PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI
Dwi Yuli Rakhmawati1, Muhammad Mashuri2 1,2) 1
Institut Teknologi Sepuluh Nopember
[email protected], 2
[email protected]
Abstrak
Dalam beberapa proses seringkali perlu untuk memonitor dua atau lebih karakteristik kualitas secara bersama-sama. Untuk itu dikembangkan diagram kontrol yang mempertimbangkan beberapa karakteristik kualitas secara bersama-sama yang disebut dengan pengontrolan kualitas multivariat. Saat ini telah banyak dikembangkan diagram kontrol multivariat yang digunakan dalam pengontrolan variabilitas proses, antara lain diagram kontrol multivariat yang didasarkan pada matriks kovariansi (Alt dan Smith, 1988) dan diagram kontrol multivariat yang didasarkan pada matriks korelasi (Sindelar, 2007). Sejauh ini belum pernah dibandingkan kinerja dari diagram kontrol yang berbasis pada matriks kovariansi dan matriks korelasi. Dalam makalah ini akan dibandingkan kinerja dari diagram kontrol multivariat berdasarkan matriks kovariansi dan diagram kontrol multivariat berdasarkan matriks korelasi dengan menggunakan Average Run Length (ARL). Berdasarkan hasil simulasi ditunjukkan bahwa secara umum diagram kontrol multivariat berdasarkan matriks korelasi lebih sensitif terhadap adanya perubahan daripada diagram kontrol multivariat berdasarkan matriks kovariansi.
Kata Kunci : Matriks Korelasi, Matriks Kovariansi, Average Run Length
1. Pendahuluan Kualitas menjadi faktor penting yang mendasari keputusan konsumen memilih suatu produk baik konsumen tersebut perorangan atau kelompok industri. Oleh karena itu kualitas merupakan faktor kunci bagi keberhasilan bisnis (Montgomery, 1996). Untuk menjaga kualitas produk diperlukan monitoring proses secara statistik yang dikenal dengan Statistical Process Control (SPC).
61
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
Statistical Process Control (SPC) yang banyak dikenal adalah diagram kontrol yang memberikan tampilan berbentuk grafik dari suatu proses produksi sehingga dapat diketahui apakah proses tersebut dalam keadaan terkontrol atau tidak. Apabila karakteristik kualitas yang dimonitor lebih dari satu maka untuk memonitor pergeseran variabilitas proses digunakan prosedur pengontrolan multivariat. Pada saat ini telah banyak dikembangkan beberapa metode untuk memonitor variabilitas proses multivariat. Diantaranya adalah penelitian oleh Alt (1985), Hayter dan Tsui (1994), Mason, Tracy dan Young (1995), dan Sindelar (2007). Alt (1985) memperkenalkan pendekatan lain untuk diagram kontrol multivariat yang memonitor variabilitas berdasarkan matriks kovariansi (Wi) dimana statistik dari diagram kontrol tersebut merupakan pengembangan dari likelihood ratio test. Hayter dan Tsui (1994) mengembangkan diagram kontrol M yang mengkombinasikan variabilitas dengan mean untuk memonitor proses mean. Mason, Tracy dan Young (1995) menunjukkan bahwa dekomposisi nilai T2 pada diagram kontrol multivariat ternyata mampu memberikan informasi mengenai variabel-variabel tertentu yang mempunyai kontribusi terhadap sinyal out of control. Sindelar (2007) memperkenalkan diagram kontrol dengan pendekatan yang menggunakan matriks korelasi. Penelitian tersebut mengembangkan komponen korelasi dari tiga statistik kovariansi (| |, Wi, dan G) Pertama, statistik uji | | dimodifikasi menjadi statistik uji determinan R. Melalui analisis matematis serta simulasi diketahui bahwa batas kontrol untuk statistik uji ini begitu luas sehingga tidak mampu menunjukkan kondisi out of control. Kedua, diagram kontrol Wi yang dikembangkan oleh Alt (1985) dikembangkan menjadi diagram kontrol multivariat yang memonitor variabilitas berdasarkan matriks korelasi (WRi). Baik secara analisis matematis maupun geometris diketahui bahwa komponen korelasi dapat berbeda dengan komponen kovariansinya sehingga dapat dianalisis secara terpisah. Ketiga, statistik uji G, secara matematis statistik uji ini tidak mungkin untuk diaplikasikan pada matriks korelasi R karena bergantung pada Mean Square Successive Differences (MSSD) untuk mengevaluasi perubahan dalam kovariansinya yang tidak dapat dikembangkan untuk matrik korelasi. Sejauh ini belum pernah dilakukan perbandingan kinerja diagram kontrol multivariat untuk memonitor variabilitas proses berdasarkan matriks kovariansi dengan
62
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
matriks korelasi. Oleh karena itu dalam penelitian ini akan diteliti kinerja dari diagram kontrol tersebut dengan menggunakan ARL untuk menindaklanjuti penelitian Sindelar pada kasus yang berkorelasi.
2. Diagram Kontrol Wi Variabilitas proses multivariat dapat dinyatakan dalam bentuk matriks kovariansi S berukuran p p, dimana elemen diagonal utama merupakan nilai variabilitas dari masing-masing karakteristik kualitas dan elemen selain diagonal utama merupakan nilai kovariansi antar karakteristik kualitas. Terdapat dua komponen yang dapat digunakan untuk mengukur variabilitas total dari sekumpulan data multivariat. Komponen yang pertama adalah determinan matriks kovariansi (| |) yang biasa disebut dengan generalized variance. Operasi determinan dipilih karena pada operasi determinan selain melibatkan diagonal utama juga melibatkan elemen selain diagonal utama. Akar kuadrat dari komponen pertama ini proporsional dengan luasan atau volume yang dibangkitkan oleh data. komponen yang kedua adalah trace dari matriks kovariansi (tr(S)) yang merupakan jumlahan dari variabilitas masing-masing karakteristik kualitas. Diagram kontrol ini dikembangkan oleh Alt pada tahun 1985 dengan mengasumsikan bahwa matriks kovariansi sebenarnya,
, tidak diketahui (diestimasi
dari sampel in control yang besar), perbandingan dibuat antara matriks kovariansi sampel dari proses dan matriks kovariansi yang tidak diketahui. Perbandingan tersebut adalah serangkaian uji signifikansi dalam bentuk sebagai berikut (Alt, 1985): H :
=
H :
≠
Dimana dan
adalah matriks kovariansi populasi dan matriks kovariansi in control.
Statistik tersebut adalah rasio dari estimator maximum likelihood untuk distribusi Np (μ⃗, ) dalam bentuk sebagai berikut: {(μ⃗, ): −∞ < μ⃗ < ∞,
adalah definit positif}
63
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
{(μ⃗, ): −∞ < μ⃗ < ∞, =
}
Hal ini telah dijelaskan (Anderson, 1984) bahwa estimator maximum likelihood untuk kasus multivariat normal adalah sebagai berikut: ⃗Ω = ⃗̅
Ω
=
(1)
⃗ω = ⃗̅
ω
=
(2)
Dimana x adalah vektor mean, n adalah ukuran sampel, dan
= ( − 1)
sehingga
fungsi likelihood berdasar pada distribusi normal multivariat adalah ⁄
Ω = ( ω) = ( 2 )
⁄
⁄
| |
|
⁄
(3)
⁄
|
(4)
Rasio likelihoodnya adalah sebagai berikut: Λ( ) =
⁄
⁄
|
|
⁄
(5)
Rasio log likelihoodnya adalah sebagai berikut : = −2ln(Λ) = −
+
ln − ln(|
|) + tr(
)
(6)
Statistik uji tersebut dihitung dan digambarkan untuk setiap sampel ke-i. Dimana i = 1,2, …, n, yang akan ditolak jika nilainya lebih dari 2
, p p 1 / 2
. Jika plot nilai Wi lebih
2
dari upper control limit (UCL) , p p 1/ 2 , maka proses dapat dikatakan tidak terkontrol.
3. Diagram Kontrol WRi Untuk membuat diagram kontrol berdasarkan matriks korelasi diperlukan hubungan antara R dan S untuk membandingkan statistik yang ada untuk memonitor perubahan dalam matriks korelasi. Kovariansi sampel merupakan hubungan linier antara dua variabel yang ditunjukkan sebagai berikut :
64
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
sik
1 n X ij X i X kj X k n 1 j 1
(7)
Dimana Xi dan Xk adalah nilai dari dua variabel yang berukuran sama (n), dengan mean X i dan X k . Koefisien korelasi sampel rik, merupakan standarisasi sampel kovariansi,
dimana perkalian dari akar kuadrat dari sampel varian merupakan standarisasinya. Sehingga rik dapat dianggap sebagai sampel kovariansi (Johnson dan Wichern). Bentuk dari rik adalah seperti pada persamaan 8: rik
sik
(8)
sii skk
Dimana i =1, 2, …, p dan k = 1, 2, …, p. Sampel kovariansi dari pengamatan yang distandarisasi adalah koefisien sampel korelasi. Karena korelasi adalah kasus khusus dari kovarian, statistik yang digunakan dalam SPC untuk memonitor kovariansi akan diaplikasikan untuk memonitor korelasi. Dengan begitu, batas kontrol untuk kasus berkorelasi secara umum akan sama dengan statistik untuk kovariansi. Untuk melakukan estimasi statistik ini akan di uji hipotesis sebagai berikut :
Dimana
H :
=
H :
≠
dan
adalah matriks korelasi populasi dan matriks korelasi in control.
Statistik tersebut adalah rasio dari estimator maximum likelihood untuk distribusi Np (μ⃗, )dalam bentuk sebagai berikut: {(μ⃗, ): −∞ < μ⃗ < ∞,
adalah definit positif}
{(μ⃗, ): −∞ < μ⃗ < ∞, =
}
Pertama mendapatkan rasio maximum likelihood untuk dan baru berkenaan dengan korelasi. Jika kita lihat pada persamaan dari statistik Wi , kita akan dapati |
| ekuivalen dengan |
( − 1) |, atau ( − 1) |
|. Untuk
menyesuaikannya dengan matriks korelasi in control maka determinan matriks korelasi
65
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
sampel adalah |
|, dimana dibutuhkan asumsi bahwa faktor skala untuk kedua
kasus adalah sama. Sehingga fungsi likelihood yang berdasarkan pada distribusi multivariat normal adalah sebagai berikut : ⁄
Ω = ( ω) = ( 2 )
⁄
⁄
| |
|
|
⁄
(9)
⁄
(10)
Rasio likelihoodnya adalah sebagai berikut : ⁄
Λ( ) =
⁄
|
|
⁄
(11)
Rasio log likelihoodnya adalah sebagai berikut : = −2ln(Λ) =−
+
ln − ln(( − 1) |
|) + ( − 1)tr(
)
(12)
4. Average Run Length (ARL) Kriteria yang digunakan untuk dapat membandingkan kinerja diagram kontrol adalah dengan mengukur seberapa cepat diagram kontrol tersebut membangkitkan sinyal out of control. Diagram kontrol yang lebih cepat mendeteksi sinyal out of control disebut lebih sensistif terhadap perubahan proses. Salah satu cara untuk mengukur kinerja diagram kontrol adalah dengan menggunakan Average Run Length (ARL). ARL adalah rata-rata run (observasi) yang harus dilakukan sampai ditemukannya out of control yang pertama. Apabila proses dalam keadaan in control maka digunakan ARL0. Dengan demikian ARL0 akan bernilai besar sedangkan ARL1 akan bernilai kecil apabila proses dalam keadaan out of control.
Dimisalkan β adalah probabilitas bahwa pergeseran proses tidak terdeteksi pada sampel pertama maka probabilitas bahwa pergeseran proses terdeteksi pada sampel pertama adalah 1-β. Dengan demikian, probabilitas bahwa pergeseran proses terdeteksi pada sampel ke-x adalah x 1 1 .
66
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
Jika X adalah variabel random yang menyatakan banyaknya sampel sampai ditemukannya out of control yang pertama, maka P X x x 1 1 , sehingga ekspektasi banyak sampel yang harus diamati sampai ditemukan out of control yang pertama adalah:
EX
x 1 x 1
x 1
1
x x 1 1
x 1
1
1 2
(13)
1 1
Oleh karena itu, ARL pada kondisi out of control adalah: ARL 1
1 1 atau ARL 1 1 Pmenolak H 0 H 1 benar
(14)
Sedangkan ARL pada kondisi in control adalah: ARL 0
1 1 atau ARL 0 Pmenolak H 0 H 0 benar
(15)
Dalam konteks diagram kontrol Wi, β adalah probabilitas bahwa sinyal out of control untuk diagram kontrol Wi tidak terdeteksi pada sampel pertama maka probabilitas bahwa sinyal out of control untuk diagram kontrol Wi terdeteksi pada sampel pertama adalah 1- β. = P{W ≤ UCL|W > dimana UCL = χ 2
(16)
Oleh karena itu, ARL untuk diagram kontrol Wi adalah :
α, p p 1 /2
ARL =
}
1 1−β
=
{
|
}
(17)
Sedangkan untuk diagram kontrol WRi, β adalah probabilitas bahwa sinyal out of control untuk diagram kontrol WRi tidak terdeteksi pada sampel pertama maka probabilitas bahwa sinyal out of control untuk diagram kontrol WRi terdeteksi pada sampel pertama adalah 1- β. = P{W ≤ UCL|W >
}
(18)
Oleh karena itu, ARL untuk diagram kontrol WRi adalah : ARL =
β
=
{
|
}
(19)
67
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
5. Pembahasan Data matriks kovariansi dalam kondisi in control didapatkan dari proses produksi pita plastik di Sidoarjo. Proses pengambilan sampel dilakukan dengan mengambil secara acak 10 gulungan pita, selanjutnya pita tersebut diambil sepanjang 90 cm untuk setiap gulungan. Data yang digunakan adalah data pada bulan Juli dan Agustus 2007, dengan variabel yang diteliti adalah denier (berat pita), lebar pita, strength (kuat tarik pita), tenacity (kekuatan tarik pita per denier), dan elongation (kemuluran pita). Pengontrolan variabilitas proses terhadap karakteristik kualitas produksi pita plastik dilakukan dengan menggunakan diagram kontrol multivariat Wi dan WRi. Oleh karena belum tersedianya paket program untuk menunjang proses perhitungan, maka dibuat program diagram kontrol multivariat Wi dan WRi menggunakan software statistika. Langkah-langkah analisis yang dilakukan dalam penelitian ini adalah dengan melakukan simulasi dengan replikasi (r) sebanyak 100 kali, ukuran masing-masing subgroup (n) sebanyak 10, dan karakteristik kualitas (p) sebanyak 5. Replikasi dilakukan pada masing-masing perubahan variansi terhadap karakteristik kualitas untuk mendapatkan nilai ARL. Ada lima skenario yang akan digunakan pada makalah ini yaitu perubahan variansi pada variabel 1 (Skenario I), variabel 1 dan 2 (Skenario II), variabel 1, 2 dan 3 (Skenario III), variabel 1, 2, 3 dan 4 (Skenario IV), dan semua variabel (Skenario V). Nilai ARL yang didapatkan dari diagram kontrol Wi dan WRi dibandingkan untuk mengetahui diagram kontrol mana yang lebih sensitif dalam mendeteksi adanya out of control. Tabel 1 menunjukkan nilai ARL1 untuk melihat sensitivitas diagram kontrol pada masing-masing pergeseran variansi. Terlihat pada tabel tersebut menunjukkan bahwa nilai ARL1 pada saat pergeseran varian untuk diagram kontrol Wi lebih besar dari diagram kontrol WRi. Hal ini menunjukkan bahwa diagram kontrol WRi hanya membutuhkan rata-rata 2 sampel untuk mendeteksi adanya out of control. Sedangkan diagram kontrol Wi membutuhkan rata-rata 4 sampel untuk mendeteksi adanya out of
68
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
control. Oleh sebab itu dapat disimpulkan bahwa diagram kontrol WRi sensitif terhadap deteksi adanya out of control.
Tabel 1. Nilai ARL1 pada Skenario I dan II untuk n = 10 Skenario I
Skenario II
Varian
Wi
WRi
Wi
WRi
1.1
3.89
2.46
3.72
2.63
1.01
4.16
2.41
4.16
2.85
1.001
4.32
2.69
4.13
2.73
1.0001
4.47
2.58
4.34
2.95
0.1
3.33
2.51
4.27
2.49
0.01
4.59
2.81
4.43
3.13
0.001
4.6
2.81
3.86
2.35
0.0001
4.62
2.78
4.59
2.59
Tabel 2. Nilai ARL1 pada Skenario III dan IV untuk n = 10 Skenario III
Skenario IV
Skenario V
Varian
Wi
WRi
Wi
WRi
Wi
WRi
1.1
4.36
11.23
4.35
12.94
4.64
11.96
1.01
5.15
13.51
3.94
12.72
3.68
11.25
1.001
3.97
12.34
4.85
13.69
4.34
12.94
1.0001
4.14
13.52
3.64
10.78
4.51
12.19
0.1
3.89
10.46
4.47
12.37
4.5
14.37
0.01
4.23
7.33
4.13
8.88
4.2
9.55
0.001
4.18
4.06
4.42
4.42
4.02
4.84
0.0001
4.12
3
4.46
2.84
4.17
2.82
69
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
Tabel 2 menunjukkan bahwa nilai ARL1 pada saat pergeseran varian untuk Skenario III, IV, dan V pada diagram kontrol Wi relatif konstan, sedangkan pada diagram kontrol WRi nilai ARL1 cenderung turun. Hal ini menunjukkan bahwa semakin banyak karakteristik kualitas yang mengalami perubahan varians pada diagram kontrol WRi maka nilai ARL1 akan semakin besar namun hal ini tidak berlaku pada diagram kontrol Wi yang memiliki nilai ARL1 cenderung konstan.
6. Kesimpulan Kesimpulan yang diperoleh dari penelitian ini adalah bahwa secara umum diagram kontrol WRi lebih sensitif dibandingkan dengan diagram kontrol Wi khususnya untuk kasus yang berkorelasi. Pada diagram kontrol WRi semakin kecil nilai korelasi maka deteksi terhadap sinyal out of control membutuhkan waktu yang lama. Pada diagram kontrol Wi, nilai ARL cenderung konstan terhadap pergeseran variansi.
Daftar Pustaka Alt, F.B. (1985), Multivariate Quality Control. In: Kotz, S, Johnson, N. eds. Encyclopedia of Statistical Sciences. 6. New York, N. Y.: John Wiley & Sons, hal. 110-122. Anderson, T. W. (1971), An Introduction to Multivariate Statistical Analysis, John Wiley & Sons, Inc., New York. Hayter, A. dan Tsui, K. (1994), “Identification and Quantification in Multivariate Quality Control Problems”, Journal of Quality Technology, Vol. 26, No 3, hal. 197-208. Johnson, R,. dan Wichern, D., (1988), Applied Multivariate Statistical Analysis, 2nd edition, Prentice-Hall. Montgomery, D. C. (2005). Introduction to Statistical Quality Control. 5th edition, John Wiley & Sons, Inc., New York.
70
PROSIDING SEMINAR NASIONAL STATISTIKA UNIVERSITAS DIPONEGORO 2011 ISBN: 978-979-097-142-4
Petros, M. (2003). An Investigation of Some Characteristics of Univariate and Multivariate Control Chart, Department of Statistics, Athens University of Economics and Business. Sindelar, M.F. (2007), Multivariate Statistical Process Control For Corellation Matrices, Tesis Ph.D, University of Pittsburgh, Pittsburgh.
71