Peta Kendali Demerit Untuk Data Autokorelasi (Moving Centerline Demerit dan Moving Range)

2024-03-08T09:42:06+08:00

ABSTRAK

Proses industri seringkali menghasilkan data cacat yang bersifat autokorelasi, hal ini meyebabkan asumsi dasar penggunaan peta kendali tidak terpenuhi. Peta kendali demerit direkomendasikan untuk perusahaan yang terdapat berbagai macam tingkat kesalahan. Peta kendali demerit adalah metode pengendalian kualitas yang mengkategorikan jenis cacat ke dalam beberapa kelas berdasarkan tingkat keseriusannya. Peta kendali demerit sangat berguna dalam situasi di mana terdapat berbagai macam tingkat kesalahan, memungkinkan perusahaan untuk mengidentifikasi dan mengatasi cacat berdasarkan tingkat dampaknya terhadap kualitas produk. Penelitian ini bertujuan untuk memperoleh peta kendali Demerit pada data berautokorelasi dan menerapkan peta kendali Residual Demerit dan peta kendali Moving Centerline Demerit sebagai solusi dalam peta kendali Demerit autokorelasi terhadap pengendalian kecacatan produk pada data wadah plastik anti bocor. Metode yang digunakan adalah peta kendali demerit, peta kendali Residual, dan peta kendali Moving Centerline Demerit (MCD). Data yang digunakan merupakan data sekunder. Hasil penenelitian ini memperlihatkan bahwa peta kendali Residual dan peta kendali Moving Centerline Demerit sama unggulnya dalam mengatasi data autokorelasi pada peta kendali Demerit dimana sama-sama terdapat 4 out of control atau 4 titik yang mengindikasikan adanya masalah proses produksi yang tidak dapat diatasi oleh perusahaan.

ABSTRACT

Industrial processes often produce defect data that is autocorrelated, causing the basic assumptions of using control maps to not be met. If there are various levels of errors in the company, then the company is advised to use the Demerit control map. Demerit control map is a quality control method that categorizes defect types into several classes based on their seriousness. Demerit control maps are particularly useful in situations where there is a wide range of error rates, allowing companies to identify and address defects based on their level of impact on product quality. This study aims to derive Demerit control maps on autocorrelated data and apply the Residual Demerit control map and the Moving Centerline Demerit control map as solutions in the autocorrelated Demerit control map to product defect control on leak-proof plastic container data. The methods used are Demerit control map, Residual control map, and Moving Centerline Demerit (MCD) control map. The data used is secondary data. The results of this study indicate that the Residual control map and the Moving Centerline Demerit control map are equally superior in overcoming autocorrelated data on the Demerit control map where there are both 4 out of control or 4 points that indicate a production process problem that cannot be overcome by the company.

Penerapan Metode Pemulusan Eksponensial Ganda dari Brown dalam Memprediksi Indeks Harga Konsumen Provinsi NTT

2024-04-22T11:36:16+08:00

ABSTRAK

Provinsi NTT memiliki 22 Kabupaten/Kota, akan tetapi hanya ada 3 Kota di NTT yang dikategorikan sebagai kota inflasi yaitu Kota Kupang, Maumere dan Waingapu. Data IHK Provinsi NTT yang diambil adalah dari awal tahun 2020 sampai dengan sepertiga tahun 2023, jumlah data keseluruhan 40 data, dimana dari data tersebut berpola trend atau mengalami peningkatan. Salah satu metode untuk memprediksi data yang pola trendnya naik adalah metode pemulusan eksponensial ganda dari Brown yang dapat menyelesaikan data berpola trend. Hasil penelitian menunjukan parameter alpha (α) = 0.4 memiliki Nilai MAPE terkecil yaitu 0.53%.

ABSTRACT

NTT Province has 22 regencies/cities, but there are only 3 cities in NTT that are categorized as inflationary, namely Kupang, Maumere and Waingapu. The NTT Province CPI data taken is from the beginning of 2020 to the end of 2023, the total data is 40 data, where the data has a trend pattern or is experiencing an increase. One method for predicting data with an upward trend pattern is Brown's double exponential smoothing method which can resolve data with a trend pattern. The results of research show that the alpha parameter (α) = 0.4 has the smallest MAPE value, namely 0.53%.

Statistika

Peta Kendali Demerit Untuk Data Autokorelasi (Moving Centerline Demerit dan Moving Range)

Penerapan Metode Pemulusan Eksponensial Ganda dari Brown dalam Memprediksi Indeks Harga Konsumen Provinsi NTT