven”, “The Basic Seven”, dan banyak nama lain untuk menyebut 7 Tools yang terdiri dari: 1. Check Sheet, 2. Scatter Diagram, 3. Fishbone Diagram, 4. Pareto Charts, 5. Flow Charts, 6. Histogram, dan 7. Control Charts Dr. Ishikawa As much as 95% of quality related problems in the factory can be solved with seven fundamental quantitative tools. 1. Check Sheet Kapan check sheet digunakan? Kapan kita menggunakan check sheet? Menurut Tague (2005) adalah sebagai berikut: Ketika data dapat diamati dan dikumpulkan berulang kali oleh orang yang sama atau di lokasi yang sama. Ketika mengumpulkan data mengenai frekuensi atau pola kejadian, masalah, cacat, lokasi cacat, penyebab cacat, dan sebagainya. Ketika mengumpulkan data proses produksi. Prosedur check sheet Prosedur check sheet yang diuraikan oleh Tague (2005) adalah sebagai berikut: Menentukan kejadian atau permasalahan apa yang akan diamati, kemudian kembangkan definisi operasional. Menentukan kapan data akan dikumpulkan dan berapa lama. Merancang form isi sedemikian rupa sehingga data dapat direkam dengan hanya memberikan tanda cek (V) atau tanda silang (X) atau simbol serupa sehingga data tidak perlu diperbanyak ulang untuk analisis. Memberikan etiket setiap daerah kosong pada form.
32
Embed
First Seven Tools of Quality Improvement_imu rev 4 april 2014
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
1
First Sevent Tools of Quality Improvement
Seorang ahli pengendalian kualitas statistik dari Jepang, Kaoru Ishikawa, percaya bahwa
statistik mampu menyelesaikan 95% persoalan kualitas. Ishikawa menyarankan untuk
meningkatkan penggunaan statistik dengan jalan melatih semua orang dalam organisasi
agar dapat menggunakan dan menguasai alat-alat statistik yang diperlukan untuk
pengendalian kualitas, seperti: bagan Pareto, diagram tulang ikan (fishbone), histogram,
dan sebagainya. Alat-alat statistik ini kemudian dikenal dengan nama 7 Tools yang dirancang
sederhana agar dapat dipakai siapa saja, termasuk para pekerja yang berbekal pendidikan
menengah.
Para praktisi dan akademisi yang menekuni bidang kualitas menggunakan nama
“The Old Seven”,
“The First Seven”,
“The Basic Seven”,
dan banyak nama lain untuk menyebut 7 Tools yang terdiri dari: 1. Check Sheet, 2. Scatter
Diagram, 3. Fishbone Diagram, 4. Pareto Charts, 5. Flow Charts, 6. Histogram, dan 7. Control
Charts
Dr. Ishikawa
As much as 95% of quality related problems in the factory can be solved with seven
fundamental quantitative tools.
1. Check Sheet
Kapan check sheet digunakan?
Kapan kita menggunakan check sheet? Menurut Tague (2005) adalah sebagai berikut:
Ketika data dapat diamati dan dikumpulkan berulang kali oleh orang yang sama atau
di lokasi yang sama.
Ketika mengumpulkan data mengenai frekuensi atau pola kejadian, masalah, cacat,
lokasi cacat, penyebab cacat, dan sebagainya.
Ketika mengumpulkan data proses produksi.
Prosedur check sheet
Prosedur check sheet yang diuraikan oleh Tague (2005) adalah sebagai berikut:
Menentukan kejadian atau permasalahan apa yang akan diamati, kemudian
kembangkan definisi operasional.
Menentukan kapan data akan dikumpulkan dan berapa lama.
Merancang form isi sedemikian rupa sehingga data dapat direkam dengan hanya
memberikan tanda cek (V) atau tanda silang (X) atau simbol serupa sehingga data
tidak perlu diperbanyak ulang untuk analisis.
Memberikan etiket setiap daerah kosong pada form.
2
Menguji check sheet secara singkat untuk memastikan ketepatan check sheet dalam
mengumpulkan data yang diinginkan, juga memastikan apakah check sheet mudah
digunakan atau tidak?
Merekam data pada check sheet setiap kali ditemukan kejadian atau masalah yang
ditargetkan.
Fungsi check sheet dalam pengendalian kualitas
Menurut Ishikawa (1982), check sheet memiliki fungsi sebagai berikut:
Pemeriksaan distribusi proses produksi (production process distribution checks)
Pemeriksaan item cacat (defective item checks)
Pemeriksaan lokasi cacat (defective location checks)
Pemeriksaan penyebab cacat (defective cause checks)
Ketika mencari penyebab suatu masalah, biasanya dapat muncul dugaan bahwa masalah
tersebut disebabkan oleh dua item yang saling terkait dalam beberapa cara. Sebagai
contoh, jumlah kecelakaan di tempat kerja dapat diduga berkaitan dengan jumlah orang
yang bekerja lembur.
Diagram Scatter membantu untuk mengidentifikasi adanya hubungan yang terukur antara
dua item tersebut dengan mengukur secara berpasangan dan menempatkan kedua item
tersebut pada grafik, seperti gambar di bawah ini. Diagram ini secara visual menunjukkan
korelasi antara dua set pengukuran.
Gambar. 1. Poin-poin pada Diagram Scatter
Jika titik-titik yang diplot pada Diagram Scatter tersebar secara acak tanpa pola yang jelas,
maka ini menunjukkan bahwa dua set pengukuran ini tidak memiliki korelasi dan tidak
dapat dikatakan berhubungan dengan cara apapun. Namun, jika titik-titik membentuk pola
dari beberapa jenis pola yang mungkin timbul, maka ini dapat menunjukkan adanya jenis
hubungan antara dua set pengukuran. Sebuah Diagram Scatter menunjukkan korelasi
antara dua item untuk tiga alasan:
a. Ada hubungan sebab akibat antara dua item diukur, di mana yang satu
menyebabkan yang lain (atau setidaknya sebagian).
b. Dua item terukur keduanya disebabkan oleh item ketiga. Sebagai contoh, Diagram
Scatter yang menunjukkan korelasi antara keretakan dan ketipisan peralatan kaca
karena perubahan di keduanya disebabkan oleh perubahan suhu tungku.
c. Kebetulan yang sempurna. Hal ini dimungkinkan untuk menemukan korelasi yang
tinggi dari barang-barang yang tidak terkait, seperti jumlah semut persimpangan
jalan dan penjualan surat kabar.
7
Diagram Scatter mungkin dapat digunakan untuk menunjukkan hubungan sebab dan
akibat, akan tetapi Diagram Scatter saja tidak dapat membuktikannya sendirian. Biasanya,
hal itu juga memerlukan pemahaman yang baik dari sistem yang diukur, dan mungkin
diperlukan penelitian tambahan.
Ketika mengevaluasi Diagram Scatter, tingkat dan jenis korelasi kedua item harus
dipertimbangkan. Perbedaan yang mungkin terlihat dalam Diagram Scatter ini ditunjukkan
pada Tabel 1 di bawah ini.
Tidak ada satu pun derajat korelasi yang dapat dikatakan menggambarkan hubungan
dengan sangat jelas. Melainkan hanya dapat mengindikasikan bahwa bila tingkat korelasi
meningkat,maka ada kemungkinan hubungan yang ada juga meningkat.
Jika ada korelasi yang cukup, maka bentuk Diagram Scatter akan menunjukkan jenis korelasi
seperti yang terlihat pada Tabel 1. Bentuk yang paling umum adalah garis lurus, baik miring
ke atas (korelasi positif) atau miring ke bawah (korelasi negatif).
Table 1. Derajat Korelasi
Scatter Diagram Derajat Korelasi Interpretasi
Tidak ada
Tidak ada hubungan yang dapat terlihat.
‘Efek’ tidak berhubungan dengan
‘Penyebab’ dalam cara apa pun
Rendah
Hubungan samar terlihat. 'Penyebab'
dapat mempengaruhi 'efek', tapi hanya
dari jauh. Ada beberapa penyebab yang
harus segera ditemukan atau ada variasi
yang signifikan dalam 'efek'.
Tinggi
Poin berkelompok menjadi bentuk linier
yang jelas. Menunjukkan adanya
kemungkinan 'sebab' secara langsung
terkait dengan 'efek'. Oleh karena itu,
setiap perubahan 'sebab' akan
mengakibatkan perubahan yang dapat
diprediksi pd 'efek'.
Sempurna
Semua poin terletak pada garis (yang
biasanya lurus). Untuk setiap nilai
'sebab', nilai 'efek' yang sesuai dapat
diprediksi dengan pasti.
8
Table 2. Tipe Korelasi
Scatter Diagram Tipe Korelasi Interpretasi
Positif
Garis lurus, miring naik dari
kiri ke kanan. Peningkatan
nilai 'penyebab'
menghasilkan peningkatan
proporsional dalam nilai
'efek'.
Negatif
Garis lurus, miring ke bawah
dari kiri ke kanan.
Peningkatan nilai dari hasil
'penyebab' menyebabkan
penurunan proporsional
dalam nilai 'efek'.
Kurva
Biasanya berbentuk U-atau
S. Perubahan nilai
'penyebab' menghasilkan
perubahan nilai 'efek' yang
berbeda, tergantung pada
posisi kurva.
Sebagian Linier
Sebagian dari diagram
adalah garis lurus (miring
atas atau bawah). Mungkin
karena kerusakan atau
kelebihan beban pada 'efek',
mengakibatkan sebagian lagi
tidak linier
Poin yang muncul baik di luar daerah tren yang terlihat mungkin karena penyebab khusus dari variasi, sehingga membutuhkan penyelidikan khusus.
Selain interpretasi visual, butuh beberapa perhitungan pendukung bagi Diagram Scatter.
Perhitungan yang dibahas disini adalah untuk korelasi linear, sedangkan kurva memerlukan
tingkat matematika yang berada di luar cakupan buku ini.
Koefisien korelasi memberikan nilai numerik untuk menggambarkan tingkat hubungan. Nilai ini bervariasi dari -1, yang menunjukkan korelasi negatif yang
sempurna, kemudian 0, yang menunjukkan tidak ada korelasi sama sekali, dan +1, yang menunjukkan korelasi positif yang sempurna. Jadi semakin dekat nilai kepada
9
plus atau minus 1, semakin baik korelasi. Dalam korelasi yang sempurna, semua titik terletak pada garis lurus.
Sebuah garis regresi membentuk 'cocok' atau 'rata-rata' dari diplot poin. Hal ini setara dengan rata-rata distribusi (lihat Bab Variasi).
Kesalahan standar setara dengan standar deviasi dari distribusi (lihat Bab Variasi)
dalam cara yang menunjukkan penyebaran nilai-nilai yang mungkin 'efek' untuk nilai
'sebab' salah satu.
Penggunaan angka berguna untuk menempatkan nilai numerik pada perbaikan, dengan
nilai-nilai 'sebelum' dan 'setelah'. Mereka juga dapat digunakan untuk memperkirakan
rentang nilai kemungkinan 'efek' dari nilai-nilai 'sebab' yang diberikan (dengan asumsi
hubungan kausal terbukti). Gambar di bawah menunjukkan bagaimana garis regresi dan
standard error dapat digunakan untuk memperkirakan nilai 'efek' yang mungkin timbul dari
setiap nilai satu yang diberikan pada 'penyebab'.
Fig. 3. Distribution dari poin-poin pada Scatter Diagram
Ketika mengukur suatu proses, sering terjadi bahwa pengukuran bervariasi dalam suatu
rentang nilai. Dengan memahami bagaimana pengukuran dapat bervariasi, efek dari proses
dan perubahan yang dibuat untuk itu dapat dipahami dengan lebih baik.
Histogram menunjukkan distribusi frekuensi di satu set pengukuran sebagai satu set grafik
batang. Lebar setiap batang adalah konstan dan mewakili range pengukuran yang tetap
(disebut sel, bin atau kelas). Ketinggian dari setiap batang sebanding dengan jumlah
pengukuran dalam sel itu. Setiap bar memberikan kesan visual yang solid dari jumlah
pengukuran di dalamnya dan bersama-sama bar menunjukkan distribusi di seluruh rentang
pengukuran. Gambar. 1 menunjukkan bagaimana distribusi pengukuran dapat dilihat jauh
lebih jelas dalam Histogram daripada di tabel angka.
Gambar. 1. Grouping sebuah set pengukuran menjadi sebuah Histogram
Dalam menggambar Histogram, harus ada jumlah pengukuran yang memadai untuk dapat
memberikan bentuk yang dapat digunakan untuk menunjukkan distribusi. Jumlah dan lebar
dari bar juga penting, jika bar terlalu sempit, maka pengukuran akan jatuh ke dalam setiap
batang untuk memberikan ketinggian signifikan. Demikian pula, jika bar yang terlalu lebar,
akan ada bar terlalu sedikit untuk memberikan bentuk yang berguna untuk distribusi.
Bentuk umum Histogram ditunjukkan pada Tabel 1. Masalah dapat diindikasikan oleh
distribusi yang alami yang tidak berbentuk lonceng. Ketika distribusi berbeda dari bentuk
yang diharapkan, proses yang mendasari harus diperiksa untuk menemukan penyebab
sebenarnya dari fenomena ini.
28
Table 1. Pola Histogram
Histogram pattern Symptom Possible problems
Rendah dengan
jarak di antara
batang
Range pengukuran terlalu
sempit (cek skala
horisontal) atau terlalu
sedikit (cek skala vertikal)
Tinggi dengan
beberapa
batang
Range pengukuran terlalu
lebar (cek skala horisontal)
atau terlalu sedikit (cek
skala vertikal). Bisa jadi
versi ekstrim distribusi
terpotong.
Miring (ini
adalah positif,
miring negative
berada di
kanan)
Distribusi alami (lebih
banyak variasi dalam satu
arah - sering ditemukan
pada jumlah item dan
distribusi waktu) atau data
yang digunakan tidak
lengkap
Exponential
Distribusi tidak berbentuk
lonceng (versi ekstrim dari
miring) atau data
terpotong
Dua puncak
(bimodal)
Pengukuran dilakukan
pada dua proses. Hal ini
sangat umum, misalnya
Data dari dua
periode/siklus
Puncak
Terisolasi
Dua proses yang diukur
terpisah
Bergigi
Kesalahan Pengukuran,
atau kesalahan
pembulatan
29
Dataran Tinggi
Kombinasi dari beberapa
lonceng berbentuk kurva,
versi ekstrim distribusi
bimodal (beberapa
proses) atau pengukuran
yang salah.
Ujung
Memuncak
Modifikasi Data - sering
disebabkan oleh
pergeseran data yang
keluar dari dalam batas
spesifikasi.
Terpotong
Tidak lengkap melaporkan
data atau diukur setelah
membuang item yang
berada diluar batas
spesifikasi
Jika variasi dalam proses ini acak, maka Histogram akan mengikuti kurva (berbentuk
lonceng) Normal, jika tidak berarti menunjukkan adanya masalah. Jika itu adalah berbentuk
lonceng, maka nilai-nilai selanjutnya mungkin dapat diprediksi dengan menggunakan
standar deviasi. Bentuk distribusi lainnya adalah mungkin, tapi kurang umum. Bentuk
Histogram yang berbeda dapat diteliti apa penyebabnya.
Jika proses memiliki batas spesifikasi yang ditentukan, maka Histogram harus berpusat di
tengah antara batas ini. Distribusi off-center, seperti pada Gambar. 2, dapat menghasilkan
banyak item yang berada di luar spesifikasi.
Gambar. 2. Histogram menunjukkan distribusi jatuh di luar specification limits
7. Control Chart
Bagaimana memahaminya?
Ketika sebuah proses dijalankan berulang kali, bahkan di bawah kondisi yang tampaknya
stabil sekalipun, jarang menghasilkan pengukuran yang sama. Sebuah Histogram dapat
digunakan untuk menunjukkan distribusi statis dari serangkaian pengukuran ini, tapi ini
30
tidak menunjukkan tren yang dinamis, misalnya di mana pengukuran berturut dapat
menunjukkan perubahan yang signifikan dalam proses (Gambar 1).
Gambar. 1. Dinamika yang tersembunyi dalam histogram
Sebuah Control Chart biasanya memiliki tiga garis horizontal di samping garis utama,
seperti yang ditunjukkan di bawah (Gambar 2). Garis tengah adalah rata-rata (atau rerata).
Dua garis terluar berada pada tiga standar deviasi kedua sisi dari mean. Dengan demikian
99,7% dari semua pengukuran akan berada di antara dua baris ini.
Gambar. 2. Rata-rata dan Batas Kontrol
Baris atas disebut batas kontrol atas dan garis bawah disebut batas kontrol bawah, titik
yang jatuh di luar batas-batas ini dianggap berada di luar kendali. Batasan ini sering
disingkat menjadi UCL dan LCL. Meskipun batas kontrol berupa garis lurus untuk sebagian
besar jenis Charts Control, ada beberapa jenis grafik di mana mereka berbeda untuk setiap
titik yang diplot.
Perhatikan bahwa batas spesifikasi (USL dan LSL) tidak berhubungan dengan batas kontrol. Batas spesifikasi merupakan batas dimana proses harus berjalan, sementara batas kontrol menunjukkan apa yang sebenarnya terjadi dalam proses.
Perhitungan yang sebenarnya dari batas kontrol bervariasi dengan jenis pengukuran yang
digambarkan (ini adalah untuk alasan matematika). Pengukuran yang menjawab
31
pertanyaan, "Berapa banyak?" disebut variabel (misalnya berat badan, waktu, tegangan). Sebuah identifikasi lebih lanjut adalah bahwa mereka diukur dalam satuan kuantitatif, seperti gram dan detik. Pengukuran non-variabel disebut Atribut. Yaitu yang bisa dijawab
dengan pertanyaan, 'Berapa banyak?', Mengukur item dihitung, seperti jumlah barang cacat atau jumlah cacat aktual dalam batch (perhatikan perbedaan: satu item yang rusak
mungkin berisi beberapa cacat).
Setiap titik pada Bagan Pengendalian variabel biasanya terdiri dari rata-rata dari satu set pengukuran. Hal ini karena dua alasan.
Pertama, itu menghasilkan distribusi normal diprediksi (berbentuk lonceng) untuk bagan keseluruhan, karena Teorema Limit Tengah.
Kedua, ini akan menghasilkan batas kontrol yang lebih ketat. Hal ini karena efek rata-rata
dalam setiap kelompok menghaluskan keluar pengukuran tinggi dan rendah masing-
masing, sehingga dalam Bagan Kontrol yang dapat mendeteksi perubahan kecil dalam
proses dari satu plot yang satu titik untuk setiap pengukuran. Hal ini diilustrasikan pada
Gambar. 3, yang menunjukkan bagaimana pergeseran yang sama dalam hasil rata-rata
dalam kemungkinan yang lebih besar bahwa distribusi sempit akan mendeteksi perubahan
ini. Dalam Bagan Kontrol di mana setiap titik mewakili rata-rata satu set pengukuran, hal ini
akan mengakibatkan titik di luar batas kendali yang tidak akan berada di luar batas dari
Bagan Pengendalian mana setiap titik mewakili pengukuran tunggal.
Gambar. 3. Bagaimana batas kontrol menangkap pergeseran