Tolerances for Assembly Product Claudina Milawati.

Slides:



Advertisements
Presentasi serupa
Pertemuan 6 UJI HIPOTESIS
Advertisements

Sebaran Bentuk Kuadrat
STATISTIKA NON PARAMETRIK
Jenis Data & Distribusi
Desain dan Analisis Eksperimen Abdul Kudus, Ph.D. blog: abdulkudus.staff.unisba.ac.id.
Pendahuluan Landasan Teori.
METODOLOGI PENELITIAN SESI 11 STATISTIK INFERENSI: PARAMETRIK TEST.
Kelompok 2 Uji Wald-Wolfowitz
PROCESS CAPABILITY ANALYSIS
Uji Normalitas Data.
DISTRIBUSI NORMAL.
Akhmad Rafsanjani Teknik Industri. Kebutuhan untuk kesempurnaan dan penghapusan produk yang tidak sesuai dengan spesifikasi merupakan alasan utama.
PENDALAMAN LOOP DAN LOGIKA
Rentang Kepercayaan (Confidence Interval)
DISTRIBUSI PENCUPLIKAN
Dasar probabilitas.
BAB 3 STATISTIK DESKRIPTIF.
Apakah data yang dimiliki berdistribusi normal ?
Reliabilitas Alat Ukur
1 Pertemuan 07 Teori Peluang Matakuliah: F0392/Simulasi Perdagangan di Bursa Efek Tahun: 2005 Versi: 1/3.
ANALYSIS OF VARIANCE (ANOVA) Matakuliah: KodeJ0204/Statistik Ekonomi Tahun: Tahun 2007 Versi: Revisi.
Kuliah 6 Statistika Non Parametrik Uji Mc Nemar (2 sample dependen) & Uji Chi Square (2 sample independen) Statistika Non-Parametrik.
Anova Erlisa C, S.Kep., Ns., M.Kep.
DISTRIBUSI DISTRIBUSI NORMAL PENDEKATAN NORMAL UNTUK BINOMIAL
Universitas Negeri Malang Oleh : SENO ISBIYANTORO ( ) STATISTIK PARAMETRIK & NON-PARAMETRIK.
Anas Tamsuri UJI STATISTIK UJI STATISTIK.
Uji Hipotesis.
TEKNIK ANALISIS DATA.
STATISTIK NON PARAMETRIK
Validitas dan reliabilitas
STATISTIK INFERENSI.
Analisis Korelasi Bertujuan untuk mengetahui hubungan dua variabel atau lebih. Korelasi sederhana: jika variabel ada 2 Korelasi berganda: jika variabel.
Barang Rusak, Diolah Kembali, dan Barang Sisa
Misal sampel I : x1, x2, …. Xn1 ukuran sampel n1
STATISTIK NON PARAMETRIK
MODUL STATISTIKA BISNIS DAN INDUSTRI
Analisis Variansi Part 1 & 2 – Tita Talitha, MT.
UKURAN DISPERSI Dr. Srikandi Kumadji, MS.
Akuntansi Kerugian Produksi
DISTRIBUSI SAMPLING STATISTIK
Statistika Industri Week 2
Metode Statistik Non Parametrik
PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER
STATISTIK II Pertemuan 5: Interval Konfidensi Dosen Pengampu MK:
KORELASI Oleh Nugroho Susanto.
Metode PENGUJIAN HIPOTESIS
STATISTIK II Pertemuan 5: Distribusi Sampling (Lanjutan)
ANALISIS REGRESI GANDA
STATISTIK Pertemuan 6: Interval Konfidensi Dosen Pengampu MK:
FUNGSI TAGUCHI LOSS – VERSI PENINGKATAN
Peta Kendali (variabel)
STATISTIK Pertemuan 6: Teori Estimasi (Interval Konfidensi)
TUGAS MANDIRI DIKUMPULKAN RABU, 6 APRIL 2011
Luas Lantai Produksi.
Estimasi.
Statistika Parametrik & Non Parametrik
PENCARIAN DISTRIBUSI.
Pengujian Statistika Nonparametrik
Bagan kontrol dan Distribusi normal
STATISTIKA DASAR NAMA : MENIK GUSTINASARI NIM :
BAB 8 ANALISIS DATA.
KORELASI Oleh Nugroho Susanto.
Distribusi t Untuk sampel ukuran , taksiran yang baik dapat diperoleh dengan menggunakan . Bila memberikan taksiran.
STATISTIK INFERENSI Statistik inferensi bagian dari pelajaran statistic yang mempelajari bagaimana mengambil sebuah keputusan tentang parameter populasi.
ANALISIS REGRESI GANDA
Pengendalian Kualitas
Uji Normalitas dengan Statistik Kolmogorov-Smirnov
Analisis Data Statistik Deskriptif Dr. Oos M. Anwas.
Statistika Non-Parametrik
TUGAS 1 (STATISTIK II) 1. Anggota komisaris direktur PT.ABC terdiri atas 12 orang, dimana 3 diantaranya adalah wanita. Tiga perwakilan dipilih secara.
Transcript presentasi:

Tolerances for Assembly Product Claudina Milawati

Tolerances for Assembly Product Sebuah produk dibuat dari assembly 3 part : w Ketiga part dihasilkan oleh proses yang terkendali secara statistik dan prosesnya “centre” pada nilai nominalnya w Kapabilitas proses utk masing-masing = 4  w Berapakah toleransi utk produk assembly? Part 1Part 2Part     ?

Tolerances for Assembly Product w Jika masing-masing proses berdistribusi normal w Jawaban yang umum (untuk 1 sisi) adalah dengan menjumlahkan toleransi masing- masing produk = = part part part 3

Tolerances for Assembly Product w Padahal nilai toleransi assembly sesunguh - nya lebih KECIL w Perhitungan yang lebih tepat adalah dengan menggunakan pendekatan statistik : ADDITIVE LAW OF VARIANCE w Toleransi part 1 =  0.01 (  4  x )  1 = 0.01 / 4 = w Toleransi part 2 =  (  4  x )  2 = / 4 = 0.005

Tolerances for Assembly Product  Additive Law of Variance : w Jika ditetapkan toleransi assembly =  4  =  4 ( ) =  w Toleransi part 3 =  0.01 (  4  x )  3 = 0.01 / 4 =

Tolerances for Assembly Product SUMMARY : w Jika digunakan penjumlahan biasa didapatkan toleransi assembly =  w Jika digunakan ADDITIVE LAW OF VARIANCE, didapatkan toleransi assembly =

Tolerances for Assembly Product PRACTICAL PROBLEM : w Toleransi assembly ditetapkan terlebih dulu w Toleransi untuk masing-masing part ditanyakan Contoh : Part 1Part 2Part  ? 0.9  Ketiga part identik Kapabilitas proses = 4  Standar Deviasi tiap proses sama (dibuat dari proses yang sama)

Tolerances for Assembly Product w Jika digunakan cara penjumlahan biasa : Tlrs ass = tlrs part1 + tlrs part 2 + tlrs part = (  0.003) + (  0.003) + (  0.003) w Tetapi sudah kita pahami sebelumnya bahwa cara ini kurang tepat. Cara yang tepat adalah dengan menggunakan Additive Law of Variance : 4  ass = 0.009,  ass =

Tolerances for Assembly Product Dengan mengasumsikan  1 2 =  2 2 =  3 2 =  part, maka : Jika ditetapkan toleransi part individual =  4  part, maka =

Tolerances for Assembly Product SUMMARY : w Jika digunakan penjumlahan biasa, toleransi part =  w Jika digunakan Additive Law of Variance, toleransi part =  w Perhitungan toleransi part yang kurang tepat akan menimbulkan kerugian, yaitu membuang atau me-rework produk yang baik

Tolerances for Assembly Product Dari contoh sebelumnya : w Dengan penjumlahan biasa = 0.3  (0.297 ; 0.303)  Dengan pendekatan statistik = 0.3  ( ; )

Tolerances for Assembly Product dianggap scrap