penerapan grafik pengendali kabur ๐ฐ๐ฟโ๐ด ๐น dan...
Post on 13-Mar-2019
244 Views
Preview:
TRANSCRIPT
PENERAPAN GRAFIK PENGENDALI KABUR ๐ฐ๐ฟ โ๐ด๐น
DAN KAPABILITAS PROSES KABUR
PADA PENGENDALIAN KUALITAS PRODUKSI AIR PDAM
SKRIPSI
OLEH
OKTA DWI ROHMAWATI
NIM. 12610079
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2016
PENERAPAN GRAFIK PENGENDALI KABUR ๐ฐ๐ฟ โ๐ด๐น
DAN KAPABILITAS PROSES KABUR
PADA PENGENDALIAN KUALITAS PRODUKSI AIR PDAM
SKRIPSI
Diajukan Kepada
Fakultas Sains dan Teknologi
Universitas Islam Negeri Maulana Malik Ibrahim Malang
untuk Memenuhi Salah Satu Persyaratan dalam
Memperoleh Gelar Sarjana Sains (S.Si)
Oleh
Okta Dwi Rohmawati
NIM. 12610079
JURUSAN MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM
MALANG
2016
MOTO
Dan Allah mengeluarkan kamu dari perut ibumu dalam keadaan tidak mengetahui
sesuatupun, dan Dia memberi kamu pendengaran, penglihatan, dan hati, agar
kamu bersyukur (QS An-Nahl/16:76)
PERSEMBAHAN
Skripsi ini penulis persembahkan kepada bapak tercinta, Hartoyo dan ibu
tersayang, Mahmudah yang selalu memberi kasih sayang, dukungan, serta doa
yang tiada putus kepada penulis. Kepada nenek tercinta, Supening yang selalu
menasihati dan mendoakan penulis sehingga dapat menyelesaikan skripsi ini.
viii
KATA PENGANTAR
Segala puji bagi Allah Swt. yang telah memberikan rahmat, berkah, dan
hidayah-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul
โPenerapan Grafik Pengendali Kabur ๐ผ๐ โ๐๐ dan Kapabilitas Proses Kabur
pada Pengendalian Kualitas Produksi Air PDAMโ. Shalawat serta salam semoga
senantiasa tercurahkan kepada nabi Muhammad Saw. yang telah menuntun
manusia ke jalan keselamatan.
Dalam kesempatan ini, penulis banyak mendapat bimbingan dan arahan
dari berbagai pihak. Untuk itu ucapan terima kasih yang sebesar-besarnya dan
penghargaan setinggi-tingginya penulis sampaikan terutama kepada:
1. Prof. Dr. H. Mudjia Rahardjo, M.Si, selaku rektor Universitas Islam Negeri
Maulana Malik Ibrahim Malang.
2. Dr. drh. Hj. Bayyinatul Muchtaromah, M.Si, selaku dekan Fakultas Sains dan
Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
3. Dr. Abdussakir, M.Pd, selaku ketua Jurusan Matematika, Fakultas Sains dan
Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.
4. Fachrur Rozi, M.Si, selaku dosen pembimbing I yang telah banyak
memberikan arahan, nasihat, motivasi, dan berbagai pengalaman yang berharga
kepada penulis.
5. Ari Kusumastuti, M.Pd., M.Si, selaku dosen pembimbing II yang telah
memberikan arahan dan berbagi ilmunya kepada penulis.
6. Seluruh dosen Jurusan Matematika, Universitas Islam Negeri Maulana Malik
Ibrahim Malang yang telah berbagi segala ilmu kepada penulis.
ix
7. Semua teman-teman Jurusan Matematika angkatan 2012 yang selalu
memberikan semangat, dukungan, dan motivasi kepada penulis.
8. Seluruh keluarga besar Lembaga Pendidikan Quran (LPQ) Wardatul Islah yang
telah memberikan banyak pengalaman yang berharga bagi penulis.
Semoga Allah Swt. melimpahkan rahmat dan karunia-Nya kepada kita
semua.
Malang, November 2016
Penulis
x
DAFTAR ISI
HALAMAN JUDUL
HALAMAN PENGAJUAN
HALAMAN PERSETUJUAN
HALAMAN PENGESAHAN
HALAMAN PERNYATAAN KEASLIAN TULISAN
HALAMAN MOTO
HALAMAN PERSEMBAHAN
KATA PENGANTAR ....................................................................................... viii
DAFTAR ISI ...................................................................................................... x
DAFTAR TABEL ............................................................................................. xii
DAFTAR GAMBAR ......................................................................................... xiii
DAFTAR LAMPIRAN ..................................................................................... xiv
ABSTRAK ........................................................................................................ xv
ABSTRACT ....................................................................................................... xvi
xvii ................................................................................................................. ู ูุฎุต
BAB I PENDAHULUAN
1.1 Latar Belakang ....................................................................................... 1
1.2 Rumusan Masalah .................................................................................. 6
1.3 Tujuan Penelitian .................................................................................... 6
1.4 Manfaat Penelitian .................................................................................. 6
1.5 Batasan Masalah ..................................................................................... 7
1.6 Sistematika Penulisan ............................................................................. 8
BAB II KAJIAN PUSTAKA
2.1 Pengendalian Kualitas Statistik .............................................................. 9
2.2 Grafik Pengendali ................................................................................... 10
2.3 Grafik Pengendali untuk Variabel .......................................................... 12
2.4 Himpunan Kabur .................................................................................... 14
2.5 Bilangan Kabur ..................................................................................... 17
2.6 Bilangan Kabur Berdasarkan Fungsi Keanggotaan Kurva Trapesium .. 18
2.7 Grafik Pengendali Kabur ๐ผ๐ โ ๐๐ ........................................................ 20
2.8 Pendekatan Fuzzy Rules Grafik Pengendali Kabur ................................ 23
xi
2.9 Kapabilitas Proses ................................................................................ 27
2.10 Kapabilitas Proses Kabur ..................................................................... 29
2.11 Kajian Agama tentang Gharizah Baqaโ ............................................... 31
BAB III METODE PENELITIAN
3.1 Pendekatan Penelitian ............................................................................ 33
3.2 Jenis Data dan Sumber Data .................................................................. 33
3.3 Teknik Pengambilan Data ...................................................................... 33
3.4 Analisis Data .......................................................................................... 34
BAB IV PEMBAHASAN
4.1 Penerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐ Menggunakan
Pendekatan Fuzzy Rules ......................................................................... 38
4.1.1 Analisis Deskriptif Data ................................................................ 38
4.1.2 Uji Normalitas ................................................................................ 38
4.1.3 Representasi Data Sisa Klor Air ke Bilangan Kabur Trapesium ... 39
4.1.4 Penerapan Grafik Pengendali Kabur ๐ผ๐ โ ๐๐ Menggunakan
Pendekatan Fuzzy Rules Berdasarkan Data Sisa Klor Air ............. 40
4.2 Penerapan Kapabilitas Proses Kabur ..................................................... 48
4.3 Upaya Pengendalian Gharizah Baqaโ .................................................... 52
BAB V PENUTUP
5.1 Kesimpulan ............................................................................................. 55
5.2 Saran ....................................................................................................... 56
DAFTAR RUJUKAN ...................................................................................... 57
LAMPIRAN-LAMPIRAN
RIWAYAT HIDUP
xii
DAFTAR TABEL
Tabel 4.1 Statistik Deskriptif Data Sisa Klor Air Baku Produksi ......................... 38
Tabel 4.2 Uji Normalitas Data Sisa Klor Air Baku .............................................. 39
xiii
DAFTAR GAMBAR
Gambar 2.1 Contoh Grafik Pengendali Statistik ................................................. 12
Gambar 2.2 Kurva Keanggotaan Trapesium .......................................................15
Gambar 2.3 Representasi Bilangan Kabur Trapesium ....................................... 19
Gambar 2.4 Ilustrasi Fuzzy Rules-1 ................................................................... 25
Gambar 2.5 Ilustrasi Fuzzy Rules-2 ................................................................... 25
Gambar 2.6 Ilustrasi Fuzzy Rules-3 dan 4 .......................................................... 26
Gambar 2.7 Ilustrasi Fuzzy Rules-5 ................................................................... 26
Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali
Kabur ๐ผ๐ โ ๐๐ dan Kapabilitas Proses Kabur ............................ 36
Gambar 4.3 Hasil Proses Kendali Menggunakan Pendekatan Fuzzy Rules
pada Iterasi ke-1 .............................................................................. 40
Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali
Kabur ๐ผ๐ โ ๐๐ dan Kapabilitas Proses Kabur ............................ 36
Gambar 4.3 Hasil Proses Kendali Menggunakan Pendekatan Fuzzy Rules
pada Iterasi ke-1 ............................................................................ 40
xiv
DAFTAR LAMPIRAN
Lampiran 1 Data Sisa Klor pada 1 Desember 2015-29 Februari 2016 ................ 61
Lampiran 2 Pembentukan Bilangan Trapesium Data Produksi Air Baku
Iterasi ke-1 ........................................................................................ 62
Lampiran 3 Nilai Moving Range Kabur Iterasi ke-1 ............................................ 63
Lampiran 4 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy
Rules pada Iterasi ke-1 ...................................................................... 64
Lampiran 5 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy
Rules pada Iterasi ke-2 ...................................................................... 65
Lampiran 6 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy
Rules pada Iterasi ke-3 ...................................................................... 66
Lampiran 9 Program Matlab Perhitungan Grafik Pengendali Kabur
๐ผ๐ โ ๐๐ ........................................................................................... 67
Lampiran 10 Program Matlab Perhitungan Kapabilitas Proses Kabur ................. 70
Lampiran 11 Faktor Guna Membentuk Grafik Pengendali Variabel .................... 72
xv
ABSTRAK
Rohmawati, Okta Dwi.2016. Penerapan Grafik Pengendali Kabur ๐ฐ๐ฟ โ๐ด๐น
dan Kapabilitas Proses Kabur pada Pengendalian Kualitas
Produksi Air PDAM. Skripsi. Jurusan Matematika, Fakultas Sains
dan Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim
Malang. Pembimbing: 1) Fachrur Rozi, M.Si. II) Ari Kusumastuti,
M.Pd., M.Si.
Kata Kunci: grafik pengendali kabur, kapabilitas proses kabur.
Grafik pengendali kabur merupakan salah satu konsep penggabungan antara
metode statistika dan teori himpunan kabur yang dapat digunakan dalam
menangani data yang mengandung ketidakpastian. Ketidakpastian data dapat
terjadi dalam pengendalian kualitas karena adanya kesalahan sistem pengukuran,
operator atau kondisi lingkungan pada saat penentuan karakteristik sampel
pengamatan. Dalam hal ini, penggunaan pendekatan teori himpunan kabur
merupakan alat yang dapat digunakan untuk menangani ketidakpastian data.
Selain mengendalikan kualitas proses, suatu perusahaan perlu melakukan analisis
kapabilitas proses. Analisis kapabilitas proses didefinisikan sebagai kemampuan
sebuah proses untuk menghasilkan suatu produk yang sesuai dengan kebutuhan
konsumen.
Grafik pengendali kabur yang digunakan dalam penelitian ini adalah grafik
pengendali kabur ๐ผ๐ โ ๐๐ . Grafik pengendali kabur ๐ผ๐ โ ๐๐ merupakan
gabungan dari grafik pengendali kabur ๐ผ๐ yang menampilkan angka hasil
pengukuran untuk mengendalikan rata-rata proses dan grafik pengendali kabur
๐๐ yang menampilkan perbedaan angka dari pengukuran yang satu ke
pengukuran selanjutnya dan digunakan untuk mengendalikan variabilitas proses.
Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐ menunjukkan bahwa terdapat
beberapa sampel kabur yang rather out of control dan out of control secara rata-
rata dan secara variabilitas. Sehingga dilakukan perbaikan sampai tiga kali iterasi
agar mendapatkan kondisi semua sampel kabur in control baik secara rata-rata
maupun secara variabilitas proses. Batas kendali kabur pada iterasi ketiga dapat
digunakan sebagai acuan dalam pengambilan keputusan yang berkaitan dengan
pengendalian proses produksi air PDAM.
Hasil penerapan kapabilitas proses kabur pada data sisa klor air baku
produksi PDAM menunjukkan bahwa proses capable. Hal ini dapat dilihat dari
nilai nilai ๐ถ๐ > 1 dan nilai ๐ถ๐๐ > 1 yang berarti bahwa proses produksi capable.
Proses produksi air PDAM khususnya kadar sisa klor sudah memenuhi standar
yang ditetapkan oleh perusahaan dan dinas kesehatan.
xvi
ABSTRACT
Rohmawati, Okta Dwi. 2016. Application of Fuzzy Control Chart ๐ฐ๐ฟ โ๐ด๐น
and Fuzzy Process Capability on the Quality Production of PDAM
Water. Thesis. Department of Mathematics, Faculty of Science and
Technology, State Islamic University of Maulana Malik Ibrahim Malang.
Advisors: I) Fachrur Rozi, M.Si. II) Ari Kusumastuti, M.Pd.,M.Si.
Keywords: fuzzy control chart, fuzzy process capability.
Fuzzy control chart is one of cluster concept between statistic method
and fuzzy set theory used to handle data when data is uncertainty. Uncertainty
data can occur in quality control because of system measuring error, operator or
area condition when determine of the observation sample. In this case, the use of
fuzzy set theory approach is a tool used to deal with uncertainty of data. In
addition to controlling the quality of the process, a company needs to perform
process capability analysis. Process capability analysis is defined as the ability of
a process to produce a product that fits the needs of consumers.
Fuzzy control chart used in this study is fuzzy control chart ๐ผ๐ โ ๐๐ .
Fuzzy control chart ๐ผ๐ โ๐๐ is a combination of fuzzy control chart ๐ผ๐ that show
a number of measurement results for controlling the mean process and fuzzy
control chart ๐๐ that showing the difference from one measurement to be used
for the next measurement and control process variability. The application of fuzzy
control chart ๐ผ๐ โ ๐๐ indicates that there are some fuzzy samples is rather out of
control and out of control on mean process and variability. So repairs to three
iterations in order to obtain the condition of all fuzzy samples in control is
required, both on mean process and in the process variability. Fuzzy control limits
on the third iteration can be used as a reference in making decisions related to the
production process control of PDAM.
The result of the application of fuzzy process capability in the data
residual chlorine of raw water taps showed that the process is capable. This can be
seen from the values ๐ถ๐ > 1 and the value ๐ถ๐๐ > 1, which means that the
production process is capable. PDAM water production process particularly
chlorine residual levels already meet the standards set by the company and health
authorities.
xvii
ู ูุฎุต
๐ฐ๐ฟุงูุถุจุงุจูุฉุชุทุจูู ุชุญูู ุงูุฑุณูู ุงุช .2016 . ุงููุชุง ุฏููู,ุฑุญู ุฉูุชู โ๐ด๐น ูุฏุฑุฉ ุนู ููุฉ ุถุจุงุจู ู ุฌุงู ุนุฉ .ู ูุงูุชูููููุฌูุงูุนูุงูููููุฉ .ูุณู ุงูุฑููุงุถููุงุช. ุงุฌูุงู ุนูุญุจุซ PDAM. ู ูุงูุงุฅููุชุงุฌ ุนูู
ุงุฑู (2. ุฑ ุงูุฑุงุฒู ุงุฏูุงุฌุณุชุฑูุฎู (1: ู ุดุฑู.ู ูุงููุง ู ุงูู ุฅุจุฑุงููู ุงุฅูุณุงูู ูุฉ ุงุญูููู ูุฉ ู ุงุงูููููุณู ู ุงุณุชููุช ุงุฏูุงุฌุณุชุฑู
.ุนู ููุฉุถุจุง ุจูุฉ ุญุชููู ูุฏุฑุฉ ุ ุถุจุง ูุจุฑุณูู ุงุช ุญุชูู : ุงูุฑ ุฆูุณูุฉููู ุงุช ุงู
ูู ูุงุญุฏุฉ ู ู ุงูุฏู ุฌ ุจูู ุงุฏููุงููู ู ู ุงุฃูุณุงููุจ ุงุฅูุญุตุงุฆูุฉ ููุธุฑูุฉ ุฎู ุทุท ุงูุฑูุงุจุฉ ุบุงู ุถ
ูุฏ ุญูุฏุซ ุนุฏู ุงูุชููู . ุงุฌู ูู ูุนุงุช ุงูุถุจุงุจูุฉ ุงููุช ู ููู ุงุณุชุฎุฏุงู ูุง ูู ู ุนุงุฌูุฉ ุงูุจูุงูุงุช ุงููุช ุญุชุชูู ุนูู ุงูุดูููุทุฃุ ุงุฏูุดุบู ุฃู ุงูุธุฑูู ุงูุจูุฆูุฉ ุนูุฏ ุญุชุฏูุฏ ุฎุตุงุฆุต ุงุฏูุงูุญุธุงุช ุงุฎูู ู ุงูุจูุงูุงุช ูู ู ุฑุงูุจุฉ ุงุฌููุฏุฉููุธุงู ุงูููุงุณ
ูู ูุฐู ุงุญูุงูุฉุ ูุงุณุชุฎุฏุงู ููุฌ ุฌู ู ูุนุฉ ูุธุฑูุฉ ุบุงู ุถ ูู ุงุฃูุฏุงุฉ ุงููุช ู ููู ุงุณุชุฎุฏุงู ูุง ููุชุนุงู ู ู ุน ุญุงูุฉ . ุงูุนููุฉ. ุจุงุฅูุถุงูุฉ ุฅูู ุงูุชุญูู ูู ุฌูุฏุฉ ุงูุนู ููุฉุ ุญุชุชุงุฌ ุงูุดุฑูุฉ ุฅูุฌุฑุงุก ุญุชููู ุงููุฏุฑุฉ ุงูุนู ููุฉ. ุนุฏู ุงููููู ู ู ุงูุจูุงูุงุช
.ููุนุฑู ุญุชููู ุงููุฏุฑุฉ ุงูุนู ููุฉ ุนูู ุฃููุง ูุฏุฑุฉ ุนู ููุฉ ุฅููุชุงุฌ ุงุฏููุชุฌ ุงูุฐู ููุงุณุจ ุงุญุชูุงุฌุงุช ุงุฏูุณุชููููู๐ผ๐ุบุงู ุถ ุฎู ุทุท ุญุชูู ุบุงู ุถ ุงุฏูุณุชุฎุฏู ุฉ ูู ูุฐุง ุงูุจุญุซ ูู ุญุชูู ุฎู ุทุท โ ๐๐ . ุฎู ุทุท
๐ผ๐ุบุงู ุถ ุญุชูู โ ๐๐ ุบุงู ุถ ุฎู ุทุท ุญุชูู ูู ู ุฒูุฌ ู ู ๐ผ๐ ุถู ุนุฏุฏุง ู ู ูุชุงุฆุฌ ุงูููุงุณ ููุณูุทุฑุฉ ุนูู ุชุจูู ุนุฏุฏ ุงุงูุฎุชุงููุงุช ูู ุงูููุงุณุงุช ูุงุญุฏ ูููุงุณ ุงุฏููุจูุ ููุณุชุฎุฏู ๐๐ ุบุงู ุถ ุฎู ุทุท ุญุชูู ุนู ููุฉ ูุนูู
๐ผ๐ุบุงู ุถ ุฎู ุทุท ุญุชูู ุนูู ุชุทุจูู . ููุณูุทุฑุฉ ุนูู ุชููุจ ุงูุนู ููุฉ โ ๐๐ ุฃุธูุฑุช ุฃู ููุงู ุจุนุถ ุงูุฐูู ุณูู ุญูุช ุฅุฌุฑุงุก . ูู ุงุฏูุชูุณุท ูุงูุชุจุงููout of controlูrather out of controlุนููุงุช ุบุงู ุถุฉ ุจุฏุงู
ุ ุณูุงุก ูู ุงุฏูุชูุณุท in controlุฅุตุงูุญุงุช ูุซุงูุซ ู ุฑุงุช ุงูุชูุฑุงุฑ ู ู ุฃุฌู ุงุญูุตูู ุนูู ุญุงูุฉ ู ู ู ุฌูุน ุงูุนููุงุช ุบุงู ุถ ุนูู ุงูุชูุฑุงุฑ ุงูุซุงูุซ ู ููู ุงุณุชุฎุฏุงู ูุง ูู ุฑุฌุน ูู ุงุฎุชุงุฐ ุงููุฑุงุฑุงุช ุงุฏูุชุนููุฉ ุญุชูู ุญุฏูุฏ . ูุงูุชุจุงูู ุงูุนู ููุฉ
ู ุจุฑุงูุจุฉ ุนู ููุฉ ุงุฅููุชุงุฌ ู ู ุตูุงุจุฑู ุงุฏููุงูุฃุธูุฑุช ูุชุงุฆุฌ ุชุทุจูู ุงููุฏุฑุฉ ุงูุนู ููุฉ ุบุงู ุถ ูู ุงูุจูุงูุงุช ุงููููุฑ ุงุฏูุชุจูู ู ู ุตูุงุจุฑู ุงุฏููุงู ุงุฎูุงู ุงููุช
๐ถ๐ ููุฐุง ู ููู ุฃู ููุธุฑ ุฅููู ู ู ููู ุญุฒุจ. ูุฏููุง ุงููุฏุฑุฉ ุงูุนู ููุฉ > ๐ถ๐๐ูููู ุฉ 1 > ุ ููู ู ุง ูุนูู ุฃู ูุฏุฑุฉ 1 ุนู ููุฉ ุฅูุชุงุฌ ุงุฏููุงู ูุฎุตูุตุง ู ุณุชููุงุช ุงููููุฑ ุงุฏูุชุจููุฉ ุชูุจูุฉ ุจุงููุนู ุงุฏูุนุงูุฑู ุงููุช ูุถุนุชูุง PDAM. ุนู ููุฉ ุงุฅููุชุงุฌ
.ุงูุณูุทุงุช ุดุฑูุฉ ูุงูุตุญุฉ
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Menurut Harahap (2007), penyediaan air bersih untuk masyarakat
mempunyai peranan yang sangat penting dalam meningkatkan kesehatan
lingkungan atau masyarakat, yakni menurunkan angka penderita penyakit,
khususnya yang berhubungan dengan air. Salah satu parameter air bersih adalah
sisa klor. Pengukuran atau analisis sisa klor pada air sangat penting dalam proses
industri, seperti pada proses produksi air minum, pengolahan makanan, instalasi
pengolahan air minum serta dalam pengolahan sumber air bersih. Dalam proses
pengolahan dan produksi air minum, nilai sisa klor dapat dijadikan sebagai
indikator keberadaan zat organik dalam air. Oleh sebab itu, pengukuran sisa klor
sangat berguna untuk instalasi pengolahan air untuk memastikan keamanan bagi
kesehatan sehingga kualitas air tetap terjaga.
Allah Swt. menciptakan manusia dengan disertai syahwat. Adanya
syahwat pada diri manusia tidak sia-sia, akan tetapi terdapat faidah dan manfaat di
dalamnya. Syahwat digunakan untuk memenuhi kebutuhan hidup manusia seperti
makan, minum, dan mendapatkan keturunan. Akan tetapi seorang mukmin tidak
boleh memperturutkan hawa nafsunya, bahkan dia harus mengendalikannya.
Allah Swt. berfirman dalam al-Quran surat asy-Syams/91:7-8
โDan jiwa (nafsu) serta penyempurnaan (ciptaan)-Nya. Maka Allah Swt.
mengilhamkan kepada jiwa (nafsu) itu jalan kefasikan dan ketakwaannyaโ(QS.
Asy-Syams/91:7-8).
2
Ayat tersebut menjelaskan bahwa Allah Swt. menerangkan kepada
manusia jalan kefasikan dan jalan ketakwaan, kemudian memberi manusia
petunjuk sesuai dengan apa yang telah ditetapkan Allah Swt. untuknya. Ibn Abbas
mengatakan bahwa Allah Swt. mengilhamkan kepada manusia jalan kebaikan dan
jalan keburukan. Jiwa (nafsu) itu sendiri pada dasarnya adalah fitrah yang bisa
baik dan buruk. Nafsu itu akan menjadi baik dengan amal saleh dan menjadi
buruk dengan perbuatan tercela (Al-Qarni, 2008).
Keberadaan hawa nafsu pada manusia tidak tercela. Akan tetapi yang
menjadikan hawa nafsu tercela adalah jika manusia melewati batas dalam
memenuhi hawa nafsunya. Orang-orang yang takut akan kebesaran Allah Swt.
akan tunduk dan patuh kepada Allah Swt. dengan melaksanakan segala perintah-
Nya dan menjauhi segala larangan-Nya sehingga dapat mengendalikan hawa
nafsunya. Oleh karena itu, pengendalian hawa nafsu pada diri setiap manusia
sangat diperlukan agar tidak tersesat dan keluar dari jalan yang diridhai Allah
(Katsir, 2008c).
Kaitan surat asy-Syam/91:7-8 dengan pengendalian kualitas adalah
manusia harus mengendalikan hawa nafsunya dan tidak menuruti semua hawa
nafsunya agar Allah Swt. tidak memasukkannya ke dalam neraka. Seperti halnya
manusia, sebuah perusahaan harus mengendalikan proses produksinya agar selalu
dalam batas kendali yang telah ditetapkan oleh perusahaan. Jika proses produksi
keluar dari batas kendali maka sudah pasti barang yang diproduksi tidak baik
sehingga perusahaan harus mencari penyebab dan memperbaiki kembali proses
produksi sehingga tidak ada lagi yang keluar dari batas kendali.
3
Salah satu indikator dalam air bersih adalah sisa klor yang merupakan
bagian dari kontrol kualitas (quality control) untuk memastikan efisiensi dalam
pengolahan atau proses produksi air. Untuk mengurangi variabilitas dalam proses
produksi diperlukan suatu pengendalian proses produksi. Dalam hal ini,
pengendalian proses produksi dapat dilakukan dengan pengendalian kualitas
proses statistik atau Statistical Process Control (SPC). Montgomery (2009)
menjelaskan bahwa tujuan pokok pengendalian kualitas statistik adalah menyidik
dengan cepat terjadinya sebab-sebab terduga atau pergeseran proses sehingga
penyelidikan terhadap proses dan tindakan pembetulan dapat dilakukan sebelum
terlalu banyak unit yang tidak sesuai diproduksi.
Salah satu alat yang digunakan dalam SPC adalah grafik pengendali.
Grafik pengendali adalah alat yang digunakan pada pengendalian proses statistik.
Grafik pengendali digunakan untuk mengamati apakah proses terkendali atau
tidak terkendali. Grafik pengendali pertama kali dikenalkan oleh Schewhart, dan
disebut dengan grafik pengendali klasik. Grafik pengendali dapat diklasifikasikan
ke dalam dua tipe umum, yaitu grafik pengendali sifat (atribut) dan grafik
pengendali untuk variabel. Grafik pengendali variabel digunakan apabila
karakteristik kualitas dapat diukur dan dinyatakan dalam bilangan (Montgomery,
2009).
Menurut Ariani (2004), salah satu grafik pengendali variabel adalah grafik
pengendali ๐ผ๐ โ ๐๐ . Grafik pengendali moving range (๐๐ ) lebih cocok
digunakan dalam suatu kegiatan industri yang proses produksinya berjalan selama
24 jam secara terus menerus. Grafik pengendali ๐ผ๐ โ ๐๐ digunakan untuk
pengendalian proses yang ukuran sampelnya hanya satu (๐ = 1). Hal ini terjadi
4
apabila pemeriksaan dilakukan secara otomatis dan pada tingkat produksi yang
sangat lambat, sehingga sukar untuk mengambil ukuran contoh yang lebih besar
dari satu (๐ > 1). Kasus ini banyak dijumpai pada industri kimia. Grafik
pengendali ๐ผ๐ dan ๐๐ diterapkan pada proses yang menghasilkan produk relatif
homogen seperti kandungan mineral dari air atau makanan. Dalam hal ini, peneliti
menggambil data salah satu kandungan air yaitu sisa klor. Dalam melakukan
pengukuran sisa klor, Perusahaan Daerah Air Minum (PDAM) Surya Sembada
Surabaya mengambil sampel setiap satu jam sekali dan proses produksinya
berlangsung selama 24 jam. Sehingga grafik pengendali ๐ผ๐ โ ๐๐ dipilih dalam
penulisan skripsi ini.
Selain menentukan grafik pengendali, langkah selanjutnya dalam
pengendalian kualitas statistik adalah menganalisis kapabilitas proses suatu
produk. Analisis kapabilitas proses didefinisikan sebagai kemampuan sebuah
proses untuk menghasilkan suatu produk yang sesuai dengan kebutuhan dari
konsumen. Indeks kapabilitas proses adalah output utama dari analisis kapabilitas
proses yang menggambarkan seberapa jauh proses tersebut dapat memenuhi batas
spesifikasi yang diharapkan oleh konsumen. Batas spesifikasi (specification limit)
merupakan batas yang ditentukan oleh konsumen atau target yang harus dicapai.
Jika nilai minimum pada indeks kapabilitas proses diperoleh, proses disebut
sebagai โcapableโ yang berarti bahwa batas spesifikasi di luar batas kendali.
Sedangkan jika nilai minimum tidak diperoleh, maka proses dinamakan โnot
capableโ (Nasiri dan Darestani, 2016).
Ketidakpastian data dapat terjadi dalam pengendalian kualitas karena
adanya kesalahan sistem pengukuran, operator atau kondisi lingkungan pada saat
5
penentuan karakteristik sampel pengamatan. Dalam hal ini, penggunaan
pendekatan teori himpunan kabur merupakan alat yang dapat digunakan untuk
menangani ketidakpastian data.
Grafik pengendali kabur merupakan salah satu konsep penggabungan
antara metode statistik dan teori himpunan kabur yang dapat digunakan dalam
menangani data yang mengandung ketidakpastian. Beberapa penelitian tentang
penggabungan antara metode statistik dan teori himpunan kabur dalam konsep
grafik pengendali ini telah dikembangkan. Pada tahun 2011, grafik pengendali
๐ โ ๐ dikembangkan menggunakan modus kabur dan metode ketentuan-
ketentuan kabur. Kaya dan Kahraman (2011) menghitung ๐ถ๐ ,๐ถ๐๐ dengan bilangan
kabur segitiga (triangular fuzzy number) dan bilangan kabur trapesium (trapezium
fuzzy number). Hasil dari penelitian tersebut menggambarkan bahwa indeks
kapabilitas proses kabur lebih fleksibel. Kaya dan Kahraman juga menghitung
median, standar deviasi, dan rata-rata pada proses menggunakan potongan ๐ผ.
Setelah itu Kaya dan Kahraman juga menghitung indeks kapabilitas proses seperti
๐ถ๐ ,๐ถ๐๐ ,๐ถ๐๐ ,๐ถ๐๐ข dengan potongan ๐ผ. Darestani dan Tadi (2014) mengembangkan
grafik pengendali kabur ๐ผ๐ โ๐๐ menggunakan modus kabur (fuzzy mode) dan
pendekatan aturan-aturan kabur (fuzzy rules approach).
Berdasarkan penelitian-penelitian yang sudah dikembangkan, penulis
tertarik untuk menganalisis grafik pengendali kabur ๐ผ๐ โ๐๐ dan kapabilitas
proses kabur pada data kualitas produksi air. Sehingga judul dalam skripsi ini
adalah โPenerapan Grafik Pengendali Kabur ๐ผ๐ โ๐๐ dan Kapabilitas Proses
Kabur pada Pengendalian Kualitas Produksi Air PDAMโ.
6
1.2 Rumusan Masalah
Rumusan masalah penelitian ini yaitu:
1. Bagaimana hasil analisis penerapan grafik pengendali kabur ๐ผ๐ โ๐๐
menggunakan pendekatan fuzzy rules pada pengendalian kualitas proses
produksi air PDAM?
2. Bagaimana kapabilitas proses kabur pada produksi air PDAM berdasarkan
grafik pengendali kabur ๐ผ๐ โ๐๐ ?
1.3 Tujuan Penelitian
Tujuan penelitian ini yaitu:
1. Mengetahui hasil analisis penerapan grafik pengendali kabur ๐ผ๐ โ๐๐
menggunakan pendekatan fuzzy rules pada pengendalian kualitas proses
produksi air PDAM.
2. Mengetahui kapabilitas proses kabur pada produksi air PDAM berdasarkan
grafik pengendali kabur ๐ผ๐ โ๐๐ .
1.4 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini yaitu:
a. Bagi Penulis
Menambah pengetahuan penulis mengenai grafik pengendali kabur dan
kapabilitas proses pada pengendalian kualitas proses produksi.
7
b. Bagi Perusahaan
Dapat digunakan sebagai masukan bagi perusahaan dalam pengelolaan
kebijakan perusahaan dalam menentukan strategi dan pengendalian kualitas pada
masa yang akan datang sebagai upaya peningkatan mutu.
c. Bagi Pembaca
Penulis berharap penelitian ini mampu memberikan informasi tentang
grafik pengendali kabur dan kapabilitas proses kabur pada pengendalian kualitas
proses produksi untuk dipelajari sebagai acuan penelitian selanjutnya.
d. Bagi Lembaga
Sebagai tambahan pengetahuan, tambahan wawasan keilmuan matematika,
dan sebagai tambahan kajian pustaka.
1.5 Batasan Masalah
Berdasarkan rumusan masalah dan tujuan penelitian, pembatasan masalah
penelitian ini yaitu:
1. Fungsi keanggotaan yang digunakan dalam penelitian ini adalah fungsi
keanggotaan kurva trapesium.
2. Analisis grafik pengendali kabur dibatasi pada penentuan batas kendali grafik
pengendali kabur.
3. Data yang digunakan dalam penelitian ini adalah data pengamatan kandungan
air PDAM yang berupa sisa klor.
8
1.6 Sistematika Penulisan
Penulisan skripsi ini terdiri dari lima bab yang merupakan rangkaian antara
satu bab dengan bab yang lainnya. Bab-bab tersebut disusun secara sistematis
sebagai berikut.
Bab I Pendahuluan
Bab ini meliputi latar belakang, rumusan masalah, tujuan penelitian,
manfaat penelitian, batasan masalah, dan sistematika penulisan.
Bab II Kajian Pustaka
Bab ini memaparkan teori-teori yang mendukung dalam skripsi ini yaitu
teori tentang pengendalian kualitas proses statistik, grafik pengendali,
grafik pengendali untuk variabel, himpunan kabur, bilangan kabur,
bilangan kabur berdasarkan keanggotaan kurva trapesium, grafik
pengendali kabur ๐ผ๐ โ ๐๐ , pendekatan fuzzy rules grafik pengendali
kabur, kapabilitas proses, kapabilitas proses kabur, serta kajian agama
tentang gharizah baqaโ.
Bab III Metode Penelitian
Bab ini meliputi pendekatan penelitian, jenis dan sumber data, teknik
pengumpulan data, dan analisis data.
Bab IV Pembahasan
Bab ini menganalisis dan membahas penerapan hasil grafik pengendali
kabur ๐ผ๐ โ๐๐ menggunakan pendekatan fuzzy rules dan penerapan
kapabilitas proses kabur pada data produksi air PDAM.
Bab IV Penutup
Bab ini memaparkan hasil dari pembahasan berupa kesimpulan dan saran.
9
BAB II
KAJIAN PUSTAKA
2.1 Pengendalian Kualitas Proses Statistik
Air merupakan sumber kehidupan manusia dan makhluk hidup lainnya
karena 80% komponen penyusun makhluk hidup merupakan air. PDAM
merupakan salah satu perusahaan yang memproduksi air dan disalurkan ke
masyarakat. Salah satu kandungan air yang diproduksi oleh PDAM adalah sisa
klor. Jika sisa klor ini melebihi batas yang telah ditentukan oleh dinas kesehatan,
maka air dalam keadaan tercemar. Oleh karena itu, perlu diadakan suatu
pengendalian supaya kualitas air yang di konsumsi oleh masyarakat tetap terjaga
(Harahap, 2007).
Menurut Cheng (2005), pengendalian kualitas proses statistik merupakan
sebuah teknik untuk menunjukkan penyebab terjadinya variasi sehingga dapat
dilakukan sebuah tindakan untuk memperbaiki. Pengendalian kualitas proses
statistik telah muncul di berbagai bidang industri dan jasa dengan tujuan untuk
meningkatkan kualitas dan efisiensi produk yang dihasilkan.
Tujuan utama dalam pengendalian proses statistik adalah mendeteksi
adanya penyebab khusus dalam variabilitas atau kesalahan-kesalahan proses
melalui analisis data dari masa lalu maupun masa mendatang. Variasi proses
sendiri disebabkan oleh dua macam penyebab, yaitu penyebab umum yang sudah
melekat pada proses seperti penyimpangan pada bahan baku, kinerja karyawan,
kinerja mesin, suhu udara, dan kelembapan udara. Sedangkan penyebab khusus
merupakan kesalahan yang biasanya muncul dalam proses sehingga nantinya
dapat memprediksi proses berada dalam kondisi stabil atau sebaliknya. Contoh
10
dari penyebab khusus seperti penggunaan alat, kesalahan operator, kesalahan
penyiapan mesin, kesalahan perhitungan, kesalahan bahan baku, dan kesalahan-
kesalahan yang tidak tampak dalam proses (Ariani, 2004).
Menurut Gryna (2001) dalam Ariani (2004), manfaat pengendalian proses
statistik yaitu:
1. Proses memiliki stabilitas yang memungkinkan organisasi dapat memprediksi
perilaku paling tidak untuk jangka pendek.
2. Proses memiliki identitas dalam menyusun seperangkat kondisi yang penting
untuk membuat prediksi masa mendatang.
3. Proses yang berada dalam kondisi in control (berada dalam batas pengendalian
statistik) beroperasi dengan variabilitas yang lebih kecil daripada proses yang
memiliki penyebab khusus.
Proses yang variasi prosesnya disebabkan oleh penyebab khusus merupakan
proses yang tidak stabil dan memiliki kesalahan yang berlebihan sehingga
harus ditutup dengan mengadakan perubahan untuk mencapai perbaikan.
2.2 Grafik Pengendali
Grafik pengendali (control chart) merupakan suatu alat yang digunakan
untuk menentukan suatu proses berada dalam kendali statistik atau tidak. Secara
umum grafik pengendali diklasifikasikan ke dalam dua tipe. Pertama, grafik
pengendali variabel yaitu apabila karakteristik kualitas dapat diukur dan
dinyatakan dalam bilangan. Misalnya, diameter bantalan poros dapat diukur
dengan mikrometer dan dinyatakan dalam milimeter. Suatu karakteristik kualitas
yang dapat diukur, seperti dimensi, berat, atau volume (Montgomery, 2009).
11
Kedua, grafik pengendali atribut (sifat) yaitu apabila tidak memungkinkan
dilakukan pengukuran. Contoh karakteristik kualitas yang merupakan grafik
pengendali atribut yaitu goresan, kesalahan, warna, atau ada bagian yang hilang.
Selain itu, atribut digunakan apabila pengukuran dapat dibuat tetapi tidak dibuat
karena alasan waktu, biaya, atau kebutuhan (Ariani, 2004).
Menurut Montgomery (2009), secara umum model grafik pengendali
dirumuskan sebagai berikut:
๐๐ถ๐ฟ = ๐๐ค + ๐๐๐ค
๐ถ๐ฟ = ๐๐ค (2.1)
๐ฟ๐ถ๐ฟ = ๐๐ค โ ๐๐๐ค
dengan,
๐๐ถ๐ฟ : batas kendali atas (upper control limit)
๐ถ๐ฟ : garis tengah (center line)
๐ฟ๐ถ๐ฟ : batas kendali bawah (lower control limit)
๐ค : statistik sampel yang digunakan sebagai ukuran karakteristik kualitas
proses produksi
๐ : jarak batas kendali dari garis tengah yang dinyatakan dalam unit standar
deviasi
๐๐ค : rata-rata dari ๐ค
๐๐ค : standar deviasi dari ๐ค
Menurut Montgomery (2009), teori umum grafik pengendali ini pertama
kali dikemukakan oleh Dr. Walter A. Shewhart. Grafik pengendali yang
dikembangkan menurut prinsip ini biasanya disebut grafik pengendali Shewhart.
Berikut ini ditunjukkan contoh grafik pengendali statistik:
12
Gambar 2.1 Contoh Grafik Pengendali Statistik
Berdasarkan Gambar 2.1 tersebut, sumbu ๐ฆ menunjukkan nilai
karakteristik kualitas yang diukur. Sedangkan sumbu ๐ฅ menunjukkan waktu atau
nomor pengamatan. Garis hijau yang berada di tengah merupakan garis tengah
(๐ถ๐ฟ) yang menunjukkan besar nilai rata-rata karakteristik kualitas yang diukur.
Garis merah merupakan batas kendali atas (๐๐ถ๐ฟ) dan batas kendali bawah (๐ฟ๐ถ๐ฟ).
Titik-titik yang dihubungkan oleh garis adalah statistik sampel yang diukur
karakteristik kualitasnya terhadap waktu atau nomor pengamatan tersebut. Selama
titik-titik terletak di dalam batas-batas pengendali, proses dianggap dalam keadaan
terkendali secara statistik dan tidak perlu tindakan apapun. Tetapi jika ada satu
titik yang terletak di luar batas pengendali (di bawah ๐ฟ๐ถ๐ฟ atau di atas ๐๐ถ๐ฟ), maka
hal ini sebagai indikasi bahwa proses tidak terkendali, dan diperlukan
penyelidikan atau perbaikan untuk mengetahui dan menghilangkan penyebab
tersebut.
2.3 Grafik Pengendali untuk Variabel
Grafik pengendali untuk variabel merupakan prosedur pengendali yang
lebih efisien dan memberikan informasi tentang kondisi proses lebih banyak dari
pada grafik pengendali sifat (Montgomery, 2009).
13
Salah satu grafik pengendali variabel adalah grafik pengendali ๐ผ๐ โ ๐๐ .
Grafik pengendali ๐ผ๐ โ ๐๐ merupakan gabungan dari peta kendali ๐ผ๐
(individual) yang menampilkan angka hasil pengukuran untuk mengendalikan
rata-rata proses. Grafik pengendali ๐๐ (moving range) yang menampilkan
perbedaan angka dari pengukuran yang satu ke pengukuran selanjutnya dan
digunakan untuk mengendalikan variabilitas proses (Montgomery, 2009).
Menurut Darestani dan Tadi (2014), grafik pengendali ๐ผ๐ โ ๐๐
digunakan jika dalam keadaan sebagai berikut:
1. Menggunakan teknologi pengukuran dan inspeksi otomatis.
2. Siklus produksi sangat lama dan tidak dapat menganalisis lebih dari satu
sampel.
3. Proses pengambilan sampel sangat lambat atau membutuhkan biaya yang
banyak.
Grafik pengendali ๐ผ๐ dan ๐๐ diterapkan pada keadaan-keadaan tersebut.
Prosedur pengendaliannya menggunakan moving range dua observasi yang
berturut-turut untuk menaksir variabilitas proses.
Menurut Montgomery (2009), moving range didefinisikan sebagai berikut
๐๐ ๐ = ๐๐ โ ๐๐โ1 (2.2)
dengan,
๐๐ ๐ : moving range sampel ke-i
๐๐ : data sampel ke-i
๐๐โ1 : data sampel ke-i-1
Biasanya, data pertama tidak mempunyai moving range. Moving range baru
dimiliki oleh data atau sampel kedua sampai terakhir.
14
Menurut Montgomery (2009), batas pengendali untuk moving range
adalah:
๐๐ถ๐ฟ = ๐ท4๐๐
๐ถ๐ = ๐๐ = ๐ฅ๐ โ ๐ฅ๐โ1
๐
๐ฟ๐ถ๐ฟ = ๐ท3๐๐
(2.3)
dengan,
๐ท4 : nilai konstan ๐ท4 untuk grafik pengendali ๐๐ .
๐ท3 : nilai konstan ๐ท3 untuk grafik pengendali ๐๐ .
๐๐ : rata-rata moving range dua observasi.
Sedangkan batas pengendali untuk grafik pengendali rata-rata individu adalah:
๐๐ถ๐ฟ = ๐ +
3๐๐
๐2
๐ถ๐ = ๐ =
๐๐๐=1
๐
(2.4)
๐ฟ๐ถ๐ฟ = ๐ โ
3๐๐
๐2
dengan,
๐ : rata-rata data individu.
๐ท2 : nilai konstan ๐ท2.
๐๐ : rata-rata moving range dua observasi.
2.4 Himpunan Kabur
Menurut Susilo (2006), teori himpunan kabur diperkenalkan oleh Lotfi
Asker Zadeh, seorang guru besar pada University of California, Amerika Serikat.
Zadeh memperluas konsep himpunan klasik menjadi himpunan kabur (fuzzy set),
15
dalam artian bahwa himpunan klasik (crisp set) merupakan kejadian khusus dari
himpunan kabur. Zadeh memperluas konsep fungsi karakteristik tersebut dan
mendefinisikan himpunan kabur dengan menggunakan fungsi keanggotaan yang
nilainya berada dalam selang tertutup 0, 1 . Sehingga keanggotaan dalam
himpunan kabur tidak lagi merupakan sesuatu yang tegas, melainkan sesuatu yang
berderajat atau bergradasi secara kontinu.
Fungsi keanggotaan yang sering digunakan adalah bentuk segitiga,
trapesium dan lonceng. Fungsi keanggotaan yang digunakan dalam penelitian ini
adalah fungsi keanggotaan dengan bentuk trapesium. Suatu fungsi keanggotaan
himpunan kabur disebut fungsi keanggotaan trapesium jika mempunyai empat
buah parameter, yaitu ๐, ๐, ๐,๐ โ โ dengan ๐ < ๐ < ๐ < ๐, dan dinyatakan
dengan trapesium (๐ฅ,๐, ๐, ๐,๐). Menurut Kusumadewi dan Purnomo (2004),
kurva trapesium pada dasarnya merupakan gabungan antara dua garis (linier)
seperti bentuk segitiga, hanya saja ada beberapa titik yang memiliki nilai
keanggotaan 1 seperti terlihat pada Gambar 2.2.
Gambar 2.2 Kurva Keanggotaan Trapesium
Fungsi keanggotaan dapat ditentukan dengan menggunakan persamaan
garis linier yang melalui dua titik. Misal suatu garis linier melalui titik ๐ด(๐ฅ1,๐ฆ1)
dan titik ๐ต(๐ฅ2,๐ฆ2), maka persamaan garis liniernya adalah:
๐(๐ฅ)
0 a d c b
16
๐ฅ โ ๐ฅ1
๐ฅ2 โ ๐ฅ1=
๐ฆ โ ๐ฆ1
๐ฆ2 โ ๐ฆ1
(2.5)
Misalkan ๐ฆ = ๐(๐ฅ), dengan ๐(๐ฅ) adalah derajat keanggotaan dari himpunan
kabur ๐ฅ maka,
a. Jika ๐ฅ < ๐ atau ๐ฅ > ๐, maka
๐ ๐ฅ = 0 (2.6)
b. Jika ๐ โค ๐ฅ โค ๐, maka
๐ฅ โ ๐ฅ1
๐ฅ2 โ ๐ฅ1=
๐ฆ โ ๐ฆ1
๐ฆ2 โ ๐ฆ1
๐ฅ โ ๐
๐ โ ๐=๐ฆ โ 0
1 โ 0
๐ฆ =๐ฅ โ ๐
๐ โ ๐
๐ ๐ฅ =๐ฅ โ ๐
๐ โ ๐
(2.7)
c. Jika ๐ โค ๐ฅ โค ๐, maka
๐ฆ = ๐ ๐ฅ = 1 (2.8)
d. Jika ๐ โค ๐ฅ โค ๐, maka
๐ฅ โ ๐ฅ1
๐ฅ2 โ ๐ฅ1=
๐ฆ โ ๐ฆ1
๐ฆ2 โ ๐ฆ1
๐ฅ โ ๐
๐ โ ๐=๐ฆ โ 1
0 โ 1
๐ฆ โ 1 ๐ โ ๐ = โ ๐ฅ โ ๐
๐ฆ ๐ โ ๐ โ 1 ๐ โ ๐ = โ ๐ฅ โ ๐
๐ฆ ๐ โ ๐ โ ๐ + ๐ = โ๐ฅ + ๐
๐ฆ ๐ โ ๐ = โ๐ฅ + ๐ + ๐ โ ๐
๐ฆ ๐ โ ๐ = โ๐ฅ + ๐
17
๐ฆ =๐ โ ๐ฅ
๐ โ ๐
๐ ๐ฅ =๐ โ ๐ฅ
๐ โ ๐
(2.9)
Menurut Kusumadewi dan Purnomo (2004), fungsi keanggotaan trapesium yaitu:
๐ ๐ฅ =
0 ; ๐ฅ < ๐ atau ๐ฅ > ๐๐ฅ โ ๐
๐ โ ๐; ๐ โค ๐ฅ โค ๐
1 ; ๐ โค ๐ฅ โค ๐๐ โ ๐ฅ
๐ โ ๐ ; ๐ โค ๐ฅ โค ๐
(2.10)
dengan,
๐ : nilai domain terkecil yang mempunyai derajat keanggotaan nol
๐ : nilai domain terkecil yang mempunyai derajat keanggotaan satu
๐ : nilai domain terbesar yang mempunyai derajat keanggotaan satu
๐ : nilai domain terbesar yang mempunyai derajat keanggotaan nol
๐ฅ : nilai input yang akan diubah ke dalam bilangan kabur
2.5 Bilangan Kabur
Secara umum bilangan kabur didefinisikan sebagai himpunan kabur dalam
semesta himpunan bilangan real yang memenuhi empat sifat yaitu normal,
mempunyai pendukung yang terbatas, semua potongan ๐ผ-nya adalah selang
tertutup dalam bilangan real, dan konveks (Susilo, 2006).
Konsep bilangan kabur muncul dalam kehidupan sehari-hari maupun
dalam aplikasi teori kabur dalam bentuk besaran yang dinyatakan dengan bilangan
yang tidak tepat, seperti โsekitar 7 Kmโ, โkurang lebih 10 buahโ, dan โkira-kira 3
jamโ. Ungkapan โsekitar 7โ dapat dinyatakan dengan suatu himpunan kabur pada
semesta ๐ , di mana bilangan 7 mempunyai derajat keanggotaan sama dengan 1,
18
dan bilangan-bilangan di sekitar 7 mempunyai derajat keanggotaan kurang dari 1.
Apabila bilangan-bilangan itu semakin jauh dari 7, maka derajat keanggotaannya
semakin mendekati 0 (Susilo, 2006).
2.6 Bilangan Kabur Berdasarkan Fungsi Keanggotaan Kurva Trapesium.
Setiap sampel pengamatan pada kasus kabur direpresentasikan ke dalam
bilangan kabur berdasarkan fungsi keanggotaan yang digunakan. Jika sistem
kendali logika kabur bekerja dengan kaidah dan masukan kabur, maka langkah
pertama adalah mengubah masukan tegas yang diterima menjadi masukan kabur.
Menurut Susilo (2006), untuk masing-masing variabel masukan ditentukan suatu
fungsi pengkaburan (fuzzification function) yang akan mengubah nilai variabel
masukan yang tegas (yang biasanya dinyatakan dalam bilangan real) menjadi nilai
pendekatan yang kabur. Jadi fungsi pengkaburan adalah pemetaan ๐: โ โ ๐พ, di
mana ๐พ adalah suatu kelas himpunan kabur dalam semesta โ. Penelitian ini
menggunakan fungsi keanggotaan kurva trapesium. Fungsi pengaburan trapesium
memetakan nilai ๐ โ โ ke himpunan kabur ๐ด dengan fungsi keanggotaan
berbentuk trapesium, yaitu:
๐๐ = ๐ โ ๐ผ1๐
๐๐ = ๐ โ ๐ผ2๐
๐๐ = ๐ + ๐ผ2๐
๐๐ = ๐ + ๐ผ1๐
dengan,
๐ : standar deviasi dari sampel
๐ผ : multiplier > 0, dengan ๐ผ1 > ๐ผ2
19
๐๐ : sampel terkecil yang mempunyai derajat keanggotaan 0
๐๐ : sampel sedang yang mempunyai derajat keanggotaan 1
๐๐: sampel sedang yang mempunyai derajat keanggotaan 1
๐๐ : sampel terbesar yang mempunyai derajat keanggotaan 0
Dengan demikian representasi bilangan kabur berdasarkan fungsi keanggotaan
kurva trapesium adalah:
๐ = ๐๐ , ๐๐ , ๐๐ , ๐๐
dan gambar representasi bilangan kabur adalah:
Gambar 2.3 Representasi Bilangan Kabur Trapesium
Berdasarkan Gambar 2.3 fungsi keanggotaan kurva trapesium pada persamaan
(2.10) menjadi
๐ ๐ =
0 ,๐ < ๐๐ atau ๐ > ๐๐๐ โ ๐๐๐๐ โ ๐๐
,๐๐ โค ๐ โค ๐๐
1 ,๐๐ โค ๐ โค ๐๐๐๐ โ ๐
๐๐ โ ๐๐ ,๐๐ < ๐ โค ๐๐
Kemudian didefinisikan bilangan kabur trapesium sebagai wakil dari setiap
pengamatan ke-i adalah:
๐๐ = ๐๐๐น๐ ๐๐๐ ,๐๐๐ ,๐๐๐ ,๐๐๐ ; ๐ = 1, 2, 3,โฆ ,๐
๐(๐ฅ)
๐๐ ๐๐ ๐๐ ๐๐
20
2.7 Grafik Pengendali Kabur ๐ฐ๐ฟ โ๐ด๐น
Grafik pengendali kabur ๐ผ๐ โ๐๐ didasarkan pada bilangan kabur
trapesium. Sehingga setiap sampel direpresentasikan ke dalam bilangan kabur
trapesium. Menurut Darestani dan Tadi (2014), persamaan untuk bilangan kabur
trapesium adalah sebagai berikut:
๐๐ = ๐๐๐น๐ ๐๐๐,๐๐๐,๐๐๐,๐๐๐ ; ๐ = 1, 2, 3,โฆ ,๐ (2.11)
Garis tengah dari grafik pengendali kabur ๐ผ๐ (๐ถ๐ฟ ๐ผ๐) adalah nilai rata-rata
dari sampel yang dapat dihitung sebagai berikut:
๐ = ๐๐๐๐๐=1
๐, ๐๐๐๐๐=1
๐, ๐๐๐๐๐=1
๐, ๐๐๐๐๐=1
๐
= ๐๐๐น๐ ๐ ๐๐, ๐ ๐๐, ๐ ๐๐, ๐ ๐๐
(2.12)
dengan ๐ adalah banyak pengamatan. Sehingga nilai ๐ถ๐ฟ ๐ผ๐ adalah
๐ถ๐ฟ ๐ผ๐ = ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ = ๐๐๐น๐(๐ถ๐ฟ๐ ,๐ถ๐ฟ๐ ,๐ถ๐ฟ๐ ,๐ถ๐ฟ๐)
Batas-batas grafik pengendali kabur ๐ผ๐ yang meliputi ๐๐ถ๐ฟ ๐ผ๐ , ๐ถ๐ฟ ๐ผ๐ , dan
๐ฟ๐ถ๐ฟ ๐ผ๐ berdasarkan persamaan (2.4) adalah sebagai berikut:
๐๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ + 3
๐๐
๐2
= ๐๐๐น๐ ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ + 3(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
= ๐๐๐น๐ ๐ ๐ + 3(๐๐ ๐)
๐2,๐ ๐ + 3
๐๐ ๐๐2
,๐ ๐ + 3๐๐ ๐๐2
,๐ ๐ + 3๐๐ ๐๐2
= ๐๐๐น๐(๐๐ถ๐ฟ๐ผ๐๐ ,๐๐ถ๐ฟ๐ผ๐๐ ,๐๐ถ๐ฟ๐ผ๐๐ ,๐๐ถ๐ฟ๐ผ๐๐) (2.13)
๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐ ๐ ๐,๐ ๐,๐ ๐,๐ ๐
= ๐๐๐น๐(๐ถ๐ฟ๐ผ๐๐ ,๐ถ๐ฟ๐ผ๐๐ ,๐ถ๐ฟ๐ผ๐๐ ,๐ถ๐ฟ๐ผ๐๐ ) (2.14)
21
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ โ 3 ๐๐
๐2
= ๐๐๐น๐ ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ โ 3
(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
= ๐๐๐น๐ ๐ ๐ โ 3(๐๐ ๐)
๐2,๐ ๐ โ 3
๐๐ ๐๐2
,๐ ๐ โ 3๐๐ ๐๐2
,๐ ๐ โ 3๐๐ ๐๐2
= ๐๐๐น๐(๐ฟ๐ถ๐ฟ๐ผ๐๐๐ฟ๐ถ๐ฟ๐ผ๐๐ , ๐ฟ๐ถ๐ฟ๐ผ๐๐ , ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
(2.15)
dengan,
๐๐ถ๐ฟ ๐ผ๐๐
: batas atas grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan
kabur trapesium, ๐ = ๐, ๐, ๐,๐
๐ถ๐ฟ ๐ผ๐๐ : garis tengah grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan
kabur trapesium, ๐ = ๐, ๐, ๐,๐
๐ฟ๐ถ๐ฟ ๐ผ๐๐ : batas bawah grafik pengendali kabur ๐ผ๐ dari representasi ke-j bilangan
kabur trapesium, ๐ = ๐, ๐, ๐,๐
๐๐ : rata-rata bilangan trapesium, ๐ = ๐, ๐, ๐, ๐
๐๐ ๐ : rata-rata moving range bilangan trapesium, ๐ = ๐, ๐, ๐,๐
๐2 : nilai ketetapan pada tabel faktor
Dengan menggunakan formula grafik pengendali ๐ผ๐ โ ๐๐ , batas kendali
grafik pengendali kabur ๐๐ berdasarkan persamaan (2.2) adalah:
๐๐ ๐ = ๐๐๐ ,๐๐๐ ,๐๐๐ ,๐๐๐ โ ๐๐๐โ1,๐๐๐โ1,๐๐๐โ1,๐๐๐โ1
= ๐๐๐ โ ๐๐๐โ1,๐๐๐ โ ๐๐๐โ1,๐๐๐ โ ๐๐๐โ1,๐๐๐ โ ๐๐๐โ1 (2.16)
= ๐๐๐น๐(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
22
dan untuk rata-rata dari moving range adalah:
๐๐ = ๐ ๐ ๐๐๐โ1๐=2
๐ โ 1, ๐ ๐ ๐๐๐โ1๐=2
๐ โ 1, ๐ ๐ ๐๐๐โ1๐=2
๐ โ 1, ๐ ๐ ๐๐๐โ1๐=2
๐โ 1
(2.17)
= ๐๐๐น๐ ๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐
Sehingga diperoleh batas-batas kendali untuk grafik pengendali kabur
๐ผ๐ โ ๐๐ berdasarkan persamaan (2.3) sebagai berikut:
๐๐ถ๐ฟ ๐๐ = ๐ท4 ๐๐
= ๐ท4 ๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐
= ๐๐๐น๐ ๐ท4๐๐ ๐ ,๐ท4๐๐ ๐ ,๐ท4๐๐ ๐ ,๐ท4 ๐๐ ๐
= ๐๐๐น๐ ๐๐ถ๐ฟ๐๐ ๐ ,๐๐ถ๐ฟ๐๐ ๐ ,๐๐ถ๐ฟ๐๐ ๐ ,๐๐ถ๐ฟ๐๐ ๐
(2.18)
๐ถ๐ฟ ๐๐ = ๐๐
= ๐๐๐น๐ ๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐
= ๐๐๐น๐ ๐ถ๐ฟ๐๐ ๐ ,๐ถ๐ฟ๐๐ ๐ ,๐ถ๐ฟ๐๐ ๐ ,๐ถ๐ฟ๐๐ ๐
๐ฟ๐ถ๐ฟ ๐๐ = ๐ท3๐๐
= ๐ท3 ๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐
= ๐๐๐น๐ ๐ท3๐๐ ๐ ,๐ท3๐๐ ๐ ,๐ท3๐๐ ๐ ,๐ท3 ๐๐ ๐
= ๐๐๐น๐ ๐ฟ๐ถ๐ฟ๐๐ ๐ , ๐ฟ๐ถ๐ฟ๐๐ ๐ , ๐ฟ๐ถ๐ฟ๐๐ ๐ ,๐ฟ๐ถ๐ฟ๐๐ ๐
(2.19)
dengan,
๐๐ถ๐ฟ ๐๐ ๐
: batas atas grafik pengendali kabur ๐๐ dari representasi ke-j
bilangan kabur trapesium, ๐ = ๐, ๐, ๐,๐
๐ถ๐ฟ ๐๐ ๐ : garis tengah grafik pengendali kabur ๐๐ dari representasi ke-j
bilangan kabur trapesium, ๐ = ๐, ๐, ๐,๐
23
๐ฟ๐ถ๐ฟ ๐๐ ๐ : batas bawah grafik pengendali kabur ๐๐ dari representasi ke-j
bilangan kabur trapesium, ๐ = ๐, ๐, ๐,๐
๐ท3 : nilai ketetapan pada tabel faktor
๐ท4 : nilai ketetapan pada tabel faktor
2.8 Pendekatan Fuzzy Rules Grafik Pengendali Kabur
Darestani dan Tadi (2014) mengembangkan grafik pengendali kabur
๐ผ๐ โ๐๐ menggunakan fuzzy mode dan pendekatan fuzzy rules yang didasarkan
pada bilangan kabur trapesium. Aturan-aturan yang sudah dibuat digunakan untuk
menentukan sebuah proses terkendali atau tidak. Sebuah proses dikatakan
terkendali apabila seluruh daerah sampel berada di dalam batas pengendali ๐๐ถ๐ฟ
dan ๐ฟ๐ถ๐ฟ. Sedangkan sebuah proses dikatakan tidak terkendali apabila daerah
sampel berada di luar batas kendali ๐๐ถ๐ฟ dan ๐ฟ๐ถ๐ฟ.
Menurut Darestani dan Tadi (2014), Pendekatan fuzzy rules grafik
pengendali kabur ๐ผ๐ โ๐๐ memiliki aturan khusus. Aturan-aturan tersebut
meliputi ๐ถ๐ผ๐ yang merupakan persentase daerah rata-rata sampel kabur yang
berada di dalam batas kendali grafik pengendali kabur ๐ผ๐ dan ๐ถ๐๐ yang
merupakan persentase daerah rata-rata sampel kabur yang berada di dalam batas
kendali grafik pengendali kabur ๐๐ . Aturan yang digunakan sebagai berikut:
24
๐ถ๐ผ๐๐=
1
0
1 โ ๐๐๐ โ ๐๐ถ๐ฟ๐ผ๐๐
๐๐๐ โ ๐๐๐
1 โ ๐ฟ๐ถ๐ฟ๐ผ๐๐ โ ๐๐๐
๐๐๐ โ ๐๐๐
Min{1 โ ๐๐๐ โ ๐๐ถ๐ฟ๐ผ๐๐
๐๐๐ โ ๐๐๐ ,
1 โ ๐ฟ๐ถ๐ฟ๐ผ๐๐ โ ๐๐๐
๐๐๐ โ ๐๐๐ }
, ๐๐๐ โค ๐๐ถ๐ฟ๐ผ๐๐ โง (๐๐๐ โฅ ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
(2.20)
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐๐ ) โจ (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐๐ )
, (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
, (๐๐๐ > ๐๐ถ๐ฟ๐ผ๐๐ ) โง (๐๐๐ < ๐ฟ๐ถ๐ฟ๐ผ๐๐ )
Sedangkan kondisi proses terkendali untuk ๐ถ๐๐ ๐ adalah:
๐ถ๐๐ ๐
1
0
1 โ ๐๐ ๐๐ โ ๐๐ถ๐ฟ๐๐ ๐
๐๐ ๐๐ โ๐๐ ๐๐
1 โ ๐ฟ๐ถ๐ฟ๐๐ ๐
โ๐๐ ๐๐
๐๐ ๐๐ โ๐๐ ๐๐
Min{1 โ ๐๐ ๐๐ โ ๐๐ถ๐ฟ๐๐ ๐
๐๐ ๐๐ โ๐๐ ๐๐ ,
1 โ ๐ฟ๐ถ๐ฟ๐๐ ๐
โ๐๐ ๐๐
๐๐ ๐๐ โ๐๐ ๐๐ }
, ๐๐ ๐๐ โค ๐๐ถ๐ฟ๐๐ ๐ โง ๐๐ ๐๐ โฅ ๐ฟ๐ถ๐ฟ๐๐ ๐
, (๐๐ ๐๐ > ๐๐ถ๐ฟ๐๐ ๐) โจ (๐๐ ๐๐ < ๐ฟ๐ถ๐ฟ๐๐ ๐ )
(2.21)
, (๐๐ ๐๐ > ๐๐ถ๐ฟ๐๐ ๐)
, (๐๐ ๐๐ < ๐ฟ๐ถ๐ฟ๐๐ ๐)
, (๐๐ ๐๐ > ๐๐ถ๐ฟ๐๐ ๐ ) โง (๐๐ ๐๐ < ๐ฟ๐ถ๐ฟ๐๐ ๐)
Menurut Darestani dan Tadi (2014), keputusan yang mungkin dihasilkan
pendekatan fuzzy rules diilustrasikan pada gambar berikut:
25
Gambar 2.4. Ilustrasi Fuzzy Rules-1
Gambar 2.4 menggambarkan bahwa fuzzy rules-1 menjelaskan kasus rata-
rata sampel berada di antara batas kendali kabur, sehingga proses dikatakan โin
controlโ.
Gambar 2.5. Ilustrasi Fuzzy Rules-2
Gambar 2.5 menggambarkan bahwa fuzzy rules-2 menjelaskan kasus rata-
rata sampel seluruhnya keluar dari batas kendali kabur sehingga proses disebut
โout of controlโ.
26
Gambar 2.6. Ilustrasi Fuzzy Rules-3 dan 4
Gambar 2.6 menggambarkan bahwa fuzzy rules-3 dan fuzzy rules-4
menjelaskan kasus sebagian rata-rata sampel berada di dalam batas kendali kabur
akan tetapi sebagian yang lain berada di luar batas kendali. Jika persentase daerah
yang berada di dalam batas kendali kabur (๐ฝ1) sama dengan atau lebih dari
persentase area permintaan yang telah ditetapkan ๐ฝ , maka proses dikatakan
โrather in controlโ dan sebaliknya dikatakan โrather out of controlโ.
Gambar 2.7. Ilustrasi Fuzzy Rules-5
Gambar 2.7 menggambarkan bahwa fuzzy rules-5 menggambarkan kasus
yang mana sebagian rata-rata sampel termasuk dalam kedua batas kendali.
Hasil keputusan linguistiknya yaitu
27
Kendali Proses
"๐๐ ๐๐๐๐ก๐๐๐" ๐๐ ๐ถ๐ผ๐๐ = 1 ๐๐๐ ๐ถ๐๐ ๐ = 1 ,
"๐๐ข๐ก ๐๐ ๐๐๐๐ก๐๐๐" ๐๐ ๐ถ๐ผ๐๐ = 0 ๐๐ ๐ถ๐๐ ๐ = 0
"๐๐๐กโ๐๐ ๐๐ ๐๐๐๐ก๐๐๐" ๐๐ ๐ถ๐ผ๐๐ โฅ ๐ฝ ๐๐๐ ๐ถ๐๐ ๐ โฅ ๐ฝ
"๐๐๐กโ๐๐ ๐๐ข๐ก ๐๐ ๐๐๐๐ก๐๐๐" ๐๐ ๐ถ๐ผ๐๐ < ๐ฝ ๐๐ ๐ถ๐๐ ๐ < ๐ฝ
2.9 Kapabilitas Proses
Analisis kapabilitas proses adalah suatu studi untuk menaksir kemampuan
proses. Dalam analisis kapabilitas proses dikenal adanya batas-batas spesifikasi.
Batas spesifikasi ditentukan berdasarkan kebutuhan pelanggan. Semua yang
diinginkan pelanggan terhadap produk atau pelayanan dianalisis dengan riset
pasar dan dikombinasikan dengan perancangan produk dan jasa atau pelayanan.
Batas spesifikasi meliputi batas spesifikasi atas dan batas spesifikasi bawah.
Kedua batas tersebut merupakan batas kesesuaian unit-unit secara individu
dengan operasi manufaktur atau jasa (Ariani, 2004).
Cara membuat analisis kapabilitas proses yang berada pada kondisi
terkendali (in statistical control), antara lain:
1. Indeks kapabilitas proses (capability prosess index).
Indeks kapabilitas proses digunakan untuk mengukur potensi agar sesuai
dengan spesifikasi yang ditetapkan, yang didefinisikan sebagai berikut:
๐ถ๐ =
๐๐๐ฟ โ ๐ฟ๐๐ฟ
6๐
(2.22)
dengan ๐๐๐ฟ (Upper Specification Limit ) dan ๐ฟ๐๐ฟ (Lower Specification Limit)
adalah batas spesifikasi yang ditetapkan konsumen dan harus dipenuhi oleh
produsen, apabila:
๐ถ๐ > 1 berarti proses masih baik (capable)
๐ถ๐ < 1 berarti proses tidak baik (not capable)
28
๐ถ๐ = 0 berarti proses sama dengan spesifikasi konsumen
2. Indeks kapabilitas proses atas dan indeks kapabilitas proses bawah (upper
capability process index and lower capability process index capability index).
๐ถ๐๐ข =
๐๐๐ฟ โ ๐
3๐
(2.23)
๐ถ๐๐ =
๐ โ ๐ฟ๐๐ฟ
3๐
(2.24)
dengan ๐ merupakan rata-rata proses.
๐ถ๐๐ข adalah perbandingan dari rentang atas rata-rata, sedangkan ๐ถ๐๐ adalah
perbandingan rentang bawah rata-rata. Baik ๐ถ๐ ,๐ถ๐๐ข , maupun ๐ถ๐๐ digunakan
untuk mengevaluasi batas spesifikasi yang ditentukan.
3. Indeks Kapabilitas Proses ๐ถ๐๐
Indeks kapabilitas proses tersebut mengukur kemampuan proses dengan
tidak memperhatikan kondisi rata-rata proses (๐). Rata-rata proses tersebut
diasumsikan dengan titik tengah dari batas-batas spesifikasi dan berada pada
kondisi in control. Kenyataannya, nilai rata-rata tidak selalu berada di tengah,
sehingga perlu mengetahui variasi dan lokasi rata-rata proses. Nilai ๐ถ๐๐
diformulasikan sebagai:
๐ถ๐๐ = ๐๐๐
๐๐๐ฟ โ ๐
3๐,๐ โ ๐ฟ๐๐ฟ
3๐ = ๐๐๐ ๐ถ๐๐ข ,๐ถ๐๐
(2.25)
dengan,
๐ =
๐ ๐๐1
๐
(2.26)
dengan ๐ 1,๐ 2, โฆ, ๐ ๐ merupakan rata-rata tiap sampel ke-๐; ๐ = 1, 2,โฆ ,๐
๐ =
๐
๐ถ4
(2.27)
29
Jika ๐ถ๐๐ > 1, maka proses disebut baik (capable). Jika ๐ถ๐๐ < 1, maka proses
disebut kurang baik (not capable). Indeks ๐ถ๐๐ menunjukkan skala jarak relatif dengan 3
standar deviasi. Nilai ๐ถ๐๐ ini menunjukkan kemampuan sesungguhnya dari proses dengan
nilai-nilai parameter yang ada. Jika nilai rata-rata yang sesungguhnya sama dengan titik
tengah, maka sebenarnya nilai ๐ถ๐๐ = ๐ถ๐ . Semakin tinggi indeks kemampuan proses,
maka semakin sedikit produk yang berada di luar batas-batas spesifikasi (Ariani, 2004).
2.10 Kapabilitas Proses Kabur
Indeks kapabilitas proses adalah output utama dari analisis kapabilitas
proses yang mengGambarkan seberapa jauh proses tersebut dapat memenuhi batas
spesifikasi yang diharapkan oleh konsumen. Batas spesifikasi (specification limit)
merupakan batas yang ditentukan oleh konsumen atau target yang harus dicapai.
Jika nilai minimum pada indeks kapabilitas proses diperoleh, maka proses disebut
โcapableโ. Sedangkan jika nilai minimum tidak diperoleh, maka proses
dinamakan โnot capableโ (Nasiri dan Darestani, 2016).
Kaya dan Kahraman (2011) menghitung kapabilitas proses (๐ถ๐) dan
indeks kapabilitas proses (๐ถ๐๐ ) dengan menggunakan triangular fuzzy number
dan trapezium fuzzy number. Penelitian ini menggunakan bilangan kabur
trapesium sehingga untuk menghitung nilai kapabilitas proses kabur (๐ถ ๐), indeks
kapabilitas proses kabur (๐ถ ๐๐ ), indeks kapabilitas proses kabur atas ๐ถ ๐๐ข , dan
indeks kapabilitas proses kabur bawah ๐ถ ๐๐ didefinisikan terlebih dahulu nilai
batas spesifikasi sebagai berikut:
๐๐๐ฟ = ๐๐๐น๐(๐ข๐ , ๐ข๐ ,๐ข๐ ,๐ข๐)
๐ฟ๐๐ฟ = ๐๐๐น๐(๐๐ , ๐๐ , ๐๐ , ๐๐) (2.28)
30
dengan,
๐๐๐ฟ : batas spesifikasi kabur atas
๐ฟ๐๐ฟ : :batas spesifikasi kabur bawah
๐ข๐ : :batas spesifikasi atas dari representasi ke-j bilangan kabur trapesium,
๐ = ๐, ๐, ๐,๐
๐๐ : :batas spesifikasi bawah dari representasi ke-j bilangan kabur trapesium,
๐ = ๐, ๐, ๐,๐
Rata-rata proses kabur (๐ ) dan standar deviasi kabur (๐ ) dapat dihitung sebagai
berikut:
๐ = ๐ = ๐๐๐น๐ (๐๐ ,๐๐ , ๐๐ , ๐๐)
๐ =
๐๐
๐2=๐๐ ๐๐2
,๐๐ ๐๐2
,๐๐ ๐๐2
,๐๐ ๐๐2
= ๐๐๐น๐(๐ ๐ , ๐ ๐ , ๐ ๐ , ๐ ๐)
(2.29)
Indeks kapabilitas proses kabur dapat dihitung dengan menggunakan persamaan
berikut:
๐ถ ๐ =
๐๐๐ฟ โ ๐ฟ๐๐ฟ
6๐
= ๐๐๐น๐
๐ข๐ โ ๐๐6๐ ๐
,๐ข๐ โ ๐๐
6๐ ๐,๐ข๐ โ ๐๐
6๐ ๐,๐ข๐ โ ๐๐
6๐ ๐
(2.30)
= ๐๐๐น๐ ๐ถ ๐๐ ,๐ถ ๐๐ ,๐ถ ๐๐ ,๐ถ ๐๐
๐ถ ๐๐ข =
๐๐๐ฟ โ ๐
3๐
= ๐๐๐น๐
๐ข๐ โ ๐๐3๐ ๐
,๐ข๐ โ ๐๐
3๐ ๐,๐ข๐ โ ๐๐
3๐ ๐,๐ข๐ โ ๐๐
3๐ ๐
(2.31)
= ๐๐๐น๐ ๐ถ ๐๐ข๐ ,๐ถ ๐๐ข๐ ,๐ถ ๐๐ข๐ ,๐ถ ๐๐ข๐
31
๐ถ ๐๐ =
๐ โ ๐ฟ๐๐ฟ
3๐
= ๐๐๐น๐
๐๐ โ ๐๐3๐ ๐
,๐๐ โ ๐๐
3๐ ๐,๐๐ โ ๐๐
3๐ ๐,๐๐ โ ๐๐
3๐ ๐
(2.32)
= ๐๐๐น๐ ๐ถ ๐๐๐ ,๐ถ ๐๐๐ ,๐ถ ๐๐๐ ,๐ถ ๐๐๐
๐ถ ๐๐ = min ๐ถ ๐๐ข,๐ถ ๐๐
= min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐
dengan,
๐ถ ๐ : nilai kapabilitas proses kabur
๐ถ ๐๐ : indeks kapabilitas proses kabur
๐ถ ๐๐ข : indeks kapabilitas proses kabur atas
๐ถ ๐๐ : indeks kapabilitas proses kabur bawah
๐ข : batas spesifikasi atas
๐ : batas spesifikasi bawah
2.11 Kajian Keagamaan tentang Gharizah Baqaโ
Berdasarkan surat asy-Syams/79: 7-8, sesungguhnya nafsu meliputi akal
sekaligus kebutuhan jasmani dan naluri-naluri yang ada pada manusia. Salah satu
bentuk naluri adalah gharizah baqaโ atau naluri mempertahankan diri.
Sebagaimana dijelaskan dalam al-Quran surat Yasin/36:71 sebagai berikut:
โDan apakah mereka tidak melihat bahwa sesungguhnya Kami telah menciptakan
binatang ternak untuk mereka yaitu sebagai bagian dari apa yang telah Kami
ciptakan dengan kekuasaan Kami sendiri, lalu mereka menguasainya?โ(QS.
Yasin/36:71).
32
Allah Swt. menyebutkan nikmat-nikmat yang diberikannya kepada para
makhluk-Nya berupa binatang-binatang ternak yang ditundukkan untuk mereka.
โLalu mereka menguasainyaโ, Qatadah berkata: โMenguasainya yaitu menjadikan
mereka memiliki kemampuan memaksanya. Binatang-binatang itu tunduk kepada
mereka, tidak mampu melawan mereka. Bahkan seandainya anak kecil datang
kepada mereka, niscaya dia mampu menjinakkannya dan seandainya dia mau, dia
dapat menaiki dan mengendarainya. Itulah ketundukan dan kepatuhan binatang
kepada manusia. Begitu pula, seandainya terdapat kendaraan seratus unta atau
lebih, niscaya seluruhnya dapat dikendalikan oleh seorang anak kecilโ.
Sebagaimana firman Allah Swt. โMaka sebagiannya menjadi tunggangan
mereka dan sebagiannya mereka makanโ, yaitu di antaranya ada yang
ditunggangi dalam perjalanan serta untuk membawa berbagai barang-barang yang
berat menuju berbagai arah dan daerah. โDan sebagian mereka makanโ jika
mereka mau, mereka dapat memotong dan menyembelihnya. โDan mereka
memperoleh padanya manfaat-manfaatโ yaitu pada bulu tebalnya, bulu-bulu
tipisnya, dan rambutnya sebagai barang-barang rumah tangga atau barang-barang
dagangan pada batas waktu tertentu (Katsir, 2008b).
33
BAB III
METODE PENELITIAN
3.1 Pendekatan Penelitian
Pendekatan yang dilakukan dalam penelitian ini adalah pendekatan
kuantitatif. Pendekatan kuantitatif digunakan karena data dalam penelitian ini
bersifat kuantitatif mulai dari tahap pengumpulan, penafsiran, dan penampilan
hasil.
3.2 Jenis dan Sumber Data
Jenis data dalam penelitian ini adalah data sekunder yakni data sisa klor
yang direkam di PDAM Surya Sembada Surabaya yang terletak di Jl. Mayjend
Prof. Dr. Moestopo 2 Surabaya pada tanggal 1 Desember 2015 sampai tanggal 29
Februari 2016 pada pukul 18:00 WIB. Sumber data yang digunakan adalah data
karakteristik air PDAM yaitu sisa klor dengan nilai minimum 0,83 mg/L
(miligram per liter) dan nilai maksimum sebesar 0,9294 mg/L. Dalam proses
pengolahan dan produksi air minum, nilai sisa klor dapat dijadikan sebagai
indikator keberadaan zat organik dalam air.
3.3 Teknik Pengumpulan Data
Teknik pengumpulan data dalam penelitian ini yaitu mengambil data
kandungan sisa klor yang tersedia secara online di alat monitoring perusahaan
dimana data tersebut termonitoring 1 jam sekali.
34
3.4 Analisis Data
Langkah-langkah yang akan dilakukan dalam penerapan grafik pengendali
kabur ๐ผ๐ โ๐๐ menggunakan pendekatan fuzzy rules dan kapabilitas proses
kabur sebagai berikut:
1. Analisis deskriptif data.
2. Uji Normalitas data, dalam penelitian ini menggunakan uji Kolmogorov-
Smirnov dan uji Shapiro-Wilk.
3. Merepresentasikan data sisa klor ke bilangan kabur trapesium.
4. Menentukan batas kendali kabur ๐ผ๐ โ๐๐ dengan pendekatan kabur.
a. Menentukan batas kendali kabur ๐ผ๐ โ๐๐ .
- Menghitung rata-rata dari setiap subgrup ๐ = ๐๐๐น๐ ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐
dengan menggunakan persamaan (2.12).
- Menghitung moving range kabur dari setiap subgrup ๐๐ i =
๐๐๐น๐ ๐๐ ๐๐ ,๐๐ ๐๐ ,๐๐ ๐๐ ,๐๐ ๐๐ dengan menggunakan persamaan
(2.16).
- Menghitung rata-rata dari ๐๐ ๐ yaitu ๐๐ = ๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐
dengan menggunakan persamaan (2.17).
- Menentukan batas atas grafik pengendali kabur ๐ผ๐ menggunakan
persamaan (2.13) dan batas bawah grafik pengendali kabur ๐ผ๐
menggunakan persamaan (2.15). Serta menghitung batas atas grafik
pengendali kabur ๐๐ dengan menggunakan persamaan (2.18) dan batas
bawah grafik pengendali kabur ๐๐ dengan menggunakan persamaan
(2.19).
35
b. Menentukan kondisi proses terkendali menggunakan pendekatan fuzzy rules.
Jika dalam proses perhitungan masih terdapat data yang tidak terkendali
maka data tersebut dihilangkan dan dilakukan perhitungan ulang sampai
semua data terkendali.
5. Menerapkan kapabilitas proses kabur berdasarkan data hasil analisis sisa klor
dalam produksi air.
a. Menghitung indeks kapabilitas proses kabur ๐ถ ๐ = ๐๐๐น๐ ๐ถ๐๐ ,๐ถ๐๐ ,๐ถ๐๐ ,๐ถ๐๐
b. Menghitung indeks kapabilitas proses kabur atas ๐ถ ๐๐ข =
๐๐๐น๐ ๐ถ๐๐ข๐ ,๐ถ๐๐ข๐ ,๐ถ๐๐ข๐ ,๐ถ๐๐ข๐ dan indeks kapabilitas proses kabur bawah
๐ถ ๐๐ = ๐๐๐น๐ ๐ถ๐๐๐ ,๐ถ๐๐๐ ,๐ถ๐๐๐ ,๐ถ๐๐๐ .
c. Menghitung indeks kapabilitas proses ๐ถ ๐๐ .
Langkah-langkah pengaplikasian grafik pengendali kabur ๐ผ๐ โ ๐๐
menggunakan pendekatan fuzzy rules dan pengaplikasian kapabilitas proses kabur
dijelaskan dalam flowchart sebagai berikut:
Mulai
Data sisa klor air
Analisis data dan Uji normalitas data
Pembentukan bilangan kabur trapesium
A
36
Gambar 3.1 Flowchart Langkah-langkah Pengaplikasian Grafik Pengendali Kabur ๐ผ๐ โ ๐๐ dan
Kapabilitas Proses Kabur
Keterangan:
: Simbol proses operasi.
: Simbol decision untuk kondisi yang akan menghasikan beberapa
kemungkinan.
: Simbol input-output.
Exclude data yang tidak
terkendali
Tidak
Memberi
keputusan terkendali
(in control)
Menghitung moving range kabur ๐๐
Menghitung rata-rata moving range
kabur ๐๐
Menghitung ๐๐ถ๐ฟ๐๐ , ๐ถ๐ฟ๐๐ , ๐ฟ๐ถ๐ฟ๐๐
Menghitung batas kendali kabur
Menghitung rata-rata setiap subgrup
Menghitung ๐๐ถ๐ฟ๐ผ๐ , ๐ถ๐ฟ๐ผ๐ , ๐ฟ๐ถ๐ฟ๐ผ๐
Menentukan kondisi proses terkendali
menggunakan pendekatan fuzzy rules
Exclude data yang tidak
terkendali
Batas Kendali
Kabur ๐ผ๐
Batas Kendali
Kabur ๐๐
Ya
Tidak
Menghitung nilai kapabilitas proses kabur
๐ถ ๐ ,๐ถ ๐๐ข ,๐ถ ๐๐ ,๐ถ ๐๐
Selesai
A
37
: Simbol titik terminal
6. Menarik kesimpulan dari pembahasan.
38
BAB IV
PEMBAHASAN
4.1 Penerapan Grafik Pengendali Kabur ๐ฐ๐ฟ โ๐ด๐น Menggunakan
Pendekatan Fuzzy Rules
4.1.1 Analisis Deskriptif Data
Data yang digunakan dalam penerapan grafik pengendali kabur ๐ผ๐ โ๐๐
ini adalah data sekunder yang diambil dari PDAM pada lampiran 1 yaitu data sisa
klor air proses produksi. Hasil analisis deskriptif dengan menggunakan program
SPSS 16 adalah sebagai berikut:
Tabel. 4.1 Statistik Deskriptif Data Sisa Klor Air Baku Produksi
Descriptive Statistic
N Minimum Maximum Mean Std. Deviation
VAR00001 89 0,83 0,99 0,9222 0,03323
Valid N (listwise) 89
Berdasarkan Tabel 4.1 diketahui jumlah seluruh data adalah 89. Nilai
minimum sebesar 0,83, nilai maksimum sebesar 0,99, dan nilai rata-rata sisa klor
adalah 0,9222 dengan standar deviasinya sebesar 0,03323. Semua nilai-nilai
tersebut berada di dalam batas standar perusahaan karena batas spesifikasi atas
yang telah ditentukan oleh perusahaan adalah 1 mg/L dan batas spesifikasi bawah
adalah 0,2 mg/L.
4.1.2 Uji Normalitas
Data yang telah diperoleh peneliti harus diuji terlebih dahulu untuk
mengetahui karakteristik data tersebut. Salah satu jenis pengujian yang harus
dilakukan adalah uji normalitas data. Uji normalitas data dilakukan untuk
mengetahui apakah data yang diperoleh dari penelitian mempunyai distribusi yang
39
normal atau tidak. Hasil uji normalitas data sisa klor dengan menggunakan SPSS
16 adalah sebagai berikut:
Tabel 4.2 Uji Normalitas Data Sisa Klor Air Baku
Tests of Normality
Kolmogorov-Smirnova Shapiro-Wilk
Statistic Df Sig. Statistic Df Sig.
Data 0,091 89 0,066 0,981 89 0,211
Berdasarkan hasil yang diperoleh pada Tabel 4.2 menunjukkan bahwa
nilai signifikan uji Kolmogorov-Smirnov sebesar 0,066 dan uji Shapiro-Wilk
sebesar 0,211. Hal ini menunjukkan bahwa nilai signfikan kedua uji โฅ 0,05 yang
berarti bahwa data berdistribusi normal.
4.1.3 Representasi Data Sisa Klor Air ke Bilangan Kabur Trapesium
Setiap sampel pengamatan pada kasus kabur direpresentasikan ke dalam
bilangan kabur berdasarkan fungsi keanggotaan yang digunakan. Dalam
penelitian ini, data sisa klor sebanyak 89 direpresentasikan ke bilangan kabur
trapesium. Pembentukan bilangan kabur trapesium dilakukan dengan cara
menambah dan mengurangi sampel dengan standar deviasi yang sudah dikalikan
dengan multiplier yang berbeda-beda untuk menghasilkan bilangan kabur
trapesium sama kaki. Multiplier yang digunakan oleh penulis adalah ๐ผ1 = 0,08
dan ๐ผ2 = 0,07. Cara pembentukan bilangan kabur dapat dilihat sebagai berikut:
๐๐1 = ๐ โ ๐ผ1๐
= 0,85 โ 0,08 0,0332
= 0,8473
40
๐๐1 = ๐ โ ๐ผ2๐
= 0,85 โ 0,07 0,0332
= 0,8477
๐๐1 = ๐ + ๐ผ2๐
= 0,85 + 0,07 0,03323
= 0,8523
๐๐1 = ๐ + ๐ผ1๐
= 0,85 + (0,08)(0,03323)
= 0,8527
Jadi bilangan kabur trapesium dari data tersebut dapat dituliskan sebagai berikut:
๐ 1 = ๐๐๐น๐ ๐๐1,๐๐1,๐๐1,๐๐1
= ๐๐๐น๐ 0,8473, 0,8477, 0,8520, 0,8527
Pembentukan bilangan kabur trapesium pada sampel selanjutnya, dapat dilihat
pada Lampiran 2. Dengan demikian, representasi bilangan kabur berdasarkan
fungsi keanggotaan kurva trapesium pada data ke-1 adalah:
Gambar 4.1 Representasi Bilangan Kabur Trapesium pada Data ke-1
๐(๐ฅ)
0,8527 0,8520 0,8477
1
0 0,8473
41
4.1.4 Penerapan Grafik Pengendali Kabur ๐ฐ๐ฟ โ๐ด๐น Menggunakan
Pendekatan Fuzzy Rules Data Sisa Klor Air
Berdasarkan data pada lampiran 2, nilai rata-rata kabur (๐ ) dari
karakteristik sampel pengamatan tersebut adalah sebagai berikut:
๐ ๐ = ๐๐๐๐๐=1
๐
=81,8436
89
= 0,9196
๐ ๐ = ๐๐๐๐๐=1
๐
=81,8732
89
= 0,9199
๐ ๐ = ๐๐๐๐๐=1
๐
=82,2868
89
= 0,9246
๐ ๐ = ๐๐๐๐๐=1
๐
=82,3164
89
= 0,9249
Moving range kabur (๐๐ ๐) karakteristik sampel pengamatan berdasarkan
persamaan (2.16) adalah sebagai berikut:
2. ๐๐ ๐ = ๐๐2 โ ๐๐1 = 0,8673 โ 0,8527 = 0,0146
๐๐ ๐ = ๐๐2 โ ๐๐1 = 0,8677 โ 0,8523 = 0,0154
42
๐๐ ๐ = ๐๐2 โ ๐๐1 = 0,8723 โ 0,8477 = 0,0246
๐๐ ๐ = ๐๐2 โ ๐๐1 = 0,8727 โ 0,8473 = 0,0254
3. ๐๐ ๐ = ๐๐3 โ ๐๐2 = 0,9073 โ 0,8727 = 0,0346
๐๐ ๐ = ๐๐3 โ ๐๐2 = 0,9077 โ 0,8723 = 0,0354
๐๐ ๐ = ๐๐3 โ ๐๐2 = 0,9123 โ 0,8677 = 0,0446
๐๐ ๐ = ๐๐3 โ ๐๐2 = 0,9127 โ 0,8673 = 0,0454
Perhitungan nilai moving range kabur (๐๐ ๐) karakteristik sampel pengamatan
secara lengkap terdapat di Lampiran 3. Rata-rata dari moving range tersebut
berdasarkan persamaan (2.17) adalah:
๐๐ ๐ = 0,02935, ๐๐ ๐ = 0,0294, ๐๐ ๐ = 0,0304, ๐๐ ๐ = 0,0306
Setelah nilai ๐ dan ๐๐ diperoleh, maka akan dihitung nilai ๐๐ถ๐ฟ ๐ผ๐ , ๐ฟ๐ถ๐ฟ ๐ผ๐ ,
๐๐ถ๐ฟ ๐๐ , dan ๐ฟ๐ถ๐ฟ ๐๐ sebagai berikut:
๐๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ + 3
๐๐
๐2
= ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ + 3
(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
= 0,9196 + 3
0,02935
1,128, 0,9199 + 3
0,0294
1,128, 0,924 + 3
0,0304
1,128, 0,9249 + 3
0,0306
1,128
= (0,9977, 0,9981, 1,0055, 1,0063)
๐ถ๐ฟ ๐ผ๐ = ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐
= (0,9196, 0,9199, 0,9246, 0,9249)
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ โ 3๐๐
๐2
= ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ โ 3
(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
43
= 0,9196 โ 3
0,02935
1,128, 0,9199 โ 3
0,0294
1,128, 0,9246 โ 3
0,0304
1,128, 0,924 โ 3
0,0306
1,128
= (0,8382, 0,8390, 0,8464, 0,8468)
๐๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ + 3
๐๐
๐2
= ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ + 3
(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
= 0,9196 + 3
0,02935
1,128, 0,9199 + 3
0,0294
1,128, 0,9246 + 3
0,0304
1,128, 0,9249 + 3
0,0306
1,128
= (0,9977, 0,9981, 1,0055, 1,0063)
๐ถ๐ฟ ๐ผ๐ = ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐
= (0,9196, 0,9199, 0,9246, 0,9249)
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐ถ๐ฟ โ 3 ๐ ๐
๐2
= ๐ ๐ ,๐ ๐ ,๐ ๐ ,๐ ๐ โ 3
(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
๐2
= 0,9196 โ 3
0,02935
1,128, 0,9199 โ 3
0,0294
1,128, 0,9246 โ 3
0,0304
1,128, 0,924 โ 3
0,0306
1,128
= (0,8382, 0,8390, 0,8464, 0,8468)
Batas-batas kendali grafik pengendali kabur ๐๐ dengan menggunakan formula
grafik pengendali ๐ผ๐ โ๐๐ sebagai berikut:
๐๐ถ๐ฟ ๐๐ = ๐ท4๐๐
= 3,264(๐๐ ๐,๐๐
๐,๐๐ ๐,๐๐
๐)
= 3,264 0,0293, 0,0294, 0,0304, 0,0306
= 0,0959, 0,0960, 0,0994, 0,1
๐ถ๐ฟ ๐๐ = ๐๐
= (๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
44
= 0,0293, 0,0294, 0,0304, 0,0306
๐ฟ๐ถ๐ฟ ๐๐ = ๐ท3๐๐
= 0(๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐ ,๐๐ ๐)
= 0 0,0293 , 0 0,0294 , 0 0,0304 , 0(0,0306)
= 0, 0, 0, 0
Setelah batas kendali diperoleh, maka langkah selanjutnya yaitu
menentukan proses kendali dengan menggunakan pendekatan fuzzy rules. Pada
pendekatan fuzzy rules, proses kendali diklasifikasikan menjadi empat
kemungkinan yaitu โin controlโ, โout of controlโ, โrather in controlโ, dan โrather
out of controlโ. Proses kendali tersebut diperoleh setelah diketahui nilai ๐ถ๐ผ๐ pada
persamaan (2.20) dan ๐ถ๐๐ pada persamaan (2.21). ๐ถ๐ผ๐ merupakan kondisi proses
kendali untuk grafik pengendali kabur ๐ผ๐ dan ๐ถ๐๐ merupakan kondisi proses
kendali untuk grafik pengendali kabur ๐๐ .
Sebagai contoh pada iterasi pertama sampel pertama diperoleh nilai
trapesium kabur yaitu
๐ 1 = (0,8473, 0,8477, 0,8523, 0,8527)
batas atas grafik pengendali kabur ๐ผ๐ yaitu
๐๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐(0,9977, 0,9981, 1,0055, 1,0063)
batas bawah grafik pengendali kabur ๐ผ๐ yaitu
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐(0,8382, 0,8390, 0,8464, 0,8468)
Nilai tersebut terpenuhi pada ๐๐1 โค ๐๐ถ๐ฟ๐ผ๐๐ โ(๐๐๐ โฅ ๐ฟ๐ถ๐ฟ๐ผ๐๐ ) atau 0,8527 <
0,9977 โ 0,8473 > 0,8468 sehingga menghasilkan nilai ๐ถ๐ผ๐ = 1. Kondisi
tersebut menunjukkan bahwa sampel pada pengamatan pertama terkendali
seluruhnya atau disebut in control.
45
Sedangkan untuk nilai ๐ถ๐๐ diperoleh nilai moving range kabur pada
pengamatan pertama yaitu
๐๐ 1 = ๐๐๐น๐(0,0146, 0,0154, 0,0246, 0,0254)
batas atas grafik pengendali kabur ๐๐ yaitu
๐๐ถ๐ฟ ๐๐ = ๐๐๐น๐ 0,0959, 0,0960, 0,0994, 0,1
batas bawah grafik pengendali kabur ๐๐ yaitu
๐ฟ๐ถ๐ฟ ๐๐ = ๐๐๐น๐ 0, 0, 0, 0
Sehingga terpenuhi pada kondisi ๐๐ ๐1 โค ๐๐ถ๐ฟ๐๐ ๐ โง ๐๐ ๐๐ โฅ ๐ฟ๐ถ๐ฟ๐๐ ๐ atau
0,0146 < 0,0958 โง 0,0254 > 0 . Oleh karena itu diperoleh nilai ๐ถ๐๐ 1= 1
yang menunjukkan bahwa moving range sampel kabur pada pengamatan pertama
in control. Dengan demikian, pada pengamatan pertama iterasi pertama sampel
sisa klor terkendali secara rata-rata dan terkendali secara variabilitas.
Berdasarkan hasil pada Lampiran 4, terdapat kondisi sampel yang
menunjukkan kondisi out of control. Kondisi out of control adalah kondisi rata-
rata sampel seluruhnya keluar dari batas kendali. Data ke-36 pada grafik
pengendali kabur ๐ผ๐ menunjukkan kondisi out of control. Perhitungan yang
dihasilkan pada sampel ke-36 adalah (๐๐36> ๐๐ถ๐ฟ
๐ผ๐๐ ) โจ (๐๐36< ๐ฟ๐ถ๐ฟ ๐ผ๐๐ ) atau
0,8273 < 1,0063 โจ 0,8327 < 0,8382 . Kondisi tersebut menghasilkan
keputusan yang bernilai 0 atau disebut out of control.
Sedangkan sampel ke-13 menunjukkan kondisi rather out of control.
Kondisi rather out of control adalah kondisi sebagian rata-rata sampel kabur yang
berada pada salah satu batas kendali kabur. Perhitungan persentase daerah yang
menyebabkan kondisi rather out of control berdasarkan persamaan (2.19) adalah:
46
๐ถ๐ผ๐13= 1 โ
๐ฟ๐ถ๐ฟ๐ผ๐๐ โ ๐๐13
๐๐13โ ๐๐13
= 1 โ 0,8468 โ 0,8373
0,8427 โ 0,8373
= 1 โ 1,7592
= โ0,7592
Hasil tersebut menunjukkan bahwa nilai ๐ถ๐ผ๐13lebih kecil dari ๐ฝ, di mana ๐ฝ
merupakan persentase daerah permintaan yang telah ditetapkan. Sehingga rata-
rata sampel kabur pada pengamatan ke-13 berada dalam kondisi rather out of
control karena (๐ถ๐ผ๐13< ๐ฝ) atau โ0,7592 < 0,5 .
Nilai ๐๐ถ๐ฟ ๐ผ๐ , ๐ถ๐ฟ ๐ผ๐ , ๐ฟ๐ถ๐ฟ ๐ผ๐ , ๐๐ถ๐ฟ
๐๐ , ๐ถ๐ฟ ๐๐ , dan ๐ฟ๐ถ๐ฟ ๐๐ dimasukkan ke
dalam pendekatan fuzzy rules dengan bantuan MATLAB untuk mempermudah
perhitungan. Program perhitungan pada MATLAB dapat dilihat pada Lampiran 7.
Hasil yang diperoleh dari perhitungan menggunakan MATLAB dapat dilihat pada
Lampiran 4.
Berdasarkan hasil proses kendali menggunakan pendekatan fuzzy rules
grafik pengendali kabur ๐ผ๐ โ ๐๐ , terdapat beberapa rata-rata sampel kabur out of
control dan rather out of control. Sampel kabur yang out of control pada grafik
pengendali kabur ๐ผ๐ terdapat pada pengamatan ke-36 dan sampel yang rather out
of control terdapat pada pengamatan ke-13. Sedangkan moving range sampel
kabur yang rather out of control pada grafik pengendali kabur ๐๐ terdapat pada
pengamatan ke-14 dan ke-31.
Dengan demikian, pada iterasi ke-1 data sisa klor air produksi belum
seluruhnya in control, baik secara rata-rata maupun variabilitas. Perbaikan grafik
47
pengendali kabur ๐ผ๐ โ ๐๐ dilakukan dengan cara mengeliminasi atau
mengeluarkan data yang telah diketahui berada di luar batas kendali, sehingga
tidak ada satupun data yang keluar dari batas kendali.
Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐ pada iterasi ke-2 masih
diperoleh data yang tidak terkendali. Pada pengendalian rata-rata proses yaitu data
ke-1 yang menunjukkan data rather out of control dan data ke-9 yang
menunjukkan data out of control. Sedangkan pada pengendalian variabilitas
proses diperoleh data ke-9 yang menunjukkan out of control dan data ke-47 yang
menunjukkan rather out of control. Sehingga pada iterasi ke-2 data belum
terkendali secara rata-rata maupun secara variabilitas.
Penerapan grafik pengendali kabur ๐ผ๐ โ ๐๐ pada iterasi ke-3 diperoleh
seluruh sampel kabur in control. Rata-rata moving range kabur (๐๐ ) berdasarkan
persamaan (2.16) adalah:
๐๐ ๐ = 0,0233,๐๐ ๐ = 0,0234,๐๐ ๐ = 0,0243,๐๐ ๐ = 0,0245
Setelah nilai ๐ dan ๐๐ yang sudah direvisi diperoleh, maka akan dihitung nilai
๐๐ถ๐ฟ ๐ผ๐ , ๐ถ๐ฟ ๐ผ๐ , dan ๐ฟ๐ถ๐ฟ ๐ผ๐ berdasarkan persamaan (2.13) dan (2.15) adalah:
๐๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐(0,9837, 0,9842, 0,9914, 0,9923)
๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐(0,9217, 0,9221, 0,9267, 0,9270)
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐(0,8565, 0,8573, 0,8646, 0,8651)
Sedangkan nilai ๐๐ถ๐ฟ ๐๐ , ๐ถ๐ฟ ๐๐ , dan ๐ฟ๐ถ๐ฟ ๐๐ batas kendali grafik pengendali
moving range kabur (๐๐ ) berdasarkan persamaan (2.18) dan (2.20) adalah:
๐๐ถ๐ฟ ๐๐ = 0,0761, 0,0763, 0,0795, 0,0802
๐ถ๐ฟ ๐๐ = 0,0233, 0,0234, 0,0243, 0,0245
48
๐ฟ๐ถ๐ฟ ๐๐ = 0, 0, 0, 0
Dengan batas kendali tersebut, seluruh sampel kabur in control baik secara
rata-rata maupun variabilitas. Sehingga batas kendali tersebut dapat digunakan
sebagai acuan untuk mengendalikan proses produksi air PDAM selanjutnya
khususnya variabel sisa klor.
4.2 Perhitungan Kapabilitas Proses Kabur
Berdasarkan subbab sebelumnya, sudah diperoleh batas kendali kabur
yang in control baik secara rata-rata proses maupun secara variabilitas proses.
Sehingga dilanjutkan untuk mengerjakan proses selanjutnya yaitu menghitung
kapabilitas proses kabur. Kapabilitas proses merupakan proses yang digunakan
untuk menaksir kemampuan proses suatu produk yang dihasilkan oleh
perusahaan.
Batas-batas spesifikasi yang telah ditentukan oleh perusahaan harus
diketahui terlebih dahulu untuk menentukan kapabilitas prosesnya. Jika indeks
kapabilitas proses lebih dari satu (๐ถ๐๐ > 1), maka proses dikatakan baik
(capable). Akan tetapi jika indeks kapabilitas proses kurang dari satu (๐ถ๐๐ < 1),
maka proses dikatakan kurang baik (not capable). PDAM menentukan batas
spesifikasi atas untuk kadar sisa klor yang berada di dalam air baku adalah
๐๐๐ฟ = 1 dan batas spesifikasi bawah yang ditentukan adalah ๐ฟ๐๐ฟ = 0,2.
Selanjutnya, nilai ๐๐๐ฟ dan nilai ๐ฟ๐๐ฟ yang sudah ditetapkan PDAM
direpresentasikan ke dalam bilangan kabur trapesium terlebih dahulu sebelum
dilakukan proses selanjutnya. Proses pembentukan ๐๐๐ฟ ke dalam bilangan kabur
trapesium sebagai berikut:
49
๐ข๐
= ๐ข โ ๐ผ1๐
= 1 โ 0,08(0,0332)
= 1 โ 0,0026
= 0,9973
๐ข๐ = ๐ข โ ๐ผ2๐
= 1 โ 0,07 0,0332
= 1 โ 0,0023
= 0,9977
๐ข๐
= ๐ข + ๐ผ2๐
= 1 + 0,07(0,0332)
= 1 + 0,0023
= 1,0023
๐ข๐ = ๐ข + ๐ผ1๐
= 1 + 0,08(0,0332)
= 1 + 0,00265
= 1,0027
Setelah nilai ๐๐๐ฟ direpresentasikan ke dalam bilangan kabur trapesium,
selanjutnya nilai ๐ฟ๐๐ฟ direpresentasikan ke dalam bilangan kabur trapesium
sebagai berikut:
๐๐
= ๐ โ ๐ผ1๐
= 0,2 โ 0,08(0,0332)
= 0,2 โ 0,0026
= 0,1973
50
๐๐
= ๐ โ ๐ผ2๐
= 0,2 โ 0,07(0,0332)
= 0,2 โ 0,00232
= 0,1977
๐๐
= ๐ + ๐ผ2๐
= 0,2 + 0,07(0,0332)
= 0,2 + 0,0023
= 0,2023
๐๐ = ๐ + ๐ผ1๐
= 0,2 + 0,08(0,0332)
= 0,2 + 0,0027
= 0,2027
Sehingga representasi nilai ๐ฟ๐๐ฟ dan ๐๐๐ฟ ke dalam bilangan trapesium
berdasarkan persamaan (2.28) sebagai berikut:
๐๐๐ฟ = ๐๐๐น๐(๐ข๐ ,๐ข๐ ,๐ข๐ ,๐ข๐)
= ๐๐๐น๐(0,9973, 0,9977, 1,0023, 1,0027)
๐ฟ๐๐ฟ = ๐๐๐น๐ ๐๐ , ๐๐ , ๐๐ , ๐๐
= ๐๐๐น๐(0,1973, 0,1977, 0,2023, 0,2027)
Nilai lain yang digunakan dalam menentukan kapabilitas proses kabur
adalah standar deviasi yang harus direpresentasikan ke dalam bilangan kabur
trapesium dan nilai rata-rata kabur yang sudah diketahui pada subbab sebelumnya.
Representasi standar deviasi ke dalam bilangan kabur trapesium sebagai berikut:
51
๐ = ๐๐ ๐๐2
,๐๐ ๐๐2
,๐๐ ๐๐2
,๐๐ ๐๐2
= ๐๐๐น๐ 0,0233
1,128,0,0234
1,128,0,0243
1,128,0,0245
1,128
= ๐๐๐น๐ 0,02065, 0,0207, 0,0215, 0,0217
Setelah nilai ๐๐๐ฟ , ๐ฟ๐๐ฟ dan ๐ diperoleh, selanjutnya dihitung nilai kapabilitas
proses kabur berdasarkan persamaan (2.30) sebagai berikut:
๐ถ ๐ =๐๐ ๐ฟ โ ๐ฟ๐ ๐ฟ
6๐
= ๐๐๐น๐ ๐ข๐ โ ๐๐
6๐ ๐,๐ข๐ โ ๐๐
6๐ ๐,๐ข๐ โ ๐๐
6๐ ๐,๐ข๐ โ ๐๐
6๐ ๐
= ๐๐๐น๐ 0,9973 โ 0,2027
6(0,0217),0,9977 โ 0,2023
6(0,0215),1,0023 โ 0,1977
6(0,0207),1,0027 โ 0,1973
6(0,02065)
= ๐๐๐น๐ 6,1029, 6,1659, 6,4783, 6,5
Nilai kapabilitas proses atas berdasarkan persamaan (2.31) dan nilai kapabilitas
proses bawah berdasarkan persamaan (2.32) adalah:
๐ถ ๐๐ข =๐๐๐ฟ โ ๐
3๐
= ๐๐๐น๐ ๐ข๐ โ ๐๐
3๐ ๐,๐ข๐ โ ๐๐
3๐ ๐,๐ข๐ โ ๐๐
3๐ ๐,๐ข๐ โ ๐๐
3๐ ๐
= ๐๐๐น๐ 0,9973 โ 0,9270
3(0,0217),0,9977 โ 0,9267
3(0,0215),1,0023 โ 0,9221
3(0,0207),1,0027 โ 0,9217
3(0,02065)
= ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075
๐ถ ๐๐ =๐ โ ๐ฟ๐๐ฟ
3๐
= ๐๐๐น๐ ๐๐ โ ๐๐
3๐ ๐,๐๐ โ ๐๐
3๐ ๐,๐๐ โ ๐๐
3๐ ๐,๐๐ โ ๐๐
3๐ ๐
= ๐๐๐น๐ 0,9217 โ 0,2027
3(0,0217),0,9221 โ 0,2023
3(0,0215),0,9267 โ 0,1977
3(0,0207),0,927 โ 0,1973
3(0,02065)
52
= ๐๐๐น๐(11,044, 11,1597, 11,7391, 11.7788 )
๐ถ ๐๐ = min ๐ถ ๐๐ข ,๐ถ ๐๐
= ๐๐๐น๐ min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐ , min ๐ถ๐๐ข๐ ,๐ถ๐๐๐
= ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075
Berdasarkan nilai yang diperoleh pada perhitungan tersebut, diketahui bahwa nilai
๐ถ ๐ > 1 dan nilai ๐ถ ๐๐ > 1 yang berarti bahwa proses produksi air PDAM capable
atau layak dikonsumsi. Proses produksi air PDAM khususnya kadar sisa klor
sudah memenuhi standar yang ditetapkan oleh perusahaan dan dinas kesehatan.
4.3 Upaya Pengendalian Gharizah Baqaโ
Dari surat Yasin/39: 71 telah dijelaskan salah satu bentuk naluri yaitu
gharizah baqaโ. Gharizah baqaโ adalah naluri manusia untuk mempertahankan
dirinya. Bentuk wujud naluri ini adalah manusia selalu mempunyai rasa takut,
rasa ingin menguasai segala sesuatu seperti harta benda. Salah satu upaya agar
manusia senantiasa di jalan yang benar dalam menguasai harta adalah
menafkahkan harta dengan cara bersedakah dan menunaikan zakat serta berbuat
kebaikan. Agar dalam penguasaan harta, nafsu tidak mengikutinya dan tidak
menuruti dorongan hawa nafsu. Sebagaimana dijelaskan Allah dalam surat al-
Baqarah/2 : 195
โDan belanjakanlah (harta benda kalian) di jalan Allah, dan janganlah kamu
menjatuhkan dirimu sendiri ke dalam kebinasaan, dan berbuat baiklah, karena
53
sesungguhnya Allah menyukai orang-orang yang berbuat baikโ(QS. Al-
Baqarah/2: 195)
Ibnu Abbas mengatakan bahwa ayat ini berkenaan dengan masalah
membelanjakan harta, yaitu apabila kamu genggamkan tanganmu, tidak
membelanjakan harta di jalan Allah, maka dikatakan, โjanganlah kalian
menjatuhkan diri kalian ke dalam kebinasaan.โ Makna kata ูุฃููููุง ูู ุณุจูู ูููุง adalah
hendaklah kalian berinfak di jalan Allah dengan harta-harta kalian. Karena salah
satu fungsi dari harta adalah untuk meninggikan syariat-Nya, yaitu dengan cara
menginfakkan di jalan-Nya. Dan Mengenai makna kalimat ูุฃุญุณููุง maka ia bermakna
perbuatan kebajikan yang dilakukan oleh setiap muslim, terutama berkaitan dengan
kemana harta itu dibelanjakan, apakah digunakan di jalan-Nya atau untuk hal-hal yang
tidak bermanfaat dan perbuatan dosa.
Allah memerintahkan untuk membelanjakan harta di jalan Allah dan semua jalan
taqarrub (mendekatkan diri kepada Allah) dan taat kepada-Nya, khususnya
membelanjakan harta untuk memerangi musuh, kemudian mengalokasikannya buat
sarana dan bekal memperkuat kaum muslim dalam menghadapi musuh-musuh mereka.
Melalui ayat ini Allah memberitakan kepada mereka bahwa jika hal ini ditinggalkan,
maka akan berakibat kepada kehancuran dan kebinasaan bagi orang yang tidak mau
membelanjakan hartanya untuk tujuan tersebut. Kemudian di-โataf-kan kepada perintah
berbuat baik, yang mana hal ini merupakan amal ketaatan yang paling tinggi (Kasir,
2008).
Sedangkan menurut tafsir Muyassar surat al-Baqarah/2 :195 memerintahkan
orang muslim untuk membelanjakan harta benda untuk membantu perjuangan
menegakkan dan meninggikan kalimat (agama) Allah. Sungguh, jika kalian tidak
melakukan hal itu niscaya orang-orang kafir akan menjadi semakin kuat sehingga
dapat membinasakan dan menguasai kalian. Barangsiapa meninggalkan perang
54
dan tidak mau menginfakkan sebagian hartanya di jalan Allah maka
sesungguhnya ia telah bersiap diri untuk binasa di dunia dan akhirat. Kalian harus
memperbaiki amal ibadah kalian dengan keikhlasan dan menyempurnakan
kebaikan kalian dengan berinfak dan bermurah hati. Sesungguhnya berbuat baik
dalam ucapan itu adalah kebenaran dan berbuat baik dengan perbuatan adalah
kesempurnaan. Dan sesungguhnya Allah menyukai orang-orang yang berbuat
baik dalam setiap amalnya (al-Qarni, 2008).
Setiap muslim akan berusaha untuk mengendalikan hawa nafsunya agar
tidak keluar dari batasan-batasan yang sudah Allah tentukan. Tidak hanya orang
muslim, pengelolah perusahaan akan mengendalikan proses produksinya agar
tidak ada produk yang keluar dari batas-batas kendali yang sudah ditentukan oleh
perusahaan sehingga produk yang dihasilkan akan terus terjaga kualitasnya.
55
BAB V
PENUTUP
5.1 Kesimpulan
Berdasarkan pembahasan sebelumnya, maka dapat disimpulkan:
1. Hasil analisis aplikasi dari grafik pengendali kabur ๐ผ๐ โ ๐๐ dengan
menggunakan pendekatan fuzzy rules berlangsung sampai tiga kali iterasi untuk
mendapatkan seluruh kondisi sampel in control baik secara rata-rata maupun
variabilitas. Pada iterasi pertama dan kedua masih ditemukan data yang out of
control dan rather out of control sehingga harus direduksi dari data. Dari 89
data sisa klor, data yang memenuhi kondisi in control tersisa 82 data dengan
batas atas grafik pengendali kabur ๐ผ๐ yaitu
๐๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐ 0,9837, 0,9842, 0,9914, 0,9923 ,
garis tengah batas pengendali kabur ๐ผ๐ yaitu
๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐ 0,9217, 0,9221, 0,9267, 0,9270 ,
dan batas bawah grafik pengendali kabur ๐ผ๐ yaitu
๐ฟ๐ถ๐ฟ ๐ผ๐ = ๐๐๐น๐ 0,8565, 0,8573, 0,8646, 0,8651 ,
Sedangkan nilai batas kendali grafik pengedali moving range kabur (๐๐ ),
diperoleh batas atas grafik pengendali kabur ๐๐ yaitu
๐๐ถ๐ฟ ๐๐ = ๐๐๐น๐ 0,0761, 0,0763, 0,0795, 0,0802 ,
garis tengah grafik pengendali kabur ๐๐ yaitu
๐ถ๐ฟ ๐๐ = ๐๐๐น๐ 0,0233, 0,0234, 0,0243, 0,0245 ,
dan batas bawah grafik pengendali kabur ๐๐ yaitu
56
๐ฟ๐ถ๐ฟ ๐๐ = ๐๐๐น๐ 0, 0, 0, 0 .
Dapat disimpulkan bahwa sampel sisa klor terkendali secara statistik, artinya
grafik pengendali kabur dapat dijadikan acuan dalam pengambilan keputusan
yang berkaitan dengan pengendalian proses produksi air PDAM.
2. Hasil penerapan kapabilitas proses kabur pada data sisa klor air baku produksi
PDAM menunjukkan bahwa air tersebut layak dikonsumsi. Hal ini dapat
dilihat dari nilai ๐ถ ๐ dan ๐ถ ๐๐ . Adapun nilai kapabilitas proses kabur (๐ถ ๐) yaitu
๐ถ ๐ = ๐๐๐น๐ 6,1029, 6,1659, 6,4783, 6,5
dan nilai indeks kapabilitas proses yaitu
๐ถ ๐๐ = ๐๐๐น๐ 1,0798, 1,1007, 1,2914, 1,3075 .
Karena nilai ๐ถ ๐ > 1 dan nilai ๐ถ ๐๐ > 1 menunjukkan bahwa proses produksi
capable. Proses produksi air PDAM khususnya kadar sisa klor sudah
memenuhi standar yang ditetapkan oleh perusahaan dan dinas kesehatan.
5.2 Saran
Pada penelitian selanjutnya diharapkan pembaca dapat menerapkan grafik
pengendali kabur yang lain seperti EWMA karena grafik pengendali EWMA
sangat efektif dalam mendeteksi pergeseran rata-rata proses yang kecil atau
perubahan yang terjadi pada kualitas produk yang dihasilkan dalam proses
produksi.
57
DAFTAR RUJUKAN
Al-Qarni, โAidh. 2008. Tafsir Muyassar Jilid 1 (Juz1-8). Jakarta: Qisthi Press.
Ariani, D.W. 2004. Pengendalian Kualitas Statistik (Pendekatan Kuantitatif
dalam Manajemen Kualitas). Yogyakarta: ANDI.
Cheng, C.B. 2005. Fuzzy Process Control: Construction of Control Chart with
Fuzzy Numbers. Fuzzy Sets and System, 154(2):287-303.
Darestani, S.A dan Tadi, M.A. 2014. Development of Fuzzy IX-MR Control
Chart Using Fuzzy Mode and Fuzzy Rules Approach. An International Peer-
reviewed Journal, 3(3):645-655.
Harahap, H. 2007. Studi Pengendalian Kualitas Air PDAM Tirtanadi pada
Reserevoar dan Sambungan Pelanggan. Jurnal Teknologi Proses, 6(1): 45-48.
Katsir, I. 2008a. Tafsir Ibnu Katsir Jilid 1. Bogor: Pustaka Imam Asy-Syafiโi.
Katsir, I. 2008b. Tafsir Ibnu Katsir Jilid 6. Bogor: Pustaka Imam Asy-Syafiโi.
Katsir, I. 2008c. Tafsir Ibnu Katsir Jilid 8. Bogor: Pustaka Imam Asy-Syafiโi.
Kaya, I., dan Kahraman, C. 2011. Process Capability Analyses Based On Fuzzy
Measurements and Fuzzy Control Charts. Expert System Applications, 38(4):
3172-3184.
Kusumadewi, S dan Purnomo, H. 2004. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta: Graha Ilmu.
Montgomery, D.C. 2009. Introduction to Statistical Quality Control Sixth Edition.
Jefferson: Elm Street Publishing Service.
Nasiri, M. dan Darestani, S.A. 2016. Statistical Process Control Fuzzy ๐ โ ๐
Control Chart and Process Capability Indices in Normal Data Environment.
International Journal of Quality and Reliability Management, 33(1): 2-24.
Susilo, F. 2006. Himpunan dan Logika Kabur serta Aplikasinya. Yogyakarta:
Graha Ilmu.
58
LAMPIRAN
Lampiran 1. Data sisa klor pada 1 Desember 2015 - 29 Februari 2016
Tgl Data sisa
klor (mg/L)
Tgl Data sisa
klor (mg/L)
Tgl Data sisa
klor (mg/L)
1 0,85 31 0,99 61 0,89
2 0,87 32 0,90 62 0,90
3 0,91 33 0,93 63 0,90
4 0,87 34 0,95 64 0,93
5 0,91 35 0,93 65 0,95
6 0,96 36 0,83 66 0,96
7 0,91 37 0,89 67 0,97
8 0,96 38 0,89 68 0,98
9 0,86 39 0,92 69 0,98
10 0,92 40 0,92 70 0,98
11 0,93 41 0,92 71 0,93
12 0,94 42 0,90 72 0,96
13 0,84 43 0,95 73 0,91
14 0,94 44 0,90 74 0,94
15 0,96 45 0,88 75 0,93
16 0,89 46 0,89 76 0,92
17 0,92 47 0,87 77 0,97
18 0,91 48 0,92 78 0,97
19 0,93 49 0,91 79 0,92
20 0,90 50 0,88 80 0,96
21 0,92 51 0,97 81 0,96
22 0,92 52 0,94 82 0,94
23 0,89 53 0,95 83 0,95
24 0,89 54 0,94 84 0,92
25 0,89 55 0,90 85 0,96
26 0,92 56 0,90 86 0,96
27 0,93 57 0,91 87 0,95
28 0,88 58 0,93 88 0,95
29 0,92 59 0,93 89 0,93
30 0,89 60 0,94
58
Lampiran 2. Pembentukan Bilangan Trapesium Data Produksi Air Baku
No ๐๐ ๐๐ ๐๐ ๐๐ No ๐๐ ๐๐ ๐๐ ๐๐
1 0,8473 0,8477 0,8523 0,8527 46 0,8873 0,8877 0,8923 0,8927
2 0,8673 0,8677 0,8723 0,8727 47 0,8673 0,8677 0,8723 0,8727
3 0,9073 0,9077 0,9123 0,9127 48 0,9173 0,9177 0,9223 0,9227
4 0,8673 0,8677 0,8723 0,8727 49 0,9073 0,9077 0,9123 0,9127
5 0,9073 0,9077 0,9123 0,9127 50 0,8773 0,8777 0,8823 0,8827
6 0,9573 0,9577 0,9623 0,9627 51 0,9673 0,9677 0,9723 0,9727
7 0,9073 0,9077 0,9123 0,9127 52 0,9373 0,9377 0,9423 0,9427
8 0,9573 0,9577 0,9623 0,9627 53 0,9473 0,9477 0,9523 0,9527
9 0,8573 0,8577 0,8623 0,8627 54 0,9373 0,9377 0,9423 0,9427
10 0,9173 0,9177 0,9223 0,9227 55 0,8973 0,8977 0,9023 0,9027
11 0,9273 0,9277 0,9323 0,9327 56 0,8973 0,8977 0,9023 0,9027
12 0,9373 0,9377 0,9423 0,9427 57 0,9073 0,9077 0,9123 0,9127
13 0,8373 0,8377 0,8423 0,8427 58 0,9273 0,9277 0,9323 0,9327
14 0,9373 0,9377 0,9423 0,9427 59 0,9273 0,9277 0,9323 0,9327
15 0,9573 0,9577 0,9623 0,9627 60 0,9373 0,9377 0,9423 0,9427
16 0,8873 0,8877 0,8923 0,8927 61 0,8873 0,8877 0,8923 0,8927
17 0,9173 0,9177 0,9223 0,9227 62 0,8973 0,8977 0,9023 0,9027
18 0,9073 0,9077 0,9123 0,9127 63 0,8973 0,8977 0,9023 0,9027
19 0,9273 0,9277 0,9323 0,9327 64 0,9273 0,9277 0,9323 0,9327
20 0,8973 0,8977 0,9023 0,9027 65 0,9473 0,9477 0,9523 0,9527
21 0,9173 0,9177 0,9223 0,9227 66 0,9573 0,9577 0,9623 0,9627
22 0,9173 0,9177 0,9223 0,9227 67 0,9673 0,9677 0,9723 0,9727
23 0,8873 0,8877 0,8923 0,8927 68 0,9773 0,9777 0,9823 0,9827
24 0,8873 0,8877 0,8923 0,8927 69 0,9773 0,9777 0,9823 0,9827
25 0,8873 0,8877 0,8923 0,8927 70 0,9773 0,9777 0,9823 0,9827
26 0,9173 0,9177 0,9223 0,9227 71 0,9273 0,9277 0,9323 0,9327
27 0,9273 0,9277 0,9323 0,9327 72 0,9573 0,9577 0,9623 0,9627
28 0,8773 0,8777 0,8823 0,8827 73 0,9073 0,9077 0,9123 0,9127
29 0,9173 0,9177 0,9223 0,9227 74 0,9373 0,9377 0,9423 0,9427
30 0,8873 0,8877 0,8923 0,8927 75 0,9273 0,9277 0,9323 0,9327
31 0,9873 0,9877 0,9923 0,9927 76 0,9173 0,9177 0,9223 0,9227
32 0,8973 0,8977 0,9023 0,9027 77 0,9673 0,9677 0,9723 0,9727
33 0,9273 0,9277 0,9323 0,9327 78 0,9673 0,9677 0,9723 0,9727
34 0,9473 0,9477 0,9523 0,9527 79 0,9173 0,9177 0,9223 0,9227
35 0,9273 0,9277 0,9323 0,9327 80 0,9573 0,9577 0,9623 0,9627
36 0,8273 0,8277 0,8323 0,8327 81 0,9573 0,9577 0,9623 0,9627
37 0,8873 0,8877 0,8923 0,8927 82 0,9373 0,9377 0,9423 0,9427
38 0,8873 0,8877 0,8923 0,8927 83 0,9473 0,9477 0,9523 0,9527
39 0,9173 0,9177 0,9223 0,9227 84 0,9173 0,9177 0,9223 0,9227
40 0,9173 0,9177 0,9223 0,9227 85 0,9573 0,9577 0,9623 0,9627
41 0,9173 0,9177 0,9223 0,9227 86 0,9573 0,9577 0,9623 0,9627
42 0,8973 0,8977 0,9023 0,9027 87 0,9473 0,9477 0,9523 0,9527
43 0,9473 0,9477 0,9523 0,9527 88 0,9473 0,9477 0,9523 0,9527
44 0,8973 0,8977 0,9023 0,9027 89 0,9273 0,9277 0,9323 0,9327
45 0,8773 0,8777 0,8823 0,8827 ฮฃ 81,8436 81,8732 82,2868 82,3164
59
Lampiran 3. Nilai Moving Range kabur
No ๐๐ ๐ ๐๐ ๐ ๐๐ ๐ ๐๐ ๐ No ๐๐ ๐ ๐๐ ๐ ๐๐ ๐ ๐๐ ๐
2 0,0154 0,0147 0,0246 0,0253 47 0,0246 0,0253 0,0154 0,0147
3 0,0354 0,0347 0,0446 0,0453 48 0,0454 0,0447 0,0546 0,0553
4 0,0446 0,0453 0,0354 0,0347 49 0,0146 0,0153 0,0054 0,0047
5 0,0354 0,0347 0,0446 0,0453 50 0,0346 0,0353 0,0254 0,0247
6 0,0454 0,0447 0,0546 0,0553 51 0,0854 0,0847 0,0946 0,0953
7 0,0546 0,0553 0,0454 0,0447 52 0,0346 0,0353 0,0254 0,0247
8 0,0454 0,0447 0,0546 0,0553 53 0,0054 0,0047 0,0146 0,0153
9 0,1046 0,1053 0,0954 0,0947 54 0,0146 0,0153 0,0054 0,0047
10 0,0554 0,0547 0,0646 0,0653 55 0,0446 0,0453 0,0354 0,0347
11 0,0054 0,0047 0,0146 0,0153 56 0,0046 0,0053 0,0046 0,0053
12 0,0054 0,0047 0,0146 0,0153 57 0,0054 0,0047 0,0146 0,0153
13 0,1046 0,1053 0,0954 0,0947 58 0,0154 0,0147 0,0246 0,0253
14 0,0954 0,0947 0,1046 0,1053 59 0,0046 0,0053 0,0046 0,0053
15 0,0154 0,0147 0,0246 0,0253 60 0,0054 0,0047 0,0146 0,0153
16 0,0746 0,0753 0,0654 0,0647 61 0,0546 0,0553 0,0454 0,0447
17 0,0254 0,0247 0,0346 0,0353 62 0,0054 0,0047 0,0146 0,0153
18 0,0146 0,0153 0,0054 0,0047 63 0,0046 0,0053 0,0046 0,0053
19 0,0154 0,0147 0,0246 0,0253 64 0,0254 0,0247 0,0346 0,0353
20 0,0346 0,0353 0,0254 0,0247 65 0,0154 0,0147 0,0246 0,0253
21 0,0154 0,0147 0,0246 0,0253 66 0,0054 0,0047 0,0146 0,0153
22 0,0046 0,0053 0,0046 0,0053 67 0,0054 0,0047 0,0146 0,0153
23 0,0346 0,0353 0,0254 0,0247 68 0,0054 0,0047 0,0146 0,0153
24 0,0046 0,0053 0,0046 0,0053 69 0,0046 0,0053 0,0046 0,0053
25 0,0046 0,0053 0,0046 0,0053 70 0,0046 0,0053 0,0046 0,0053
26 0,0254 0,0247 0,0346 0,0353 71 0,0546 0,0553 0,0454 0,0447
27 0,0054 0,0047 0,0146 0,0153 72 0,0254 0,0247 0,0346 0,0353
28 0,0546 0,0553 0,0454 0,0447 73 0,0546 0,0553 0,0454 0,0447
29 0,0354 0,0347 0,0446 0,0453 74 0,0254 0,0247 0,0346 0,0353
30 0,0346 0,0353 0,0254 0,0247 75 0,0146 0,0153 0,0054 0,0047
31 0,0954 0,0947 0,1046 0,1053 76 0,0146 0,0153 0,0054 0,0047
32 0,0946 0,0953 0,0854 0,0847 77 0,0454 0,0447 0,0546 0,0553
33 0,0254 0,0247 0,0346 0,0353 78 0,0046 0,0053 0,0046 0,0053
34 0,0154 0,0147 0,0246 0,0253 79 0,0546 0,0553 0,0454 0,0447
35 0,0246 0,0253 0,0154 0,0147 80 0,0354 0,0347 0,0446 0,0453
36 0,1046 0,1053 0,0954 0,0947 81 0,0046 0,0053 0,0046 0,0053
37 0,0554 0,0547 0,0646 0,0653 82 0,0246 0,0253 0,0154 0,0147
38 0,0046 0,0053 0,0046 0,0053 83 0,0054 0,0047 0,0146 0,0153
39 0,0254 0,0247 0,0346 0,0353 84 0,0346 0,0353 0,0254 0,0247
40 0,0046 0,0053 0,0046 0,0053 85 0,0354 0,0347 0,0446 0,0453
41 0,0046 0,0053 0,0046 0,0053 86 0,0046 0,0053 0,0046 0,0053
42 0,0246 0,0253 0,0154 0,0147 87 0,0146 0,0153 0,0054 0,0047
43 0,0454 0,0447 0,0546 0,0553 88 0,0046 0,0053 0,0046 0,0053
44 0,0546 0,0553 0,0454 0,0447 89 0,0246 0,0253 0,0154 0,0147
45 0,0246 0,0253 0,0154 0,0147 ฮฃ 2,6079 2,6119 2,6916 2,7075
46 0,0054 0,0047 0,0146 0,0153
60
Lampiran 4. Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule
pada Iterasi ke-1
No Data IX MR No Data IX MR
1 0,85 in control 46 0,89 in control in control
2 0,87 in control in control 47 0,87 in control in control
3 0,91 in control in control 48 0,92 in control in control
4 0,87 in control in control 49 0,91 in control in control
5 0,91 in control in control 50 0,88 in control in control
6 0,96 in control in control 51 0,97 in control in control
7 0,91 in control in control 52 0,94 in control in control
8 0,96 in control in control 53 0,95 in control in control
9 0,86 in control in control 54 0,94 in control in control
10 0,92 in control in control 55 0,90 in control in control
11 0,93 in control in control 56 0,90 in control in control
12 0,94 in control in control 57 0,91 in control in control
13 0,84
rather out of
control in control 58 0,93 in control in control
14 0,94 in control
rather out of
control 59 0,93 in control in control
15 0,96 in control in control 60 0,94 in control in control
16 0,89 in control in control 61 0,89 in control in control
17 0,92 in control in control 62 0,90 in control in control
18 0,91 in control in control 63 0,90 in control in control
19 0,93 in control in control 64 0,93 in control in control
20 0,90 in control in control 65 0,95 in control in control
21 0,92 in control in control 66 0,96 in control in control
22 0,92 in control in control 67 0,97 in control in control
23 0,89 in control in control 68 0,98 in control in control
24 0,89 in control in control 69 0,98 in control in control
25 0,89 in control in control 70 0,98 in control in control
26 0,92 in control in control 71 0,93 in control in control
27 0,93 in control in control 72 0,96 in control in control
28 0,88 in control in control 73 0,91 in control in control
29 0,92 in control in control 74 0,94 in control in control
30 0,89 in control in control 75 0,93 in control in control
31 0,99 in control
rather out of
control 76 0,92 in control in control
32 0,90 in control in control 77 0,97 in control in control
33 0,93 in control in control 78 0,97 in control in control
34 0,95 in control in control 79 0,92 in control in control
35 0,93 in control in control 80 0,96 in control in control
36 0,83 out control in control 81 0,96 in control in control
37 0,89 in control in control 82 0,94 in control in control
38 0,89 in control in control 83 0,95 in control in control
39 0,92 in control in control 84 0,92 in control in control
40 0,92 in control in control 85 0,96 in control in control
41 0,92 in control in control 86 0,96 in control in control
42 0,90 in control in control 87 0,95 in control in control
43 0,95 in control in control 88 0,95 in control in control
44 0,90 in control in control 89 0,93 in control in control
45 0,88 in control in control
61
Lampiran 5 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule
pada Iterasi ke-2
No Data IX MR No Data IX MR
1 0,85
rather out of
control
46 0,88 in control in control
2 0,87 in control in control 47 0,97 in control
rather out of
control
3 0,91 in control in control 48 0,94 in control in control
4 0,87 in control in control 49 0,95 in control in control
5 0,91 in control in control 50 0,94 in control in control
6 0,96 in control in control 51 0,90 in control in control
7 0,91 in control in control 52 0,90 in control in control
8 0,96 in control in control 53 0,91 in control in control
9 0,86 out control out control 54 0,93 in control in control
10 0,92 in control in control 55 0,93 in control in control
11 0,93 in control in control 56 0,94 in control in control
12 0,94 in control in control 57 0,89 in control in control
13 0,96 in control in control 58 0,90 in control in control
14 0,89 in control in control 59 0,90 in control in control
15 0,92 in control in control 60 0,93 in control in control
16 0,91 in control in control 61 0,95 in control in control
17 0,93 in control in control 62 0,96 in control in control
18 0,90 in control in control 63 0,97 in control in control
19 0,92 in control in control 64 0,98 in control in control
20 0,92 in control in control 65 0,98 in control in control
21 0,89 in control in control 66 0,98 in control in control
22 0,89 in control in control 67 0,93 in control in control
23 0,89 in control in control 68 0,96 in control in control
24 0,92 in control in control 69 0,91 in control in control
25 0,93 in control in control 70 0,94 in control in control
26 0,88 in control in control 71 0,93 in control in control
27 0,92 in control in control 72 0,92 in control in control
28 0,89 in control in control 73 0,97 in control in control
29 0,90 in control in control 74 0,97 in control in control
30 0,93 in control in control 75 0,92 in control in control
31 0,95 in control in control 76 0,96 in control in control
32 0,93 in control in control 77 0,96 in control in control
33 0,89 in control in control 78 0,94 in control in control
34 0,89 in control in control 79 0,95 in control in control
35 0,92 in control in control 80 0,92 in control in control
36 0,92 in control in control 81 0,96 in control in control
37 0,92 in control in control 82 0,96 in control in control
38 0,90 in control in control 83 0,95 in control in control
39 0,95 in control in control 84 0,95 in control in control
40 0,90 in control in control 85 0,93 in control in control
41 0,88 in control in control
42 0,89 in control in control
43 0,87 in control in control
44 0,92 in control in control
45 0,91 in control in control
62
Lampiran 6 Hasil dari Proses Kendali Menggunakan Pendekatan Fuzzy Rule
pada Iterasi ke-3
No Data IX MR No Data IX MR
1 0,87 in control 43 0,91 in control in control
2 0,91 in control in control 44 0,88 in control in control
3 0,87 in control in control 45 0,94 in control in control
4 0,91 in control in control 46 0,95 in control in control
5 0,96 in control in control 47 0,94 in control In control
6 0,91 in control in control 48 0,90 in control in control
7 0,96 in control in control 49 0,90 in control in control
8 0,92 in control in control 50 0,91 in control in control
9 0,93 in control in control 51 0,93 in control in control
10 0,94 in control in control 52 0,93 in control in control
11 0,96 in control in control 53 0,94 in control in control
12 0,89 in control in control 54 0,89 in control in control
13 0,92 in control in control 55 0,90 in control in control
14 0,91 in control in control 56 0,90 in control in control
15 0,93 in control in control 57 0,93 in control in control
16 0,90 in control in control 58 0,95 in control in control
17 0,92 in control in control 59 0,96 in control in control
18 0,92 in control in control 60 0,97 in control in control
19 0,89 in control in control 61 0,98 in control in control
20 0,89 in control in control 62 0,98 in control in control
21 0,89 in control in control 63 0,98 in control in control
22 0,92 in control in control 64 0,93 in control in control
23 0,93 in control in control 65 0,96 in control in control
24 0,88 in control in control 66 0,91 in control in control
25 0,92 in control in control 67 0,94 in control in control
26 0,89 in control in control 68 0,93 in control in control
27 0,90 in control in control 69 0,92 in control in control
28 0,93 in control in control 70 0,97 in control in control
29 0,95 in control in control 71 0,97 in control in control
30 0,93 in control in control 72 0,92 in control in control
31 0,89 in control in control 73 0,96 in control in control
32 0,89 in control in control 74 0,96 in control in control
33 0,92 in control in control 75 0,94 in control in control
34 0,92 in control in control 76 0,95 in control in control
35 0,92 in control in control 77 0,92 in control in control
36 0,90 in control in control 78 0,96 in control in control
37 0,95 in control in control 79 0,96 in control in control
38 0,90 in control in control 80 0,95 in control in control
39 0,88 in control in control 81 0,95 in control in control
40 0,89 in control in control 82 0,93 in control in control
41 0,87 in control in control
42 0,92 in control in control
63
Lampiran 7. Program Matlab Perhitungan Grafik Pengendali Kabur ๐ผ๐ โ๐๐ clc,clear format short
%Memanggil data fuzzy Ms. Excel ke Matlab X=xlsread('data1.xlsx','Sheet4','A1:A89'); data=size(X) data=data(1) Std=std(X(:,1)) M=zeros(data,32); d2=1.128; D3=0; D4=3.267;
%Data asli dirubah ke bilangan fuzzy for i=1:data M(i,1)=X(i,1)-0.08*Std; M(i,2)=X(i,1)-0.07*Std; M(i,3)=X(i,1)+0.07*Std; M(i,4)=X(i,1)+0.08*Std; end
%Mententukkan nilai MR setiap data fuzzy for i=2:data M(i,9)=abs(M(i,1)-M(i-1,4)); M(i,10)=abs((M(i,2)-M(i-1,3))); M(i,11)=abs((M(i,3)-M(i-1,2))); M(i,12)=abs((M(i,4)-M(i-1,1))); end
%mencari nilai CL, UCL dan LCL (X dan MR) CLxa=mean(M(:,1)); CLxb=mean(M(:,2)); CLxc=mean(M(:,3)); CLxd=mean(M(:,4)); CLMRa=(sum(M(2:data-1,10)))/(data-1); CLMRb=(sum(M(2:data-1,9)))/(data-1); CLMRc=(sum(M(2:data-1,11)))/(data-1); CLMRd=(sum(M(2:data-1,12)))/(data-1); UCLxa=CLxa+3*(CLMRa/d2); UCLxb=CLxb+3*(CLMRb/d2); UCLxc=CLxc+3*(CLMRc/d2); UCLxd=CLxd+3*(CLMRd/d2); LCLxa=CLxa-3*(CLMRd/d2); LCLxb=CLxb-3*(CLMRc/d2); LCLxc=CLxc-3*(CLMRb/d2); LCLxd=CLxd-3*(CLMRa/d2); UCLMRa=D4*CLMRa; UCLMRb=D4*CLMRb; UCLMRc=D4*CLMRc; UCLMRd=D4*CLMRd; LCLMRa=D3*CLMRa; LCLMRb=D3*CLMRb; LCLMRc=D3*CLMRc; LCLMRd=D3*CLMRd;
64
%tampilan data pengendali for i=1:data; M(i,5)=CLxa; M(i,6)=CLxb; M(i,7)=CLxc; M(i,8)=CLxd; M(i,13)=CLMRa; M(i,14)=CLMRb; M(i,15)=CLMRc; M(i,16)=CLMRd; M(i,17)=UCLxa; M(i,18)=UCLxb; M(i,19)=UCLxc; M(i,20)=UCLxd; M(i,21)=LCLxa; M(i,22)=LCLxb; M(i,23)=LCLxc; M(i,24)=LCLxd; M(i,25)=UCLMRa; M(i,26)=UCLMRb; M(i,27)=UCLMRc; M(i,28)=UCLMRd; M(i,29)=LCLMRa; M(i,30)=LCLMRb; M(i,31)=LCLMRc; M(i,32)=LCLMRd; end % disp(' a b c d CLxa
CLxb CLxc CLxd MRa MRb MRc MRd
CLMRa CLMRb CLMRc CLMRd UCLxa UCLxb UCLxc UCLxd
LCLxa LCLxb LCLxc LCLxd UCLMRa UCLMRb UCLMRc UCLMRd
LCLMRa LCLMRb LCLMRc LCLMRd') % disp(M) disp(' a b c d CLxa CLxb
CLxc CLxd MRa MRb MRc MRd
CLMRa') disp(M(:,1:13)) disp(' CLMRb CLMRc CLMRd UCLxa UCLxb UCLxc
UCLxd LCLxa LCLxb LCLxc LCLxd UCLMRa
UCLMRb') disp(M(:,14:26)) disp(' UCLMRc UCLMRd LCLMRa LCLMRb LCLMRc
LCLMRd') disp(M(:,27:32)) %Fuzzy rule pada data sisa klor (X) N=zeros(data,2); for i=1:data if M(i,4)<=UCLxa && M(i,1)>=LCLxd N(i,1)=1; elseif M(i,1)>UCLxd || M(i,4)<LCLxa N(i,1)=0; elseif M(i,4)>UCLxa N(i,1)=1-(M(i,4)-UCLxa)/(M(i,4)-M(i,1)); elseif M(i,1)<LCLxa N(i,1)=1-(LCLxc-M(i,1))/(M(i,4)-M(i,1)); elseif M(i,4)>UCLxa && M(i,1)<LCLxd N(i,1)=min(1-(M(i,4)-UCLxa)/(M(i,4)-M(i,1)),1-(LCLxc-
M(i,1))/(M(i,4)-M(i,1)));
65
end end
% Fuzzy rule pada data sisa klor (MR) for i=2:data if M(i,12)<=UCLMRa && M(i,9)>=LCLMRd N(i,2)=1; elseif M(i,9)>UCLMRd || M(i,12)<LCLMRa N(i,2)=0; elseif M(i,12)>UCLMRa N(i,2)=1-(M(i,12)-UCLMRa)/(M(i,12)-M(i,9)); elseif M(i,9)<LCLMRa N(i,2)=1-(LCLMRc-M(i,9))/(M(i,12)-M(i,9)); elseif M(i,12)>UCLMRa && M(i,9)<LCLMRd N(i,2)=min(1-(M(i,12)-UCLMRa)/(M(i,12)-M(i,9)),1-(LCLMRc-
M(i,9))/(M(i,12)-M(i,9))); end end
%Keputusan Fuzzy rule pada sisa Klor masing-masing disp(' ') disp('Kendali proses X') disp(' ') for i=1:data if N(i,1)==1 disp('in control') elseif N(i,1)==0 disp('out control') elseif N(i,1)>=0.5 disp('rather in control') elseif N(i,1)<0.5 disp('rather out of control') end end disp(' ') disp('Kendali proses MR') disp(' ') for i=2:data if N(i,2)==1 disp('in control') elseif N(i,2)==0 disp('out control') elseif N(i,2)>=0.5 disp('rather in control') elseif N(i,2)<0.5 disp('rather out of control') end end
66
Lampiran 8. Program Mathlab Perhitungan Nilai Kapabilitas Proses Kabur format short %memanggil data dari Ms. Excel ke Matlab X=xlsread('data1.xlsx','Sheet4','G1:G82'); data=size(X) data=data(1) Std=std(X(:,1)) M=zeros(data,32); d2=1.128; D3=0; D4=3.267; %Data asli dirubah ke bilangan fuzzy for i=1:data M(i,1)=X(i,1)-0.08*Std; M(i,2)=X(i,1)-0.07*Std; M(i,3)=X(i,1)+0.07*Std; M(i,4)=X(i,1)+0.08*Std; end
%Mententukkan nilai MR setiap data fuzzy for i=2:data M(i,9)=abs((M(i,1)-M(i-1,4))); M(i,10)=abs((M(i,2)-M(i-1,3))); M(i,11)=abs((M(i,3)-M(i-1,2))); M(i,12)=abs((M(i,4)-M(i-1,1))); end
%mencari nilai CL, UCL dan LCL (X dan MR) CLxa=mean(M(:,1)); CLxb=mean(M(:,2)); CLxc=mean(M(:,3)); CLxd=mean(M(:,4)); CLMRa=(sum(M(2:data-1,10)))/(data-1); CLMRb=(sum(M(2:data-1,9)))/(data-1); CLMRc=(sum(M(2:data-1,11)))/(data-1); CLMRd=(sum(M(2:data-1,12)))/(data-1); UCLxa=CLxa+3*(CLMRa/d2); UCLxb=CLxb+3*(CLMRb/d2); UCLxc=CLxc+3*(CLMRc/d2); UCLxd=CLxd+3*(CLMRd/d2); LCLxa=CLxa-3*(CLMRd/d2); LCLxb=CLxb-3*(CLMRc/d2); LCLxc=CLxc-3*(CLMRb/d2); LCLxd=CLxd-3*(CLMRa/d2); UCLMRa=D4*CLMRa; UCLMRb=D4*CLMRb; UCLMRc=D4*CLMRc; UCLMRd=D4*CLMRd; LCLMRa=D3*CLMRa; LCLMRb=D3*CLMRb; LCLMRc=D3*CLMRc; LCLMRd=D3*CLMRd;
%menghitung nilai s sa=CLMRa/d2 sb=CLMRb/d2 sc=CLMRc/d2
67
sd=CLMRd/d2
%membentuk ke usl ke bilangan fuzzy ua=1-0.09*Std ub=1-0.07*Std uc=1+0.06*Std ud=1+0.08*Std
%membentuk ke lsl ke bilangan fuzzy la=0.2-0.09*Std lb=0.2-0.07*Std lc=0.2+0.06*Std ld=0.2+0.08*Std
%menentukan nilai cp cpa=(ua-ld)/(6*sd) cpb=(ub-lc)/(6*sc) cpc=(uc-lb)/(6*sb) cpd=(ud-la)/(6*sa)
%menentukan nilai cpu cpua=(ua-CLxd)/(3*sd) cpub=(ub-CLxc)/(3*sc) cpuc=(uc-CLxb)/(3*sb) cpud=(ud-CLxa)/(3*sa)
%menentukan nilai cpl cpla=(CLxa-ld)/(3*sd) cplb=(CLxb-lc)/(3*sc) cplc=(CLxc-lb)/(3*sb) cpld=(CLxd-la)/(3*sa)
%menentukan cpk cpka=min(cpua,cpla) cpkb=min(cpub,cplb) cpkc=min(cpuc,cplc) cpkd=min(cpud,cpld)
68
Lampiran 9 Faktor Guna Membentuk Grafik Pengendali Variabel
1
RIWAYAT HIDUP
Okta Dwi Rohmawati, lahir di kota Gresik pada tanggal
08 Oktober 1993, biasa dipanggil Okta, tinggal di Jl.
Joyoraharjo RT 01/RW 02 No 9 Kec Lowokwaru Kota
Malang. Anak bungsu dari dua bersaudara, dari pasangan
bapak Hartoyo dan ibu Mahmudah. Pendidikan dasarnya
ditempuh di MI Al โ Firdaus Lasem dan lulus pada tahun 2006, setelah itu
melanjutkan pendidikan menengah pertama di MTs Ihyaul Ulum Dukun Gresik
dan lulus pada tahun 2009. Kemudian melanjutkan pendidikan menengah atas di
SMA Assaโadah Bungah Gresik dan menamatkan pendidikannya pada tahun
2012. Pada tahun yang sama dia melanjutkan kuliah di Universitas Islam Negeri
Maulana Malik Ibrahim Malang mengambil jurusan Matematika.
Selama menjadi mahasiswa, dia berperan aktif pada organisasi intra kampus. Dia
pernah menjadi anggota devisi kematematikawan di Himpunan Mahasiswa
Jurusan (HMJ) matematika pada periode 2012/2013 dan mengajar di TPQ
Wardatul Ishlah pada tahun 2014-2016.
1
top related