STATISTICAL PROCESS CONTROL dan PENYAKIT KWALITAS VARIASI A DALAH PENYAKIT
CILEGON, 13-14 FEBRUARI 2014
1
TUJUAN TUJUAN INSTRUKSIONAL : setelah selesai mengikuti pelatihan yg berkaitan dengan SPC dan penyakit kwalitas ini peserta diharapkan mampu; 1. 2. 3. 4. 5.
6. 7.
Mampu menyebutkan kriteria sehat Mampu menyebutkan dan menjelaskan jenis-jenis penyakit umum dan yg tersembunyi Mampu menerangkan sumber-sumber penyakit Mampu menggunakan tool statistik untuk mendeteksi sumber terjadinya penyakit Mampu menafsirkan hasil test/ pengukuran untuk keperluan pengambilan keputusan Mampu menerapkan tool pengendalian untuk mencegah/ mengendalikan penyakit Mampu menerapkan test untuk mengetahui apakah betul terjadi improvement (atau hanya seolah-olah terjadi improvement padahal hanya karena data yg bervariasi) 2
BAB.1
LATAR BELAKANG JALAN MENUJU KEARAH PERBAIKAN (FOCUS PADA REDUCTION VARIATION) 3
KRITERIA SEHAT KWALITAS INDEX PROCESS CAPABILITY SIG MA
PART PERMILLION OUT OF SPECIFICATION
% OUT OF SPECIFICATION
COMPARATIVE POSITION
6
3.4
0.00034
WORLD CLASS
2,0
5
233
0.0233
BEST IN INDUSTRY
1,67
4
6210
0.621
INDUSTRY AVERAGE
1,33
3
66807
6.6807
UNDER INDUSTRY AVERAGE
1,0
2
308537
30.8537
NON COMPETITIVE
0,67
1
690000
69
OUT OF BUSINESS
0,33
4
CPk
PERBAIKAN BERKESINAMBUNGAN
5
BAB.2
COST OF QUALITY
6
COST OF POOR QUALITY
7
COST OF QUALITY MODEL CATEGORIES
8
QUALITY VS COST HIGH QUALITY …….HIGH COST?
Bagi bisnis produk yang berkualitas tidak selamanya mesti disertai biaya besar. Biaya yang kecil atau dengan kata lain kemampuan efisiensi dalam keberadaannya menjadi satu senjata perang harga. Meskipun bisnis mengambil keputusan untuk tidak ikut serta perang harga, secara jelas kemampuan efisiensi tetap memberikan profitabilitas berdasarkan kerenggangan jarak antara biaya dengan harga produk termasuk konsistensi dengan kualitas. Dengan demikian, hubungan antara kualitas dengan biaya dimungkinkan berbanding terbalik. 9
QUALITY COST PER-UNIT OF PRODUCT
10
BAB.3
ANALISIS STATISTIK SEDERHANA 11
DATA Ada 2 jenis data: Data atribut atau discrete • Yaitu data yg diperoleh dengan cara menghitung atau konversi perhitungan menjadi persen atau proporsi, contoh : jumlah komplain, jumlah rejek, proporsi cacat, proporsi rework, jenis kelamin (pria/wanita),jumlah kecelakaan per-hari, hasil ujian (lulus/tidak lulus). Data variable atau continuous • Yaitu data yg diperoleh dengan cara pengukuran aktual terhadap karakteristik mutu atau proses yg bisa diukur. Contoh : komposisi kimia, tensile strength dsb. 12
PENGUKURAN Proses yg baik dihasilkan dari data yg random dan variasinya kecil
Data-data yang diukur di perusahaan-perusahaan selalu berubahrubah. Ini adalah hal yang alami. Seandainya data-data itu berubah-rubah secara random (tidak beraturan) dan variasinya tidak terlalu besar maka tidak ada yang perlu dikhawatirkan dengan proses tersebut. Pertanyaan yang kita hadapi sekarang adalah
:
• Apakah yg dimaksud dengan random dan tidak random ? • Apakah yg dimaksud variasinya tidak besar ? • Bagaimana cara mendeteksinya
13
POPULASI dan SAMPEL Popula si
sebagai semua hal/data yang menjadi perhatian Contoh: data pilkada
Sampel
bagian dari populasi untuk mengetahui karakter-karakter populasi Contoh: data quick counts
Tujuan pengambilan sampel untuk mengetahui sifat-
sifat/properties yang ada pada populasi. Dengan sampel kita bisa “menduga/memperkirakan” kondisi populasi 14
SAMPEL DAN POPULASI • Sampling dilakukan karena faktor-faktor biaya, waktu dan kepraktisan ; rata-rata populasi berjumlah sangat besar sehingga sangat mahal dan butuh waktu lama serta tidak praktis untuk mengukur keseluruhan populasi. • Contoh-contoh sampling dan populasi : - 3 sample tundish per-heat - 1 sample setiap 50 ton coil 15
Descriptive Statistics • merupakan cara untuk menyajikan data dalam bentuk yang deskriptif berupa: ratarata (mean), median, modus, kuartil, standar deviasi dan standard error.
Ukuran pemusatan (measures tendency) : mean, median
of
central
Variabilitas/dispersi: range, variance, SE, dan kuartil
standar
deviasi,
16
Mean/average/rata-rata • jumlah data dibagi dengan banyaknya data n
x
x i 1
n
Contoh: (2 + 3 + 10 + 5 + 4 + 4 + 3 + 3 + 1 + 2 + 3) / 11 = 3.636 (2 + 3 + 5 + 4 + 4 + 3 + 3 + 1 + 2 + 3) / 10 = 3.0 17
Median/nilai tengah •
data yang berada paling tengah apabila data tersebut diurutkan dari yang paling kecil sampai paling besar nilainya 1 2 2 3 3 3 3 4 4 5 10
median
18
Median/nilai tengah Untuk data yang banyaknya ganjil
n 1 Median 2
n = ganjil (banyak data)
Untuk data yang banyaknya genap
1 Median X k X k 1 2
k = n/2 n = genap 19
Range •
selisih antara data dengan data terkecil
terbesar
Contoh: 1, 2, 3, 4, 5;
range = 5-1 = 4
1, 1, 1, 1, 5;
range = 5-1 = 4
20
Standar deviasi/simpangan baku n
s
x i 1
i
x
n 1
Contoh: 1 2 2 3 3 3 3 4 4 5 10 s = 2.378 s = 1.155 (jika 10 dihilangkan)
Makin kecil standar deviasi, makin dekat nilai-nilai pada kelompok data tersebut dengan mean/ratarata
Standar deviasi mempunyai dimensi (unit) yang sama dengan datanya. 21
RANGE DAN STANDAR DEVIASI
• Variasi data ada dua macam yaitu range dan standar deviasi (SD). • Range = data terbesar – data terkecil • Standar deviasi (SD) suatu data merupakan akar kuadrat varians, di mana varians merupakan jumlah kuadrat selisih masing-masing data dengan rata-rata dibagi dengan banyaknya data dikurangi satu. • Varians = Sum(perbedaan thd rata-rata)2/(n – 1) • Standar Deviasi = (Varians)1/2
22
CONTOH PERHITUNGAN
Contoh perhitungan Sample no
1
2
3
4
5
diameter
6
4
7
5
3
Rata-rata
= 25/5 = 5
Range
=7-3=4
Varian = (1+1+4+0+4 ) / (5-1) = 2,5 Standar deviasi = 1,6 23
Koefisien variasi Merupakan rasio standar deviasi terhadap mean dan dinyatakan dalam persentase. Koefisien variasi bebas dari unit (dimensionless), sehingga dapat digunakan untuk membandingkan variabilitas antar sekelompok data
s kv 100% x 24
Variance dan Standard error • Variance adalah kuadrat dari standar deviasi n
var iance s 2
x x i 1
i
n 1
Standard error adalah standard deviasi dibagi dengar akar dari banyaknya sampel.
s SE n 25
Kuartil •Kuartil adalah nilai-nilai yang membagi sampel ke dalam empat bagian yang sama besar/banyak First quartile (Q1)
25% dari data adalah kurang dari atau sama dengan nilai ini
Second quartile (Q2) Sama dengan median. 50% dari data kurang dari atau sama dengan nilai ini.
Third quartile (Q3)
75% dari data kurang dari atau sama dengan nilai ini.
26
Kuartil •Kuartil dari dari data berikut adalah •
•7, 9, 16, 36, 39, 45, 45, 46, 48, 51,53
Q1
Q2
Q3
27
BAB.4
DISTRIBUSI NORMAL 28
Distribusi data - Normal
Distribusi peluang kontinyu yang terpenting dalam seluruh bidang statistika
Grafiknya disebut kurva normal, berbentuk lonceng
29
Distribusi data - Normal
30
Distribusi data - Normal
31
CONTOH DISTRIBUSI NORMAL
Process Capability of Sulphur USL Process Data LSL * Target * U SL 0.01 Sample M ean 0.00608235 Sample N 85 StDev (O v erall) 0.00135991
Rata-rata = 0,0060%
O v erall C apability Pp * PPL * PPU 0.96 Ppk 0.96 C pm *
0.003
0.004
0.005
0.006
0.007
0.008
0.009
Std deviasi
= 0,0013%
Jumlah data (n)
= 85
0.010
32
SEBARAN DATA
68,27% Nilai S berada diantara : (0,0060 0,0013) %, atau diantara 0,0047 % dan 0,0073 % 95,45% Nilai S berada diantara : (0,0060 0,0026) %, atau diantara 0,0034 % dan 0,0086% 99,73% Nilai S berada diantara : (0,0060 0,0039) %, atau diantara 0,0021 % dan 0,0099 % 33
BAB.5
VARIATION ADALAH PENYAKIT 34
KETIDAKSERAGAMAN PRODUK (VARIASI) • SPC diperlukan karena produk yang dihasilkan bervariasi. • Variasi adalah ketidakseragaman produk yg dihasilkan. Pelanggan menuntut produk dengan variasi sekecil-kecilnya 35
VARIATION Variasi random
Variasi non random
36
VARIASI NON RANDOM
Variasi bergeser secara periodik
Variasi dg spread meningkat
Variasi meningkat perlahan
Variasi menurun secara grup
37
VARIASI DI BERBAGAI LOKASI
38
VARIASI
• • • • • •
Man Machine Method Material Measurement Environment 39
JENIS VARIASI
Total Process variation
=
Common cause variation Variasi yg secara natural ada dan dapat diterima
Special cause + variation Variasi yg tidak diinginkan, ada penyebab khusus, penyebab ini bisa dikendalikan
40
COMMON CAUSE & SPECIAL CAUSE
41
VARIASI DAN JUMLAH SAMPLE
42
BAB.5
PENGUKURAN 43
FENOMENA PENGUKURAN
Data-data parameter proses pada umumnya selalu berubah-ubah secara alamiah, namun kadang-kadang data-data tsb bervariasi secara tidak random akibat adanya kesalahan pengukuran, pencampuran data (mesin 1 dan mesin 2, grade yg berbeda), kesalahan sampling, perbedaan setting alat/mesin, perbedaan cara kerja antar operator, keausan alat dll. Oleh karena itu teknik pengumpulan data harus jelas. 44
PARAMETER PROSES STEEL MAKING PROCESS CONTROL IN STEEL MAKING
MELTING • Charging ratio • Chemical comp. (carbon) • Temperature • Metalisasi • FeO slag • Basisitas slag
-----------------------------Remark : critical process parameter (bold)
SECONDARY METALLURGY • • • •
Alloying (chemical comp.) (FeO+MnO ) slag Basisitas slag Temperature
CASTING • • • • • • • • •
Superheat Chemical comp. Casting speed Water consumption Oscillation Tapper Mould N2 pickup Deep casting tube Casting powder type
INSPECTION • Surface quality • Internal quality by sulphur print/ macro-etch • Shape/dimension
PT KRAKATAU STEEL Cilegon-Indonesia www.krakatausteel.com
45
PARAMETER PROSES HOT ROLLING
PROCESS CONTROL IN HOT ROLLING
FURNACE • • • •
Temperature setting Soaking time Air pressure Appearance of slab
ROUGHING • Width setting • % thickness reduction • Temperature • Pass schedule • Rolling speed
FINISHING • % final thickness reduction • Temperature • Pass Schedule • Automatic Gauge Control • Rolling speed • Cooling mode
DOWN COILER • Shape & surface defect • Dimension • Weighing • Sampling
PT KRAKATAU STEEL Cilegon-Indonesia www.krakatausteel.com
46
TES KERANDOMAN
Untuk mengetahui random tidaknya sekelompok data maka harus dilakukan pengetesan kerandoman dengan : • Run Chart • Auto correlation 47
RUN CHART - TREND
48
RUN CHART - MIXTURE
49
RUN CHART - OSCILATING
50
RUN CHART - CLUSTER
51
BAB.6
ANALISA 52
ANALISA Data yg akan dianalisa secara statistik harus random dan memiliki distribusi normal untuk menghindari kesalahan perhitungan. •Data harus random data yg tidak random masih terdapat special cause, sehingga diperlukan langkah-langkah perbaikan untuk menghilangkan special cause. •Distribusi normal distribusi data rata-rata cenderung memiliki distribusi normal dari pada individual data (central limit theorem). Non normal distribution menggunakan non parametric statistic. 53
DISTRIBUSI DATA INDIVIDUAL VS AVERAGE
54
TES KERANDOMAN
Untuk mengetahui random tidaknya sekelompok data maka harus dilakukan pengetesan kerandoman dengan : • Run Chart • Auto correlation 55
RUN CHART - TREND
56
RUN CHART - MIXTURE
57
RUN CHART - OSCILATING
58
RUN CHART - CLUSTER
59
BAB.7
CONTROL CHART 60
Control chart
Definisi : • Merupakan salah satu alat bantu pengendalian proses secara statistik, untuk menghindari cacat pada produk
Tujuan : • Mencapai proses yg stabil dan konsisten sepanjang waktu 61
MANFAAT CONTROL CHART
• Meminimalisasi variasi yg muncul didalam proses untuk meningkatkan kemampuan bersaing. • Mengurangi biaya (melalui kegiatan control disetiap tahapan proses)
• Meningkatkan produktivitas (menekan cacat / kesalahan / rework) • Meningkatkan ketrampilan karyawan lapangan dalam mengendalikan proses.
62
PENGENDALIAN PROSES
Ada 2 jenis control chart dalam SPC yaitu : • •
Variabel control chart Atribut control chart
63
PETUNJUK PEMAKAIAN CONTROL CHART
64
MEMBUAT CONTROL CHART
Control chart adalah grafik garis yang mencantumkan garis-garis kontrol (control limit) sebagai dasar pengendalian proses yang dapat menunjukkan proses dalam keadaan terkendali atau tidak. Ada 3 macam garis kendali yaitu : • UCL - upper control limit • LCL - lower control limit • CL - central line 65
VARIASI YANG DAPAT DIKENDALIKAN (Special cause variation)
66
VARIABLE CONTROL CHART
Di dalam variable control chart terdapat 3 metoda pembuatan control chart berdasarkan besarnya pengumpulan data, sbb : – X-bar R chart – X-bar S chart – X- moving range chart
67
X-R chart
• X-bar R chart • Adalah variable control chart dimana data yg dikumpulkan dalam setiap pengamatan berbentuk subgroup yg besarnya 2-9 • Contoh penerapan : analisa komposisi kimia tundish.
68
X-S chart
• Adalah variable control chart dimana data yang dikumpulkan dalam setiap pengamatan, dalam subgroup yg besarnya 10 atau lebih. • Contoh penerapan : pengukuran tebal coil
69
X-MR chart • X moving range chart • Adalah variable control chart dimana data yang dikumpulkan dalam setiap pengamatan jumlahnya 1, disebut moving range, karena range diperoleh dari data yg bergerak yakni data dari pengujian satu ke pengujian berikutnya. • Dipakai untuk data dimana dalam setiap pengambilan datanya relatif homogen. 70
ATRIBUTE CONTROL CHART • Adalah control chart dimana data yg dikumpulkan dan akan dianalisa adalah data yg diperoleh dengan menghitung. Dalam pembuatan attribute control chart akan ditemukan istilah-istilah seperti defect/ nonconformity dan defective/ nonconforming. • Produk disebut memiliki defect/cacat/ nonconformity jika terdapat sekurang-kurangnya satu spesifikasi yg tidak terpenuhi. • Produk disebut defective/ nonconforming jika terdapat defect yg mengakibatkan produk tsb ditolak/ tidak berfungsi lagi. 71
JENIS ATTRIBUTE CONTROL CHART Di dalam attribute control chart terdapat 4 metoda pembuatan control chart berdasarkan pengumpulan data dalam pengecekan defectivenya, sbb : • p - chart • np - chart • u - chart • c - chart 72
p - Chart
adalah attribute control chart, dimana data yang dikumpulkan digolongkan diterima atau ditolak (mengecek defective/ nonconforming) dan dalam setiap pengamatan besarnya subgroup berbeda. Contoh jumlah coil reject setiap shift produksi.
73
np - Chart
Adalah attribute control chart, dimana data yang dikumpulkan digolongkan diterima atau ditolak (mengecek defective/ nonconforming) dan dalam setiap pengamatan besarnya subgroup sama. Contoh jumlah coil reject setiap produksi 1000 coil
74
u - Chart
adalah attribute control chart, dimana data yang dikumpulkan adalah defect-defect/ non conformity dalam subgroup, dimana dalam setiap pengamatan besarnya subgroup berbeda. Contoh : jumlah cacat telescope per-shift.
75
c - Chart
adalah attribute control chart, dimana data yang dikumpulkan adalah defect-defect/ non conformity dalam subgroup, dimana dalam setiap pengamatan besarnya subgroup sama. Contoh : jumlah cacat telescope setiap 100 coil.
76
BAB.8
KORELASI DAN REGRESI 77
Korelasi dan regresi
Suatu variabel berhubungan dengan variabel lainnya Kemurnian suatu produk berkaitan dengan temperatur masukan bahan baku 1
2
3
4
5
6
7
8
9
Xi
1.5
1.8
2.4
3.0
3.5
3.9
4.4
4.8
5.0
Yi
4.8
5.7
7.0
8.3 10.9 12.4 13.1 13.6 15.3
78
Korelasi - scatter plot
79
Korelasi - scatter plot
80
Regresi - analisis • The regression equation is • Y = 0.257 + 2.93 X • • • •
Predictor Coef SE Coef T P Constant 0.2569 0.5324 0.48 0.644 X 2.9303 0.1489 19.69 0.000 S = 0.538766 R-Sq = 98.2% R-Sq(adj) = 98.0%
• • • • •
Analysis of Variance Source DF SS MS F P Regression 1 112.48 112.48 387.52 0.000 Residual Error 7 2.03 0.29 Total 8 114.52
81
Regresi - analisis Hasil di atas menunjukkan bahwa Y mempunyai korelasi yang sangat kuat dengan X. Berdasarkan nilai r2 (R-Sq) dapat dikatakan sumbangan variable X terhadap naik turunnya Y adalah 98%, sedangkan 2% lagi disebabkan oleh faktor lainnya
82
BAB.9
INTERPRETASI HISTOGRAM 83
HISTOGRAM
84
INTERPRETASI HISTOGRAM
85
INTERPRETASI HISTOGRAM
86
INTERPRETASI HISTOGRAM
87
INTERPRETASI HISTOGRAM
88
BAB.10
PROCESS CAPABILITY INDEX (Cpk/Cp) 89
PROCESS CAPABILITY INDEX (Cp/Cpk)
Sistem pengendalian proses dilakukan dengan penerapan SPC Inspeksi dan pengujian dilakukan untuk mengetahui indek kemampuan proses (Process Capability index)
90
SPC & KEMAMPUAN PROSES
Manufacturing factors and quality characteristics Preventive action on process
Data on process
Data on output
Grading or corrective action on output
output materials
Production process
Products
91
CAPABILITY PROCESS • Setelah membuat variable control chart kita perlu membuat analisa capability proses, yaitu suatu analisa untuk memprediksi seberapa konsisten proses memenuhi specifikasi yg ditentukan pelanggan internal atau eksternal.
• Proses disebut capable jika mampu menghasilkan hampir 100% output sesuai spesifikasi. 92
CAPABILITY INDEX
• Capability index adalah suatu index yg menggambarkan seberapa jauh proses memenuhi spesifikasi yg ditetapkan terdiri dari: • Potential Capability index (Cp) • Real Capability index (Cpk)
93
RUMUS PERHITUNGAN Cp / Cpk
Cp
= (USL – LSL) / (6 x std. dev.)
Cpk = X – LSL / (3 x std. dev.) atau Cpk = USL - X / (3 x std.dev.)
94
PERBAIKAN BERKESINAMBUNGAN
95
BAB.11
PERBAIKAN (IMPROVEMENT) 96
SIGNIFICAN TEST Apakah bahan baku dari perusahaan A dan B mempunyai kualitas yang sama?
Apakah setting mesin yang baru dan lama menghasilkan produk yang lebih baik?
APAKAH NILAI RATA-RATA KETAHANAN MATERIAL SAMA ATAU BERBEDA
97
SIGNIFIKANSI TEST NO aplikasi 1 Pengukuran sebelum dan sesudah perbaikan 2 Apakah material A dan B berbeda 3 Apakah nilai rata-rata sama/ setara
uji 2-sampel t uji-t berpasangan (paired-t) One-way anova
CATATAN; SYARAT MENGIKUTI DISTRIBUSI NORMAL 98
CONTOH MATERIAL A DAN B APAKAH SAMA ? A shoe company wants to compare two materials, A and B, for use on the soles of boys' shoes. In this example, each of ten boys in a study wore a special pair of shoes with the sole of one shoe made from Material A and the sole on the other shoe made from Material B. The sole types were randomly assigned to account for systematic differences in wear between the left and right foot. After three months, the shoes are measured for wear. For these data, you would use a paired design rather than an unpaired design. A paired t-procedure would probably have a smaller error term than the corresponding unpaired procedure because it removes variability that is due to differences between the pairs. For example, one boy may live in the city and walk on pavement most of the day, while another boy may live in the country and spend much of his day on unpaved surfaces. 1 2 3 4
Open the worksheet EXH_STAT.MTW. Choose Stat > Basic Statistics > Paired t. Choose Samples in columns. In First sample, enter Mat-A. In Second sample, enter Mat-B. Click OK.
99
CONTOH APAKAH SETTING MESIN BARU LEBIH BAIK (PENGUKURAN SEBELUM DAN SESUDAH PERBAIKAN) A study was performed in order to evaluate the effectiveness of two devices for improving the efficiency of gas home-heating systems. Energy consumption in houses was measured after one of the two devices was installed. The two devices were an electric vent damper (Damper=1) and a thermally activated vent damper (Damper=2). The energy consumption data (BTU.In) are stacked in one column with a grouping column (Damper) containing identifiers or subscripts to denote the population. Suppose that you performed a variance test and found no evidence for variances being unequal (see Example of 2 Variances). Now you want to compare the effectiveness of these two devices by determining whether or not there is any evidence that the difference between the devices is different from zero. 1 2 3 4 5 6
Open the worksheet FURNACE.MTW. Choose Stat > Basic Statistics > 2-Sample T. Choose Samples in one column. In Samples, enter 'BTU.In'. In Subscripts, enter Damper. Check Assume equal variances. Click OK. 100
ONE WAY ANOVA (Test kesetaraan nilai rata-rata)
You design an experiment to assess the durability of four experimental carpet products. You place a sample of each of the carpet products in four homes and you measure durability after 60 days. Because you wish to test the equality of means and to assess the differences in means, you use the one-way ANOVA procedure (data in stacked form) with multiple comparisons. Generally, you would choose one multiple comparison method as appropriate for your data. However, two methods are selected here to demonstrate Minitab's capabilities. 1 2 3 4
Open the worksheet EXH_AOV.MTW. Choose Stat > ANOVA > One-Way. In Response, enter Durability. In Factor, enter Carpet. Click OK in each dialog box.
101
BAB.12
PENGENDALIAN (CONTROL) 102
MONITORING Memastikan perbaikan dilakukan secara konsisten, sehingga diperoleh kondisi yg stabil dan konsisten sepanjang waktu. Membakukan standard operating prosedur yg baru
103
BAB.13
SISTEMATIKA PERBAIKAN 104
Kerangka DMAIC •
Define: pada tahap ini team pelaksana mengidentifikasikan permasalahan, mendefiniskan spesifikasi pelanggan, dan menentukan tujuan (pengurangan cacat/biaya dan target waktu).
•
Measure: tahap untuk memvalidasi permasalahan, mengukur/menganalisis permasalahan dari data yang ada.
•
Analyze: menentukan faktor-faktor yang paling mempengaruhi proses; artinya mencari satu atau dua faktor yang kalau itu diperbaiki akan memperbaiki proses kita secara dramatis.
•
Improve: nah, di tahap ini kita mendiskusikan ide-ide untuk memperbaiki sistem kita berdasarkan hasil analisa terdahulu, melakukan percobaan untuk melihat hasilnya, jika bagus lalu dibuatkan prosedur bakunya (standard operating procedure-SOP).
•
Control: di tahap ini kita harus membuat rencana dan desain pengukuran agar hasil yang sudah bagus dari perbaikan team kita bisa berkesinambungan. Dalam tahap ini kita membuat semacam metrics untuk selalu dimonitor dan dikoreksi bila sudah mulai menurun ataupun untuk melakukan perbaikan lagi.
105
TERIMAKASIH
SEMOGA BERMANFAAT
106
