PENERAPAN GRAFIK PENGENDALI KABUR ๐ฐ๐ฟ โ ๐ด๐น DAN KAPABILITAS PROSES KABUR PADA PENGENDALIAN KUALITAS PRODUKSI AIR PDAM
SKRIPSI
OLEH OKTA DWI ROHMAWATI NIM. 12610079
JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 2016
PENERAPAN GRAFIK PENGENDALI KABUR ๐ฐ๐ฟ โ ๐ด๐น DAN KAPABILITAS PROSES KABUR PADA PENGENDALIAN KUALITAS PRODUKSI AIR PDAM
SKRIPSI
Diajukan Kepada Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim Malang untuk Memenuhi Salah Satu Persyaratan dalam Memperoleh Gelar Sarjana Sains (S.Si)
Oleh Okta Dwi Rohmawati NIM. 12610079
JURUSAN MATEMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM MALANG 2016
MOTO Dan Allah mengeluarkan kamu dari perut ibumu dalam keadaan tidak mengetahui sesuatupun, dan Dia memberi kamu pendengaran, penglihatan, dan hati, agar kamu bersyukur (QS An-Nahl/16:76)
PERSEMBAHAN
Skripsi ini penulis persembahkan kepada bapak tercinta, Hartoyo dan ibu tersayang, Mahmudah yang selalu memberi kasih sayang, dukungan, serta doa yang tiada putus kepada penulis. Kepada nenek tercinta, Supening yang selalu menasihati dan mendoakan penulis sehingga dapat menyelesaikan skripsi ini.
KATA PENGANTAR
Segala puji bagi Allah Swt. yang telah memberikan rahmat, berkah, dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul โPenerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
dan Kapabilitas Proses Kabur pada Pengendalian Kualitas Produksi Air PDAMโ. Shalawat serta salam semoga senantiasa tercurahkan kepada nabi Muhammad Saw. yang telah menuntun manusia ke jalan keselamatan. Dalam kesempatan ini, penulis banyak mendapat bimbingan dan arahan dari berbagai pihak. Untuk itu ucapan terima kasih yang sebesar-besarnya dan penghargaan setinggi-tingginya penulis sampaikan terutama kepada: 1. Prof. Dr. H. Mudjia Rahardjo, M.Si, selaku rektor Universitas Islam Negeri Maulana Malik Ibrahim Malang. 2. Dr. drh. Hj. Bayyinatul Muchtaromah, M.Si, selaku dekan Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang. 3. Dr. Abdussakir, M.Pd, selaku ketua Jurusan Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang. 4. Fachrur Rozi, M.Si, selaku dosen pembimbing I yang telah banyak memberikan arahan, nasihat, motivasi, dan berbagai pengalaman yang berharga kepada penulis. 5. Ari Kusumastuti, M.Pd., M.Si, selaku dosen pembimbing II yang telah memberikan arahan dan berbagi ilmunya kepada penulis. 6. Seluruh dosen Jurusan Matematika, Universitas Islam Negeri Maulana Malik Ibrahim Malang yang telah berbagi segala ilmu kepada penulis.
viii
7. Semua teman-teman Jurusan Matematika angkatan 2012 yang selalu memberikan semangat, dukungan, dan motivasi kepada penulis. 8. Seluruh keluarga besar Lembaga Pendidikan Quran (LPQ) Wardatul Islah yang telah memberikan banyak pengalaman yang berharga bagi penulis. Semoga Allah Swt. melimpahkan rahmat dan karunia-Nya kepada kita semua. Malang, November 2016
Penulis
ix
DAFTAR ISI
HALAMAN JUDUL HALAMAN PENGAJUAN HALAMAN PERSETUJUAN HALAMAN PENGESAHAN HALAMAN PERNYATAAN KEASLIAN TULISAN HALAMAN MOTO HALAMAN PERSEMBAHAN KATA PENGANTAR ....................................................................................... viii DAFTAR ISI ...................................................................................................... x DAFTAR TABEL ............................................................................................. xii DAFTAR GAMBAR ......................................................................................... xiii DAFTAR LAMPIRAN ..................................................................................... xiv ABSTRAK ........................................................................................................ xv ABSTRACT ....................................................................................................... xvi
โซ ู
ูุฎุตโฌ................................................................................................................. xvii BAB I PENDAHULUAN 1.1 Latar Belakang ....................................................................................... 1 1.2 Rumusan Masalah .................................................................................. 6 1.3 Tujuan Penelitian .................................................................................... 6 1.4 Manfaat Penelitian .................................................................................. 6 1.5 Batasan Masalah ..................................................................................... 7 1.6 Sistematika Penulisan ............................................................................. 8
BAB II KAJIAN PUSTAKA 2.1 Pengendalian Kualitas Statistik .............................................................. 9 2.2 Grafik Pengendali ................................................................................... 10 2.3 Grafik Pengendali untuk Variabel .......................................................... 12 2.4 Himpunan Kabur .................................................................................... 14 2.5 Bilangan Kabur ..................................................................................... 17 2.6 Bilangan Kabur Berdasarkan Fungsi Keanggotaan Kurva Trapesium .. 18 2.7 Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
........................................................ 20 2.8 Pendekatan Fuzzy Rules Grafik Pengendali Kabur ................................ 23 x
2.9 Kapabilitas Proses ................................................................................ 27 2.10 Kapabilitas Proses Kabur ..................................................................... 29 2.11 Kajian Agama tentang Gharizah Baqaโ ............................................... 31 BAB III METODE PENELITIAN 3.1 Pendekatan Penelitian ............................................................................ 33 3.2 Jenis Data dan Sumber Data .................................................................. 33 3.3 Teknik Pengambilan Data ...................................................................... 33 3.4 Analisis Data .......................................................................................... 34 BAB IV PEMBAHASAN 4.1 Penerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
Menggunakan Pendekatan Fuzzy Rules ......................................................................... 38 4.1.1 Analisis Deskriptif Data ................................................................ 38 4.1.2 Uji Normalitas................................................................................ 38 4.1.3 Representasi Data Sisa Klor Air ke Bilangan Kabur Trapesium ... 39 4.1.4 Penerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
Menggunakan Pendekatan Fuzzy Rules Berdasarkan Data Sisa Klor Air ............. 40 4.2 Penerapan Kapabilitas Proses Kabur ..................................................... 48 4.3 Upaya Pengendalian Gharizah Baqaโ .................................................... 52 BAB V PENUTUP 5.1 Kesimpulan ............................................................................................. 55 5.2 Saran ....................................................................................................... 56
DAFTAR RUJUKAN ...................................................................................... 57 LAMPIRAN-LAMPIRAN RIWAYAT HIDUP
xi
DAFTAR TABEL
Tabel 4.1 Statistik Deskriptif Data Sisa Klor Air Baku Produksi .........................38 Tabel 4.2 Uji Normalitas Data Sisa Klor Air Baku ..............................................39
xii
DAFTAR GAMBAR
Gambar 2.1 Contoh Grafik Pengendali Statistik ................................................. 12 Gambar 2.2 Kurva Keanggotaan Trapesium .......................................................15 Gambar 2.3 Representasi Bilangan Kabur Trapesium ....................................... 19 Gambar 2.4 Ilustrasi Fuzzy Rules-1 ................................................................... 25 Gambar 2.5 Ilustrasi Fuzzy Rules-2 ................................................................... 25 Gambar 2.6 Ilustrasi Fuzzy Rules-3 dan 4 .......................................................... 26 Gambar 2.7 Ilustrasi Fuzzy Rules-5 ................................................................... 26 Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
dan Kapabilitas Proses Kabur ............................ 36 Gambar 4.3 Hasil Proses Kendali Menggunakan Pendekatan Fuzzy Rules pada Iterasi ke-1 .............................................................................. 40 Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
dan Kapabilitas Proses Kabur ............................ 36 Gambar 4.3 Hasil Proses Kendali Menggunakan Pendekatan Fuzzy Rules pada Iterasi ke-1 ............................................................................ 40
xiii
DAFTAR LAMPIRAN
Lampiran 1 Data Sisa Klor pada 1 Desember 2015-29 Februari 2016 ................61 Lampiran 2 Pembentukan Bilangan Trapesium Data Produksi Air Baku Iterasi ke-1 ........................................................................................62 Lampiran 3 Nilai Moving Range Kabur Iterasi ke-1 ............................................63 Lampiran 4 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rules pada Iterasi ke-1 ......................................................................64 Lampiran 5 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rules pada Iterasi ke-2 ......................................................................65 Lampiran 6 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rules pada Iterasi ke-3 ......................................................................66 Lampiran 9 Program Matlab Perhitungan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
...........................................................................................67 Lampiran 10 Program Matlab Perhitungan Kapabilitas Proses Kabur .................70 Lampiran 11 Faktor Guna Membentuk Grafik Pengendali Variabel ....................72
xiv
ABSTRAK
Rohmawati, Okta Dwi.2016. Penerapan Grafik Pengendali Kabur ๐ฐ๐ฟ โ ๐ด๐น dan Kapabilitas Proses Kabur pada Pengendalian Kualitas Produksi Air PDAM. Skripsi. Jurusan Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang. Pembimbing: 1) Fachrur Rozi, M.Si. II) Ari Kusumastuti, M.Pd., M.Si. Kata Kunci: grafik pengendali kabur, kapabilitas proses kabur. Grafik pengendali kabur merupakan salah satu konsep penggabungan antara metode statistika dan teori himpunan kabur yang dapat digunakan dalam menangani data yang mengandung ketidakpastian. Ketidakpastian data dapat terjadi dalam pengendalian kualitas karena adanya kesalahan sistem pengukuran, operator atau kondisi lingkungan pada saat penentuan karakteristik sampel pengamatan. Dalam hal ini, penggunaan pendekatan teori himpunan kabur merupakan alat yang dapat digunakan untuk menangani ketidakpastian data. Selain mengendalikan kualitas proses, suatu perusahaan perlu melakukan analisis kapabilitas proses. Analisis kapabilitas proses didefinisikan sebagai kemampuan sebuah proses untuk menghasilkan suatu produk yang sesuai dengan kebutuhan konsumen. Grafik pengendali kabur yang digunakan dalam penelitian ini adalah grafik pengendali kabur ๐ผ๐ โ ๐๐
. Grafik pengendali kabur ๐ผ๐ โ ๐๐
merupakan gabungan dari grafik pengendali kabur ๐ผ๐ yang menampilkan angka hasil pengukuran untuk mengendalikan rata-rata proses dan grafik pengendali kabur ๐๐
yang menampilkan perbedaan angka dari pengukuran yang satu ke pengukuran selanjutnya dan digunakan untuk mengendalikan variabilitas proses. Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
menunjukkan bahwa terdapat beberapa sampel kabur yang rather out of control dan out of control secara ratarata dan secara variabilitas. Sehingga dilakukan perbaikan sampai tiga kali iterasi agar mendapatkan kondisi semua sampel kabur in control baik secara rata-rata maupun secara variabilitas proses. Batas kendali kabur pada iterasi ketiga dapat digunakan sebagai acuan dalam pengambilan keputusan yang berkaitan dengan pengendalian proses produksi air PDAM. Hasil penerapan kapabilitas proses kabur pada data sisa klor air baku produksi PDAM menunjukkan bahwa proses capable. Hal ini dapat dilihat dari nilai nilai ๐ถ๐ > 1 dan nilai ๐ถ๐๐ > 1 yang berarti bahwa proses produksi capable. Proses produksi air PDAM khususnya kadar sisa klor sudah memenuhi standar yang ditetapkan oleh perusahaan dan dinas kesehatan.
xv
ABSTRACT
Rohmawati, Okta Dwi. 2016. Application of Fuzzy Control Chart ๐ฐ๐ฟ โ ๐ด๐น and Fuzzy Process Capability on the Quality Production of PDAM Water. Thesis. Department of Mathematics, Faculty of Science and Technology, State Islamic University of Maulana Malik Ibrahim Malang. Advisors: I) Fachrur Rozi, M.Si. II) Ari Kusumastuti, M.Pd.,M.Si. Keywords: fuzzy control chart, fuzzy process capability. Fuzzy control chart is one of cluster concept between statistic method and fuzzy set theory used to handle data when data is uncertainty. Uncertainty data can occur in quality control because of system measuring error, operator or area condition when determine of the observation sample. In this case, the use of fuzzy set theory approach is a tool used to deal with uncertainty of data. In addition to controlling the quality of the process, a company needs to perform process capability analysis. Process capability analysis is defined as the ability of a process to produce a product that fits the needs of consumers. Fuzzy control chart used in this study is fuzzy control chart ๐ผ๐ โ ๐๐
. Fuzzy control chart ๐ผ๐ โ ๐๐
is a combination of fuzzy control chart ๐ผ๐ that show a number of measurement results for controlling the mean process and fuzzy control chart ๐๐
that showing the difference from one measurement to be used for the next measurement and control process variability. The application of fuzzy control chart ๐ผ๐ โ ๐๐
indicates that there are some fuzzy samples is rather out of control and out of control on mean process and variability. So repairs to three iterations in order to obtain the condition of all fuzzy samples in control is required, both on mean process and in the process variability. Fuzzy control limits on the third iteration can be used as a reference in making decisions related to the production process control of PDAM. The result of the application of fuzzy process capability in the data residual chlorine of raw water taps showed that the process is capable. This can be seen from the values ๐ถ๐ > 1 and the value ๐ถ๐๐ > 1, which means that the production process is capable. PDAM water production process particularly chlorine residual levels already meet the standards set by the company and health authorities.
xvi
โซู
ูุฎุตโฌ โซุฑุญู
ุฉูุชูโช ,โฌุงููุชุง ุฏููู โช.2016.โฌุชุทุจูู ุชุญูู
ุงูุฑุณูู
ุงุช ุงูุถุจุงุจูุฉ ๐น๐ด โช ๐ฐ๐ฟ โโฌู ูุฏุฑุฉ ุนู
ููุฉ ุถุจุงุจูโฌ
โซุงูุฑูุงุถููุงุช โช.โฌููููุฉ ุงูุนููู
ูุงูุชูููููุฌูุง โช.โฌุฌุงู
ุนุฉโฌ โซุงุฅููุชุงุฌ ุนูู ู
ูุงูโช .PDAMโฌุญุจุซ ุงุฌูุงู
ุนูโช .โฌูุณู
ูโฌ โซู
ูุงููุง ู
ุงูู ุฅุจุฑุงููู
ุงุฅูุณุงูู
ูุฉ ุงุญูููู
ูุฉ ู
ุงุงูููโช.โฌู
ุดุฑูโช )1 :โฌูุฎุฑ ุงูุฑุงุฒู ุงุฏูุงุฌุณุชุฑู โช )2 .โฌุงุฑูโฌ โซููุณู ู
ุงุณุชููุช ุงุฏูุงุฌุณุชุฑูโฌ
โซุงูููู
ุงุช ุงูุฑ ุฆูุณูุฉโช :โฌุฑุณูู
ุงุช ุญุชูู
ุถุจุง ูุจโช ุโฌุญุชููู ูุฏุฑุฉ ุถุจุง ุจูุฉ ุนู
ููุฉโช.โฌโฌ โซุฎู
ุทุท ุงูุฑูุงุจุฉ ุบุงู
ุถ ูู ูุงุญุฏุฉ ู
ู ุงูุฏู
ุฌ ุจูู ุงุฏููุงููู
ู
ู ุงุฃูุณุงููุจ ุงุฅูุญุตุงุฆูุฉ ููุธุฑูุฉโฌ โซุงุฌู
ูู
ูุนุงุช ุงูุถุจุงุจูุฉ ุงููุช ู
ููู ุงุณุชุฎุฏุงู
ูุง ูู ู
ุนุงุฌูุฉ ุงูุจูุงูุงุช ุงููุช ุญุชุชูู ุนูู ุงูุดูููโช .โฌูุฏ ุญูุฏุซ ุนุฏู
ุงูุชูููโฌ โซู
ู ุงูุจูุงูุงุช ูู ู
ุฑุงูุจุฉ ุงุฌููุฏุฉููุธุงู
ุงูููุงุณ ุงุฎูุทุฃโช ุโฌุงุฏูุดุบู ุฃู ุงูุธุฑูู ุงูุจูุฆูุฉ ุนูุฏ ุญุชุฏูุฏ ุฎุตุงุฆุต ุงุฏูุงูุญุธุงุชโฌ โซุงูุนููุฉโช .โฌูู ูุฐู ุงุญูุงูุฉโช ุโฌูุงุณุชุฎุฏุงู
ููุฌ ุฌู
ู
ูุนุฉ ูุธุฑูุฉ ุบุงู
ุถ ูู ุงุฃูุฏุงุฉ ุงููุช ู
ููู ุงุณุชุฎุฏุงู
ูุง ููุชุนุงู
ู ู
ุน ุญุงูุฉโฌ โซุนุฏู
ุงููููู ู
ู ุงูุจูุงูุงุชโช .โฌุจุงุฅูุถุงูุฉ ุฅูู ุงูุชุญูู
ูู ุฌูุฏุฉ ุงูุนู
ููุฉโช ุโฌุญุชุชุงุฌ ุงูุดุฑูุฉ ุฅูุฌุฑุงุก ุญุชููู ุงููุฏุฑุฉ ุงูุนู
ููุฉโช.โฌโฌ โซููุนุฑู ุญุชููู ุงููุฏุฑุฉ ุงูุนู
ููุฉ ุนูู ุฃููุง ูุฏุฑุฉ ุนู
ููุฉ ุฅููุชุงุฌ ุงุฏููุชุฌ ุงูุฐู ููุงุณุจ ุงุญุชูุงุฌุงุช ุงุฏูุณุชูููููโช.โฌโฌ โซุฎู
ุทุท ุญุชูู
ุบุงู
ุถ ุงุฏูุณุชุฎุฏู
ุฉ ูู ูุฐุง ุงูุจุญุซ ูู ุฎู
ุทุท ุญุชูู
ุบุงู
ุถ ๐
๐ โช .๐ผ๐ โโฌุฎู
ุทุทโฌ โซุญุชูู
ุบุงู
ุถ ๐
๐ โช ๐ผ๐ โโฌูู ู
ุฒูุฌ ู
ู ุฎู
ุทุท ุญุชูู
ุบุงู
ุถ ๐๐ผ ุถู
ุนุฏุฏุง ู
ู ูุชุงุฆุฌ ุงูููุงุณ ููุณูุทุฑุฉ ุนููโฌ โซุนู
ููุฉ ูุนูู ุฎู
ุทุท ุญุชูู
ุบุงู
ุถ ๐
๐ ุชุจูู ุนุฏุฏ ุงุงูุฎุชุงููุงุช ูู ุงูููุงุณุงุช ูุงุญุฏ ูููุงุณ ุงุฏููุจูโช ุโฌููุณุชุฎุฏู
โฌ โซููุณูุทุฑุฉ ุนูู ุชููุจ ุงูุนู
ููุฉโช .โฌุนูู ุชุทุจูู ุฎู
ุทุท ุญุชูู
ุบุงู
ุถ ๐
๐ โช ๐ผ๐ โโฌุฃุธูุฑุช ุฃู ููุงู ุจุนุถ ุงูุฐูู ุณููโฌ โซุนููุงุช ุบุงู
ุถุฉ ุจุฏุงู โชrather out of controlโฌูโช out of controlโฌูู ุงุฏูุชูุณุท ูุงูุชุจุงููโช .โฌุญูุช ุฅุฌุฑุงุกโฌ โซุฅุตุงูุญุงุช ูุซุงูุซ ู
ุฑุงุช ุงูุชูุฑุงุฑ ู
ู ุฃุฌู ุงุญูุตูู ุนูู ุญุงูุฉ ู
ู ู
ุฌูุน ุงูุนููุงุช โช ุin controlโฌุณูุงุก ูู ุงุฏูุชูุณุทโฌ โซูุงูุชุจุงูู ุงูุนู
ููุฉโช .โฌุญุฏูุฏ ุญุชูู
ุบุงู
ุถ ุนูู ุงูุชูุฑุงุฑ ุงูุซุงูุซ ู
ููู ุงุณุชุฎุฏุงู
ูุง ูู
ุฑุฌุน ูู ุงุฎุชุงุฐ ุงููุฑุงุฑุงุช ุงุฏูุชุนููุฉโฌ โซู
ุจุฑุงูุจุฉ ุนู
ููุฉ ุงุฅููุชุงุฌ ู
ู ุตูุงุจุฑู ุงุฏููุงูโฌ โซุฃุธูุฑุช ูุชุงุฆุฌ ุชุทุจูู ุงููุฏุฑุฉ ุงูุนู
ููุฉ ุบุงู
ุถ ูู ุงูุจูุงูุงุช ุงููููุฑ ุงุฏูุชุจูู ู
ู ุตูุงุจุฑู ุงุฏููุงู ุงุฎูุงู
ุงููุชโฌ โซูุฏููุง ุงููุฏุฑุฉ ุงูุนู
ููุฉโช .โฌููุฐุง ู
ููู ุฃู ููุธุฑ ุฅููู ู
ู ููู
ุญุฒุจ โช ๐ถ๐ > 1โฌูููู
ุฉ โช ุ๐ถ๐๐ > 1โฌููู ู
ุง ูุนูู ุฃู ูุฏุฑุฉโฌ โซุนู
ููุฉ ุงุฅููุชุงุฌโช PDAM .โฌุนู
ููุฉ ุฅูุชุงุฌ ุงุฏููุงู ูุฎุตูุตุง ู
ุณุชููุงุช ุงููููุฑ ุงุฏูุชุจููุฉ ุชูุจูุฉ ุจุงููุนู ุงุฏูุนุงูุฑู ุงููุช ูุถุนุชูุงโฌ โซุงูุณูุทุงุช ุดุฑูุฉ ูุงูุตุญุฉโช.โฌโฌ
โซโชxviiโฌโฌ
BAB I PENDAHULUAN
1.1 Latar Belakang Menurut Harahap (2007), penyediaan air bersih untuk masyarakat mempunyai peranan yang sangat penting dalam meningkatkan kesehatan lingkungan atau masyarakat, yakni menurunkan angka penderita penyakit, khususnya yang berhubungan dengan air. Salah satu parameter air bersih adalah sisa klor. Pengukuran atau analisis sisa klor pada air sangat penting dalam proses industri, seperti pada proses produksi air minum, pengolahan makanan, instalasi pengolahan air minum serta dalam pengolahan sumber air bersih. Dalam proses pengolahan dan produksi air minum, nilai sisa klor dapat dijadikan sebagai indikator keberadaan zat organik dalam air. Oleh sebab itu, pengukuran sisa klor sangat berguna untuk instalasi pengolahan air untuk memastikan keamanan bagi kesehatan sehingga kualitas air tetap terjaga. Allah Swt. menciptakan manusia dengan disertai syahwat. Adanya syahwat pada diri manusia tidak sia-sia, akan tetapi terdapat faidah dan manfaat di dalamnya. Syahwat digunakan untuk memenuhi kebutuhan hidup manusia seperti makan, minum, dan mendapatkan keturunan. Akan tetapi seorang mukmin tidak boleh memperturutkan hawa nafsunya, bahkan dia harus mengendalikannya. Allah Swt. berfirman dalam al-Quran surat asy-Syams/91:7-8 ๏๏๏ ๏ค๏น๏ง๏ฑ๏ต๏ฑ๏ธ๏ฉ๏ณ๏ฟ๏ต๏ฒ ๏ค๏น๏ค๏ต๏๏ฑ๏จ๏ง๏ฉ๏บ ๏ค๏น๏ง๏น๏๏ฏ๏ฌ๏น๏ป๏ฒ๏ง๏ณ๏น ๏๏๏ ๏ค๏น๏ง๏ฑ๏ง๏ฑ๏น๏ ๏ค๏ด๏๏ต๏ฒ ๏ผ๏ง๏ธ๏ฟ๏ด๏๏ต๏ฒ
โDan jiwa (nafsu) serta penyempurnaan (ciptaan)-Nya. Maka Allah Swt. mengilhamkan kepada jiwa (nafsu) itu jalan kefasikan dan ketakwaannyaโ(QS. Asy-Syams/91:7-8).
1
2 Ayat tersebut menjelaskan bahwa Allah Swt. menerangkan kepada manusia jalan kefasikan dan jalan ketakwaan, kemudian memberi manusia petunjuk sesuai dengan apa yang telah ditetapkan Allah Swt. untuknya. Ibn Abbas mengatakan bahwa Allah Swt. mengilhamkan kepada manusia jalan kebaikan dan jalan keburukan. Jiwa (nafsu) itu sendiri pada dasarnya adalah fitrah yang bisa baik dan buruk. Nafsu itu akan menjadi baik dengan amal saleh dan menjadi buruk dengan perbuatan tercela (Al-Qarni, 2008). Keberadaan hawa nafsu pada manusia tidak tercela. Akan tetapi yang menjadikan hawa nafsu tercela adalah jika manusia melewati batas dalam memenuhi hawa nafsunya. Orang-orang yang takut akan kebesaran Allah Swt. akan tunduk dan patuh kepada Allah Swt. dengan melaksanakan segala perintahNya dan menjauhi segala larangan-Nya sehingga dapat mengendalikan hawa nafsunya. Oleh karena itu, pengendalian hawa nafsu pada diri setiap manusia sangat diperlukan agar tidak tersesat dan keluar dari jalan yang diridhai Allah (Katsir, 2008c). Kaitan surat asy-Syam/91:7-8 dengan pengendalian kualitas adalah manusia harus mengendalikan hawa nafsunya dan tidak menuruti semua hawa nafsunya agar Allah Swt. tidak memasukkannya ke dalam neraka. Seperti halnya manusia, sebuah perusahaan harus mengendalikan proses produksinya agar selalu dalam batas kendali yang telah ditetapkan oleh perusahaan. Jika proses produksi keluar dari batas kendali maka sudah pasti barang yang diproduksi tidak baik sehingga perusahaan harus mencari penyebab dan memperbaiki kembali proses produksi sehingga tidak ada lagi yang keluar dari batas kendali.
3 Salah satu indikator dalam air bersih adalah sisa klor yang merupakan bagian dari kontrol kualitas (quality control) untuk memastikan efisiensi dalam pengolahan atau proses produksi air. Untuk mengurangi variabilitas dalam proses produksi diperlukan suatu pengendalian proses produksi. Dalam hal ini, pengendalian proses produksi dapat dilakukan dengan pengendalian kualitas proses statistik atau Statistical Process Control (SPC). Montgomery (2009) menjelaskan bahwa tujuan pokok pengendalian kualitas statistik adalah menyidik dengan cepat terjadinya sebab-sebab terduga atau pergeseran proses sehingga penyelidikan terhadap proses dan tindakan pembetulan dapat dilakukan sebelum terlalu banyak unit yang tidak sesuai diproduksi. Salah satu alat yang digunakan dalam SPC adalah grafik pengendali. Grafik pengendali adalah alat yang digunakan pada pengendalian proses statistik. Grafik pengendali digunakan untuk mengamati apakah proses terkendali atau tidak terkendali. Grafik pengendali pertama kali dikenalkan oleh Schewhart, dan disebut dengan grafik pengendali klasik. Grafik pengendali dapat diklasifikasikan ke dalam dua tipe umum, yaitu grafik pengendali sifat (atribut) dan grafik pengendali untuk variabel. Grafik pengendali variabel digunakan apabila karakteristik kualitas dapat diukur dan dinyatakan dalam bilangan (Montgomery, 2009). Menurut Ariani (2004), salah satu grafik pengendali variabel adalah grafik pengendali ๐ผ๐ โ ๐๐
. Grafik pengendali moving range (๐๐
) lebih cocok digunakan dalam suatu kegiatan industri yang proses produksinya berjalan selama 24 jam secara terus menerus. Grafik pengendali ๐ผ๐ โ ๐๐
digunakan untuk pengendalian proses yang ukuran sampelnya hanya satu (๐ = 1). Hal ini terjadi
4 apabila pemeriksaan dilakukan secara otomatis dan pada tingkat produksi yang sangat lambat, sehingga sukar untuk mengambil ukuran contoh yang lebih besar dari satu (๐ > 1). Kasus ini banyak dijumpai pada industri kimia. Grafik pengendali ๐ผ๐ dan ๐๐
diterapkan pada proses yang menghasilkan produk relatif homogen seperti kandungan mineral dari air atau makanan. Dalam hal ini, peneliti menggambil data salah satu kandungan air yaitu sisa klor. Dalam melakukan pengukuran sisa klor, Perusahaan Daerah Air Minum (PDAM) Surya Sembada Surabaya mengambil sampel setiap satu jam sekali dan proses produksinya berlangsung selama 24 jam. Sehingga grafik pengendali ๐ผ๐ โ ๐๐
dipilih dalam penulisan skripsi ini. Selain menentukan grafik pengendali, langkah selanjutnya dalam pengendalian kualitas statistik adalah menganalisis kapabilitas proses suatu produk. Analisis kapabilitas proses didefinisikan sebagai kemampuan sebuah proses untuk menghasilkan suatu produk yang sesuai dengan kebutuhan dari konsumen. Indeks kapabilitas proses adalah output utama dari analisis kapabilitas proses yang menggambarkan seberapa jauh proses tersebut dapat memenuhi batas spesifikasi yang diharapkan oleh konsumen. Batas spesifikasi (specification limit) merupakan batas yang ditentukan oleh konsumen atau target yang harus dicapai. Jika nilai minimum pada indeks kapabilitas proses diperoleh, proses disebut sebagai โcapableโ yang berarti bahwa batas spesifikasi di luar batas kendali. Sedangkan jika nilai minimum tidak diperoleh, maka proses dinamakan โnot capableโ (Nasiri dan Darestani, 2016). Ketidakpastian data dapat terjadi dalam pengendalian kualitas karena adanya kesalahan sistem pengukuran, operator atau kondisi lingkungan pada saat
5 penentuan karakteristik sampel pengamatan. Dalam hal ini, penggunaan pendekatan teori himpunan kabur merupakan alat yang dapat digunakan untuk menangani ketidakpastian data. Grafik pengendali kabur merupakan salah satu konsep penggabungan antara metode statistik dan teori himpunan kabur yang dapat digunakan dalam menangani data yang mengandung ketidakpastian. Beberapa penelitian tentang penggabungan antara metode statistik dan teori himpunan kabur dalam konsep grafik pengendali ini telah dikembangkan. Pada tahun 2011, grafik pengendali ๐ โ ๐
dikembangkan menggunakan modus kabur dan metode ketentuanketentuan kabur. Kaya dan Kahraman (2011) menghitung ๐ถ๐ , ๐ถ๐๐ dengan bilangan kabur segitiga (triangular fuzzy number) dan bilangan kabur trapesium (trapezium fuzzy number). Hasil dari penelitian tersebut menggambarkan bahwa indeks kapabilitas proses kabur lebih fleksibel. Kaya dan Kahraman juga menghitung median, standar deviasi, dan rata-rata pada proses menggunakan potongan ๐ผ. Setelah itu Kaya dan Kahraman juga menghitung indeks kapabilitas proses seperti ๐ถ๐ , ๐ถ๐๐ , ๐ถ๐๐ , ๐ถ๐๐ข dengan potongan ๐ผ. Darestani dan Tadi (2014) mengembangkan grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan modus kabur (fuzzy mode) dan pendekatan aturan-aturan kabur (fuzzy rules approach). Berdasarkan penelitian-penelitian yang sudah dikembangkan, penulis tertarik untuk menganalisis grafik pengendali kabur ๐ผ๐ โ ๐๐
dan kapabilitas proses kabur pada data kualitas produksi air. Sehingga judul dalam skripsi ini adalah โPenerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
dan Kapabilitas Proses Kabur pada Pengendalian Kualitas Produksi Air PDAMโ.
6 1.2 Rumusan Masalah Rumusan masalah penelitian ini yaitu: 1. Bagaimana hasil analisis penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules pada pengendalian kualitas proses produksi air PDAM? 2. Bagaimana kapabilitas proses kabur pada produksi air PDAM berdasarkan grafik pengendali kabur ๐ผ๐ โ ๐๐
?
1.3 Tujuan Penelitian Tujuan penelitian ini yaitu: 1. Mengetahui hasil analisis penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules
pada pengendalian kualitas proses
produksi air PDAM. 2. Mengetahui kapabilitas proses kabur pada produksi air PDAM berdasarkan grafik pengendali kabur ๐ผ๐ โ ๐๐
.
1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini yaitu: a. Bagi Penulis Menambah pengetahuan penulis mengenai grafik pengendali kabur dan kapabilitas proses pada pengendalian kualitas proses produksi.
7 b. Bagi Perusahaan Dapat digunakan sebagai masukan bagi perusahaan dalam pengelolaan kebijakan perusahaan dalam menentukan strategi dan pengendalian kualitas pada masa yang akan datang sebagai upaya peningkatan mutu. c. Bagi Pembaca Penulis berharap penelitian ini mampu memberikan informasi tentang grafik pengendali kabur dan kapabilitas proses kabur pada pengendalian kualitas proses produksi untuk dipelajari sebagai acuan penelitian selanjutnya. d. Bagi Lembaga Sebagai tambahan pengetahuan, tambahan wawasan keilmuan matematika, dan sebagai tambahan kajian pustaka.
1.5 Batasan Masalah Berdasarkan rumusan masalah dan tujuan penelitian, pembatasan masalah penelitian ini yaitu: 1. Fungsi keanggotaan yang digunakan dalam penelitian ini adalah fungsi keanggotaan kurva trapesium. 2. Analisis grafik pengendali kabur dibatasi pada penentuan batas kendali grafik pengendali kabur. 3. Data yang digunakan dalam penelitian ini adalah data pengamatan kandungan air PDAM yang berupa sisa klor.
8 1.6 Sistematika Penulisan Penulisan skripsi ini terdiri dari lima bab yang merupakan rangkaian antara satu bab dengan bab yang lainnya. Bab-bab tersebut disusun secara sistematis sebagai berikut. Bab I Pendahuluan Bab ini meliputi latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan. Bab II Kajian Pustaka Bab ini memaparkan teori-teori yang mendukung dalam skripsi ini yaitu teori tentang pengendalian kualitas proses statistik, grafik pengendali, grafik pengendali untuk variabel, himpunan kabur, bilangan kabur, bilangan kabur berdasarkan keanggotaan kurva trapesium, grafik pengendali kabur ๐ผ๐ โ ๐๐
, pendekatan fuzzy rules grafik pengendali kabur, kapabilitas proses, kapabilitas proses kabur, serta kajian agama tentang gharizah baqaโ. Bab III Metode Penelitian Bab ini meliputi pendekatan penelitian, jenis dan sumber data, teknik pengumpulan data, dan analisis data. Bab IV Pembahasan Bab ini menganalisis dan membahas penerapan hasil grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules dan penerapan
kapabilitas proses kabur pada data produksi air PDAM. Bab IV Penutup Bab ini memaparkan hasil dari pembahasan berupa kesimpulan dan saran.
BAB II KAJIAN PUSTAKA 2.1 Pengendalian Kualitas Proses Statistik Air merupakan sumber kehidupan manusia dan makhluk hidup lainnya karena 80% komponen penyusun makhluk hidup merupakan air. PDAM merupakan salah satu perusahaan yang memproduksi air dan disalurkan ke masyarakat. Salah satu kandungan air yang diproduksi oleh PDAM adalah sisa klor. Jika sisa klor ini melebihi batas yang telah ditentukan oleh dinas kesehatan, maka air dalam keadaan tercemar. Oleh karena itu, perlu diadakan suatu pengendalian supaya kualitas air yang di konsumsi oleh masyarakat tetap terjaga (Harahap, 2007). Menurut Cheng (2005), pengendalian kualitas proses statistik merupakan sebuah teknik untuk menunjukkan penyebab terjadinya variasi sehingga dapat dilakukan sebuah tindakan untuk memperbaiki. Pengendalian kualitas proses statistik telah muncul di berbagai bidang industri dan jasa dengan tujuan untuk meningkatkan kualitas dan efisiensi produk yang dihasilkan. Tujuan utama dalam pengendalian proses statistik adalah mendeteksi adanya penyebab khusus dalam variabilitas atau kesalahan-kesalahan proses melalui analisis data dari masa lalu maupun masa mendatang. Variasi proses sendiri disebabkan oleh dua macam penyebab, yaitu penyebab umum yang sudah melekat pada proses seperti penyimpangan pada bahan baku, kinerja karyawan, kinerja mesin, suhu udara, dan kelembapan udara. Sedangkan penyebab khusus merupakan kesalahan yang biasanya muncul dalam proses sehingga nantinya dapat memprediksi proses berada dalam kondisi stabil atau sebaliknya. Contoh 9
10 dari penyebab khusus seperti penggunaan alat, kesalahan operator, kesalahan penyiapan mesin, kesalahan perhitungan, kesalahan bahan baku, dan kesalahankesalahan yang tidak tampak dalam proses (Ariani, 2004). Menurut Gryna (2001) dalam Ariani (2004), manfaat pengendalian proses statistik yaitu: 1. Proses memiliki stabilitas yang memungkinkan organisasi dapat memprediksi perilaku paling tidak untuk jangka pendek. 2. Proses memiliki identitas dalam menyusun seperangkat kondisi yang penting untuk membuat prediksi masa mendatang. 3. Proses yang berada dalam kondisi in control (berada dalam batas pengendalian statistik) beroperasi dengan variabilitas yang lebih kecil daripada proses yang memiliki penyebab khusus. Proses yang variasi prosesnya disebabkan oleh penyebab khusus merupakan proses yang tidak stabil dan memiliki kesalahan yang berlebihan sehingga harus ditutup dengan mengadakan perubahan untuk mencapai perbaikan.
2.2 Grafik Pengendali Grafik pengendali (control chart) merupakan suatu alat yang digunakan untuk menentukan suatu proses berada dalam kendali statistik atau tidak. Secara umum grafik pengendali diklasifikasikan ke dalam dua tipe. Pertama, grafik pengendali variabel yaitu apabila karakteristik kualitas dapat diukur dan dinyatakan dalam bilangan. Misalnya, diameter bantalan poros dapat diukur dengan mikrometer dan dinyatakan dalam milimeter. Suatu karakteristik kualitas yang dapat diukur, seperti dimensi, berat, atau volume (Montgomery, 2009).
11 Kedua, grafik pengendali atribut (sifat) yaitu apabila tidak memungkinkan dilakukan pengukuran. Contoh karakteristik kualitas yang merupakan grafik pengendali atribut yaitu goresan, kesalahan, warna, atau ada bagian yang hilang. Selain itu, atribut digunakan apabila pengukuran dapat dibuat tetapi tidak dibuat karena alasan waktu, biaya, atau kebutuhan (Ariani, 2004). Menurut Montgomery (2009), secara umum model grafik pengendali dirumuskan sebagai berikut: ๐๐ถ๐ฟ = ๐๐ค + ๐๐๐ค ๐ถ๐ฟ = ๐๐ค
(2.1)
๐ฟ๐ถ๐ฟ = ๐๐ค โ ๐๐๐ค dengan, ๐๐ถ๐ฟ : batas kendali atas (upper control limit) ๐ถ๐ฟ
: garis tengah (center line)
๐ฟ๐ถ๐ฟ
: batas kendali bawah (lower control limit)
๐ค
: statistik sampel yang digunakan sebagai ukuran karakteristik kualitas proses produksi
๐
: jarak batas kendali dari garis tengah yang dinyatakan dalam unit standar deviasi
๐๐ค
: rata-rata dari ๐ค
๐๐ค
: standar deviasi dari ๐ค Menurut Montgomery (2009), teori umum grafik pengendali ini pertama
kali dikemukakan oleh Dr. Walter A. Shewhart. Grafik pengendali yang dikembangkan menurut prinsip ini biasanya disebut grafik pengendali Shewhart. Berikut ini ditunjukkan contoh grafik pengendali statistik:
12
Gambar 2.1 Contoh Grafik Pengendali Statistik
Berdasarkan Gambar 2.1 tersebut, sumbu ๐ฆ menunjukkan nilai karakteristik kualitas yang diukur. Sedangkan sumbu ๐ฅ menunjukkan waktu atau nomor pengamatan. Garis hijau yang berada di tengah merupakan garis tengah (๐ถ๐ฟ) yang menunjukkan besar nilai rata-rata karakteristik kualitas yang diukur. Garis merah merupakan batas kendali atas (๐๐ถ๐ฟ) dan batas kendali bawah (๐ฟ๐ถ๐ฟ). Titik-titik yang dihubungkan oleh garis adalah statistik sampel yang diukur karakteristik kualitasnya terhadap waktu atau nomor pengamatan tersebut. Selama titik-titik terletak di dalam batas-batas pengendali, proses dianggap dalam keadaan terkendali secara statistik dan tidak perlu tindakan apapun. Tetapi jika ada satu titik yang terletak di luar batas pengendali (di bawah ๐ฟ๐ถ๐ฟ atau di atas ๐๐ถ๐ฟ), maka hal ini sebagai indikasi bahwa proses tidak terkendali, dan diperlukan penyelidikan atau perbaikan untuk mengetahui dan menghilangkan penyebab tersebut.
2.3 Grafik Pengendali untuk Variabel Grafik pengendali untuk variabel merupakan prosedur pengendali yang lebih efisien dan memberikan informasi tentang kondisi proses lebih banyak dari pada grafik pengendali sifat (Montgomery, 2009).
13 Salah satu grafik pengendali variabel adalah grafik pengendali ๐ผ๐ โ ๐๐
. Grafik pengendali ๐ผ๐ โ ๐๐
merupakan gabungan dari peta kendali ๐ผ๐ (individual) yang menampilkan angka hasil pengukuran untuk mengendalikan rata-rata proses. Grafik pengendali ๐๐
(moving range) yang menampilkan perbedaan angka dari pengukuran yang satu ke pengukuran selanjutnya dan digunakan untuk mengendalikan variabilitas proses (Montgomery, 2009). Menurut Darestani dan Tadi (2014), grafik pengendali ๐ผ๐ โ ๐๐
digunakan jika dalam keadaan sebagai berikut: 1. Menggunakan teknologi pengukuran dan inspeksi otomatis. 2. Siklus produksi sangat lama dan tidak dapat menganalisis lebih dari satu sampel. 3. Proses pengambilan sampel sangat lambat atau membutuhkan biaya yang banyak. Grafik pengendali ๐ผ๐ dan ๐๐
diterapkan pada keadaan-keadaan tersebut. Prosedur pengendaliannya menggunakan moving range dua observasi yang berturut-turut untuk menaksir variabilitas proses. Menurut Montgomery (2009), moving range didefinisikan sebagai berikut ๐๐
๐ = ๐๐ โ ๐๐โ1
(2.2)
dengan, ๐๐
๐ : moving range sampel ke-i ๐๐
: data sampel ke-i
๐๐โ1 : data sampel ke-i-1 Biasanya, data pertama tidak mempunyai moving range. Moving range baru dimiliki oleh data atau sampel kedua sampai terakhir.
14 Menurut Montgomery (2009), batas pengendali untuk moving range adalah: ๐๐ถ๐ฟ = ๐ท4 ๐๐
๐ถ๐ = ๐๐
=
๐ฅ๐ โ ๐ฅ๐โ1 ๐
(2.3)
๐ฟ๐ถ๐ฟ = ๐ท3 ๐๐
dengan, ๐ท4 : nilai konstan ๐ท4 untuk grafik pengendali ๐๐
. ๐ท3 : nilai konstan ๐ท3 untuk grafik pengendali ๐๐
. ๐๐
: rata-rata moving range dua observasi. Sedangkan batas pengendali untuk grafik pengendali rata-rata individu adalah: ๐๐ถ๐ฟ = ๐ +
๐ถ๐ = ๐ = ๐ฟ๐ถ๐ฟ = ๐ โ
3๐๐
๐2 ๐ ๐=1 ๐
(2.4)
๐ 3๐๐
๐2
dengan, ๐
: rata-rata data individu.
๐ท2 : nilai konstan ๐ท2 . ๐๐
: rata-rata moving range dua observasi.
2.4 Himpunan Kabur Menurut Susilo (2006), teori himpunan kabur diperkenalkan oleh Lotfi Asker Zadeh, seorang guru besar pada University of California, Amerika Serikat. Zadeh memperluas konsep himpunan klasik menjadi himpunan kabur (fuzzy set),
15 dalam artian bahwa himpunan klasik (crisp set) merupakan kejadian khusus dari himpunan kabur. Zadeh memperluas konsep fungsi karakteristik tersebut dan mendefinisikan himpunan kabur dengan menggunakan fungsi keanggotaan yang nilainya berada dalam selang tertutup
0, 1 . Sehingga keanggotaan dalam
himpunan kabur tidak lagi merupakan sesuatu yang tegas, melainkan sesuatu yang berderajat atau bergradasi secara kontinu. Fungsi keanggotaan yang sering digunakan adalah bentuk segitiga, trapesium dan lonceng. Fungsi keanggotaan yang digunakan dalam penelitian ini adalah fungsi keanggotaan dengan bentuk trapesium. Suatu fungsi keanggotaan himpunan kabur disebut fungsi keanggotaan trapesium jika mempunyai empat buah parameter, yaitu ๐, ๐, ๐, ๐ โ โ dengan ๐ < ๐ < ๐ < ๐, dan dinyatakan dengan trapesium (๐ฅ, ๐, ๐, ๐, ๐). Menurut Kusumadewi dan Purnomo (2004), kurva trapesium pada dasarnya merupakan gabungan antara dua garis (linier) seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1 seperti terlihat pada Gambar 2.2. ๐(๐ฅ)
0
a
b
c
d
Gambar 2.2 Kurva Keanggotaan Trapesium
Fungsi keanggotaan dapat ditentukan dengan menggunakan persamaan garis linier yang melalui dua titik. Misal suatu garis linier melalui titik ๐ด(๐ฅ1 , ๐ฆ1 ) dan titik ๐ต(๐ฅ2 , ๐ฆ2 ), maka persamaan garis liniernya adalah:
16 ๐ฅ โ ๐ฅ1 ๐ฆ โ ๐ฆ1 = ๐ฅ2 โ ๐ฅ1 ๐ฆ2 โ ๐ฆ1
(2.5)
Misalkan ๐ฆ = ๐(๐ฅ), dengan ๐(๐ฅ) adalah derajat keanggotaan dari himpunan kabur ๐ฅ maka, a. Jika ๐ฅ < ๐ atau ๐ฅ > ๐, maka ๐ ๐ฅ =0
(2.6)
b. Jika ๐ โค ๐ฅ โค ๐, maka ๐ฅ โ ๐ฅ1 ๐ฆ โ ๐ฆ1 = ๐ฅ2 โ ๐ฅ1 ๐ฆ2 โ ๐ฆ1 ๐ฅโ๐ ๐ฆโ0 = ๐โ๐ 1โ0 ๐ฆ=
๐ฅโ๐ ๐โ๐
๐ ๐ฅ =
๐ฅโ๐ ๐โ๐
(2.7)
c. Jika ๐ โค ๐ฅ โค ๐, maka ๐ฆ=๐ ๐ฅ =1 d. Jika ๐ โค ๐ฅ โค ๐, maka ๐ฅ โ ๐ฅ1 ๐ฆ โ ๐ฆ1 = ๐ฅ2 โ ๐ฅ1 ๐ฆ2 โ ๐ฆ1 ๐ฅโ๐ ๐ฆโ1 = ๐โ๐ 0โ1 ๐ฆโ1 ๐โ๐ =โ ๐ฅโ๐ ๐ฆ ๐โ๐ โ1 ๐โ๐ =โ ๐ฅโ๐ ๐ฆ ๐ โ ๐ โ ๐ + ๐ = โ๐ฅ + ๐ ๐ฆ ๐ โ ๐ = โ๐ฅ + ๐ + ๐ โ ๐ ๐ฆ ๐ โ ๐ = โ๐ฅ + ๐
(2.8)
17 ๐ฆ =
๐โ๐ฅ ๐โ๐
๐ ๐ฅ =
๐โ๐ฅ ๐โ๐
(2.9)
Menurut Kusumadewi dan Purnomo (2004), fungsi keanggotaan trapesium yaitu:
๐ ๐ฅ =
0 ; ๐ฅโ๐ ; ๐โ๐ 1 ; ๐โ๐ฅ ; ๐โ๐
๐ฅ < ๐ atau ๐ฅ > ๐
(2.10)
๐โค๐ฅโค๐ ๐โค๐ฅโค๐ ๐โค ๐ฅโค๐
dengan, ๐ : nilai domain terkecil yang mempunyai derajat keanggotaan nol ๐ : nilai domain terkecil yang mempunyai derajat keanggotaan satu ๐ : nilai domain terbesar yang mempunyai derajat keanggotaan satu ๐ : nilai domain terbesar yang mempunyai derajat keanggotaan nol ๐ฅ : nilai input yang akan diubah ke dalam bilangan kabur
2.5 Bilangan Kabur Secara umum bilangan kabur didefinisikan sebagai himpunan kabur dalam semesta himpunan bilangan real yang memenuhi empat sifat yaitu normal, mempunyai pendukung yang terbatas, semua potongan ๐ผ-nya adalah selang tertutup dalam bilangan real, dan konveks (Susilo, 2006). Konsep bilangan kabur muncul dalam kehidupan sehari-hari maupun dalam aplikasi teori kabur dalam bentuk besaran yang dinyatakan dengan bilangan yang tidak tepat, seperti โsekitar 7 Kmโ, โkurang lebih 10 buahโ, dan โkira-kira 3 jamโ. Ungkapan โsekitar 7โ dapat dinyatakan dengan suatu himpunan kabur pada semesta ๐
, di mana bilangan 7 mempunyai derajat keanggotaan sama dengan 1,
18 dan bilangan-bilangan di sekitar 7 mempunyai derajat keanggotaan kurang dari 1. Apabila bilangan-bilangan itu semakin jauh dari 7, maka derajat keanggotaannya semakin mendekati 0 (Susilo, 2006).
2.6 Bilangan Kabur Berdasarkan Fungsi Keanggotaan Kurva Trapesium. Setiap sampel pengamatan pada kasus kabur direpresentasikan ke dalam bilangan kabur berdasarkan fungsi keanggotaan yang digunakan. Jika sistem kendali logika kabur bekerja dengan kaidah dan masukan kabur, maka langkah pertama adalah mengubah masukan tegas yang diterima menjadi masukan kabur. Menurut Susilo (2006), untuk masing-masing variabel masukan ditentukan suatu fungsi pengkaburan (fuzzification function) yang akan mengubah nilai variabel masukan yang tegas (yang biasanya dinyatakan dalam bilangan real) menjadi nilai pendekatan yang kabur. Jadi fungsi pengkaburan adalah pemetaan ๐: โ โ ๐พ, di mana ๐พ adalah suatu kelas himpunan kabur dalam semesta โ. Penelitian ini menggunakan fungsi keanggotaan kurva trapesium. Fungsi pengaburan trapesium memetakan nilai ๐ โ โ ke himpunan kabur ๐ด dengan fungsi keanggotaan berbentuk trapesium, yaitu: ๐๐ = ๐ โ ๐ผ1 ๐ ๐๐ = ๐ โ ๐ผ2 ๐ ๐๐ = ๐ + ๐ผ2 ๐ ๐๐ = ๐ + ๐ผ1 ๐ dengan, ๐ : standar deviasi dari sampel ๐ผ : multiplier > 0, dengan ๐ผ1 > ๐ผ2
19 ๐๐ : sampel terkecil yang mempunyai derajat keanggotaan 0 ๐๐ : sampel sedang yang mempunyai derajat keanggotaan 1 ๐๐ : sampel sedang yang mempunyai derajat keanggotaan 1 ๐๐ : sampel terbesar yang mempunyai derajat keanggotaan 0 Dengan demikian representasi bilangan kabur berdasarkan fungsi keanggotaan kurva trapesium adalah: ๐ = ๐๐ , ๐๐ , ๐๐ , ๐๐
dan gambar representasi bilangan kabur adalah: ๐(๐ฅ)
๐๐
๐๐
๐๐
๐๐
Gambar 2.3 Representasi Bilangan Kabur Trapesium
Berdasarkan Gambar 2.3 fungsi keanggotaan kurva trapesium pada persamaan (2.10) menjadi 0 , ๐ < ๐๐ atau ๐ > ๐๐ ๐ โ ๐๐ , ๐๐ โค ๐ โค ๐๐ ๐๐ โ ๐๐ ๐ ๐ = 1 , ๐๐ โค ๐ โค ๐๐ ๐๐ โ ๐ , ๐๐ < ๐ โค ๐๐ ๐๐ โ ๐๐ Kemudian didefinisikan bilangan kabur trapesium sebagai wakil dari setiap pengamatan ke-i adalah: ๐๐ = ๐๐๐น๐ ๐๐๐ , ๐๐๐ , ๐๐๐ , ๐๐๐ ; ๐ = 1, 2, 3, โฆ , ๐
20 2.7 Grafik Pengendali Kabur ๐ฐ๐ฟ โ ๐ด๐น Grafik pengendali kabur ๐ผ๐ โ ๐๐
didasarkan pada bilangan kabur trapesium. Sehingga setiap sampel direpresentasikan ke dalam bilangan kabur trapesium. Menurut Darestani dan Tadi (2014), persamaan untuk bilangan kabur trapesium adalah sebagai berikut: ๐๐ = ๐๐๐น๐ ๐๐๐ , ๐๐๐ , ๐๐๐ , ๐๐๐ ; ๐ = 1, 2, 3, โฆ , ๐
(2.11)
Garis tengah dari grafik pengendali kabur ๐ผ๐ (๐ถ๐ฟ๐ผ๐ ) adalah nilai rata-rata dari sampel yang dapat dihitung sebagai berikut: ๐=
๐ ๐=1 ๐๐๐
๐
,
๐ ๐=1 ๐๐๐
๐
,
๐ ๐=1 ๐๐๐
๐
,
๐ ๐=1 ๐๐๐
(2.12)
๐
= ๐๐๐น๐ ๐๐๐ , ๐๐๐ , ๐๐๐ , ๐๐๐ dengan ๐ adalah banyak pengamatan. Sehingga nilai ๐ถ๐ฟ๐ผ๐ adalah ๐ถ๐ฟ๐ผ๐ = ๐๐ , ๐๐ , ๐๐ , ๐๐ = ๐๐๐น๐(๐ถ๐ฟ๐ , ๐ถ๐ฟ๐ , ๐ถ๐ฟ๐ , ๐ถ๐ฟ๐ ) Batas-batas grafik pengendali kabur ๐ผ๐ yang meliputi ๐๐ถ๐ฟ๐ผ๐ , ๐ถ๐ฟ๐ผ๐ , dan ๐ฟ๐ถ๐ฟ๐ผ๐ berdasarkan persamaan (2.4) adalah sebagai berikut: ๐๐ถ๐ฟ๐ผ๐ = ๐ถ๐ฟ + 3
๐๐
๐2
= ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐ + 3
= ๐๐๐น๐ ๐๐ + 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
(๐๐
๐ ) ๐๐
๐ ๐๐
๐ ๐๐
๐ , ๐๐ + 3 , ๐๐ + 3 , ๐๐ + 3 ๐2 ๐2 ๐2 ๐2
= ๐๐๐น๐(๐๐ถ๐ฟ๐ผ๐๐ , ๐๐ถ๐ฟ๐ผ๐๐ , ๐๐ถ๐ฟ๐ผ๐๐ , ๐๐ถ๐ฟ๐ผ๐๐ )
๐ถ๐ฟ๐ผ๐
(2.13)
= ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐ = ๐๐๐น๐(๐ถ๐ฟ๐ผ๐๐ , ๐ถ๐ฟ๐ผ๐ ๐ , ๐ถ๐ฟ๐ผ๐๐ , ๐ถ๐ฟ๐ผ๐ ๐ )
(2.14)
21 ๐ฟ๐ถ๐ฟ๐ผ๐ = ๐ถ๐ฟ โ 3
๐๐
๐2
= ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐ โ 3
= ๐๐๐น๐ ๐๐ โ 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
(๐๐
๐ ) ๐๐
๐ ๐๐
๐ ๐๐
๐ , ๐๐ โ 3 , ๐๐ โ 3 , ๐๐ โ 3 ๐2 ๐2 ๐2 ๐2
= ๐๐๐น๐(๐ฟ๐ถ๐ฟ๐ผ๐๐ ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ , ๐ฟ๐ถ๐ฟ๐ผ๐๐ , ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ )
(2.15)
dengan, ๐๐ถ๐ฟ๐ผ๐ ๐ : batas atas grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐ ๐ถ๐ฟ๐ผ๐๐
: garis tengah grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐
๐ฟ๐ถ๐ฟ๐ผ๐ ๐ : batas bawah grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐ ๐๐
: rata-rata bilangan trapesium, ๐ = ๐, ๐, ๐, ๐
๐๐
๐
: rata-rata moving range bilangan trapesium, ๐ = ๐, ๐, ๐, ๐
๐2
: nilai ketetapan pada tabel faktor Dengan menggunakan formula grafik pengendali ๐ผ๐ โ ๐๐
, batas kendali
grafik pengendali kabur ๐๐
berdasarkan persamaan (2.2) adalah: ๐๐
๐ = =
๐๐๐ , ๐๐๐ , ๐๐๐ , ๐๐๐ โ ๐๐๐ โ1 , ๐๐๐ โ1 , ๐๐๐ โ1 , ๐๐๐ โ1 ๐๐๐ โ ๐๐๐ โ1 , ๐๐๐ โ ๐๐๐โ1 , ๐๐๐ โ ๐๐๐ โ1 , ๐๐๐ โ ๐๐๐ โ1
= ๐๐๐น๐(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ )
(2.16)
22 dan untuk rata-rata dari moving range adalah: ๐ โ1 ๐=2 ๐ ๐
๐๐
๐๐
=
๐โ1
,
๐ โ1 ๐=2 ๐ ๐
๐๐
๐โ1
,
๐ โ1 ๐=2 ๐๐
๐๐
๐โ1
,
๐ โ1 ๐=2 ๐ ๐
๐๐
(2.17)
๐โ1
= ๐๐๐น๐ ๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ Sehingga diperoleh batas-batas kendali untuk grafik pengendali kabur ๐ผ๐ โ ๐๐
berdasarkan persamaan (2.3) sebagai berikut: ๐๐ถ๐ฟ๐๐
= ๐ท4 ๐๐
= ๐ท4 ๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ (2.18) = ๐๐๐น๐ ๐ท4 ๐๐
๐ , ๐ท4 ๐๐
๐ , ๐ท4 ๐๐
๐ , ๐ท4 ๐๐
๐ = ๐๐๐น๐ ๐๐ถ๐ฟ๐๐
๐ , ๐๐ถ๐ฟ๐๐
๐ , ๐๐ถ๐ฟ๐๐
๐ , ๐๐ถ๐ฟ๐๐
๐ ๐ถ๐ฟ๐๐
= ๐๐
= ๐๐๐น๐ ๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ = ๐๐๐น๐ ๐ถ๐ฟ๐๐
๐ , ๐ถ๐ฟ๐๐
๐ , ๐ถ๐ฟ๐๐
๐ , ๐ถ๐ฟ๐๐
๐
๐ฟ๐ถ๐ฟ๐๐
= ๐ท3 ๐๐
= ๐ท3 ๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ (2.19) = ๐๐๐น๐ ๐ท3 ๐๐
๐ , ๐ท3 ๐๐
๐ , ๐ท3 ๐๐
๐ , ๐ท3 ๐๐
๐ = ๐๐๐น๐ ๐ฟ๐ถ๐ฟ๐๐
๐ , ๐ฟ๐ถ๐ฟ๐๐
๐ , ๐ฟ๐ถ๐ฟ๐๐
๐ , ๐ฟ๐ถ๐ฟ๐๐
๐ dengan, ๐๐ถ๐ฟ๐๐
๐ : batas atas grafik pengendali kabur ๐๐
dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐ ๐ถ๐ฟ๐๐
๐
: garis tengah grafik pengendali kabur ๐๐
dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐
23 ๐ฟ๐ถ๐ฟ๐๐
๐
: batas bawah grafik pengendali kabur ๐๐
dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐
๐ท3
: nilai ketetapan pada tabel faktor
๐ท4
: nilai ketetapan pada tabel faktor
2.8 Pendekatan Fuzzy Rules Grafik Pengendali Kabur Darestani dan Tadi (2014) mengembangkan grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan fuzzy mode dan pendekatan fuzzy rules yang didasarkan pada bilangan kabur trapesium. Aturan-aturan yang sudah dibuat digunakan untuk menentukan sebuah proses terkendali atau tidak. Sebuah proses dikatakan terkendali apabila seluruh daerah sampel berada di dalam batas pengendali ๐๐ถ๐ฟ dan ๐ฟ๐ถ๐ฟ. Sedangkan sebuah proses dikatakan tidak terkendali apabila daerah sampel berada di luar batas kendali ๐๐ถ๐ฟ dan ๐ฟ๐ถ๐ฟ. Menurut Darestani dan Tadi (2014), Pendekatan fuzzy rules grafik pengendali kabur ๐ผ๐ โ ๐๐
memiliki aturan khusus. Aturan-aturan tersebut meliputi ๐ถ๐ผ๐ yang merupakan persentase daerah rata-rata sampel kabur yang berada di dalam batas kendali grafik pengendali kabur ๐ผ๐ dan ๐ถ๐๐
yang merupakan persentase daerah rata-rata sampel kabur yang berada di dalam batas kendali grafik pengendali kabur ๐๐
. Aturan yang digunakan sebagai berikut:
24
1โ ๐ถ๐ผ๐ ๐ =
1
, ๐๐๐ โค ๐๐ถ๐ฟ๐ผ๐๐ โง (๐๐๐ โฅ ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ )
0
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐ ๐ ) โจ (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
๐๐๐ โ ๐๐ถ๐ฟ๐ผ๐๐ ๐๐๐ โ ๐๐๐
๐ฟ๐ถ๐ฟ๐ผ๐ ๐ โ ๐๐๐ 1โ ๐๐๐ โ ๐๐๐ ๐๐๐ โ ๐๐ถ๐ฟ๐ผ๐๐ , ๐๐๐ โ ๐๐๐ ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ โ ๐๐๐ 1โ } ๐๐๐ โ ๐๐๐
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐๐ )
(2.20) , (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ )
Min{1 โ
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐๐ ) โง (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ )
Sedangkan kondisi proses terkendali untuk ๐ถ๐๐
๐ adalah:
๐ถ๐๐
๐
1
, ๐๐
๐๐ โค ๐๐ถ๐ฟ๐๐
๐ โง ๐๐
๐๐ โฅ ๐ฟ๐ถ๐ฟ๐๐
๐
0
, (๐๐
๐๐ > ๐๐ถ๐ฟ๐๐
๐ ) โจ (๐๐
๐๐ < ๐ฟ๐ถ๐ฟ๐๐
๐ )
1โ
๐๐
๐๐ โ ๐๐ถ๐ฟ๐๐
๐ ๐๐
๐๐ โ ๐๐
๐๐
, (๐๐
๐๐ > ๐๐ถ๐ฟ๐๐
๐ )
1โ
๐ฟ๐ถ๐ฟ๐๐
๐ โ ๐๐
๐๐ ๐๐
๐๐ โ ๐๐
๐๐
, (๐๐
๐๐ < ๐ฟ๐ถ๐ฟ๐๐
๐ )
๐๐
๐๐ โ ๐๐ถ๐ฟ๐๐
๐ , ๐๐
๐๐ โ ๐๐
๐๐ ๐ฟ๐ถ๐ฟ๐๐
๐ โ ๐๐
๐๐ 1โ } ๐๐
๐๐ โ ๐๐
๐๐
(2.21)
Min{1 โ
, (๐๐
๐๐ > ๐๐ถ๐ฟ๐๐
๐ ) โง (๐๐
๐๐ < ๐ฟ๐ถ๐ฟ๐๐
๐ )
Menurut Darestani dan Tadi (2014), keputusan yang mungkin dihasilkan pendekatan fuzzy rules diilustrasikan pada gambar berikut:
25
Gambar 2.4. Ilustrasi Fuzzy Rules-1
Gambar 2.4 menggambarkan bahwa fuzzy rules-1 menjelaskan kasus ratarata sampel berada di antara batas kendali kabur, sehingga proses dikatakan โin controlโ.
Gambar 2.5. Ilustrasi Fuzzy Rules-2
Gambar 2.5 menggambarkan bahwa fuzzy rules-2 menjelaskan kasus ratarata sampel seluruhnya keluar dari batas kendali kabur sehingga proses disebut โout of controlโ.
26
Gambar 2.6. Ilustrasi Fuzzy Rules-3 dan 4
Gambar 2.6 menggambarkan bahwa fuzzy rules-3 dan fuzzy rules-4 menjelaskan kasus sebagian rata-rata sampel berada di dalam batas kendali kabur akan tetapi sebagian yang lain berada di luar batas kendali. Jika persentase daerah yang berada di dalam batas kendali kabur (๐ฝ1 ) sama dengan atau lebih dari persentase area permintaan yang telah ditetapkan ๐ฝ , maka proses dikatakan โrather in controlโ dan sebaliknya dikatakan โrather out of controlโ.
Gambar 2.7. Ilustrasi Fuzzy Rules-5
Gambar 2.7 menggambarkan bahwa fuzzy rules-5 menggambarkan kasus yang mana sebagian rata-rata sampel termasuk dalam kedua batas kendali. Hasil keputusan linguistiknya yaitu
27 "๐๐ ๐๐๐๐ก๐๐๐" Kendali Proses
๐๐ ๐ถ๐ผ๐ ๐ = 1 ๐๐๐ ๐ถ๐๐
๐ = 1 ,
"๐๐ข๐ก ๐๐ ๐๐๐๐ก๐๐๐"
๐๐ ๐ถ๐ผ๐ ๐ = 0 ๐๐ ๐ถ๐๐
๐ = 0
"๐๐๐กโ๐๐ ๐๐ ๐๐๐๐ก๐๐๐"
๐๐ ๐ถ๐ผ๐ ๐ โฅ ๐ฝ ๐๐๐ ๐ถ๐๐
๐ โฅ ๐ฝ
"๐๐๐กโ๐๐ ๐๐ข๐ก ๐๐ ๐๐๐๐ก๐๐๐" ๐๐ ๐ถ๐ผ๐ ๐ < ๐ฝ ๐๐ ๐ถ๐๐
๐ < ๐ฝ
2.9 Kapabilitas Proses Analisis kapabilitas proses adalah suatu studi untuk menaksir kemampuan proses. Dalam analisis kapabilitas proses dikenal adanya batas-batas spesifikasi. Batas spesifikasi ditentukan berdasarkan kebutuhan pelanggan. Semua yang diinginkan pelanggan terhadap produk atau pelayanan dianalisis dengan riset pasar dan dikombinasikan dengan perancangan produk dan jasa atau pelayanan. Batas spesifikasi meliputi batas spesifikasi atas dan batas spesifikasi bawah. Kedua batas tersebut merupakan batas kesesuaian unit-unit secara individu dengan operasi manufaktur atau jasa (Ariani, 2004). Cara membuat analisis kapabilitas proses yang berada pada kondisi terkendali (in statistical control), antara lain: 1. Indeks kapabilitas proses (capability prosess index). Indeks kapabilitas proses digunakan untuk mengukur potensi agar sesuai dengan spesifikasi yang ditetapkan, yang didefinisikan sebagai berikut: ๐ถ๐ =
๐๐๐ฟ โ ๐ฟ๐๐ฟ 6๐
(2.22)
dengan ๐๐๐ฟ (Upper Specification Limit ) dan ๐ฟ๐๐ฟ (Lower Specification Limit) adalah batas spesifikasi yang ditetapkan konsumen dan harus dipenuhi oleh produsen, apabila: ๐ถ๐ > 1 berarti proses masih baik (capable) ๐ถ๐ < 1 berarti proses tidak baik (not capable)
28 ๐ถ๐ = 0 berarti proses sama dengan spesifikasi konsumen 2. Indeks kapabilitas proses atas dan indeks kapabilitas proses bawah (upper capability process index and lower capability process index capability index). ๐ถ๐๐ข =
๐๐๐ฟ โ ๐ 3๐
(2.23)
๐ถ๐๐ =
๐ โ ๐ฟ๐๐ฟ 3๐
(2.24)
dengan ๐ merupakan rata-rata proses. ๐ถ๐๐ข adalah perbandingan dari rentang atas rata-rata, sedangkan ๐ถ๐๐ adalah perbandingan rentang bawah rata-rata. Baik ๐ถ๐ , ๐ถ๐๐ข , maupun ๐ถ๐๐ digunakan untuk mengevaluasi batas spesifikasi yang ditentukan. 3. Indeks Kapabilitas Proses ๐ถ๐๐ Indeks kapabilitas proses tersebut mengukur kemampuan proses dengan tidak memperhatikan kondisi rata-rata proses (๐). Rata-rata proses tersebut diasumsikan dengan titik tengah dari batas-batas spesifikasi dan berada pada kondisi in control. Kenyataannya, nilai rata-rata tidak selalu berada di tengah, sehingga perlu mengetahui variasi dan lokasi rata-rata proses. Nilai ๐ถ๐๐ diformulasikan sebagai: ๐ถ๐๐ = ๐๐๐
๐๐๐ฟ โ ๐ ๐ โ ๐ฟ๐๐ฟ , = ๐๐๐ ๐ถ๐๐ข , ๐ถ๐๐ 3๐ 3๐
(2.25)
๐ 1
(2.26)
dengan, ๐=
๐๐ ๐
dengan ๐1 , ๐2 , โฆ, ๐๐ merupakan rata-rata tiap sampel ke-๐; ๐ = 1, 2, โฆ , ๐ ๐=
๐ ๐ถ4
(2.27)
29 Jika ๐ถ๐๐ > 1, maka proses disebut baik (capable). Jika ๐ถ๐๐ < 1, maka proses disebut kurang baik (not capable). Indeks ๐ถ๐๐ menunjukkan skala jarak relatif dengan 3 standar deviasi. Nilai ๐ถ๐๐ ini menunjukkan kemampuan sesungguhnya dari proses dengan nilai-nilai parameter yang ada. Jika nilai rata-rata yang sesungguhnya sama dengan titik tengah, maka sebenarnya nilai ๐ถ๐๐ = ๐ถ๐ . Semakin tinggi indeks kemampuan proses, maka semakin sedikit produk yang berada di luar batas-batas spesifikasi (Ariani, 2004).
2.10 Kapabilitas Proses Kabur Indeks kapabilitas proses adalah output utama dari analisis kapabilitas proses yang mengGambarkan seberapa jauh proses tersebut dapat memenuhi batas spesifikasi yang diharapkan oleh konsumen. Batas spesifikasi (specification limit) merupakan batas yang ditentukan oleh konsumen atau target yang harus dicapai. Jika nilai minimum pada indeks kapabilitas proses diperoleh, maka proses disebut โcapableโ. Sedangkan jika nilai minimum tidak diperoleh, maka proses dinamakan โnot capableโ (Nasiri dan Darestani, 2016). Kaya dan Kahraman (2011) menghitung kapabilitas proses (๐ถ๐ ) dan indeks kapabilitas proses (๐ถ๐๐ ) dengan menggunakan triangular fuzzy number dan trapezium fuzzy number. Penelitian ini menggunakan bilangan kabur trapesium sehingga untuk menghitung nilai kapabilitas proses kabur (๐ถ๐ ), indeks kapabilitas proses kabur (๐ถ๐๐ ), indeks kapabilitas proses kabur atas ๐ถ๐๐ข , dan indeks kapabilitas proses kabur bawah ๐ถ๐๐ didefinisikan terlebih dahulu nilai batas spesifikasi sebagai berikut: ๐๐๐ฟ = ๐๐๐น๐(๐ข๐ , ๐ข๐ , ๐ข๐ , ๐ข๐ ) ๐ฟ๐๐ฟ = ๐๐๐น๐(๐๐ , ๐๐ , ๐๐ , ๐๐ )
(2.28)
30 dengan, ๐๐๐ฟ : batas spesifikasi kabur atas ๐ฟ๐๐ฟ ๐ข๐
: :batas spesifikasi kabur bawah : :batas spesifikasi atas dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐
๐๐
: :batas spesifikasi bawah dari representasi ke-j bilangan kabur trapesium, ๐ = ๐, ๐, ๐, ๐
Rata-rata proses kabur (๐ ) dan standar deviasi kabur (๐) dapat dihitung sebagai berikut: ๐ = ๐ = ๐๐๐น๐ (๐๐ , ๐๐ , ๐๐ , ๐๐ ) ๐=
๐๐
๐๐
๐ ๐๐
๐ ๐๐
๐ ๐๐
๐ = , , , ๐2 ๐2 ๐2 ๐2 ๐2
(2.29)
= ๐๐๐น๐(๐ ๐ , ๐ ๐ , ๐ ๐ , ๐ ๐ ) Indeks kapabilitas proses kabur dapat dihitung dengan menggunakan persamaan berikut: ๐ถ๐ =
๐๐๐ฟ โ ๐ฟ๐๐ฟ 6๐
= ๐๐๐น๐
๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ , , , 6๐ ๐ 6๐ ๐ 6๐ ๐ 6๐ ๐
(2.30)
= ๐๐๐น๐ ๐ถ๐ ๐ , ๐ถ๐ ๐ , ๐ถ๐ ๐ , ๐ถ๐ ๐ ๐ถ๐๐ข =
๐๐๐ฟ โ ๐ 3๐
= ๐๐๐น๐
๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ , , , 3๐ ๐ 3๐ ๐ 3๐ ๐ 3๐ ๐
= ๐๐๐น๐ ๐ถ๐๐ข ๐ , ๐ถ๐๐ข ๐ , ๐ถ๐๐ข ๐ , ๐ถ๐๐ข ๐
(2.31)
31 ๐ถ๐๐ =
๐ โ ๐ฟ๐๐ฟ 3๐
= ๐๐๐น๐
๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ , , , 3๐ ๐ 3๐ ๐ 3๐ ๐ 3๐ ๐
(2.32)
= ๐๐๐น๐ ๐ถ๐๐๐ , ๐ถ๐๐๐ , ๐ถ๐๐๐ , ๐ถ๐๐๐ ๐ถ๐๐ = min ๐ถ ๐๐ข, ๐ถ ๐๐ = min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ dengan, ๐ถ๐ : nilai kapabilitas proses kabur ๐ถ๐๐ : indeks kapabilitas proses kabur ๐ถ๐๐ข : indeks kapabilitas proses kabur atas ๐ถ๐๐ : indeks kapabilitas proses kabur bawah ๐ข : batas spesifikasi atas ๐
: batas spesifikasi bawah
2.11Kajian Keagamaan tentang Gharizah Baqaโ Berdasarkan surat asy-Syams/79: 7-8, sesungguhnya nafsu meliputi akal sekaligus kebutuhan jasmani dan naluri-naluri yang ada pada manusia. Salah satu bentuk naluri adalah gharizah baqaโ atau naluri mempertahankan diri. Sebagaimana dijelaskan dalam al-Quran surat Yasin/36:71 sebagai berikut:
๏๏๏๏ ๏ด๏ข๏ฑ๏ค๏ณ๏๏ฝ๏ป๏ด๏ ๏ค๏น๏ง๏ณ๏น ๏ด๏๏๏ง๏ณ๏น ๏ค๏๏๏ป๏น๏จ๏ท๏๏ฒ๏ฆ ๏ก๏ค๏ต๏๏๏๏๏ท๏๏ฒ๏ฆ ๏ด๏๏ฎ๏ฝ๏๏๏ด๏ฃ ๏ค๏ฃ๏๏๏ฉ๏ ๏๏๏ง๏ณ๏น ๏ค๏ต๏๏ธ๏ฉ๏ฎ๏ฝ๏น๏บ ๏ค๏ฏ๏๏ฒ๏ฆ ๏จ๏ฃ๏ท๏ฒ๏ด๏๏ด๏ ๏ณ๏๏ณ๏น๏ต๏ฒ๏ฒ๏ฆ โDan apakah mereka tidak melihat bahwa sesungguhnya Kami telah menciptakan binatang ternak untuk mereka yaitu sebagai bagian dari apa yang telah Kami ciptakan dengan kekuasaan Kami sendiri, lalu mereka menguasainya?โ(QS. Yasin/36:71).
32 Allah Swt. menyebutkan nikmat-nikmat yang diberikannya kepada para makhluk-Nya berupa binatang-binatang ternak yang ditundukkan untuk mereka. โLalu mereka menguasainyaโ, Qatadah berkata: โMenguasainya yaitu menjadikan mereka memiliki kemampuan memaksanya. Binatang-binatang itu tunduk kepada mereka, tidak mampu melawan mereka. Bahkan seandainya anak kecil datang kepada mereka, niscaya dia mampu menjinakkannya dan seandainya dia mau, dia dapat menaiki dan mengendarainya. Itulah ketundukan dan kepatuhan binatang kepada manusia. Begitu pula, seandainya terdapat kendaraan seratus unta atau lebih, niscaya seluruhnya dapat dikendalikan oleh seorang anak kecilโ. Sebagaimana firman Allah Swt. โMaka sebagiannya menjadi tunggangan mereka dan sebagiannya mereka makanโ, yaitu di antaranya ada yang ditunggangi dalam perjalanan serta untuk membawa berbagai barang-barang yang berat menuju berbagai arah dan daerah. โDan sebagian mereka makanโ jika mereka mau, mereka dapat memotong dan menyembelihnya. โDan mereka memperoleh padanya manfaat-manfaatโ yaitu pada bulu tebalnya, bulu-bulu tipisnya, dan rambutnya sebagai barang-barang rumah tangga atau barang-barang dagangan pada batas waktu tertentu (Katsir, 2008b).
BAB III METODE PENELITIAN
3.1 Pendekatan Penelitian Pendekatan yang dilakukan dalam penelitian ini adalah pendekatan kuantitatif. Pendekatan kuantitatif digunakan karena data dalam penelitian ini bersifat kuantitatif mulai dari tahap pengumpulan, penafsiran, dan penampilan hasil.
3.2 Jenis dan Sumber Data Jenis data dalam penelitian ini adalah data sekunder yakni data sisa klor yang direkam di PDAM Surya Sembada Surabaya yang terletak di Jl. Mayjend Prof. Dr. Moestopo 2 Surabaya pada tanggal 1 Desember 2015 sampai tanggal 29 Februari 2016 pada pukul 18:00 WIB. Sumber data yang digunakan adalah data karakteristik air PDAM yaitu sisa klor dengan nilai minimum 0,83 mg/L (miligram per liter) dan nilai maksimum sebesar 0,9294 mg/L. Dalam proses pengolahan dan produksi air minum, nilai sisa klor dapat dijadikan sebagai indikator keberadaan zat organik dalam air.
3.3 Teknik Pengumpulan Data Teknik pengumpulan data dalam penelitian ini yaitu mengambil data kandungan sisa klor yang tersedia secara online di alat monitoring perusahaan dimana data tersebut termonitoring 1 jam sekali.
33
34 3.4 Analisis Data Langkah-langkah yang akan dilakukan dalam penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules dan kapabilitas proses kabur sebagai berikut: 1. Analisis deskriptif data. 2. Uji Normalitas data, dalam penelitian ini menggunakan uji KolmogorovSmirnov dan uji Shapiro-Wilk. 3. Merepresentasikan data sisa klor ke bilangan kabur trapesium. 4. Menentukan batas kendali kabur ๐ผ๐ โ ๐๐
dengan pendekatan kabur. a. Menentukan batas kendali kabur ๐ผ๐ โ ๐๐
. - Menghitung rata-rata dari setiap subgrup ๐ = ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐ dengan menggunakan persamaan (2.12). - Menghitung
moving
range
๐๐๐น๐ ๐๐
๐๐ , ๐๐
๐๐ , ๐๐
๐๐ , ๐๐
๐๐
kabur
dari
dengan
setiap
subgrup
menggunakan
๐๐
i =
persamaan
(2.16). - Menghitung rata-rata dari ๐๐
๐ yaitu ๐๐
= ๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ dengan menggunakan persamaan (2.17). - Menentukan batas atas grafik pengendali kabur ๐ผ๐ menggunakan persamaan (2.13) dan batas bawah grafik pengendali kabur ๐ผ๐ menggunakan persamaan (2.15). Serta menghitung batas atas grafik pengendali kabur ๐๐
dengan menggunakan persamaan (2.18) dan batas bawah grafik pengendali kabur ๐๐
dengan menggunakan persamaan (2.19).
35 b. Menentukan kondisi proses terkendali menggunakan pendekatan fuzzy rules. Jika dalam proses perhitungan masih terdapat data yang tidak terkendali maka data tersebut dihilangkan dan dilakukan perhitungan ulang sampai semua data terkendali. 5. Menerapkan kapabilitas proses kabur berdasarkan data hasil analisis sisa klor dalam produksi air. a. Menghitung indeks kapabilitas proses kabur ๐ถ๐ = ๐๐๐น๐ ๐ถ๐๐ , ๐ถ๐๐ , ๐ถ๐๐ , ๐ถ๐๐ b. Menghitung
indeks
kapabilitas
๐๐๐น๐ ๐ถ๐๐ข๐ , ๐ถ๐๐ข๐ , ๐ถ๐๐ข๐ , ๐ถ๐๐ข๐
proses
kabur
atas
๐ถ๐๐ข =
dan indeks kapabilitas proses kabur bawah
๐ถ๐๐ = ๐๐๐น๐ ๐ถ๐๐๐ , ๐ถ๐๐๐ , ๐ถ๐๐๐ , ๐ถ๐๐๐ . c. Menghitung indeks kapabilitas proses ๐ถ๐๐ . Langkah-langkah pengaplikasian grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules dan pengaplikasian kapabilitas proses kabur dijelaskan dalam flowchart sebagai berikut:
Mulai
Data sisa klor air
Analisis data dan Uji normalitas data
Pembentukan bilangan kabur trapesium
A
36
A Batas Kendali
Batas Kendali Menghitung batas kendali kabur
Kabur ๐๐
Kabur ๐ผ๐
Menghitung rata-rata setiap subgrup
Menghitung moving range kabur ๐๐
Menghitung rata-rata moving range Menghitung ๐๐ถ๐ฟ๐ผ๐ , ๐ถ๐ฟ๐ผ๐ , ๐ฟ๐ถ๐ฟ๐ผ๐
kabur
๐๐
Menghitung ๐๐ถ๐ฟ๐๐
, ๐ถ๐ฟ๐๐
, ๐ฟ๐ถ๐ฟ๐๐
Menentukan kondisi proses terkendali menggunakan pendekatan fuzzy rules Exclude data yang tidak
Exclude data yang tidak
terkendali
terkendali
Memberi keputusan terkendali
Tidak
(in control)
Tidak
Ya Menghitung nilai kapabilitas proses kabur ๐ถ๐ , ๐ถ๐๐ข , ๐ถ๐๐ , ๐ถ๐๐
Selesai Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
dan Kapabilitas Proses Kabur
Keterangan: : Simbol proses operasi. : Simbol decision untuk kondisi yang akan menghasikan beberapa kemungkinan. : Simbol input-output.
37 : Simbol titik terminal 6. Menarik kesimpulan dari pembahasan.
BAB IV PEMBAHASAN
4.1 Penerapan Grafik Pengendali Pendekatan Fuzzy Rules
Kabur
๐ฐ๐ฟ โ ๐ด๐น
Menggunakan
4.1.1 Analisis Deskriptif Data Data yang digunakan dalam penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
ini adalah data sekunder yang diambil dari PDAM pada lampiran 1 yaitu data sisa klor air proses produksi. Hasil analisis deskriptif dengan menggunakan program SPSS 16 adalah sebagai berikut: Tabel. 4.1 Statistik Deskriptif Data Sisa Klor Air Baku Produksi
Descriptive Statistic N
Minimum Maximum
VAR00001
89
Valid N (listwise)
89
0,83
0,99
Mean 0,9222
Std. Deviation 0,03323
Berdasarkan Tabel 4.1 diketahui jumlah seluruh data adalah 89. Nilai minimum sebesar 0,83, nilai maksimum sebesar 0,99, dan nilai rata-rata sisa klor adalah 0,9222 dengan standar deviasinya sebesar 0,03323. Semua nilai-nilai tersebut berada di dalam batas standar perusahaan karena batas spesifikasi atas yang telah ditentukan oleh perusahaan adalah 1 mg/L dan batas spesifikasi bawah adalah 0,2 mg/L. 4.1.2 Uji Normalitas Data yang telah diperoleh peneliti harus diuji terlebih dahulu untuk mengetahui karakteristik data tersebut. Salah satu jenis pengujian yang harus dilakukan adalah uji normalitas data. Uji normalitas data dilakukan untuk mengetahui apakah data yang diperoleh dari penelitian mempunyai distribusi yang 38
39 normal atau tidak. Hasil uji normalitas data sisa klor dengan menggunakan SPSS 16 adalah sebagai berikut: Tabel 4.2 Uji Normalitas Data Sisa Klor Air Baku
Tests of Normality Kolmogorov-Smirnova Statistic Data
Df
0,091
Shapiro-Wilk
Sig. 89
0,066
Statistic 0,981
Df
Sig. 89
0,211
Berdasarkan hasil yang diperoleh pada Tabel 4.2 menunjukkan bahwa nilai signifikan uji Kolmogorov-Smirnov sebesar 0,066 dan uji Shapiro-Wilk sebesar 0,211. Hal ini menunjukkan bahwa nilai signfikan kedua uji โฅ 0,05 yang berarti bahwa data berdistribusi normal. 4.1.3 Representasi Data Sisa Klor Air ke Bilangan Kabur Trapesium Setiap sampel pengamatan pada kasus kabur direpresentasikan ke dalam bilangan kabur berdasarkan fungsi keanggotaan yang digunakan. Dalam penelitian ini, data sisa klor sebanyak 89 direpresentasikan ke bilangan kabur trapesium. Pembentukan bilangan kabur trapesium dilakukan dengan cara menambah dan mengurangi sampel dengan standar deviasi yang sudah dikalikan dengan multiplier yang berbeda-beda untuk menghasilkan bilangan kabur trapesium sama kaki. Multiplier yang digunakan oleh penulis adalah ๐ผ1 = 0,08 dan ๐ผ2 = 0,07. Cara pembentukan bilangan kabur dapat dilihat sebagai berikut: ๐๐1 = ๐ โ ๐ผ1 ๐ = 0,85 โ 0,08 0,0332 = 0,8473
40 ๐๐1 = ๐ โ ๐ผ2 ๐ = 0,85 โ 0,07 0,0332 = 0,8477 ๐๐1 = ๐ + ๐ผ2 ๐ = 0,85 + 0,07 0,03323 = 0,8523 ๐๐1 = ๐ + ๐ผ1 ๐ = 0,85 + (0,08)(0,03323) = 0,8527 Jadi bilangan kabur trapesium dari data tersebut dapat dituliskan sebagai berikut: ๐1 = ๐๐๐น๐ ๐๐1 , ๐๐1 , ๐๐1 , ๐๐1 = ๐๐๐น๐ 0,8473, 0,8477, 0,8520, 0,8527 Pembentukan bilangan kabur trapesium pada sampel selanjutnya, dapat dilihat pada Lampiran 2. Dengan demikian, representasi bilangan kabur berdasarkan fungsi keanggotaan kurva trapesium pada data ke-1 adalah: ๐(๐ฅ) 1
0 0,8473 0,8477
0,8520
0,8527
Gambar 4.1 Representasi Bilangan Kabur Trapesium pada Data ke-1
41 4.1.4 Penerapan Grafik Pengendali Kabur ๐ฐ๐ฟ โ ๐ด๐น Pendekatan Fuzzy Rules Data Sisa Klor Air
Menggunakan
Berdasarkan data pada lampiran 2, nilai rata-rata kabur (๐) dari karakteristik sampel pengamatan tersebut adalah sebagai berikut: ๐๐ = =
๐ ๐=1 ๐๐๐
๐ 81,8436 89
= 0,9196 ๐๐ = =
๐ ๐=1 ๐๐๐
๐ 81,8732 89
= 0,9199 ๐๐ = =
๐ ๐=1 ๐๐๐
๐ 82,2868 89
= 0,9246 ๐๐ = =
๐ ๐=1 ๐๐๐
๐ 82,3164 89
= 0,9249 Moving range kabur (๐๐
๐ ) karakteristik sampel pengamatan berdasarkan persamaan (2.16) adalah sebagai berikut: 2. ๐๐
๐ = ๐๐2 โ ๐๐1 = 0,8673 โ 0,8527 = 0,0146 ๐๐
๐ = ๐๐2 โ ๐๐1 = 0,8677 โ 0,8523 = 0,0154
42 ๐๐
๐ = ๐๐2 โ ๐๐1 = 0,8723 โ 0,8477 = 0,0246 ๐๐
๐ = ๐๐2 โ ๐๐1 = 0,8727 โ 0,8473 = 0,0254 3. ๐๐
๐ = ๐๐3 โ ๐๐2 = 0,9073 โ 0,8727 = 0,0346 ๐๐
๐ = ๐๐3 โ ๐๐2 = 0,9077 โ 0,8723 = 0,0354 ๐๐
๐ = ๐๐3 โ ๐๐2 = 0,9123 โ 0,8677 = 0,0446 ๐๐
๐ = ๐๐3 โ ๐๐2 = 0,9127 โ 0,8673 = 0,0454 Perhitungan nilai moving range kabur (๐๐
๐ ) karakteristik sampel pengamatan secara lengkap terdapat di Lampiran 3. Rata-rata dari moving range tersebut berdasarkan persamaan (2.17) adalah: ๐๐
๐ = 0,02935, ๐๐
๐ = 0,0294, ๐๐
๐ = 0,0304, ๐๐
๐ = 0,0306
Setelah nilai ๐ dan ๐๐
diperoleh, maka akan dihitung nilai ๐๐ถ๐ฟ๐ผ๐ , ๐ฟ๐ถ๐ฟ๐ผ๐ , ๐๐ถ๐ฟ๐๐
, dan ๐ฟ๐ถ๐ฟ๐๐
sebagai berikut: ๐๐ถ๐ฟ๐ผ๐
= ๐ถ๐ฟ + 3
๐๐
๐2
= ๐๐ , ๐๐ , ๐๐ , ๐๐ + 3 = 0,9196 + 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
0,02935 0,0294 0,0304 0,0306 , 0,9199 + 3 , 0,924 + 3 , 0,9249 + 3 1,128 1,128 1,128 1,128
= (0,9977, 0,9981, 1,0055, 1,0063)
๐ถ๐ฟ๐ผ๐
= ๐๐ , ๐๐ , ๐๐ , ๐๐ = (0,9196, 0,9199, 0,9246, 0,9249)
๐ฟ๐ถ๐ฟ๐ผ๐
= ๐ถ๐ฟ โ 3
๐๐
๐2
= ๐๐ , ๐๐ , ๐๐ , ๐๐ โ 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
43 = 0,9196 โ 3
0,02935 0,0294 0,0304 0,0306 , 0,9199 โ 3 , 0,9246 โ 3 , 0,924 โ 3 1,128 1,128 1,128 1,128
= (0,8382, 0,8390, 0,8464, 0,8468)
๐๐ถ๐ฟ๐ผ๐ = ๐ถ๐ฟ + 3
๐๐
๐2
= ๐๐ , ๐๐ , ๐๐ , ๐๐ + 3 = 0,9196 + 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
0,02935 0,0294 0,0304 0,0306 , 0,9199 + 3 , 0,9246 + 3 , 0,9249 + 3 1,128 1,128 1,128 1,128
= (0,9977, 0,9981, 1,0055, 1,0063)
๐ถ๐ฟ๐ผ๐
= ๐๐ , ๐๐ , ๐๐ , ๐๐ = (0,9196, 0,9199, 0,9246, 0,9249)
๐ฟ๐ถ๐ฟ๐ผ๐
= ๐ถ๐ฟ โ 3
๐๐
๐2
= ๐๐ , ๐๐ , ๐๐ , ๐๐ โ 3 = 0,9196 โ 3
(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) ๐2
0,02935 0,0294 0,0304 0,0306 , 0,9199 โ 3 , 0,9246 โ 3 , 0,924 โ 3 1,128 1,128 1,128 1,128
= (0,8382, 0,8390, 0,8464, 0,8468)
Batas-batas kendali grafik pengendali kabur ๐๐
dengan menggunakan formula grafik pengendali ๐ผ๐ โ ๐๐
sebagai berikut: ๐๐ถ๐ฟ๐๐
= ๐ท4 ๐๐
= 3,264(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) = 3,264 0,0293, 0,0294, 0,0304, 0,0306 = 0,0959, 0,0960, 0,0994, 0,1
๐ถ๐ฟ๐๐
= ๐๐
= (๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ )
44 = 0,0293, 0,0294, 0,0304, 0,0306
๐ฟ๐ถ๐ฟ๐๐
= ๐ท3 ๐๐
= 0(๐๐
๐ , ๐๐
๐ , ๐๐
๐ , ๐๐
๐ ) = 0 0,0293 , 0 0,0294 , 0 0,0304 , 0(0,0306) = 0, 0, 0, 0
Setelah batas kendali diperoleh, maka langkah selanjutnya yaitu menentukan proses kendali dengan menggunakan pendekatan fuzzy rules. Pada pendekatan fuzzy rules, proses kendali diklasifikasikan menjadi empat kemungkinan yaitu โin controlโ, โout of controlโ, โrather in controlโ, dan โrather out of controlโ. Proses kendali tersebut diperoleh setelah diketahui nilai ๐ถ๐ผ๐ pada persamaan (2.20) dan ๐ถ๐๐
pada persamaan (2.21). ๐ถ๐ผ๐ merupakan kondisi proses kendali untuk grafik pengendali kabur ๐ผ๐ dan ๐ถ๐๐
merupakan kondisi proses kendali untuk grafik pengendali kabur ๐๐
. Sebagai contoh pada iterasi pertama sampel pertama diperoleh nilai trapesium kabur yaitu ๐1 = (0,8473, 0,8477, 0,8523, 0,8527) batas atas grafik pengendali kabur ๐ผ๐ yaitu ๐๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐(0,9977, 0,9981, 1,0055, 1,0063) batas bawah grafik pengendali kabur ๐ผ๐ yaitu ๐ฟ๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐(0,8382, 0,8390, 0,8464, 0,8468) Nilai tersebut terpenuhi pada ๐๐1 โค ๐๐ถ๐ฟ๐ผ๐๐ โ(๐๐๐ โฅ ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ ) atau 0,8527 < 0,9977 โ 0,8473 > 0,8468
sehingga menghasilkan nilai ๐ถ๐ผ๐ = 1. Kondisi
tersebut menunjukkan bahwa sampel pada pengamatan pertama terkendali seluruhnya atau disebut in control.
45 Sedangkan untuk nilai ๐ถ๐๐
diperoleh nilai moving range kabur pada pengamatan pertama yaitu ๐๐
1 = ๐๐๐น๐(0,0146, 0,0154, 0,0246, 0,0254) batas atas grafik pengendali kabur ๐๐
yaitu ๐๐ถ๐ฟ๐๐
= ๐๐๐น๐ 0,0959, 0,0960, 0,0994, 0,1 batas bawah grafik pengendali kabur ๐๐
yaitu ๐ฟ๐ถ๐ฟ๐๐
= ๐๐๐น๐ 0, 0, 0, 0 Sehingga terpenuhi pada kondisi ๐๐
๐1 โค ๐๐ถ๐ฟ๐๐
๐ โง ๐๐
๐๐ โฅ ๐ฟ๐ถ๐ฟ๐๐
๐
atau
0,0146 < 0,0958 โง 0,0254 > 0 . Oleh karena itu diperoleh nilai ๐ถ๐๐
1 = 1 yang menunjukkan bahwa moving range sampel kabur pada pengamatan pertama in control. Dengan demikian, pada pengamatan pertama iterasi pertama sampel sisa klor terkendali secara rata-rata dan terkendali secara variabilitas. Berdasarkan hasil pada Lampiran 4, terdapat kondisi sampel yang menunjukkan kondisi out of control. Kondisi out of control adalah kondisi ratarata sampel seluruhnya keluar dari batas kendali. Data ke-36 pada grafik pengendali kabur ๐ผ๐ menunjukkan kondisi out of control. Perhitungan yang dihasilkan pada sampel ke-36 adalah (๐๐ 36 > ๐๐ถ๐ฟ๐ผ๐ ๐ ) โจ (๐๐ 36 < ๐ฟ๐ถ๐ฟ๐ผ๐ ๐ ) atau 0,8273 < 1,0063 โจ 0,8327 < 0,8382 .
Kondisi
tersebut
menghasilkan
keputusan yang bernilai 0 atau disebut out of control. Sedangkan sampel ke-13 menunjukkan kondisi rather out of control. Kondisi rather out of control adalah kondisi sebagian rata-rata sampel kabur yang berada pada salah satu batas kendali kabur. Perhitungan persentase daerah yang menyebabkan kondisi rather out of control berdasarkan persamaan (2.19) adalah:
46 ๐ถ๐ผ๐13 = 1 โ
= 1โ
๐ฟ๐ถ๐ฟ๐ผ๐ ๐ โ ๐๐ 13 ๐๐ 13 โ ๐๐ 13 0,8468 โ 0,8373 0,8427 โ 0,8373
= 1 โ 1,7592 = โ0,7592 Hasil tersebut menunjukkan bahwa nilai ๐ถ๐ผ๐13 lebih kecil dari ๐ฝ, di mana ๐ฝ merupakan persentase daerah permintaan yang telah ditetapkan. Sehingga ratarata sampel kabur pada pengamatan ke-13 berada dalam kondisi rather out of control karena (๐ถ๐ผ๐13 < ๐ฝ) atau โ0,7592 < 0,5 . Nilai ๐๐ถ๐ฟ๐ผ๐ , ๐ถ๐ฟ๐ผ๐ , ๐ฟ๐ถ๐ฟ๐ผ๐ , ๐๐ถ๐ฟ๐๐
, ๐ถ๐ฟ๐๐
, dan ๐ฟ๐ถ๐ฟ๐๐
dimasukkan ke dalam pendekatan fuzzy rules dengan bantuan MATLAB untuk mempermudah perhitungan. Program perhitungan pada MATLAB dapat dilihat pada Lampiran 7. Hasil yang diperoleh dari perhitungan menggunakan MATLAB dapat dilihat pada Lampiran 4. Berdasarkan hasil proses kendali menggunakan pendekatan fuzzy rules grafik pengendali kabur ๐ผ๐ โ ๐๐
, terdapat beberapa rata-rata sampel kabur out of control dan rather out of control. Sampel kabur yang out of control pada grafik pengendali kabur ๐ผ๐ terdapat pada pengamatan ke-36 dan sampel yang rather out of control terdapat pada pengamatan ke-13. Sedangkan moving range sampel kabur yang rather out of control pada grafik pengendali kabur ๐๐
terdapat pada pengamatan ke-14 dan ke-31. Dengan demikian, pada iterasi ke-1 data sisa klor air produksi belum seluruhnya in control, baik secara rata-rata maupun variabilitas. Perbaikan grafik
47 pengendali kabur ๐ผ๐ โ ๐๐
dilakukan dengan cara mengeliminasi atau mengeluarkan data yang telah diketahui berada di luar batas kendali, sehingga tidak ada satupun data yang keluar dari batas kendali. Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
pada iterasi ke-2 masih diperoleh data yang tidak terkendali. Pada pengendalian rata-rata proses yaitu data ke-1 yang menunjukkan data rather out of control dan data ke-9 yang menunjukkan data out of control. Sedangkan pada pengendalian variabilitas proses diperoleh data ke-9 yang menunjukkan out of control dan data ke-47 yang menunjukkan rather out of control. Sehingga pada iterasi ke-2 data belum terkendali secara rata-rata maupun secara variabilitas. Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐
pada iterasi ke-3 diperoleh seluruh sampel kabur in control. Rata-rata moving range kabur (๐๐
) berdasarkan persamaan (2.16) adalah: ๐๐
๐ = 0,0233, ๐๐
๐ = 0,0234, ๐๐
๐ = 0,0243, ๐๐
๐ = 0,0245 Setelah nilai ๐ dan ๐๐
yang sudah direvisi diperoleh, maka akan dihitung nilai ๐๐ถ๐ฟ๐ผ๐ , ๐ถ๐ฟ๐ผ๐ , dan ๐ฟ๐ถ๐ฟ๐ผ๐ berdasarkan persamaan (2.13) dan (2.15) adalah: ๐๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐(0,9837, 0,9842, 0,9914, 0,9923) ๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐(0,9217, 0,9221, 0,9267, 0,9270) ๐ฟ๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐(0,8565, 0,8573, 0,8646, 0,8651) Sedangkan nilai ๐๐ถ๐ฟ๐๐
, ๐ถ๐ฟ๐๐
, dan ๐ฟ๐ถ๐ฟ๐๐
batas kendali grafik pengendali moving range kabur (๐๐
) berdasarkan persamaan (2.18) dan (2.20) adalah: ๐๐ถ๐ฟ๐๐
= 0,0761, 0,0763, 0,0795, 0,0802 ๐ถ๐ฟ๐๐
= 0,0233, 0,0234, 0,0243, 0,0245
48 ๐ฟ๐ถ๐ฟ๐๐
= 0, 0, 0, 0 Dengan batas kendali tersebut, seluruh sampel kabur in control baik secara rata-rata maupun variabilitas. Sehingga batas kendali tersebut dapat digunakan sebagai acuan untuk mengendalikan proses produksi air PDAM selanjutnya khususnya variabel sisa klor.
4.2 Perhitungan Kapabilitas Proses Kabur Berdasarkan subbab sebelumnya, sudah diperoleh batas kendali kabur yang in control baik secara rata-rata proses maupun secara variabilitas proses. Sehingga dilanjutkan untuk mengerjakan proses selanjutnya yaitu menghitung kapabilitas proses kabur. Kapabilitas proses merupakan proses yang digunakan untuk menaksir kemampuan proses suatu produk yang dihasilkan oleh perusahaan. Batas-batas spesifikasi yang telah ditentukan oleh perusahaan harus diketahui terlebih dahulu untuk menentukan kapabilitas prosesnya. Jika indeks kapabilitas proses lebih dari satu (๐ถ๐๐ > 1), maka proses dikatakan baik (capable). Akan tetapi jika indeks kapabilitas proses kurang dari satu (๐ถ๐๐ < 1), maka proses dikatakan kurang baik (not capable). PDAM menentukan batas spesifikasi atas untuk kadar sisa klor yang berada di dalam air baku adalah ๐๐๐ฟ = 1 dan batas spesifikasi bawah yang ditentukan adalah ๐ฟ๐๐ฟ = 0,2. Selanjutnya, nilai ๐๐๐ฟ dan nilai ๐ฟ๐๐ฟ yang sudah ditetapkan PDAM direpresentasikan ke dalam bilangan kabur trapesium terlebih dahulu sebelum dilakukan proses selanjutnya. Proses pembentukan ๐๐๐ฟ ke dalam bilangan kabur trapesium sebagai berikut:
49 ๐ข๐ = ๐ข โ ๐ผ1 ๐ = 1 โ 0,08(0,0332) = 1 โ 0,0026 = 0,9973 ๐ข๐ = ๐ข โ ๐ผ2 ๐ = 1 โ 0,07 0,0332 = 1 โ 0,0023 = 0,9977 ๐ข๐ = ๐ข + ๐ผ2 ๐ = 1 + 0,07(0,0332) = 1 + 0,0023 = 1,0023 ๐ข๐ = ๐ข + ๐ผ1 ๐ = 1 + 0,08(0,0332) = 1 + 0,00265 = 1,0027 Setelah nilai ๐๐๐ฟ direpresentasikan ke dalam bilangan kabur trapesium, selanjutnya nilai ๐ฟ๐๐ฟ direpresentasikan ke dalam bilangan kabur trapesium sebagai berikut: ๐๐
= ๐ โ ๐ผ1 ๐ = 0,2 โ 0,08(0,0332) = 0,2 โ 0,0026 = 0,1973
50 ๐๐
= ๐ โ ๐ผ2 ๐ = 0,2 โ 0,07(0,0332) = 0,2 โ 0,00232 = 0,1977
๐๐
= ๐ + ๐ผ2 ๐ = 0,2 + 0,07(0,0332) = 0,2 + 0,0023 = 0,2023
๐๐
= ๐ + ๐ผ1 ๐ = 0,2 + 0,08(0,0332) = 0,2 + 0,0027 = 0,2027
Sehingga representasi nilai ๐ฟ๐๐ฟ dan ๐๐๐ฟ ke dalam bilangan trapesium berdasarkan persamaan (2.28) sebagai berikut: ๐๐๐ฟ = ๐๐๐น๐(๐ข๐ , ๐ข๐ , ๐ข๐ , ๐ข๐ ) = ๐๐๐น๐(0,9973, 0,9977, 1,0023, 1,0027) ๐ฟ๐๐ฟ = ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐ = ๐๐๐น๐(0,1973, 0,1977, 0,2023, 0,2027) Nilai lain yang digunakan dalam menentukan kapabilitas proses kabur adalah standar deviasi yang harus direpresentasikan ke dalam bilangan kabur trapesium dan nilai rata-rata kabur yang sudah diketahui pada subbab sebelumnya. Representasi standar deviasi ke dalam bilangan kabur trapesium sebagai berikut:
51 ๐๐
๐ ๐๐
๐ ๐๐
๐ ๐๐
๐ , , , ๐2 ๐2 ๐2 ๐2
๐=
= ๐๐๐น๐
0,0233 0,0234 0,0243 0,0245 , , , 1,128 1,128 1,128 1,128
= ๐๐๐น๐ 0,02065, 0,0207, 0,0215, 0,0217 Setelah nilai ๐๐๐ฟ, ๐ฟ๐๐ฟ dan ๐ diperoleh, selanjutnya dihitung nilai kapabilitas proses kabur berdasarkan persamaan (2.30) sebagai berikut: ๐๐๐ฟ โ ๐ฟ๐๐ฟ 6๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ = ๐๐๐น๐ , , , 6๐ ๐ 6๐ ๐ 6๐ ๐ 6๐ ๐
๐ถ๐ =
= ๐๐๐น๐
0,9973 โ 0,2027 0,9977 โ 0,2023 1,0023 โ 0,1977 1,0027 โ 0,1973 , , , 6(0,0217) 6(0,0215) 6(0,0207) 6(0,02065)
= ๐๐๐น๐ 6,1029, 6,1659, 6,4783, 6,5 Nilai kapabilitas proses atas berdasarkan persamaan (2.31) dan nilai kapabilitas proses bawah berdasarkan persamaan (2.32) adalah: ๐ถ๐๐ข =
๐๐๐ฟ โ ๐ 3๐
= ๐๐๐น๐
= ๐๐๐น๐
๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ ๐ข๐ โ ๐๐ , , , 3๐ ๐ 3๐ ๐ 3๐ ๐ 3๐ ๐ 0,9973 โ 0,9270 0,9977 โ 0,9267 1,0023 โ 0,9221 1,0027 โ 0,9217 , , , 3(0,0217) 3(0,0215) 3(0,0207) 3(0,02065)
= ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075 ๐ถ๐๐ =
๐ โ ๐ฟ๐๐ฟ 3๐
= ๐๐๐น๐
= ๐๐๐น๐
๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ ๐๐ โ ๐ ๐ , , , 3๐ ๐ 3๐ ๐ 3๐ ๐ 3๐ ๐ 0,9217 โ 0,2027 0,9221 โ 0,2023 0,9267 โ 0,1977 0,927 โ 0,1973 , , , 3(0,0217) 3(0,0215) 3(0,0207) 3(0,02065)
52 = ๐๐๐น๐(11,044, 11,1597, 11,7391, 11.7788 ) ๐ถ๐๐ = min ๐ถ ๐๐ข , ๐ถ ๐๐ = ๐๐๐น๐ min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ , min ๐ถ๐๐ข๐ , ๐ถ๐๐๐ = ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075 Berdasarkan nilai yang diperoleh pada perhitungan tersebut, diketahui bahwa nilai ๐ถ๐ > 1 dan nilai ๐ถ๐๐ > 1 yang berarti bahwa proses produksi air PDAM capable atau layak dikonsumsi. Proses produksi air PDAM khususnya kadar sisa klor sudah memenuhi standar yang ditetapkan oleh perusahaan dan dinas kesehatan.
4.3 Upaya Pengendalian Gharizah Baqaโ Dari surat Yasin/39: 71 telah dijelaskan salah satu bentuk naluri yaitu gharizah baqaโ. Gharizah baqaโ adalah naluri manusia untuk mempertahankan dirinya. Bentuk wujud naluri ini adalah manusia selalu mempunyai rasa takut, rasa ingin menguasai segala sesuatu seperti harta benda. Salah satu upaya agar manusia senantiasa di jalan yang benar dalam menguasai harta adalah menafkahkan harta dengan cara bersedakah dan menunaikan zakat serta berbuat kebaikan. Agar dalam penguasaan harta, nafsu tidak mengikutinya dan tidak menuruti dorongan hawa nafsu. Sebagaimana dijelaskan Allah dalam surat alBaqarah/2 : 195
๏๏ฝ๏๏ด๏ค๏ ๏ฉ๏ก๏ค๏ฃ ๏จ๏ข๏๏ฉ ๏ก ๏จ๏ฃ๏พ๏ฑ๏ฃ๏๏
๏ก๏ด๏ญ๏ฒ๏ฆ๏ต๏ฒ ๏ก ๏๏ฐ๏ณ๏ณ๏จ๏ฝ๏ถ๏ซ๏ญ๏๏น๏ค๏ฃ ๏๏ฎ๏ผ๏๏ฉ ๏ถ๏ฏ๏ค๏ณ๏๏๏๏ท๏๏ฒ๏ง๏๏ฏ ๏จ๏ฃ๏ฑ๏ ๏ฉ๏น๏ฝ๏จ๏ฟ ๏๏ท๏ต๏ฒ ๏ซ๏ก๏ค๏ฃ ๏๏๏๏๏ถ๏น๏ ๏๏๏ป ๏จ๏ฃ๏ฑ๏ ๏ฉ๏๏ฟ๏๏ฒ๏ฆ๏ต๏ฒ ๏๏๏๏๏ ๏ด๏ป๏ผ๏๏๏
๏ก๏ณ๏ณ๏๏๏ธ๏น๏ค๏ฃ โDan belanjakanlah (harta benda kalian) di jalan Allah, dan janganlah kamu menjatuhkan dirimu sendiri ke dalam kebinasaan, dan berbuat baiklah, karena
53 sesungguhnya Allah menyukai orang-orang yang berbuat baikโ(QS. AlBaqarah/2: 195) Ibnu Abbas mengatakan bahwa ayat ini berkenaan dengan masalah membelanjakan harta, yaitu apabila kamu genggamkan tanganmu, tidak membelanjakan harta di jalan Allah, maka dikatakan, โjanganlah kalian menjatuhkan diri kalian ke dalam kebinasaan.โ Makna kata โซ ูุฃููููุง ูู ุณุจูู ูููุงโฌadalah hendaklah kalian berinfak di jalan Allah dengan harta-harta kalian. Karena salah satu fungsi dari harta adalah untuk meninggikan syariat-Nya, yaitu dengan cara menginfakkan di jalan-Nya. Dan Mengenai makna kalimat โซ ูุฃุญุณููุงโฌmaka ia bermakna perbuatan kebajikan yang dilakukan oleh setiap muslim, terutama berkaitan dengan kemana harta itu dibelanjakan, apakah digunakan di jalan-Nya atau untuk hal-hal yang tidak bermanfaat dan perbuatan dosa. Allah memerintahkan untuk membelanjakan harta di jalan Allah dan semua jalan taqarrub (mendekatkan diri kepada Allah) dan taat kepada-Nya, khususnya membelanjakan harta untuk memerangi musuh, kemudian mengalokasikannya buat sarana dan bekal memperkuat kaum muslim dalam menghadapi musuh-musuh mereka. Melalui ayat ini Allah memberitakan kepada mereka bahwa jika hal ini ditinggalkan, maka akan berakibat kepada kehancuran dan kebinasaan bagi orang yang tidak mau membelanjakan hartanya untuk tujuan tersebut. Kemudian di-โataf-kan kepada perintah berbuat baik, yang mana hal ini merupakan amal ketaatan yang paling tinggi (Kasir, 2008).
Sedangkan menurut tafsir Muyassar surat al-Baqarah/2 :195 memerintahkan orang muslim untuk membelanjakan harta benda untuk membantu perjuangan menegakkan dan meninggikan kalimat (agama) Allah. Sungguh, jika kalian tidak melakukan hal itu niscaya orang-orang kafir akan menjadi semakin kuat sehingga dapat membinasakan dan menguasai kalian. Barangsiapa meninggalkan perang
54 dan tidak mau menginfakkan sebagian hartanya di jalan Allah maka sesungguhnya ia telah bersiap diri untuk binasa di dunia dan akhirat. Kalian harus memperbaiki amal ibadah kalian dengan keikhlasan dan menyempurnakan kebaikan kalian dengan berinfak dan bermurah hati. Sesungguhnya berbuat baik dalam ucapan itu adalah kebenaran dan berbuat baik dengan perbuatan adalah kesempurnaan. Dan sesungguhnya Allah menyukai orang-orang yang berbuat baik dalam setiap amalnya (al-Qarni, 2008). Setiap muslim akan berusaha untuk mengendalikan hawa nafsunya agar tidak keluar dari batasan-batasan yang sudah Allah tentukan. Tidak hanya orang muslim, pengelolah perusahaan akan mengendalikan proses produksinya agar tidak ada produk yang keluar dari batas-batas kendali yang sudah ditentukan oleh perusahaan sehingga produk yang dihasilkan akan terus terjaga kualitasnya.
BAB V PENUTUP
5.1 Kesimpulan Berdasarkan pembahasan sebelumnya, maka dapat disimpulkan: 1. Hasil analisis aplikasi dari grafik pengendali kabur ๐ผ๐ โ ๐๐
dengan menggunakan pendekatan fuzzy rules berlangsung sampai tiga kali iterasi untuk mendapatkan seluruh kondisi sampel in control baik secara rata-rata maupun variabilitas. Pada iterasi pertama dan kedua masih ditemukan data yang out of control dan rather out of control sehingga harus direduksi dari data. Dari 89 data sisa klor, data yang memenuhi kondisi in control tersisa 82 data dengan batas atas grafik pengendali kabur ๐ผ๐ yaitu ๐๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐ 0,9837, 0,9842, 0,9914, 0,9923 , garis tengah batas pengendali kabur ๐ผ๐ yaitu ๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐ 0,9217, 0,9221, 0,9267, 0,9270 , dan batas bawah grafik pengendali kabur ๐ผ๐ yaitu ๐ฟ๐ถ๐ฟ๐ผ๐ = ๐๐๐น๐ 0,8565, 0,8573, 0,8646, 0,8651 , Sedangkan nilai batas kendali grafik pengedali moving range kabur (๐๐
), diperoleh batas atas grafik pengendali kabur ๐๐
yaitu ๐๐ถ๐ฟ๐๐
= ๐๐๐น๐ 0,0761, 0,0763, 0,0795, 0,0802 , garis tengah grafik pengendali kabur ๐๐
yaitu ๐ถ๐ฟ๐๐
= ๐๐๐น๐ 0,0233, 0,0234, 0,0243, 0,0245 , dan batas bawah grafik pengendali kabur ๐๐
yaitu
55
56 ๐ฟ๐ถ๐ฟ๐๐
= ๐๐๐น๐ 0, 0, 0, 0 . Dapat disimpulkan bahwa sampel sisa klor terkendali secara statistik, artinya grafik pengendali kabur dapat dijadikan acuan dalam pengambilan keputusan yang berkaitan dengan pengendalian proses produksi air PDAM. 2. Hasil penerapan kapabilitas proses kabur pada data sisa klor air baku produksi PDAM menunjukkan bahwa air tersebut layak dikonsumsi. Hal ini dapat dilihat dari nilai ๐ถ๐ dan ๐ถ๐๐ . Adapun nilai kapabilitas proses kabur (๐ถ๐ ) yaitu ๐ถ๐ = ๐๐๐น๐ 6,1029, 6,1659, 6,4783, 6,5 dan nilai indeks kapabilitas proses yaitu ๐ถ๐๐ = ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075 . Karena nilai ๐ถ๐ > 1 dan nilai ๐ถ๐๐ > 1 menunjukkan bahwa proses produksi capable. Proses produksi air PDAM khususnya kadar sisa klor sudah memenuhi standar yang ditetapkan oleh perusahaan dan dinas kesehatan.
5.2 Saran Pada penelitian selanjutnya diharapkan pembaca dapat menerapkan grafik pengendali kabur yang lain seperti EWMA karena grafik pengendali EWMA sangat efektif dalam mendeteksi pergeseran rata-rata proses yang kecil atau perubahan yang terjadi pada kualitas produk yang dihasilkan dalam proses produksi.
DAFTAR RUJUKAN
Al-Qarni, โAidh. 2008. Tafsir Muyassar Jilid 1 (Juz1-8). Jakarta: Qisthi Press. Ariani, D.W. 2004. Pengendalian Kualitas Statistik (Pendekatan Kuantitatif dalam Manajemen Kualitas). Yogyakarta: ANDI. Cheng, C.B. 2005. Fuzzy Process Control: Construction of Control Chart with Fuzzy Numbers. Fuzzy Sets and System, 154(2):287-303. Darestani, S.A dan Tadi, M.A. 2014. Development of Fuzzy IX-MR Control Chart Using Fuzzy Mode and Fuzzy Rules Approach. An International Peerreviewed Journal, 3(3):645-655. Harahap, H. 2007. Studi Pengendalian Kualitas Air PDAM Tirtanadi pada Reserevoar dan Sambungan Pelanggan. Jurnal Teknologi Proses, 6(1): 45-48. Katsir, I. 2008a. Tafsir Ibnu Katsir Jilid 1. Bogor: Pustaka Imam Asy-Syafiโi. Katsir, I. 2008b. Tafsir Ibnu Katsir Jilid 6. Bogor: Pustaka Imam Asy-Syafiโi. Katsir, I. 2008c. Tafsir Ibnu Katsir Jilid 8. Bogor: Pustaka Imam Asy-Syafiโi. Kaya, I., dan Kahraman, C. 2011. Process Capability Analyses Based On Fuzzy Measurements and Fuzzy Control Charts. Expert System Applications, 38(4): 3172-3184. Kusumadewi, S dan Purnomo, H. 2004. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Graha Ilmu. Montgomery, D.C. 2009. Introduction to Statistical Quality Control Sixth Edition. Jefferson: Elm Street Publishing Service. Nasiri, M. dan Darestani, S.A. 2016. Statistical Process Control Fuzzy ๐ โ ๐ Control Chart and Process Capability Indices in Normal Data Environment. International Journal of Quality and Reliability Management, 33(1): 2-24. Susilo, F. 2006. Himpunan dan Logika Kabur serta Aplikasinya. Yogyakarta: Graha Ilmu.
57
LAMPIRAN
Lampiran 1. Data sisa klor pada 1 Desember 2015 - 29 Februari 2016 Tgl 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data sisa klor (mg/L) 0,85 0,87 0,91 0,87 0,91 0,96 0,91 0,96 0,86 0,92 0,93 0,94 0,84 0,94 0,96 0,89 0,92 0,91 0,93 0,90 0,92 0,92 0,89 0,89 0,89 0,92 0,93 0,88 0,92 0,89
Tgl 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60
Data sisa klor (mg/L) 0,99 0,90 0,93 0,95 0,93 0,83 0,89 0,89 0,92 0,92 0,92 0,90 0,95 0,90 0,88 0,89 0,87 0,92 0,91 0,88 0,97 0,94 0,95 0,94 0,90 0,90 0,91 0,93 0,93 0,94
58
Tgl 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
Data sisa klor (mg/L) 0,89 0,90 0,90 0,93 0,95 0,96 0,97 0,98 0,98 0,98 0,93 0,96 0,91 0,94 0,93 0,92 0,97 0,97 0,92 0,96 0,96 0,94 0,95 0,92 0,96 0,96 0,95 0,95 0,93
Lampiran 2. Pembentukan Bilangan Trapesium Data Produksi Air Baku
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
๐๐ 0,8473 0,8673 0,9073 0,8673 0,9073 0,9573 0,9073 0,9573 0,8573 0,9173 0,9273 0,9373 0,8373 0,9373 0,9573 0,8873 0,9173 0,9073 0,9273 0,8973 0,9173 0,9173 0,8873 0,8873 0,8873 0,9173 0,9273 0,8773 0,9173 0,8873 0,9873 0,8973 0,9273 0,9473 0,9273 0,8273 0,8873 0,8873 0,9173 0,9173 0,9173 0,8973 0,9473 0,8973 0,8773
๐๐ 0,8477 0,8677 0,9077 0,8677 0,9077 0,9577 0,9077 0,9577 0,8577 0,9177 0,9277 0,9377 0,8377 0,9377 0,9577 0,8877 0,9177 0,9077 0,9277 0,8977 0,9177 0,9177 0,8877 0,8877 0,8877 0,9177 0,9277 0,8777 0,9177 0,8877 0,9877 0,8977 0,9277 0,9477 0,9277 0,8277 0,8877 0,8877 0,9177 0,9177 0,9177 0,8977 0,9477 0,8977 0,8777
๐๐ 0,8523 0,8723 0,9123 0,8723 0,9123 0,9623 0,9123 0,9623 0,8623 0,9223 0,9323 0,9423 0,8423 0,9423 0,9623 0,8923 0,9223 0,9123 0,9323 0,9023 0,9223 0,9223 0,8923 0,8923 0,8923 0,9223 0,9323 0,8823 0,9223 0,8923 0,9923 0,9023 0,9323 0,9523 0,9323 0,8323 0,8923 0,8923 0,9223 0,9223 0,9223 0,9023 0,9523 0,9023 0,8823
๐๐ 0,8527 0,8727 0,9127 0,8727 0,9127 0,9627 0,9127 0,9627 0,8627 0,9227 0,9327 0,9427 0,8427 0,9427 0,9627 0,8927 0,9227 0,9127 0,9327 0,9027 0,9227 0,9227 0,8927 0,8927 0,8927 0,9227 0,9327 0,8827 0,9227 0,8927 0,9927 0,9027 0,9327 0,9527 0,9327 0,8327 0,8927 0,8927 0,9227 0,9227 0,9227 0,9027 0,9527 0,9027 0,8827
No 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 ฮฃ
58
๐๐ ๐๐ ๐๐ ๐๐ 0,8873 0,8877 0,8923 0,8927 0,8673 0,8677 0,8723 0,8727 0,9173 0,9177 0,9223 0,9227 0,9073 0,9077 0,9123 0,9127 0,8773 0,8777 0,8823 0,8827 0,9673 0,9677 0,9723 0,9727 0,9373 0,9377 0,9423 0,9427 0,9473 0,9477 0,9523 0,9527 0,9373 0,9377 0,9423 0,9427 0,8973 0,8977 0,9023 0,9027 0,8973 0,8977 0,9023 0,9027 0,9073 0,9077 0,9123 0,9127 0,9273 0,9277 0,9323 0,9327 0,9273 0,9277 0,9323 0,9327 0,9373 0,9377 0,9423 0,9427 0,8873 0,8877 0,8923 0,8927 0,8973 0,8977 0,9023 0,9027 0,8973 0,8977 0,9023 0,9027 0,9273 0,9277 0,9323 0,9327 0,9473 0,9477 0,9523 0,9527 0,9573 0,9577 0,9623 0,9627 0,9673 0,9677 0,9723 0,9727 0,9773 0,9777 0,9823 0,9827 0,9773 0,9777 0,9823 0,9827 0,9773 0,9777 0,9823 0,9827 0,9273 0,9277 0,9323 0,9327 0,9573 0,9577 0,9623 0,9627 0,9073 0,9077 0,9123 0,9127 0,9373 0,9377 0,9423 0,9427 0,9273 0,9277 0,9323 0,9327 0,9173 0,9177 0,9223 0,9227 0,9673 0,9677 0,9723 0,9727 0,9673 0,9677 0,9723 0,9727 0,9173 0,9177 0,9223 0,9227 0,9573 0,9577 0,9623 0,9627 0,9573 0,9577 0,9623 0,9627 0,9373 0,9377 0,9423 0,9427 0,9473 0,9477 0,9523 0,9527 0,9173 0,9177 0,9223 0,9227 0,9573 0,9577 0,9623 0,9627 0,9573 0,9577 0,9623 0,9627 0,9473 0,9477 0,9523 0,9527 0,9473 0,9477 0,9523 0,9527 0,9273 0,9277 0,9323 0,9327 81,8436 81,8732 82,2868 82,3164
Lampiran 3. Nilai Moving Range kabur No 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
๐๐
๐ 0,0154 0,0354 0,0446 0,0354 0,0454 0,0546 0,0454 0,1046 0,0554 0,0054 0,0054 0,1046 0,0954 0,0154 0,0746 0,0254 0,0146 0,0154 0,0346 0,0154 0,0046 0,0346 0,0046 0,0046 0,0254 0,0054 0,0546 0,0354 0,0346 0,0954 0,0946 0,0254 0,0154 0,0246 0,1046 0,0554 0,0046 0,0254 0,0046 0,0046 0,0246 0,0454 0,0546 0,0246 0,0054
๐๐
๐ 0,0147 0,0347 0,0453 0,0347 0,0447 0,0553 0,0447 0,1053 0,0547 0,0047 0,0047 0,1053 0,0947 0,0147 0,0753 0,0247 0,0153 0,0147 0,0353 0,0147 0,0053 0,0353 0,0053 0,0053 0,0247 0,0047 0,0553 0,0347 0,0353 0,0947 0,0953 0,0247 0,0147 0,0253 0,1053 0,0547 0,0053 0,0247 0,0053 0,0053 0,0253 0,0447 0,0553 0,0253 0,0047
๐๐
๐ 0,0246 0,0446 0,0354 0,0446 0,0546 0,0454 0,0546 0,0954 0,0646 0,0146 0,0146 0,0954 0,1046 0,0246 0,0654 0,0346 0,0054 0,0246 0,0254 0,0246 0,0046 0,0254 0,0046 0,0046 0,0346 0,0146 0,0454 0,0446 0,0254 0,1046 0,0854 0,0346 0,0246 0,0154 0,0954 0,0646 0,0046 0,0346 0,0046 0,0046 0,0154 0,0546 0,0454 0,0154 0,0146
๐๐
๐ 0,0253 0,0453 0,0347 0,0453 0,0553 0,0447 0,0553 0,0947 0,0653 0,0153 0,0153 0,0947 0,1053 0,0253 0,0647 0,0353 0,0047 0,0253 0,0247 0,0253 0,0053 0,0247 0,0053 0,0053 0,0353 0,0153 0,0447 0,0453 0,0247 0,1053 0,0847 0,0353 0,0253 0,0147 0,0947 0,0653 0,0053 0,0353 0,0053 0,0053 0,0147 0,0553 0,0447 0,0147 0,0153
No 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89
ฮฃ
59
๐๐
๐ 0,0246 0,0454 0,0146 0,0346 0,0854 0,0346 0,0054 0,0146 0,0446 0,0046 0,0054 0,0154 0,0046 0,0054 0,0546 0,0054 0,0046 0,0254 0,0154 0,0054 0,0054 0,0054 0,0046 0,0046 0,0546 0,0254 0,0546 0,0254 0,0146 0,0146 0,0454 0,0046 0,0546 0,0354 0,0046 0,0246 0,0054 0,0346 0,0354 0,0046 0,0146 0,0046 0,0246 2,6079
๐๐
๐ 0,0253 0,0447 0,0153 0,0353 0,0847 0,0353 0,0047 0,0153 0,0453 0,0053 0,0047 0,0147 0,0053 0,0047 0,0553 0,0047 0,0053 0,0247 0,0147 0,0047 0,0047 0,0047 0,0053 0,0053 0,0553 0,0247 0,0553 0,0247 0,0153 0,0153 0,0447 0,0053 0,0553 0,0347 0,0053 0,0253 0,0047 0,0353 0,0347 0,0053 0,0153 0,0053 0,0253 2,6119
๐๐
๐ 0,0154 0,0546 0,0054 0,0254 0,0946 0,0254 0,0146 0,0054 0,0354 0,0046 0,0146 0,0246 0,0046 0,0146 0,0454 0,0146 0,0046 0,0346 0,0246 0,0146 0,0146 0,0146 0,0046 0,0046 0,0454 0,0346 0,0454 0,0346 0,0054 0,0054 0,0546 0,0046 0,0454 0,0446 0,0046 0,0154 0,0146 0,0254 0,0446 0,0046 0,0054 0,0046 0,0154 2,6916
๐๐
๐ 0,0147 0,0553 0,0047 0,0247 0,0953 0,0247 0,0153 0,0047 0,0347 0,0053 0,0153 0,0253 0,0053 0,0153 0,0447 0,0153 0,0053 0,0353 0,0253 0,0153 0,0153 0,0153 0,0053 0,0053 0,0447 0,0353 0,0447 0,0353 0,0047 0,0047 0,0553 0,0053 0,0447 0,0453 0,0053 0,0147 0,0153 0,0247 0,0453 0,0053 0,0047 0,0053 0,0147 2,7075
Lampiran 4. Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule pada Iterasi ke-1 No 1 2 3 4 5 6 7 8 9 10 11 12
Data 0,85 0,87 0,91 0,87 0,91 0,96 0,91 0,96 0,86 0,92 0,93 0,94
13
0,84
IX in control in control in control in control in control in control in control in control in control in control in control in control rather out of control
14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
0,94 0,96 0,89 0,92 0,91 0,93 0,90 0,92 0,92 0,89 0,89 0,89 0,92 0,93 0,88 0,92 0,89
in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
0,99 0,90 0,93 0,95 0,93 0,83 0,89 0,89 0,92 0,92 0,92 0,90 0,95 0,90 0,88
in control in control in control in control in control out control in control in control in control in control in control in control in control in control in control
MR in control in control in control in control in control in control in control in control in control in control in control in control rather out of control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control rather out of control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
60
No 46 47 48 49 50 51 52 53 54 55 56 57
Data 0,89 0,87 0,92 0,91 0,88 0,97 0,94 0,95 0,94 0,90 0,90 0,91
IX in control in control in control in control in control in control in control in control in control in control in control in control
MR in control in control in control in control in control in control in control in control in control in control in control in control
58
0,93
in control
in control
59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
0,93 0,94 0,89 0,90 0,90 0,93 0,95 0,96 0,97 0,98 0,98 0,98 0,93 0,96 0,91 0,94 0,93
in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
76 77 78 79 80 81 82 83 84 85 86 87 88 89
0,92 0,97 0,97 0,92 0,96 0,96 0,94 0,95 0,92 0,96 0,96 0,95 0,95 0,93
in control in control in control in control in control in control in control in control in control in control in control in control in control in control
in control in control in control in control in control in control in control in control in control in control in control in control in control in control
Lampiran 5 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule pada Iterasi ke-2 No
Data
MR
0,85
IX rather out of control
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45
0,87 0,91 0,87 0,91 0,96 0,91 0,96 0,86 0,92 0,93 0,94 0,96 0,89 0,92 0,91 0,93 0,90 0,92 0,92 0,89 0,89 0,89 0,92 0,93 0,88 0,92 0,89 0,90 0,93 0,95 0,93 0,89 0,89 0,92 0,92 0,92 0,90 0,95 0,90 0,88 0,89 0,87 0,92 0,91
in control in control in control in control in control in control in control out control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
in control in control in control in control in control in control in control out control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
No
Data
IX
MR
46
0,88
in control
47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85
0,97 0,94 0,95 0,94 0,90 0,90 0,91 0,93 0,93 0,94 0,89 0,90 0,90 0,93 0,95 0,96 0,97 0,98 0,98 0,98 0,93 0,96 0,91 0,94 0,93 0,92 0,97 0,97 0,92 0,96 0,96 0,94 0,95 0,92 0,96 0,96 0,95 0,95 0,93
in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
in control rather out of control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
61
Lampiran 6 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule pada Iterasi ke-3 No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42
Data 0,87 0,91 0,87 0,91 0,96 0,91 0,96 0,92 0,93 0,94 0,96 0,89 0,92 0,91 0,93 0,90 0,92 0,92 0,89 0,89 0,89 0,92 0,93 0,88 0,92 0,89 0,90 0,93 0,95 0,93 0,89 0,89 0,92 0,92 0,92 0,90 0,95 0,90 0,88 0,89 0,87 0,92
IX in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
MR in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
No 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
62
Data 0,91 0,88 0,94 0,95 0,94 0,90 0,90 0,91 0,93 0,93 0,94 0,89 0,90 0,90 0,93 0,95 0,96 0,97 0,98 0,98 0,98 0,93 0,96 0,91 0,94 0,93 0,92 0,97 0,97 0,92 0,96 0,96 0,94 0,95 0,92 0,96 0,96 0,95 0,95 0,93
IX in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
MR in control in control in control in control In control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control in control
Lampiran 7. Program Matlab Perhitungan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐
clc,clear format short %Memanggil data fuzzy Ms. Excel ke Matlab X=xlsread('data1.xlsx','Sheet4','A1:A89'); data=size(X) data=data(1) Std=std(X(:,1)) M=zeros(data,32); d2=1.128; D3=0; D4=3.267; %Data asli dirubah ke bilangan fuzzy for i=1:data M(i,1)=X(i,1)-0.08*Std; M(i,2)=X(i,1)-0.07*Std; M(i,3)=X(i,1)+0.07*Std; M(i,4)=X(i,1)+0.08*Std; end %Mententukkan nilai MR setiap data fuzzy for i=2:data M(i,9)=abs(M(i,1)-M(i-1,4)); M(i,10)=abs((M(i,2)-M(i-1,3))); M(i,11)=abs((M(i,3)-M(i-1,2))); M(i,12)=abs((M(i,4)-M(i-1,1))); end %mencari nilai CL, UCL dan LCL (X dan MR) CLxa=mean(M(:,1)); CLxb=mean(M(:,2)); CLxc=mean(M(:,3)); CLxd=mean(M(:,4)); CLMRa=(sum(M(2:data-1,10)))/(data-1); CLMRb=(sum(M(2:data-1,9)))/(data-1); CLMRc=(sum(M(2:data-1,11)))/(data-1); CLMRd=(sum(M(2:data-1,12)))/(data-1); UCLxa=CLxa+3*(CLMRa/d2); UCLxb=CLxb+3*(CLMRb/d2); UCLxc=CLxc+3*(CLMRc/d2); UCLxd=CLxd+3*(CLMRd/d2); LCLxa=CLxa-3*(CLMRd/d2); LCLxb=CLxb-3*(CLMRc/d2); LCLxc=CLxc-3*(CLMRb/d2); LCLxd=CLxd-3*(CLMRa/d2); UCLMRa=D4*CLMRa; UCLMRb=D4*CLMRb; UCLMRc=D4*CLMRc; UCLMRd=D4*CLMRd; LCLMRa=D3*CLMRa; LCLMRb=D3*CLMRb; LCLMRc=D3*CLMRc; LCLMRd=D3*CLMRd;
63
%tampilan data pengendali for i=1:data; M(i,5)=CLxa; M(i,6)=CLxb; M(i,7)=CLxc; M(i,8)=CLxd; M(i,13)=CLMRa; M(i,14)=CLMRb; M(i,15)=CLMRc; M(i,16)=CLMRd; M(i,17)=UCLxa; M(i,18)=UCLxb; M(i,19)=UCLxc; M(i,20)=UCLxd; M(i,21)=LCLxa; M(i,22)=LCLxb; M(i,23)=LCLxc; M(i,24)=LCLxd; M(i,25)=UCLMRa; M(i,26)=UCLMRb; M(i,27)=UCLMRc; M(i,28)=UCLMRd; M(i,29)=LCLMRa; M(i,30)=LCLMRb; M(i,31)=LCLMRc; M(i,32)=LCLMRd; end % disp(' a b c d CLxa CLxb CLxc CLxd MRa MRb MRc MRd CLMRa CLMRb CLMRc CLMRd UCLxa UCLxb UCLxc UCLxd LCLxa LCLxb LCLxc LCLxd UCLMRa UCLMRb UCLMRc UCLMRd LCLMRa LCLMRb LCLMRc LCLMRd') % disp(M) disp(' a b c d CLxa CLxb CLxc CLxd MRa MRb MRc MRd CLMRa') disp(M(:,1:13)) disp(' CLMRb CLMRc CLMRd UCLxa UCLxb UCLxc UCLxd LCLxa LCLxb LCLxc LCLxd UCLMRa UCLMRb') disp(M(:,14:26)) disp(' UCLMRc UCLMRd LCLMRa LCLMRb LCLMRc LCLMRd') disp(M(:,27:32)) %Fuzzy rule pada data sisa klor (X) N=zeros(data,2); for i=1:data if M(i,4)<=UCLxa && M(i,1)>=LCLxd N(i,1)=1; elseif M(i,1)>UCLxd || M(i,4)
UCLxa N(i,1)=1-(M(i,4)-UCLxa)/(M(i,4)-M(i,1)); elseif M(i,1)UCLxa && M(i,1)
64
end end % Fuzzy rule pada data sisa klor (MR) for i=2:data if M(i,12)<=UCLMRa && M(i,9)>=LCLMRd N(i,2)=1; elseif M(i,9)>UCLMRd || M(i,12)UCLMRa N(i,2)=1-(M(i,12)-UCLMRa)/(M(i,12)-M(i,9)); elseif M(i,9)UCLMRa && M(i,9)=0.5 disp('rather in control') elseif N(i,1)<0.5 disp('rather out of control') end end disp(' ') disp('Kendali proses MR') disp(' ') for i=2:data if N(i,2)==1 disp('in control') elseif N(i,2)==0 disp('out control') elseif N(i,2)>=0.5 disp('rather in control') elseif N(i,2)<0.5 disp('rather out of control') end end
65
Lampiran 8. Program Mathlab Perhitungan Nilai Kapabilitas Proses Kabur format short %memanggil data dari Ms. Excel ke Matlab X=xlsread('data1.xlsx','Sheet4','G1:G82'); data=size(X) data=data(1) Std=std(X(:,1)) M=zeros(data,32); d2=1.128; D3=0; D4=3.267; %Data asli dirubah ke bilangan fuzzy for i=1:data M(i,1)=X(i,1)-0.08*Std; M(i,2)=X(i,1)-0.07*Std; M(i,3)=X(i,1)+0.07*Std; M(i,4)=X(i,1)+0.08*Std; end %Mententukkan nilai MR setiap data fuzzy for i=2:data M(i,9)=abs((M(i,1)-M(i-1,4))); M(i,10)=abs((M(i,2)-M(i-1,3))); M(i,11)=abs((M(i,3)-M(i-1,2))); M(i,12)=abs((M(i,4)-M(i-1,1))); end %mencari nilai CL, UCL dan LCL (X dan MR) CLxa=mean(M(:,1)); CLxb=mean(M(:,2)); CLxc=mean(M(:,3)); CLxd=mean(M(:,4)); CLMRa=(sum(M(2:data-1,10)))/(data-1); CLMRb=(sum(M(2:data-1,9)))/(data-1); CLMRc=(sum(M(2:data-1,11)))/(data-1); CLMRd=(sum(M(2:data-1,12)))/(data-1); UCLxa=CLxa+3*(CLMRa/d2); UCLxb=CLxb+3*(CLMRb/d2); UCLxc=CLxc+3*(CLMRc/d2); UCLxd=CLxd+3*(CLMRd/d2); LCLxa=CLxa-3*(CLMRd/d2); LCLxb=CLxb-3*(CLMRc/d2); LCLxc=CLxc-3*(CLMRb/d2); LCLxd=CLxd-3*(CLMRa/d2); UCLMRa=D4*CLMRa; UCLMRb=D4*CLMRb; UCLMRc=D4*CLMRc; UCLMRd=D4*CLMRd; LCLMRa=D3*CLMRa; LCLMRb=D3*CLMRb; LCLMRc=D3*CLMRc; LCLMRd=D3*CLMRd; %menghitung nilai s sa=CLMRa/d2 sb=CLMRb/d2 sc=CLMRc/d2
66
sd=CLMRd/d2 %membentuk ke usl ke bilangan fuzzy ua=1-0.09*Std ub=1-0.07*Std uc=1+0.06*Std ud=1+0.08*Std %membentuk ke lsl ke bilangan fuzzy la=0.2-0.09*Std lb=0.2-0.07*Std lc=0.2+0.06*Std ld=0.2+0.08*Std %menentukan nilai cp cpa=(ua-ld)/(6*sd) cpb=(ub-lc)/(6*sc) cpc=(uc-lb)/(6*sb) cpd=(ud-la)/(6*sa) %menentukan nilai cpu cpua=(ua-CLxd)/(3*sd) cpub=(ub-CLxc)/(3*sc) cpuc=(uc-CLxb)/(3*sb) cpud=(ud-CLxa)/(3*sa) %menentukan nilai cpl cpla=(CLxa-ld)/(3*sd) cplb=(CLxb-lc)/(3*sc) cplc=(CLxc-lb)/(3*sb) cpld=(CLxd-la)/(3*sa) %menentukan cpk cpka=min(cpua,cpla) cpkb=min(cpub,cplb) cpkc=min(cpuc,cplc) cpkd=min(cpud,cpld)
67
Lampiran 9 Faktor Guna Membentuk Grafik Pengendali Variabel
68
RIWAYAT HIDUP Okta Dwi Rohmawati, lahir di kota Gresik pada tanggal 08 Oktober 1993, biasa dipanggil Okta, tinggal di Jl. Joyoraharjo RT 01/RW 02 No 9 Kec Lowokwaru Kota Malang. Anak bungsu dari dua bersaudara, dari pasangan bapak Hartoyo dan ibu Mahmudah. Pendidikan dasarnya ditempuh di MI Al โ Firdaus Lasem dan lulus pada tahun 2006, setelah itu melanjutkan pendidikan menengah pertama di MTs Ihyaul Ulum Dukun Gresik dan lulus pada tahun 2009. Kemudian melanjutkan pendidikan menengah atas di SMA Assaโadah Bungah Gresik dan menamatkan pendidikannya pada tahun 2012. Pada tahun yang sama dia melanjutkan kuliah di Universitas Islam Negeri Maulana Malik Ibrahim Malang mengambil jurusan Matematika. Selama menjadi mahasiswa, dia berperan aktif pada organisasi intra kampus. Dia pernah menjadi anggota devisi kematematikawan di Himpunan Mahasiswa Jurusan (HMJ) matematika pada periode 2012/2013 dan mengajar di TPQ Wardatul
Ishlah
pada
1
tahun
2014-2016.
1