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.