Di dalam kenyataan, seringkali terdapat hubungan antara dua variabel yang saling berhubungan.
Sebagai contoh hubungan antara perubahan kecepatan di proses machining dengan dimensional part, hubungan antara tingkat penjualan dengan banyaknya kunjungan sales, hubungan antara tingkat kerajinan siswa dengan nilai pelajaran dsb.
Dengan scatter diagram, hubungan antara dua variabel diatas dapat dipelajari.
Sehingga diagram scatter didefinisikan sebagai diagram yang mempelajari hubungan sebab-akibat antara variabel-variabel yang saling berhubungan, yaitu variabel independent yang biasanya diplot pada sumbu x dan variabel dependent yang biasanya diplot pada sumbu y.
21.03 |
Posted in
scatter
Category:
scatter
��
23.59 |
Posted in
PARETO
Masalah kualitas muncul dalam bentuk “defect”.
Adalah penting untuk melakukan klarifikasi pola distribusi dan menemukan penyebab utama “defect” tersebut.
Jika penyebab utama dari “defect” dapat diidentifikasi, kita dapat menghilangkan hampir dari seluruh masalah “defect” itu sendiri, yaitu dengan memusatkan perhatian pada penyebab-penyebab utama ini.
Pada tahun 1897, ahli ekonomi & sosiologi Italia Vilfredo Pareto mempresentasikan formula distribusi dari kekayaan berbagai negara.
Teori yang serupa disampaikan oleh ahli ekonomi US M.C. Lorenz pada tahun 1907.
Keduanya menekankan bahwa sebagian besar dari kekayaan atau kemakmuran hanya dinikmati oleh sebagian kecil penduduk / negara.
Dalam bidang Quality Control, Dr. J. M. Juran (pakar manajemen kualitas) mengaplikasikan metode diagram Lorenz’s sebagai formula untuk mengklasifikasikan masalah kualitas kedalam “vital few”(sedikit tapi penting) dan “the trivial many” (banyak tapi tidak penting) & menamakannya Analisa Pareto.
Hal ini dikenal dengan aturan “ vital view and trivial many” atau 20 % dari sesuatu bertanggungjawab akan 80% hasil-hasilnya.
Penekanannya adalah : dalam banyak kasus, sebagian besar masalah defect, hanya disumbang oleh sebagian kecil penyebab utama. (Prinsip 80/20)
Bagaimana membuat Pareto Diagram :
Langkah 1 :
a.Memutuskan masalah yang akan diselidiki
Mis : Item defect, kerugian keuangan, kejadian kecelakaan.
b.Menentukan data apa yang diperlukan dan bagaimana untuk mengklasifikasikannya
Mis : berdasar tipe data, lokasi, proses, mesin, pekerja dsb
c.Menentukan metode pengumpulan data dan periodenya
Langkah 2
Merancang lembar pengisian data.
Langkah 3
Mengisi lembar pengisian data dan menghitung jumlah total pencatatan. (Tabel 3.1)
Langkah 4
Membuat daftar data sheet untuk diagram Pareto yang berisi tipe defect, jumlah defect, nilai kumulatif defect, persentase defect & persentase kumulatif defect.
Langkah 5
Susunlah item defect berdasarkan jumlah,
dan mengisi daftar data sheet untuk diagram Pareto.
Note : Item defect “others” harus diletakkan di bagian bawah, tidak perduli berapapun besarnya. Hal ini disebabkan “others” terdiri dari berbagai komponen defect yang secara nilai lebih kecil dibandingkan dengan item defect yang sudah didefinisikan.
Langkah 6
a.Gambar dua sumbu vertikal dan horisontal.
b.Bagi sumbu vertikal sisi kiridengan skala dari 0 sampai sejumlah total number defect.
c.Bagi sumbu vertikal sisi kanandengan skala dari 0% ke 100%.
d.Bagi sumbu horisontal dengan jumlah interval
sesuai dengan tipe defect.
Langkah 7
Buat diagram batang. Item defect yang mempunyai jumlah terbanyak diurut dari kiri ke kanan, tempatkan others di bagian paling kanan.
Langkah 8
a.Gambar Kurva Kumulative (Kurva Pareto).
b.Tandai nilai kumulatif (kumulatif total atau kumulatif %), di sebelah kanan interval masing-masing item defect, dan hubungkan dengan garis.
Langkah 9
a.Tulislah hal-hal yang dianggap perlu pada diagram Pareto :
b.Hal yang berhubungan dengan diagram : seperti title, nama pembuat diagram pareto dsb.
c.Hal yang berhubungan dengan data : periode, subyek dan tempat pengambilan data serta total jumlah data yang diambil.
Ada 2 tipe diagram Pareto :
1.Diagram Pareto berdasar kejadian / hasil yang terjadi:
Adalah diagram yang berkaitan dengan hasil yang tak diinginkan, dan dipakai untuk mencari tahu apa yang menjadi penyebab utama permasalahan :
a.Quality : defect, kegagalan, complain, part kembalian, repair.
b.Cost : nilai kerugian, pengeluaran
c.Delivery : stock shortage, delivery tertunda, default pembayaran
d.Safety : kecelakaan, kelalaian
2. Diagram Pareto berdasarkan penyebab :
Adalah diagram yang berkaitan dengan faktor-faktor penyebab defect yang ditemukan di proses produksi, dan digunakan untuk mencari tahu penyebab utama defect tersebut :
a.Operator : shift, grup, umur, pengalaman, ketrampilan, kepribadian
b.Mesin : mesin, peralatan, instrumentasi
c.Material mentah : manufaktur, lot
d.Methode : instruksi kerja, SOP
Kegunaan Diagram Pareto :
1.Menunjukkan persoalan utama.
2.Menyatakan perbandingan masing masing persoalan terhadap keseluruhan.
3.Menunjukkan perbandingan sebelum dan setelah perbaikan.
4.Untuk prioritas penyelesaian persoalan
Kume, Hitoshi, “Statistical Methods for Quality Improvement”, Tokyo AOTS
Adalah penting untuk melakukan klarifikasi pola distribusi dan menemukan penyebab utama “defect” tersebut.
Jika penyebab utama dari “defect” dapat diidentifikasi, kita dapat menghilangkan hampir dari seluruh masalah “defect” itu sendiri, yaitu dengan memusatkan perhatian pada penyebab-penyebab utama ini.
Pada tahun 1897, ahli ekonomi & sosiologi Italia Vilfredo Pareto mempresentasikan formula distribusi dari kekayaan berbagai negara.
Teori yang serupa disampaikan oleh ahli ekonomi US M.C. Lorenz pada tahun 1907.
Keduanya menekankan bahwa sebagian besar dari kekayaan atau kemakmuran hanya dinikmati oleh sebagian kecil penduduk / negara.
Dalam bidang Quality Control, Dr. J. M. Juran (pakar manajemen kualitas) mengaplikasikan metode diagram Lorenz’s sebagai formula untuk mengklasifikasikan masalah kualitas kedalam “vital few”(sedikit tapi penting) dan “the trivial many” (banyak tapi tidak penting) & menamakannya Analisa Pareto.
Hal ini dikenal dengan aturan “ vital view and trivial many” atau 20 % dari sesuatu bertanggungjawab akan 80% hasil-hasilnya.
Penekanannya adalah : dalam banyak kasus, sebagian besar masalah defect, hanya disumbang oleh sebagian kecil penyebab utama. (Prinsip 80/20)
Bagaimana membuat Pareto Diagram :
Langkah 1 :
a.Memutuskan masalah yang akan diselidiki
Mis : Item defect, kerugian keuangan, kejadian kecelakaan.
b.Menentukan data apa yang diperlukan dan bagaimana untuk mengklasifikasikannya
Mis : berdasar tipe data, lokasi, proses, mesin, pekerja dsb
c.Menentukan metode pengumpulan data dan periodenya
Langkah 2
Merancang lembar pengisian data.
Langkah 3
Mengisi lembar pengisian data dan menghitung jumlah total pencatatan. (Tabel 3.1)
Langkah 4
Membuat daftar data sheet untuk diagram Pareto yang berisi tipe defect, jumlah defect, nilai kumulatif defect, persentase defect & persentase kumulatif defect.
Langkah 5
Susunlah item defect berdasarkan jumlah,
dan mengisi daftar data sheet untuk diagram Pareto.
Note : Item defect “others” harus diletakkan di bagian bawah, tidak perduli berapapun besarnya. Hal ini disebabkan “others” terdiri dari berbagai komponen defect yang secara nilai lebih kecil dibandingkan dengan item defect yang sudah didefinisikan.
Langkah 6
a.Gambar dua sumbu vertikal dan horisontal.
b.Bagi sumbu vertikal sisi kiridengan skala dari 0 sampai sejumlah total number defect.
c.Bagi sumbu vertikal sisi kanandengan skala dari 0% ke 100%.
d.Bagi sumbu horisontal dengan jumlah interval
sesuai dengan tipe defect.
Langkah 7
Buat diagram batang. Item defect yang mempunyai jumlah terbanyak diurut dari kiri ke kanan, tempatkan others di bagian paling kanan.
Langkah 8
a.Gambar Kurva Kumulative (Kurva Pareto).
b.Tandai nilai kumulatif (kumulatif total atau kumulatif %), di sebelah kanan interval masing-masing item defect, dan hubungkan dengan garis.
Langkah 9
a.Tulislah hal-hal yang dianggap perlu pada diagram Pareto :
b.Hal yang berhubungan dengan diagram : seperti title, nama pembuat diagram pareto dsb.
c.Hal yang berhubungan dengan data : periode, subyek dan tempat pengambilan data serta total jumlah data yang diambil.
Ada 2 tipe diagram Pareto :
1.Diagram Pareto berdasar kejadian / hasil yang terjadi:
Adalah diagram yang berkaitan dengan hasil yang tak diinginkan, dan dipakai untuk mencari tahu apa yang menjadi penyebab utama permasalahan :
a.Quality : defect, kegagalan, complain, part kembalian, repair.
b.Cost : nilai kerugian, pengeluaran
c.Delivery : stock shortage, delivery tertunda, default pembayaran
d.Safety : kecelakaan, kelalaian
2. Diagram Pareto berdasarkan penyebab :
Adalah diagram yang berkaitan dengan faktor-faktor penyebab defect yang ditemukan di proses produksi, dan digunakan untuk mencari tahu penyebab utama defect tersebut :
a.Operator : shift, grup, umur, pengalaman, ketrampilan, kepribadian
b.Mesin : mesin, peralatan, instrumentasi
c.Material mentah : manufaktur, lot
d.Methode : instruksi kerja, SOP
Kegunaan Diagram Pareto :
1.Menunjukkan persoalan utama.
2.Menyatakan perbandingan masing masing persoalan terhadap keseluruhan.
3.Menunjukkan perbandingan sebelum dan setelah perbaikan.
4.Untuk prioritas penyelesaian persoalan
Kume, Hitoshi, “Statistical Methods for Quality Improvement”, Tokyo AOTS
Category:
PARETO
��
23.50 |
Posted in
HISTOGRAM
Kegunaan dari Histogram adalah untuk mengetahui distribusi / penyebaran data sehingga dengan demikian didapatkan informasi yang lebih banyak dari data tersebut dan akan memudahkan untuk mendapatkan kesimpulan dari data tersebut.
Mengkaji Histogram :
1.Bentuk normal (simetris / bentuk lonceng):
Harga rata rata histogram terletak ditengah range data.
Frekuensi data paling tinggi di tengah dan menurun
secara bertahap dan simetris pada kedua sisinya.
Catatan : Bentuk ini merupakan bentuk yang paling
sering dijumpai.
2. Bentuk Moltimodal :
Kelas dalam urutan nomor genap mempunyai frekuensilebih kecil / sedikit dibanding dengan sisiluarnya.
Catatan : Bentuk ini bisa terjadi bila jumlah data tidak menentu pada masing2 kelas ada kecenderungan pengumpulan / pembulatan data yang kurang tepat.
4. Bentuk Curam Dikiri :
Harga rata2 histogram terletak jauh disebelah kiri dari range dan frekuensi disisi kiri turun menjadi nol secara tiba tiba.
Catatan : Bentuk ini mungkin disebabkan adanya batasan yang tidak boleh dilampaui di sisi kiri (data yang dibawah batas bawah tidak dipakai.
5. Bentuk Plateum :
Bentuk ini terjadi bila frekuensi di masing masing kelas hampir sama dan hanya pada ujung 2yang berbeda cukup banyak.
Catatan : Bentuk ini mungkin disebabkan adanya penggabungan beberapa kumpulan data yang mempunyai harga rata-rata berdekatan.
6.Bentuk dengan 2 puncak
Pada bentuk ini frekuensinya dibagian tengah agak rendah dan terdapat 2 puncak di masing2 sisinya.
Catatan : Bentuk ini dapat terjadi bila ada penggabungan 2 kumpulan data yang harga rata-ratanya berbeda jauh.
7.Bentuk dengan puncak terpisah
Pada bentuk ini terdapat puncak kecil yang terpisah dari bentuk histogram yang normal.
Catatan : Bentuk ini bisa terjadi bila terdapat pena-mbahan kumpulan data dalam jumlah kecil dengan distribusi berbeda. Bisa juga terjadi bila salah pengukuran, pemasukan data dari proses lain atau ketidakberesan / ketidaknormalan dalam proses.
Sumber : Nunung Subiyanto, “Training SPC “, Jakarta 2008
Mengkaji Histogram :
1.Bentuk normal (simetris / bentuk lonceng):
Harga rata rata histogram terletak ditengah range data.
Frekuensi data paling tinggi di tengah dan menurun
secara bertahap dan simetris pada kedua sisinya.
Catatan : Bentuk ini merupakan bentuk yang paling
sering dijumpai.
2. Bentuk Moltimodal :
Kelas dalam urutan nomor genap mempunyai frekuensilebih kecil / sedikit dibanding dengan sisiluarnya.
Catatan : Bentuk ini bisa terjadi bila jumlah data tidak menentu pada masing2 kelas ada kecenderungan pengumpulan / pembulatan data yang kurang tepat.
4. Bentuk Curam Dikiri :
Harga rata2 histogram terletak jauh disebelah kiri dari range dan frekuensi disisi kiri turun menjadi nol secara tiba tiba.
Catatan : Bentuk ini mungkin disebabkan adanya batasan yang tidak boleh dilampaui di sisi kiri (data yang dibawah batas bawah tidak dipakai.
5. Bentuk Plateum :
Bentuk ini terjadi bila frekuensi di masing masing kelas hampir sama dan hanya pada ujung 2yang berbeda cukup banyak.
Catatan : Bentuk ini mungkin disebabkan adanya penggabungan beberapa kumpulan data yang mempunyai harga rata-rata berdekatan.
6.Bentuk dengan 2 puncak
Pada bentuk ini frekuensinya dibagian tengah agak rendah dan terdapat 2 puncak di masing2 sisinya.
Catatan : Bentuk ini dapat terjadi bila ada penggabungan 2 kumpulan data yang harga rata-ratanya berbeda jauh.
7.Bentuk dengan puncak terpisah
Pada bentuk ini terdapat puncak kecil yang terpisah dari bentuk histogram yang normal.
Catatan : Bentuk ini bisa terjadi bila terdapat pena-mbahan kumpulan data dalam jumlah kecil dengan distribusi berbeda. Bisa juga terjadi bila salah pengukuran, pemasukan data dari proses lain atau ketidakberesan / ketidaknormalan dalam proses.
Sumber : Nunung Subiyanto, “Training SPC “, Jakarta 2008
Category:
HISTOGRAM
��
06.14 |
Posted in
pdca
Category:
pdca
��
05.59 |
Posted in
skutik
Category:
skutik
��
23.37 |
Posted in
MSA
Measurement System Analysis :
Analisa system pengukuran sehingga didapatkan hasil pengukuran yang benar-benar akurat, presisi dan dapat dipertanggung-jawabkan.
Applikasi MSA
1. Kriteria penerimaan alat ukur baru.
2. Metode untuk perbandingan beberapa alat ukur / sistem pengukuran.
3. Dasar penilaian alat ukur yang diduga bermasalah.
4. Perbandingan alat ukur sebelum & setelah perbaikan.
5. Salah satu komponen dalam menghitung variasi proses, dan level yang dapat diterima untuk proses produksi
Konsep Dasar :
Variasi : Kuadrat dari standard deviasi
Standar Deviasi / Simpangan Baku "Sigma" : Ukuran penyebaran data terhadap rata – ratanya.
Total variasi yang diamati dalam pengukuran suatu produk adalah penjumlahan variasi produk itu sendiri dan variasi dari pengukuran.
Tujuan dari MSA adalah mengusahakan agar variasi pengukuran menjadi seminimal mungkin.
Dirumuskan :
Total Variasi = Variasi produk + Variasi pengukuran
MSA dapat diklasifikasikan dua, yaitu Precision & Accuracy :
1.Precision / Presisi adalah variasi part saat diukur beberapa kali dengan alat ukur yang sama.
2.Accuracy / Akurasi adalah perbedaan antara hasil pengukuran part dengan nilai sebenarnya dari part tersebut.
Note :
Selain itu, MSA juga dapat untuk memastikan bahwa sistem pengukuran dapat mendeteksi perubahan kecil yang ada di part (discrimination).
Accuracy mempunyai 3 komponen :
1. Stability : pengukuran harus mempunyai nilai yang sama baik di “masa lalu” maupun di ”masa datang”. (TIME BASE).
2. Linearity : pengukuran memberikan pembacaan yang tepat pada rentang ukuran tertentu. (SCALE BASE).
3. Bias : perbedaan nilai rata-rata pengukuran dengan nilai sebenarnya / true value.
Precision mempunyai 2 Komponen :
1. Repeatability : variasi alat ukur yang terjadi ketika operator sama mengukur part sama, dengan alat ukur yang sama juga berulang kali.
2. Reproducibility : variasi diakibatkan oleh operator yang berbeda, mengukur part ukur yang sama dengan alat ukur yang sama.
Discrimination : Sistem pengukuran harus mampu membagi nilai terkecil dari distribusi normal (± 3 sigma) menjadi minimal 5 kategori. Mis, sebuah Caliper resolusi 0.1 mm dapat mengukur part (mis dimensi 10.0 mm ) dengan hasil : 10.1, 9.8, 9.9, 10.0, 10.2. Ditunjukkan dengan Number of Distinct Category (Min 5).
Kriteria Penerimaan Sistem Pengukuran
dilakukan dengan melakukan analisa Gauge R & R(Repeatability & Reproducibility) sehingga dapat dilihat ke PRESISI an sistem pengukuran, yaitu :
1. Dengan melihat % Study Variasi dapat dilihat variasi Repeatability & variasi Reproducibility.
2. Dengan melihat Discrimination / Number of distinct Categories dapat dilihat apakah sistem pengukuran mampu membedakan berbagai part ukur yang berbeda ukurannya.
3. Dengan melihat P value, dapat dilihat apakah ada kecenderungan interaksi antara operator dengan part yang diukur (mis. Part dengan bentuk, jenis, ukuran tertentu).
Standar Gage R & R :
A. Standard % Study Variasi (SV) :
% SV < 10 % (Gage dapat diterima).
10 % < % SV < 30 % (Gage diterima dengan persyaratan tertentu).
% SV > 30 % (Gage tidak diterima).
B. Standard Number of Distintc Categories (NDC) min 5.
C. Standard P value :
P value > 0.25 berarti tidak ada interaksi operator dengan part.
P value < 0.25 berarti ada interaksi operator dengan part.
Gauge R & R
Ada 2 methode :
1. Crossed Methode (Silang): apabila part ukur yang sudah diukur operator pertama dapat diukur ulang oleh operator kedua dst (bersifat tidak merusak), mis pengukuran dimensional dengan caliper dsb.
2. Nested Methode (Bersarang) : apabila part ukur yang sudah diukur oleh operator pertama tidak dapat dilakukan pengukuran ulang oleh operator kedua dst (bersifat merusak), mis pengukuran / pengujian tarik, broken test dsb.
Dengan memakai ANOVA (Analisa of Variance) dibantu dengan software Minitab, Gauge R & R dapat membedakan :
1. Variasi antar part.
2. Variasi antar operator/pengukur.
3. Variasi alat ukur (repeatability)
4. Interaksi operator/pengukur dengan part ukur.
Analisa Gage R & R :
Bila Repeatability nilainya terlalu besar (over value) dibandingkan Reproducibility, maka perlu dilihat :
1. Gage mungkin perlu dimaintenance.
2. Gage mungkin perlu di redesain supaya lebih rigid.
3. Clamp atau lokasi gage perlu diimprove.
Analisa Gage R & R
Bila Reproducibility nilainya terlalu besar (over value) dibanding Repeatability, maka perlu dilihat :
1. Operator training.
2. Akurasi dari prosedur pengukuran.
3. Kalibrasi gage tidak jelas.
Analisa system pengukuran sehingga didapatkan hasil pengukuran yang benar-benar akurat, presisi dan dapat dipertanggung-jawabkan.
Applikasi MSA
1. Kriteria penerimaan alat ukur baru.
2. Metode untuk perbandingan beberapa alat ukur / sistem pengukuran.
3. Dasar penilaian alat ukur yang diduga bermasalah.
4. Perbandingan alat ukur sebelum & setelah perbaikan.
5. Salah satu komponen dalam menghitung variasi proses, dan level yang dapat diterima untuk proses produksi
Konsep Dasar :
Variasi : Kuadrat dari standard deviasi
Standar Deviasi / Simpangan Baku "Sigma" : Ukuran penyebaran data terhadap rata – ratanya.
Total variasi yang diamati dalam pengukuran suatu produk adalah penjumlahan variasi produk itu sendiri dan variasi dari pengukuran.
Tujuan dari MSA adalah mengusahakan agar variasi pengukuran menjadi seminimal mungkin.
Dirumuskan :
Total Variasi = Variasi produk + Variasi pengukuran
MSA dapat diklasifikasikan dua, yaitu Precision & Accuracy :
1.Precision / Presisi adalah variasi part saat diukur beberapa kali dengan alat ukur yang sama.
2.Accuracy / Akurasi adalah perbedaan antara hasil pengukuran part dengan nilai sebenarnya dari part tersebut.
Note :
Selain itu, MSA juga dapat untuk memastikan bahwa sistem pengukuran dapat mendeteksi perubahan kecil yang ada di part (discrimination).
Accuracy mempunyai 3 komponen :
1. Stability : pengukuran harus mempunyai nilai yang sama baik di “masa lalu” maupun di ”masa datang”. (TIME BASE).
2. Linearity : pengukuran memberikan pembacaan yang tepat pada rentang ukuran tertentu. (SCALE BASE).
3. Bias : perbedaan nilai rata-rata pengukuran dengan nilai sebenarnya / true value.
Precision mempunyai 2 Komponen :
1. Repeatability : variasi alat ukur yang terjadi ketika operator sama mengukur part sama, dengan alat ukur yang sama juga berulang kali.
2. Reproducibility : variasi diakibatkan oleh operator yang berbeda, mengukur part ukur yang sama dengan alat ukur yang sama.
Discrimination : Sistem pengukuran harus mampu membagi nilai terkecil dari distribusi normal (± 3 sigma) menjadi minimal 5 kategori. Mis, sebuah Caliper resolusi 0.1 mm dapat mengukur part (mis dimensi 10.0 mm ) dengan hasil : 10.1, 9.8, 9.9, 10.0, 10.2. Ditunjukkan dengan Number of Distinct Category (Min 5).
Kriteria Penerimaan Sistem Pengukuran
dilakukan dengan melakukan analisa Gauge R & R(Repeatability & Reproducibility) sehingga dapat dilihat ke PRESISI an sistem pengukuran, yaitu :
1. Dengan melihat % Study Variasi dapat dilihat variasi Repeatability & variasi Reproducibility.
2. Dengan melihat Discrimination / Number of distinct Categories dapat dilihat apakah sistem pengukuran mampu membedakan berbagai part ukur yang berbeda ukurannya.
3. Dengan melihat P value, dapat dilihat apakah ada kecenderungan interaksi antara operator dengan part yang diukur (mis. Part dengan bentuk, jenis, ukuran tertentu).
Standar Gage R & R :
A. Standard % Study Variasi (SV) :
% SV < 10 % (Gage dapat diterima).
10 % < % SV < 30 % (Gage diterima dengan persyaratan tertentu).
% SV > 30 % (Gage tidak diterima).
B. Standard Number of Distintc Categories (NDC) min 5.
C. Standard P value :
P value > 0.25 berarti tidak ada interaksi operator dengan part.
P value < 0.25 berarti ada interaksi operator dengan part.
Gauge R & R
Ada 2 methode :
1. Crossed Methode (Silang): apabila part ukur yang sudah diukur operator pertama dapat diukur ulang oleh operator kedua dst (bersifat tidak merusak), mis pengukuran dimensional dengan caliper dsb.
2. Nested Methode (Bersarang) : apabila part ukur yang sudah diukur oleh operator pertama tidak dapat dilakukan pengukuran ulang oleh operator kedua dst (bersifat merusak), mis pengukuran / pengujian tarik, broken test dsb.
Dengan memakai ANOVA (Analisa of Variance) dibantu dengan software Minitab, Gauge R & R dapat membedakan :
1. Variasi antar part.
2. Variasi antar operator/pengukur.
3. Variasi alat ukur (repeatability)
4. Interaksi operator/pengukur dengan part ukur.
Analisa Gage R & R :
Bila Repeatability nilainya terlalu besar (over value) dibandingkan Reproducibility, maka perlu dilihat :
1. Gage mungkin perlu dimaintenance.
2. Gage mungkin perlu di redesain supaya lebih rigid.
3. Clamp atau lokasi gage perlu diimprove.
Analisa Gage R & R
Bila Reproducibility nilainya terlalu besar (over value) dibanding Repeatability, maka perlu dilihat :
1. Operator training.
2. Akurasi dari prosedur pengukuran.
3. Kalibrasi gage tidak jelas.
Category:
MSA
��
22.50 |
Posted in
CHECKSHEET
Check Sheet : sebuah form yang berisi item pemeriksaan, dimana marking bisa ditambahkan untuk setiap item pemeriksaan yang sudah dihitung.
Check Sheet mempunyai dua tujuan utama :
1.Untuk membuat pengumpulan data menjadi mudah.
2.Untuk penyusunan & pengolahan data selanjutnya, sehingga dapat dipakai dengan mudah.
Check Sheet & Stratifikasi:
Checksheet kadang dipakai untuk stratifikasi lebih lanjut untuk menemukan faktor penyebab defect, sehingga diperlukan untuk menggabungkan checksheet dengan stratifikasi .
Checksheet dirancang untuk tujuan awal sebagai sarana bantu pengumpulan data, kemudian dapat dilakukan berbagai variasi modifikasi, sehingga data dapat diperoleh & disimpan dengan mudah serta disesuaikan dengan sasaran yang dituju.
Stratifikasi :
Ketika memiliki data defect dan mencoba untuk mengidentifikasi penyebabnya, akan sangat membantu untuk mengambil data berdasarkan faktor mesin, operator, material, waktu, atau berbagai faktor lainnya.
Stratifikasi untuk itu adalah sebuah teknik yang digunakan untuk mengumpulkan data berdasarkan penyebab.
Stratifikasi sangat penting di dalam flow proses, methode sampling dan pemrosesan data.
Elemen – elemen dan contoh stratifikasi :
1.Operator : tiap individu pekerja, grup pekerja didalam job yang sama, klasifikasi berdasar tahun pengalaman, umur dsb
2.Mesin dan peralatan : tipe mesin, plant, umur mesin, dan peralatan.
3.Material : berdasar supplier, merk, waktu delivery, lot penerimaan, waktu simpan, tempat penyimpanan dsb
4.Prosedure kerja : berdasar instruksi kerja, kondisi kerja , methode pengukuran dsb
5.Waktu : pagi, siang, sore, harian, mingguan, bulanan, sesaat setalah produksi dimulai, sesaat sebelum produksi diakhiri dsb
6.Ambience : berdasar temperatur, humidity, cuaca, angin, illumination dsb
Berdasar line baru atau lama, berdasar temapt produksi dan packing dsb
Sumber
Kume, Hitoshi, “Statistical Methods for Quality Improvement”, Tokyo AOTS
Check Sheet mempunyai dua tujuan utama :
1.Untuk membuat pengumpulan data menjadi mudah.
2.Untuk penyusunan & pengolahan data selanjutnya, sehingga dapat dipakai dengan mudah.
Check Sheet & Stratifikasi:
Checksheet kadang dipakai untuk stratifikasi lebih lanjut untuk menemukan faktor penyebab defect, sehingga diperlukan untuk menggabungkan checksheet dengan stratifikasi .
Checksheet dirancang untuk tujuan awal sebagai sarana bantu pengumpulan data, kemudian dapat dilakukan berbagai variasi modifikasi, sehingga data dapat diperoleh & disimpan dengan mudah serta disesuaikan dengan sasaran yang dituju.
Stratifikasi :
Ketika memiliki data defect dan mencoba untuk mengidentifikasi penyebabnya, akan sangat membantu untuk mengambil data berdasarkan faktor mesin, operator, material, waktu, atau berbagai faktor lainnya.
Stratifikasi untuk itu adalah sebuah teknik yang digunakan untuk mengumpulkan data berdasarkan penyebab.
Stratifikasi sangat penting di dalam flow proses, methode sampling dan pemrosesan data.
Elemen – elemen dan contoh stratifikasi :
1.Operator : tiap individu pekerja, grup pekerja didalam job yang sama, klasifikasi berdasar tahun pengalaman, umur dsb
2.Mesin dan peralatan : tipe mesin, plant, umur mesin, dan peralatan.
3.Material : berdasar supplier, merk, waktu delivery, lot penerimaan, waktu simpan, tempat penyimpanan dsb
4.Prosedure kerja : berdasar instruksi kerja, kondisi kerja , methode pengukuran dsb
5.Waktu : pagi, siang, sore, harian, mingguan, bulanan, sesaat setalah produksi dimulai, sesaat sebelum produksi diakhiri dsb
6.Ambience : berdasar temperatur, humidity, cuaca, angin, illumination dsb
Berdasar line baru atau lama, berdasar temapt produksi dan packing dsb
Sumber
Kume, Hitoshi, “Statistical Methods for Quality Improvement”, Tokyo AOTS
Category:
CHECKSHEET
��
