bab 2 landasan teori 2.1 tinjauan pustaka 2.1.1...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1 Tinjauan Pustaka
2.1.1. Pengertian Kualitas
Kualitas merupakan suatu hal atau faktor yang mempengaruhi pilihan
konsumen terhadap berbagai jenis produk baik itu barang maupun jasa yang
akan dipergunakannya. Kualitas dapat secara langsung mempengaruhi
perkembangan, pertumbuhan, pengeluaran biaya produksi, keuntungan atau
pemasukan, dan juga kehidupan suatu perusahaan. Secara garis besar dapat
dikatakan bahwa kualitas dapat sangat menentukan kemampuan suatu
perusahaan untuk tetap bertahan dan meraih keuntungan dalam ketatnya
persaingan pasar.
Definisi kualitas diartikan berbeda-beda oleh para ahli dalam bidang
ini pengertian-pengertian dan penggambaran yang berbeda mengenai kualitas
tersebut disebabkan adanya berbagai persepsi atau pandangan terhadap
kualitas yang dihubungkan dengan dimensi kehidupan.
Berikut beberapa definisi kualitas :
1. Menurut Vincent Gaspersz
Dalam konteks pengendalian statistikal, terminologi kualitas didefinisikan
sebagai konsistensi peningkatan atau perbaikan dan penurunan variasi
24
karakteristik dari suatu produk ( barang atau jasa ) yang dihasilkan agar
dapat memenuhi kebutuhan yang telah dispesifikasikan, guna
meningkatkan kepuasan pelanggan internal maupun eksternal.
2. Menurut Armand V. Feigenbaum
Kualitas dari produk maupun jasa tercipta dengan adanya komposisi
secara keseluruhan dari karakteristik bagian pemasaran, teknik, produk,
dan bagian pemeliharaan, yang mana keseluruhan ini dapat menciptakan
suatu kualitas sesuai dengan keinginan konsumen.
3. Menurut Joseph M. Juran
“Quality is customer satisfaction”.
Konsumen menginginkan produk dan jasa berkualitas tinggi yang
memenuhi kebutuhan-kebutuhab dengan biaya yang bernilai. Dalam hal
ini konsumen dibagi menjadi dua jenis, yaitu internal dan eksternal.
Dalam triloginya mencakup (a) Quality Planning, perencanaan untuk
meningkatkan dan memenuhi kualitas yang dikarakteristikkan oleh
konsumen. (b) Quality Control, yang merupakan penilaian performansi
aktual yang dibbandingkan dengan tujuannya dan mengambil langkah-
langkah perbaikan bila ternyata terdapat perbedaan diantara keduanya.
(c) Quality improvement, peningkatan kualitas. Dapat disimpulkan bahwa
kualitas merupakan ketetapan untuk penggunaan dan kualitas adalah
kepuasan pelanggan.
25
2.1.2 Variasi
Variasi adalah ketidakseragaman dalam sistem produksi atau operasional
sehingga menimbulkan perbedaan dalam kualitas pada output ( barang dan/atau jasa
yang dihasilkan).
Menurut Vincent Gaspersz, pada dasarnya dikenal dua sumber atau penyebab
timbulnya variasi, yaitu variasi penyebab khusus dan variasi penyebab umum :
1. Variasi Penyebab Khusus ( Special Causes Variation )
Adalah kejadian-kejadian diluar sistem yang mempengaruhi variasi dalam
sistem. Penyebab khusus dapat bersumber dari faktor-faktor manusia,
peralatan, material, lingkungan, metode kerja dan lain-lain.
2. Variasi Penyebab Umum ( Common Causes Variation )
Adalah faktor-faktor didalam sistem atau yang melekat pada proses yang
menyebabkan timbulnya variasi dalam sistem serta hasil-hasilnya.
2.1.3 Statistical Process Control ( SPC )
Pengendalian proses statistik ( Statistical Process Control ) adalah
terminologi yang mulai sejak tahun 1970-an untuk menjabarkan penggunaan teknik-
teknik satatistik ( Statistical Techniques ) dalam memantau dan meningkatkan
performansi proses menghasilkan produk berkualitas. Pada tahun 1950-an sampai
tahun 1960-an digunakan terminologi pengendalian kualitas statistikal ( Statistical
26
Quality Control = SQC ) yang memiliki pengertian sama dengan pengendalian proses
statistikal ( Statistical Process Control = SPC ).
Pengendalian kualitas merupakan aktivitas teknik dan manajemen, dimana
pengukuran karakteristik kualitas dari output ( barang / jasa ), kemudian
membandingkan hasil pengukuran tersebut dengan spesifikasi / karakteristik output
yang diinginkan pelanggan, serta mengambil tindakan yang tepat apabila ditemukan
perbedaan antara performansi aktual dan standar.
Berdasarkan uraian diatas, dapat difinisikan bahwa pengendalian proses
statistikal ( SPC ) sebagai suatu metode pengumpulan dan analisis data kualitas, serta
penentuan dan interprestasi pengukuran-pengukuran yang menjelaskan tentang proses
dalam suatu sistem industri, untuk meningkatkan kualitas dari output guna memenuhi
kebutuhan dan ekspektasi pelanggan.
Dengan kata lain penerapan SPC akan dapat membantu menjaga proses
produksi berjalan secara benar dan stabil, sehingga kemungkinan terjadi produk gagal
menjadi sangat kecil.
2.1.4 Definisi Data Dalam SPC
Definisi data dalam SPC menurut Gaspersz adalah catatan tentang sesuatu,
baik yang bersifat kualitatif maupun kuantitatif yang dipergunakan sebagai petunjuk
untuk bertindak. Berdasarkan data, dapat dipelajari fakta-fakta yang ada
27
kemungkinan mengambil tindakan yang tepat berdasarkan fakta itu. Dalam konteks
pengendalian statistikal dikenali dua jenis data, yaitu:
1. Data Atribut ( Attributes Data )
Data atribut adalah data kualitatif yang dapat dihitung untuk pencatatan
dan analisis. Contoh dari data atribut karakteristik kualitas adalah:
Ketiadaan label pada kemasan produk, banyaknya jenis cacat pada
produk, dan lain-lain.
2. Data Variabel ( Variables Data )
Data variabel merupakan data kuantitatif yang diukur untuk keperluan
analisis. Contoh dari data variabel karakteristik kualitas adalah diameter
pipa, ketebalan produk kayu lapis, berat semen dalam kantong, Banyaknya
ukuran kertas dalam setiap rim, atau yang berupa ukuran.
2.1.5 Tools dalam SPC
Tujuh alat bantu pengendalian kualitas dalam Pengendalian Proses Statistikal
( SPC ) yang sering disebut juga sebagai seven tools of quality control, yaitu:
1. Lembar Pengamatan Data ( Check Sheet )
2. Grafik ( Graph )
3. Diagram Pareto ( Pareto Diagram )
4. Diagram Batang ( Histogram )
5. Diagram Sebab-Akibat ( Fishbone Diagram )
28
6. Diagram Pencar ( Scatter Diagram )
7. Peta Kendali ( Control Chart )
2.1.5.1 Lembar Periksa ( Check Sheet )
Lembar periksa adalah suatu formulir, dimana item-item yang akan diperiksa
telah dicetak dalam formulir itu, dengan maksud agar data dapat dikumpulkan secara
mudah dan ringkas. Data itu sendiri merupakan unsur yang paling penting dalam
pelaksanaan pengendalian kualitas. Data yang ada berguna untuk memahami situasi
yang sebenarnya, menganalisis persoalan, pengendalian proses, mengambil keputusan
dan membuat rencana.
2.1.5.2 Grafik ( Graph )
Merupakan tampilan visual data untuk merangkum data. Grafik, tipe yang
paling mudah dan cara terbaik untuk menganalisis, mengerti, dan
mengkomunikasikan data. Ada berbagai tipe grafik yang ada, tetapi paling sering
digunakan yaitu:
Grafik Garis ( Line Graph )
Grafik Batang ( Bar Graph )
Grafik Lingkaran ( Circle Graph )
29
2.1.5.3 Diagram Pareto ( Pareto Diagram )
Diagram pareto ditemukan oleh Alfredo Pareto ( 1848-1923 ) dari hasil
penyelidikan tingkat kesejagteraan di Eropa. Dari penyelidikan tersebut, diketahui
bahwa diagram pareto tidak hanya berfungsi untuk menyelidiki masalah-masalah
teori ekonomi, namun dapat digunakan juga dalam berbagai bidang. Diagram pareto
merupakan salah satu dari alat-alat statistik untuk mengidentifikasikan masalah dan
menyusun prioritas, yaitu sebuah diagram batang yang merangkum dan menyusun
data yang telah dikumpulkan pada check sheet.
Coun
t
Perc
ent
C1Count
4.3Cum % 56.3 83.4 95.7 100.0
194598 93474 42518 14841Percent 56.3 27.1 12.3
OtherTutup RusakTutup RejectRing Patah
350000
300000
250000
200000
150000
100000
50000
0
100
80
60
40
20
0
Pareto Chart of Cacat
Gambar 2.1 Contoh Diagram Pareto
30
2.1.5.4 Diagram Batang ( Histogram )
Histogram adalah salah satu alat yang membantu kita untuk menemukan
variasi. Menurut Vincent Gaspersz histogram merupakan suatu potret dari proses
yang menunjukkan:
1. Distribusi dari pengukuran.
2. Frekuensi dari setiap pengukuran itu.
Dengan demikian, histogram dapat dipergunakan sebagai alat untuk :
1. Mengkomunikasikan informasi tentang variasi dalam proses.
2. Membantu manajemen dalam membuat keputusan-keputusan yang
berfokus pada usaha perbaikan terus menerus ( Continuous Improvement
Efforts ).
2.1.5.5 Diagram Sebab Akibat ( Fishbone Diagram )
Diagram sebab akibat adalah suatu diagram yang menunjukkan hubungan
antara penyebab dan akibat dari suatu masalah dan berguna dalam brainstorming
karena dapat menyusun ide-ide yang muncul. Diagram ini kadang-kadang disebut
Diagram Tulang Ikan ( Fishbone Diagram ) karena bentuknya seperti tulang ikan,
atau disebut Diagram Ishikawa ( Ishikawa Diagram ) karena ditemukan oleh
Prof. Ishikawa Kaoru dari Universitas Tokyo Jepang pada tahun 1943, dan mulai
depergunakan pada tahun 1960-an.
31
Gambar 2.2 Contoh Diagram Tulang Ikan
Diagram ini menunjukkan 5 faktor yang disebut sebagai sebab dari suatu
akibat. Kelima faktor ini adalah manusia (tenaga kerja), metode, material (bahan),
mesin, dan lingkungan. Diagram ini biasanya disusun berdasarkan informasi yang
didapatkan dari sumbang saran atau ”brainstorming”.
Langkah-langkah pembuatan diagram sebab akibat :
1. Tentukan masalah/sesuatu yang akan diamati atau diperbaiki. Gambarkan
panah dengan kotak diujung kanannya dan tulis masalah/sesuatu yang
akan diamati/diperbaiki.
32
2. Cari faktor utama yang berpengaruh atau mempunyai akibat pada
masalah/sesuatu tersebut. Tuliskan dalam kotak yang telah dibuat diatas
dan dibawah panah yang telah dibuat tadi.
3. Cari lebih lanjut faktor-faktor yang lebih terperinci (faktor-faktor
sekunder) yang berpengaruh/mempunyai akibat pada faktor utama
tersebut. Tulislah faktor-faktor sekunder tersebut didekat/pada panah yang
menghubungkannya dengan penyebab utama.
4. Dari diagram yang sudah lengkap, carilah penyebab-penyebab utama
dengan menganalisa data yang ada.
2.1.5.6 Diagram Pencar ( Scatter Diagram )
Dalam proses perbaikan kualitas, kadang-kadang diperlukan eksplorasi
terhadap hubungan antar dua variabel. Misalnya diagram sebab-akibat, mengenai
sebab-sebab ketidakpuasan pelanggan menghasilkan kemungkinan hubungan antara
janji dan jumlah keluhan pelanggan. Diagram pencar merupakan alat yang
bermanfaat untuk menjelaskan apakah terdapat hubungan antara dua variabel
tersebut, dan apakah hubungannya positif atau negatif. Diagram Scatter bertindak
sebagai dasar untuk analisis statistik yang disebut analisis regresi, yang menguji
hubungan antara dua variabel atau lebih dalam bentuk matematis. Diagram ini juga
menjadi dasar pembuatan chart yang sering digunakan dalam peramalan.
33
2.1.6 Peta Kendali ( Control Chart )
Pengelompokan jenis-jenis peta kendali tergantung pada tipe datanya.
Gaspersz (1998) menjelaskan bahwa dalam konteks pengendalian proses statistikal
dikenal dua jenis data, yaitu :
1. Data Variable, merupakan data kuantitatif yang diukur untuk keperluan
analisis. Contoh dari data variable karakteristik kualitas adalah: diameter
pipa, ketebalan produk kayu, berat semen dalam kantong, dll.
2. Data Atribut, merupakan data kualitatif yang dapat dihitung untuk
pencatatan dan analisa. Contoh dari data atribut karakteristik kualitas
adalah ketiadaan label pada kemasan produk, kesalahan proses
administrasi, banyaknya jenis cacat pada produk, banyaknya produk kayu
lapis yang cacat karena Corelap, dll.
Berdasarkan kedua tipe data tersebut, maka jenis-jenis peta kendali terbagi
atas peta kendali untuk data variable dan peta kendali untuk data atribut. Beberapa
peta kendali untuk data variable adalah peta kendali X-bar dan R, Peta kendali
individual X-bar dan MR, serta peta kendali X-bar dan S. Sedangkan peta kendali
untuk data atribut adalah peta kendali p, peta kendali np, peta kendali c, dan peta
kendali u.
34
Menurut Gaspersz (1998), pada prinsipnya setiap peta kendali mempunyai :
1. Garis tangah (Central Line), yang biasanya dinotasikan CL
2. Sepasang bataskendali (Control Limits), dimana satu batas kendali
ditempatkan dibawah garis tengah yang dikenal sebagai batas kendali atas
(Upper Control Limit), biasanya dinotasikan sebagai UCL, dan yang satu
lagi ditempatkan di bawah garis tengah yang dikenal dengan batas kendali
bawah (Lower Control Limits), biasanya dinotasikan sebagai LCL.
3. Tebaran nilai-nilai karateristik kualitas yang menggambarkan keadaan dari
proses. Jika semua nilai yag ditebarkan (diplot) pada peta itu berada didalam
batas-batas kendali tanpa memperlihatkan kecendrungan tertentu, maka
proses yang berlangsung dianggap berada dalam kendali atau terkendali
secara statistikal. Namun jika nilai-nilai yang ditebarkan pada peta itu jatuh
atau berada diluar batas-batas kendali atau memperlihatkan kecendrungan
tertentu atau memiliki bentuk yang aneh, maka proses yang berlangsung
dianggap berada diluar kendali proses yang ada.
Dalam sebagian besar peta kendali, batas kendali dihitung dengan
menggunakan rumus umum sebagai berikut :
UCL = (nilai rata-rata) + 3 (simpangan baku)
LCL = (nilai rata-rata) – 3 (simpangan baku)
35
Disini simpangan baku adalah variasi yang disebabkan oleh penyebab umum
(common cause variation). Peta kendali yang memilki batas-batas kendali seperti ini
disebut sebagai ”Peta kendali 3 sigma”.
Pada dasarnya peta-peta kendali dipergunakan untuk :
1. Menentukan apakah suatu proses berada dalam pengendalian statistikal?
Dengan demikian peta-peta kontrol digunakan untuk mencapai suatu
keadaan terkendali secara statistikal, dimana semua nilai rata-rata dan
range dari subgrup contoh berada dalam batas-batas pengendalian
(Control Limits). Oleh sebab itu variasi penyebab khusus menjadi tidak
ada lagi didalam proses.
2. Memantau proses terus-menerus sepanjang waktu agar proses tetap stabil
secara statistikal dan hanya mengandung variasi penyebab umum.
3. Menentukan kemampuan proses (Process Capability). Setelah proses
berada dalam batas pengendalian statistikal, batas-batas dari variasi proses
dapat ditentukan.
2.1.6.1 Peta Kendali untuk Data Atribut
Dalam perhitungan yang dilakukan oleh peneliti pada pengolahan data, peta
kendali yang digunakan adalah peta kendali p, karena sebagian dari jenis data yang
diambil adalah data attribut. Peta kendali p digunakan untuk mengendalikan proporsi
dari item-item yang tidak memenuhi syarat spesifikasi yang ditetapkan yang berarti
36
dikategorikan cacat. Untuk itu definisi operasional secara tepat tentang apa yang
dimaksud ketidaksesuaian atau apa yang dimaksud cacat sangatlah penting dan harus
dipahami oleh setiap pengguna peta kendali p.
Ukuran sample pada peta kendali p dapat konstan ataupun bervariasi. Adapun
langkah-langkah pembuatan peta kendali p (proporsi unit yag cacat) adalah sebagai
berikut:
1. Tentukan ukuran contoh atau subgroup yang cukup besar (n>30)
2. Kumpulkan banyaknya subgroup (k), yaitu 20-25 subgroup
3. Hitung untuk setiap subgroup nilai proporsi unit yang cacat, yaitu :
i
i
nD
p =ˆ i = 1,2,............,m.
p̂ = Proporsi cacat pada subgroup ke-i
iD = Banyaknya produk cacat pada subgroup ke-i
in = Ukuran contoh konstan, maka ni = n
4. Hitung rata-rata dari p, yaitu p-bar dapat dihitung dengan rumus :
∑∑=
inspeksicacat
p
5. Hitung batas kendali untuk peta kendali p :
n
pppUCL −+=
1(3
pCL =
37
n
pppLCL )1(3 −−=
6. Plot data proporsi unit cacat dan amati apakah data itu berada dalam
pengendalian atau tidak.
7. Apabila data pengamatan menunjukan bahwa proses berada dalam
pengendalian statistikal, gunakan peta kontrol p memantau proses terus
menerus. Tetapi apabila data pengamatan menunjukan bahwa proses tidak
berada dalam penegendalian statistikal, proses itu harus diperbaiki terlebih
dahulu sebelum menggunakan peta kontrol itu untuk pengendalian proses
terus menerus.
2.1.6.2 Peta Kendali untuk Data Variable
Peta kontrol X (rata-rata) dan R (Range) digunakan untuk memantau proses
yang mempunyai karakteristik berdimensi kontinu, sehingga peta kontrol X dan
R sering disebut sebagai peta kontrol untuk data variabel. Peta kontrol X
menjelaskan tentang apakah perubahan-perubahan telah terjadi dalam ukuran titik
pusat (central tendency) atau rata-rata dari suatu proses. Hal ini mungkin
disebabkan oleh faktor-faktor seperti peralatan yang dipakai, tenaga kerja yang
belum dilatih, material baru dan lain-lain. Sedangkan peta kontrol R menjelaskan
tentang apakah perubahan-perubahan telah terjadi dalam ukuran variasi, dengan
demikian berkaitan dengan perubahan homogenitas produk yang dihasilkan
38
melalui suatu proses. Hal ini mungkin disebabkan oleh faktor-faktor seperti
bagian peralatan yang hilang, kelelahan pekerja dan lain-lain.
Peta kendali pertama kali diperkenalkan oleh Dr. Walter Andrew Shewhart
dari Bell Telephone Laboratories, Amerika Serikat pada tahun 1924. Pembuatan
peta kendali dilakukan dengan maksud untuk menghilangkan variasi tidak normal
melalui pemisahan variasi yang disebabkan oleh penyebab khusus (special-causes
variation) dan variasi yang disebabkan oleh penyebab umum (common-causes
variation).
Langkah-langkah untuk membuat peta kontrol X dan R dapat dikemukakan
sebagai berikut :
Langkah 1 : Tentukan ukuran contoh (n = 4, 5, 6, ...)
Langkah2 : Kumpulkan 20-25 set contoh (paling sedikit dari 60-100 titik
individu)
Langkah 3 : Hitung nilai rata-rata, X dan range, R dari setiap contoh
Langkah 4: Hitung nilai rata-rata dari semua X , yaitu : X yang merupakan
garis tengah (central line) dari peta kontrol X , serta nilai rata-rata
dari semua R, yaitu R yang merupakan garis tengah (central line)
dari peta kontrol R.
Langkah 5 : Hitung batas-batas kontrol 3 sigma dari peta kontrol X dan R
o Peta kontrol X (batas-batas kontrol 3 sigma)
CL = X
39
UCL = X + A2 R
LCL = X - A2 R
o Peta kontrol R (batas-batas kontrol 3 sigma)
CL = R
UCL = D4 R
LCL = D3 R
Langkah 6 : Buatkan peta kontrol X dan R dengan menggunakan batas-batas
kontrol 3 sigma diatas. Setelah itu plot atau tebarkan data X dan R
dari setiap contoh yang diambil itu pada peta kontrol X dan R serta
lakukan pengamatan apakah data itu berada dalam pengendalian
statistikal?
Langkah 7 : gunakan peta kontrol terkendali dari X dan R itu untuk memantau
proses yang sedang berlangsung dari waktu ke waktu.
40
Contoh peta kendali X-bar dan R :
0Subgroup 10 20
750
751
752
753
754
Sam
ple
Mea
nMean=751.8
UCL=753.7
LCL=749.9
0123456789
Sam
ple
Ran
ge
R=3.9
UCL=7.815
LCL=0
Xbar/R Chart for C1-C6
Gambar 2.3 Contoh Grafik Peta Kendali X-bar dan R
2.1.7 Analisa Kapabilitas Proses (Process Capability Analysis)
Teknik statistik dapat berguna melalui siklus produk, termasuk dalam
aktivitas pengembangan kegiatan manufaktur dalam menghitung variasi
proses, dalam menganalisa variansi ini relatif terhadap speksifikasi produk
dan juga membantu perkembangan dan produksi dalam rangka
menghilangkan atau mengurangi variasi ini. Hal inilah yang disebut analisi
kapabilitas proses.
Penentuan kapabilitas proses dilakukan setelah proses telah berada
dalam batas kendali. Sebuah proses dikatakan berada dalam batas kendali jika
variasi yang terjadi pada sistem disebabkan oleh variasi penyebab umum.
41
Analisa kapabilitas proses begitu penting karena hal ini yang mengizinkan
untuk seberapa baik suatu proses dapat membuat produk yang diterima.
σ6PrLSLUSL
osesPenyebarabfikasiLebarSpesiCp −
==
USL(Upper Specification Limit) dan LSL (Lower Specification Limit)
adalah batas spesifikasi atas dan batas spesifikasi bawah dari produk.
Sedangkan σ adalah standar deviasi dari proses. Makin besar Cp makin baik.
Kriteria yang digunakan untuk indeks kapabilitas proses (Cp) ini adalah :
• Cp> 1.33, maka kapabilitas proses sangat baik
• 1.00 ≤ Cp ≤ 1.33, maka kapabilitas proses baik namun perlu
pengendalian ketat apabila Cp telah mendekati 1.00
• Cp < 1.00, maka kapabilitas proses rendah, sehingga perlu
ditingkatkan performansinya melalui perbaikan proses.
Setelah menghitung Cp, kita kemudian menghitung nilai indeks Cpk, yaitu :
Cpk = Minimum {CPU, CPL}
Dimana :
s
XUSLCPU3−
= dan sLSLXCPL
3−
=
Kriteria penilaian :
Jika Cpk = Cp maka proses tepat ditengah (centered) ideal
Jika Cpk = 1, maka proses menghasilkan produk yang sesuai dengan
spesifikasi
42
Jika Cpk < 1, maka proses menghasilkan produk yang tidak sesuai dengan
spesifikasi
2.1.8 FMEA (Failure Mode and Effect Analysis)
Failure Mode and Effect Analysis (FMEA) pertama kali diusulkan oleh
NASA pada tahun 1963. Kemudian diadopsi dan dipromosikan oleh Ford Motor pada
tahun 1977. Tujuan utama dari FMEA adalah untuk menemukan dan memperbaiki
permasalahan utama yang terjadi pada setiap tahapan dari desain dan proses produksi
untuk mencegah produk yang tidak baik sampai sampai ketangan pelanggan, yang
dapat membahayakan reputasi dari perusahaan.
Failure Mode and Effect Analysis adalah metodologi untuk menganalisa
masalah-masalah yang terjadi yang mengkombinasikan dan pengalaman dari orang
untuk mengindentifikasi penyebab cacat dari produk atau dapat juga diartikan sebagai
suatu proses dan perencanaan untuk menghilangan penyebab cacat atau kegagalan.
Secara garis besar, FMEA dapat dikelompokkan menjadi dua kategori yaitu
Design FMEA (DFMEA) yang lebih membahas kepada aktivitas untuk mendeteksi
potensial kegagalan pada fase produk desain dan Process FMEA (PFMEA) untuk
mendeteksi dan mengevaluasi cacat pada produksi. Dengan kata lain FMEA dapat
dijelaskan sebagai sebuah kelompok aktifitas yang meliputi:
1. Mengenali dan mengevaluasi kegagalan dari produk atau proses dan efek
yang ditimbulkan
43
2. Mengidentifikasi tindakan yang dapat mengeliminasi atau mengurangi
kemungkinan kegagalan
3. Mendokumentasikan proses
FMEA dikatakan sebagai tindakan ’before the event’ karena FMEA berusaha
untuk mengeliminasikan atau mengurangi kemungkinan gagal dari
penyebabnya, sehingga mencegah kegagalan tidak terulang lagi dimasa yang
akan datang.
Tujuan dari FMEA sendiri adalah untuk :
1. Mengembangkan produk atau proses dengan meminimasi cacat-cacat yang
terjadi
2. Mengevaluasi perbaikan dari pelanggan atau pembeli lainnya dalam
perancangan proses untuk menjamin cacat utama yang terjadi.
3. Mengindentifikasi perancangan dengan meminimasi penyebab cacat
4. Mengembangkan metode dan tahapan untuk melakukan pengujian produk
atau proses sehingga menjamin kegagalan akan dapat diatasi dengan baik.
5. Mengarahkan dan mengatur resiko utama dalam perancangan.
6. Menjamin bahwa cacat seharusnya terjadi tidak akan merugikan pelanggan.
44
Keuntungan menggunakan FMEA yaitu :
1. Memperbaiki produk atau proses agar memiliki daya tahan dan kualitas
2. Menambah kepuasan pelanggan
3. Cepat dalam mengindentifikasi dan menghilangkan kegagalan utama dalam
proses atau produk
4. Mengutamakan pengurangan cacat pada produk dan proses
5. Menggambarkan pengetahuan keahlian teknik
6. Menekankan mengatasi masalah utama yang terjadi
7. Data-data resiko dan tindakan yang diambil bertujuan untuk menghilangkan
resiko yang terjadi
8. Difokuskan untuk perbaikan pengujian dan pengembangan
9. Meminimasi perubahan keterlambatan, sehingga dapat mengurangi biaya
produksi
Hal-hal yang diidentifikasi dalam Prosess FMEA adalah :
1. Fungsi proses
Merupakan gambaran dari proses produksi yang akan dianalisa beserta
dengan penjelasan singkat fungsi dari proses produksi tersebut. Jika prosesnya
terdapat beberapa operasi dengan potensi kegagalan yang berbeda, daftarkan
operasi sebagai proses terpisah.
2. Jenis kegagalan yang terjadi
45
Potensi kegagalan proses yang diidentifikasi adalah proses yang terjadi gagal
dalam memenuhi persyaratan proses. Pengalaman proses yang sama
digunakan untuk melihat kembali klaim atau keluhan pelanggan sehubungan
dengan komponen yang sama dan asumsikan bahwa material yang ada sudah
baik.
3. Efek dari kegagalan yang terjadi
Efek yang ditimbulkan dari kegagalan yang terjadi terhadap konsumen
maupun pengaruh terhadap kelangsungan proses selanjutnya.
4. Severity
Merupakan nilai tingkat keparahan dari akibat yang ditimbulkan terhadap
konsumen maupun terhadap kelangsungan proses selanjutnya yang secara
tidak langsung juga merugikan. Nilai tingkat keparahan terdiri atas rangking
1-10.
Tabel 2.1 memperlihatkan kriteria dari setiap nilai rangking severity. Semakin
parah dampak yang ditimbulkan, maka semakin tinggi nilai rangking yang
diberikan.
5. Penyebab kegagalan
Penyebab kegagalan merupakan penjelasan mengapa kegagalan-kegagalan
pada proses produksi bisa terjadi. Setiap kemungkinan penyebab kegagalan
yang terjadi didaftarkan dengan lengkap
46
6. Occurance
Adalah seberapa sering kemungkinan penyebab kegagalan terjadi. Nilai
occurance ini diberikan untuk setiap penyebab kegagalan dan juga terdiri dari
rangking 1-10. Tabel 2.2 memperlihatkan kriteria dari setiap nilai rangking
occurance. Semakin sering penyebab kegagalan terjadi, maka semakin tinggi
nilai rangking yang diberikan.
7. Kontrol yang dilakukan
Merupakan kontrol yang dilakukan untuk mendeteksi penyebab kegagalan
yang terjadi
8. Detectability
Adalah seberapa jauh penyebab kegagalan dapat dideteksi. Detectability
terdiri dari rangking1-10. Tabel 2.3 memperlihatkan kriteria dari setiap nilai
rangking detectability. Semakin sulit mendeteksi penyebab kegagalan yang
terjadi, maka semakin tinggi nilai rangking yang diberikan.
9. Risk Priority Number (RPN)
Merupakan hasil perkalian matematis nilai rangking dari severity, occurance
dan detectability.
Perumusannya yaitu : RPN = (Severity)x(Occurance)x(Detectability)
Nilai RPN ini digunakan sebagai acuan untuk mengetahui permasalahan yang
paling signifikan dalam melakukan perbaikan. Nilai RPN yang paling tinggi
menunjukkan permasalahan yang memiliki prioritas penanganan lebih baik.
47
Severity (S)
Efek Kriteria Rangking
Berbahaya
tanpa ada
peringatan
Dapat membahayakan keselamatan operator, tingkat keparahan, tidak sesuai
dengan peraturan, dan tidak adanya peringatan
10
Berbahaya dan
ada peringatan
Dapat membahayakan keselamatan operator, tingkat keparahan sangat tinggi,
tidak sesuai dengan peraturan, dan adanya peringatan 9
Sangat tinggi Kelancaran lini produksi terganggu, menyebabkan 100% scrap, dan
pelanggan sangat tidak puas 8
Tinggi Kelancaran lini produksi sedikit terganggu, sebagian besar menjadi scrap, dan
sisanya dapat disortir serta pelanggan tidak puas 7
Sedang Sebagian kecil menjadi scrap, sisanya tidak perlu disortir dan pelanggan tidak
puas 6
Rendah 100% produk dapat di-rework dan produk pasti dikembalikan oleh konsumen 5
Sangat rendah Sebagian besar dapat di-rework, sisanya sudah baik, dan kemungkinan
produk dikembalikan oleh konsumen 4
Kecil Hanya sebagian kecil di-rework, sisanya sudah baik, dan rata-rata pelanggan
komplain 3
Sangat Komplain hanya diberikan oleh pelanggan tertentu 2
Tidak Tidak ada akibat apa-apa untuk konsumen 1
Tabel 2.1. Definisi Efek, Kriteria dan Ranking dari Severity
48
Occurance (O)
Peluang Terjadinya Penyebeb
Kegagalan
Tingkat Kemungkinan
Kegagalan Rangking
> 1 dalam 2 10 Sangat tinggi
1 dalam 3 9
1 dalam 8 8 Tinggi
1 dalam 20 7
1 dalam 80 6
1 dalam 400 5 Sedang
1 dalam 2000 4
1 dalam 15000 3 Rendah
1 dalam 150000 2
Sangat kecil < 1 dalam 1500000 1
Table 2.2. Definisi Peluang Terjadinya Penyebab Kegagalan, Tingkat Kemungkinan
Kegagalan, dan Rangking dari Occurance
Sumber : Besterfield, Dale H, Carol, Mary, and Glen H.2003. Total Quality
Management., hal. 399, New Jersey. Prentice – Hall Inc.
49
Detectability (D)
Ranking Keterangan
1 Selalu jelas, sangat mudah untuk diketahui
2 Jelas bagi indera manusia
3 Memerlukan inspeksi
4 Inspeksi yang hati-hati dengan menggunakan indera manusia
5 Inspeksi yang sangat hati-hati dengan indera manusia
6 Memerlukan bantuan dan atau pembongkaran sederhana
7 Diperlukan inspeksi dan atau pembongkaran
8 Diperlukan inspeksi dan atau pembongkaran yang kompleks
9 Kemungkinan besar tidak dapat dideteksi
10 Tidak dapat dideteksi
Table 2.3. Kemungkinan Kesalahan Terdeteksi, Kriteria dan Rangking dari
Detectablity
Sumber : Besterfield, Dale H, Carol, Mary, and Glen H.2003. Total Quality
Management., hal. 400, New Jersey. Prentice – Hall Inc.
50
2.1.9 Sistem Fuzzy
Teori fuzzy dimulai dengan suatu paper mengenai ”fuzzy sets” yang
dipublikasikan dalam jurnal akademik berjudul ”Information and Control” oleh Prof.
LA. Zadeh dari Universitas California Berkeley, Amerika Serikat, pada tahun 1965.
Kemunculan gugus fuzzy pada tahun 10 tahun pertama tidak terlalu diperhatikan,
namun baru-baru ini telah terjadi perkembangan yang cukup pesat dalam hal jumlah
penelitian dan paper-paper mengenai fuzzy dan aplikasinya.
Semua yang ada didunia ini adalah fuzzy / penuh dengan ketidakpastian,
dalam bentuk keambiguan. Arti dari kata fuzzy itu sendiri adalah kabur, tidak pasti.
Gugus fuzzy merupakan alat yang tepat untuk mengekspresikan ke-ambiguity-an.
Sri (2002) mengatakan bahwa gugus fuzzy adalah media komunikasi yang
berbicara mengenai logika alami dan kompleksitas diantara manusia dan pengetahuan
sosial. Ketika kita belajar lebih banyak mengenai sebuah sistem, maka kerumitannya
akan berkurang dan tingkat pemahaman serta pengertian yang diusahakan oleh
metode komputasi menjadi semakin berguna dalam permodelan sistem.
Dalam suatu sistem yang paling rumit dimana hanya tersedia data numerik
dan mungkin hanya terdapat informasi yang bersifat tidak jelas / ambigu, logika fuzzy
menyediakan cara untuk memahami perilaku sistem dengan mengijikan kita untuk
menyisipkan perkiraan antara masukkan / input dan keluaran / output.
51
Menurut Sri (2002), terdapat beberapa alasan mengapa logika fuzzy digunakan orang,
antara lain :
1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang
mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti
2. Logika fuzzy sangat fleksibel
3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat
4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat
kompleks
5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-
pengalaman para pakar secara langsung tanpa harus melalui proses
pelatihan
6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara
konvensional
7. Logika fuzzy didasarkan pada bahasa alami.
2.1.9.1 Ketidakpastian dan Pengendalian Fuzzy
Sri (2002) mengatakan bahwa teori fuzzy set merupakan media untuk
menyajikan ketidakpastian. Berdasarkan sejarah, teori probabilitas telah menjadi alat
utama untuk menyajikan ketidakpastian dalam model matematika. Karena itu, semua
ketidakpastian diasumsikan mengikuti karakteristik dari ketidakpastian yang bersifat
acak. Suatu proses akan disebut acak apabila hasil semua dari sebuah proses
52
merupakan sebuah kemungkinan. Namun, tidak semua ketidakpastian bersifat acak.
Beberapa bentuk ketidakpastian bersifat tidak acak, sehingga tidak sesuai bila
diperlakukan atau dimodelkan oleh teori probabilitas. Bahkan kenyataannya dapat
dikatakan bahwa hampir semua ketidakpastian berkaitan dengan sistem yang
komplek / rumit dan masalah-masalah yang ditemukan manusia dalam kehidupan
sehari-hari bersifat tidak acak. Teori fuzzy set adalah alat yang sangat tepat untuk
memodelkan ketidakpastian yang berkaitan dengan kembiguan, ketidaktepatan, dan /
atau dengan kekurangan informasi berkaitan dengan masalah yang sedang dihadapi.
Sri (2002) juga mengatakan bahwa informasi yang tidak pasti dapat berupa
berbagai bentuk. Ada ketidakpastian yang muncul karena kerumitan. Ada juga
ketidakpastian yang timbul dari pengabaian, kesempatan, berbagai kelas ke-acakan,
ketidakpastian, dan dari ketidakmampuan untuk menampilkan pengukuran yang
memadai, akibat kekurangan pengetahuan, atau dari kekaburan / kesamaran, seperti
ke fuzzy-an yang menjadi sifat dari bahasa alami kita.
Sri (2002) mengatakan bahwa penalaran fuzzy ada beberapa macam,
diantaranya :
1. Metode Mamdani
Metode ini diperkenalkan oleh Ebrahim Mamdani pada tahun 1975. Pada
penalaran fuzzy dengan metode Mamdani, baik input maupun output
sistem berupa himpunan fuzzy.
53
2. Metode Sugeno
Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985.
Pada penalaran dengan metode Sugeno, input berupa himpunan fuzzy,
sedangkan output sistem tidak berupa himpunan fuzzy, melainkan berupa
konstanta atau persamaan linear.
Mamdani (1973) mengatakan bahwa langkah-langkah dalam menciptakan
pengendalian Logika fuzzy yaitu :
1. Menentukan input dan output pengendali
2. Pembentukan fungsi keanggotaan untuk input dan output untuk
melakukan fuzzykasi
3. Mengembangkan rule base yang berisi implikasi logis atau input
pengendali yang menghasilkan output fuzzy
4. Mengkombinasikan output-output fuzzy melalui penjumlahan logis
5. defuzzifikasi output fuzzy menjadi input pengendali
2.1.9.2 Fungsi Keanggotaan Fuzzy
Sri (2002) menyatakan bahwa fungsi keanggotaan adalah suatu kurva yang
menunjukan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering
disebut juga dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
54
Sri (2002) mengatakan bahwa fungsi keanggotaan menggambarkan ke-fuzzy-an /
keambigua-an dalam fuzzy set – apakah elemen-elemen dalam set bersifat diskret atau
kontinu - dalam bentuk grafik. Namun, bentuk yang digunakan untuk
menggambarkan ke-fuzzy-an hanya memliki sangat sedikit batasan sehingga dapat
dikatakan bahwa aturan-aturan yang digunakan untuk menggambarkan ke fuzzy-an
secara grafik juga bersifat fuzzy.
2.1.9.3 Representasi Keanggotaan Fuzzy
Fungsi keanggotaan fuzzy dapat didefinisikan sebagai permukaan himpunan
fuzzy, yang merupakan bagian dari himpunan tersebut. Kontur dari suatu himpunan
fuzzy menunjukan properti semantik dari konsep fuzzy tersebut.
Sri (2002) mengatakan bahwa beberapa macam bentuk representasi himpunan
fuzzy adalah sebagai berikut :
1. Representasi Linear
Pada representasi linear, permukaan digambarkan sebagai suatu garis
lurus.
Bentuk ini adalah bentuk yang paling sederhana. Ada 2 keadaan himpunan
fuzzy yang linear. Pertama, kenaikan himpunan dimulai pada nilai domain
yang memiliki derajat keanggotaan nol (0) bergerak kekanan menuju ke
nilai domain yang memilki derajat keanggotaan lebih tinggi.
55
Gambar 2.4. Representasi Linear Naik
Fungsi keanggotaan :
⎪⎩
⎪⎨
⎧
≥≤≤−−
≤=
bxbxaabax
axx
;1);/()(
;0)(μ
Kedua, merupakan kebalikan yang pertama. Garis lurus dimulai dari nilai domain
dengan derjat keanggotaan tertinggi pada sisi kiri, kemudian bergerak menurun
kenilai domain yang derajat keanggotaannya lebih rendah.
Gambar 2.5. Representasi Linear Turun
56
Fungsi keanggotaan :
⎩⎨⎧
≥≤≤−−
=bx
bxaabxbx
;0);/()(
)(μ
2. Representasi Kurva Segitiga
1
0
µ(x)
A B
Derajat Keanggotaan
domainC
Gambar 2.6. Representasi Kurva Segitiga
Fungsi Keanggotaan
⎪⎩
⎪⎨
⎧
≤≤−−≤≤−−
≥≤=
cxbbcxbbxaabax
cxatauaxx
;);/()();/()(
;0)(μ
57
3. Representasi Kurva Trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga, hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1.
Gambar 2.7. Representasi Kurva Trapesium
Fungsi Keanggotaan :
⎪⎪⎩
⎪⎪⎨
⎧
≤≤−−≤≤≤≤−−≥≤
=
dxccdxdcxbbxaabax
dxax
x
);/()(;1
);/()(;0
)(μ
58
2.1.9.4 Operasi Logika Fuzzy
Sri (2002) menyatakan bahwa beberapa operasi logika fuzzy konvensional
yang didefinisikan oleh Zadeh :
1. Interseksi Himpunan Fuzzy ]))[],[min(( yx BABA μμμ =∩
Pada sistem crisp, interseksi antara 2 himpunan berisi elemen-elemen
yang berada pada kedua himpunan. Hal ini ekuivalen dengan operasi
aritmetik atau logika AND. Pada logika fuzzy, operator AND
diperlihatkan dengan derajat keanggotaan minimum antara kedua
himpunan. Operator interseksi seringkali digunakan sebagai batasan
antarseden dalam suatu aturan fuzzy seperti :
If x is A AND y is B THEN z is C
2. Union Himpunan Fuzzy ]))[],[max(( yx BABA μμμ =∪
Union dari 2 himpunan dibentuk dengan menggunakan operator OR.
Pada logika fuzzy, operator OR diperlihatkan dengan derajat
keanggotaan maksimum antara kedua himpunan. Operator interseksi
seringkali digunakan sebagai batasan antarseden dalam suatu aturan
fuzzy seperti :
If x is A OR y is B THEN z is C
59
3. Komplemen (Negasi) Himpunan Fuzzy
Komplemen suatu himpunan A berisi semua elemn yang tidak berada di
A dan direprentasikan dengan
][1][ xx AA μμ −=
2.1.9.5 Komposisi Aturan-aturan Fuzzy untuk Inferensi
Sri (2002) menyatakan bahwa ada tiga metode yang digunakan dalam
melakukan inferensi sistem fuzzy, yaitu :
1. Metode Max (Maximum)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil
nilai maksimum aturan, kemudian menggunakan untuk memodifikasi
daerah fuzzy, dan mengaplikasikan ke output dengan menggunakan
operator OR (union).
Jika semua proporsi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi.
Secara umum dapat dituliskan :
][],[max(][ iKFiSFiSF xxx μμμ ←
dengan :
][ iSF xμ = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
][ iKF xμ = nilai keanggotaan konsekuen fuzzy aturan ke-1
60
Apabila digunakan fungsi implikasi MIN, maka metode komposisi ini
sering disebut dengan nama MAX-MIN atau MIN-MAX atau
MAMDANI.
2. Metode Additive (Sum)
Pada metode ini, solusi himpunan Fuzzy diperoleh dengan cara melakukan
bounded-sum terhadap semua output daerah fuzzy. Secara umum
dituliskan :
][][,1min(][ iKFiSFiSF xxx μμμ +←
dengan :
][ iSF xμ = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
][ iKF xμ = nilai keanggotaan konsekuen fuzzy aturan ke-1
3. Metode Probabilistik OR (probor)
Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan
product terhadap semua output daerah fuzzy. Secara umum dituliskan :
])[*][(])[][(][ iKFiSFiKFiSFiSF xxxxx μμμμμ −+←
dengan :
][ iSF xμ = nilai keanggotaan solusi fuzzy sampai aturan ke-i;
][ iKF xμ = nilai keanggotaan konsekuen fuzzy aturan ke-1
61
2.1.9.6 Defuzzifikasi
Sri (2002) mengatakan bahwa input dari proses defuzzifikasi adalah suatu
himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy, sedangkan output
yang dihasilkan merupakan suatu bilangan pada dominan himpunan fuzzy tersebut.
Sehingga jika diberikan suatu himpunan fuzzy dalam range tertentu, maka harus dapat
diambil suatu nilai crisp tertentu sebagai output.
Ada beberapa metode defuzzifikasi pada komposisi Mamdani, antara lain :
1. Metode Centroid (Composite Moment)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil titik pusat
daerah fuzzy. Secara umum dirumuskan :
∑
∑
∫
∫
=
=== n
jj
n
jjj
z
z
z
zzzatau
dzz
dzzzz
1
1
)(
)(
)(
)(
μ
μ
μ
μ
Ada 2 keuntungan menggunakan metode centroid yaitu :
a. Nilai defuzzy akan bergerak secara halus sehingga perubahan dari
suatu topologi himpunan fuzzy ke topologi berikut juga akan
berjalan dengan halus;
b. Mudah dihitung
62
2. Metode Bisektor
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada
domain fuzzy yang memiliki nilai keanggotaan separuh dari jumlah total nilai
keanggotaan pada daerah fuzzy.
3. Metode Mean of Maximum (MOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata
domain yang memiliki nilai keanggotaan maksimum.
4. Metode Largest of Maximum (LOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar
dari domain yang memiliki nilai keanggotaan maksimum.
5. Metode Smallest of Maximum (SOM)
Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terkecil
dari domain yang memiliki nilai keanggotaan maksimum.
63
2.1.10 Fuzzy FMEA (Failure Mode and Effect Analysis)
Fuzzy FMEA (Failure Mode and Effect Analysis) merupakan metodologi
yang memakai logika fuzzy dalam mengindentifikasi permasalahan atau penyebab
kegagalan yang terjadi melalui pertimbangan kriteria Severity (S), Occurance (O),
dan Detectability (D). Logika fuzzy pada metode FMEA ini dapat dikombinasikan
antara severity, occurance, dan detectability untuk struktur hasil yang lebih fleksibel.
Fuzzy FMEA memakai aturan-aturan fuzzy yang didapatkan dari formulasi
linguistic kedalam bentuk “If – Then” rules melalui variable linguistic dari kriteria
Severity (S), Occurance (O), dan Detectability (D) sebagai input numeriknya dengan
range rating antara 1 -10 untuk kemudian diterjemahkan kedalam bentuk linguistik
Very Low (VL), Low (L), Moderate (M), High (H), dan Very High (VH). Untuk output
FRPN (Fuzzy Risk Priority Number) yang memiliki range dari 1 – 1000 merupakan
hasil perkalian matematis input-input numeric (S,O,dan D) kemudian diterjemahakan
ke dalam bentuk linguistik yaitu Very Low (VL), Very Low-Low(VL-L), Low (L),
Low-Moderate (L-M), Moderate (M), Moderate (M), Moderate – High (M – H), High
(H), High – Very High (H-VH), Very High (VH).
64
Gambar 2.8 Matriks Fuzzy FMEA Rules
Sumber : Javier Puente et al ( 2002 )
65
2.1.11 MATLAB Toolbox untuk Fuzzy
Beberapa Graphical User Interface (GUI) pada MATLAB untuk fuzzy logic
toolbox yang dipergunakan dalam memudahkan membangun, mengobservasi dan
mengedit system penalaran fuzzy adalah :
1. Fuzzy Inference System (FIS) Editor
2. Membership Function Editor
3. Rule Editor
4. Rule Viewer
2.1.11.1 Fuzzy Inference System (FIS) Editor
Langkah pertama yang harus dilakukan dalam pembuatan system penalaran
fuzzy yaitu dengan mengetik kata ‘fuzzy’ pada command line MATLAB. Kemudian,
pada layar akan muncul tampilan FIS Editor seperti pada gambar 2.9 berikut :
66
Gambar 2.9. Fuzzy Inference System (FIS) Editor
Keterangan :
a. Menu pilihan yang memiliki aplikasi untuk membuka, menyimpan, mengedit
atau menampilkan sistem fuzzy.
b. Ikon variable input yang dipergunakan untuk mengedit fungsi keanggotaan
dari tiap-tiap variable input dengan cara men-double click-ikon tersebut.
c. Ikon diagram sistem yang dipergunakan untuk mengedit rule dengan cara
men-double click-ikon tersebut.
d. Ikon variable output yang dipergunakan untuk mengedit fungsi keanggotaan
dari tiap-tiap variable output dengan cara men-double click-ikon tersebut
e. Daerah yang berfungsi menunjukan nama sistem fuzzy yang ditampilkan.
67
f. Pop up menu yang digunakan untuk mengatur fungsi-fungsi penalaran fuzzy,
fungsi implikasi, fungsi komposisi aturan, atau metode defuzzifikasi.
g. Kolom edit yang dipergunakan untuk mengedit nama input ataupun output.
h. Status bar yang berfungsi untuk menunjukkan operasi yang sedang dijalankan.
2.1.11.2 Membership Function Editor
Membership Function Editor dapat dipanggil dengan cara memilih menu
pilihan Edit – Membership Function Editor atau dengan men – double click ikon
variable input atau output. Membership Function Editor ini dipergunakan untuk
mengedit fungsi keanggotaan himpunan fuzzy untuk tiap – tiap variable input dan
output. Gambar 2.10 adalah tampilan Membership Function Editor yang akan
muncul pada layar :
Gambar 2.10. Membership Function Editor
68
Keterangan :
a. Menu pilihan yang memiliki aplikasi untuk membuka, menyimpan, mengedit
atau menampilkan sistem fuzzy.
b. Variable yang dipergunakan untuk mengedit fungsi keanggotaan salah satu
variable dan dilakukan dengan meng-click.
c. Gambar yang dipergunakan dalam menampilkan semua fungsi keanggotaan
himpunan fuzzy pada suatu variable.
d. Gambar garis yang dipergunakan untuk mengedit atribut suatu fungsi
keanggotaan himpunan fuzzy dengan meng-click garis yang ingin diubah
tersebut.
e. Daerah yang berfungsi menunjukan nama dan tipe variable yang ditunjuk.
f. Kolom edit yang dipergunakan untuk mengedit range variable.
g. Kolom edit yang dipergunakan untuk mengedit display range variable.
h. Kolom edit yang dipergunakan untuk mengedit nama himpunan fuzzy yang
ditunjuk
i. Pop up menu yang digunakan untuk memilih tipe fungsi keanggotaan
himpunan fuzzy yang ditunjuk.
j. Kolom edit yang dipergunakan untuk mengedit parameter-parameter
himpunan fuzzy yang ditunjuk.
k. Status bar yang berfungsi untuk menunjukkan operasi yang sedang dijalankan.
69
2.1.11.3 Rule Editor
Rule Editor dapat dipanggil dengan cara memilih menu edit – rules atau
dengan men – double click ikon diagram sistem. Rule Editor ini dipergunakan
untuk megedit dan menampilkan aturan-aturan yang akan dibuat ataupun yang
telah dibuat. Gambar 2.11 adalah tampilan Rule Editor yang akan muncul pada
layar :
Gambar 2.11. Rule Editor
Keterangan :
a. Menu pilihan yang memiliki aplikasi untuk membuka, menyimpan, mengedit
atau menampilkan sistem fuzzy.
70
b. Daerah yang dipergunakan untuk menampilkan aturan-aturan fuzzy yang
dibuat.
c. Listbox yang berisi input himpunan-himpunan fuzzy.
d. Pilihan operator connection yang akan digunakan
e. Listbox yang berisi output himpunan-himpunan fuzzy.
f. Kolom edit yang dipergunakan untuk mengedit bobot untuk aturan yang
ditunjuk
g. Tombol untuk menghapus aturan yang ditunjuk
h. Tombol untuk menambah aturan baru yang akan dibuat
i. Tombol untuk mengubah aturan yang ditunjuk
j. Status bar yang berfungsi untuk menunjukkan operasi yang sedang dijalankan.
2.1.11.4 Rule Viewer
Rule Viewer dapat dipanggil dengan cara memilih menu View – Rules. Rule
Viewer ini dipergunakan untuk menampilkan alur penalaran pada system fuzzy
meliputi pemetaan yang diberi pada tiap-tiap variable input, aplikasi operator, fungsi
implikasi, komposisi aturan-aturan, dan penentuan output pada metode defuzzifikasi.
Gambar 2.12 adalah tampilan Rule Viewer yang akan muncul pada layar :
71
Gambar 2.12. Rule Viewer
Keterangan :
a. Menu pilihan yang memiliki aplikasi untuk membuka, menyimpan, mengedit
atau menampilkan sistem fuzzy.
b. Kolom ini berfungsi untuk menampilkan variable input yang digunakan dalam
aturan-aturan fuzzy.
c. Kolom ini berfungsi untuk menampilkan variable output yang digunakan
dalam aturan-aturan fuzzy.
72
d. Tiap-tiap baris ini berfungsi untuk menunjukan satu aturan. Klik nomor aturan
untuk mengetahui aturan tersebut, dan akan ditampilkan aturan tersebut pada
status bar.
e. Kolom ini dipergunakan untuk menunjukan kombinasi output dari tiap-tiap
aturan yang berlaku dari fungsi komposisi yang digunakan, dan dilanjutkan
dengan proses defuzzikasi.
f. Kolom edit yang dipergunakan untuk mengedit input yang diberikan.
g. Tombol-tombol yang dipakai untuk bergerak kesamping kiri, kanan, turun dan
naik.
h. Status bar yang berfungsi untuk menunjukan operasi yang sedang dijalankan.
2.1.12 Action Planning (Recommended Action) for Failure Modes
Setelah analisis FMEA dengan pendekatan Fuzzy Logic, selanjutnya yang
dilakukan adalah menentukan tindakan yang sesuai untuk mencegah terjadinya
modus-modus kegagalan yang ada, terutama yang memiliki resiko tinggi, dengan
menggunakan metode 5W – 2H (What, Why, Where, When, How, How much).
Dengan 5W – 2H dilakukan selanjutnya, yaitu menentukan tindakan yang
sesuai untuk mencegah kegagalan tersebut, sesuai dengan modus-modus kegagalan
yang memiliki nilai RPN tinggi yang telah dihitung sebelumnya dengan FMEA.