penerapan grafik pengendali dan studi simulasi berdasarkan
TRANSCRIPT
i
PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI
BERDASARKAN
ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
Oleh,
SELFIE PATTIHAHUAN
NIM : 662008012
TUGAS AKHIR
Diajukan kepada Program Studi : Matematika, Fakultas : Sains dan Matematika
guna memenuhi sebagian dari persyaratan untuk mencapai gelar Sarjana Sains
Program Studi Matematika
Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana
Salatiga
2012
ii
PERNYATAAN KEASLIAN KARYA TULIS TUGAS AKHIR
Yang bertanda tangan dibawah ini,
Nama : Selfie Pattihahuan
NIM : 662008012
Menyatakan dengan sesungguhnya bahwa tugas akhir, :
PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI GRAFIK
PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS KERNEL
BIVARIAT
Yang dibimbing oleh:
1. Dr. Adi Setiawan, M. Sc
2. Leopoldus Ricky Sasongko,S.Si
Adalah benar-benar hasil karya saya.
Di dalam laporan tugas akhir ini tidak terdapat keseluruhan atau sebagian tulisan atau gagasan
orang lain yang saya ambil dengan cara menyalin atau meniru dalam bentuk rangkaian kalimat atau
gambar serta simbol yang saya aku seolah-olah sebagai karya saya sendiri tanpa memberikan
pengakuan kepada penulis atau sumber aslinya.
Salatiga, Agustus 2012
Yang memberikan pernyataan
Selfie Pattihahuan
iii
PERNYATAAN PERSETUJUAN PUBLIKASI
TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS
Sebagai civitas akademika Universitas Kristen Satya Wacana (UKSW), saya yang bertandatangan
di bawah ini :
Nama : Selfie Pattihahuan
NIM : 662008012
Program Studi : Matematika
Fakultas : Sains dan Matematika
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada UKSW hak bebas
royalti non-eksklusif (non-exclusive royalty free right) atas karya ilmiah saya yang berjudul:
PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI
BERDASARKAN
ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
Beserta perangkat yang ada (jika perlu).
Dengan hak bebas royalti non-ekslusif ini, UKSW berhak menyimpan,
mengalihmedia/mengalihformatkan, mengolah dalam bentuk pangkalan data, merawat, dan
mempublikasikan tugas akhir saya, selama tetap mencantumkan nama saya sebagai penulis atau
pencipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Salatiga
Pada tanggal : Agustus 2012
Yang menyatakan,
Selfie Pattihahuan
Mengetahui,
Pembimbing Utama, Pembimbing Pendamping,
Dr. Adi Setiawan, M.Sc. Leopoldus Ricky Sasongko,S.Si.
iv
PENERAPAN GRAFIK PENGENDALI DAN STUDI SIMULASI
BERDASARKAN
ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
Oleh:
SELFIE PATTIHAHUAN
NIM:662008012
TUGAS AKHIR
Diajukan kepada Program Studi Matematika, Fakultas Sains dan Matematika guna memenuhi
sebagian dari Prasyarat untuk Mencapai Gelar Sarjana Sains (Matematika)
Disetujui oleh,
Pembimbing Utama Pembimbing Pendamping
Dr. Adi Setiawan, M. Sc. Leopoldus Ricky Sasongko,S.Si.
Diketahui oleh,
Kaprogdi
Dr. Adi Setiawan, M.Sc.
Disahkan oleh,
Dekan
Dra. Lusiawati Dewi, M.Sc.
FAKULTAS SAINS DAN MATEMATIKA
PROGRAM STUDI MATEMATIKA
AGUSTUS 2012
5
MOTTO
“Tetapi carilah dahulu kerajaan Allh dan kebenarannya, maka
semuanya itu akan ditambahkan kepadamu.”
(Matius 6: 33)
“ Serahkanlah hidupmu kepada Tuhan dan percayalah
kepada-Nya, dan Ia akan bertindak”
(Mazmur 37 : 5)
“ Perjalanan beribu-ribu mil, dimulai dengan satu langkah kecil”
(Lao-tzu-filuf Cina)
PERSEMBAHAN
Dengan rasa hormat dan cinta, karya ini
Kupersembahkan untuk:
Alm. Papa tercinta, Mama dan kedua kakakku.
6
KATA PENGANTAR
Puji syukur kepada Tuhan Yesus Kristus karena atas segala berkat dan penyertaan-Nya yang
telah diberikan sehingga penulis dapat menyelesaikan penulisan skripsi sebagai persyaratan
menyelesaikan Studi Stara 1 atau S1 pada Program Studi Matematika Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana.
Dalam skripsi ini terdiri dari 2 makalah utama yang telah dipublikasikan. Makalah yang
pertama beerjudul “PENERAPAN GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI
DENSITAS KERNEL BIVARIAT” telah dipublikasikan dalam Seminar Nasional Pendidikan
Matematika XX dengan tema “Membangun Dunia Pembelajaran Matematika yang Menyenangkan,
Kreatif, dan Inovatif” yang diadakan oleh Himpunan Mahasiswa Jurusan Pendidikan Matematika
(HIMATIKA) FMIPA UNY pada tanggal 24 Maret 2012. Namun, makalah yang pertama dirasa
kurang bagi penulis dikarenakan belum adanya penjelasan tentang menghitung KDE untuk dua titik
dan untuk data yang lebih banyak. Oleh karena itu, penulis menyusun lagi makalah yang kedua
dengan judul “STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN ESTIMASI
FUNGGSI DENSITAS KERNEL BIVARIAT”. Akhirnya judul makalah diatas juga dipublikasikan
dalam Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA dengan tema ”Pemantapan
Profesionalisme Peneliti, Pendidik & Praktisi MIPA untuk Membangun Insan yang Kompetitif dan
Berkarakter Ilmiah” yang diselenggarakan oleh FMIPA UNY pada tanggal 2 Juni 2012.
Penulis menyadari bahwa skripsi ini tidak dapat terselesaikan dengan baik tanpa adanya
bantuan dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis mengucapkan terima kasih
atas segala doa, nasihat, bimbingan dan dorongan baik materi maupun spiritual kepada :
1. Dra. Lusiawati Dewi, M.Sc, selaku Dekan Fakultas Sains dan Matematika.
2. Dr. Adi Setiawan, M.Sc selaku Ketua Program Studi Matematika dan selaku
pembimbing I yang dengan sabar membimbing, mengarahkan dan memberikan motivasi
kepada penulis selama proses penulisan skripsi ini sehingga laporan skripsi ini dapat
diselesaikan dengan baik.
3. Leopoldus Ricky Sasongko, S.Si selaku pembimbing II yang juga membimbing,
memberikan saran, dan mengarahkan penulis sehingga laporan skripsi ini dapat
diselesaikan dengan baik.
4. Dosen pengajar, Dr. Bambang Susanto, Dra. Lilik Linawati, M.Kom, Tundjung
Mahatma, S.Pd, M.Kom, Didit Budi Nugroho, M.Si, yang telah memberikan ilmu
pengetahuan kepada penulis selama studi di FSM UKSW.
5. Seluruh staf TU FSM, Pak Edy, Mbak Eny, Mas Budi, dan Mas Basuki yang telah
banyak memberikan bantuan kepada penulis.
7
6. Alm. Papa, Mama tercinta yang telah memberikan kasih sayang yang tulus, nasihat,
pengorbanan, doa dan dorongan kepada penulis sehingga dapat menyelesaikan penulisan
skripsi ini dengan baik.
7. K’uce dan K’boby yang telah mendoakan dan memberi motivasi kepada penulis.
8. Terima kasih kepada Usi Mar2 dan Usi Yeyen atas persahabatannya selama ini baik
dalam suka maupun duka selama mengikuti kuliah bersama. Love u all.
9. Teman-teman Progdi Matematika Angkatan 2008, terima kasih atas bantuan dan
kebersamaannya selama ini.
10. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang juga mendukung
penulis selama penulisan skripsi ini.
Penulis menyadari sepenuhnya bahwa dalam penulisan skripsi ini masih terdapat banyak
kekurangan dan jauh dari kesempurnaan. Oleh karena itu, penulis sangat mengharapkan segala saran
dan nasihat dari pembaca. Harapan penulis, semoga skripsi ini bermanfaat bagi semua pihak.
Salatiga, Agustus 2012
8
DAFTAR ISI
Halaman
HALAMAN JUDUL ............................................................................................................ i
LEMBAR PENGESAHAN .................................................................................................. ii
LEMBAR PERNYATAAN KEASLIAN ............................................................................. iii
LEMBAR PERNYATAAN BEBAS ROYALTY DAN PUBLIKASI ................................ iv
MOTTO DAN PERSEMBAHAN ........................................................................................ v
KATA PENGANTAR .......................................................................................................... vi
DAFTAR ISI ......................................................................................................................... vii
DAFTAR LAMPIRAN ......................................................................................................... viii
PENDAHULUAN ............................................................................................................... ix
MAKALAH I
PENERAPAN GRAFIK PENGENDALI BERDASARKAN ESTIMASI
FUNGSI DENSITAS KERNEL BIVARIAT
MAKALAH II
STUDI SIMULASI GRAFIK PENGENDALI BERDASARKAN
ESTIMASI FUNGSI DENSITAS KERNEL BIVARIAT
KESIMPULAN ................................................................................................................... x
DAFTAR PUSTAKA .......................................................................................................... xi
9
DAFTAR LAMPIRAN
LAMPIRAN 1 : Data kandungan Sabun Sirih
Periode September 2010-Desember 2010 ........................................... 28
LAMPIRAN 2 : Program R untuk Grafik Pengendali berdasarkan
Estimasi Densitas Kernel untuk data bivariat.. ..................................... 30
LAMPIRAN 3 : Program Matlab untuk Grafik pengendali berdasarkan
Estimasi Densitas Bivariat 2 titk .......................................................... 34
LAMPIRAN 4 : Program R untuk Grafik pengendali berdasarkan
Estimasi Densitas Kernel untuk data bivariat
dengan sampel size n=100, n=500, n=1000, dan n=5000, p=0.5 ......... 35
10
PENDAHULUAN
Di era globalisasi yang semakin kompetitif ini, para pelaku bisnis tentu menginginkan agar
produknya diterima oleh konsumen dan mampu bersaing di pasaran. Salah satu faktor yang
mempengaruhi keputusan konsumen dalam memilih suatu produk adalah kualitas produk tersebut. .
Konsumen akan merasa puas apabila kualitas produk yang mereka pilih sesuai dengan harapan
mereka. Tingkat kepuasan konsumen dapat tercermin pada keputusan untuk membeli produk dan
melakukan pembelian ulang terhadap produk tersebut. Oleh sebab itu, masalah kualitas menjadi hal
yang penting dan perlu mendapat perhatian perusahaan. Mengingat pentingnya peranan kualitas
produk dalam setiap perusahaan maka pengendalian kualitas produk sangat dibutuhkan dalam suatu
proses produksi untuk menjaga kestabilan kualitas.
Dalam pengendalian kualitas sering digunakan pengendalian proses statistik. Salah satu teknik
pengendalian proses statistic adalah grafik pengendali ( control chart). Pembuatan grafik pengendali
pada umumnya selalu didasarkan pada asumsi bahwa suatu proses produksi berdistribusi normal.
Namun dalam kenyataannya, karakteristik kualitas proses produksi tidak selalu berdistribusi normal.
Oleh karena itu, perlu dikembangkan alternatif grafik pengendali dengan metode non-parametrik
karena metode non-parametrik tidak membutuhkan asumsi distribusi normal (Najib, 2007). Metode
statistika non-parametrik dapat digunakan untuk pengujian hipotesis atau dugaan. Salah satu dugaan
menggunakan metode statistika non-parametrik adalah estimasi fungsi densitas kernel (kernel density
estimation). Dalam skripsi Taungke (2011) dikembangkan grafik pengendali berdasarkan estimasi
densitas kernel, selanjutnya dalam skripsi ini dikembangkan grafik pengendali berdasarkan estimasi
fungsi densitas kernel untuk data bivariat. Skripsi ini terdiri dari dua makalah yaitu (Pattihahuan et al.,
2012a) dan (Pattihahuan et al., 2012b).
Dalam makalah (Pattihahuan et al., 2012a) yang pertama digunakan data karakteristik pH
dan berat jenis Sabun Sirih. Analisis yang dilakukan yaitu membangun grafik pengendali berdasarkan
estimasi densitas kernel bivariat. Pada data bivariat dapat dicari batas spesifikasi yaitu pada level
(nilai estimasi densitas kernel) berdasarkan pemilihan nilai bandwidth optimal yang bergantung pada
data dengan menggunakan metode MISE (Mean Integrated Square Error) terkecil. Selanjutnya
berdasarkan data bivariat kemudian dibangun grafik pengndali untuk mengetahui titik-titik sampel
yang berada di luar batas pengendali (out of control). Berdasarkan hasil penelitian diperoleh atau titik
sampel yang berada di luar batas pengendali (out of control).
Makalah yang kedua (Pattihahuan et al., 2012b) membahas tentang studi simulasi grafik
pengendali berdasarkan pendekatan fungsi densitas kernel bivariat. Data yang digunakan adalah dua
titik sampel bivariat dan data simulasi bivariat yang dibangkitkan dari kombinasi dua distribusi
normal bivariat dengan ukuran sampel (sample size) tertentu. Berdasarkan data tersebut dapat
ditentukan estimasi densitas kernelnya (kernel density estimation) selanjutnya digunakan untuk
membuat grafik pengendali dalam menentukan titik sampel yang out of control. Dari studi simulasi
11
diperoleh hasil proporsi titik sampel out of control cenderung mendekati nilai batas kesalahan (level of
significance) 0027,0 .
12
TAMBAHAN PEMBAHASAN
Dalam makalah (Pattihahuan et al., 2012a) digunakan data karakteristik pH dan berat jenis
Sabun Sirih. Analisis yang dilakukan yaitu membangun grafik pengendali berdasarkan estimasi
densitas kernel bivariat. Pada data bivariat dapat dicari batas spesifikasi yaitu pada level (nilai
estimasi densitas kernel) berdasarkan pemilihan nilai bandwidth optimal yang bergantung pada data
dengan menggunakan metode MISE (Mean Integrated Square Error) terkecil. Selanjutnya
berdasarkan data bivariat kemudian dibangun grafik pengndali untuk mengetahui titik-titik sampel
yang berada di luar batas pengendali (out of control). Berdasarkan hasil penelitian diperoleh batas
spesifikasi yaitu pada level (nilai estimasi densitas kernel) 59.8985 dengan tingkat signifikansi (level
of significance) α=0.0027. Dimana, jika level titik sampel lebih kecil dari level batas spesifikasi
kernel maka titik sampel tersebut dinyatakan out of control. Berdasarkan batas tersebut, terdeteksi
satu titik sampel yang berada di luar kendali (out of control) yaitu titik sampel ke-126 yang berada
pada koordinat (3.86, 0.9867) dengan level 59.8982, karena level titik sampel ke-126 lebih kecil dari level
kernel maka titik sampel ke-126 dinyatakan out of control.
Makalah yang kedua (Pattihahuan et al., 2012b) membahas tentang studi simulasi grafik
pengendali berdasarkan pendekatan fungsi densitas kernel bivariat. Data yang digunakan adalah dua
titik sampel bivariat yang dipilih secara sembarang yaitu 2,11 x , 4,32 x dengan
menggunakan matriks bandwidth identitas
1 0
0 1H dan data simulasi bivariat yang dibangkitkan
dari kombinasi dua distribusi normal bivariat dengan ukuran ampel ( sample size) tertentu.
Berdasarkan data tersebut dapat ditentukan estimasi densitas kernelnya (kernel density estimation)
selanjutnya digunakan untuk membuat grafik pengendali dalam menentukan titik sampel yang out of
control. Dalam makalah ini menekankan pada proporsi titik sampel out of control cenderung
mendekati nilai batas kesalahan (level of significance) 0027,0 . Berdasarkan hasil penelitian
diperoleh level (nilai estimasi densitas kernel) adalah 0.0017 dengan tingkat signifikansi α=0.0027.
Dengan menggunakan batas spesifikasi tersebut diperoleh 2 titik sampel yang berada di luar kontur
yaitu titik sampel ke-159 yang berada pada koordinat (12.2509, 23.6602) dengan level (nilai estimasi
densita kernel) adalah 0.0014 dan titik sampel ke-224 yang berada pada koordinat (7.0671, 26.3783)
dengan level adalah 0.0017.
Untuk perbandingan lebih jelas dari studi simulasi dengan sampel yang berbeda- beda
ditunjukkan dalam Tabel 1. Grafik pengendali bivariat yang dibuat berdasarkan data acak
berdistribusi normal dengan banyaknya sampel yang berbeda-beda yaitu n=500, n=1000, n=1500 dan
n=2000 diperoleh proporsi banyaknya titik sampel out of control cenderung mendekati nilai
0027,0 . Titik sampel yang berada di luar batas pengendali (out of control) memberikan arti
bahwa terjadi suatu kesalahan (cacat) yang mungkin diakibatkan kesalahan dalam proses produksi.
13
14
PENERAPAN GRAFIK PENGENDALI BERDASARKAN ESTIMASI FUNGSI DENSITAS
KERNEL BIVARIAT
Selfie Pattihahuan, Adi Setiawan, Leopoldus Ricky Sasongko
Program Studi Matematika, Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana
Jl. Diponegoro 52-62 Salatiga 50711, email: [email protected]
Abstrak Pengendalian kualitas memiliki peranan penting dalam meningkatkan penjualan produk.
Salah satu metode statistik yang digunakan dalam mengendalikan produk adalah
penggunaan grafik pengendali. Kualitas suatu produk biasanya ditentukan oleh lebih dari
satu karakteristik. Jika dipunyai dua karakteristik (bivariat) maka dapat dibuat grafik
pengendali dengan menggunakan estimasi fungsi densitas kernel. Dimana dari data
bivariat dapat dicari nilai estimasi densitas kernel bivariat (kernel density estimation)
berdasarkan pemilihan nilai bandwidth optimal yang bergantung pada data dengan
menggunakan metode MISE (Mean Integrated Square Error) terkecil. Penelitian ini akan
menggunakan data bivariat karakteristik pH dan berat jenis Sabun Sirih dari perusahaan
“B” selama bulan September sampai dengan Desember 2010. Pada grafik pengendali
berdasarkan estimasi densitas kernel bivariat diperoleh batas spesifikasi yaitu pada level
(nilai estimasi densitas kernel) 59.8985 dengan tingkat signifikansi (level of
significance) α=0.0027. Berdasarkan batas tersebut, terdeteksi satu titik sampel yang
berada di luar kendali (out of control) yaitu titik sampel ke-126 yang berada pada
koordinat (3.86, 0.9867) dengan level 59.8982.
Kata kunci : estimasi densitas kernel (kernel density estimation), grafik
pengendali.
1. Pendahuluan
Perkembangan industri di tanah air, menyebabkan terjadinya persaingan yang cukup ketat
antar perusahaan dalam menarik perhatian konsumen untuk menggunakan produk yang dihasilkan
oleh perusahaan tersebut. Salah satu faktor yang mempengaruhi keputusan konsumen dalam memilih
suatu produk adalah kualitas produk tersebut. Mengingat pentingnya peranan kualitas produk dalam
setiap perusahaan maka pengendalian kualitas produk sangat dibutuhkan dalam suatu proses produksi
untuk menjaga kestabilan kualitas.
Pengendalian kualitas adalah aktivitas keteknikan dan manajemen, dimana aktivitas tersebut
mengukur ciri-ciri kualitas produk, membandingkannya dengan spesifikasi atau persyaratan, dan
mengambil tindakan penyehatan yang sesuai apabila ada perbedaan antara penampilan yang
sebenarnya dan yang standar (Montgomery, 1990).
Dalam pengendalian kualitas sering digunakan pengendalian proses statistik. Salah satu teknik
pengendalian proses statistik adalah grafik pengendali (control chart). Pembuatan grafik pengendali
pada umumnya selalu didasarkan pada asumsi bahwa suatu proses produksi berdistribusi normal.
Namun dalam kenyataannya, karakteristik kualitas proses produksi tidak selalu berdistribusi normal.
Oleh karena itu, perlu dikembangkan alternatif grafik pengendali dengan metode non-parametrik
karena metode non-parametrik tidak membutuhkan asumsi distribusi normal (Najib, 2007).
15
Metode statistika non-parametrik dapat digunakan untuk pengujian hipotesis atau dugaan.
Salah satu dugaan menggunakan metode statistika non-parametrik adalah estimasi fungsi densitas
kernel (kernel density estimation) yang akan diterapkan pada kandungan Sabun Sirih “A” pada
perusahaan “B”. Data dalam penelitian ini terdiri dari dua jenis variabel yaitu kadar pH dan berat jenis
Sabun Sirih, selanjutnya akan dicari estimasi fungsi densitas kernel dari kedua variabel tersebut
kemudian dibuat dalam suatu grafik pengendali.
Dalam makalah ini akan dibahas tentang bagaimana menerapkan grafik pengendali non-
parametrik berdasarkan pendekatan fungsi densitas kernel untuk data bivariat. Tujuan dari penelitian
ini adalah menerapkan grafik pengendali non-parametrik berdasarkan pendekatan kernel untuk data
bivariat dan mengidentifikasi titik sampel yang berada di luar grafik pengendali.
2. Dasar Teori
2.1 Grafik Pengendali
Grafik pengendali adalah teknik pengendali proses pada jalur yang digunakan secara luas
yang biasanya digunakan untuk menaksir parameter suatu proses produksi menentukan kemampuan
dan memberikan informasi yang berguna dalam meningkatkan proses itu (Montgomery, 1990).
Berdasarkan banyaknya karakteristik kualitas yang diukur, grafik pengendali dibedakan
menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali bivariat atau multivariat.
Grafik pengendali univariat digunakan jika hanya ada satu karakteristik kualitas yang diukur,
sedangkan grafik pengendali bivariat atau multivariat digunakan jika diperlukan pengendalian dua
atau lebih karakteristik kualitas yang berhubungan secara bersama-sama.
Dalam pembuatan grafik pengendali bivariat dapat menggunakan metode Hotteling T2 yaitu
grafik pengendali bivariat berbentuk elips, untuk lebih lengkapnya dapat dilihat pada Darmawan
(2010).
2.2 Estimasi Fungsi Densitas Kernel Bivariat
Estimasi fungsi densitas merupakan salah satu bagian dalam analisis data statistik, dimana
estimasi fungsi densitas adalah suatu gambaran tentang probabilitas sebaran data. Dalam statistik,
estimasi fungsi densitas kernel merupakan salah satu metode non-parametrik untuk menduga fungsi
kepadatan probabilitas dari suatu variabel acak (WEB 1). Misalkan suatu sampel bivariat
nXXX ,...,, 21 yang diambil dari suatu populasi dengan fungsi densitas f, maka estimasi fungsi
densitas kernelnya adalah
n
i
iH XxKnHxf1
1;ˆ (1)
dengan X1, X2, . . . ,Xn adalah sampel dari n data H adalah matrix bandwidth, Txxx 21 , dan
Tiii XXX 21, untuk i = 1, 2,. . . ., n. Dalam hal ini xHKHxK H
2121 dan
16
2
212
12
2
1
hh
hhH adalah matriks bandwidth yang simetris positif definit (definite posititive) artinya
semua eigen valuenya positif dengan 1
2
1 var iXh , 2
2
2 var iXh dan 2112 ,cov ii XXh .
Dalam hal ini
xxxK T
2
1exp2
1 adalah kernel normal standard bivariat.
Hal yang menjadi faktor penting dalam estimasi fungsi densitas kernel adalah memilih nilai
H optimal untuk matriks bandwidth. Pemilihan nilai H optimal untuk matriks bandwidth dapat
dilakukan dengan menggunakan metode Mean Integrated Squared Error (MISE) yang dijelaskan pada
Chacon (2009) dan Tarn Duong (2003).
3. Metode Penelitian
Data yang digunakan dalam penelitian ini adalah data sekunder pada proses produksi Sabun
Sirih pada bulan September 2010 sampai dengan Desember 2010 sebanyak 200 titik sampel. Adapun
karakteristik kualitas produk Sabun Sirih “A” yang digunakan dalam penelitian ini antara lain kadar
pH dengan batas spesifikasi perusahaan adalah 3.5 – 3.9 dan berat jenis dengan batas spesifikasi
perusahaan adalah 0.9834 – 1.0227.
Langkah langkah dalam analisis data dijabarkan sebagai berikut :
Mencari nilai H bandwidth optimal dari data karakteristik produk sabun sirih “A” dengan
menggunakan packages ks pada software R-2.12.2.
Menghitung estimasi fungsi densitas kernel dari data karakteristik produk sabun sirih “A”
berdasarkan nilai H bandwidth optimal.
Membuat grafik pengendali untuk data bivariat berdasarkan estimasi fungsi densitas kernel.
Menentukan banyaknya titik sampel yang berada di luar kendali (out of contol).
4. Analisis dan Pembahasan
4.1 Grafik Pengendali Bivariat Berdasarkan Spesifikasi Perusahaan
Perusahaan telah menetapkan standar spesifikasi atau batasan nilai untuk masing-masing
karakteristik kualitas produk. Produk dianggap ”cacat” jika tidak memenuhi batas spesifikasi yang
telah ditentukan oleh perusahaan. Batas spesifikasi yang telah ditentukan oleh perusahaan untuk
kadar pH Sabun Sirih adalah 3.5 – 3.9 sedangkan untuk berat jenis Sabun Sirih adalah 0.9834 –
1.0227. Dari data diperoleh semua titik sampel berada dalam batas spesifikasi yang telah ditentukan
oleh perusahaan. Data produksi Sabun Sirih dengan menggunakan batas spesifikasi perusahaan
ditunjukan pada Gambar 1.
17
3.4 3.5 3.6 3.7 3.8 3.9 4.0
0.98
0.99
1.00
1.01
1.02
1.03
pH
Bera
t Jen
is
Gambar 1. Grafik pengendali bivariat produk Sabun Sirih dengan batas spesifikasi
perusahaan
4.2 Estimasi Fungsi Densitas Kernel Bivariat Untuk Data Sabun Sirih
Untuk menentukan nilai estimasi fungsi densitas kernel bivariat yang optimal maka kita
perlu menentukan terlebih dahulu nilai H optimal untuk matriks bandwidth yang positif definit pada
data Sabun Sirih dengan menggunakan metode Mean Integrated Squared Error (MISE). Dengan
bantuan packages ks pada software R-2.12.2 diperoleh matriks bandwidth optimal pada data Sabun
Sirih yaitu
.
dengan eigen value 7
2
4
1 104710.2,101429.7 sehingga bandwidth H positif definit.
Informasi lebih lanjut tentang penentuan H bandwidth dapat dilihat pada WEB 2. Selanjutnya,
dihitung nilai estimasi densitas kernelnya dengan menggunakan persamaan (1). Nilai estimasi fungsi
densitas kernel dapat ditunjukan pada Gambar 2 dan 3.
H
7-6-
-6-4
10 2.5299 10 2.0501-
10 2.0501- 10 7.1429
18
Ph
Berat Jenis
Density function
Gambar 2. Grafik estimasi densitas kernel untuk data bivariat Sabun Sirih dengan AZ 125 EL
25 bandwidth optimal
Gambar 2 menyatakan grafik estimasi densitas kernel untuk data bivariat Sabun Sirih yang dilihat dari
sudut rotasi horizontal (AZ) 125 derajat dan sudut elevasi vertikal (EL) 25 derajat.
Gambar 3. Grafik estimasi densitas kernel untuk data bivariat Sabun Sirih dengan AZ 250 EL
25 bandwidth optimal
19
Gambar 3 menyatakan grafik estimasi densitas kernel untuk data bivariat Sabun Sirih yang dilihat dari
sudut rotasi horisontal (azimuth) 250 derajat dan sudut elevasi vertikal (EL) 25 derajat.
Dari data Sabun Sirih di atas dapat dibuat grafik pengendali berdasarkan estimasi densitas
kernel untuk data bivariat yang ditunjukkan pada Gambar 4. Gambar 4 memperlihatkan perbandingan
antara grafik pengendali berdasarkan batas spesifikasi perusahaan dan batas spesifikasi yang diperoleh
berdasarkan estimasi densitas kernel.
Pada Gambar 4 kontur merah menunjukan batas spesifikasi yaitu pada level (nilai estimasi
densitas kernel) 59.8985 dengan tingkat signifikansi α=0.0027 sehingga setiap titik sampel yang
berada di dalam kontur merah dianggap terkendali. Sebagai contoh, akan dihitung level untuk titik
sampel ke-1.
Data karakteristik produk untuk titik sampel ke-1 dinyatakan dalam 1.0009 3.87x . Dengan
menggunakan persamaan di bawah ini, dihitung nilai
n
i
XxHXx iT
i
eHn
Hxf1
2
1 1
2
11;
325.367
105299.2100105..2
100501.2101429.72
1
200
1;
0009.1105299.2100501.2
100501.2101429.787.3
2
1200
1
76
641
1
76
64
i
Ti XX
i
eHxf
diperoleh level pada titk sampel ke-1 adalah 367.325, sehingga dapat disimpulkan bahwa titk sampel
ke-1 masih berada dalam kontur karena levelnya lebih besar dari batas level 59.8985 . Gambar 4
menunjukan dari data Sabun Sirih terdapat satu titik sampel yang out of control atau berada di luar
batas spesifikasi yaitu titik sampel ke-126 yang berada pada koordinat (3.86, 0.9867) dengan level
59.8982 karena level dari titik sampel ke-126 lebih kecil dari batas level 59.8985 . Hal itu berarti
dapat dihitung level untuk setiap titik sampel sehingga dapat diidentifikasi titik sampel yang berada di
dalam kontur dan yang di luar kontur.
20
3.4 3.5 3.6 3.7 3.8 3.9 4.0
0.98
0.99
1.00
1.01
1.02
1.03
pH
Berat
Jenis
Gambar 4. Grafik pengendali bivariat Sabun Sirih berdasarkan batas perusahaan dan estimasi
densitas kernel
5. Kesimpulan
Melalui pembahasan di atas dapat disimpulakan bahwa dari data bivariat dapat dibuat grafik
pengendali dengan menggunakan estimasi fungsi densitas kernel. Selanjutnya berdasarkan estimasi
fungsi densitas kernel dapat ditentukan batas spesifikasi dan diidentifikasi titik-titik yang out of
control.
6. Daftar Pustaka
Chacón, J.E. and Duong, T. 2009. Multivariate plug-in bandwidth selection
with unconstrained pilot bandwidth matrices. Diunduh pada Minggu, 2 Januari 2012.
www.mvstat.net/tduong/research/.../chacon-duong-2010-test.pdf
Darmawan. 2010. Pengendalian Kualitas Frestea Green Menggunakan Grafik Pengendali Hotelling
T2 Univariat Dan Multivariat. Salatiga: Fakultas Sains dan Matematika Universitas Kristen
Satya Wacana.
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Gadjah
Mada University Press.
Najib, Mohammad. 2007. Diagram Kontrol Statistik Non Parametrik Sum Of Ranks Untuk Target
Pada Data Non-Normal. Diunduh pada Minggu, 1 Januari 2012.
http://digilib.its.ac.id/public/ITS-Undergraduate-8035-1303100018-Bab1.pdf
21
Tarn Duong and Martin L. Hazelton. 2003.Plug-In Bandwith Matrices For Bivariate Kernel Density
Estomation, hal. 17 - 20. Diunduh pada Minggu, 3 Januari 2012.
http://www.mvstat.net/tduong/research/
[WEB 1] Kernel Density Estimation. Diunduh pada Sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Kernel_density_estimation
[WEB 2] Multivariate Kernel Density Estimation. Diunduh pada sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Multivariate_kernel_density_estimation
22
2.1 Grafik Pengendali
Grafik pengendali adalah teknik pengendali proses pada jalur yang digunakan secara luas
yang biasanya digunakan untuk menaksir parameter suatu proses produksi menentukan kemampuan
dan memberikan informasi yang berguna dalam meningkatkan proses itu (Montgomery, 1990).
Berdasarkan banyaknya karakteristik kualitas yang diukur, grafik pengendali dibedakan
menjadi 2 jenis yaitu grafik pengendali univariat dan grafik pengendali bivariat atau multivariat.
Grafik pengendali univariat digunakan jika hanya ada satu karakteristik kualitas yang diukur,
sedangkan grafik pengendali bivariat atau multivariat digunakan jika diperlukan pengendalian dua
atau lebih karakteristik kualitas yang berhubungan secara bersama-sama.
2.2 Estimasi Fungsi Densitas Bivariat
Estimasi fungsi densitas merupakan salah satu bagian dalam analisis data statistik, dimana
estimasi fungsi densitas adalah suatu gambaran tentang sebuah sebaran data. Dalam statistik, estimasi
fungsi densitas kernel merupakan salah satu metode non-parametrik untuk menduga fungsi kepadatan
probabilitas dari suatu variabel acak (WEB1). Misalkan suatu sampel bivariat nXXX ,...,, 21 yang
diambil dari suatu populasi dengan fungsi densitas f, maka estimasi fungsi densitas kernelnya adalah
n
i
iH XxKnHxf1
1;ˆ
dengan X1, X2, . . . ,Xn adalah sampel dari n data H adalah matrix bandwidth , Txxx 21 , dan
Tiii XXX 21, untuk i = 1, 2,. . . ., n. Dalam hal ini xHKHxK H
2121 dan
2
212
12
2
1
hh
hhH adalah matriks bandwidth yang simetris positif definit (definite positive) dengan
1
2
1 var iXh , 2
2
2 var iXh dan 2112 ,cov ii XXh . Dalam hal ini
xxxK T
2
1exp2
1 adalah kernel normal standard bivariat.
Hal yang menjadi faktor penting dalam estimasi fungsi densitas kernel adalah memilih
nilai H optimal untuk matriks bandwidth. Pemilihan nilai H optimal untuk matriks bandwidth dapat
dilakukan dengan menggunakan metode Mean Integrated Squared Error (MISE) yang dijelaskan pada
Tarn Duong dan Martin L. Hazelton (2003).
1. Metode Penelitian
Dalam penelitian ini digunakan langkah-langkah yang dijelaskan sebagai berikut:
23
Membuat grafik pengendali berdasarkan estimasi densitas kernel untuk dua titik sampel
Membangkitkan data simulasi bivariat dari distribusi normal bivariat N dengan rumus
,
20
81,
25
4NpNp
dengan bobot 0<p<1 dan matrik kovarians
15.0
5.01. Jika digunakan ukuran sampel
(sample size) n=500 dengan p=0.5. Mencari nilai H bandwidth optimal dari data simulasi dengan
menggunakan packages ks pada software R-2.15.2. Menghitung estimasi fungsi densitas kernel
dari data simulasi berdasarkan nilai H bandwidth optimal. Membuat grafik pengendali untuk data
simulasi bivariat berdasarkan estimasi fungsi densitas kernel. Menentukan banyaknya titik sampel
yang out of control.
Menentukan banyaknya titik yang out of control untuk n=500, n=1000, n=1500 dan p=0.5.
Melakukan pengulangan dengan p yang berbeda-beda yaitu p=0.1, p=0.8.
2. Analisis dan Pembahasan
4.1 Estimasi Kernel Densitas Bivariat dari Dua Titik
Jika dipunyai dua titik sembarang 2,11 x dan 4,32 x dan dengan menggunakan
matriks bandwidth identitas
1 0
0 1H maka estimasi densitas kernel dapat digambarkan dengan
grafik 3 dimensi pada Gambar 1 dan 2. Gambar 1 adalah estimasi densitas kernel bila dilihat dari
sudut rotasi horizontal (AZ) 20 derajat dan sudut elevasi vertikal (EL) 25 derajat, sedangkan Gambar
2 adalah estimasi densitas kernel bila dilihat dari sudut rotasi horizontal (AZ) 60 derajat dan sudut
elevasi vertikal (EL) 125 derajat.
Gambar 1. Grafik Estimasi Densitas Bivariat 2 titik AZ 20 EL 25
24
Gambar 2. Grafik Estimasi Densitas Bivariat 2 titik AZ 60 EL 125
Berdasarkan estimasi densitas kernel dapat dibuat grafik pengendali bivariat untuk 2 titik yang
ditunjukan pada Gambar 3. Kurva garis putus-putus menunjukkan batas grafik pengendali bivariat
berdasarkan estimasi densitas kernel.
Gambar 3. Grafik Pengendali Berdasarkan Estimasi Densitas Bivariat 2 Titik
4.2 Estimasi Fungsi Densitas Bivariat Untuk Data Simulasi
Untuk memberikan gambaran, pada simulasi ini, dibangkitkan data acak bivariat dari
distribusi normal
,
20
81,
25
4NpNp
dengan bobot 0<p<1 dan matrik kovarians
15.0
5.01. Pemilihan rata-rata distribusi bivariat
normal yaitu (4,25)T
dan (8,20)T
dan matriks kovariansi ∑ hanya untuk memberikan gambaran
simulasi. Jika digunakan ukuran sampel (sample size) n=500 dengan p=0.5 dan dengan bantuan
packages ks pada software R-2.15.2 diperoleh matriks bandwidth optimal adalah
3214.00124.0
0124.02452.0H
25
dengan eigen value 2433.0,3233.0 21 .
Selanjutnya, berdasarkan data hasil simulasi tersebut dapat ditentukan estimasi densitas kernel dengan
menggunakan persamaan (1). Nilai estimasi fungsi densitas kernel untuk data simulasi yang
dibangkitkan dapat ditunjukan pada Gambar 4. Terlihat kurang lebih separuh titik membentuk bukit
pertama sedangkan separuh titik yang lain membentuk bukit kedua. Hal ini sesuai dengan yang
diharapkan karena menggunakan bobot p=0.5.
Gambar 4. Grafik estimasi densitas kernel bivariat untuk data simulasi
Dengan p=0.5 untuk n= 500
Berdasarkan estimasi densitas kernel bivariat pada Gambar 4, dapat dibuat grafik pengendali
yang ditunjukkan pada Gambar 5. Kontur merah menunjukan batas spesifikasi dengan tingkat
signifikansi α=0.0027 yang bersesuaian dengan level (nilai estimasi densitas kernel) adalah 0.0017.
Dengan menggunakan batas spesifikasi tersebut diperoleh 2 titik sampel yang berada di luar kontur
yaitu titik sampel ke-159 yang berada pada koordinat (12.2509, 23.6602) dengan level (nilai estimasi
densita kernel) adalah 0.0014 dan titik sampel ke-224 yang berada pada koordinat (7.0671, 26.3783)
dengan level adalah 0.0017.
Gambar 5. Grafik pengendali bivariat berdasarkan estimasi densitas kernel
26
untuk data simulasi dengan p=0.5 untuk n= 500
Untuk perbandingan lebih jelas dari studi simulasi dengan sampel yang berbeda- beda
ditunjukkan dalam Tabel 1. Grafik pengendali bivariat yang dibuat berdasarkan data acak
berdistribusi normal dengan banyaknya sampel yang berbeda-beda yaitu n=500, n=1000, n=1500
dan n=2000 diperoleh proporsi banyaknya titik sampel out of control cenderung mendekati nilai
0027,0 . Untuk grafik pengendali bivariat dengan banyak sampel (sample size) n=1000 dan
n=1500 ditunjukkan pada Lampiran 1. Titik sampel yang berada di luar batas pengendali (out of
control) memberikan arti bahwa terjadi suatu kesalahan (cacat) yang mungkin diakibatkan
kesalahan dalam proses produksi. Hasil yang analog bisa diperoleh untuk penganbilan bobot p
yang lain sebagai contoh p=0.1, p=0.8.
Tabel 1. Tabel hasil simulasi untuk berbagai macam n
n Level
Banyaknya
titik sampel
yang out of
control
Proporsi out of control
500 0.0017 2 004.0
500
2
1000 0.0010 3 003.0
1000
3
1500 0.0007 5 0033.0
1500
5
4. Kesimpulan
Dalam makalah ini dijelaskan proses pembentukan grafik pengendali bivariat berdasarkan
estimasi densitas kernel untuk dua titik sampel dan untuk banyaknya sampel dengan n yang berbeda-
beda sehingga dapat digunakan untuk mengidentifikasi titik-titik sampel yang out of control.
5. Daftar Pustaka
Chacón, J.E. and Duong, T. 2009. Multivariate plug-in bandwidth selection
with unconstrained pilot bandwidth matrices. Diunduh pada Minggu, 2 Januari 2012.
www.mvstat.net/tduong/research/.../chacon-duong-2010-test.pdf
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Gadjah
Mada University Press.
Najib, Mohammad. 2007. Diagram Kontrol Statistik Non Parametrik Sum Of Ranks Untuk Target
Pada Data Non-Normal. Diunduh pada Minggu, 1 Januari 2012.
http://digilib.its.ac.id/public/ITS-Undergraduate-8035-1303100018-Bab1.pdf
27
0 2 4 6 8 10 12
1520
2530
hasil[,1]
hasil
[,2]
Pattihahuan, Selfie., Setiawan, A., & Sasongko, L, Ricky. Sasongko. 2012. Penerapan Grafik
Pengendali Berdasarkan Estimasi Fungsi Densitas Kernel Bivariat. Seminar Nasional
Pendidikan Matematika (LSM) XX UNY tanggal 24 Maret 2012.
Tarn Duong and Martin L. Hazelton. 2003.Plug-In Bandwith Matrices For Bivariate Kernel Density
Estomation, hal. 17 - 20. Diunduh pada Minggu, 3 Januari 2012.
http://www.mvstat.net/tduong/research/
[WEB 1] Kernel Density Estimation. Diunduh pada Sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Kernel_density_estimation
[WEB 2] Multivariate Kernel Density Estimation. Diunduh pada sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Multivariate_kernel_density_estimation
Lampiran 1 : Grafik Pengendali Bivariat Untuk n=1000, n=1500 dengan p=0.5
Gambar 6. Grafik pengendali bivariat berdasarkan estimasi densitas kernel untuk data
simulasi dengan p=0.5 untuk n= 1000
28
KESIMPULAN
Berdasarkan kedua makalah (Pattihahuan et al., 2012a) dan (Pattihahuan et al., 2012b) dapat
disimpulkan :
1. Dari data bivariat dapat dibuat grafik pengendali bivariat dengan menggunakan estimasi
fungsi densitas kernel bivariat. Selanjutnya berdasarkan estimasi fungsi densitas kernel
bivariat dapat ditentukan batas spesifikasi dan diidentifikasi titik-titik yang out of control.
2. Berdasarkan hasil penelitian diperoleh 2 titik sampel yang berada di luar kontrol yaitu titik
sampel ke-159 yang berada pada koordinat (12.2509, 23.6602) dengan level (nilai estimasi
densita kernel) adalah 0.0014 dan titik sampel ke-224 yang berada pada koordinat (7.0671,
26.3783) dengan level adalah 0.0017.
3. Telah dijelaskan proses pembentukan grafik pengendali bivariat berdasarkan estimasi densitas
kernel bivariat untuk dua titik sampel dan untuk sampel berukuran n dengan n=500,n=1000,
n=1500 sehingga diperoleh proporsi banyaknya titik sampel out of control cenderung
mendekati nilai 0027,0 .
29
DAFTAR PUSTAKA
Chacón, J.E. and Duong, T. 2009. Multivariate plug-in bandwidth selection
with unconstrained pilot bandwidth matrices. Diunduh pada Minggu, 2 Januari 2012.
www.mvstat.net/tduong/research/.../chacon-duong-2010-test.pdf
Darmawan. 2010. Pengendalian Kualitas Frestea Green Menggunakan Grafik Pengendali Hotelling
T2 Univariat Dan Multivariat. Salatiga: Fakultas Sains dan Matematika Universitas Kristen
Satya Wacana.
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta: Gadjah
Mada University Press.
Najib, Mohammad. 2007. Diagram Kontrol Statistik Non Parametrik Sum Of Ranks Untuk Target
Pada Data Non-Normal. Diunduh pada Minggu, 1 Januari 2012.
http://digilib.its.ac.id/public/ITS-Undergraduate-8035-1303100018-Bab1.pdf
Pattihahuan, Selfie., Setiawan, A., & Sasongko, L, Ricky. Sasongko. 2012a. Penerapan Grafik
Pengendali Berdasarkan Estimasi Fungsi Densitas Kernel Bivariat. Seminar Nasional
Pendidikan Matematika (LSM) XX UNY tanggal 24 Maret 2012.
Pattihahuan, Selfie. Setiawan, A. & Sasongko, L Ricky.. 2012b. Studi Simulai Grafik Pengendali
Berdasarkan Estimasi Fungsi Densitas Kernel Bivariat. Seminar Nasional Pendidikan
Matematika (LSM) XXI UNY tanggal 2 Juni 2012.
Tarn Duong and Martin L. Hazelton. 2003.Plug-In Bandwith Matrices For Bivariate Kernel Density
Estomation, hal. 17 - 20. Diunduh pada Minggu, 3 Januari 2012.
http://www.mvstat.net/tduong/research/
[WEB 1] Kernel Density Estimation. Diunduh pada Sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Kernel_density_estimation
[WEB 2] Multivariate Kernel Density Estimation. Diunduh pada sabtu, 20 Agustus 2011.
http://en.wikipedia.org/wiki/Multivariate_kernel_density_estimation
30
Lampiran 1: Data Sabun Sirih Periode September 2010-Desember 2010
Sampel ke
pH Berat Jenis
Sampel ke
pH Berat Jenis
Sampel ke
pH Berat Jenis
1 3.87 1.0009
39 3.71 1.0049
77 3.83 1.0025
2 3.81 1.0029
40 3.73 1.0025
78 3.82 1.0027
3 3.77 1.0024
41 3.7 1.0035
79 3.81 1.003
4 3.79 1.0021
42 3.72 1.0037
80 3.65 1.0039
5 3.78 1.0024
43 3.82 1.0019
81 3.8 1.0033
6 3.73 1.0029
44 3.84 1.001
82 3.81 1.0025
7 3.77 1.0025
45 3.85 0.9985
83 3.75 1.0042
8 3.81 1.0027
46 3.86 1.0005
84 3.84 1.0037
9 3.9 1.0027
47 3.88 1.0067
85 3.71 1.0018
10 3.85 1.001
48 3.84 1.0038
86 3.69 1.0039
11 3.85 1.0011
49 3.9 1.0016
87 3.68 1.0033
12 3.67 1.002
50 3.85 1.0027
88 3.71 0.9985
13 3.82 1.0029
51 3.8 1.0029
89 3.79 1.0016
14 3.73 1.0016
52 3.81 1.0032
90 3.81 1.0024
15 3.69 1.0021
53 3.79 1.0032
91 3.74 1.0025
16 3.77 1.0017
54 3.8 1.0031
92 3.75 1.0025
17 3.84 1.0005
55 3.81 1.0031
93 3.7 1.003
18 3.82 1.0005
56 3.85 1.003
94 3.72 1.0028
19 3.81 1.0023
57 3.8 1.0035
95 3.78 1.0035
20 3.84 0.9993
58 3.79 1.0037
96 3.77 1.0026
21 3.86 1.0017
59 3.73 1.0013
97 3.69 1.0014
22 3.8 1.0034
60 3.8 1.0027
98 3.67 1.0027
23 3.85 1.0016
61 3.82 1.0021
99 3.73 1.0021
24 3.82 1.0024
62 3.83 1.0032
100 3.81 1.0027
25 3.78 1.0022
63 3.84 1.003
101 3.66 1.0076
26 3.87 1.0036
64 3.83 1.0024
102 3.65 1.008
27 3.85 1.0038
65 3.83 1.0028
103 3.7 1.0036
28 3.89 1.0021
66 3.84 1.0026
104 3.76 1.0042
29 3.87 1.0017
67 3.82 1.0034
105 3.67 1.0029
30 3.76 1.0036
68 3.83 1.0025
106 3.67 1.0029
31 3.7 1.0041
69 3.84 1.0022
107 3.67 1.004
32 3.7 1.0038
70 3.89 1.0023
108 3.69 1.0031
33 3.68 1.0032
71 3.9 1.0095
109 3.62 1.0028
34 3.7 1.0028
72 3.83 1.0013
110 3.68 1.0025
35 3.76 1.0024
73 3.9 1.0026
111 3.67 1.003
36 3.75 1.0031
74 3.76 1.0021
112 3.81 1.0026
37 3.66 1.0042
75 3.74 1.0032
113 3.72 1.0024
38 3.64 1.0037
76 3.87 1.003
114 3.71 1.0032
31
Lampiran 1 (Lanjutan)
Sampel ke
pH Berat Jenis
Sampel ke
pH Berat Jenis
Sampel ke
pH Berat Jenis
115 3.74 1.0031
153 3.87 1.0028
191 3.81 1.0034
116 3.79 1.0031
154 3.81 1.0007
192 3.8 1.0036
117 3.79 1.0035
155 3.83 1.0024
193 3.87 1.0029
118 3.78 1.0024
156 3.9 1.0016
194 3.8 1.0028
119 3.86 1.0031
157 3.71 1.002
195 3.82 1.005
120 3.8 1.0025
158 3.66 1.0032
196 3.63 1.0018
121 3.9 1.0051
159 3.79 1.0037
197 3.78 1.002
122 3.73 1.0029
160 3.73 1.0051
198 3.75 1.0025
123 3.77 1.0027
161 3.9 1.0032
199 3.64 1.0125
124 3.78 1.0029
162 3.65 1.0028
200 3.81 1.0024
125 3.78 1.002
163 3.77 1.0038 126 3.86 0.9867
164 3.78 1.0026
127 3.79 1.0031
165 3.63 1.0025 128 3.72 1.0026
166 3.86 1.0023
129 3.67 0.9976
167 3.69 1.0026 130 3.77 1.004
168 3.63 1.0032
131 3.74 1.0045
169 3.7 1.0026 132 3.76 1.003
170 3.73 1.0006
133 3.9 1.0047
171 3.7 1.0002 134 3.66 1.0033
172 3.67 1.0035
135 3.79 1.003
173 3.73 1.0028 136 3.82 1.0028
174 3.63 1.0021
137 3.72 1.0032
175 3.69 1.0025 138 3.75 1.0024
176 3.61 1.0023
139 3.77 1.0121
177 3.78 1.0032 140 3.85 1.0002
178 3.8 1.0018
141 3.62 1.0031
179 3.8 1.0012 142 3.77 1.0038
180 3.83 1.0029
143 3.76 1.0036
181 3.78 1.0021 144 3.79 1.0032
182 3.65 1.0013
145 3.81 1.0035
183 3.74 1.0024 146 3.84 1.0082
184 3.6 1.0021
147 3.84 1.0026
185 3.8 1.0022 148 3.77 1.0032
186 3.78 1.0032
149 3.86 1.0022
187 3.75 1.0036 150 3.82 1.0034
188 3.85 1.0029
151 3.87 1.0037
189 3.77 1.0027 152 3.84 1.0032
190 3.79 1.0028
32
Lampiran 2 : Program R untuk grafik pengendali berdasarkan estimasi densitas kernel untuk
data bivariat
#Packages ks (dapat diunduh di cran.r.project.org) yang diinstal terlebih dahulu di R.2.15.0
#Input data Data berat jenis (Xt) dan pH(Yt)
>Xt<-c(
3.8700,3.8100,3.7700,3.7900,3.7800,3.7300,3.7700,3.8100,3.9000,3.8500,3.8500,3.6700,3.8200,3.73
00,3.6900,
3.7700,3.8400,3.8200,3.8100,3.8400,
3.8600,3.8000,3.8500,3.8200,3.7800,3.8700,3.8500,3.8900,3.8700,
3.7600,3.7000,3.7000,3.6800,3.7000,3.7600,3.7500,3.6600,3.6400,3.7100,3.7300,3.7000,3.7200,3.82
00,3.8400,
3.8500,3.8600,3.8800,3.8400,3.9000,
3.8500,3.8000,3.8100,3.7900,3.8000,3.8100,3.8500,3.8000,3.7900,3.7300,3.8000,
3.8200,3.8300,3.8400,3.8300,3.8300,3.8400,3.8200,3.8300,3.8400,3.8900,3.9000,3.8300,3.9000,3.76
00,3.7400,
3.8700,3.8300,3.8200,3.8100,
3.6500,3.8000,3.8100,3.7500,3.8400,3.7100,3.6900,3.6800,3.7100,3.7900,3.8100,3.7400,3.7500,3.70
00,3.7200,
3.7800,3.7700,3.6900,3.6700,3.7300,3.8100,
3.6600,3.6500,3.7000,3.7600,3.6700,3.6700,3.6700,3.6900,3.6200,3.6800,3.6700,3.8100,3.7200,3.71
00,3.7400,
3.7900,3.7900,3.7800,3.8600,3.8000,
3.9000,3.7300,3.7700,3.7800,3.7800,3.8600,3.7900,3.7200,3.6700,3.7700,3.7400,3.7600,3.9000,3.66
00,3.7900,
3.8200,3.7200,3.7500,3.7700,3.8500,
3.6200,3.7700,3.7600,3.7900,3.8100,3.8400,3.8400,3.7700,3.8600,3.8200,3.8700,3.8400,3.8700,3.81
00,3.8300,
3.9000,3.7100,
3.6600,3.7900,3.7300,3.9000,3.6500,3.7700,3.7800,3.6300,3.8600,3.6900,3.6300,3.7000,3.7300,3.70
00,3.6700,
3.7300,3.6300,3.6900,3.6100,
3.7800,3.8000,3.8000,3.8300,
3.7800,3.6500,3.7400,3.600,3.8000,3.7800,3.7500,3.8500,3.7700,3.7900,3.8100,3.8000,3.8700,3.800
0,3.8200,
3.6300,3.7800,3.7500,3.6400,3.8100)
>Yt<-c(
33
1.0009,1.0029,1.0024,1.0021,1.0024,1.0029,1.0025,1.0027,1.0027,1.0010,1.0011,1.0020,1.0029,1.00
16,1.0021,
1.0017,1.0005,1.0005,1.0023,0.9993,
1.0017,1.0034,1.0016,1.0024,1.0022,1.0036,1.0038,1.0021,1.0017,
1.0036,1.0041,1.0038,1.0032,1.0028,1.0024,1.0031,1.0042,1.0037,1.0049,1.0025,1.0035,1.0037,1.00
19,1.0010,
0.9985,1.0005,1.0067,1.0038,1.0016,
1.0027,1.0029,1.0032,1.0032,1.0031,1.0031,1.0030,1.0035,1.0037,1.0013,1.0027,
1.0021,1.0032,1.0030,1.0024,1.0028,1.0026,1.0034,1.0025,1.0022,1.0023,1.0095,1.0013,1.0026,1.00
21,1.0032,
1.0030,1.0025,1.0027,1.0030,
1.0039,1.0033,1.0025,1.0042,1.0037,1.0018,1.0039,1.0033,0.9985,1.0016,1.0024,1.0025,1.0025,1.00
30,1.0028,
1.0035,1.0026,1.0014,1.0027,1.0021,1.0027,
1.0076,1.0080,1.0036,1.0042,1.0029,1.0029,1.0040,1.0031,1.0028,1.0025,1.0030,1.0026,1.0024,1.00
32,1.0031,
1.0031,1.0035,1.0024,1.0031,1.0025,
1.0051,1.0029,1.0027,1.0029,1.0020,0.9867,1.0031,1.0026,0.9976,1.0040,1.0045,1.0030,1.0047,1.00
33,1.0030,
1.0028,1.0032,1.0024,1.0121,1.0002,
1.0031,1.0038,1.0036,1.0032,1.0035,1.0082,1.0026,1.0032,1.0022,1.0034,1.0037,1.0032,1.0028,1.00
07,1.0024,
1.0016,1.0020,
1.0032,1.0037,1.0051,1.0032,1.0028,1.0038,1.0026,1.0025,1.0023,1.0026,1.0032,1.0026,1.0006,1.00
02,1.0035,
1.0028,1.0021,1.0025,1.0023,
1.0032,1.0018,1.0012,1.0029,
1.0021,1.0013,1.0024,1.0021,1.0022,1.0032,1.0036,1.0029,1.0027,1.0028,1.0034,1.0036,1.0029,1.00
28,1.0050,
1.0018,1.0020,1.0025,1.0125,1.0024)
#Buat data bivariat seli=[Xt Yt]
> seli <- cbind(Xt,Yt)
#Gambar dari data asli bivariat seli
> plot(seli,xlab="pH",ylab="Berat Jenis")
34
#Grafik pengendali berdaarkan spesifikasi Perusahaan dan spesifikasi kernel
#Panggil (load) packages ks
>library(ks)
>H<-Hpi(seli) #matriks H bandwidth optimal dari data bivariat
>H
>eigen(H) # nilai eigen dari data bivariat
>fhat <- kde(seli, H=H)
>lev <- contourLevels(fhat,prob=c(1-0.9973)) #level (nilai etimasi densitas kernel)
>lev
>plot(fhat,display="filled.contour2",abs.cont=lev,xlab="pH",ylab="BeratJenis",ylim=c(0.98,1.03),xli
m=c(3.4,4))
>points(seli,cex=0.5,pch=16)
>lines(u,rep(0.9834,length(u)),lty=2)
>lines(u,rep(1.0227,length(u)),lty=2)
>lines(rep(3.5,length(v)),v,lty=2)
>lines(rep(3.9,length(v)),v,lty=2)
>win.graph()
# Grafik estimasi densitas kernel untuk data bivariat Sabun Sirih dengan AZ 125 EL 25 bandwidth
optimal
>plot(fhat,display="persp",border=NA,shade=0.3,main="",theta=125,phi = 25,xlab="Ph",ylab="Berat
Jenis")
>win.graph()
# Grafik estimasi densitas kernel untuk data bivariat Sabun Sirih dengan AZ 250 EL 25 bandwidth
optimal
>plot(fhat,display="persp",border=NA,shade=0.3,main="",theta=250,phi = 25,xlab="Ph",ylab="Berat
Jenis")
> fhat.hitung <- function(x,H,data)
{
bantu <- 0
n <- dim(data)[1]
for (i in 1:n)
{
bantu <- bantu + (1/n)*dmvnorm(x,mean=data[i,],sigma=H)
}
return(bantu)
}
35
hasil <- numeric(200)
>for (i in 1:200) hasil[i] <- fhat.hitung(seli[i,],H,seli)
>sum(hasil<lev) #berapa banyak data diluar contol
>which(hasil<lev) #data mana yang berada diluar control
>lev # level (nilai estimasi densitas kernel)
>seli[126,] #koordinat data yang di luar control
>hasil[126] #level data yang di luar control
>min(hasil) #data diluar control = data yang memiliki level paling minimum
36
Lampiran 3: Program Matlab untuk grafik pengendali berdasarkan estimasi densitas
bivariat 2 Titik
function KDE = KDE12(X,H,p,q)
[x,y] = meshgrid(min(X(1,:))-8:.05:max(X(1,:))+8, min(X(2,:))-8:.05:max(X(2,:))+8);
n=length(X(:,1));
a=H(1,1);
b=H(2,1);
c=H(2,2);
rho=b/(sqrt(c)*sqrt(a)); %korelasi
help = zeros(1);
for i = 1:n
Q1=(1/(1-rho^2))*((x-X(i,1)).^2/a);
Q2=(1/(1-rho^2))*((y-X(i,2)).^2/c);
Q3=(2*rho)*(1/(1-rho^2))*((x-X(i,1)).*(y-X(i,2))/sqrt(a*c));
Q=Q1-Q3+Q2;
help = help + ((det (H))^-0.5)*(1/2/pi)*exp(-Q/2);
end
Kernel=help/n;
mesh(x,y,Kernel)
%view(q, p)
%figure(2)
%hold on
contour(x,y,Kernel,[0.02928474 0.02928474],'-.')
xlabel('hasil 1')
ylabel('hasil 2')
hold on
plot(X(:,1),X(:,2),'b*')
hold off
% q sudut rotasi horisontal, p sudut elevasi vertikal)
% MESH(X,Y,Z,C) gambar parametrik berwarna mesh didefinisikan oleh 4 Matiks.
% Sudut pandang secara spesifik dapat dilihat dengan view(az,el)
% [X,Y] = MESHGRID(x,y) merubah bentuk bidang dari x dan y ke dalam
% X dan Y yang dapat digunakan untuk evaluasi fungsi dari 2 variabel
% dan gambar permukaan 3 dimensi
37
Lampiran 4 : Program R untuk grafik pengendali berdasarkan estimasi densitas kernel untuk
data bivariat dengan sampel size n=500, n=1000, dan n=1500, p=0.5
#Panggil (load) package mvtnorm
1. Untuk data n = 500
sim <- function(n,p)
{
hasil <- matrix(0,n,2)
x <- rmvnorm(n,c(4,25), sigma=matrix(c(1,0.5,0.5,1),2,2))
y <- rmvnorm(n,c(8,20), sigma=2*matrix(c(1,0.5,0.5,1),2,2))
for (i in 1:n)
{
r <- runif(1)
if (r < p)
hasil[i,] <- x[i,]
else
hasil[i,] <- y[i,]
}
return(hasil)
}
hasil <- sim(500,0.5)
>win.graph()
>plot(hasil)
#Panggil (load) package ks
>library(ks)
>H<-Hpi(hasil)
>H
>eigen(H)
>fhat <- kde(hasil, H=H)
>lev <- contourLevels(fhat,prob=c(1-0.9973))
>win.graph()
>plot(fhat, display="filled.contour2",abs.cont=lev,xlab="Data 1",ylab="Data 2")
>points(hasil,cex=0.5,pch=16)
>win.graph()
>plot(fhat, display="persp", border=NA, shade=0.3,xlab="Data 1",ylab="Data 2")
fhat.hitung <- function(x,H,data)
{
bantu <- 0
n <- dim(data)[1]
for (i in 1:n)
{
bantu <- bantu + (1/n)*dmvnorm(x,mean=data[i,],sigma=H)
}
return(bantu)
}
>has<- numeric(500)
>for (i in 1:500) has[i] <- fhat.hitung(hasil[i,],H,hasil)
# Mengetahui data di luar control
>sum(has<lev)
>which(has<lev)
>lev
38
2. Untuk n =1 000
sim <- function(n,p)
{
hasil <- matrix(0,n,2)
x <- rmvnorm(n,c(4,25), sigma=matrix(c(1,0.5,0.5,1),2,2))
y <- rmvnorm(n,c(8,20), sigma=2*matrix(c(1,0.5,0.5,1),2,2))
for (i in 1:n)
{
r <- runif(1)
if (r < p)
hasil[i,] <- x[i,]
else
hasil[i,] <- y[i,]
}
return(hasil)
}
hasil <- sim(1000,0.5)
win.graph()
plot(hasil)
#Panggil (load) package ks
>library(ks)
>H<-Hpi(hasil)
>H
>eigen(H)
>fhat <- kde(hasil, H=H)
>lev <- contourLevels(fhat,prob=c(1-0.9973))
>win.graph()
>plot(fhat, display="filled.contour2",abs.cont=lev,xlab="Data 1",ylab="Data 2")
>points(hasil,cex=0.5,pch=16)
>win.graph()
>plot(fhat, display="persp", border=NA, shade=0.3,xlab="Data 1",ylab="Data 2")
fhat.hitung <- function(x,H,data)
{
bantu <- 0
n <- dim(data)[1]
for (i in 1:n)
{
bantu <- bantu + (1/n)*dmvnorm(x,mean=data[i,],sigma=H)
}
return(bantu)
}
>has<- numeric(1000)
>for (i in 1:1000) has[i] <- fhat.hitung(hasil[i,],H,hasil)
# Mengetahui data di luar control
>sum(has<lev)
>which(has<lev)
>lev
39
3. Untuk n = 1500
sim <- function(n,p)
{
hasil <- matrix(0,n,2)
x <- rmvnorm(n,c(4,25), sigma=matrix(c(1,0.5,0.5,1),2,2))
y <- rmvnorm(n,c(8,20), sigma=2*matrix(c(1,0.5,0.5,1),2,2))
for (i in 1:n)
{
r <- runif(1)
if (r < p)
hasil[i,] <- x[i,]
else
hasil[i,] <- y[i,]
}
return(hasil)
}
>hasil <- sim(1500,0.5)
>win.graph()
>plot(hasil)
#Panggil (load) package ks
>library(ks)
>H<-Hpi(hasil)
>H
>eigen(H)
>fhat <- kde(hasil, H=H)
>lev <- contourLevels(fhat,prob=c(1-0.9973))
>win.graph()
>plot(fhat, display="filled.contour2",abs.cont=lev,xlab="Data 1",ylab="Data 2")
>points(hasil,cex=0.5,pch=16)
>win.graph()
>plot(fhat, display="persp", border=NA, shade=0.3,xlab="Data 1",ylab="Data 2")
fhat.hitung <- function(x,H,data)
{
bantu <- 0
n <- dim(data)[1]
for (i in 1:n)
{
bantu <- bantu + (1/n)*dmvnorm(x,mean=data[i,],sigma=H)
}
return(bantu)
}
>has<- numeric(1500)
>for (i in 1:1500) has[i] <- fhat.hitung(hasil[i,],H,hasil)
# Mengetahui data di luar control
>sum(has<lev)
>which(has<lev)
>lev