optimasi multi respon pada proses foaming pembuatan produk ... · yang memaksimalkan keuntungan dan...
Post on 18-Aug-2019
221 Views
Preview:
TRANSCRIPT
seminar tugas akhir
Nuzilatul Firdausi 1310100051
pembimbing Dr. Sony Sunaryo, M.Si
Ruang Sidang Gedung H Statistika FMIPA-ITS
Surabaya, 7 Januari 2014
agenda
pendahuluan
latarbelakang
pendahuluan
produk dengan kulit asli
produk dengan kulitimitasi
lebarketebalan
latarbelakang
pendahuluan
sponge sheet
SLP3X
2,34%diluar spesifikasi
Cp = 0,84Cpk = 0,67
11,06%diluar spesifikasi
Cp = 0,66Cpk = 0,41
latarbelakang
pendahuluan
lebarketebalan
proses produksi
belum baik
banyak cacat di proses foaming
latarbelakang
pendahuluan
proses produksi
belum baik
banyak cacat di proses foaming
kerugian
optimasi ketebalan danlebar sponge sheet
dengan Taguchi-Grey
turun74,26%
Fuzzy EntropyMRR meningkat 212,5%
rasio menggunakan alat 16,21%
kekasaran permukaan berkurang 27,8%
latarbelakang
didapatkankombinasilevel faktoroptimum
pendahuluan
TOPSISfleksibelrobuststabil
penelitian Tian-Syung Lan (2009)optimasi multi respon pada mesin CNC (Computer Numerical Controlled)
dengan metode TOPSIS
metode Fuzzy TOPSIS dengan pembobotan Entropy untuk mengoptimasilevel variabel proses yang mempengaruhi ketebalan dan lebar Sponge
Sheet SLP3X di PT. XYZ
+ +
rumusanmasalah
bagaimana kontribusi variabel proses pada proses foaming terhadapketebalan dan lebar sponge sheet SLP3X produk PT. XYZ?
bagaimana setting variabel proses pada proses foaming yang dapatmengoptimumkan kualitas produk dan meningkatkan konsistensi kualitasberdasarkan ketebalan dan lebar sponge sheet SLP3X?
berapa persentase peningkatan kualitas sponge sheet SLP3X PT. XYZ danpeningkatan konsistensinya dengan menggunakan setting variabel proses yang baru?
pendahuluan
tujuanpenelitian
mengetahui kontribusi variabel proses pada proses foaming
terhadap ketebalan dan lebar sponge sheet SLP3X produk PT.
XYZmengetahui setting variabel proses pada proses foaming yang
dapat mengoptimumkan kualitas produk dan meningkatkan
konsistensi kualitas berdasarkan ketebalan dan lebar sponge
sheet SLP3Xmengetahui prosentase peningkatan kualitas sponge sheet
SLP3X PT. XYZ dan peningkatan konsistensinya dengan
menggunakan setting variabel proses yang baru
pendahuluan
manfaat
1. mengetahui setting variabel proses yang dapat mengoptimumkankualitas produk Sponge sheet SLP3X PT. XYZ dan meningkatkankonsistensinya
2. memberikan saran ke perusahaan supaya proses produksinya baik, sehingga dapat mengurangi biaya yang berhubungan denganperbaikan produk maupun perawatan mesin
3. dapat memberikan keuntungan materiil yang lebih besar danimmaterial bagi perusahaan karena menjadi perusahaan yang konsisten dalam mengembangkan kualitas produknya
pendahuluan
batasanmasalah
desain produk dan sifat-sifat material bahan baku
tidak dibahas
hasil produksi dari proses squezzing yang menjadi
bahan pada proses foaming tidak dibahas
pendahuluan
asumsimesin para proses foaming dianggap telah memenuhi
persyaratan operasionalcampuran material bahan baku dianggap homogen atau
tetapProduk setengah jadi yang dihasilkan dari proses squezzing
dianggap telah memenuhi spesifikasi dan bersifat
homogenfaktor manusia dan lingkungan sekitar dianggap tidak
mempengaruhi
interaksi antar faktor diabaikan
alat ukur yang digunakan telah terkalibrasi
pendahuluan
tinjauanpustaka
gambaranproduk (1)
SLP3XSLP3X
kesesuaianwarna
tebal lebar kelembutan(1,8 ± 0,05) mm (1.370 ± 10) mm
panjang ±500 m
PVC DOP bio diesel kalsium karbonat
gambaranproduk (2)
bahan
stabilizerblowing agent
squezzing
foamingmachine
inspectingmachine
printingmachine
finishedgoods
prosesproduksi
EMBOSS
RUBBER
squezzing
foamingmachine
inspectingmachine
printingmachine
finishedgoods
prosesproduksi
inputmaterial
foamingmachine
winder ruang1 ruang2 ruang3 ruang4 ruang5 coolingroll
conveyor heating rolldrum embossroll
winder
outputmaterial
squezzing
foamingmachine
inspectingmachine
printingmachine
finishedgoods
prosesproduksi
penyempurnaanwarna bahandengan mesin
printing
squezzing
foamingmachine
inspectingmachine
printingmachine
finishedgoods
prosesproduksi
Pemeriksaandilakukan dengan
menggunakan mesininspect dan
dilakukan denganmenggunakan
metode organoleptisyaitu dengan cara
visual
squezzing
foamingmachine
inspectingmachine
printingmachine
finishedgoods
prosesproduksi
packing dansiap diantarke pemesan
metodeanalisis
ANOVA dankoefisienkontribusi
Fuzzy Entropy
TOPSISestimasirespon
mengetahui pengaruh lebih dari 2 faktor terhadap respon, danmengetahui signifikansi perbedaan rata-rata dua atau lebih populasi (Harinaldi, 2005)
Suatu nilai yang menyatakan kekuatan relatif suatu faktor dalam mempengaruhivariasi kondisi tertentu
Mengestimasi bobot dari beberapa kriteria yang bersifat ambigu (Fuzzy)Metode yang memilih alternatif terbaik yaitu yang terdekat dengan solusi ideal
positif dan yang terjauh dengan solusi ideal negatif (Liu, Ji, & Chuang, 2013).
tolak H0 jikaFscore ≥ 𝐹𝑑𝑓𝐼,𝑑𝑓𝐸𝑟𝑟𝑜𝑟,𝛼
(Montgomery, 2001)
model: 𝑦𝑜𝑝𝑞𝑠 = 𝜇 + 𝜏𝑜 + 𝛽𝑝 + 𝛾𝑞 + 𝜖𝑜𝑝𝑞𝑠
𝑜 = 1, 2, … , 𝑓𝑝 = 1, 2, … , 𝑔𝑞 = 1, 2, … , ℎ𝑠 = 1, 2, … , 𝑙
faktor I : H0 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑓 = 0
H1 : minimal ada satu 𝜏𝑜 ≠ 0faktor G : H0 : 𝛽1 = 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑔 = 0
H1 : minimal ada satu 𝛽𝑝 ≠ 0
faktor H : H0 : 𝛾1 = 𝛾2 = 𝛾3 = ⋯ = 𝛾ℎ = 0H1 : minimal ada satu 𝛾𝑞 ≠ 0
ANOVA
mengetahui pengaruh lebih dari 2 faktor terhadap respon, danmengetahui signifikansi perbedaan rata-rata dua atau lebih populasi (Harinaldi, 2005)
Suatu nilai yang menyatakan kekuatanrelatif suatu faktor dalam mempengaruhivariasi kondisi tertentu
𝜌𝐼 =𝑆𝑆𝐼
′
𝑆𝑆𝑡𝑥100%
𝑆𝑆𝐼′ = 𝑆𝑆𝐼 − 𝑑𝑏𝐼 . 𝑀𝑆𝑒𝑟𝑟𝑜𝑟
SSE max 15%
(Ross, 1989)
persentasekontribusi
Mengestimasi bobot dari beberapa kriteria yang bersifat ambigu (Fuzzy).Langkah (Zou, Yun, & Sun, 2006) :1. Fuzzy performance yang dinyatakan dengan 𝑦𝑖𝑗
2. Normalisasi sehingga menjadi 𝑟𝑖𝑗
𝑟𝑖𝑗 = 𝑦𝑖𝑗
𝑦𝑗∗ , 𝑖 = 1, 2,… , 𝑚; 𝑗 = 1, 2, … , 𝑛
3. Entropy measure untuk kriteria ke-j ( 𝑒𝑗)
𝑒𝑗 = −1
ln𝑚
𝑖=1
𝑚
𝑟𝑖𝑗 ln 𝑟𝑖𝑗
4. Bobot fuzzy untuk kriteria ke-j ( 𝑤𝑗)
𝑤𝑗 =1 − 𝑒𝑗
𝑗=1𝑛 1 − 𝑒𝑗
fuzzyentropy
Metode yang memilih alternatifterbaik yaitu yang terdekat dengansolusi ideal positif dan yang terjauhdengan solusi ideal negatif(Liu, Ji, & Chuang, 2013).
1. Solusi ideal positif : Alternatifyang memaksimalkankeuntungan dan meminimalkanbiaya
2. Solusi ideal negatif : Alternatifyang meminimalkan keuntunyandan memaksimalkan biaya
TOPSIS
Menyelesaikan permasalahan yang memiliki kriteria yang bersifat ambigu(Liu, Ji, & Chuang, 2013).1. Membentuk Fuzzy Multicriteria Decision Matrix
𝑦𝑖𝑗𝑘 = 𝑎𝑖𝑗
𝑘 , 𝑚𝑖𝑗𝑘 , 𝑏𝑖𝑗
𝑘
2. Normalisasi Fuzzy Decision Matrix
𝑟𝑖𝑗𝑘 =
𝑎𝑖𝑗
𝑏𝑗+ ,
𝑚𝑖𝑗
𝑏𝑗+ ,
𝑏𝑖𝑗
𝑏𝑗+ , 𝑏𝑗
+ = 𝑚𝑎𝑥𝑖 𝑏𝑖𝑗
3. Pembobotan Fuzzy Decision Matrix yang telah dinormalisasi 𝑣𝑖𝑗 = 𝑟𝑖𝑗 ⨀ 𝑤𝑗 𝑖 = 1, 2, … , 𝑚; 𝑗 = 1, 2,… , 𝑛
4. Menentukan solusi ideal positif ( 𝐴+) dan ideal negatif ( 𝐴−)
5. Menghitung jarak dengan solusi ideal positif fuzzy ( 𝑑𝑖+) dan ideal negatif fuzzy ( 𝑑𝑖
−)6. Menghitung kedekatan relatif fuzzy ( 𝐶𝑖) untuk masing-masing alternative7. Memperingkat semua alternatif
fuzzyTOPSIS
estimasirespon
𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 − 𝐶𝐼 ≤ 𝜇 ≤ 𝜇𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖 + 𝐶𝐼
𝐶𝐼 =𝐹1,𝑑𝑓𝐸𝑟𝑟𝑜𝑟,𝛼 𝑀𝑆𝐸
𝑛𝑒𝑓𝑓
𝑛𝑒𝑓𝑓 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑒𝑘𝑠𝑝𝑒𝑟𝑖𝑚𝑒𝑛
1 + 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑒𝑟𝑎𝑗𝑎𝑡 𝑏𝑒𝑏𝑎𝑠 𝑓𝑎𝑘𝑡𝑜𝑟 − 𝑓𝑎𝑘𝑡𝑜𝑟 𝑝𝑒𝑛𝑑𝑢𝑔𝑎 𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎
metodologipenelitian
andri maulana novianto
program studi magister manajemen teknologi bidang keahlian manajemenindustri
judul: Optimasi Multirespon dengan Menggunakan Metode Taguchi-Grey pada Proses Foaming Produk Sponge Sheet SLP3X untuk MenurunkanBiaya Kerugian (Studi Kasus di PT. XYZ Mojokerto).
tahun 2013
sumberdata
datasekunder
metodologipenelitian
variabelpenelitian
ketebalan (mm): Y1
spesifikasi: (1,8 ± 0,05) mmalat ukur: micrometer digital JA 205
lebar (mm): Y2
spesifikasi: (1.370 ± 10) mm alat ukur: mistar ukur
CTQ
50 mm dari tepi
metodologipenelitian
pemeriksaan tebaldi 4 tempat
variabelpenelitian
kecepatan conveyor(X1)
(meter/menit)
kecepatan heating drum roll(X2)
(meter/menit)
kecepatan emboss roll(X3)
(meter/menit)
kecepatan cooling roll(X4)
(meter/menit)
7 meter/menit
7,8 meter/menit
8,6 meter/menit
7 meter/menit
7,8 meter/menit
8,6 meter/menit
6,2 meter/menit
6,7 meter/menit
7,2 meter/menit
6,2 meter/menit
6,7 meter/menit
7,2 meter/menit
variabelproses
metodologipenelitian
variabelpenelitian faktorkonstan
temperatur ruangan mesin foaming nomor 1, 2, 4, dan 5 sebesar 1100C
temperatur ruangan mesin foaming nomor 3 sebesar 2000C
temperatur heating drum roll sebesar 1280C
temperatur emboss roll sebesar 260C
temperatur cooling roll sebesar 90C
metodologipenelitian
variabelpenelitian variabelnoise
temperatur heating oil
formula sponge sheet SLP3X
metodologipenelitian
rancanganpercobaan
X1
Level
1Level
2Level
3
X2
Level
1Level
2Level
3
X3
Level
1Level
2Level
3
X4
Level
1Level
2Level
3
8
derajat bebas
rancangan orthogonal array
L9(34) L27(313) L81(340)
terpilih
metodologipenelitian
Diulang 3 kali
strukturdata
Eks
Faktor Respon
X1 X2 X3 X4Y1 Y2
1 2 3 1 2 3
1 1 1 1 1 𝑦111 𝑦11
2 𝑦113 𝑦12
1 𝑦122 𝑦12
3
2 1 2 2 2 𝑦211 𝑦21
2 𝑦213 𝑦22
1 𝑦222 𝑦22
3
3 1 3 3 3 𝑦311 𝑦31
2 𝑦313 𝑦32
1 𝑦322 𝑦32
3
4 2 1 2 3 𝑦411 𝑦41
2 𝑦413 𝑦42
1 𝑦422 𝑦42
3
5 2 2 3 1 𝑦511 𝑦51
2 𝑦513 𝑦52
1 𝑦522 𝑦52
3
6 2 3 1 2 𝑦611 𝑦61
2 𝑦613 𝑦62
1 𝑦622 𝑦62
3
7 3 1 3 2 𝑦711 𝑦71
2 𝑦713 𝑦72
1 𝑦722 𝑦72
3
8 3 2 1 3 𝑦811 𝑦81
2 𝑦813 𝑦82
1 𝑦822 𝑦82
3
9 3 3 2 1 𝑦911 𝑦91
2 𝑦913 𝑦92
1 𝑦922 𝑦92
3
metodologipenelitian
langkahanalisis (1)
melakukan analisis varians dan menentukan prosentasekontribusi
menentukan bobot masing-masing CTQ dengan caramenghitung entropy measure dan bobot fuzzy
menentukan solusi ideal positif dan ideal negatif
menentukan jarak dengan solusi ideal positif dansolusi ideal negatif
metodologipenelitian
langkahanalisis (2)menghitung kedekatan relatif Fuzzy
menentukan setting level faktor terbaik
menentukan estimasi CTQ optimum
menghitung peningkatan kualitas sponge sheet dan peningkatankonsistensinya setting CTQ yang baru.
menarik kesimpulan
metodologipenelitian
analisis &pembahasan
ketebalan
Sources DF SS MS F ρ (%)
X1 2 0,017470 0,008735 71,36 15,97
X2 2 0,070959 0,035480 289,85 65,55
X3 2 0,004823 0,002412 19,70 4,24
X4 2 0,012421 0,006211 50,74 11,29
Error 18 0,002203 0,000122 - 2,95
Total 26 0,107878 - - -
ANOVA parsial
lebar
Sources DF SS MS F ρ (%)
X1 2 5.584,9 2.792,4 169,43 46,25
X2 2 1.516,7 758,3 46,01 12,36
X3 2 2.776,2 1.388,1 84,22 22,85
X4 2 1.829,6 914,8 55,50 14,97
Error 18 296,7 16,5 - 3,57
Total 26 12.004,0 - - -
𝐹0.05,2,18=3,55 𝐹0.05,2,18=3,55
semakin lebar sponge sheet maka ketebalannya cenderung kurang dari spesifikasi dansemakin tebal sponge sheet maka lebarnya akan cenderung kurang dari spesifikasi
fuzzy entropy
*~
~~
j
ij
ijy
yr
Alter-natif
Tebal Lebara b m a m b
1 0.9387 0.9412 0.9494 0.9568 0.9575 0.9582
2 0.8988 0.9014 0.9050 0.9631 0.9679 0.9693
3 0.8922 0.8958 0.8998 0.9491 0.9526 0.9533
… … … … … … …
9 0.9034 0.9050 0.9060 0.9679 0.9714 0.9735
,~ln~
ln
1~
1
ij
m
i
ijj rrm
e
Tebal Lebar
a b m a m b
ej 0.2891 0.2743 0.2516 0.1376 0.1247 0.1183
(1-ej) 0.7109 0.7257 0.7484 0.8624 0.8753 0.8817
,
)~1(
~1~
1
n
j
j
j
j
e
ew
Tebal Lebar
a b m a m b
wj 0.4519 0.4533 0.4591 0.5481 0.5467 0.5409
𝐷
fuzzyTOPSIS (1) 𝑅
Alter-
natif
Tebal (mm) Lebar (mm)
1 2 3 1 2 3
1 1.837 1.842 1.858 1373 1374 1375
2 1.759 1.764 1.771 1382 1389 1391
… … … … … … …
9 1.768 1.771 1.773 1389 1394 1397
Alter-
Natif
Tebal Lebar
a m b a m b
1 0,337667 0,337174 0,337937 0,330224 0,329354 0,32904
2 0,32333 0,322897 0,322113 0,332389 0,33295 0,332869
… … … … … … …
8 0,330682 0,331134 0,329934 0,333832 0,334148 0,334304
m
i
ij
ij
m
i
ij
ij
m
i
ij
ij
ij
b
b
m
m
a
ar
1
2
1
2
1
2
,,~
𝑉
fuzzyTOPSIS (2) 𝐴+ dan 𝐴−
Alter-
Natif
Tebal Lebar
a m b a m b
1 0,15258 0,15283 0,15515 0,18100 0,18007 0,17798
2 0,14610 0,14636 0,14788 0,18219 0,18203 0,18005
… … … … … … …
9 0,14686 0,14694 0,14805 0,18311 0,18269 0,18082
𝑣𝑖𝑗
= 𝑟𝑖𝑗 ⨀ 𝑤𝑗 A+ A-
Tebal0,1453
60,14935 0,15448
0,14502 0,14545 0,14705
0,15881 0,15997 0,16341
Lebar0,1792
90,17954 0,17862
0,17955 0,17889 0,17681
0,18825 0,18754 0,18574
𝑑𝑖+ dan 𝑑𝑖
−
fuzzyTOPSIS (3) 𝐶𝑖
,)~~(~
1
2
n
i
jiji vvd ,)~~(~
1
2
n
i
jiji vvd
Alter-
natif
𝑑𝑖+ 𝑑𝑖
−
a m b a m b
1 0,00743 0,00352 0,00093 0,00956 0,01033 0,00835
2 0,00300 0,00389 0,00675 0,01408 0,00558 0,00576
… … … … … … …
9 0,00411 0,00396 0,00680 0,01302 0,00507 0,00502
,~~
~~
ii
ii
dd
dC
Alternatif a m b
1 0,56277 0,74564 0,89976
2 0,82461 0,58928 0,46031
… … … …
9 0,76028 0,56164 0,42484
kedekatan relatif fuzzy
ANOVAserentak
Sources DF SS MS F 𝝆 (%)
X1 2 0,40704 0,20352 4,47 13,5513
X2 2 0,15864 0,07932 1,74 2,8983
X3 2 0,74270 0,37135 8,16 27,9465
X4 2 0,20380 0,10190 2,24 4,8350
Error 18 0,81956 0,04553 - 50,7690
Total 26 2,33174 - - -
Level X1 X2 X3 X4
1 0,5702 0,3608 0,6968 0,5145
2 0,296 0,5139 0,4023 0,5446
3 0,5401 0,5315 0,3071 0,3471
Delta 0,2742 0,1707 0,3896 0,1975
Rank 2 4 1 3
kondisi optimum
7 meter/menit
8,6 meter/menit
6,2 meter/menit
6,7 meter/menit
pooledANOVA
estimasi(1)
𝜇𝑝𝑟𝑒𝐶 = 𝐶 + 𝐶 )1(1 − 𝐶 + 𝐶 )2(3 − 𝐶 + 𝐶 )3(1 − 𝐶 + 𝐶 )4(2 − 𝐶
= 𝐶 )1(1 + 𝐶 )2(3 + 𝐶 )3(1 + 𝐶 )4(2 − 3 𝐶
= 0,5702 + 0,5315 + 0,6968 + 0,5446 − 3 × 0,4687
= 0,937
Sources Pool DF SS MS F 𝝆 (%)
X1 2 0,4070 0,2035 3,79 12,85
X2 Y 2 0,1586 0,0793 - -
X3 2 0,7427 0,3713 6,91 27,24
X4 Y 2 0,2038 0,1019 - -
Error Y 18 0,8196 0,0455 - -
Pooled 22 1,1820 0,0537 1 59,91
Total 26 2,3317 0,0897 - 100
Mean 1 5,9323 - - -
TOTAL 27 8,2640 - - -
𝐶
𝐶𝐼 =𝐹1,𝑑𝑓𝐸𝑟𝑟𝑜𝑟,𝛼 𝑀𝑆𝐸
𝑛𝑒𝑓𝑓=
4,3 × 0,0537
5,4= 0,2068
0,7302 < 𝐶 < 1,000
𝜇 − 𝐶𝐼 ≤ 𝜇 ≤ 𝜇 + 𝐶𝐼
pooledANOVA
Estimasi(2)
ketebalan
𝐶𝐼 =𝐹1,𝑑𝑓𝐸𝑟𝑟𝑜𝑟,𝛼 𝑀𝑆𝐸
𝑛𝑒𝑓𝑓=
4,3 × 0,0009
5,4= 0,0265
𝑦.1𝑜𝑝𝑡
= 𝑦.1 + 𝑦 ).1(𝑥11− 𝑦.1 + 𝑦 ).1(𝑥23
− 𝑦.1 + 𝑦 ).1(𝑥31− 𝑦.1 + 𝑦 ).1(𝑥42
− 𝑦.1= 𝑦 ).1(𝑥11
+ 𝑦 ).1(𝑥23+ 𝑦 ).1(𝑥31
+ 𝑦 ).1(𝑥42− 3 𝑦.1
= 1,788 + 1,794 + 1,837 + 1,841 − 3 × 1,8213
= 1,7961
𝜇 − 𝐶𝐼 ≤ 𝜇 ≤ 𝜇 + 𝐶𝐼
Sources Pool DF SS MS F ρ
X1 2 5.584,9 2.792,45 16,86 43,77
X2 Y 2 1.516,7 758,35 - -
X3 2 2.776,2 1.388,1 8,38 20,37
X4 Y 2 1.829,6 914,8 - -
Error Y 18 296,7 16,483 - -
Pooled 22 3.643165,590
91 35,86
Total 26 12.004461,692
3- 100
Mean 152.141.68
3
Total2 2752.153.68
7
1,7696 < 𝜇.1𝑜𝑝𝑡
< 1,8226
pooledANOVA
Estimasi(3)
lebar
𝜇 − 𝐶𝐼 ≤ 𝜇 ≤ 𝜇 + 𝐶𝐼
𝑦.2𝑜𝑝𝑡
= 𝑦.2 + 𝑦 ).2(𝑥11− 𝑦.2 + 𝑦 ).2(𝑥23
− 𝑦.2 + 𝑦 ).2(𝑥31− 𝑦.2 +
𝑦 ).2(𝑥42− 𝑦.2
= 𝑦 ).2(𝑥11+ 𝑦 ).2(𝑥23
+ 𝑦 ).2(𝑥31+ 𝑦 ).2(𝑥42
− 3 𝑦.2
= 1.376 + 1.380 + 1.383 + 1.378 − 3 × 1.389,7
= 1.347,9
Sources Pool DF SS MS F ρ
X1 2 5.584,9 2.792,45 16,86 43,77
X2 Y 2 1.516,7 758,35 - -
X3 2 2.776,2 1.388,1 8,38 20,37
X4 Y 2 1.829,6 914,8 - -
Error Y 18 296,7 16,483 - -
Pooled 22 3.643165,590
91 35,86
Total 26 12.004461,692
3- 100
Mean 152.141.68
3
Total2 2752.153.68
7
𝐶𝐼 =𝐹1,𝑑𝑓𝐸𝑟𝑟𝑜𝑟,𝛼 𝑀𝑆𝐸
𝑛𝑒𝑓𝑓=
4,3 × 165,5909
5,4= 11,483
1.337 < 𝜇.2𝑜𝑝𝑡
< 1.360
perbandinganestimasi
KondisiC Ketebalan Lebar
a m b a m b a m b
Current 0,563 0,746 0,900 1,837 1,842 1,858 1373 1374 1375
Optimal 0,730 0,937 1 1,770 1,796 1,823 1336 1348 1360
rata-rata koefisienkedekatan relatif ( 𝐶)current condition sebesar 0,889
rata-rata koefisienkedekatan relatif ( 𝐶)optimum sebesar 0,7363
20,74%
1,846 1,796 1.374 1.348
eksperimenkonfirmasi
Novianto. A, M (2013)
CTQ (mm)Perulangan
Rata-rata1 2 3 4 5 6
Ketabalan 1,782 1,785 1,781 1,776 1,802 1,793 1,7865
Lebar 1.368 1.367 1.369 1.369 1.370 1.369 1.368,67
1,846
1,7865
1.374
1.368,67
kesimpulan&
saran
1. Masing-masing variabel proses pada proses foaming berkontribusiterhadap CTQ (ketebalan dan lebar) sponge sheet SLP3X baik secaraparsial maupun secera serentak.
2. Setting level variabel proses pada proses foaming yang dapatmengoptimumkan kualitas produk sponge sheet SLP3X produk PT. XYZ adalah 7 meter/menit untuk kecepatan conveyor, 8,6 meter/menit untukkecepatan heating drum roll, 6,2 meter/menit untuk kecepatan emboss roll, dan 6,7 meter/menit untuk kecepatan cooling roll.
3. Berdasarkan prediksi yang dilakukan terhadap kedekatan relatif fuzzydihasilkan perbaikan kualitas produk sebesar 20,74%.
kesimpulan
1. Mempertimbangkan faktor interaksiantar variabel proses karena pada kasusini variabel proses yang digunakanmerupakan suatu rangkaian sistem padaproses foaming.
2. Menambahan variabel proses temperatur ruang produksi pada proses optimasi sehingga dapat meningkatkanperformance proses optimasi danmenghasilkan produk sponge sheet dengan kualitas yang lebih baik.
saran
daftarpustaka (1)
Besterfield, D. H. (1995). Quality by Design : Taguchi Technique for Industrial Experimantation. New York: PrenticeHall.
Eaves, D. E. (2001). Polymer Foams, Trends in Use and Technology. Shrewbury: Rapra Technology.
Eaves, D. E. (2004). Handbook of Polymer Foams. Shrewbury, United Kingdom: Rapra Technology.
Harinaldi. (2005). Prinsip-Prinsip Statistik untuk Teknik dan Sains. Jakarta: Erlangga.
Liu, C.-M., Ji, M.-Y., & Chuang, W.-C. (2013, March 31). Fuzzy TOPSIS for Multiresponse Quality Problems in WaferFabrication Processes. 2013, 1-6.
Montgomery, D. C. (2001). Design and Analysis of Experiments (5 ed.). Arizona, United State of America: JohnWiley & Sons.
daftarpustaka (2)Novianto, A. M. (2013). Optimasi Multi Respon dengan Menggunakan Metode Taguchi-Grey pada Proses Foaming Produk Sponge Sheet SLP3X untuk Menurunkan Biaya Kerugian (Studi Kasus di PT XYZ Mojokerto). Tesis (tidakuntuk dipublikasikan), Institut Teknologi Sepuluh Nopember, Program Studi Magister Manajemen Teknologi, Bidang Keahlian Manajemen Industri, Surabaya.
Rapra, T. (2004). Blowing Agent and Foaming Process. Conference Proceeding Rapra Technology.
Ribeiro, R. A. (1996). Fuzzy Multiple Attribute Decision Making : A Review and New Preference Elicitation Techniques. Fuzzy Sets and Systems, 78(2), 155-181.
Ross, P. J. (1989). Taguchi Techniques for Quality Engineering : Loss Function, Orthogonal Experiments, Parameter and Tolerance Design. New York: McGraw-Hill International Edition.
Walpole, R. E. (1995). Pengantar Statistika. (B. Sumantri, Trans.) Jakarta: PT Gramedia Pustaka Utama.
Zou, Z. H., Yun, Y., & Sun, J. N. (2006). Entropy method for determination of weight of evaluating indicators in fuzzy synthetic evaluation for water quality assessment. Journal of Environmental Sciences, 18(5), 1020-1023.
seminar proposal
tugas akhirNuzilatul Firdausi 1310100051
pembimbing Dr. Sony Sunaryo, M.Si
Ruang Sidang Gedung H Statistika FMIPA-ITS
Surabaya, 7 Januari 2014
𝑦𝑖 : nilai dari data ke-i 𝑦 : rata-rata dari 𝑦𝑖
m : banyaknya data𝑠2 : variance dari 𝑦𝑖
𝑦𝑜𝑝𝑞𝑠 : nilai y pada level ke-o faktor I, level ke-p faktor G, level ke-q faktor H, dan ulangan ke-s
𝜇 : rata-rata pengaruh dari faktor𝜏𝑜 : Pengaruh factor I pada level ke-o𝛽𝑝 : Pengaruh factor ke G pada level ke-p
𝛾𝑞 : Pengaruh factor H pada level ke-q
𝜖𝑜𝑝𝑞𝑠 : residual pada level ke-o faktor I, level ke-p faktor G, level ke-q faktor H, dan ulangan ke-s
𝑟 𝑒𝑖 , 𝑒𝑖−𝑢 : nilai autokorelasi pada lag-uQ : Statistik uji pada uji Ljung-Boxt : nilai target pada respon𝜌𝑗 : Persentase kontribusi pada factor ke-j 𝐷 : fuzzy decision matrix
𝑦𝑖𝑗𝑘 : fuzzy performance pada alternatif ke-i,kriteria ke-j, dan pengambil keputusan ke-k
daftarnotasi (1)
𝑅 : fuzzy decision matrix ternormalisasi 𝑟𝑖𝑗 : fuzzy performance ternormalisasi
𝑦𝑗∗ : fuzzy performace terbesar pada kriteria ke-j
𝑒𝑗 : entropy measure untuk kriteria ke-j
𝑤𝑗 : bobot fuzzy untuk kriteria ke-j
𝑎𝑖𝑗𝑘 : nilai terkecil dari fuzzi performance pada alternatif ke-i,kriteria ke-j, dan pengambil keputusan ke-k
𝑚𝑖𝑗𝑘 : nilai tengah dari fuzzi performance pada alternatif ke-i,kriteria ke-j, dan pengambil keputusan ke-k
𝑏𝑖𝑗𝑘 : nilai terbesar dari fuzzi performance pada alternatif ke-i,kriteria ke-j, dan pengambil keputusan ke-k
𝑣𝑖𝑗 : fuzzy performance ternormalisasi terboboti 𝑉 : fuzzy decision matrix ternormalisasi terboboti 𝐴+ : solusi ideal positif fuzzy 𝐴− : solusi ideal negatif fuzzy 𝑑𝑖+ : jarak antara 𝐴+ dengan anternatif ke-i
𝑑𝑖− : jarak antara 𝐴−dengan anternatif ke-i
𝐶𝑖 : Kedekatan relatif fuzzy untuk alternative ke-i
daftarnotasi (2)
asumsi residual pada ANOVA ketebalan
homogenitasA B C D
3
2
1
3
2
1
3
2
1
3
2
1
2
1
3
1
3
2
3
2
1
1
3
2
2
1
3
3
2
1
0.40.30.20.10.0
95% Bonferroni Confidence Intervals for StDevs
Test Statistic 8.52
P-Value 0.385
Test Statistic 0.78
P-Value 0.629
Bartlett's Test
Levene's Test
Test for Equal Variances for RES(tebal)
distribusinormal
0.030.020.010.00-0.01-0.02
99
95
90
80
70
60
50
40
30
20
10
5
1
RES(tebal)
Pe
rce
nt
Mean 8.223874E-17
StDev 0.009206
N 27
KS 0.104
P-Value >0.150
Probability Plot of RES(tebal)Normal
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RES(tebal)(with 5% significance limits for the autocorrelations)
independen
asumsi residual pada ANOVA lebar
homogenitas distribusinormal
independen
A B C D
3
2
1
3
2
1
3
2
1
3
2
1
2
1
3
1
3
2
3
2
1
1
3
2
2
1
3
3
2
1
140120100806040200
95% Bonferroni Confidence Intervals for StDevs
Test Statistic 10.03
P-Value 0.263
Test Statistic 0.63
P-Value 0.740
Bartlett's Test
Levene's Test
Test for Equal Variances for RES(lebar)
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RES(lebar)(with 5% significance limits for the autocorrelations)
1050-5-10
99
95
90
80
70
60
50
40
30
20
10
5
1
RES(lebar)
Pe
rce
nt
Mean -7.57912E-14
StDev 3.378
N 27
KS 0.164
P-Value 0.060
Probability Plot of RES(lebar)Normal
asumsi residual padaANOVA kedekatanrelative fuzzy
homogenitas distribusinormal
independen
A B C D
3
2
1
3
2
1
3
2
1
3
2
1
2
1
3
1
3
2
3
2
1
1
3
2
2
1
3
3
2
1
1086420
95% Bonferroni Confidence Intervals for StDevs
Test Statistic 14.51
P-Value 0.043
Test Statistic 0.65
P-Value 0.724
Bartlett's Test
Levene's Test
Test for Equal Variances for RES(Ci)
2624222018161412108642
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
Au
toco
rre
lati
on
Autocorrelation Function for RES(Ci)(with 5% significance limits for the autocorrelations)
0.750.500.250.00-0.25-0.50
99
95
90
80
70
60
50
40
30
20
10
5
1
RES(Ci)
Pe
rce
nt
Mean -1.02798E-18
StDev 0.1899
N 27
KS 0.173
P-Value 0.042
Probability Plot of RES(Ci)Normal
top related