1
PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK. Fanny Ayu Octaviana dan Dra. Lucia Aridinanti, MT. Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak—Pengendalian kualitas proses produksi yang dilakukan oleh PT. Asahimas Flat Glass, Tbk. Sidoarjo hanya menyeleksi dan memisahkan antara produk yang cacat dan tidak cacat, belum dilakukan analisis sehingga tidak dapat mengetahui proses sudah terkendali atau tidak. Dalam penelitian ini akan dilakukan pendeteksian jenis cacat produksi kaca LNFL pada proses pemotongan dengan menggunakan peta p multivariat untuk mengevaluasi proses pemotongan kaca dan menentukan faktor penyebab cacat. Data yang digunakan dalam penelitian ini adalah data sekunder tentang karakteristik kualitas atribut yaitu jenis kecacatan dalam proses produksi kaca pada saat proses pemotongan. Dari hasil evaluasi proses, produksi kaca pada proses pemotongan mengalami pergeseran proses karena proporsi cacat yang semakin meningkat namun peningkatan tiap cacat tidak dapat diidentifikasi pada jenis cacat tertentu. Dari hasil diagram pareto, dapat diketahui bahwa jenis cacat yang paling mendominasi pada saat proses pemotongan kaca adalah scratch dengan rata-rata sebesar 47,05%, cullet dengan rata-rata sebesar 27,25%, pushmark dengan rata-rata sebesar 9,15% dan chipping dengan rata-rata sebesar 10,15%. Dari hasil diagram sebab akibat, dapat diketahui faktor-faktor penyebab cacat diantaranya yaitu kualitas bahan baku yang belum baik, operator kelelahan dan kurang teliti, cara pemotongan belum optimal, kurangnya maintenance, usia mesin yang sudah tua dan pengaturan mesin yang belum sesuai. Kata Kunci—Karakteristik Kualitas Atribut, Faktor Penyebab Cacat, Peta p Multivariat, Proses Pemotongan Kaca
I. PENDAHULUAN ualitas produk yang baik harus dipertahankan, sehingga perusahaan perlu memonitor dan mengontrol proses produksi agar proses tetap stabil. PT. Asahimas Flat Glass, Tbk. merupakan perusahaan terkemuka di dunia yang bergerak di bidang pembuatan kaca lembaran. Dalam penelitian ini, studi kasus yang diambil adalah di PT. Asahimas Flat Glass, Tbk. Sidoarjo. Produk kaca jenis LNFL (Light Green) merupakan kaca lembaran yang termasuk dalam kategori kaca jenis otomotif yang paling banyak diproduksi PT. Asahimas Flat Glass, Tbk. Sidoarjo. Pengendalian kualitas produksi yang dilakukan oleh departemen Quality Control adalah dengan cara menyeleksi dan memisahkan antara produk yang cacat dan tidak cacat, belum dilakukan analisis sehingga tidak dapat mengetahui proses sudah terkendali atau tidak. Dalam hal ini, cara yang dilakukan oleh departemen Quality Control kurang tepat, karena dapat mengurangi nilai kualitas suatu produk dan merugikan pelanggan. Metode statistik yang dapat digunakan untuk mengontrol dan mengetahui stabilitas proses produksi
K
adalah peta kendali. Jika pemeriksaan obyek secara atribut dilakukan pada lebih dari satu karakteristik kualitas, peta kendali yang digunakan adalah peta kendali multivariat atribut [1]. Dalam penelitian ini, studi kasus yang diambil yaitu data jenis cacat pada proses pemotongan kaca dikarenakan dalam setiap potongan kaca diketahui adanya jenis cacat yang bervariasi dan berhubungan antara cacat yang satu dengan yang lain, sehingga metode yang akan digunakan adalah peta p multivariat. Peta p multivariat telah banyak digunakan, salah satunya oleh Mayananda dengan melakukan penelitian tentang pengontrolan kualitas produksi PT. IGLAS (Persero) Gresik pada proses produksi botol IBTC 175ml pada tahapan sortir. Oleh karena itu, dalam penelitian ini akan dilakukan pendeteksian jenis cacat produksi kaca LNFL pada proses pemotongan dengan menggunakan peta p multivariat, yang nantinya dapat memberikan masukan untuk perbaikan bagi pihak perusahaan. Penelitian ini dilakukan bertujuan untuk mengevaluasi proses pemotongan kaca jenis LNFL pada bulan Januari sampai dengan Desember 2013 di PT. Asahimas Flat Glass, Tbk. Sidoarjo dengan menggunakan peta p multivariat dan mengetahui faktor-faktor penyebab cacat dalam produksi kaca jenis LNFL pada bulan Januari sampai dengan Desember 2013 di PT. Asahimas Flat Glass, Tbk. Sidoarjo saat proses pemotongan. II. TINJAUAN PUSTAKA Pengendalian Kualitas Statistik Pengendalian kualitas statistik merupakan teknik penyelesaian masalah yang digunakan untuk memonitor, mengendalikan, menganalisis, mengelola dan memperbaiki produk dan proses menggunakan metode-metode statistik [2]. Pengendalian kualitas statistik digunakan untuk menyelidiki secara cepat terjadinya sebab-sebab terduga atau pergeseran proses sedemikian hingga penyelidikan terhadap proses itu dan tindakan pembetulan dapat dilakukan sebelum terlalu banyak unit yang tidak sesuai diproduksi. Tujuan utama pengendalian proses adalah menjaga setiap proses agar tetap terkendali dan untuk itu digunakan peta kendali. Peta kendali adalah teknik pengendali proses yang digunakan untuk menangani kasus terjadinya sebab-sebab terduga atau pergeseran proses. Peta kendali merupakan suatu alat statistik yang digunakan untuk melihat variasi-variasi di dalam kualitas output yang disebabkan karena kesempatan dan sebab-sebab yang dapat diberikan. 2.1
2 2.2
Peta Atribut Multivariat Banyak karakteristik kualitas yang tidak dapat dengan mudah dinyatakan secara numerik karena pada banyak kasus, kualitas dapat dilihat secara langsung tanpa melakukan pengukuran secara numerik [3]. Karakterstik kualitas seperti ini dinamakan dengan kualitas atribut. Jika variabel karakteristik kualitas yang diperiksa lebih dari satu dan antar variabel yang satu dengan yang lain ada hubungan maka disebut multivariat [4]. Peta kendali multivariat atribut adalah peta kendali yang digunakan ketika terdapat lebih dari satu karakteristik kualitas dalam suatu pemeriksaan [1]. 2.3
Peta p Multivariat Dalam peta p multivariat harus mempertimbangkan pembobot secara akurat guna mengontrol dan menaksir parameter tingkat kecacatan secara keseluruhan dalam proses. Secara umum, setiap item dapat diklasifikasikan dalam (k+1) diurutkan dan kategori kualitas saling bebas tergantung pada tingkat kecacatan. Misalkan D = (D0, D1, ..., Di, ..., Dk) menjadi vektor dari (k+1) kategori cacat, Di menunjukkan kategori tingkat cacat; D0 adalah kategori bebas cacat dan Dk adalah kategori tingkat cacat yang paling serius. Produk yang diklasifikasikan dalam masing-masing (k + 1) kategori kualitas cacat [5]. Dalam hal ini variabel acak multivariat X = (X0, X1,..., Xi,..., Xk) memiliki distribusi multinomial dengan parameter n dan vektor probabilitas p = (p0, p1, ..., pi, ..., pk), sehingga 0 ≤ pi ≤ 1 dan k p 1 . Xi
i 0
i
adalah jumlah item dalam sampel yang diklasifikasikan dalam kategori cacat Di dan pi adalah proporsi ketidaksesuaian item yang diklasifikasikan sebagai cacat di kelas i. Akibatnya, variabel acak multivariat X memiliki distribusi multinomial acak dengan parameter (n, p), dimana n adalah ukuran sampel dan p adalah vektor probabilitas. Misalkan d = (d0, d1, ..., di, ..., dk) menjadi vektor pembobot berhubungan dengan vektor D kategori kualitas cacat, di mana 0 ≤ di ≤ 1 , di < di +1 , d0 = 0 dan d1 = 1. Jadi, untuk menentukan vektor d dan vektor p, indeks normalisasi dari tingkat cacat keseluruhan sebagai berikut. k d i pi i 0
(1)
dimana di = vektor pembobot ( 0 ≤ di ≤ 1) pi = proporsi dari ketidaksesuaian item kelas cacat ke-i (0 ≤ pi ≤ 1) = tingkat cacat keseluruhan (0 < δ < 1) Misalkan X = (X0, X1, ..., Xi, ..., Xk), diketahui bahwa estimator maximum likelihood dari parameter p = (p0, p1, ..., pi, ..., pk) adalah pˆ X i . Oleh karena itu, untuk i
n
mengendalikan cacat keseluruhan dari parameter δ, dapat menggunakan rumus sebagai berikut. k (2) ˆ d pˆ i 0 i i
Nilai ekspektasi dari ˆ adalah
k k E ˆ E d i pˆ i d i p i i 0 i 0
(3)
yaitu, penaksir tak bias dari indeks δ. Varians dari δ adalah 2 k 1 k 2 k 2 ˆ ˆ var di pi di pi di pi i 0 n i 0 i 0
(4)
dan penaksir konsisten dari varians 2 ˆ adalah 2 k 1 k S 2 ˆ d i2 pˆ i d i pˆ i n i 0 i 0
(5)
ˆ Berdasarkan Theorema Limit Pusat multivariat, vektor p mempunyai (k+1) distribusi normal multivariat dan penaksir ˆ mempunyai distribusi normal. Oleh karena itu, dapat diperoleh selang kepercayaan (1-α) untuk statistik sampel cacat keseluruhan sebagai berikut [6]. 2 k k 1 k 2 k di pˆ i di pˆ i di pi di pˆ i 2 k , n i 0 i 0 i 0 i 0
dimana 2
k ,
(6)
adalah kuantil atas (1 ) dari distribusi 2
dengan derajat bebas (k) [5]. Misalkan Xt = (X0t, X1t, ..., Xit, ..., Xkt), t = 1, 2, ..., m, menjadi satu m sampel awal dari ukuran n yang diambil dari proses multinomial X dengan parameter (n, p). Secara khusus, Xit adalah jumlah item dalam sampel ke-t yang diklasifikasikan dalam kategori cacat Di. Oleh karena itu, penaksir tak bias dari parameter pi sebagai berikut. 1 m (7) pˆ i pˆ , i 0,1,2,..., k m t 1 it dimana pˆ
it
X
it dengan i = 0, 1, …, k dan t = 1, 2, …, m n
Sehingga diperoleh nilai batas kendali peta p multivariat sebagai berikut. k ˆi BKA di p i 0
2
k,
1 n
2 k k d 2 p ˆ i di p ˆ i i i 0 i 0
k
Garis Tengah d pˆ i i
(8)
i 1
k ˆi BKB di p i 0
2
k ,
2 k 1 k ˆ i di p ˆ i di2 p n i 0 i 0
A.
Identifikasi Variabel Penyebab Terjadinya Tidak Terkendali Jika nilai statistik sampling ( ) berada batas kendali atas atau batas kendali bawah, maka proses akan dikatakan diluar dan operator harus menyelidiki penyebabnya. Namun demikian, dalam situasi praktis, pi0, i = 0, 1, ..., k biasanya diestimasi dengan menggunakan sampel awal yang diambil dalam tahap dasar kontrol. Dalam hal ini, prosedur statistik yang benar berdasarkan statistik sampel sebagai berikut. 2 k pˆ it pˆ i 0 (9) Z t n 0 nt i 0 X it X i 0 Zt merupakan indikator kontribusi relatif dari variabel ke-t untuk keseluruhan statistik, n0 dan nt merupakan ukuran sampel tahap ke-0 dan ke-t, pˆ it dan pˆ i 0 adalah proporsi
variabel ke-i tahap ke-t dan ke-0, X it dan X i 0 adalah jumlah
3 cacat ke-i tahap ke-t dan ke-0. Perbaikan proses diutamakan pada variabel yang memiliki nilai Zt lebih besar dari (2k 1), .
2500
100
2000
80
1500
60
1000
40
500
20
0 karakteristik cacat
a
b
c
d
e
lainnya
Persen
Diagram Pareto Diagram pareto merupakan suatu gambar yang mengurutkan klasifikasi data dari kiri ke kanan menurut urutan skor tertinggi hingga terendah. Hal ini dimaksudkan agar dapat membantu menemukan permasalahan yang paling penting untuk segera diperbaiki (skor tertinggi) sampai dengan masalah yang tidak harus segera diselesaikan (skor terendah) [2].
frekuensi
2.4
0
Gambar 1. Diagram pareto
2.5
Diagram Sebab-Akibat Diagram sebab-akibat sering dikenal dengan diagram tulang ikan (fishbone). Diagram sebab-akibat adalah suatu diagram yang menunjukkan hubungan antara sebab-akibat. Oleh sebab itu, diagram sebab-akibat dapat dengan mudah dipahami oleh siapapun [7]. Lingkungan
Material
Manusia
Cacat
Metode
Mesin
Gambar 2. Diagram sebab-akibat
2.6
Proses Pembuatan Kaca Proses produksi kaca pada PT. Asahimas Flat Glass, Tbk. menggunakan metode float. Dasar pertimbangannya adalah untuk menghasilkan produk kaca yang lebih berkualitas berstandar internasional. Adapun langkah-langkah proses yang digunakan untuk pembuatan kaca pada PT. Asahimas Flat Glass, Tbk. sebagai berikut. 1. Raw Material Preparation (Persiapan Bahan Kaca). 2. Weighting & Mixing of Raw Material (Penimbangan dan Pencampuran Bahan Kaca). 3. Melting (Peleburan) di Furnace 1600 – 1700o. 4. Glass Forming (Pembentukan Kaca) di Metal Bath. 5. Glass Annealing (Pendinginan Kaca) di Lehr. 6. Glass Cutting (Pemotongan Kaca). 7. Glass Packaging (Pengepakan Kaca). III. METODOLOGI PENELITIAN Dalam penelitian ini, variabel yang digunakan adalah data sekunder tentang karakteristik kualitas atribut yang diperoleh dari Departemen Quality Control di PT. Asahimas
Flat Glass, Tbk. Sidoarjo yaitu jenis kecacatan dalam proses produksi kaca pada saat proses pemotongan. Data yang diperoleh memiliki 6 kualitas cacat berupa atribut pada kaca yang diklasifikasikan menjadi 3 kelas yaitu cacat kritis terdiri atas cacat cullet dan scratch, cacat major terdiri atas cacat pushmark dan chipping, serta cacat minor terdiri atas cacat water stain dan other secondary. Data produksi yang diambil adalah data jenis kecacatan pada periode Januari sampai Desember 2013 untuk produk LNFL, dimana jumlah sampel yang diambil berbeda-beda. Data yang diperoleh terbagi menjadi 47 minggu sehingga diperoleh 47 subgrup karena produk kaca jenis LNFL selalu diproduksi setiap minggu, dimana masing-masing subgrup terdiri dari 3 shift, yaitu : shift pagi, shift siang dan shift malam. Langkah analisis yang digunakan dalam penelitian ini melalui tahap-tahap sebagai berikut : 1. Melakukan uji asumsi yang harus terpenuhi yaitu adanya hubungan atau korelasi antar variabel dan data yang berdistribusi multivariat normal. 2. Membuat deskripsi data secara umum yaitu jumlah cacat dari data jenis kecacatan produksi kaca jenis LNFL saat proses pemotongan. 3. Melakukan pengujian peta p multivariat secara keseluruhan selama 1 tahun. 4. Melakukan uji proporsi pada setiap tahap untuk mengetahui ada atau tidaknya pergeseran proses. 5. Melakukan pengujian peta p multivariat pada tahap 1 dan tahap 2 untuk mengetahui proses pemotongan kaca sudah terkendali secara statistik atau belum. 6. Melakukan perhitungan identifikasi variabel penyebab terjadinya tidak terkendali. 7. Membuat diagram pareto dari data jenis cacat untuk mengetahui jenis cacat yang paling banyak terjadi dalam proses pemotongan kaca. 8. Menggambarkan diagram sebab-akibat dengan menggunakan software untuk mengetahui faktor-faktor adanya jenis cacat yang paling banyak terjadi saat proses pemotongan kaca. 9. Membuat kesimpulan serta saran dari hasil analisis dan pembahasan. IV. ANALISIS DAN PEMBAHASAN Pengujian Asumsi Data jenis cacat dalam proses produksi kaca LNFL pada saat proses pemotongan telah memenuhi asumsi adanya korelasi antar variabel dan berdistribusi normal multivariat. 4.1
4.2
Analisis Karakteristik Jenis Cacat Analisis statistika deskripsi hasil pengamatan data jenis cacat yang terjadi pada saat proses pemotongan kaca. Tabel 1. Statistika Deskriptif Pada Proses Pemotongan Kaca Tahun 2013
No. 1. 2. 3.
Kelas Cacat
Jenis Cacat
n
Kritis
Cullet Scratch Pushmark Chipping Water Stain Other Second
187121 187121 187121 187121 187121 187121
Major Minor
Jumlah cacat 221 383 74 83 0 52
4
Tabel 2. Statistika Deskriptif Pada Proses Produksi Kaca Pada Tahap 1
Kelas Cacat
No. 1.
Kritis
2.
Major
3.
Minor
Jenis Cacat
n
Cullet Scratch Pushmark Chipping Water Stain Other Second
87236 87236 87236 87236 87236 87236
Jumlah cacat 120 176 42 30 0 30
Jumlah cacat scratch paling banyak yaitu sebesar 176 pcs dan jumlah cacat yang paling sedikit atau jarang terjadi adalah cacat Water Stain yaitu sebanyak 0 pcs.
A.
Evaluasi Proses Tahap 1 Dalam peta p multivariat pada tahap 1, menggunakan data pada bulan 1 Januari 2013 sampai dengan 31 Maret 2013. Pada tahap 1 diperoleh pengamatan sebanyak 11 subgrup. 0,007 0,006 0,005 delta (d)
Jumlah cacat scratch paling banyak yaitu sebesar 383 pcs dan jumlah cacat yang paling sedikit atau jarang terjadi adalah cacat Water Stain yaitu sebanyak 0 pcs.
Kelas Cacat
1.
Kritis
2.
Major
3.
Minor
Jenis Cacat
n
Cullet Scratch Pushmark Chipping Water Stain Other Second
99885 99885 99885 99885 99885 99885
Jumlah cacat 101 207 32 53 0 22
0,003 GT = 0,0026 0,002 0,001
Tabel 3. Statistika Deskriptif Pada Proses Pemotongan Kaca Pada Tahap 2
No.
BKA = 0,0043
0,004
BKB = 0,0009
0,000 2
4
6
8 10 12 14 Pengamatan ke-
16
18
20
Gambar 4. Peta p multivariat pada tahap 1
Terdapat 4 titik pengamatan yang berada diluar batas kendali yaitu titik pengamatan ke-5, 7, 18, 21, tanpa adanya variabel penyebab terjadinya tidak terkendali dikarenakan Zt < χ2 tabel.
Jumlah cacat scratch paling banyak yaitu sebesar 207 pcs dan jumlah cacat yang paling sedikit atau jarang terjadi adalah cacat Water Stain yaitu sebanyak 0 pcs.
Tabel 4. Nilai Pengamatan Diluar Batas Kendali
Pengamatan 5 7 18 21
4.3
Evaluasi Proses Tahun 2013 Berikut adalah hasil peta p mutivariat selama 1 tahun untuk tahap 1 Januari 2013 sampai dengan 31 Desember 2013.
δ 0,0044 0,0063 0,0008 0,0005
0,0045 BKA = 0,0042
0,008
0,0040
0,007
0,0035
delta (d)
0,005 BKA = 0,00423
0,004
delta (d)
0,006
0,0030 0,0025
GT = 0,0025
0,0020
0,003 GT = 0,00252
0,0015
0,002
0,0010 0,001
BKB = 0,000813
0,000 1
5
10
15
20 25 30 Pengamatan ke-
35
40
45
Gambar 3. Peta p multivariat tahun 2013
Produksi kaca saat pemotongan kaca mengalami pergeseran proses dikarenakan titik-titik pengamatan berpola fluktuatif, sehingga perlu dilakukan pembagian 2 tahap.
BKB = 0,00087 2
4
6
8
10
12
14
16
Pengamatan ke-
Gambar 5. Perbaikan pertama peta p multivariat pada tahap 1
Terdapat 1 titik pengamatan yang berada diluar batas kendali yaitu titik pengamatan ke-5, tanpa adanya variabel penyebab terjadinya tidak terkendali dikarenakan Zt < χ2 tabel. Titik pengamatan ke-5 berada diluar batas kendali dengan nilai δ sebesar 0,00421.
5
0,0045 BKA = 0,004
0,0040 0,0035
0,0025
GT = 0,0024
0,0020
0,008
0,0015
0,007
0,0010
0,006
BKB = 0,00083 4
6
8 10 Pengamatan ke-
12
14
16
0,005 delta (d)
2
Gambar 6. Perbaikan kedua peta p multivariat pada tahap 1
Terdapat 2 titik pengamatan yang berada diluar batas kendali yaitu titik pengamatan ke-3 dan 6, tanpa adanya variabel penyebab terjadinya tidak terkendali dikarenakan Zt < χ2 tabel.
BKA = 0,0035 0,003 GT = 0,0021
0,002 0,001
BKB = 0,00061
0,000
Tabel 5. Nilai Pengamatan Diluar Batas Kendali
Pengamatan 3 6
0,004
3
δ 0,00402 0,0042
BKA = 0,0037 0,0035
12 15 18 Pengamatan ke-
21
24
Terdapat 6 titik pengamatan yang berada diluar batas kendali yaitu titik pengamatan ke-10, 20, 21, 22, 24 dam 26, tanpa adanya variabel penyebab terjadinya tidak terkendali dikarenakan Zt < χ2 tabel.
0,0030
delta (d)
9
Gambar 9. Peta p multivariat pada tahap 2
0,0040
Tabel 6. Nilai Pengamatan Diluar Batas Kendali
Pengamatan 10 20 21 22 24 26
0,0025 GT = 0,0022 0,0020 0,0015 0,0010 BKB = 0,00069 1
2
3
4
5
6 7 8 9 10 Pengamatan ke-
11
12
13
14
Gambar 7. Perbaikan ketiga peta p multivariat pada tahap 1
Terdapat 1 titik pengamatan yang berada diluar batas kendali yaitu titik pengamatan ke-6, tanpa adanya variabel penyebab terjadinya tidak terkendali dikarenakan Z t < χ2 tabel. Titik pengamatan ke-6 berada diluar batas kendali dengan nilai δ sebesar 0,00375.
Jenis Cacat Dominan Dalam menganalisis jenis cacat dominan yang terdapat pada proses pemotongan kaca yang memiliki 6 jenis cacat dapat menggunakan diagram pareto.
400
0,0025
100
80
300
BKA = 0,0035
0,0030
δ 0,000615 0,0047 0,0039 0,0054 0,00397 0,0073
4.4
Jumlah_1
0,0035
delta (d)
6
60 200
Percent
delta (d)
0,0030
Jika dilakukan kebijakan perbaikan proses, titik-titik pengamatan berada diantara batas kendali. B. Evaluasi Proses Tahap 2 Dalam peta p multivariat pada tahap 2, menggunakan data pada bulan 1 April 2013 sampai dengan 30 Juni 2013. Pada tahap 2 diperoleh pengamatan sebanyak 10 subgrup.
40
GT = 0,0021
0,0020
100
20
0,0015
0
0,0010 BKB = 0,00061
0,0005 1
2
3
4
5
6 7 8 9 Pengamatan ke-
10
11
12
13
Gambar 8. Perbaikan keempat peta p multivariat pada tahap 1
Jenis cacat Jumlah_1 Percent Cum %
Scratch 176 44,2 44,2
Cullet 120 30,2 74,4
Pushmark 42 10,6 84,9
Chipping Other Second 30 30 7,5 7,5 92,5 100,0
Other 0 0,0 100,0
0
Gambar 10. Diagram pareto pada proses pemotongan kaca tahap 1
6 terjadi adanya cacat saat proses pemotongan. Oleh karena itu, akibat dari penyebab-penyebab tersebut adalah terjadinya cacat paling penting yang menjadi faktor prioritas untuk diperbaiki.
100
400
80
60 200
Percent
Jumlah_2
300
40 100
20
0
Jenis cacat Jumlah_2 Percent Cum %
Scratch 207 49,9 49,9
Cullet 101 24,3 74,2
Chipping 53 12,8 87,0
Pushmark Other Second 32 22 7,7 5,3 94,7 100,0
Other 0 0,0 100,0
0
Gambar 11. Diagram pareto pada proses produksi kaca tahap 2
Nilai persentase kumulatif cacat tahap 1 sebesar 84,9% cacat yang terjadi didominasi oleh jenis cacat scratch, cullet dan pushmark, nilai presentase kumulatif cacat tahap 2 sebesar 87,0% cacat yang terjadi didominasi oleh jenis cacat scratch, cullet dan chipping. 4.5
Faktor Penyebab Cacat Untuk mengetahui faktor penyebab cacat, dapat diketahui dengan menggunakan diagram sebab-akibat, yang digunakan untuk melihat faktor penyebab cacat yang terjadi pada saat proses berjalan berdasarkan faktor manusia, material, mesin, metode dan lingkungan.
Pushmark
Scratch
5.2
Ke Ke le la
li te Ke
n lit ia te
Manusia
n ha
n tia
Manusia
n u ra at ng ng y a a i P e sin esu s m eu m l be
a ny n g nc a ur a na ra n g K a in te C a o to m m p e elu m b l n im a t op
e ra a tu ng n P e esi n mg n ya m lu b e ua i s se
Metode
Mesin
ra C a ot m pe n ga on m lu l b e im a t op
ra C a ot m pe n ga on m lu b e ima t op l
Metode
Mesin at ng Pe n a ur in es m g n y a um l be ua i s se
at ng Pe n a u r sin me g n ya m lu b e u ai s se
Mesin
Terjadinya cacat paling penting
Mesin
Metode
a li Ku ta
s an h ba u k ba g n y a um l be
alit Ku as a h ba
n u k ba am nc P e an r pu n ha ba u k ba m lu be pu r m se
Material
Material
Ke an liti te
iti tel
h lela Ke an
Ke an
Manusia
Chipping
V. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan analisis dan pembahasan yang telah dilakukan, dapat diperoleh kesimpulan sebagai berikut. 1. Produksi kaca jenis LNFL pada proses pemotongan bulan Januari sampai dengan Desember 2013 mengalami pergeseran proses karena proporsi cacat yang semakin meningkat. Sehingga, perlu adanya pembagian menjadi 2 tahap dan diperoleh hasil bahwa tahap 1 dan tahap 2 tidak berbeda, namun peningkatan tiap cacat tidak dapat diidentifikasi pada jenis cacat tertentu. 2. Dari hasil diagram pareto, dapat diketahui bahwa jenis cacat yang paling mendominasi dalam produksi kaca pada saat proses pemotongan kaca bulan Januari sampai dengan Desember 2013 adalah scratch dengan rata-rata sebesar 47,05%, cullet dengan rata-rata sebesar 27,25%, pushmark dengan rata-rata sebesar 9,15% dan chipping dengan rata-rata sebesar 10,15%. Dari hasil diagram sebab akibat, dapat diketahui faktor-faktor penyebab cacat diantaranya yaitu kualitas bahan baku yang belum baik, operator kelelahan dan kurang teliti, cara pemotongan belum optimal, kurangnya maintenance, usia mesin yang sudah tua dan pengaturan mesin yang belum sesuai. 5.1
Manusia
Saran Saran bagi penelitian selanjutnya agar melakukan penyelesaian masalah dengan menggunakan metode yang sesuai untuk jenis cacat yang sedikit. Sedangkan, saran bagi pihak perusahaan agar melakukan perbaikan untuk jenis cacat yang mendominasi yaitu scratch, cullet, pushmark dan chipping pada proses pemotongan kaca yang diakibatkan oleh faktor mesin dan faktor manusia dengan cara melakukan maintenance pada mesin secara teratur dan perlunya peningkatan kinerja untuk setiap operator. Selain itu, pihak perusahaan juga perlu melakukan pengendalian kualitas secara statistik pada proses produksi kaca untuk mengurangi jumlah produk cacat dan proses dalam keadaan terkendali.
Cullet
Gambar 12. Diagram sebab-akibat pada jenis cacat dominan
Dilihat dari segi manusia, penyebabnya adalah ketelitian operator dalam menjalankan mesin dan adanya rasa kelelahan operator dalam bekerja, sehingga kurang maksimal saat bekerja. Dilihat dari segi mesin, penyebabnya adalah kurangnya maintenance dan pengaturan mesin yang belum sesuai sehingga berkurangnya ketajaman mesin dalam memotong kaca. Dari segi material, penyebabnya adalah kualitas bahan baku yang belum baik dan pencampuran bahan baku yang belum sempurna menyebabkan proses pemotongan kaca tidak maksimal. Dari segi metode, penyebabnya adalah cara pemotongan yang digunakan belum optimal sehingga
[1] [2] [3] [4] [5] [6] [7]
DAFTAR PUSTAKA
Mukhopadhyay, A. R. 2008. Multivariate Attribute Control Chart Using Mahalanobis D2 Statistic. Journal of Applied Statistics, Vol.35, No.4, 421-429. Ariani, Dorothea Wahyu. 2004. Pengendalian Kualitas Statistik. Yogyakarta: AndiOffset. Montgomery, D.C. 2009. Introduction to Statistical Quality Control 5th Edition. New York: John Wiley & Sons, inc. Johnson, A. R., & Winchern, D. W. (2002). Applied Multivariate Statistical Analysis 5th. New Jersey: Prentice Hall, Upper Saddle River. Cozzucoli, P. C. (2009, June). Process Monitoring with Multivariate p Control Chart. Journal of Quality Statistic and Reliability, Volume 2009. R.Z.Gold. (1963). Tests auxiliary to tests in a Markov chain. The Annals of Mathematical Statistics, vol.34 no 1 pp 56-74. Ishikawa, Kaoru. 1989. Introduction to Quality Control. Jepang : JUSE Press Ltd.
