Elin herlina 3333091326 B-Reguler QUALITY FUNCTION DEPLOYMENT ANALYSIS BASED ON NEURAL NETWORK AND STATISTICAL RESULTS FADZILAH SIRAJ1, NORSHAHRIZAN NORDIN2, NOORAINI YUSOFF3 Elin herlina 3333091326 B-Reguler

abstrak QFD merupakan metode yang bertujuan untuk memenuhi kepuasan pelanggan, yaitu tahap desain produk. Studi ini berfokus pada pengembangan umum QFD untuk pemilihan spesifikasi mesin sehingga nantinya dapat digunakan untuk mengevaluasi setiap produk mesin yang dibeli Hal ini menunjukkan bahwa pendekatan ini memiliki potensi dalam menjalankan hubungan antara QFD dan pelanggan, serta memprediksi jenis pelanggan jika informasi QFD disediakan. Oleh karena itu,studi ini menunjukkan jenis mesin danJenis operasi menguntungkan kepadapelanggan sebelum memperoleh mesin untuk penggunaan industri mereka.

1. Introduction Rekayasa sistem kini semakin kompleks dalam mendesain saat permintaan kualitas dan pengembangan yang efektif untuk biaya yang lebih rendah dan dengan waktu yang. Studi menunjukkan bahwa sebanyak 35 - 44 persen dari semua produk diluncurkan dianggap kegagalan (Urban, 1980). Satu metode proses berorientasi desain yang dibangun untuk mengeluarkan proses penerjemahan dan pastikan bahwa temuan ini diterapkan dalam kualitas fungsi penyebaran (QFD). QFD adalah "sebuah sistem untuk merancang produk atau jasa berdasarkan pelanggan tuntutan dan melibatkan semua anggota produsen atau pemasok organisasi "(King, 1987).

2. Related Works QFD memiliki keterbatasan yang harus diatasi dalam rekayasa sistem. masalah  utama yang harus ditangani adalah sebagai berikut: sistem menjadi lebih besar, analisis data menjadi lebih sulit karena besarnya yang dihasilkan matriks QFD (Daetz, 1989). Untuk matriks QFD yang besar, hampir tidak mungkin untuk mencata secara manual (Wolfe, 1994). Kurangnya perangkat lunak cerdas yang dapat memberikan informasi analisa QFD (Syan danMenon, 1994). Prosedur QFD konvensional memiliki penilaian subjektif dalam matriks relasional House of Quality (HOQ). Hal ini dapat menyebabkan bias dalam hasil dan bervariasi hasil aktual. Berdasarkan permasalahan tersebut di atas, dan sejak statistik telah diklaim untuk menghasilkan akurasi rendah (Yu & Fu,2004), penelitian ini menyajikan cara-cara alternatif untuk mengidentifikasi hubungan antara QFD dan suara pelanggan.

Gambar 1 menunjukkan bahwa program aplikasi mencakup dari berbagai desain, analisis dan alat pendukung, dimana anggota tim concurrent engineering mungkin ingin gunakan selama siklus hidup proyek (Omar et al.,1999). Untuk DSS QFD, jaringan saraf dapat digunakan, sehingga Pelanggan menuntut, karakteristik teknik dan solusi rekayasa saling berhubungan. Rekayasa solusi yang dianggap sebagai input, dan rating kepuasan pelanggan sebagai output.

Dibandingkan dengan metode statistik tradisional, NNS rupanya menunjukkan asumsi apriori dianggap mendasari model, lebih mampu menangani masalah dalam domain nonlinier dimana tergantung variabel independen tidak berhubungan linier, dan agak lebih umum dan fleksibel untuk perkiraan ketepatan yang diinginkan (Zhang et al 1996.;Zhang et al. 1998). Setiap neuron merupakan solusi (teknik simpul misalnya adalah node) dan setiap link antara neuron merupakan hubungan (misalnya ada hubungan antara rekayasa karakteristik dan permintaan pelanggan) seperti yang ditunjukkan pada Gambar2.

Sejumlah implementasi sukses saraf jaringan pemodelan proses telah dilaporkan dan diringkas dalam Tabel 1. Sebuah kerangka dari sebuah penyebaran kualitas fungsi cerdas (IQFD) untuk lingkungan perakitan QFD diskrit serta sebagai profil proyek telah dijelaskan oleh San Myint (2003).

3. Metodologi Untuk membangun model QFD, percobaan dilakukan untuk menentukan parameter pembelajaran untuk mendirikan NN model. Dalam rangka untuk memenuhi tujuan penelitian ini, QFD merupakan metodologi yang dijelaskan oleh (Hauser & Clausing, 1998) adalah diadopsi (lihat Gambar 3). Untuk mengumpulkan data untuk pemodelan NN, kuesioner yang berisi dua bagian utama: profil pelanggan dan mungkin persyaratan pelanggan dibagikan kepada responden. Subyek penting untuk fokus target dipilih untuk model QFD untuk industri, yang merupakan jenis pelanggan.

4. Result Data dikumpulkan dari empat suara yang berbeda jenis pelanggan yang: profesional, pengelolaan, pemeliharaan dan operator dengan latar belakang teknis industri pengalaman tentang pandangan mereka tentang sumber daya yang dibutuhkan untuk mesin proses perencanaan. Sebanyak 300 kuesioner didistribusikan ke berbagai pelanggan, dan 223 kuesioner kembali (74,3%). Distribusi pelanggan sehubungan dengan kelompok mereka Jenis diilustrasikan pada Gambar 5. Berdasarkan Gambar 5, persentase tertinggi untuk suara tipe pelanggan 'adalah kontribusi oleh operator (45%), diikuti oleh Profesional (20 *, Manajemen (18%) dan Pemeliharaan (16%).

4.1 Pendekatan Neural Network untuk QFD dengan Menghormati Suara Pelanggan Analisis lebih lanjut dilakukan pada pola yang berhasil dilatih dan hasil korelasi dengan Jenis Pelanggan yang dipamerkan dalam Tabel 2.

Untuk korelasi antara atribut dan jenis pelangganpada seluruh dataset juga dirangkum dalam Tabel 3. Perhatikan bahwa untuk kedua tabel, kinerja mesin telah signifikan korelasi dengan jenis Pelanggan (p<0,05).

Pola-pola pelatihan yang tidak belajar memiliki korelasi yang signifikan dengan Standard Mesin hanya Spesifikasi, khususnya Jenis Pneumatics Clamp (lihat Tabel 4). Hal ini mungkin disebabkan fakta bahwa tidak banyak responden menggunakan mesin dengan tipe Pneumatics penjepit karena biaya pemeliharaan tinggi.

4.2 Fungsi statistik hasil pada Kualitas Deployment (QFD) Temuan NN memiliki potensi untuk digunakan sebagai klasifikasi atau untuk peramalan QFD sehubungan dengan pilihan pelanggan. Untuk mendukung temuan NN, penjelasan lebih lanjut tentang dataset digunakan dijelaskan dalam paragraf berikut. Dekat inspeksi pada jenis material benda kerja dengan hormat suara pelanggan (lihat Tabel 5 dan Gambar 8) mengungkapkan bahwa kelompok profesional memilih untuk menggunakan kayu.

Koefisien korelasi disajikan dalam Tabel 2, 3, 4 dan 5 membantumenjelaskan hubungan antara atribut yang digunakan dalam penelitian. Untuk menyelesaikan studi, model peramalan NN telah didirikan dengan kesalahan klasifikasi 12,304% akurasi dalam menentukan suara pelanggan berdasarkan QFD. Studi ini menunjukkan bahwa pendekatan ini memiliki beberapa potensial dalam menyediakan beberapa informasi mengenai hubungan antara QFD dan pelanggan, serta memprediksi jenis pelanggan jika informasi QFD adalah disediakan.

Kesimpulan Ada beberapa alasan mengapa kita perlu memakai QFD untuk peramalan model dan identifikasi hubungan antara tipe pelanggan dan QFD: model peramalan QFD adalah untuk membantu produsen untuk menemukan spesifikasi mesin terbaik. model peramalan QFD memberikan pelanggan untuk memberikan respon pada produk / layanan tanpa batas di komputerisasi bentuk. Bantuan desainer untuk berkonsentrasi lebih banyak pada mengidentifikasi kepuasan pelanggan terhadap desain spesifikasi produk. Temuan yang disajikan dalam makalah ini dapat bermanfaat bagi semua tujuan pengukuran yang berhubungan dengan kepuasan dan kebutuhan pelanggan. Aplikasi di masa depan dapat diterapkan ke dalam produk baru pengembangan, kewajiban produk, seri ISO9000, proses jaminan, layanan, bagian pemasok, bahan dan pengolahan produsen peralatan, kehandalan dan teknologi penyebaran.

Terima Kasih Atas Perhatiannya Fin….