Diagram Kendali dan Pengendalian Proses

Pengendalian Proses Statistik: Fondasi Mutu

Diagram kendali adalah landasan pengendalian proses statistik (SPC), menggunakan simpangan baku untuk memantau stabilitas proses dari waktu ke waktu. Dikembangkan oleh Walter Shewhart di Bell Labs pada tahun 1920-an, alat-alat kuat ini membedakan antara variasi penyebab umum (melekat pada proses) dan variasi penyebab khusus (menunjukkan masalah yang memerlukan perhatian).

Keunggulan diagram kendali terletak pada kesederhanaannya: plot pengukuran Anda dari waktu ke waktu, tambahkan batas kendali berdasarkan simpangan baku, dan perhatikan titik atau pola yang menandakan masalah. Pemantauan real-time ini mencegah cacat sebelum terjadi, alih-alih menangkapnya melalui inspeksi setelahnya.

Manufaktur modern, layanan kesehatan, dan industri jasa mengandalkan diagram kendali untuk menjaga mutu. Dari fabrikasi semikonduktor yang memerlukan presisi nanometer hingga tingkat infeksi rumah sakit, SPC menyediakan kerangka kerja universal untuk peningkatan proses.

Jenis Diagram Kendali

Jenis data yang berbeda memerlukan diagram kendali yang berbeda. Memilih diagram yang tepat memastikan pemantauan proses yang akurat:

Untuk data kontinu (pengukuran seperti panjang, berat, suhu), diagram X̄-R paling umum. Anda mengumpulkan subkelompok sampel, memplot rata-rata (X̄) pada satu diagram dan rentang (R) pada diagram lain. Bersama-sama, mereka memantau baik pemusatan maupun variabilitas proses.

Menghitung Batas Kendali

Batas kendali menentukan batas variasi yang diharapkan. Mereka ditetapkan pada ±3 simpangan baku dari garis pusat, menangkap 99,73% titik ketika proses terkendali:

Untuk diagram X̄ menggunakan metode rentang, rumusnya menjadi:

Di mana X̿ adalah grand mean, R̄ adalah rata-rata rentang, dan A₂ adalah konstanta tergantung ukuran subkelompok (misal, A₂ = 0,577 untuk n=5).

Konstanta Batas Kendali

Aturan Western Electric untuk Mendeteksi Masalah

Satu titik di luar batas kendali bukan satu-satunya sinyal masalah. Aturan Western Electric mendeteksi pola yang lebih halus dengan membagi diagram menjadi zona berdasarkan simpangan baku:

• Zona C:Dalam 1σ dari garis pusat
• Zona B:Antara 1σ dan 2σ dari pusat
• Zona A:Antara 2σ dan 3σ dari pusat

Empat Aturan Utama

Mengenali Pola Umum

Praktisi berpengalaman belajar mengenali pola visual yang menunjukkan masalah spesifik:

Implementasi Python

Buat diagram kendali X̄-R dengan pemeriksaan aturan otomatis:

import numpy as np
import matplotlib.pyplot as plt

def create_xbar_chart(data, subgroup_size=5):
    """Create X-bar control chart with control limits."""
    # Reshape data into subgroups
    n_subgroups = len(data) // subgroup_size
    subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)

    # Calculate subgroup means and ranges
    xbar = subgroups.mean(axis=1)
    R = subgroups.max(axis=1) - subgroups.min(axis=1)

    # Control chart constants (for n=5)
    A2 = 0.577
    D3, D4 = 0, 2.114

    # Calculate control limits
    xbar_bar = xbar.mean()
    R_bar = R.mean()

    UCL = xbar_bar + A2 * R_bar
    LCL = xbar_bar - A2 * R_bar

    # Check for out-of-control points
    ooc = (xbar > UCL) | (xbar < LCL)

    # Plot
    plt.figure(figsize=(12, 5))
    plt.plot(xbar, 'b-o', markersize=4)
    plt.axhline(xbar_bar, color='g', linestyle='-', label='CL')
    plt.axhline(UCL, color='r', linestyle='--', label='UCL')
    plt.axhline(LCL, color='r', linestyle='--', label='LCL')
    plt.scatter(np.where(ooc)[0], xbar[ooc], color='red', s=100, zorder=5)
    plt.xlabel('Subgroup')
    plt.ylabel('X-bar')
    plt.title('X-bar Control Chart')
    plt.legend()
    plt.show()

    return {'xbar': xbar, 'UCL': UCL, 'LCL': LCL, 'ooc': ooc}

# Example: Monitor a manufacturing process
np.random.seed(42)
# Simulate 100 measurements (20 subgroups of 5)
measurements = np.random.normal(100, 2, 100)
# Add a shift at subgroup 15
measurements[75:] += 3

result = create_xbar_chart(measurements)