TUGAS AKHIR ANALISA JUMLAH SCRAP PADA PROSES PEMOMPAAN POLYOL DENGAN MENGGUNAKAN METODE SIX SIGMA DI PT. LGEIN Disusun dan Diajukan Untuk Memenuhi Syarat Mengikuti Sidang Tugas Akhir Srata Satu (S1) Guna Memperoleh Gelar Sarjana Teknik
Oleh : ASLULILLAH 41605110093
JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS MERCU BUANA JAKARTA 2007
LEMBAR PENGESAHAN
ANALISA JUMLAH SCRAP PADA PROSES PEMOMPAAN POLYOL DENGAN MENGGUNAKAN METODE SIX SIGMA DI PT. LGEIN
Disusun Oleh :
Nama NIM Jurusan Peminatan
: : : :
ASLULILLAH 41605110093 Teknik Industri Industri
Jakarta, September 2007 Menyetujui,
Pembimbing
Koordinator TA / KaProdi
Ir. Muhammad Kholil, MT
Ir. Herry Agung.P, M.Sc
ii
PERNYATAAN
Saya yang bertanda tangan di bawah ini :
Nama
: ASLULILLAH
NIM
: 41605110093
Jurusan
: Teknik Industri
Peminatan
: Industri
Menyatakan Bahwa tugas akhir ini merupakan hasil penelitian dan pemikiran saya sendiri. Jira terbukti tidak sesuai dengan yang tersebut diatas saya siap menerima konsekuensi yang berlaku.
Jakarta, September 2007
Aslulillah
iii
ABSTRAK Metode Six Sigma adalah suatu sistem yang komprehensif dan fleksibel untuk mencapai, memberi dukungan dan memaksimalkan proses usaha, yang berfokus pada pemahaman akan kebutuhan pelanggan dengan menggunakan fakta, data dan analisis statistik serta terus-menerus memperhatikan pengaturan, perbaikan dan mengkaji ulang proses usaha. Tujuan dari metode Six Sigma ini adalah untuk mendapatkan hasil tidak ada cacat (zero defect) dengan menjalankan 5 tahap yaitu : Define – Measure – Analyze – Improve – Control (DMAIC).
Penulisan skripsi ini bertujuan untuk mengimplementasikan metode Six Sigma pada PT. LGEIN merupakan salah satu perusahaan asing di Indonesia yang bergerak dalam bidang manufaktur elektronik khususnya Regrfigerator Adapun Penelitian yang dilakukan antara lain meliputi Flow process chart, untuk mengetahui aliran proses penggunaan material Gage R&R measurement untuk penerimaan hasil pengukuran secara statistik, Capability Analysis, mengetahui sigma level proses saat ini, Logic Tree diagram untuk pemilihan faktor – faktor yang bermasalah, Two Sample T-Test, untuk uji hipotesis terhadap suatu sample. Penelitian ini dimungkinkan sampai pada tahap analisa dan dari tahapan metode six sigma dikarenakan keterbatasan waktu penelitian.
Kondisi setelah analisa proses ini didapatkanlah vital factor yaitu ukuran diameter pully pompa yang menjadi permasalahan timbulnya scrap polyol sesuai dengan hasil uji hipotesis yang dilakukan,dimana ukuran diameter penggerak pompa sebelumnya 25 cm diganti dengan ukuran 30 cm hasil pengujian 10 sample menunjukan adanya perbedaan rata2 scrap yang didapatkan. Rata-rata scrap pada penggunaan 25 cm adalah 4146 PPM,sedangkan rata-rata scrap pada pully 30 cm adalah 4095. dari nilai tersebut dapat disimpulkan bahwa teknologi pada PT. LGEIN cukup baik,hanya diperlukan pengawasan secara rutin agar scrap bisa dikurangi dari waktu ke waktu.
Kata Kunci : Analisa,Polyol,Proses,Scrap,Six Sigma
iv
ABSTRACT Six Sigma method is a kind of system which comprehensive and flexibel to reach, to support and to maximize business activity that focused on fulfilment of customer’s expectation which’s used the fact, data and statistical analyze and also continuously pay attention for arrangement, improvement and study to repeat process.Six Sigma’s goal is zero defect which is achieve by performing 5 phase, Define – Measure – Improve – Control (DMAIC).
The goal of this research is to implement Six Sigma method at LGEIN Company represent one of foreign company in Indonesia moving in the field of manufacture electronic specially Refrigerator as for Research conducted for example covering Flow process chart, to know stream process material Gage R&R measurement use for acceptance result of measurement statistically, Capability Analysis, knowing sigma level process in this time, Logic Tree diagram for the factor election - factor which is a period to, Two Sample T-Test, to test hypothesis to an sample. This research is enabled to come up with phase analyze and from six sigma method because of time limitation.
Condition after analysis process this got vital factor that is size measure diameter pulley pump becoming problems incidence of scrap polyol as according to result test hypothesis which do it of size measure previous pump activator diameter 25 cm changed of the size 30 cm result of examination 10 got sample showed difference average scrap existence. mean Scrap at use 25 cm is 4146 PPM,however mean scrap pulley 30 cm is 4095. from the value inferential that technology at PT. LGEIN good enough but needed a observation routinely in order to scrap can be lessened from time to time.
Key Words : Analyze , Polyol, Process ,Scrap, Six Sigma v
KATA PENGANTAR Bismillahirrahmaanirrahiim, Assalamu’alaikum Wr. Wb.,
Puji dan syukur penulis panjatkan ke-hadirat Tuhan Yang Maha Esa atas berkat, rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan laporan Tugas Akhir yang berjudul “Analisa Jumlah Scrap Pada Proses Pemompaan Polyol Dengan
Menggunakan Metode Six Sigma di PT.LGEIN”.
Laporan Tugas Akhir ini penulis susun dan diajukan untuk melengkapi persyaratan untuk memperoleh gelar Sarjana Teknik dari Universitas Mercubuana jurusan Teknik Industri program studi Teknik Industri.
Dalam menyelesaikan laporan Tugas Akhir ini, penulis banyak mendapatkan bantuan dan dorongan baik moral maupun material. Untuk itu penulis mengucapkan terima kasih, kepada : 1. Kedua Orang tua atas kasih sayangnya dan Do’a restunya serta segala bimbingannya. 2. Bapak Ir. Herry Agung.P,M.Sc, selaku Dosen Pembimbing yang telah banyak memberikan bantuan, bimbingan, dan arahan selama penulisan Tugas Akhir ini. 3. Bapak Ir. Muhammad Kholil . MT, Selaku Koordinato Tugas Akhir Teknik Industri Universitas Mercubuana. 4. dan seluruh dosen TI FT-UMB atas masukannya. 5. PT. LGEIN,dan kawan kawan, untuk arahan, petunjuk, waktunya dalam memberikan masukan kepada penulis. 6. Calon Istriku tercinta yang nantinya akan mendampingiku untuk melanjutkan perjalanan bahterah hidup.
7. Semua pihak yang telah banyak membantu penulis baik pada masa perkuliahan maupun dalam menyelesaikan Tugas Akhir ini.
Penulis menyadari bahwa masih ada kekurangan dalam laporan Tugas Akhir ini, oleh karena itu penulis mengharapkan kritik dan saran yang membangun dari pembaca.
Semoga Tugas Akhir ini bermanfaat bagi pembaca dan rekan – rekan mahasiswa khususnya mahasiswa jurusan Teknik Industri.
Waalaikum salam Wr, Wb.
Jakarta, September 2007
Penulis
vi
DAFTAR ISI Halaman Judul ………………………………………………………….. i Lembar Pengesahan …………………………………………………….. ii Lembar Pernyataan ……………………………………………………... iii Abstrak …………………………………………………………………… iv Abstract …………………………………………………………………... v Kata Pengantar …………………………………………………………... vi Daftar Isi ………………………………………………………………….. vii BAB . I PENDAHULUAN 1.1 Latar Belakang Masalah …………………………………….. 1 1.2 Perumusan Masalah …………………………………………. 4 1.3 Pembatasan Masalah …………………………………………4 1.4 Tujuan Penelitian ……………………………………………. 5 1.5 Sistematika Penulisan ……………………………………….. 5 BAB . II DASAR TEORI 2.1 Six Sigma ……………………………………………………. 6 2.1.1 Sejarah Six Sigma ……………………………………. 6 2.1.2 Apakah Six Sigma itu ? ……………………………… 7 2.1.3 Konsep Six Sigma Motorola ………………………… 10 2.1.4 Karakteristik Six Sigma …………………………….. 14 2.1.5 Dampak Six Sigma …………………………………... 14 2.1.6 Metodelogi Six Sigma ……………………………….. 15 2.2 Metode DMAIC ………………….………………………….. 17 2.2.1 Tahap Define ……………………………….………… 17 2.2.2 Tahap Measure……. …………………….………….. 19 2.2.3 Tahap Aalyze …………………………….…………… 20 2.2.4 Tahap Improve ………………………………………. 22
2.2.5 Tahap Control ……………………………….……….. 23 2.3 Alat-alat Six Sigma …………………………….……………23 2.3.1 Diagram Pareto ……………………………………… 23 2.3.2 Gage R & R …………………………………….…….. 25 2.3.3 Peta Kendali ( Control Chart ) ……………….……… 31 2.3.4 Analisis Kapabilitas Proses …………………….…… 38 2.3.5 Diagram Sebab Akibat ……………………………… 42 2.3.6 Pengujian Hipotesis …………………………….…… 44 2.3.7 Uji Normalitas ( Normaliy Test ) ……………….…… 45 2.3.7.1 Uji Kesamaan Varians (Test for equal variances)... 46 2.3.7.2 Uji – T untuk dua sampel (Two Sample T-Test)..... 49
BAB . III METODELOGI 3.1 Langkah – Langkah Penelitian …………………….…….. 51 3.1.1 Penelitian Pendahuluan …………………….………. 51 3.1.2 Identifikasi Masalah ………………………….…….. 51 3.1.3 Studi Pustaka ………………………………….……. 52 3.1.4 Tahap Pengumpulan dan Pengolahan Data ….…... 52 3.1.5 Tahap Penutup ……………………………….…….. 54
BAB . IV ANALISIS DATA HASIL PENGUKURAN 4.1 Kapasitas Produksi …………………………………….… 56 4.2 Diagram Alir dan Penggunaan …………………………. 56 4.3 Data Penelitian …………………………………………... 57 4.3.1 Sifat Material ………………………………………57 4.3.2 Spesifikasi Pompa ………………………………… 57
4.3.3 Proses Penyiapan Material ………………………. 58 4.4 Pengukuran Scrap Material …………………………… 59 4.4.1 Pengertian Scrap ………………………………… 59 4.4.2 Batasan Jumlah Scrap ……………………………59 4.4.3 Gage R & R ……………………………………… 60 4.4.4 Menghitung Kemampuan Proses ………………. 63 4.4.5 Pengumpulan Faktor Penyebab Scrap ………… 69 4.4.6 Logig Tree Diagram …………………………….. 71 4.5 Analisa (Uji Hipotesis) Potential Factor …………….. 72 4.5.1 Uji Hipotesis Waktu Pemompaan …………….. 73 4.5.1.1 Uji Hipotesis Waktu Pemompaan Polyol …… 73 4.5.1.2 Uji Hipotesis Waktu Pemompaan MDI …….. 75 4.5.1.3 Uji Hipotesis Kekuatan Pompa ……………… 77 4.5.2 Uji Hipotesis Perubahan ukuran pulley ………. 79 4.5.2.1 Uji Hipotesis perubahan ukuran pulley MDI 80
BAB . V KESIMPULAN DAN SARAN 5.1 Kesimpulan …………………………………………….. 83 5.2 Saran ……………………………………........................ 84
LAMPIRAN – LAMPIRAN Daftar Pustaka
vii
BAB I PENDAHULUAN
1.1
Latar Belakang Masalah PT. LGEIN merupakan salah satu perusahaan asing di Indonesia yang
bergerak dalam bidang manufaktur elektronik. PT. LGEIN didirikan sekitar tahun 1990, produknya yang pertama kali diperkenalkan adalah TV berwarna dengan produk berupa CBU (Completely Build Up) pada bulan tahun 1991. Pada tahun 1996 PT. LGEIN melakukan ekspor perdana
refrigerator/kulkas
ke
Myanmar.
Seiring
dengan
itu
dalam
perkembangannya, dengan melakukan assembling air conditioner (AC) dan mesin cuci pada bulan September 1996. Pada bulan Juni 1998 perusahaan ini memperoleh ISO 9002 of TUV Rheinland Germany yaitu suatu pengakuan yang luar biasa untuk standar kualitas mutu sehingga pada tahun yang sama dapat melakukan ekspor perdana TV berwarna (CTV). Lalu pada bulan Maret 2000 perusahaan ini memperoleh ISO 14001 of Rheinland Germany yaitu suatu penghargaan yang luar biasa untuk sistem manajemen lingkungan dan merupakan tuntutan baru dari pasar dunia agar dapat melakukan ekspor. Saat ini PT LGEIN dibagi menjadi 2 factory. Factory 1 berpusat di Cibitung, memproduksi display komputer, TVCR, audio video, dll. Sedangkan factory 2 yang berpusat di Tangerang bergerak dalam manufacturing khusus produk kulkas. Kulkas ini diproduksi untuk memenuhi kebutuhan pasar lokal dan
1
2
ekspor. Factory 2 merupakan salah satu dari cabang pabrik kulkas LG Electronics yang berpusat di Changwon, Korea Selatan. Dalam proses pembuatan kulkas di PT LGEIN terdapat proses pembuatan foam (busa) yang berasal dari bahan kimia polyuretane, yang berfungsi sebagai isolator dan penunjang performa kulkas. Material utama pembentuk foam ini ada 2 macam, yaitu polyol dan MDI Polyol
+
MDI
-------------->
Polyurethane
Kedua material ini disimpan dalam kemasan drum. Untuk tiap drum berisi polyol berkapasitas 200 Kg, sedangkan yang berisi MDI yaitu 250 Kg. Untuk proses produksi, kedua material ini disiapkan di sekitar area tanki penampung yang kemudian dipompakan ke dalam tangki penampung masingmasing material tersebut. Adapun garis besar proses pemompaan adalah sebagai berikut :
Ke proses
Drum Polyol
Pompa
Tanki Penampung (Storage)
Gambar 1.1 Proses pemompaan material Dalam proses pemompaan saat ini, dimungkinkan masih adanya sisa material yang tertinggal didalam drum dikarena material ini tidak bisa
3
terpompakan, dan juga material ini tidak bisa dipergunakan lagi sehingga timbul scrap material.
Gambar 1.2 Proses pompa
Gambar 1.3 Sisa material (scrap)
Tingginya kapasitas produksi kulkas secara otomatis ikut menaikkan kebutuhan
akan
material
dan
dalam
usaha
perusahaan
untuk
dapat
memaksimalkan keuntungan, salah satu cara yang dapat ditempuh yaitu mengurangi jumlah scrap material. Rata-rata penggunaan total material polyol dan MDI adalah 6-7 Kg tiap unit kulkas yang diproduksi. Mengingat tingginya produksi kulkas yang mencapai 6000 unit per hari maka diharapkan loss material tersebut dapat diminimalkan, untuk itu dibutuhkan suatu perbaikan metode dalam proses pemompaan. Salah satu cara tepat yang dapat digunakan untuk melakukan proses improvement serta pengendaliannya adalah dengan metode Six Sigma. Metode Six Sigma merupakan suatu metode yang dilakukan untuk meningkatkan produktivitas sekaligus menjaga dan meningkatkan kualitas suatu proses kerja dan produk yang dihasilkan oleh suatu perusahaan. Oleh karena itu penulis mencoba untuk menerapkan metode Six Sigma untuk menganalisa faktor-faktor yang menyebabkan tingginya jumlah material
4
yang terbuang (scrap) yang berasal dari hasil proses pemompaan material tersebut. 1.2
Perumusan Masalah Pokok permasalahan yang akan di bahas pada penelitian ini adalah usaha
mendapatkan faktor utama yang mempengaruhi jumlah scrap material polyol yang selanjutnya dapat dijadikan acuan dalam melakukan proses perbaikan. Metode pendekatan yang akan digunakan adalah metode Six Sigma.
1.3
Pembatasan Masalah Pada penelitian ini, penulis perlu membatasi permasalahan pada beberapa hal ini :
1. Penelitian ini hanya dilakukan pada material utama foam polyurethane, yaitu POLYOL dan MDI 2. Data penelitian merupakan data yang terukur yang didapatkan dari PT.LGEIN, yang dilakukan pada Januari 2007 3. Penelitian yang dilakukan antara lain meliputi : •
Flow process chart, untuk mengetahui aliran proses penggunaan material
•
Gage R&R measurement untuk penerimaan hasil pengukuran secara statistik
•
Capability Analysis, mengetahui sigma level proses saat ini
•
Logic Tree diagram untuk pemilihan faktor – faktor yang bermasalah,
•
Two Sample T-Test, untuk uji hipotesis terhadap suatu sample.
5
4. Penelitian ini dimungkinkan sampai pada tahap analisa dan dari tahapan metode six sigma dikarenakan keterbatasan waktu penelitian
1.4
Tujuan Penelitian Penulisan tugas akhir ini mempunyai tujuan sebagai berikut :
1. ini adalah usaha mendapatkan faktor utama yang mempengaruhi jumlah scrap material polyol dan MDI menggunakan metode Six Sigma. 2. Mengetahui penyebab utama tingginya jumlah scrap material polyol dan MDI
1.5
Sistematika Penulisan Laporan tugas akhir ini ditulis dalam 5 bab, Bab I membahas tentang
Pendahuluan
yang
tujuan,kontribusi,metode
berisi
latar
penelitian,dan
belakang,perumusan sistematika
pembahasan.
masalah, Bab
II
membahas mengenai teori-teori yang dapat menjadi dasar-dasar statistika secara umum dan sejarah
Six Sigma serta konsep dasarnya. Bab
III Metodologi
penelitian berisi tentang tahapan-tahapan yang dilakukan dalam penelitian ini dengan beberapa penjabaran. Bab IV Dalam bab ini akan dijelaskan bagaimana data-data diperoleh atau dikumpulkan Kemudian diolah dengan berpedoman pada landasan teori. Bab V Ini merupakan penutup dari tugas akhir ini, yang menyajikan suatu kesimpulan dari hasil analisa dan pembahasan yang telah dilkaukan pada bab-bab terdahulu dan memberikan saran-saran yang mungkin berguna bagi perusahaan.
BAB II DASAR TEORI
2.1
Six Sigma
2.1.1 Sejarah Six Sigma Pada permulaan tahun 1980-an, Motorola, Inc secara terus menerus dikalahkan di pasar yang kompetitif yang pada akhirnya mereka kehilangan market-nya karena perbedaan kualitas dibandingkan dengan perusahaan Jepang saat itu. Saat perusahaan Jepang mengambil-alih perusahaan Motorola yang memproduksi pesawat televisi di Amerika Serikat, mereka dengan cepat menetapkan perubahan yang drastis dalam menjalankan perusahaan. Di bawah manajemen Jepang, perusahaan segera memproduksi televisi dengan jumlah kerusakan satu dibanding dua puluh yang mereka pernah produksi di bawah manajemen Motorola. Pada tahun 1981 Motorola menghadapi tantangan tersebut dengan mengevaluasi kualitasnya hingga 5 kali dalam 5 tahun namun tetap saja tidak berhasil. Kemudian Motorola dengan Bob Galvin sebagai CEO-nya memutuskan untuk menekuni kualitas dengan serius dengan mengembangkan suatu proses yang konsisten berdasarkan pendekatan statistik. Akhirnya pada tahun 1986, Bill Smith, seorang ahli dan senior engineer di Divisi Komunikasi Motorola yang juga seorang ahli statistik, menyimpulkan bahwa bila suatu produk cacat dan diperbaiki pada waktu produksi maka cacatcacat lain mungkin akan terabaikan. Dengan kata lain, rata-rata kegagalan proses jauh lebih tinggi ketimbang yang ditunjukkan oleh tes-tes akhir produk. Maksudnya? Bila produk dirakit secara sama sekali bebas cacat, mungkin produk itu kelak tidak akan mengecewakan pelanggan. Dari sinilah Six Sigma bertolak, Dr. Mikel J Harry, pendiri Motorola Six Sigma Research Institute, selanjutnya memperhalus metodologinya, bukan saja untuk menghapus pemborosan tetapi juga mengubahnya menjadi pertumbuhan.
6
7
Kemudian ide tersebut diajukan kepada CEO Motorola yaitu Bob Galvin, yang
kemudian
ide
tersebut
dijadikan
sebagai
pedoman/acuan
untuk
menyelesaikan permasalahan kualitas yang ada di Motorola pada saat itu. Six Sigma dijadikan sebagai strategi utama Motorola untuk dapat menghasilkan produk-produk yang sesuai/cocok dengan keinginan konsumen. Pendekatan yang biasa digunakan oleh Motorola adalah (measure, analyze, improve dan control). Lalu di tahun 1987, Motorola berhasil menerapkannya sebagai kunci sukses. Sebagai hasilnya pada tahun 1988 Motorola memenangkan penghargaan paling bergengsi dalam bidang kualitas yaitu The Malcolm Baldrige National Quality Award (MBNQA). Tahun 1990, Motorola bersama dengan beberapa perusahaan seperti IBM, Texas Instruments dan Xerox – membuat konsep Black belts (BBs), yang dijadikan sebagai ahli (expert) dalam mempergunakan metode statistik. Lalu, Allied Signal (sekarang Honeywell International Inc.) dan General Electric Co. berhasil menggunakan dan mempopulerkan metodologi Six Sigma Motorola tersebut.
2.1.2 Apakah Six Sigma itu? Six Sigma adalah sebuah proses bisnis yang dapat membuat perusahaanperusahaan secara drastis meningkatkan laba mereka dengan meningkatkan dan memonitor aktivitas bisnis harian dengan cara meminimasi pemborosan dan sumber daya bersamaan dengan meningkatkan kepuasan pelanggan. (Miranda, 2002) Tujuan dari Six Sigma sendiri adalah bukannya untuk meningkatkan kualitas hingga tingkat kualitas Six Sigma, namun untuk meningkatkan profitabilitas perusahaan meskipun meningkatnya kualitas dan effisiensi merupakan hasil antara dari Six Sigma itu sendiri. Sehingga hal tersebut membuat banyak perusahaan tertarik untuk mengimplementasikan Six Sigma pada perusahaannya dengan harapan memperoleh margin laba yang lebih tinggi dari sebelumnya. (Miranda, 2002)
8
Jadi Six Sigma sebenarnya mencakup beberapa hal, diantaranya adalah: 1. Pengukuran statistik Memberikan informasi tentang seberapa bagus produk dan pelayanan serta proses yang ada.
2. Metodelogi Langkah-langkah yang dijadikan sebagai Improvement Tool (Alat Perbaikan) yang lengkap yang dapat dipergunakan dan diaplikasikan pada Design, Manufacturing, Sales, Service, dll.
3. Strategi bisnis Dapat membantu dalam meraih keuntungan pada suatu persaingan. Bila dapat memperbaiki sigma level pada proses, berarti kualitas produk akan lebih baik dan biaya yang tidak perlu akan berkurang dan hasilnya yang pasti konsumen akan semakin puas.
4. Philosophy a. Kelangsungan Perusahaan bergantung kepada kemajuan bisnis b. Perusahaan bertambah besar berdasarkan kepuasan pelanggan c. Kepuasan pelanggan ditentukan oleh Quality, Price dan delivery d. Quality, Price dan delivery dikontrol oleh process capability e. Process Capability tergantung dari variasi f. Variasi proses menentukan kenaikan defect, cost dan cycle time g. Untuk mengurangi variasi, kita harus mengaplikasikan pengetahuan yang benar. h. Untuk mengaplikasikan pengetahuan yang benar, langkah pertama adalah dengan mengukur. i. Dengan mengukur permasalahan, kita akan dapat pengetahuan yang benar. (Miranda, 2002)
9
Terdapat tiga bentuk umum permasalahan hasil/output dari suatu proses yang menjadi sasaran Six Sigma, yaitu:
1. Tepat Namun Tidak Akurat Artinya rata-rata dari output (keluaran) yang dihasilkan oleh proses melenceng/ menyimpang dari target yang telah ditentukan berdasarkan suara customer (pelanggan) atau mungkin jauh dari target tersebut sehingga kemungkinan sebagian atau seluruh hasil output-nya berada di luar spesifikasi. Dengan begitu pada masalah ini Six Sigma diharapkan dapat menggeser ratarata hasil proses tersebut hingga tidak terjadi penyimpangan dari target yang telah ditetapkan, melalui langkah-langkah perbaikan yang sistematis dibantu dengan alat statistik.
2. Akurat Namun Tidak Tepat Artinya output (keluaran) yang dihasilkan oleh proses adalah sangat bervariasi atau beragam sehingga kemungkinan hasil dari proses tersebut ada yang keluar dari spesifikasi yang telah ditentukan. Sehingga tujuan dari Six Sigma disini adalah untuk mengurangi jumlah variasi tersebut hingga minimal hasil dari proses tidak ada yang keluar dari batas spesifikasi yang telah ditetapkan berdasarkan suara dari pelanggan (customer).
3. Tidak Tepat dan Akurat Artinya bahwa output yang dihasilkan oleh proses tersebut adalah bervariasi dan juga tidak akurat/menyimpang hasilnya dengan target yang telah ditentukan. Disini dengan Six Sigma diharapkan dapat menggeser rata-rata proses ke target dan juga meminimasi variasi dari proses hingga mendekati level 6 sigma. Untuk lebih jelasnya mengenai penjelasan diatas dapat dilihat pada gambar 2.1 yang menunjukkan ilustrasi dari permasalahan pokok dari hasil/output proses yang ditangani oleh Six Sigma. (Miranda, 2002)
10
Tepat namun tidak akurat LSL
Akurat namun tidak tepat LSL
USL
USL
µ=T
µ≠ T
X X X X X X X X X
X XX XX
Shifting/bergeser ke Target dan mereduksi variasi
LSL
Penggeseran µ Menuju Target
USL
µ=T
Penurunan Variasi
XXX XXX
Gambar 2.1 Masalah Variasi dan Pergeseran Hasil Proses 2.1.3 Konsep Six Sigma Motorola Pada dasarnya pelanggan akan puas apabila mereka menerima nilai sebagaimana yang mereka harapkan. Apabila produk (barang dan/atau jasa) diproses pada tingkat kualitas Six Sigma, perusahaan boleh mengharapkan 3,4 kegagalan per sejuta kesempatan (DPMO) atau mengharapkan bahwa 99,99966 persen dari apa yang diharapkan pelanggan akan ada dalam produk itu. Dengan demikian Six Sigma dapat dijadikan ukuran target kinerja sistem industri tentang bagaimana baiknya suatu proses transaksi produk antara pemasok (industri) dan pelanggan (pasar). Semakin tinggi target sigma yang dicapai, kinerja sistem industri akan semakin baik. Sehingga 6-sigma otomatis lebih baik daripada 4sigma, 4-sigma lebih baik daripada 3-sigma. Six Sigma juga dapat dianggap sebagai
strategi
terobosan
yang
memungkinkan
perusahaan
melakukan
11
peningkatan luar biasa (dramatic) di tingkat bawah. Six Sigma juga dapat dipandang sebagai pengendalian proses industri berfokus pada pelanggan, melalui penekanan
pada
kemampuan
proses
(process
Pendekatan
capability).
pengendalian proses six sigma Motorola (Motorola’s Six Sigma process control) mengijinkan adanya toleransi penyimpangan atau pergeseran nilai rata-rata (mean) sebesar + 1.5 sigma. (Miranda, 2002) Long Term
Short Term
Gambar 2.2 Konsep Six Sigma Motorola
Kebanyakan tabel distribusi normal standard yang ada hanya berakhir pada nilai z sama dengan 3. Lalu pada tahun 1992, Motorola menerbitkan sebuah buku
dengan
judul
“Six
Sigma
Producibility
Analysis
and
Process
Characterization”, ditulis oleh Mikel J Harry dan J Ronald Lawson. Pada buku itu terdapat satu-satunya tabel yang memperlihatkan tabel distribusi normal standard dengan nilai z hingga sama dengan 6. Apabila menggunakan tabel tersebut maka akan didapat bahwa 6 sigma sesungguhnya dapat diubah ke dalam dua bentuk yaitu: 1. Terdapat 2 cacat (defects) per satu milyar kesempatan atau 0,002 DPMO, untuk data yang short-term. 2. Terdapat 3,4 cacat (defects) per sejuta kesempatan atau 3,4 DPMO, untuk data yang long-term. Sehingga kalau diterjemahkan ke dalam tabel distribusi normal standard maka 0,002 DPMO sama dengan 6 sigma, sedangkan 3,4 DPMO sama dengan 4,5
12
sigma. (Miranda, 2002). Dapat dilihat bahwa terjadi penyimpangan dan untuk lebih jelasnya dapat dilihat pada gambar 2.3 dan tabel 2.2 dibawah.
Applicable Six Sigma = 3.4 ppm
Original/True Six Sigma = 0.002 ppm
Gambar 2.3 Original/True Six Sigma dengan Applicable Six Sigma True Six Sigma Process (Normal Distribution Centered) Batas Spesifikasi (USL – LSL) + 1σ + 2σ + 3σ + 4σ + 5σ + 6σ
Persentase yang DPMO memenuhi (Defect per spesifikasi million (USL - LSL) opportunity) 68,27 % 94,45 % 99,73 % 99,9937 % 99,999943 % 99,9999998 %
Applicable Six Sigma Proces (Normal Distribution Shifted 1,5 sigma) Batas Spesifikasi (USL – LSL)
317.300 45.500 2.700 63 0,57 0,002
+ 1σ + 2σ + 3σ + 4σ + 5σ + 6σ
Persentase DPMO yang (Defect per memenuhi million spesifikasi opportunity) (USL - LSL) 30,8538 % 68,1462 % 93,3193 % 99,3790 % 99,9767 % 99,99966 %
691.462 308.538 66.807 6.210 233 3,4
DPMO dapat dilakukan dengan tiga cara : 1. 0,5σ off-centering dengan 5σ process controll 2. 1,0σ off-centering dengan 5,5σ process controll 3. 1,5σ off-centering dengan 6σ process controll
(Miranda, 2002) Tabel 2.1 Nilai DPMO True Six Sigma dan Applicable Six Sigma
Dalam Original Six Sigma, 6σ berarti 0,002 DPMO, namun hal ini sulit sekali direalisasikan. Pendekatan pengendalian proses Six Sigma mengijinkan adanya pergeseran nilai rata-rata (mean) dari proses industri sebesar + 1,5
σ
13
sehingga akan menghasilkan tingkat kegagalan sebesar 3,4 DPMO (Defect per Million Opportunities). Artinya dalam setiap satu juta kesempatan akan terdapat kemungkinan 3,4 kegagalan. Seperti yang kita tahu bahwa sangat jarang sesuatu akan terjadi tepat sama seperti intinya. Sebagai contoh adalah ketika kita akan menggunakan garasi untuk memasukkan mobil, tidak mungkin kita membuat garasi sama luasnya dengan mobil tetapi diperlukan toleransi untuk dapat memasukkannya. Dan sangatlah jarang dalam memasukkan mobil kita dapat tepat memposisikan titik tengah mobil dengan titik tengah garasi. Demikian juga dalam toleransi 1.5 sigma, hal ini dibuat untuk mengatasi error atau kesalahan yang tidak diharapkan. Dari hasil pooling yang diadakan akhir-akhir ini menunjukkan bahwa lebih dari 50% ahli kualitas tidak mengetahui kenapa proses bisa bergeser sebesar 1,5 sigma. Dari mana perbedaan 1.5 sigma muncul? Motorola menetapkannya melalui proses dan pengumpulan data yang bertahun-tahun, bahwa proses akan berubah-ubah dan mengalami penyimpangan dari waktu ke waktu. Sebaran (variasi) ini biasanya jatuh pada kisaran 1,4 dan 1,6 sigma. Setelah proses diperbaiki dengan menggunakan metodologi DMAIC Six Sigma, barulah mulai diperhitungkan standard deviasi dan nilai sigma dari proses dengan menggunakan nilai short term sebagai acuan nilai sigmanya karena data short term tersebut hanya mengandung variasi penyebab umum, sedangkan data long term mengandung variasi penyebab umum dan variasi penyebab khusus. Karena data short-term tidak mengandung variasi penyebab khusus, maka memiliki kapabilitas proses (process capability) yang lebih tinggi daripada data long-term. Short-term biasanya dalam periode yang pendek misalnya bulanan sedangkan long-term biasanya dalam periode yang panjang seperti periode tahunan. Short Term Capability menggambarkan masalah penyebaran (spread) pada proses kita. Long Term Capability menggambarkan permasalahan penyebaran (spread) dan lokasi rata-rata (centering). Perbedaan yang diijinkan untuk terjadinya penyimpangan adalah sebesar 1.5 sigma apabila melebihi maka dapat dikatakan bahwa proses tersebut perlu diperbaiki atau ditingkatkan pengawasan/kontrolnya. (LG Electronics Indonesia, 2003)
14
2.1.4 Karakteristik Six Sigma Terdapat beberapa hal yang dapat mencirikan Six Sigma, diantaranya adalah: 1. Metode peningkatan kualitas yang dapat diaplikasikan disegala bidang, diantaranya Design, Manufacturing, Sales, Service, dll. 2. Fokus terhadap 3 P (Product, Process, People). 3. Berdampak terhadap penghematan biaya (cost saving) dengan meminimasi pemborosan (waste) yang ada di dalam proses. 4. Membuat keputusan berdasarkan data, bukan berdasarkan ide-ide yang salah dan praduga. 5. Pengolahan data menggunakan statistik dibantu dengan Statistic Software (Minitab) sehingga mempermudah untuk yang awam terhadap statistik. Dan beberapa hal yang membedakan pendekatan Six Sigma dengan pendekatan tradisional dapat dilihat pada gambar 2.3 berikut. Tabel 2.2 Perbedaan Pendekatan Tradisional vs 6σ Issue
Pendekatan Tradisional
Pendekatan 6σ
Index
% (Defect Rate)
σ (sigma)
Data
Data diskret (tidak terukur)
Data Diskret + Kontinu
Target
Kepuasan thd Mfg Process
Kepuasan konsumen
Range
Spec. Outlier
Variation Improvement
Method
Pengalaman
Pengalaman + Kemampuan Statistik
Action
Bottom Up
Top Down
Application
Mfg Process
Design, Mfg, Sales, Service, etc
2.1.5 Dampak Six Sigma Beberapa keberhasilan Motorola yang telah diperoleh hingga sekarang diantaranya adalah: 1. Peningkatan produktivitas rata-rata 12,3% per tahun. 2. Penurunan COPQ (cost of poor quality) lebih dari 84%. 3. Eliminasi kegagalan dalam proses sekitar 99,7%.
15
4. Penghematan biaya manufakturing lebih dari $11 miliar. 5. Peningkatan tingkat pertumbuhan tahunan rata-rata 17% dalam penerimaan, keuntungan, dan harga saham Motorola. Beberapa survei yang dilakukan di Amerika telah menunjukkan keberhasilan aplikasi program Six Sigma di beberapa perusahaan contoh, dimana perusahaan-perusahaan yang beroperasi pada tingkat 3-sigma akan mampu memperoleh manfaat secara rata-rata per tahun setelah beroperasi pada tingkat 4sigma (peningkatan kualitas sebesar 1-sigma) adalah: 1. Peningkatan keuntungan (contibution margin improvement) rata-rata 20%. 2. Peningkatan kapasitas sekitar 12%-18%. 3. Penghematan tenaga kerja sekitar 12%. 4. Penurunan penggunaan modal operasional sekitar 10% - 30%.
2.1.6 Metodelogi Six Sigma Untuk melakukan peningkatan terus menerus menuju target Six Sigma dibutuhkan suatu pendekatan yang sistematis, berdasarkan ilmu pengetahuan dan fakta (systematic, scientific and fact based) dengan menggunakan peralatan, pelatihan dan pengukuran sehingga ekspektasi dan kebutuhan pelanggan dapat terpenuhi. Saat ini terdapat dua pendekatan yang biasa digunakan dalam Six Sigma, yaitu: 1. DMAIC (Define, Measure, Analyze, Improve, and Control) Metodologi DMAIC digunakan pada saat sudah terdapat produk atau proses di perusahaan namun belum dapat mencapai spesifikasi yang ditentukan oleh pelanggan. a. Define, menentukan tujuan proyek dan ekspektasi pelanggan. b. Measure, mengukur proses untuk dapat menentukan kinerja sekarang atau sebelum mengalami perbaikan. c. Analyze, menganalisa dan menentukan akar permasalahan dari suatu cacat atau kegagalan.
16
d. Improve memperbaiki proses, menghilangkan atau mengurangi jumlah cacat/kegagalan. e. Control, mengawasi kinerja proses yang akan datang setelah mengalami perbaikan 2. DMADV (Define, Measure, Analyze, Design, and Verify) Metodologi DMADV dapat digunakan pada tempat/perusahaan yang belum terdapat produk maupun proses atau pada perusahaan yang sudah memiliki produk maupun proses dan sudah dilakukan optimasi (menggunakan DMAIC atau pun metode yang lain) namun tetap saja tidak bisa mencapai level spesifikasi yang ditetapkan berdasarkan pelanggan atau sigma level. a. Define, menentukan tujuan proyek dan ekspektasi pelanggan. b. Measure, mengukur dan memutuskan spesifikasi dan kebutuhan pelanggan. c. Analyze, menganalisa beberapa proses pilihan yang sesuai dengan kebutuhan pelanggan. d. Design, merancang proses secara terperinci yang sesuai dengan kebutuhan pelanggan. e. Verify, menguji kemampuan dan kekuatan hasil rancangan agar sesuai dengan kebutuhan pelanggan.
Gambar 2.4 Flow Chart Pemilihan Metodologi Six Sigma
17
2.2
Metode DMAIC DMAIC (Define, Measure, Analyze, Improve, and Control) merupakan
sebuah proses untuk peningkatan yang dilakukan secara terus menerus, bersifat sistematis, ilmiah, dan berdasarkan pada kenyataan yang ada. DMAIC meliputi langkah-langkah yang perlu dilakukan secara berurutan, yang masing-masing langkah/tahapan amat penting guna mencapai hasil yang diinginkan. Dan juga DMAIC biasa disebut sebagai metodologi Six Sigma yang dijadikan sebagai metode penyelesaian masalah atau kunci pemecahan masalah. Agar dapat lebih memahami proses DMAIC secara umum dapat dilihat pada gambar 2.5, dan untuk sub tahapan dari tiap tahapan DMAIC menggunakan acuan atau pedoman yang ada di perusahaan tempat penelitian dan juga Basic Six Sigma Handbook sedangkan untuk uraiannya dapat dilihat di bawah.
The Six Sigma DMAIC Process DEFINE
What is the scope of the problem?
MEASURE
What is the frequency of defects?
ANALYZE
Where and why do defects occur?
IMPROVE
How can we fix the process?
CONTROL
How can we make the process stay fixed?
Gambar 2.5 Proses DMAIC Six Sigma
2.2.1 Tahap Define Ini merupakan tahapan awal dalam menjalankan metode DMAIC yang merupakan salah satu metode dalam six sigma. Tahap ini akan memfokuskan pada
18
untuk menemukan CTQ (Critical to Quality), yaitu sebuah fokus permasalahan yang menjadi hal yang paling penting untuk memenuhi keinginan customers. Dalam tahap ini akan dibagi ke dalam beberapa tahapan lagi, namun sub-tahapan di dalam metode DMAIC sendiri belum baku sehingga belum ada persamaan persepsi mengenai langkah-langkah yang ada di dalamnya. Disini peneliti akan mencoba untuk menggunakan tahapan yang biasa digunakan oleh perusahaan tempat penelitian yang juga banyak dipakai di berbagai perusahaan yang telah mengembangkan Six Sigma.
1. Menentukan Proyek Six Sigma Pada bagian ini terdiri dari pemilihan critical line dan critical model. Untuk menentukan line dan model yang akan dipilih akan digunakan Diagram Pareto sebagai alat statistik (statistical tool) untuk menemukannya. 2. Menentukan CTQ (Critical To Quality) Disini akan ditentukan CTQ (critical to quality) yang merupakan unsur yang terdapat pada proses yang secara signifikan akan mempengaruhi output dari proses, dalam hal ini adalah peningkatan laju produksi (kebutuhan/ kepuasan konsumen). Dan yang terpenting adalah CTQ ini harus terukur (measurable) dan dapat diamati. 3. Project Team Disini akan dipilih beberapa orang yang kompeten dan berkaitan dengan masalah peningkatan laju produksi dan akan dijadikan sebagai team member, 6σ support, team leader dan seorang FSE Supporting & Executor, yang nantinya orang-orang tersebut yang akan bertanggung-jawab terhadap keberhasilan proyek tersebut. 4. Project Schedule Setelah terbentuk project team barulah dirancang sebuah project schedule yang akan dijadikan sebagai bahan acuan oleh project team dalam pelaksanaan proyek. Project Schedule tersebut dibuat dengan menggunakan Gantt Chart.
19
5. Process Mapping Untuk lebih mengenal process yang telah ditetapkan sebagai project maka dibuatlah sebuah peta proses yang terdiri dari gambaran alur proses dengan keterangan lengkap untuk setiap stasiun kerja (work station) sehingga dapat digunakan dengan mudah dan informatif sebagai bahan acuan team proyek dalam menganalisis setiap penyebab masalah yang ada di dalam proses tersebut.
6. Menentukan Critical to Process (CTP) Tujuan dari tahap ini adalah untuk menemukan workstation/sub proses yang menyebabkan masalah, dengan menggunakan data terakhir yang ada pada ST (Standard Time) Leader yang menangani waktu standar yang dibutuhkan setiap stasiun kerja setiap waktu sehingga data tersebut lebih up to date dan dapat mewakili kondisi yang ada. Dari data-data tersebut kemudian ditampilkan dalam bentuk grafik untuk memudahkan dalam menentukan workstation yang bermasalah sehingga dapat dilakukan perbaikan pada work station tersebut sehngga kebutuhan konsumen dapat terpenuhi dan perusahaan pun memperoleh penghematan biaya dari perbaikan tersebut.
2.2.2 Tahap Measure Tahap Measure merupakan tahapan kedua dari metode DMAIC, yang pada tahap ini lebih difokuskan untuk mengetahui kapabilitas proses yang ada saat ini (current process capability) sehingga dapat dijadikan sebagai tolak ukur dalam peningkatan proses, dan dapat diketahui sudah seberapa jauh kemajuan yang telah dicapai dari suatu proses yang telah mengalami perbaikan dari kondisi awalnya. Namun sebelumnya harus dilakukan pengujian terhadap sistem pengukuran yang akan dilakukan agar semua hasil pengukuran yang dilakukan dapat dinyatakan valid/sah dan kesimpulan yang diambil dari data pengukuran tersebut dapat sesuai dengan kenyataan yang ada pada proses tersebut.
20
1. Menguji Sistem Pengukuran Hal ini dilakukan untuk mengesahkan sistem pengukuran yang dipakai sehingga tidak terjadi kesalahan dalam pengukuran berikutnya, yang pada akhirnya mempengaruhi hasil kesimpulan yang telah dibuat berdasarkan sistem pengukuran yang tidak sah. Dan untuk melakukan analisisnya dapat menggunakan Gage R&R sebagai alat bantunya.
2. Mengukur Kapabilitas Proses Sekarang Pada tahap ini kita ingin mengatahui seberapa besar indeks kapabilitas proses yang dapat dicapai oleh proses kita baik untuk yang Short Term maupun Long Term. Indeks kapabilitas proses dapat dikatakan bagus apabila tidak memiliki masalah di dalam prosesnya dan dikatakan tidak bagus apabila terjadi masalah di dalam proses tersebut. Maka dapat disimpulkan bahwa untuk mengetahui apakah ada masalah dengan proses kita, dapat diketahui melalui indeks kapabilitas prosesnya.
2.2.3 Tahap Analyze Tahap ini merupakan tahapan yang ketiga dalam DMAIC dimana konsentrasinya pada pemilihan faktor-faktor yang paling berpengaruh terhadap CTQ (masalah). Disini akan banyak dibutuhkan pengujian-pengujian yang tujuannya untuk mengetahui faktor yang paling berpengaruh terhadap masalah (vital factors). Namun sebelumnya dilakukan pengumpulan faktor-faktor yang potensial (potential factors) untuk mempengaruhi CTQ (masalah) dengan menggunakan fishbone diagram (diagram sebab akibat) lalu dipilih lagi diantara faktor-faktor potensial tersebut yang layak untuk dilakukan pengujian.
21
Y = f (X) ■ Y
■ X1, X2, X3,....Xn
■ Variabel Tak Bebas
■ Variabel Bebas
■ Output
FAKTOR
v■ Input
■ Gejala/Akibat
■ Masalah/Penyebab
■ Harus Diamati
■ Harus Dikontrol
Gambar 2.6 Persamaan Process Output Y adalah hasil dari suatu proses; itu sebuah fungsi dari X, variabel kunci (beberapa faktor vital) dalam suatu proses. Y adalah karakteristik kualitas yang hendak dicapai. Dengan mengidentifikasi X, kita dapat mencapai hasil yang optimal dalam waktu yang singkat dan juga dapat memprediksi hasil yang akan dicapai melalui pengujian-pengujian hipotesis. Jadi melalui rumusan itu memungkinkan kita untuk dapat mengidentifikasi apa yang tidak diketahui.
1. Menentukan Potensial Faktor Pada bagian ini akan dicari beberapa faktor yang mempunyai kemungkinan untuk dapat mempengaruhi Y (masalah) atau biasa disebut sebagai potential factor. Alat statistik yang digunakan untuk menganalisisnya adalah Fishbone Diagram (diagram sebab-akibat). Pada tahap ini pun harus hati-hati karena akan mempengaruhi hasil yang diperoleh bila pemilihannya tidak tepat maka hasil yang dicapainya pun tidak akan optimal. Untuk itu dibutuhkan beberapa orang yang ahli di bidangnya untuk dapat memilah-milah faktor-faktor apa saja yang kemungkinan dapat mempengaruhi Y tersebut secara signifikan.
2. Menentukan Vital Faktor Setelah ditemukannya beberapa faktor yang potensial dari langkah sebelumnya, lalu langkah berikutnya adalah menentukan faktor-faktor yang sangat berpengaruh terhadap Y (masalah) dengan melakukan pengujian hipotesis terhadap faktor-faktor tersebut, apakah faktor tersebut benar-benar
22
berpengaruh terhadap masalah yang ada? Sehingga improvement yang akan kita lakukan tidak akan sia-sia dilakukan dan juga tidak banyak keluar biaya yang besar untuk melakukan perbaikan masalah tersebut.
2.2.4 Tahap Improve Pada tahap ini akan dipilih setting yang paling baik untuk setiap vital factor yang didapat dari langkah sebelumnya sehingga menghasilkan Y yang Optimum. Dilanjutkan dengan membuat prosedure yang baru dan menghitung kapabilitasnya setelah tahap implementasi serta akan dihitung perkiraan jumlah penghematan biaya yang dapat diperoleh. 1. Menentukan setting factor yang optimal Disini akan dicari kombinasi level dari setiap faktor yang akan menghasilkan hasil yang optimal bagi proses. Untuk menentukannya dapat menggunakan DOE (Design of Experiment) sebagai salah satu alternatifnya, yang fasilitasnya juga sudah tersedia di software Minitab. 2. Membuat Prosedur Baru Setelah ditemukan setting factor yang paling optimal, maka langkah berikutnya adalah membuat prosedure yang baru (yang telah diperbaiki) sehingga dapat dijadikan sebagai acuan oleh operator pada saat melakukan tahap pengimplementasian. 3. Mengukur Kapabilitas Proses setelah Implementasi Disini akan digunakan cara yang sama dengan perhitungan Kapabilitas Proses yang ada di tahapan Measure. Namun disini data yang digunakan adalah sampel data setelah mengalami perbaikan atau sudah diimplementasikannya konsep yang baru agar hasil yang dicapai dapat optimal.
23
2.2.5 Tahap Control Pada tahap akhir ini akan lebih terfokus
pada
bagaimana
caranya
untuk dapat menjaga dan mempertahankan kondisi dari hasil ide-ide perbaikan agar tidak berubah lagi atau kembali lagi pada kondisi awal. Sehingga dibutuhkan seperangkat prosedure yang akan digunakan sebagai alat untuk menjaga dan mengawasinya. 1. Merancang Sistem Kontrol Disini akan dirancang sistem kontrol apa yang kira-kira cocok dengan kondisi yang ada. Sistem kontrol disini maksudnya adalah seperangkat langkahlangkah yang akan dilakukan untuk melakukan pengontrolan terhadap proses yang telah mengalami perbaikan. 2. Mengaplikasikan Sistem Kontrol Sedangkan mengaplikasikan sistem kontrol disini dimaksudkan untuk menjalankan proses kontrol dengan menggunakan rancangan sistem kontrol yang telah dibuat sebelumnya. Namun untuk penelitian ini hanya terbatas pada waktu tertentu saja untuk melakukan pengontrolan. 2.3
Alat-Alat Six Sigma
2.3.1 Diagram Pareto Apa yang menjadi area utama (masalah utama) dalam proses itu? Pertanyaan ini dapat dijawab dengan menggunakan prinsip Pareto, yang menyatakan bahwa sekitar 80% dari masalah yang disebabkan oleh 20% dari penyebab. Vilfredo Pareto, seorang ahli ekonomi Italia pada abad ke-19 menemukan bahwa bagian terbesar dari kesejahteraan dimiliki oleh beberapa orang
saja,
sehingga
menimbulkan
maldistribusi
dari
kesejahteraan
(maldistribution of wealth). Kunci peningkatan proses pertama kali adalah mengidentifikasi area utama (masalah utama) dan memfokuskan perhatian pada masalah utama itu.
24
Diagram Pareto adalah grafik batang yang menunjukkan masalah berdasarkan urutan banyaknya kejadian. Masalah yang paling banyak terjadi ditunjukkan oleh grafik batang pertama yang tertinggi serta ditempatkan pada sisi paling kiri, dan seterusnya sampai masalah yang paling sedikit terjadi ditunjukkan oleh grafik batang terakhir yang terendah serta ditempatkan pada sisi paling kanan. Pada dasarnya diagram Pareto dapat dipergunakan sebagai alat interpretasi untuk : a. Menentukan frekuensi relatif dan urutan pentingnya masalah-masalah atau penyebab-penyebab dari masalah yang ada. b. Memfokuskan perhatian pada isu-isu kritis dan penting melalui membuat ranking terhadap masalah-masalah atau penyebab-penyebab dari masalah itu dalam bentuk yang signifikan. Langkah-langkah yang harus dilakukan untuk membuat Diagram Pareto dengan menggunakan Minitab, adalah sebagai berikut: 1. Pilih Stat>Quality Tools>Pareto Chart..., lalu akan keluar dialog box seperti pada gambar 2.7.
Gambar 2.7 Dialog Box: Pareto Chart 2. Pilih Chart defects table, kemudian masukkan kategori data yang akan dianalisis pada kolom labels in dan frekuensi data pada frequencies in, lalu tekan tombol OK, maka akan keluar tampilan seperti pada gambar 2.11 berikut.
25
Diagram Pareto 100
60
80
40
60
30 40
Percent
Count
50
20 20
10 0
Defect Count Percent Cum %
ak Tid
ka ng Le
26 41.9 41.9
p P
es or rg Te an ka u er m
17 27.4 69.4
0 ta k Re
11 17.7 87.1
B en
tu
kS i da kT
5 8.1 95.2
i as er
s er Oth
3 4.8 100.0
Gambar 2.8 Output Graph Window: Pareto Chart 2.3.2 Gage R&R Gage R&R adalah salah satu alat Six Sigma yang digunakan untuk mengukur tingkat kevalidan dan keterandalan dari suatu sistem pengukuran yang akan digunakan. Secara konseptual, pengukuran cukup sederhana; pengukuran adalah penetapan angka-angka untuk mengamati gejala sesuai dengan aturan tertentu. Pengukuran menyampaikan informasi tertentu mengenai hubungan antara elemen tersebut dengan elemen lainnya. Terdapat fungsi pemetaan yang membawa dari sistem empiris ke dalam sistem angka-angka. Sistem angka-angka dimanipulasi dan hasil manipulasi tersebut dipelajari untuk membantu manajer memahami sistem empiris dengan lebih baik. Isi informasi dari suatu angka tergantung pada skala pengukuran yang digunakan. Skala ini menentukan jenis analisis statistikal yang dapat digunakan secara benar dalam mempelajari angka tersebut. Minitab menyediakan beberapa perintah untuk membantu menentukan seberapa besar variasi dari proses yang timbul akibat variasi pada sistem pengukuran. 1. Gage R&R (Crossed), Gage R&R (Nested), dan Gage Run Chart yang digunakan untuk menguji atau memeriksa ketepatan dari sistem pengukuran (measurement system precision).
26
2. Gage Linearity and Accuracy yang digunakan untuk menguji atau memeriksa linearitas dan akurasi dari suatu alat ukur. 3. Variasi Keseluruhan
Variasi Part-to-Part
Variasi Akibat Alat Ukur Repeatability
Variasi Sistem Pengukuran
Variasi Akibat Operator Reproducibility Operator
Operator by Part
Gambar 2.9 Klasifikasi Variasi dalam Sistem Pengukuran
Kesalahan pada sistem pengukuran dapat dikelompokkan menjadi 2 kategori, yaitu: 1. Keakuratan (accuracy), menjelaskan perbedaan antara nilai aktual dari pengukuran dengan part. Untuk menguji dapat menggunakan Gage Linearity and Accuracy yang ada di Minitab. Tingkat keakuratan (accuracy) dari suatu sistem pengukuran biasanya terdiri atas 3 komponen, yaitu: a. Linearitas (linearity), mengukur seberapa besar part mempengaruhi tingkat keakuratan dari suatu sistem pengukuran. b. Akurasi (accuracy), mengukur bias pada sistem pengukuran. c. Stabilitas (stability), mengukur seberapa akuratnya sistem pengukuran selama periode waktu.( LG Electronics Indonesia, 2003) 2. Ketepatan (precision), menjelaskan variasi yang terlihat ketika mengukur part yang sama secara berulang dengan menggunakan alat ukur yang sama. Untuk mengujinya dapat menggunakan Gage R&R Study yang telah tersedia pada Minitab. Kepresisian dari sistem pengukuran terdiri atas 2 komponen, yaitu: a. Repeatability (kemampuan pengulangan), variasi yang disebabkan oleh alat ukur. Merupakan variasi pengamatan ketika operator yang sama mengukur part yang sama secara berulang dengan alat ukur yang sama.
27
b. Reproducibility (kemampuan dihasilkan kembali), variasi yang disebabkan oleh sistem pengukuran atau operator. Merupakan variasi dari pengamatan ketika operator yang berbeda mengukur part yang sama dengan menggunakan alat ukur yang sama. Gage Repeatability & Reproducibility Studies menentukan variasi dari suatu proses yang diamati yang diakibatkan variasi dari sistem pengukuran. Minitab menyediakan 2 macam Gage R&R Studies, yaitu: 1. Gage R&R Study (crossed), gunakan jenis ini pada saat tiap-tiap part diukur beberapa kali oleh tiap operator. 2.
Gage R&R Study (nested), gunakan jenis tersebut pada saat mengukur tiap-
tiap part hanya dengan satu orang operator. Seperti melakukan pengujian dengan merusak atau merubah struktur dari produk tersebut ataupun kondisi yang tidak mendukung untuk melakukan pada part yang sama. Minitab juga menyediakan 2 metode untuk memperkirakan repeatability dan reproducibility: Xbar, R, dan ANOVA (Analysis of Variance). Metode Xbar & R membagi variasi keseluruhan ke dalam 3 kategori: part-to-part, repeatability, reproducibility. Namun metode ANOVA selangkah lebih baik daripada Xbar & R, dan membagi reproducibility ke dalam operator, dan operator dengan part. Metode ANOVA lebih akurat daripada metode Xbar&R, karena mempertimbangkan interaksi antara operator dengan part. Gage R&R Study (crossed) diberikan pilihan antara metode Xbar&R dengan ANOVA. Sedangkan Gage R&R Study (nested) hanya dapat menggunakan metode ANOVA. Syarat-syarat untuk menguji sistem pengukuran yang akan digunakan, adalah sebagai berikut: 1. Paling sedikit 2 orang operator (biasanya 2 ~ 3 Operator) 2. Paling sedikit 10 unit sampel yang diukur. 3. Setiap unit diukur paling sedikit 2 kali oleh tiap operator 4. Kualifikasi operator yang akan mengukur harus sama Terdapat tiga kriteria untuk menentukan kualifikasi dari sistem pengukuran, yaitu: 1. % Contribution
28
Prosentase kontribusi terhadap seluruh variasi yang dibuat oleh setiap komponen variasi. (setiap komponen yang berbeda dibagi dengan total variasi, kemudian dikalikan 100). Persentase masing-masing komponen tersebut apabila dijumlahkan akan berjumlah 100. % Contribution = Variance Component x 100 Total Variation
2. % Study Variation Persentase dari study variation untuk setiap komponen (standard deviasi untuk setiap komponen dibagi dengan total standard deviasi). Persentase masingmasing komponen tersebut bila dijumlahkan tidak berjumlah 100. % Study Variation = Component Standard Deviation Total Standard Deviation
3. Distinct Categories Jumlah kategori yang berbeda didalam data proses yang dapat dilihat oleh sistem pengukuran. Sebagai contoh, bayangkan ketika mengukur 10 part yang berbeda, dan Minitab melaporkan bahwa siatem pengukurannya melihat 4 kategori yang berbeda. Ini artinya bahwa beberapa dari 10 part tersebut ada yang tidak begitu berbeda oleh sistem pengukurannya. Jika ingin memperoleh jumlah dari kategori yang berbedanya tinggi, maka diperlukan alat ukur yang presisi. Jumlah kategori yang berbeda dapat dihitung dengan membagi standard deviasi dari part dengan standard deviasi dari alat ukur (gage), kemudian dikalikan dengan 1,41 dan bulatkan kedalam bilangan bulat yang terdekat.
Number of Distinct Categories = 1,41 x Part-to-Part Standard Deviation Total Gage R&R Standard Deviation
29
The Automobile Industry Action Group (AIAG) menyarankan agar ketika jumlah kategori lebih kecil dari dua, sistem pengukuran tidak memiliki nilai untuk pengontrolan proses, karena satu part tidak dapat dibedakan dengan yang lainnya. Pada saat jumlah kategorinya adalah dua, data dapat dibagi ke dalam dua kelompok, katakanlah tinggi dan rendah. Ketika jumlah kategori adalah tiga, data dapat dibagi ke dalam tiga kelompok, katakanlah rendah, sedang dan tinggi. Apabila jumlah kategori tersebut adalah lima atau lebih maka merupakan sistem pengukuran yang dapat diterima. Untuk jelasnya untuk masing-masing kategori dapat dilihat pada tabel 2.4. Tabel 2.3 Kualifikasi Sistem Pengukuran % Contribution Diterima Dipertimbangkan Ditolak
< 1% 1% – 9% > 9%
% Study Variation < 10% 10% - 30% > 30%
Distinct Categories >10 4–9 <4
Langkah-langkah yang harus dilakukan untuk membuat analisis Gage R&R dengan menggunakan Minitab, adalah sebagai berikut: 1. Pilih Stat>Quality Tools>Gage R&R Study (crossed atau nested), lalu akan
keluar dialog box seperti pada gambar 2.10.
Gambar 2.10 Dialog Box: Gage R&R Study 2. Masukkan data part pada kolom part numbers, operator pada kolom
operators dan data hasil pengukuran pada kolom measurement data. Lalu pilih metode analisis yang akan digunakan, terakhir tekan tombol OK. Maka
30
hasil analisa dapat dilihat pada session window dan graph window seperti yang terlihat pada gambar 2.11 dan gambar 2.12.
Gage R&R %Contribution Source VarComp (of VarComp) Total Gage R&R 0.004437 10.67 Repeatability 0.001292 3.10 Reproducibility 0.003146 7.56 Operator 0.000912 2.19 Operator*Part 0.002234 5.37 Part-To-Part 0.037164 89.33 Total Variation 0.041602 100.00
> 9% (ditolak)
> 30% (ditolak)
StdDev Study Var %Study Var Source (SD) (5.15*SD) (%SV) Total Gage R&R 0.066615 0.34306 32.66 Repeatability 0.035940 0.18509 17.62 Reproducibility 0.056088 0.28885 27.50 Operator 0.030200 0.15553 14.81 Operator*Part 0.047263 0.24340 23.17 Part-To-Part 0.192781 0.99282 94.52 Total Variation 0.203965 1.05042 100.00
4 – 9 (dipertimbangkan)
Number of Distinct Categories = 4
Kesimpulan : Sistem Pengukuran Ditolak !!!
Gambar 2.11 Output Session Window: Gage R&R Gage name: Date of study: Reported by: T olerance: Misc:
Gage R&R (ANOVA) for Measure Components of Variation
By Part
Percent
100
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
%Contribution %Study Var
50
0 Gage R&R
Repeat
Reprod
Part
Part-to-Part
1
2
3
Sample Range
R Chart by Operator 0.15
1
2
UCL=0.1252
0.05
R=0.03833
0.00
LCL=0 0
Operator
UCL=0.8796 Mean=0.8075 LCL=0.7354
0
6
7
8
9
10
2
3
Operator*Part Interaction 3
Average
Sample Mean
2
5
1
Xbar Chart by Operator 1
4
By Operator 1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
3
0.10
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3
Telah terjadi penyimpanga n pengukuran
Operator
1.1 1.0 0.9 0.8 0.7 0.6 0.5 0.4
Part
1 2 3
1
2
3
4
5
6
7
Gambar 2.12 Output Graph Window: Gage R&R
8
9
10
31
2.3.3 Peta Kendali (Control Chart ) Metode yang sering digunakan untuk mengetahui sumber variasi dari proses adalah peta-peta kendali atau kontrol (control charts) beserta analisis kapabilitas proses. Peta kontrol pertama kali diperkenalkan oleh Dr. Walter Andrew Shewhart dari Bell Telephone Laboratories, Amerika Serikat, pada tahun 1924 dengan maksud untuk menghilangkan variasi tidak normal melalui pemisahan variasi yang disebabkan oleh penyebab khusus (special-causes variation) dari variasi yang disebabkan oleh penyebab umum (common causes variation). Pada dasarnya semua proses menampilkan variasi, namun manajemen harus mampu mengendalikan proses dengan cara menghilangkan variasi penyebab khusus dari proses itu, sehingga variasi yang melekat pada proses hanya disebabkan oleh variasi penyebab umum. Peta-peta kontrol merupakan alat ampuh dalam mengendalikan proses, asalkan penggunaanya dipahami secara benar. Variasi adalah ketidak seragaman dalam proses operasional sehingga menimbulkan perbedaan dalam kualitas produk (barang dan/atau jasa) yang dihasilkan. Dua sumber atau penyebab timbulnya variasi, diklasifikasikan sebagai berikut: 1. Variasi Penyebab Khusus (Special Causes Variation) adalah kejadiankejadian di luar sistem manajemen kualitas yang mempengaruhi variasi dalam sistem itu. Penyebab khusus dapat bersumber dari faktor-faktor: manusia, mesin, dan peralatan, material, lingkungan, metode kerja, dll. Penyebab khusus ini mengambil pola non acak (nonrandom patterns) sehingga dapat diidentifikasikan/ ditemukan. Dalam konteks analisis data menggunakan peta kendali atau kontrol (control charts), jenis variasi ini ditandai dengan titik pengamatan yang melewati atau keluar dari batas-batas pengendalian yang didefinisikan (defined control limits). 2. Variasi penyebab Umum (Common Causes Variation) adalah faktor-faktor di dalam sistem manajemen kualitas atau yang melekat pada proses yang menyebabkan timbulnya variasi dalam sistem itu beserta hasil-hasilnya. Penyebab umum sering disebut juga sebagai penyebab acak (random causes) atau penyebab sistem (system causes). Karena penyebab umum ini selalu
32
melekat pada sistem manajemen kualitas, untuk menghilangkannya kita harus menelusuri elemen dalam sistem itu dan hanya pihak manajemen yang dapat memperbaikinya, karena pihak manajemen yang mengendalikan sistem manajemen kualitas itu. Dalam konteks analisis data dengan menggunakan peta-peta kendali atau kontrol (control charts), jenis variasi ini sering ditandai dengan titik pengamatan yang berada dalam batas-batas pengendalian yang didefinisikan (defined control limits).
Dan untuk lebih jelasnya mengenai keberadaan masing-masing penyebab pada bagan control chart, dapat dilihat pada gambar 2.13 berikut
. Penyebab khusus
Peralatan Rusak
Material NG Seting Mesin
Pengawasa n
Training Kurang
Metode Tidak Bagus
Kesalahan Pengukuran
Penyebab Umum
Penyebab Khusus
Kesalahan Operator
Kesalahan mesin
Perubahan Temp.
Gambar 2.13 Penyebab Umum dan Khusus di Control Chart Suatu proses yang hanya mempunyai variasi penyebab umum (commoncauses variation) yang mempengaruhi produk atau outcomes merupakan proses yang stabil karena penyebab sistem yang mempengaruhi variasi biasanya relatif stabil sepanjang waktu. Sedangkan apabila variasi penyebab khusus terjadi dalam proses, proses itu akan menjadi tidak stabil. Upaya-upaya menghilangkan variasi penyebab khusus akan membawa proses ke dalam pengendalian proses menggunakan peta-peta kontrol statistikal (statistical control charts).
33
Pada dasarnya peta-peta kontrol dipergunakan untuk beberapa hal, diantaranya adalah: 1. Menentukan apakah suatu proses berada dalam pengendalian? Dengan demikian peta-peta kontrol digunakan untuk mencapai suatu keadaan terkendali, dimana semua nilai rata-rata dan range dari sub-sub kelompok (subgroups) contoh berada dalam batas-batas pengendalian (control limits), maka itu variasi penyebab-khusus menjadi tidak ada lagi dalam proses. 2. Memantau proses terus-menerus sepanjang waktu agar proses tetap stabil secara statistikal dan hanya mengandung variasi penyebab umum. 3. Menentukan kemampuan proses (process capability). Setelah proses berada dalam pengendalian, batas-batas dari variasi proses dapat ditentukan. Pada dasarnya setiap peta kontrol memiliki beberapa komponen, diantaranya adalah: 1. Garis Tengah (Central Line), yang biasa dinotasikan sebagai CL. 2. Sepasang batas kontrol (control limits), di mana satu batas kontrol ditempatkan di atas garis tengah yang dikenal sebagai batas kontrol atas (upper control limit), biasa dinotasikan sebagai UCL, dan yang satu lagi ditempatkan di bawah garis tengah yang dikenal sebagai batas kontrol bawah (lower control limit), biasa dinotasikan sebagai LCL. 3. Tebarkan nilai-nilai karakteristik kualitas yang menggambarkan keadaan dari proses. Jika semua nilai yang ditebarkan (diplot) pada peta itu berada di dalam batas-batas kontrol tanpa memperlihatkan kecendrungan tertentu, maka proses yang berlangsung dianggap sebagai berada dalam keadaan terkontrol atau terkendali, atau dikatakan berada dalam pengendalian. Namun, jika nilai-nilai yang ditebarkan pada peta itu jatuh atau berada di luar batas-batas kontrol atau memperlihatkan kecenderungan tertentu atau memiliki bentuk yang aneh, maka proses yang berlangsung dianggap sebagai berada dalam keadaan di luar kontrol (tidak terkontrol), atau tidak berada dalam pengendalian, sehingga perlu diambil tindakan korektif untuk memperbaiki proses yang ada. Untuk lebih mengetahui bentuk umum dari Peta Kendali (control chart) dapat dilihat pada gambar 2.14 di bawah.
34
Nilai data
UC
3σ x
2σ x
C
LC
Jumlah data
Limit Limit
Gambar 2.14 Bagan Control Chart Penggunaan peta-peta kontrol harus menjadi efektif untuk pengendalian proses, sehingga upaya-upaya peningkatan proses terus-menerus yang telah menjadi komitmen manajemen organisasi dapat sukses. Berbagai peta-peta kontrol dapat digunakan sesuai dengan kebutuhan seperti ditunjukkan pada gambar 2.15. Tentukan Karakteristik Kualitas Sesuai Keinginan Pelanggan
Apakah Data Variabel?
tidak
Apakah Data Atribut Ber bentuk Proporsi atau persentase?
ya
Apakah Proses Homogen Atau Proses Batch Seperti Industri Kimia,
Apakah Data Atribut Ber bentuk Banyaknya Ketidaksesuaian?
tidak
ya
tidak
Apakah Ukuran Contoh Konstan?
ya
tidak
tidak
Apakah Ukuran Contoh Konstan?
dll? ya
ya
Peta Kontrol X-MR
Peta Kontrol X-Bar, R
Peta Kontrol p atau np
Peta Kontrol p
Peta Kontrol u
Gambar 2.15 Diagram Alir Penggunaan Peta-Peta Kontrol
Peta Kontrol c atau u
35
Peta Kontrol X-Bar dan R Peta kontrol X-bar (Rata-rata) dan R (Range) digunakan untuk memantau proses yang mempunyai karakteristik berdimensi kontinu, sehingga peta kontrol X-bar dan R sering disebut sebagai peta kontrol untuk data variabel. Peta kontrol X-bar menjelaskan kepada kita tentang apakah perubahan-perubahan telah terjadi dalam ukuran titik pusat (central tendency) atau rata-rata dari suatu proses. Hal ini mungkin disebabkan oleh faktor-faktor seperti: peralatan yang dipakai, peningkatan temperatur secara gradual, perbedaan metode yang digunakan dalam shift, material baru, tenaga kerja baru yang belum dilatih, dll. Sedangkan peta kontrol R (Range) menjelaskan tentang apakah perubahan-perubahan yang telah terjadi dalam ukuran variasi, dengan demikian berkaitan dengan perubahan homogenitas produk yang dihasilkan melalui suatu proses. Langkah-langkah untuk membangun peta kontrol X-Bar dan R dapat dikemukakan sebagai berikut: 1. Tentukan ukuran contoh (n = 4, 5, 6,...). untuk keperluan praktek biasanya ditentukan lima unit pengukuran dari setiap contoh (n=5). 2. Kumpulkan 20 – 25 set contoh (paling sedikit dari data 60 – 100 titik data individu). 3. Hitung nilai rata-rata, X-bar, dan range, R dari setiap set contoh. 4. Hitung nilai rata-rata dari semua X-bar, yaitu: X-double bar yang merupakan garis tengah (central line) dari peta kontrol X-bar, serta nilai rata-rata dari semua R, yaitu: R-bar yang merupakan garis tengah (central line) dari peta kontrol R. 5. Hitung batas-batas kontrol 3-sigma dari peta kontrol X-bar dan R. a. Peta Kontrol X-bar (batas-batas kontrol 3-sigma): 1) CL
= X-double bar
2) UCL
= X-double bar + A2.R-bar
3) LCL
= X-double bar – A2.R-bar
A2 adalah kostanta yang besarnya bergantung kepada ukuran contoh. Peta Kontrol R (batas-batas kontrol 3-sigma): 4) CL
= R-bar
5) UCL
= D4.R-bar
36
6) LCL
= D3.R-bar
6. Buatkan peta kontrol X-bar dan R menggunakan batas-batas kontrol 3-sigma di atas. Setelah itu plot atau tebarkan data X-bar dan R dari setiap contoh yang diambil itu pada peta kontrol X-bar dan R serta lakukan pengamatan apakah data itu berada dalam pengendalian statistikal? Apabila semua data pengukuran berada dalam peta kontrol itu, yang menunjukkan bahwa proses sedang berada dalam pengendalian statistikal, maka kita dapat menggunakan peta kontrol X-bar dan R yang dibangun itu sebagai peta kontrol untuk memantau proses yang sedang berlangsung dari waktu ke waktu. Apabila semua data pengukuran tidak berada dalam pengendalian statistikal, maka proses harus diperbaiki. Setelah itu dilakukan pengukuran ulang untuk membangun peta kontrol X-bar dan R sampai peta kontrol itu telah menunjukkan bahwa proses telah berada dalam pengendalian statistikal. Peta kontrol yang tidak terkendali, tidak boleh dipergunakan sebagai peta kontrol untuk memantau proses yang sedang berlangsung dari waktu ke waktu. Dengan demikian pemantauan terhadap proses baru dapat dilaksanakan, apabila proses itu telah dianggap stabil secara statistikal (berada dalam pengendalian statistikal). Peta kontrol seyogyanya hanya dipergunakan sebagai alat untuk menjelaskan apakah suatu proses yang sedang berlangsung itu telah stabil atau belum. Jika belum stabil, proses itu harus diperbaiki dulu, dan baru kemudian membangun peta kontrol terkendali untuk memantau proses yang telah stabil itu. Hal ini berarti kita membawa proses ke dalam pengendalian. 7. Apabila proses berada dalam pengendalian (proses stabil), maka hitung indeks kapabilitas proses. Catatan: Indeks kapabilitas proses baru layak untuk dihitung apabila proses berada dalam pengendalian. 8. Gunakan peta kontrol terkendali dari X-bar dan R itu untuk memantau proses yang sedang berlangsung dari waktu ke waktu, untuk seterusnya segera diambil tindakan perbaikan apabila tampak ada perubahan-perubahan yang tidak diinginkan pada proses itu. Sekali lagi perlu ditekankan bahwa peta kontrol yang tidak terkendali, tidak boleh dipergunakan sebagai peta kontrol
37
untuk memantau proses yang sedang berlangsung dari waktu ke waktu. Dengan demikian pemantauan terhadap proses baru dapat dilaksanakan, apabila proses itu telah dianggap stabil (berada dalam pengendalian). Langkah-langkah yang harus dilakukan untuk membuat peta kendali Xbar - R dengan menggunakan Minitab, adalah sebagai berikut: 1. Pilih Stat>Control Charts>Xbar-R..., lalu akan keluar dialog box seperti pada gambar 2.16.
Gambar 2.16 Dialog Box: Xbar-R Chart 2. Masukkan data sampel pada single column dan kolom subgroup pada subgroup size. Dan pilih option yang ingin diisi atau dirubah lalu tekan tombol OK, dan akan muncul graph windows seperti gambar 2.17. Xbar/R Chart for Sample
Sample Mean
42
UCL=41.29
40
Mean=40.00
39 1
Subgroup
5
LCL=38.71
1
1
38
Sample Range
11
1
41
1 0
10
20
30
40
50
UCL=4.735
4 3 2
R=2.239
1 0
LCL=0
Gambar 2.17 Output Graph Window: Xbar-R Chart
38
2.3.4 Analisis Kapabilitas Proses Kapabilitas proses dalam ilmu statistik adalah pengukuran kapabilitas suatu
proses
yang
dinyatakan
dalam
bentuk
angka
sehingga
dapat
membandingkan kapabilitas pada proses yang berbeda. Pada dasarnya pengukuran kapabilitas proses adalah rasio antara lebar variasi proses yang diijinkan (specification limits) dengan lebar variasi proses yang aktual (6σ).
Sebenarnya kapabilitas proses tidak dapat ditentukan/ditetapkan hingga Xbar dan R Chart telah tercapai peningkatan kualitas yang optimal atau dengan kata lain proses tersebut telah berada dalam batas-batas kontrol/terkontrol. Jika hal tersebut tidak dilakukan terlebih dahulu maka akan diperoleh perhitungan kapabilitas proses yang salah. Kapabilitas proses adalah sama dengan 6σ ketika proses berada dalam kontrol statistik. Kapabilitas proses ditentukan oleh variasi yang bersumber dari variasi penyebab umum. Secara umum kapabilitas proses menggambarkan kinerja terbaik (misalnya range minimum) dari proses itu sendiri.
a. Dengan menggunakan indeks kapabilitas, dapat mengukur kualitas. Semakin besar indeks kapabilitasnya maka semakin baik pula kualitasnya. Oleh karena itu dibutuhkan usaha untuk melakukan perbaikan secara terus-menerus agar dapat membuat indeks kapabilitas tersebut meningkat sebesar mungkin. Untuk itu pada Tabel 2.5 terdapat beberapa indeks kapabilitas yang nantinya akan digunakan dalam penelitian.( LG Electronics Indonesia, 2003)
39
Tabel 2.4 Analisis Kapabilitas Proses Digunakan ketika proses berada ditengah-tengah batas spesifikasi.
Cp, Pp
Digunakan ketika proses tidak berada ditengah-tengah batas spesifikasi, tapi berada diantaranya.
Cpk, Ppk CPU, PPU
Digunakan pada proses yang hanya memiliki USL.
CPL, PPL
Digunakan pada proses yang hanya memiliki LSL.
Short – Term Capability Index Cp = (USL – LSL) 6 sst Cpk = Min(USL – Xbar , LSL – Xbar) 3 sst CPU = (USL – Xbar) 3 sst CPL = (Xbar – LSL) 3 sst Zst = 3.(Cp, Cpk, CPU, CPL) Zbench (ST) = ISL – XbarI sst
Long – Term Capability Index Pp = (USL – LSL) 6 slt Ppk = Min(USL – Xbar , LSL – Xbar) 3 slt PPU = (USL – Xbar) 3 slt PPL = (Xbar – LSL) 3 slt Zlt = 3.(Pp, Ppk, PPU, PPL) Zbench (LT) = I SL – XbarI slt
Rumus untuk Short Term maupun Long Term k = 2.(µ - Target) (USL – LSL) Zshift = Zst – Zlt
Zbench = Zscore(PUSL+PLSL) Ppk = (1 – k).Cp
Langkah-langkah yang harus dilakukan untuk melakukan menganalisis kapabilitas Proses dengan menggunakan Minitab, adalah sebagai berikut:
40
1. Pilih Stat>Quality Tools>Capability Analysis (Normal), lalu akan keluar dialog box seperti pada gambar 2.18
Gambar 2.18 Dialog Box: Capability Analysis (Normal) 1. Pilih Sample yang ada di kolom kiri ke single column lalu subgroup ke kolom subgroup size. 2. Isi kolom Lower dan Upper spec sesuai dengan yang telah ditetapkan. 3. Tekan OK, dan tampilan outputnya pun akan keluar seperti pada gambar 2.19 dibawah. Process Capability Analysis for Sample USL
Process Data USL Target
602.000 *
Within
*
Overall
LSL Mean
599.548
Sample N 100 StD ev (Within) 0.576429 StD ev (Ov erall) 0.620865
Potential (Within) Capability Cp
*
CPU CPL
1.42 *
Cpk
1.42
Cpm
*
Ov erall Capability
598
599
Observ ed Perf ormance
Pp PPU
* 1.32
PPL
*
Ppk
1.32
Zlt = 3.PPU = 3,96
600
601
602
Exp. "Within" Perf ormance
Exp. "Ov erall" Perf ormance
PPM < LSL PPM > U SL
* 0.00
PPM < LSL PPM > USL
* 10.51
PPM < LSL PPM > USL
* 39.19
PPM Total
0.00
PPM Total
10.51
PPM Total
39.19
Zst = 3.CPU = 4,26
ppm
Gambar 2.19 Output Graph Window: Capability Analysis (Normal) 4. Block Diagram
41
Setelah proses perhitungan selesai dan nilai yang dibutuhkan untuk memetakan ke 4 Block Diagram telah ditemukan maka langkah berikutnya adalah memetakannya ke dalam 4 Block Diagram agar dapat diketahui status/kondisi dari proses kita. Apakah yang bermasalah adalah kontrolnya, teknologinya, keduaduanya, ataukah tidak ada masalah kedua-duanya. Sehingga dengan begitu dapat memudahkkan kita dalam mengambil keputusan untuk memperbaikinya. Apabila proses tersebut ternyata sudah cukup baik maka untuk apa kita perbaiki lagi karena akan mengeluarkan biaya untuk memperbaiki sesuatu yang sudah baik. Dan ini tidak akan memberikan kita manfaat yang banyak. Pada 4 Block Diagram ini dibagi atas empat daerah yang dari kesemuanya daerah “D”-lah yang menjadi target kita untuk memperbaiki proses. Dimana pada daerah tersebut menunjukkan bahwa kontrol terhadap proses kita sudah bagus dan teknologi yang diterapkan pada proses sudah cukup tinggi.
Poor
2.5 Zshift
2.0 1.5 1.0
Good 0.5 Poor
1
2
A
B
C
D 3
4
5
Zst
A : Poor Control & Poor Technology B : Poor Control & Good Technology C : Good Control & Poor Technology D : Good Control & Good Technology
Gambar 2.20 4 Block Diagram
6
Good
42
2.3.5 Diagram Sebab-Akibat (Fishbone Diagram) Kaoru
Ishikawa,
seorang
pakar
kualitas
berkebangsaan
Jepang,
menyatakan bahwa tanda pertama dari masalah adalah gejala (symptoms), bukan penyebab (causes). Karena itu perlu dipahami apa yang disebut sebagai: gejala (symptoms), penyebab (causes), dan akar penyebab (root causes). Untuk lebih jelasnya dapat dilihat pada contoh yang ada pada tabel 2.6 di bawah ini. Tabel 2.6 Contoh Gejala, Penyebab, dan Akar Penyebab Tingkat
Observasi
Tindakan
Hasil (outcome)
Gejala
Mobil tidak hidup (mogok) Aki tidak berfungsi Perawatan preventif tidak dilakukan secara tepat
Memanggil kendaraan derek Mengganti aki mobil Implementasi perawatan mobil sesuai saran pabrik
Mengeluarkan biaya sebesar Rp. 200.000 Tiba terlambat di tempat tujuan Mobil tidak pernah mogok (masalah) hilang)
Penyebab Akar Penyebab
Diagram sebab-akibat adalah suatu diagram yang menunjukkan hubungan antara sebab dan akibat. Berkaitan dengan pengendalian proses statistikal, diagram sebab akibat dipergunakan untuk menunjukkan faktor-faktor penyebab (sebab) dan karakteristik kualitas (akibat) yang disebabkan oleh faktor-faktor penyebab itu. Diagram sebab-akibat sering juga disebut sebagai diagram tulang ikan / fishbone diagram karena bentuknya seperti kerangka ikan, atau diagram Ishikawa / Ishikawa’s diagram. Pada dasarnya diagram sebab-akibat dapat dipergunakan untuk kebutuhankebutuhan berikut: 1. Membantu mengidentifikasi akar penyebab dari suatu masalah. 2. Membantu membangkitkan ide-ide untuk solusi suatu masalah. 3. Membantu dalam penyelidikan atau pencarian fakta lebih lanjut. Langkah-langkah
dalam
pembuatan
diagram
sebab-akibat
dapat
dikemukakan sebagai berikut: 1. Mulai dengan pernyataan masalah-masalah utama yang penting dan mendesak untuk diselesaikan.
43
2. Tuliskan pernyataan masalah itu pada kepala ikan, yang merupakan akibat (effect). Tuliskan pada sisi sebelah kanan dari kertas (kepala ikan), kemudian gambarkan tulang belakang dari kiri ke kanan dan tempatkan pernyataan masalah itu dalam kotak. 3. Tuliskan faktor-faktor penyebab utama (sebab-sebab) yang mempengaruhi masalah kualitas sebagai tulang besar, juga ditempatkan dalam kotak. Faktorfaktor penyebab atau kategori-kategori utama dapat dikembangkan melalui: stratifikasi ke dalam pengelompokan dari faktor-faktor: manusia, mesin, peralatan, material, metode kerja, lingkungan kerja, dll, atau stratifikasi melalui langkah-langkah aktual dalam proses. Faktor-faktor penyebab atau kategori-kategori dapat dikembangkan melalui brainstorming. 4. Tuliskan penyebab-penyebab sekunder yang mempengaruhi penyebabpenyebab utama (tulang-tulang besar), serta penyebab-penyebab sekunder itu dinyatakan sebagai tulang-tulang berukuran sedang. 5. Tuliskan penyebab-penyebab tersier yang mempengaruhi penyebab-penyebab sekunder (tulang-tulang berukuran sedang), serta penyebab-penyebab tersier itu dinyatakan sebagai tulang-tulang berukuran kecil. 6. Tentukan item-item yang penting dari setiap faktor dan tandailah faktor-faktor penting tertentu yang kelihatannya memiliki pengaruh nyata terhadap karakteristik kualitas. 7. Catatlah informasi yang perlu di dalam diagram sebab-akibat itu, seperti: judul, nama produk, proses, kelompok, daftar partisipan, tanggal, dll. 8.
Gambar 2.21 Diagram Sebab-Akibat
44
2.3.6 Pengujian Hipotesis Merupakan pedoman yang langsung menunjukkan beberapa faktor vital yang paling mempengaruhi proses. Untuk dapat diuji, suatu hipotesis haruslah dinyatakan secara kuantitatif (dalam bentuk angka). Contoh, pendapat yang menyatakan persediaan beras cukup, sukar diuji kebenarannya, sebab apa yang dikatakan cukup itu tidak jelas. Hipotesis statistik (statistical hypothesis) ialah suatu pernyataan tentang bentuk fungsi suatu variabel (apakah Binomial, apakah Poisson, apakah Normal, dan lain sebagainya) atau tentang nilai sebenarnya suatu parameter (µ = rata-rata, P = proporsi/persentase, σ = simpangan baku, dan lain sebagainya). Jadi suatu pengujian hipotesis statistik ialah prosedur yang memungkinkan keputusan dapat dibuat, yaitu keputusan untuk menolak atau tidak menolak hipotesis yang sedang dipersoalkan/diuji. Untuk menguji hipotesis, digunakan data yang dikumpulkan dari sampel, sehingga merupakan data perkiraan (estimate). Itulah sebabnya, keputusan yang dibuat di dalam menolak/tidak menolak hipotesis mengandung ketidakpastian (uncertainly), maksudnya keputusan bisa benar dan bisa juga salah. Adanya unsur ketidakpastian menyebabkan resiko bagi pembuatan keputusan. Besar kecilnya resiko dinyatakan dalam nilai probabilitas. Pengujian hipotesis erat kaitannya dengan pembuatan keputusan. Langkah-langkah Uji Hipotesis dengan menggunakan Minitab: 1. Buat Hipotesis a. Untuk menterjemahkan pernyataan seseorang atau sesuatu hal menjadi formula numerik b. Hipotesis 1) Hipotesis Nol (Null Hypothesis) (H0) : Jenis pernyataan ‘sama dengan’ (=) 2) Hipotesis Alternatif (Alternative Hypothesis) (H1) : Pernyataan ketidaksamaan (>,<,≠) 2. Mengumpulkan Data Uji Hipotesis adalah bagian dari Statistical Inference. Data diperlukan untuk kegiatan ini.
45
3. Input data ke dalam Minitab Worksheet Input data dan pilih metode pengujian yang cocok untuk kondisi yang ada. 4. Perhatikan nilai p-value Perhatikan p-value yang ditunjukkan pada Minitab session dan bandingkan dengan nilai α (tingkat signifikansi). a. Jika p-value LEBIH BESAR dari α, maka kita MENERIMA H0. b. Jika p-value LEBIH KECIL dari α, maka kita MENOLAK H0
2.3.7 Uji Normalitas (Normality Test) Tes kenormalan menghasilkan plot peluang normal dan melakukan uji hipotesis untuk menentukan apakah sampel yang diobservasi terdistribusi normal atau tidak? Untuk uji kenormalan data, hipotesisnya adalah\ : Ho : Data terdistribusi normal Ha : Data tidak terdistribusi normal Tolak H0, jika p-value hasil pengujian lebih kecil daripada tingkat α. Terdapat tiga metode yang digunakan oleh Minitab untuk menguji kenormalan data, yaitu: 1. Anderson-Darling Test, dimana pengujiannya berdasarkan ECDF (Empirical Cumulative Distribution Function). 2. Ryan-Joiner Test (sama dengan Shapiro-Wilk Test), dimana pengujian berdasarkan korelasi. 3. Kolmogorov-Smirnov Test, dimana pengujian berdasarkan ECDF. Anderson-Darling dan Ryan-Joiner Test memiliki kekuatan untuk mendeteksi ketidak-normalan. Sedangkan Kolmogorov-Smirnov Test paling lemah diantara ketiga metode tersebut. Adapun Langkah-langkah yang harus dilakukan untuk melakukan uji kenormalan dengan menggunakan Minitab, adalah sebagai berikut:
46
1. Pilih Stat>Basic Statistics>Normality Test, lalu akan keluar dialog box seperti pada gambar 2.22.
Gambar 2.22 Dialog Box: Normality Test 2. Masukkan data ke kolom variable, dan pilih metode yang akan digunakan untuk menguji kenormalan data. Kalau sudah, pilih tombol OK dan akan muncul graph windows seperti pada gambar 2.23.
3.
Normal Probability Plot
.999 .99
Probability
.95 .80 .50 .20 .05 .01 .001 64.0
64.5
65.0
Diameter Average: 64.6167 StDev: 0.503653 N: 6
Anderson-Darli ng Normality T est A-Squared: 0.206 P-Value: 0.761
Gambar 2.23 Output Graph Window: Normality Test
2.3.6.1
Uji Kesamaan Varians (Test for equal variances) Pengujian ini dapat digunakan untuk melakukan pengujian hipotesis
terhadap kesamaan, atau kehomogenan varians yang ada pada dua populasi
47
melalui F-test dan Levene’s test. Banyak prosedur statistik, termasuk prosedure 2sampel t yang butuh untuk mengasumsikan bahwa 2 sampel yang akan diuji tersebut memiliki varians yang sama. Prosedure uji varians akan menguji keabsahan dari asumsi tersebut. F-test versus Levene’s test Minitab menghitung dan menampilkan hasil dari uji statistik (test statistic) dan p-value untuk F-test dan Levene’s test dimana hipotesis nol nya adalah varians kedua sampel sama sedangkan alternatifnya adalah bahwa varians dari kedua sampel tidak sama. Gunakan F-test pada saat datanya terdistribusi normal dan Levene’s test pada saat datanya kontinu dan tidak perlu terdistribusi normal. Adapun langkah-langkah untuk melakukan Uji Kesamaan Varians (Test for equal variances), adalah sebagai berikut: 1. Menentukan H0 H0: σ12 = σ22 2. Menentukan H1 H1: σ12 < σ22 H1: σ12 > σ22 H1: σ12 \ σ22 3. Tentukan α 4. Wilayah Kritik : F < F1-α (v 1, v 2) bila alternatifnya H1: σ12 < σ22 F > Fα (v 1, v 2) bila alternatifnya H1: σ12 > σ22 F < F1-α/2 (v 1, v 2) atau F > Fα/2 (v 1, v 2) bila alternatifnya H1: σ12 \ σ22 5. Perhitungan : F = s 12 s22
v=n-1 6. Kesimpulan : Tolak H0 bila nilai F tersebut jatuh dalam wilayah kritiknya, sedangkan bila nilai F itu jatuh diluar wilayah kritiknya terimalah H0.
48
Langkah-langkah yang harus dilakukan untuk melakukan uji kesamaan ragam (test for equal variance) dengan menggunakan Minitab, adalah sebagai berikut: 1. Pilih Stat>ANOVA>Test for equal variance, lalu akan keluar dialog box seperti pada gambar 2.24.
Gambar 2.24 Dialog Box: Test for equal variance 2. Masukkan data yang ingin diuji pada kolom response dan jenis sampel pada kolom factors. Kemudian isi kolom confidence level lalu tekan tombol OK. Dan hasil dari analisisnya dapat dilihat pada graph window, seperti yang terlihat pada gambar 2.25. Test for Equal Variances for Weight 95% Confidence Intervals for Sigmas
Factor Levels
1 2 0.0
0.5
1.0
1.5
F-Test Test Statistic: 5.555 P-Value : 0.083
Levene's Test Test Statistic: 3.182 P-Value : 0.105 Boxplots of Raw Data
1
2
64.0
64.5
65.0
Weight
Gambar 2.25 Output Graph Window: Test for equal variance
49
2.3.6.2
Uji – T untuk dua sampel (Two Sample T-Test) Pengujian ini bertujuan untuk mengetahui bahwa diantara dua sampel
mempunyai perbedaan atau untuk mengetahui apakah suatu faktor mempunyai pengaruh terhadap perubahan hasil (masalah). Gunakan 2-sampel t untuk melakukan tes hipotesis dan menghitung CI (confidence interval) dari perbedaan rata-rata dua populasi pada saat standard deviasi populasinya tidak diketahui. Adapun langkah-langkah untuk melakukan pengujian hipotesis 2-sampel t dengan σ1=σ2 dan tidak diketahui, adalah sebagai berikut: 1. Menentukan H0 H0: µ1 - µ2 =
δ0
2. Menentukan H1 H1: Hipotesis Alternatifnya salah satu diantara ( µ1 - µ2 < δ0 ), ( µ1 - µ2 > δ0 ), ( µ1 - µ2 ≠ δ0 ) 3. Tentukan α 4. Wilayah Kritik : t < -tα bila alternatifnya µ1 - µ2 < δ0 t > tα bila alternatifnya µ1 - µ2 > δ0 t < -tα/2 atau t > tα/2 bila alternatifnya µ1 - µ2 ≠ δ0 5. Perhitungan : df = (n1 + n2 – 2) (x1bar – x2 bar) + tα/2s t = ((x1bar - x2 bar) - δ0)/s s = sp{(1/n1) + (1/n2)}1/2 sp = ((n1 – 1)s12 + (n2 – 1)s22)/(n1 + n2 – 2)1/2 6. Kesimpulan : Tolak H0 bila nilai t tersebut jatuh dalam wilayah kritiknya, sedangkan bila nilai t itu jatuh diluar wilayah kritiknya terimalah H0.
50
Langkah-langkah untuk uji 2-sampel t di Minitab, adalah sebagai berikut: 1. Pilih pada tool bar Minitab Stat>Basic Statistics>2-Sample t..., lalu akan muncul dialog box seperti pada gambar 2.26.
Gambar 2.26 Dialog Box: 2-Sample t
2. Pilih Samples in different columns jika data sampelnya berada pada kolom yang berbeda, lalu masukkan data masing-masing sampel pada kotak First dan Second. 3. Pilih Alternatif dari pengujian tersebut dan masukkan confidence levelnya. 4. Pilih Assume equal variances jika variasi kedua sampel dianggap sama. 5. Tekan OK, maka akan keluar tampilan session windows seperti gambar 2.30. Two-Sample T-Test and CI: A . Weight, B . Weight Two-sample T for A . Weight vs B . Weight N
Mean
StDev SE Mean
A . Weig 6 64.617
0.504
0.21
B . Weig 6 64.317
0.214
0.087
Difference = mu A . Weight - mu B . Weight Estimate for difference: 0.300 95% CI for difference: (-0.198, 0.798) T-Test of difference = 0 (vs not =): T-Value = 1.34 P-Value = 0.209 DF = 10 Both use Pooled StDev = 0.387
Gambar 2.27 Output session window: 2-Sample t
BAB III METODELOGI
3.1
Langkah-langkah Penelitian Disini akan dijelaskan langkah-langkah yang digunakan dalam penelitian,
dari penelitian pendahuluan hingga pengambilan kesimpulan. Adapun langkahlangkah penelitian tersebut, diuraikan di bawah.
3.1.1 Penelitian Pendahuluan Penelitian pendahuluan dilakukan dengan tujuan untuk mengenal kondisi perusahaan agar dapat dijadikan sebagai kerangka dasar pemikiran pada tahaptahap selanjutnya. Tahap ini juga berguna untuk mengetahui permasalahanpermasalahan yang dihadapi oleh perusahaan dan untuk mendapatkan informasiinformasi yang dapat digunakan di dalam tahap-tahap penelitian selanjutnya.
3.1.2 Identifikasi Masalah Berdasarkan penelitian pendahuluan dapat diketahui bahwa permasalahan yang sedang dihadapi oleh PT. LGEIN adalah bagaimana cara untuk dapat meminimalkan jumlah scrap, baik itu dari proses produksi maupun dari handling material. Metode yang akan dijadikan sebagai alat pemecahan masalah disini adalah metode Six Sigma yang telah menjadi metode dasar perusahaan untuk melakukan peningkatan terus-menerus sehingga pemecahan masalah dapat sesuai dengan sistem yang ada di perusahaan tersebut.
51
52
3.1.3 Studi Pustaka Studi pustaka dilakukan untuk mencari teori-teori yang berhubungan dengan Six Sigma, artikel-artikel di internet, maupun referensi lainnya yang kemungkinan dapat digunakan sehingga dapat mempermudah dalam melakukan pengolahan data dan analisa.
3.1.4 Tahap Pengumpulan dan Pengolahan Data Tahap ini merupakan tahapan pengumpulan dan pengolahan data-data yang diperlukan dalam penelitian.Kegiatan yang dilakukan pada tahap ini adalah: 1. Mengidentifikasikan kebutuhan data, yang meliputi data tentang sifat material, spesifikasi alat dan proses kerja. 2. Melakukan pengamatan langsung dalam proses pemompaan serta melakukan wawancara dengan operator tentang teknis mesin dan proses pemompaan. 3. Melakukan pengambilan sampling data jumlah scrap material 4. Melakukan kegiatan Gage R & R , setelah memperoleh data-data yang diperlukan maka dilakukan analisa pengukuran Gage R & R dengan menggunakan software Minitab R14. 5. Melakukan penghitungan nilai PPM, Nilai sigma (Sigma level), dan kapabilitas proses pada kondisi yang ada sekarang. Kuantitas scrap yang diijinkan oleh perusahaan adalah kurang dari 800 gr (4000 ppm) tiap drum.
53
6.
Melakukan analisa kemungkinan penyebab banyaknya jumlah scrap material yang tersisa, dengan menggunakan Logic Tree Diagram, dengan berbagai masukan dari operator.
7. Menentukan beberapa faktor dominan penyebab masih banyaknya scrap yang terisisa dengan uji hipotesis.
54
3.1.5
Tahap Penutup Memberikan kesimpulan dan saran terhadap hasil penelitian secara keseluruhan.
Berikut layout metode penelitian dalam penyusunan tugas akhir ini :
“Analisis Faktor Untuk Menurunkan Jumlah Scrap“
Pokok Permasalahan
Tahap Define
Studi Literatur
Identifikasi permasalahan sisa jumlah scrap
Ambil sampling data jumlah scrap polyol & MDI Tidak Data cukup? Ya
Tahap Measurement
Pengukuran Gage R & R
Gage R&R Diterima?
Ya Uji data dengan pehitungan nilai sigma untuk mengetahui kemampuan proses
1
Tidak
55
1
Menganalisa faktor-faktor penyebab scrap dengan logic tree diagram serta uji hipotesis
Tahap Analyze Simpan hasil analisa
Kesimpulan dan Saran
Selesai
Gambar 3.1 Skema Metodologi Penelitian
BAB IV ANALISIS DATA HASIL PENGUKURAN 4.1.
Kapasitas Produksi Tercatat dalam tahun 2006, perusahaan telah memproduksi sebanyak 1,3
juta kulkas, dan telah menggunakan polyol dan MDI masing-masing sebanyak 3000 Ton dan 4000 Ton material.
Untuk tahun 2007, rencana produksi
perusahaan sebesar 1,7 Juta kulkas. 4.2.
Diagram alir dan penggunaan Berikut ini, aliran proses kedua material (polyol & MDI) dari bahan
mentah menjadi bahan jadi dalam bentuk polyurethane:
Polyol Storage Tank
C/Pentane Storage Tank
MDI Storage Tank
Mixing Machine
Polyol Mixed Tank
Polyol Working Tank
MDI WorkingTank
Polyurethane Injection Machine
56
57
4.3.
Data Penelitian Data yang akan digunakan pada penelitian ini adalah data jumlah scrap
polyol dan MDI dalam drum yang tidak bisa terpompakan. Selama tahun 2006 , jumlah scrap ditunjukkan pada tabel dibawah ini.: Tabel 4.1 Data Scrap Polyol dan MDI (bagian limbah) No
Nama Material
Jumlah scrap (kg)
1 Polyol
11682
2 MDI
5760
4.3.1. Sifat Material Polyol dan MDI merupakan bahan kimia, yang mempunyai sifat bahan berikut ini : Tabel 4.2 Data Scrap Polyol dan MDI No
Sifat Fisis
Polyol
MDI
Keterangan
1 Density (gr/cm3)
1.09
1.24
Suhu 25 OC
2 Viscosity (mPa.s)
3500-5500
200-300
4.3.2. Spesifikasi pompa Pompa yang digunakan pada proses pemompaan mempunyai spesifikasi berikut :
58
Tabel 4.3 Spesifikasi pompa polyol & MDI No
Pompa
1
Polyol
2
MDI
Kapasitas (m3/h) 0 - 340
0 - 340
Kekentalan Tekanan (cSt)
Gambar
(Bar)
1 - 440,000
0 -14
1 - 440,000
0 -14
4.3.3 Proses Penyiapan Material Dalam proses penyiapan material untuk keperluan produksi, material yang tersimpan dalam drum, diangkut dengan menggunakan forklift dari gudang penyimpanan ke area tempat penyimpanan sementara yang selanjutnya dipompakan ke dalam storage tank, seperti yang ditunjukkan dalam gambar berikut:
Storage tank
Fork Lift
Gambar 4.1 Penyiapan Material Saat ini, proses pemompaan kedua material seperti ditunjukkan dalam gambar berikut ini :
59
Awal pemompaan, posisi drum tegak
Posisi drum dimiringkan untuk menghisap material semaksimal mungkin
Pipa selang diangkat dan ditahan terlebih dahulu agar tidak tercecer
Gambar 4.2 Proses Pemompaan Material
4.4.
Pengukuran Scrap Material
4.4.1. Pengertian Scrap Pengertian scrap yang dimaksud dalam penelitian ini diperlihatkan pada Gambar 4.3
Scrap MDI
Scrap Polyol
Gambar 4.3 Scrap Polyol & MDI
Scrap yang dimaksud adalah masih terdapatnya material yang tersisa dalam drum, dimana material ini tidak bisa terambil lagi melalui proses pemompaan. 4.4.2 Batasan Jumlah Scrap Batasan jumlah scrap yang diijinkan oleh manajemen perusahaan adalah kurang dari 800 gr. Hal ini didasarkan atas kemampuan penghisapan dari pompa,
60
masih tersisanya material yg menempel pada lapisan dalam drum dan juga toleransi proses pemompaan yang dibatasi oleh waktu.
Qty (gr)
1000
800
500
950
830 Polyol
Batas
MDI
Aktual
Gambar 4.4 Batasan Scrap
4.4.3 Gage R & R Analisa Gage R & R adalah untuk menguji keakuratan alat ukur maupun ketepatan operator dalam melakukan proses pengukuran. Apabila hasil pengukuran menghasilkan variasi R&R yang besar maka cara pengukuran harus diperbaiki atau diulang, oleh sebab itu Gage R&R Study harus dilakukan dengan cermat dan hati-hati. Dalam melakukan Gage R&R ini peneliti menggunakan alat ukur digital balance dengan bantuan jasa 2 orang pengukur dimana ke dua orang pengukur tersebut melakukan pengukuran sebanyak 10 kali.
Drum dibalik untuk mengeluarkan material scrap
Material ditempatkan diwadah untuk ditimbang
Penimbangan scrap material
Gambar 4.5 Pengukuran Scrap Material
61
Data pengukuran yang ditunjukkan pada tabel 4.4 berikut : Tabel 4.4 Data hasil pengukuran scrap polyol & MDI Polyol Take 1 2 3 4 5 6 7 8 9 10
Dedi #1 #2 856 856 815 814 815 815 842 842 799 799 781 780 759 759 843 843 843 842 815 815
MDI Bambang #1 #2 857 857 816 815 815 815 843 842 801 800 783 783 759 759 843 843 843 842 814 814
Take 1 2 3 4 5 6 7 8 9 10
Dedi #1 #2 826 826 845 845 813 815 759 760 795 795 755 755 814 815 836 836 815 815 792 792
Bambang #1 #2 825 826 845 845 812 812 760 760 795 796 755 755 814 815 836 836 815 815 793 794
Dengan menggunakan bantuan software minitab, penulis mengolah data-data pengukuran gage R&R
pada Tabel 4. 6.Berikut ini adalah langkah-langkah
menggunakan software Minitab untuk pengolahan data pengukuran gage R&R : 1.Masukkan data di atas ke dalam worksheet 2.Pilih Menu Stat, lalu pilih submenu Quality Tools, kemudian pilih Gage R&R Study. 3.Pada kolom Part numbers masukkan kolom part ,lalu pada kolom operators masukkan operator, dan pada kolom measurement data masukkan data 4.Lalu pilih Anova pada kolom Method of Analysis. 5.Lalu pilih menu Options, pada kolom Study variation isi dengan angka 5.15 (satuan baku) 6.Lalu pilih menu OK. Dari hasil perhitungan gage R&R didapatkan hasil seperti Gambar 4-6 & 4-7 berikut :
62
Gage R&R ( POLYOL) %Contribution (of VarComp) 0.07 0.02 0.05 0.01 0.04 99.93 100.00
Source Total Gage R&R Repeatability Reproducibility Operator Operator*Part - Polyo Part-To-Part Total Variation
VarComp 0.675 0.175 0.500 0.103 0.397 937.800 938.475
Source Total Gage R&R Repeatability Reproducibility Operator Operator*Part - Polyo Part-To-Part Total Variation
StdDev (SD) 0.8216 0.4183 0.7071 0.3206 0.6303 30.6235 30.6345
Study Var (6 * SD) 4.930 2.510 4.243 1.924 3.782 183.741 183.807
%Study Var (%SV) 2.68 1.37 2.31 1.05 2.06 99.96 100.00
%Tolerance (SV/Toler) 0.62 0.31 0.53 0.24 0.47 22.97 22.98
Number of Distinct Categories = 52
Gambar 4.6 Hasil Gage R&R (polyol) Gage R&R (MDI)
%Contribution (of VarComp) 0.06 0.03 0.03 0.00 0.03 99.94 100.00
Source Total Gage R&R Repeatability Reproducibility Operator_1 Operator_1*Part - MDI Part-To-Part Total Variation
VarComp 0.514 0.250 0.264 0.000 0.264 892.928 893.442
Source Total Gage R&R Repeatability Reproducibility Operator_1 Operator_1*Part - MDI Part-To-Part Total Variation
StdDev (SD) 0.7169 0.5000 0.5137 0.0000 0.5137 29.8819 29.8905
Study Var (6 * SD) 4.301 3.000 3.082 0.000 3.082 179.291 179.343
%Study Var (%SV) 2.40 1.67 1.72 0.00 1.72 99.97 100.00
Number of Distinct Categories = 58
Gambar 4.7 Hasil Gage R&R (MDI)
%Tolerance (SV/Toler) 0.54 0.38 0.39 0.00 0.39 22.41 22.42
63
Sesuai dengan kriteria penerimaan Gage R&R , yaitu: Tabel 4.5 Hasil analisa gage R&R pengukuran scrap Syarat Penerimaan
Faktor
% Contribution
< 1%
% Study Variation
< 10%
Number of Distinct Categories
> 10
Part Polyol
MDI
0.07% (diterima) 2.68% (diterima) 52 (diterima)
0.06% (diterima) 2.40% (diterima) 58 (diterima)
maka secara keseluruhan hasil pengukuran gage R&R diatas hasilnya adalah diterima 4.4.4. Menghitung Kemampuan Proses Penghitungan kemampuan proses dimaksudkan untuk mengetahui nilai variasi dari hasil proses yang telah dilakukan dibandingkan dengan standar yang diharapkan, dalam hal ini proses pemompaan material polyol dan MDI Dari sejumlah pemompaan material yang dilakukan, diambil masingmasing sejumlah 30 sample drum polyol dan MDI, untuk diukur jumlah scrap yang ada. Hasilnya dapat dilihat pada Tabel 4.6 & 4.7 berikut : Tabel 4.6 Data Scrap Polyol 8 – 10 Januari 2007 Sample (8 Jan’07)
Scrap (gr)
Sample (9 Jan’07)
Scrap (gr)
Sample (10 Jan’07)
Scrap (gr)
1 2 3 4 5 6 7 8 9 10
856 815 815 842 800 782 759 842 843 815
11 12 13 14 15 16 17 18 19 20
866 820 836 815 825 831 860 821 800 792
21 22 23 24 25 26 27 28 29 30
836 872 845 830 871 847 835 822 816 847
64
Tabel 4.7 Data Scrap MDI 11 - 13 Januari 2007 Sample (11 Jan’07)
Scrap (gr)
Sample (12 Jan’07)
Scrap (gr)
Sample (13 Jan’07)
Scrap (gr)
1 2 3 4 5 6 7 8 9 10
825 846 813 760 795 755 814 835 816 792
11 12 13 14 15 16 17 18 19 20
781 755 863 806 832 892 864 852 871 846
21 22 23 24 25 26 27 28 29 30
892 867 828 843 877 839 845 817 865 876
Sebelum melakukan perhitungan kemampuan proses, penulis membuat grafik dari data (Tabel 4.6 & 4.7), untuk mengetahui apakah hasil proses pemompaan saat ini menyimpang atau tidak.
Grafik Scrap Polyol dibandingkan dengan Target 900 880 860 840
Berat Scrap 820
Polyol Target
800 780 760 740 720 700 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
Sample
Gambar 4.8 Grafik scrap polyol dibandingkan dengan target
65
Grafik Scrap MDI dibandingkan dengan Target 950
Berat Scrap
900
850
MDI Target
800
750
700
650 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
Sample
Gambar 4.9 Grafik scrap MDI dibandingkan dengan target
Dari grafik menunjukan bahwa proses pemompaan material saat ini terdapat penyimpangan (tidak terkendali) dari spesifikasi yang sudah di tentukan yaitu target ≤ 800 gram. Untuk mengetahui sejauh mana kemampuan proses (process capabilty) proses pemompaan saat ini, dilakukan perhitungan nilai Z (Zbench) long term dan short term. Dengan menggunakan bantuan software minitab, penulis mengolah data-data pengukuran capability process pada Tabel 4.9 & 4.10 Berikut ini adalah langkah-langkah menggunakan software Minitab untuk pengolahan data pengukuran capabilty process 1. Masukkan data di atas ke dalam worksheet 2. Pilih Menu Stat, lalu pilih submenu Quality Tools, capability analysis. kemudian pilih normal
66
3. Pada kolom single column masukkan data, lalu pada kolom subgroup size masukkan operator. 4. Lalu pilih Benchmark Z’s (sigma level) pada kolom Options. 5. Kemudian pada kolom Upper spec isi dengan angka 800 6. Lalu pilih menu OK, untuk mengetahui nilai Zbench LT (Long Term) 7. Hasilnya terlihat pada kolom overall capability, tertera Zbench (LT) = -0.57 8. Kemudian ulangi tahapan 2 sampai dengan 5 9. Lalu untuk mengetahui Zbench ST (Short Term), isi angka yang menjadi target, yaitu 760 ke dalam kolom Historical mean 10. Kemudian masukkan angka yang terlihat pada kolom Process Data bagian StDev(within) yaitu 29,62183 ke dalam kolom Historical standard deviation, lalu klik OK. 11. Hasilnya terlihat pada kolom Potential (within) capability, tertera Zbench (ST) = 0.84 Dari hasil perhitungan capability analysis didapatkan hasil seperti Gambar 4-10 & 4-11 berikut Process Capability of Polyol USL Pro cess Dat a LSL * T arge t * USL 80 0.0 000 0 Samp le Mean 81 6.9 250 0 Samp le N 40 St Dev(W it hin) 2 9.6 218 3 St Dev(Overall) 2 9.6 218 3
W it hin Overall Po t ent ial (W it hin) Cap abilit y Z.Be nch -0 .57 Z.LSL * Z.USL -0 .57 Cpk -0 .19 CCpk -0 .19 O verall Capab ilit y Z.Be nch Z.LSL Z.USL Ppk Cpm
760 O bse rved Performanc e PP M < LSL * PP M > USL 7 250 00.0 0 PP M T ot al 7 250 00.0 0
Exp. PP M PP M PP M
780
800
W it hin Pe rformance < LSL * > USL 7 161 25.30 T ot al 7 161 25.30
820
840
860
Exp. O verall P erfo rmance P PM < LSL * P PM > USL 7161 25.30 P PM T ot al 7161 25.30
-0 .57 * -0 .57 -0 .19 *
880
ZBench.LT = - 0.57
Gambar 4.10 Grafik capabilty analysis (Zbench.LT)
67
P ro ces s C ap ab ility o f P o ly o l USL P ro c e ss D at a LS L * T arg e t * USL 8 00 .00 0 0 0 S am p le M e an 7 75 .00 0 0 0 S am p le N 40 S t D e v ( W it h in ) 29 .62 1 8 3 S t D e v ( O ve rall) 29 .62 1 8 3
W it h in O ve rall P o t e n t ial (W it h in ) Cap ab ilit y Z .B e n c h 0 .8 4 Z .L S L * Z .U S L 0 .8 4 Cp k 0 .2 8 C Cp k 0 .2 8 O v e rall Cap ab ilit y Z .B e n c h Z .L S L Z .U S L Ppk Cp m
720 O b se rv e d P e rfo rm an c e P P M < LS L * P P M > U S L 7 2 5 0 0 0 .0 0 P P M T o t al 7 2 5 0 0 0 .0 0
Exp . PPM PPM PPM
740
760
W it h in P e rfo rm an c e < LS L * > U S L 1 9 9 3 4 2 .4 8 T o t al 1 9 9 3 4 2 .4 8
780 Exp. PPM PPM PPM
800
820
840
0 .8 4 * 0 .8 4 0 .2 8 *
860
O v e rall P e rfo rm an c e < LSL * > U S L 1 9 9 3 4 2 .4 6 T o t al 1 9 9 3 4 2 .4 6
ZBench.ST = 0.84
Gambar 4.11 Grafik capabilty analysis (Zbench.ST)
Dari hasil analisa melalui minitab, didapatkan angka : Zbench LT = -0,57 dan Zbench ST = 0,84. Dari kedua angka ini dapat diketahui nilai Zshift = Zbench ST - Zbench. LT = 0,84 – (-0,57) = 1,41 Sehingga ZST
= 0.84 dan
Zshift = 1,41
Nilai ZST dan Zshift dapat direalisasikan dalam 4 – Block Diagram guna mengetahui berada dimana kapabilitas proses pemompaan saat ini :
Poor 2.5
2.0
A
B
C
D
1.5
Zshift (Kontrol)
1.0 0.5
Good
1
2
3
4
5
6
Poor
Good
Zst (Teknologi) Gambar 4.12 4 – Block Diagram Polyol
68
Dari Gambar 4.12 4 – block diagram di atas dapat disimpulkan bahwa dalam proses pemompaan ini masih memiliki teknologi yang buruk tetapi kontrol yang sudah dilakukan cukup baik. Sedangkan untuk proses penghitungan dengan minitab yang sama, didapatkan nilai capability untuk material MDI sebagai berikut : Process Capability of MDI USL Process Dat a LSL * T arge t * USL 800.00000 Sample Mean 832.06667 Sample N 30 St Dev(W it hin) 29.56102 St Dev(Overall) 38.67694
W it hin O verall Pot ent ial (W it hin) Capabilit y Z.Bench -1.08 Z.LSL * Z.USL -1.08 Cpk -0.36 CCpk -0.36 Overall Capabilit y Z.Bench Z.LSL Z.USL Ppk Cpm
760 Observed Pe rformance PPM < LSL * PPM > USL 800000.00 PPM T ot al 800000.00
800
840
Exp. W it hin Performance PPM < LSL * PPM > USL 860986.45 PPM T ot al 860986.45
880
-0.83 * -0.83 -0.28 *
920
Exp. O verall Performance PPM < LSL * PPM > USL 796473.28 PPM T ot al 796473.28
ZBench.LT = - 0.83
Gambar 4.13 Grafik capabilty analysis MDI (Zbench.LT) Process Capability of MDI USL Process Data LSL * Target * USL 800.00000 Sample Mean 760.00000 Sample N 30 StDev(Within) 29.56102 StDev(Overall) 38.67694
Within Overall Potential (Within) Capability Z.Bench 1.35 Z.LSL * Z.USL 1.35 Cpk 0.45 CCpk 0.45 Overall Capability
Z 680 Observed Performance PPM < LSL * PPM > USL 800000.00 PPM Total 800000.00
720
760
Exp. W ithin Performance PPM < LSL * PPM > USL 88006.53 PPM Total 88006.53
800
840
Z.Bench 1.03 Z.LSL * Z.USL 1.03 Ppk 0.34 Bench.ST Cpm *
= 1.35
880
Exp. Overall Performance PPM < LSL * PPM > USL 150519.47 PPM Total 150519.47
Gambar 4.14 Grafik capabilty analysis MDI (Zbench.ST)
69
Perhitungan Zshift Zbench LT = -0,83 dan Zbench ST = 1,35. Dari kedua angka ini dapat diketahui nilai Zshift = Zbench ST - Zbench. LT = 1,35 – (-0,83) = 2,18 = 1.35 dan
Sehingga ZST
Zshift = 2,18
Nilai ZST dan Zshift dapat direalisasikan dalam 4 – Block Diagram guna mengetahui berada dimana kapabilitas proses pemompaan saat ini :
Poor 2.5 2.0
Zshift (Kontrol)
A
B
C
D
1.5 1.0 0.5
Good
1
2
3
4
5
6
Poor
Good
Zst (Teknologi) Gambar 4.15 4 – Block Diagram MDI
Dari Gambar 4.15 4 – block diagram di atas dapat disimpulkan bahwa dalam proses pemompaan ini masih memiliki teknologi dan klontrol proses yang buruk. 4.4.5. Pengumpulan Faktor Penyebab Terjadinya Scrap Material
70
Dalam usaha untuk mengumpulkan data yang menjadi penyebab adanya scrap material, maka dilakukan pengamatan secara langsung proses pemompaan
Pendapat Faktor Man Method
Orang 1 Kelelahan Proses penyedotan polyol terbatas oleh waktu Kapasitas pompa kurang besar
Orang 2 Capek
Kecapean & kurang teliti
Kurang lama proses penyedotannya
Penyedotan polyol butuh waktu lama
Setting v-belt sudah longgar Polyol kental dibanding Material Material (polyol) kental MDI Faktor cuaca panas & Jika cuaca dingin, hujan sangat proses penyedotan Environment berpengaruh thd polyol lama material Machine
Orang 3
Penyedotan pompa sudah lemah Material (polyol) terlalu kental Cuaca panas dan dingin mempengaruhi material
serta melakukan kegiatan tanya jawab dengan pihak-pihak yang berkaitan dengan proses pemompaan tersebut. Metode yang digunakan adalah metode Brain Storming. Brain storming yaitu pengumpulan data dari banyak orang yang berkompeten yang berkaitan dengan suatu proses. Brain storming dilakukan di area pengamatan proses dengan membagikan selembar kertas yang berisi tentang pertanyaan kepada 3 orang peserta. Kepada peserta diminta menuliskan pendapat mereka mengenai faktor-faktor (4M1E) penyebab masih tersisanya material di dalam drum saat sesudah dilakukan proses pemompaan. Semua pendapat ini harus diterima dan dicatat, dan sebaiknya pendapat masing- masing peserta ini tidak diketahui oleh peserta lain. Hasil brain storming ini disajikan pada Tabel 4.8 Tabel 4.8 Hasil Brain Storming
71
4.4.6 Logic Tree Diagram Dari pendapat-pendapat yang dituangkan di atas, penulis mendapatkan beberapa potensial faktor dari penyebab scrap material. Data tersebut kemudian di transformasikan kedalam logic tree agar mudah untuk di klasifikasikan dan ditelusuri pokok pangkal masalahnya yang nantinya akan diuji kebenarannya dengan uji hipotesis. Hasil dapat diperiksa pada Gambar 4.16 berikut ini.
Material Scrap
Man
Daya tahan tubuh
Material
Kekentalan
Method
Waktu Penyedotan
Machine
Pompa
Environment
Suhu Lingkungan
Gambar 4.16 Logic tree dari brain storming
Dari logic tree pada Gambar 4.16 tersebut kemudian di diskusikan kembali oleh forum, dibahas bersama operatar dan pihak maintenance, kira-kira faktor manakah yang paling berpengaruh terhadap scrap material. Faktor paling berpengaruh ini dinamakan “Potential Factor”.
72
Berdasarkan hasil diskusi disimpulkan Potential Factor dari scrap material adalah rentang waktu pemompaan dan kekuatan pompa. Faktor waktu pemompaan yang dimaksud disini adalah rentang waktu proses pemompaan yang dibutuhkan untuk meminimalkan sisa material di dalam drum, sedangkan faktor kekuatan hisap pompa adalah daya hisap pompa yang dibutuhkan untuk menghisap material (polyol dan MDI) secara maksimal. Pada Gambar 4.16 tersebut potensial faktor ditandai dengan tanda “
”
4.5 Analisa (uji hipotesis) Potential Factor Dalam uji hipotesis, selalu ada dua macam hipotesis yang akan diuji, yakni hipotesis Ho yang menyatakan keadaan yang ada sekarang dan hipotesis alternatif HA yang menyatakan keadaan baru yang diajukan. Kedua hipotesis ini selalu berlawanan, artinya bila Ho yang diterima maka Ha ditolak, sebaliknya kalau Ho yang ditolak berarti Ha yang diterima. Setelah mengumpulkan faktor-faktor yang memungkinkan penyebab terjadinya scrap polyol dan MDI maka pada bab ini penulis akan mencoba untuk melakukan penentuan faktor-faktor yang menjadi penyebab utama terjadinya scrap dengan menggunakan pengujian hipotesis statistik yaitu pengujian hipotesis untuk beda diantara dua nilai rata-rata (Two Sample T-Test). Seluruh analisa dalam percobaan ini menggunakan
sebesar 5% (0.05) atau tingkat keyakinan
adalah 95% dari sampel yang diambil diyakini 95% mewakili populasi.
73
4.5.1 Uji Hipotesis Waktu Pemompaan Potensial faktor yang pertama adalah rentang waktu yang dibutuhkan untuk memompa material. Pengujian dilakukan pada 2 rentang waktu yang berbeda, yaitu 15 menit dan 20 menit. Saat ini rata-rata waktu pemompaan adalah 15 menit. Penulis menetapkan angka 20 menit dikarenakan waktu tersebut merupakan batas waktu maksimal yang dibutuhkan agar dapat mengimbangi kebutuhan material untuk produksi. Disini akan dicari apakah rata-rata jumlah scrap yang didapatkan dari proses pemompaan selama 15 menit lebih besar daripada selama 20 menit ? Dari sampling yang dilakukan oleh peneliti didapat data yang ditunjukkan oleh tabel 5.1 berikut : Tabel 4.5.1 Jumlah scrap pada 2 rentang waktu pemompaan berbeda
No
Scrap Polyol (gram) 15 menit
1 2 3 4 5 6 7 8 9 10
850 825 836 840 811 832 824 834 829 827
No
20 menit 845 819 833 832 802 824 818 823 821 823
Scrap MDI (gram) 15 menit
1 2 3 4 5 6 7 8 9 10
829 842 812 782 789 763 810 831 814 796
20 menit 819 835 806 776 780 758 806 827 807 789
4.5.1.1 Uji Hipotesis Waktu Pemompaan untuk Polyol Dengan asumsi bahwa nilai varian adalah sama maka pernyataan hipotesa untuk data pengujian adalah :
74
Asumsi µ1 adalah scrap polyol pada pemompaan 15 menit dan µ2 adalah scrap polyol pada pemompaan 20 menit. 1. Hipotesisnya: Ho : µ1 - µ2 = 0 HA : µ1 - µ2 > 0 2. Test Statistiknya (uji satu sisi) : tO >
tO =
tα ; n 1 +n 2 - 2
x1 − x 2 sp 1 + 1 n2 n1 Scrap Polyol
No
1 2 3 4 5 6 7 8 9 10
x s2 s
sp 2 =
15 menit xi 850 825 836 840 811 832 824 834 829 827 830.8
xi - x (xi - x )2 19.2 830.8 368.64 -5.8 830.8 33.64 5.2 830.8 27.04 9.2 830.8 84.64 -19.8 830.8 392.04 1.2 1.44 830.8 -6.8 830.8 46.24 3.2 830.8 10.24 -1.8 3.24 830.8 -3.8 830.8 14.44 981.6 109.0666667 10.4435
x
20 menit xi - x (xi - x )2 824 21 441 824 -5 25 824 9 81 824 8 64 824 -22 484 824 0 0 824 -6 36 824 -1 1 824 -3 9 824 -1 1 1142 126.8888889 11.264499
x
xi 845 819 833 832 802 824 818 823 821 823 824
( n1 − 1) S12 + ( n2 − 1) S 22 (10 − 1)10.44 2 + (10 − 1)11.26 2 = n1 + n2 − 2 10 + 10 − 2
sp = 117.978 = 10.86176
75
nilai t-uji =
x1 − x 2 sp 1 + 1 n2 n1
=
830.8 − 824.0 10.862 1 + 1 10 10
= 1.39961894
3. Nilai t table Dengan nilai α = 0.05 maka t-tabel = tα ; n 1 +n 2 - 2 t - tabel = t0.05 ; 18 = 1,734 Area penerimaan
Area penolakan
1.399
1.734 Gambar 4.5.1 Nilai t-uji berada pada area penerimaan
Dari Gambar 4.5.1 dapat dilihat bahwa nilai t uji berada pada area penerimaan, maka dengan kata lain Ho diterima atau tolak Ha. Ini membuktikan bahwa penambahan waktu proses pemompaan material polyol tidak signifikan
berpengaruh terhadap besarnya jumlah scrap yang didapatkan. Jadi, faktor waktu pemompaan untuk material polyol tidak perlu di perhatikan lagi pada langkah perbaikan (bukan vital factor).
4.5.1.2 Uji Hipotesis Waktu Pemompaan untuk MDI Dengan asumsi bahwa nilai varian adalah sama maka pernyataan hipotesa untuk data pengujian adalah : Asumsi µ1 adalah scrap MDI pada pemompaan 15 menit dan µ2 adalah scrap MDI pada pemompaan 20 menit.
76
1. Hipotesisnya: Ho : µ1 - µ2 = 0 HA : µ1 - µ2 > 0 2. Test Statistiknya (uji satu sisi) : tO >
tO =
tα ; n 1 +n 2 - 2 x1 − x 2 sp 1 + 1 n2 n1 Scrap MDI
No
1 2 3 4 5 6 7 8 9 10
x
15 menit xi 829 842 812 782 789 763 810 831 814 796 806.8
s2 s
sp 2 =
x 806.8 806.8 806.8 806.8 806.8 806.8 806.8 806.8 806.8 806.8
xi - x 22.2 35.2 5.2 -24.8 -17.8 -43.8 3.2 24.2 7.2 -10.8
20 menit 2
(xi - x ) 492.84 1239.04 27.04 615.04 316.84 1918.44 10.24 585.64 51.84 116.64 5373.6
xi 819 835 806 776 780 758 806 827 807 789 800.3
597.0666667 24.434949
x 800.3 800.3 800.3 800.3 800.3 800.3 800.3 800.3 800.3 800.3
xi - x 18.7 34.7 5.7 -24.3 -20.3 -42.3 5.7 26.7 6.7 -11.3
588.4555556 24.258104
( n1 − 1) S12 + ( n2 − 1) S 22 (10 − 1)24.435 2 + (10 − 1)24.258 2 = n1 + n2 − 2 10 + 10 − 2
sp = 592.761 = 24.346 nilai t-uji =
x1 − x 2 sp 1 + 1 n2 n1
=
806.8 − 800.3 24.346 1 + 1 10 10
= 0.596863
(xi - x )2 349.69 1204.09 32.49 590.49 412.09 1789.29 32.49 712.89 44.89 127.69 5296.1
77
3. Nilai t table Dengan nilai α = 0.05 maka t-tabel = tα ; n 1 +n 2 - 2 t - tabel = t0.05 ; 18 = 1,734 Area penerimaan
Area penolakan
0.597 1.734
Gambar 4.5.1.2 Nilai t-uji berada pada area penerimaan
Dari Gambar 4.5.1.2 dapat dilihat bahwa nilai t uji berada pada area penerimaan, maka dengan kata lain Ho diterima atau tolak Ha. Ini membuktikan bahwa penambahan waktu proses pemompaan material MDI tidak signifikan
berpengaruh terhadap besanya jumlah scrap yang didapatkan. Jadi, faktor waktu pemompaan untuk material MDI tidak perlu di perhatikan lagi pada langkah perbaikan (bukan vital factor).
4.5.1.3 Uji Hipotesis Kekuatan Pompa Pengujian potensial factor yang kedua adalah kekuatan pompa material. Pengujian dilakukan pada 2 ukuran diameter pulley depan penggerak pompa yang berbeda, yaitu 25 cm dan 30 cm.
78
Gambar 4.5.1.3 Pulley penggerak pompa
Saat ini ukuran pulley yang digunakan adalah 25 cm. Untuk mengetahui apakah penambahan ukuran diameter berpengaruh terhadap jumlah scrap, maka penulis mencoba untuk menggunakan pulley dengan ukuran 30 cm, dengan anggapan uji coba pada ukuran tersebut akan terlihat pengaruhnya pada jumlah scrap dan juga atas pertimbangan teknis kekuatan maksimal dari motor penggerak pompa agar bisa bekerja secara optimal (tidak cepat rusak). Disini akan dicari apakah rata-rata jumlah scrap yang didapatkan dari proses pemompaan dengan menggunakan diamter pulley sebesar 25 cm lebih besar daripada sebesar 30 cm ? Dari sampling yang dilakukan oleh peneliti didapat data yang ditunjukkan oleh tabel 4.5.1.2 berikut :
Tabel 4.5.1.2 Jumlah scrap pada 2 diameter pulley yang berbeda Scrap Polyol No
25 cm Waktu (menit)
Scrap MDI 30 cm
(xi)
Waktu (menit)
No
25 cm Waktu (menit)
(xi)
30 cm (xi)
Waktu (menit)
(xi)
1
18.4
843
16.0
831
1
3.2
829
2.5
819
2
18.4
827
15.9
828
2
3.1
842
2.6
835
3
18.3
833
16.1
817
3
3.3
812
2.5
806
4
18.3
831
16.0
834
4
3.4
782
2.5
776
5
18.5
819
16.1
811
5
3.4
789
2.4
780
6
18.4
824
16.2
805
6
3.5
763
2.6
758
79
7
18.5
817
16.0
834
7
3.3
810
2.6
806
8
18.3
833
15.9
811
8
3.2
831
2.5
827
9
18.4
826
16.1
802
9
3.3
814
2.5
807
10
18.3
839
16.0
817
10
3.4
796
2.6
789
4.5.2. Uji Hipotesis perubahan ukuran pulley pengggerak pompa polyol Dengan asumsi bahwa nilai varian adalah sama maka pernyataan hipotesa untuk data pengujian adalah : Dimana µ1 adalah scrap polyol pada pulley pompa 25 cm dan µ2 adalah scrap polyol pada pulley pompa 30 cm. 1. Hipotesisnya: Ho : µ1 - µ2 = 0 HA : µ1 - µ2 > 0 2. Test Statistiknya (uji satu sisi) : tO >
tO =
tα ; n 1 +n 2 - 2
x1 − x 2 sp 1 + 1 n2 n1 Scrap Polyol 25 cm
No Waktu (menit)
xi
1 2 3 4 5 6 7 8 9 10
18.4 18.4 18.3 18.3 18.5 18.4 18.5 18.3 18.4 18.3
843 827 833 831 819 824 817 833 826 839
x
18.38
829.2
s2 s
x
30 cm xi -
829.2 829.2 829.2 829.2 829.2 829.2 829.2 829.2 829.2 829.2 68.17777778 8.25699
x
13.8 -2.2 3.8 1.8 -10.2 -5.2 -12.2 3.8 -3.2 9.8
x )2
Waktu (menit)
190.44 4.84 14.44 3.24 104.04 27.04 148.84 14.44 10.24 96.04 613.6
(xi -
xi
x
16.0 15.9 16.1 16.0 16.1 16.2 16.0 15.9 16.1 16.0
831 828 817 834 811 805 834 811 802 817
819 819 819 819 819 819 819 819 819 819
16.03
819
xi -
x 12 9 -2 15 -8 -14 15 -8 -17 -2
(xi -
x )2 144 81 4 225 64 196 225 64 289 4 1296
144 12
80
sp 2 =
( n1 − 1) S12 + ( n2 − 1) S 22 (10 − 1)8.257 2 + (10 − 1)12 2 = n1 + n2 − 2 10 + 10 − 2
sp = 106.089 = 10.3 nilai t-uji =
x1 − x 2 sp 1 + 1 n2 n1
=
830.8 − 824.0 10.862 1 + 1 10 10
= 2.213931
3. Nilai t table Dengan nilai α = 0.05 maka t-tabel = tα ; n 1 +n 2 - 2 t - tabel = t0.05 ; 18 = 1,734 Area penerimaan
Area penolakan
2.214 1.734
Gambar 4.5.2.1 Nilai t-uji berada pada area penolakan Dari Gambar 4.5.2.1 dapat dilihat bahwa nilai t uji berada pada area
penolakan, maka dengan kata lain Ho ditolak atau terima Ha. Ini membuktikan bahwa perubahan ukuran pulley penggerak pompa dari 25cm menjadi 30cm
berpengaruh terhadap besanya jumlah scrap yang didapatkan. Jadi, faktor ukuran pulley untuk penggerak pompa polyol perlu di perhatikan lagi pada langkah perbaikan (vital factor).
4.5.2.1 Uji Hipotesis perubahan ukuran pulley pengggerak pompa MDI Dengan asumsi bahwa nilai varian adalah sama maka pernyataan hipotesa untuk data pengujian adalah :
81
Dimana µ1 adalah scrap MDI pada pulley pompa 25 cm dan µ2 adalah scrap MDI pada pulley pompa 30 cm. 1. Hipotesisnya: Ho : µ1 - µ2 = 0 HA : µ1 - µ2 > 0 2. Test Statistiknya (uji satu sisi) : tO >
tO =
tα ; n 1 +n 2 - 2
x1 − x 2 sp 1 + 1 n2 n1 Scrap MDI 25 cm
No
30 cm
Waktu (menit)
xi
x
1
3.2
834
810.6
2
3.1
845
810.6
3
3.3
817
810.6
4
3.4
785
810.6
5
3.4
794
810.6
6
3.5
765
810.6
7
3.3
813
810.6
8
3.2
837
810.6
9
3.3
816
810.6
5.4
10
3.4
800
810.6
-10.6
x
3.31
x )2
Waktu (menit)
23.4
547.56
2.5
823
805.4
17.6
309.76
34.4
1183.36
2.6
841
805.4
35.6
1267.36
6.4
40.96
2.5
810
805.4
4.6
21.16
-25.6
655.36
2.5
780
805.4
-25.4
645.16
-16.6
275.56
2.4
787
805.4
-18.4
338.56
-45.6
2079.36
2.6
765
805.4
-40.4
1632.16
2.4
5.76
2.6
812
805.4
6.6
43.56
26.4
696.96
2.5
831
805.4
25.6
655.36
29.16
2.5
810
805.4
4.6
21.16
805.4
-10.4
xi -
x
810.6
(xi -
xi
112.36
2.6
795
5626.4
2.53
805.4
x
xi -
x
625.1555556
560.2666667
s
25.0031
23.6699
( n1 − 1) S12 + ( n2 − 1) S 22 (10 − 1)25.0032 + (10 − 1)23.669 2 = sp = n1 + n2 − 2 10 + 10 − 2 sp = 592.7096 = 24.345
x )2
108.16 5042.4
s2
2
(xi -
82
nilai t-uji =
x1 − x 2 sp 1 + 1 n2 n1
=
810.6 − 805.4 24.345 1 + 1 10 10
= 0.4775
3. Nilai t table Dengan nilai α = 0.05 maka t-tabel = tα ; n 1 +n 2 - 2 t - tabel = t0.05 ; 18 = 1,734 Area penerimaan
Area penolakan
0.4775
1.734
Gambar 4.5.2.2 Nilai t-uji berada pada area penerimaan
Dari Gambar 4.5.2.2 dapat dilihat bahwa nilai t uji berada pada area penerimaan, maka dengan kata lain Ho diterima atau tolak Ha. Ini membuktikan bahwa perubahan ukuran pulley penggerak pompa dari 25cm menjadi 30cm tidak
signifikan berpengaruh terhadap besanya jumlah scrap yang didapatkan. Jadi, faktor ukuran pulley untuk penggerak pompa MDI tidak perlu diperhatikan lagi pada langkah perbaikan (bukan vital factor).
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Metode Six Sigma merupakan suatu metode yang dilakukan untuk menjaga dan meningkatkan kualitas produk sekaligus meningkatkan produktivitas dan benefit yang dihasilkan oleh suatu perusahaan. Hasil dari brainstorming yang dituangkan dalam logic tree atas permasalahan besarnya jumlah scrap material polyol dan MDI didapatkan faktor potensial sebagai berikut : 1. Method (metode) Rentang Waktu Pemompaan 2. Machine (mesin) Kekuatan (kapasitas) Pompa Untuk mengetahui vital factor, dilakukan analisis potential factor tersebut dengan menggunakan metode six sigma atas permasalahan besarnya jumlah scrap material polyol
dan MDI. Dari hasil analisa, didapatkan vital
factor
Ukuran Diameter Pully Pompa yang menjadi permasalahan timbulnya scrap polyol. Analisa ini didasarkan pada hasil uji hipotesis yang dilakukan, dimana ukuran diameter penggerak pompa yang sebelumnya 25 cm diganti dengan ukuran 30 cm. Hasil pengujian sebesar 10 sample menunjukkan adanya perbedaan ratarata scrap yang didapatkan. Rata – rata scrap pada penggunaan pully 25 cm adalah 4146 PPM, sedangkan rata – rata scrap pada penggunaan pully 30 cm adalah 4095 PPM.
83
84
Sedangkan atas permasalahan timbulnya scrap untuk material MDI, belum dapat ditemukan vital factor.
5.2 Saran Dalam proses analisa, penulis mendapatkan vital factor dari permasalahan timbulnya scrap polyol, sehingga pihak perusahaan dapat menindaklanjuti temuan ini ke tahapan improvement yang salah satu metodenya adalah dengan membuat DOE (Design of Experiment) untuk memecahkan permasalahan scrap polyol dan MDI. Perusahaan diharapkan tetap melakukan analisa untuk mendapatkan vital factor permasalahan scrap MDI, dan juga secara kontinu tetap melakukan improvement yang inovatif agar dapat menurunkan scrap polyol dan MDI semaksimal mungkin.
