MATERI 7a

IEH3B3 _ 3 sks _ Ganjil 2017/2018
PPM_IEH3B3_Ganjil17/18_mrn
ACCEPTANCE SAMPLING
Single Sampling Plan
Double Sampling Plans
ANSI/ASQC Z1.4-1993 (Military Standard 105E)
Tahapan membuat Rencana Sampling
Contoh Soal
Ukuran Lot (N) = 5000
Inspection Level = G-II
Proporsi cacat (p) = 0.01
AQL = 0.40%
a) Buatlah Single Sampling Plan untuk jenis pemeriksaan Normal,

Ketat, dan Longgar
b) Hitung Probabilitas Penerimaan (Pa) untuk masing-masing jenis
pemeriksaan
c) Gambarkan kurva OC (gunakan 10 variasi nilai proporsi cacat)
d) Hitung AOQ, AFI, ASN
 Ukuran Lot (N) = 5000 Lihat Tabel K (sample size code diperoleh
 Inspection Level = G-II letters – MIL.STD.105E (ABC Kode huruf Ukuran
Standard) Sampel = L
 Normal
Lihat Sample Size Code Letter = L Diperoleh
Inspection Lihat Tabel L Rencana
(Master table for Lihat Sample Size = 200 Sampling :
 Single Normal Inspection –
Single Sampling) Lihat Acceptable Quality Level Ac = 2
Sampling
(AQL) = 0.40% Re = 3
 Tightened
Lihat Tabel M Lihat Sample Size Code Letter = L Diperoleh
Inspection
(Master table for Rencana
Tightened Lihat Sample Size = 200 Sampling :
 Single Inspection – Single
Lihat Acceptable Quality Level Ac = 1
Sampling Sampling)
(AQL) = 0.40% Re = 2
 Reduced
Lihat Sample Size Code Letter = L Diperoleh
Inspection Lihat Tabel N Rencana
(Master table for Lihat Sample Size = 80 Sampling :
 Single Reduced Inspection
– Single Sampling) Lihat Acceptable Quality Level Ac = 1
Sampling
(AQL) = 0.40% Re = 3
Menghitung ProbabilitasPenerimaan (Pa)
Inspection Sampling Hitung np Lihat Tabel Pa

Level Plan
Normal n=200 n=200 d  2  lihat c=2 Pa=(d  2 | np= 2) =
Ac=2 p=0.01 0.677
Re=3 np=200(0.01)=2
Tightened n=200 n=200 d  1  lihat c=1 Pa=(d  1 | np= 2) =

Ac=1 p=0.01 0.406
Re=2 np=200(0.01)=2
Reduced n=80 n=80 d  1  lihat c=1 Pa=(d  1 | np= 0.8) =

Ac=1 p=0.01 0.809
Re=3 np=80(0.01)=0.8
Menghitung ProbabilitasPenerimaan (Pa) menggunakan Tabel G
(Summation of Term of Poisson Exponential Binomial Limit)
c or c
np 0 1 2 3 4 5 6 7 8 9
0.02 980 1,000
…
…
0.15 861 990 999
…
…
0.80 449 809 953 991
….
….
2.0 135 406 677 857 947 983 995 999 1.000
Membuat OC Curve untuk Normal Inspection
Menghitung Pa dengan variasi nilai p
n=200 Ac=2 Re=3 p np Pa

Pa=[d  c | np= np ] 0.001 0.2 0.999
Pa=[d  2 | np= 200(0.001) = 0.2] = 0.999 0.002 0.4 0.992
Pa=[d  2 | np= 200(0.002) = 0.4] = 0.992 0.005 1.0 0.920
Pa=[d  2 | np= 200(0.005) = 1] = 0.920
0.01 2.0 0.677
Pa=[d  2 | np= 200(0.01) = 2] = 0.677
Pa=[d  2 | np= 200(0.015) = 3] = 0.423 0.015 3.0 0.423
Pa=[d  2 | np= 200(0.025) = 5] = 0.125 0.025 5.0 0.125
Pa=[d  2 | np= 200(0.035) = 7] = 0.030
Pa=[d  2 | np= 200(0.045) = 9] = 0.006 0.035 7.0 0.030
Pa=[d  2 | np= 200(0.055) = 11] = 0.001 0.045 9.0 0.006
Pa=[d  2 | np= 200(0.060) = 12] = 0.001 0.055 11.0 0.001
0.06 12.0 0.001
Membuat OC Curve untuk Normal Inspection
Menghitung Pa dengan variasi

nilai p
Kurva OC - Normal Inspection
p np Pa
1.2
Probabilitas Penerimaan (Pa)

0.001 0.2 0.999
1
0.002 0.4 0.992
0.005 1.0 0.920 0.8
0.01 2.0 0.677 0.6
0.015 3.0 0.423 0.4

0.025 5.0 0.125 0.2
0.035 7.0 0.030 0
0.045 9.0 0.006 0 0.02 0.04 0.06 0.08
proporsi cacat (p)
0.055 11.0 0.001
0.06 12.0 0.001
Membuat OC Curve untuk Tightened Inspection

Pa=[d  c | np= np ] 0.001 0.2 0.982
Pa=[d  1 | np= 200(0.001) = 0.2] = 0.982 0.002 0.4 0.938
Pa=[d  1 | np= 200(0.002) = 0.4] = 0.938 0.005 1.0 0.736
Pa=[d  1 | np= 200(0.005) = 1] = 0.736
0.01 2.0 0.406
Pa=[d  1 | np= 200(0.01) = 2] = 0.406
Pa=[d  1 | np= 200(0.015) = 3] = 0.199 0.015 3.0 0.199
Pa=[d  1 | np= 200(0.025) = 5] = 0.040 0.025 5.0 0.040
Pa=[d  1 | np= 200(0.035) = 7] = 0.007
Pa=[d  1 | np= 200(0.045) = 9] = 0.001 0.035 7.0 0.007
Pa=[d  1 | np= 200(0.055) = 11] = 0.000 0.045 9.0 0.001
Pa=[d  1 | np= 200(0.060) = 12] = 0.000 0.055 11.0 0.000
0.06 12.0 0.000
Membuat OC Curve untuk Tightened Inspection

nilai p
Kurva OC - Tightened Inspection
p np Pa
1.2
0.001 0.2 0.982

1
0.002 0.4 0.938
0.005 1.0 0.736 0.8
0.01 2.0 0.406
0.6
0.015 3.0 0.199
0.4
0.025 5.0 0.040
0.035 7.0 0.007 0.2
0.045 9.0 0.001

0
0.055 11.0 0.000 0 0.02 0.04 0.06 0.08
proporsi cacat (p)
0.06 12.0 0.000
Membuat OC Curve untuk Reduced Inspection

Pa=[d  c | np= np ] 0.001 0.08 0.997
Pa=[d  1 | np= 80(0.001) = 0.08] = 0.997 0.002 0.16 0.990
Pa=[d  1 | np= 80(0.002) = 0.16] = 0.990 0.005 0.4 0.938
Pa=[d  1 | np= 80(0.005) = 0.4] = 0.938
0.01 0.8 0.809
Pa=[d  1 | np= 80(0.01) = 0.8] = 0.809
Pa=[d  1 | np= 80(0.015) = 1.2] = 0.663 0.015 1.2 0.663
Pa=[d  1 | np= 80(0.025) = 2] = 0.406 0.025 2.0 0.406
Pa=[d  1 | np= 80(0.035) = 2.8] = 0.231
Pa=[d  1 | np= 80(0.045) = 3.6] = 0.126 0.035 2.8 0.231
Pa=[d  1 | np= 80(0.055) = 4.4] = 0.066 0.045 3.6 0.126
Pa=[d  1 | np= 80(0.060) = 4.8] = 0.048 0.055 4.4 0.066
0.06 4.8 0.048
Membuat OC Curve untuk Reduced Inspection

nilai p
Kurva OC - Reduced Inspection
p np Pa 1.2
0.001 0.08 0.997

1
0.002 0.16 0.990
0.005 0.4 0.938 0.8
0.01 0.8 0.809

0.6
0.015 1.2 0.663

0.4
0.025 2.0 0.406
0.035 2.8 0.231 0.2
0.045 3.6 0.126

0
0.055 4.4 0.066 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
proporsi cacat (p)

0.06 4.8 0.048
Membuat OC Curve Gabungan untuk Normal-Tightened-
Reduced Inspection

Kurva OC Gabungan (Normal-
p PaNormal PaTightened PaReduced Tightened-Reduced Inspection)
1.2
0.001 0.999 0.982 0.997

1
0.002 0.992 0.938 0.99

0.8
0.005 0.92 0.736 0.938
0.6
0.01 0.677 0.406 0.809
0.015 0.423 0.199 0.663 0.4
0.025 0.125 0.04 0.406 0.2
0.035 0.03 0.007 0.231 0

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.045 0.006 0.001 0.126
-0.2
proporsi cacat (p)
0.055 0.001 0 0.066
PaNormal PaTightened PaReduced
0.06 0.001 0 0.048
Menghitung Average Outgoing Quality Curve  AOQ Curve
• Adalah tingkat kualitas rata-rata dari suatu departemen inspeksi

• AOQ mengukur rata-rata tingkat kualitas output dari suatu hasil
produksi yang banyak dengan proporsi kesalahan sebesar p
( Pa. p )( N  1)]
AOQ   Untuk single sampling
N
[0.677 0.01 ] 5000−1 ]

• AOQ = = 0.0068
5000
• Untuk membuat AOQ Curve, digunakan beberapa variasi nilai

proporsi cacat (p)
Membuat AOQ Curve untuk Normal Inspection
Menghitung AOQ dengan variasi nilai p

p Pa AOQ
N = 5000 0.001 0.999 0.001
[( Pa. p )( N  1)] 0.002 0.992 0.002
AOQ 
N 0.005 0.920 0.0046
0.01 0.677 0.0068
AOQ= {[0.999(0.001)](5000-1)]} / 5000 = 0.001
0.015 0.423 0.0063
AOQ= {[0.992(0.002)](5000-1)]} / 5000 = 0.002
AOQ= {[0.920(0.005)](5000-1)]} / 5000 = 0.0046 0.025 0.125 0.0031
AOQ= {[0.677(0.01)](5000-1)]} / 5000 = 0.0068 0.035 0.030 0.001
AOQ= {[0.423(0.015)](5000-1)]} / 5000 = 0.0063
AOQ= {[0.125(0.025)](5000-1)]} / 5000 = 0.0031 0.045 0.006 0.0003
AOQ= {[0.030(0.035)](5000-1)]} / 5000 = 0.001 0.055 0.001 0.0001
AOQ= {[0.006(0.045)](5000-1)]} / 5000 = 0.0003 0.06 0.001
AOQ= {[0.001(0.055)](5000-1)]} / 5000 = 0.0001 0.0001
AOQ= {[0.001(0.06)](5000-1)]} / 5000 = 0.0001
Membuat AOQ Curve untuk Normal Inspection
Menghitung AOQ dengan

variasi nilai p
p AOQ Average Outgoing Quality Curve

0.012
0.001 0.001
Average fraction defective of

0.01
0.002 0.002
Outgoing lots
0.005 0.0046 0.008
0.01 0.0068 0.006
0.015 0.0063 0.004
0.025 0.0031
0.002
0.035 0.001
0
0.045 0.0003 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.055 Incoming lot quality (fraction defective), p

0.0001
0.06 0.0001
Membuat AOQ Curve untuk Tightened Inspection

p Pa AOQ
N = 5000 0.001 0.982 0.001
[( Pa. p )( N  1)] 0.002 0.938 0.0019
AOQ 
N 0.005 0.736 0.0037
0.01 0.406 0.0041
AOQ= {[0.982(0.001)] (5000-1)]} / 5000 = 0.001
0.015 0.199 0.003
AOQ= {[0.938(0.002)] (5000-1)]} / 5000 = 0.0019
AOQ= {[0.736(0.005)] (5000-1)]} / 5000 = 0.0037 0.025 0.04 0.001
AOQ= {[0.406(0.01)] (5000-1)]} / 5000 = 0.0041 0.035 0.007 0.0002
AOQ= {[0.199(0.015)] (5000-1)]} / 5000 = 0.003
AOQ= {[0.04 (0.025)] (5000-1)]} / 5000 = 0.001 0.045 0.001 0
AOQ= {[0.007(0.035)] (5000-1)]} / 5000 = 0.0002 0.055 0 0
AOQ= {[0.001(0.045)] (5000-1)]} / 5000 = 0 0.06 0 0
AOQ= {[0(0.055)] (5000-1)]} / 5000 = 0
AOQ= {[0(0.06)] (5000-1)]} / 5000 = 0
Membuat AOQ Curve untuk Tightened Inspection

variasi nilai p
Average Outgoing Quality Curve
p AOQ 0.012

0.001 0.001 0.01
0.002 0.0019
Outgoing lots
0.008
0.005 0.0037
0.01 0.0041 0.006
0.015 0.003 0.004
0.025 0.001
0.002
0.035 0.0002
0
0.045 0 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.055 Incoming lot quality (fraction defective), p

0
0.06 0
Membuat AOQ Curve untuk Reduced Inspection

p Pa AOQ
N = 5000 0.001 0.997 0.001
[( Pa. p )( N  1)] 0.002 0.99 0.002
AOQ 
N 0.005 0.938 0.0047
0.01 0.809 0.0081
AOQ= {[0.997(0.001)] (5000-1)]} / 5000 = 0.001
0.015 0.663 0.0099
AOQ= {[0.990(0.002)] (5000-1)]} / 5000 = 0.002
AOQ= {[0.938(0.005)] (5000-1)]} / 5000 = 0.0047 0.025 0.406 0.0101
AOQ= {[0.809(0.01 )](5000-1)]} / 5000 = 0.0081 0.035 0.231 0.0081
AOQ= {[0.663(0.015)] (5000-1)]} / 5000 = 0.0099
AOQ= {[0.406(0.025)] (5000-1)]} / 5000 = 0.0101 0.045 0.126 0.0057
AOQ= {[0.231 (0.035)] (5000-1)]} / 5000 = 0.0081 0.055 0.066 0.0036
AOQ= {[0.126 (0.045)] (5000-1)]} / 5000 = 0.0057 0.06 0.048 0.0029
AOQ= {[0.066(0.055)] (5000-1)]} / 5000 = 0.0036
AOQ= {[0.048 (0.06)] (5000-1)]} / 5000 = 0.0029
Membuat AOQ Curve untuk Reduced Inspection

variasi nilai p
p AOQ Average Outgoing Quality Curve
0.012
Average fraction defective of Outgoing

0.001 0.001
0.002 0.002 0.01
0.005 0.0047 0.008
0.01 0.0081
0.006
lots
0.015 0.0099
0.025 0.0101 0.004
0.035 0.0081
0.002
0.045 0.0057
0.055 0.0036 0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.06 0.0029 Incoming lot quality (fraction defective), p
Average Total Inspection Curve  ATI Curve
• Kurva ini menunjukkan rata-rata jumlah sampel yang diinspeksi

dari setiap lot yang dihasilkan
• Apabila dari produk yang dihasilkan tidak ditemukan kesalahan

atau ketidaksesuaian, maka produk tersebut akan diterima
melalui rencana sampel yang dipilih dan hanya sebanyak n unit
yang akan diinspeksi
• Apabila dari produk yang dihasilkan memiliki 100% produk yang

mengalami ketidaksesuaian, banyaknya unit yang diinspeksi
akan sebanyak N unit, dengan asumsi produk yang mengalami
ketidaksesuaian atau kesalahan tersebut disaring
Average Fraction Inspected  AFI
• Untuk single sampling plan, digunakan rumus:

ATI = n + (1-Pa)(N-n)
AFI = ATI/N
Contoh perhitungan untuk Normal Inspection
ATI = 200 + (1-0.677)(5000-200) = 1750.4
AFI = 1750.4 / 5000 = 0.35008
Average Sample Number Curve  ASN Curve
• Kurva ini menunjukkan rata-rata banyaknya unit yang diuji untuk

membuat suatu keputusan.
• Asumsinya, inspeksi tidak hanya dibatasi untuk sampel tunggal.
• Misalnya, jika terdapat 3 kesalahan setelah pemeriksaan 20 unit

dengan single sampling plan, dimana N=800, n=60, c=2
 meskipun keputusan diambil setelah unit ke-20 untuk
menolak produk tersebut, inspeksi akan dilanjutkan hingga
seluruhnya (60 unit)
O.k.i untuk sampel tunggal, banyaknya sampel rata-rata adalah
sama dengan ukuran sampel (n)
Double Sampling Plans
• Adalah prosedur yang dalam keadaan tertentu, sampel kedua

diperlukan sebelum memutuskan menerima atau menolak lot
• Notasi yang digunakan adalah sebagai berikut :
N jumlah unit yang dihasilkan
n1 sampel pertama yang diambil
c1 bilangan penerimaan dari sampel pertama
r1 bilangan penolakan dari sampel pertama
n2 sampel kedua yang diambil tanpa ada pengembalian dari sampel
pertama
c2 bilangan penerimaan dari kedua sampel (sampel pertama dan kedua)
r2 bilangan penolakan dari kedua sampel (sampel pertama dan kedua)
Contoh Soal
Ukuran Lot (N) = 5000
Inspection Level = G-II
Proporsi cacat (p) = 0.01
AQL = 0.40%
a) Buatlah Double Sampling Plan untuk jenis pemeriksaan Normal,

Ketat, dan Longgar
b) Hitung Probabilitas Penerimaan (Pa) untuk masing-masing jenis
pemeriksaan
c) Gambarkan kurva OC (gunakan 10 variasi nilai proporsi cacat)
d) Hitung AOQ, AFI, ASN
 Ukuran Lot (N) = 5000 Lihat Tabel K (sample size code diperoleh
 Inspection Level = G-II letters – MIL.STD.105E (ABC Kode huruf Ukuran
Standard) Sampel = L
 Normal
Lihat Sample Size Code Letter = L
Inspection Diperoleh
Lihat Tabel O Lihat Sample Size : Rencana
(Master table for n1=125 ; n2=125 Sampling :
 Double Normal Inspection –
Double Sampling) Ac1 =0 Re1 =3
Sampling Lihat Acceptable Quality Level Ac2 =3 Re2 =4
(AQL) = 0.40%
Prosedur Double Sampling Plans
Ambil n1
Temukan d1
TERIMA lot
d1 >= r1
TOLAK lot
tanpa harus
memeriksa n2
d1 <= c1 Tanpa harus
memeriksa n2
c1 <d1< r1
Ambil n2
Temukan d2
Jumlahkan dengan d1
d1+d2 <= c2 d1+d2 = r2 TOLAK lot

TERIMA lot
Prosedur Double Sampling Plans – Normal Inspection
N= 5000 unit
n1= 125 unit n2=125 unit
Ac1= 0 unit Re1= 3 unit
Ac2=3 unit RE2= 4 unit Ambil n1(125)
Temukan d1
TERIMA lot
d1 >= 3
TOLAK lot
tanpa harus
memeriksa n2
d1 <= 0 Tanpa harus
memeriksa n2
0 <d1< 3
Ambil n2(125)
Temukan d2
Jumlahkan dengan d1
d1+d2 <= 3 d1+d2 = 4 TOLAK lot

TERIMA lot
Double Sampling Plans – Normal Inspection
Interpretasi …. skema Double Sampling Plans – Normal Inspection
N= 5000 unit
n1= 125 unit n2= 125 unit
c1= 0 unit c2= 3 unit
r1= 3 unit r2= 4 unit
Ambil sampel pertama (n1= 125 unit ), periksa semuanya.

 Bila dari sampel pertama, tidak ditemukan produk cacat, maka Lot (N) langsung
diterima, tanpa harus mengambil sampel kedua
 Bila dari sampel pertama, ditemukan produk cacat, sebanyak tiga atau lebih, maka
Lot (N) langsung ditolak, tanpa harus mengambil sampel kedua
 Bila dari sampel pertama, ditemukan produk cacat, sebanyak satu atau dua, maka
belum bisa diputuskan apakah akan menerima atau menolak Lot (N), harus
mengambil sampel kedua
Ambil sampel kedua (n2= 125 unit ), periksa semuanya.

 Bila dari sampel kedua, ditemukan produk cacat, jumlahkan dengan produk cacat
yang ditemukan pada sampel pertama.
 Jika jumlah produk cacatnya tiga atau kurang, maka Lot (N) diterima
 Jika jumlah produk cacatnya lebih dari tiga, maka Lot (N) ditolak
Menghitung Probabilitas Penerimaan (Pa) – Normal Inspection
Pertama, menghitung PaI (probabilitas lot diterima pada pemeriksaan sampel pertama)
PaI = P[d1  0; np=125(0.01)=1.25 ≈ 1.3 ] = 0.273  (lihat tabel G)
Cara lihat tabel G
c or ( ) c
np 0 1 2 3 4 5 6 7 8 9
0.02 980 1,000
0.04 961 999 1,000
0.06 942 998 1,000
…. …. …. ….
1.2 301 663 879 966 992 998 1,000
1.3 273 627 857 957 989 998 1.000
Contoh penggunaan Tabel untuk menghitung probabilitas ketika ditemukan tepat d

produk cacat.
Misalnya : Pa = P[d1 = 1; np=125(0.01)=1.25 ≈ 1.3] =

= P[(d1  1 |np = 1.3)] – P[(d1  0 |np = 1.3)]
= 0.627 – 0.273 = 0.354
c or c
np 0 1 2 3 4 5 6 7 8 9
0.02 980 1,000
0.04 961 999 1,000
0.06 942 998 1,000
…. …. …. ….
1.2 301 663 879 966 992 998 1,000
1.3 273 627 857 957 989 998 1.000
Berikutnya, menghitung PaII (probabilitas lot diterima setelah pemeriksaan sampel

kedua)
PaII = [P(d1=1|np=125(0.01)=1.25≈1.3)xP(d2  2|np=125(0.01)=1.25≈1.3)]+[P(d1=2|np=125(0.01)=1.25≈ 1.3)xP(d2 1|np=125(0.01)=1.25≈1.3)]

= {[P(d11|np=1.3) - P(d10|np=1.3)] x P(d2  2|np=1.3)} + {[P(d12|np=1.3) - P(d11|np=1.3) ] x P(d2  1|np=1.3)}
= [(0.627 – 0.273) x (0.857)] + [(0.857 – 0.627) x (0.627)]

= [(0.354)x(0.857)] + [(0.230)x(0.627)]
= 0.303378 + 0.14421
= 0.447588 ≈ 0.448
Berikutnya, menghitung Patotal
Patotal = PaI + PaII

= 0.273 + 0.448
= 0.721
Membuat Kurva OC – Double Sampling Plan – Normal Inspection
Rincian perhitungan Patotal dengan proporsi cacat (p) = 0.001
PaI = [P(d1  0| np = 125(0.001)=0.125 ≈ 0.13) = 0.883
PaII = [P(d1=1| np = 125(0.001)=0.13)xP(d2  2| np = 125(0.001)=0.13)]+[P(d1=2| np = 125(0.001)=0.13)x P(d2 1| np = 125(0.001)=0.13)]
={[P(d11| np=0.13) - P(d10| np=0.13)]xP(d2  2| np=0.13)}+{[P(d12| np= 0.13)-P(d11| np = 0.13) ] x P(d2  1| np = 0.13)}
= [(0.993 – 0.883) x (0.999)] + [(0.999 – 0.993) x (0.993)]
= [(0.11)x(0.999)] + [(0.006)x(0.993)]
= 0.10989 + 0.005958
= 0.115848 ≈ 0.116

= 0.883 + 0.116
= 0.999
PaI = [P(d1  0|np= 125(0.002)=0.25 ≈ 0.3) = 0.741
PaII = [P(d1=1|np=125(0.002)=0.3)xP(d2  2|np=125(0.002)=0.3)]+[P(d1=2| np=125(0.002)=0.3)xP(d2 1| np=125(0.002)= 0.3)]

={[P(d11|np=0.3) - P(d10|np=0.3)] x P(d2  2|np=0.3)} + {[P(d12|np=0.3) - P(d11|np=0.3) ] x P(d2  1|np=0.3)}
= [(0.963 – 0.741) x (0.996)] + [(0.996 – 0.963) x (0.963)]
= [(0.222)x(0.996)] + [(0.033)x(0.963)]
= 0.221112 + 0.031779
= 0.252891 ≈ 0.253

= 0.741 + 0.253
= 0.994
PaI = [P(d1  0|np= 125(0.005)=0.6) = 0.549
PaII = [P(d1=1|np=125(0.005)=0.6)xP(d2  2| np= 125(0.005)=0.6)]+[P(d1=2| np= 125(0.005)=0.6)x P(d2 1| np=

125(0.005)=0.6)]
={[P(d11|np=0.6) - P(d10|np= 0.6)] x P(d2  2|np= 0.6)} + {[P(d12|np= 0.6) - P(d11|np= 0.6) ] x P(d2  1|np= 0.6)}
= [(0.878 – 0.549) x (0.977)] + [(0.977 – 0.878) x (0.878)]
= [(0.329)x(0.977)] + [(0.099)x(0.878)]
= 0.321433 + 0.086922
= 0.408355 ≈ 0.408

= 0.549 + 0.408
= 0.957
PaI = [P(d1  0|np= 125(0.01)=1.25 ≈ 1.3) = 0.273
PaII = [P(d1=1|np=125(0.01)=1.3)xP(d2  2| np= 125(0.01)=1.3)]+[P(d1=2| np= 125(0.01)=1.3)x P(d2 1| np= 125(0.01)=1.3)]
= [(0.627 – 0.273) x (0.857)] + [(0.857 – 0.627) x (0.627)]
= [(0.354)x(0.857)] + [(0.230)x(0.627)]
= 0.303378 + 0.14421
= 0.447588 ≈ 0.448

= 0.273 + 0.448
= 0.721
Membuat OC Curve – Double Sampling Plan – Normal Inspection
PaI = [P(d1  0|np= 125(0.015)=1.875 ≈ 1.9) = 0.150
= [(0.434 – 0.150) x (0.704)] + [(0.704–0.434) x (0.434)]
= [(0.284)x(0.704)] + [(0.27)x(0.434)]
= 0.199936 + 0.11718
= 0.317116 ≈ 0.317

= 0.150 + 0.317
= 0.467
PaI = [P(d1  0|np= 125(0.025)=3.125 ≈ 3.1) = 0.046
={[P(d11|np= 3.1) - P(d10|np= 3.1)] x P(d2  2|np= 3.1)} + {[P(d12|np= 3.1) - P(d11|np= 3.1) ] x P(d2  1|np= 3.1)}
= [(0.185 – 0.046) x (0.402)] + [(0.402 – 0.185) x (0.185)]
= [(0.139)x(0.402)] + [(0.217)x(0.185)]
= 0.055878 + 0.040145
= 0.096023 ≈ 0.096

= 0.046 + 0.096
= 0.142
PaI = [P(d1  0|np= 125(0.035)=4.375 ≈ 4.4) = 0.012
PaII = [P(d1=1|np=125(0.035)= 4.4)xP(d2  2| np= 125(0.035)= 4.4)]+[P(d1=2| np= 125(0.035)= 4.4)x P(d2 1| np= 125(0.035)=
4.4)]
= [(0.066 – 0.012) x (0.185)] + [(0.185 – 0.066) x (0.066)]
= [(0.054)x(0.185)] + [(0.119)x(0.066)]
= 0.00999 + 0.007854
= 0.017844 ≈ 0.018

= 0.012 + 0.018
= 0.03
PaI = [P(d1  0|np= 125(0.45)=5.625 ≈ 5.6) = 0.004
PaII = [P(d1=1|np=125(0.45)= 5.6)xP(d2  2| np= 125(0.45)= 5.6)]+[P(d1=2| np= 125(0.45)= 5.6)x P(d2 1| np= 125(0.45)= 5.6)]
= [(0.024 – 0.004) x (0.082)] + [(0.082 – 0.024) x (0.024)]
= [(0.020)x(0.082)] + [(0.058)x(0.024)]
= 0.00164 + 0.001392
= 0.003032 ≈ 0.003

= 0.004 + 0.003
= 0.007
PaI = [P(d1  0|np= 125(0.055)= 6.87 ≈ 6.9) = 0.001
PaII = [P(d1=1|np=125(0.055)=6.9)xP(d2  2| np= 125(0.055)=6.9)]+[P(d1=2| np= 125(0.055)=6.9)x P(d2 1| np=

125(0.055)=6.9]
={[P(d11|np= 6.9) - P(d10|np=6.9)] x P(d2  2|np= 6.9)} + {[P(d12|np= 6.9) - P(d11|np=6.9) ] x P(d2  1|np= 6.9)}
= [(0.008 – 0.001) x (0.032)] + [(0.032 – 0.008) x (0.008)]
= [(0.007)x(0.032)] + [(0.024)x(0.008)]
= 0.000224 + 0.000192
= 0.000416 ≈ 0.000

= 0.001 + 0.000
= 0.001
PaI = [P(d1  0|np= 125(0.06)= 7.5) = 0.001
PaII = [P(d1=1|np=125(0.06)=7.5)xP(d2  2| np= 125(0.06)=7.5)]+[P(d1=2| np= 125(0.06)=7.5)x P(d2 1| np= 125(0.06)=7.5]
={[P(d11|np=7.5) - P(d10|np=7.5)] x P(d2  2|np= 7.5)} + {[P(d12|np= 7.5) - P(d11|np=7.5) ] x P(d2  1|np= 7.5)}
= [(0.005 – 0.001) x (0.021)] + [(0.021 – 0.005) x (0.005)]
= [(0.004)x(0.021)] + [(0.016)x(0.005)]
= 0.000084 + 0.00008
= 0.000164 ≈ 0.000

= 0.001 + 0.000
= 0.001
Hasil penghitungan Pa dengan besar proporsi kesalahan (p) bervariasi 

menggunakan Tabel G
n p np d 0 d 1 d 2 Pa I Pa II Pa total
125 0.001 0.13 0.883 0.993 0.999 0.883 0.116 0.999

125 0.002 0.3 0.741 0.963 0.996 0.741 0.253 0.994
125 0.005 0.6 0.549 0.878 0.977 0.549 0.408 0.957
125 0.01 1.3 0.273 0.627 0.857 0.273 0.448 0.721
125 0.015 1.9 0.150 0.434 0.704 0.150 0.317 0.467
125 0.025 3.1 0.046 0.185 0.402 0.046 0.096 0.142
125 0.035 4.4 0.012 0.066 0.185 0.012 0.018 0.030
125 0.045 5.6 0.004 0.024 0.082 0.004 0.008 0.007
125 0.055 6.9 0.001 0.008 0.032 0.001 0.000 0.001
125 0.06 7.5 0.001 0.005 0.021
PPM_IEH3B3_Ganjil17/18_mrn 0.001 0.000 0.001
Membuat OC Curve untuk Double Sampling - Normal Inspection

nilai p
OC Curve - Double Sampling - Normal
p np Pa
Inspection
0.001 0.13 0.999 1.2
0.002 0.3 0.994 1
Probabiliitas Penerimaan (Pa)

0.005 0.6 0.957
0.8
0.01 1.3 0.721

0.6
0.015 1.9 0.467
0.4
0.025 3.1 0.142
0.035 4.4 0.030 0.2
0.045 5.6 0.007 0

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.055 6.9 0.001 proporsi cacat (p)
0.06 7.5 0.001

Average Outgoing Quality Curve  AOQ Curve
• Adalah tingkat kualitas rata-rata dari suatu departemen inspeksi
• Sampel yang diambil harus dikembalikan untuk mendapatkan

perbaikan bila produk tersebut ternyata rusak atau cacat atau
ada kesalahan
• AOQ mengukur rata-rata tingkat kualitas output dari suatu hasil

produksi yang banyak dengan proporsi kesalahan sebesar p
• Rumus AOQ yang digunakan double sampling plans, adalah sbb.:
[ PaI ( N  n1 )  PaII ( N  n1  n2 )]. p

AOQ 
N
Membuat Kurva AOQ – Double Sampling Plan – Normal
Inspection
Hasil penghitungan AOQ dengan besar proporsi kesalahan (p) bervariasi 

menggunakan Tabel G
Pa I N-n1 Pa II N-n1-n2 p AOQ
0.883 4875 0.116 4750 0.001 4.856

0.741 4875 0.253 4750 0.002 9.628
0.549 4875 0.408 4750 0.005 23.072
0.273 4875 0.448 4750 0.01 34.589
0.150 4875 0.317 4750 0.015 33.555
0.046 4875 0.096 4750 0.025 17.006
0.012 4875 0.018 4750 0.035 5.04
0.004 4875 0.008 4750 0.045 2.588
0.001 4875 0.000 4750 0.055 0.268
0.001 4875 0.000 4750 0.06
PPM_IEH3B3_Ganjil17/18_mrn 0.293
AOQ Curve – Double Sampling – Normal Inspection

variasi nilai p
AOQ Curve - Double Sampling - Normal
p AOQ
Inspection
0.001 4.856 40

0.002 9.628 35
0.005 23.072 30
Outgoing lots
25
0.01 34.589
20
0.015 33.555
15
0.025 17.006
10
0.035 5.04
5
0.045 2.588
0
0 0.01 0.02 0.03 0.04 0.05 0.06 0.07
0.055 0.268
Incoming lot quality (fraction defective), p
0.06 0.293
• Kurva ini menunjukkan rata-rata jumlah sampel yang diinspeksi

dari setiap lot yang dihasilkan
• Apabila dari produk yang dihasilkan tidak ditemukan kesalahan

atau ketidaksesuaian, maka produk tersebut akan diterima
melalui rencana sampel yang dipilih dan hanya sebanyak n unit
yang akan diinspeksi
• Apabila dari produk yang dihasilkan memiliki 100% produk yang

mengalami ketidaksesuaian, banyaknya unit yang diinspeksi
akan sebanyak N unit, dengan asumsi produk yang mengalami
ketidaksesuaian atau kesalahan tersebut disaring
Average Fraction Inspected  AFI
• Untuk double sampling plans – Normal Inspection,

digunakan rumus:
ATI = n1PaI + (n1+n2)PaII + N(1-Patotal)
= 125(0.273) + (125+125)(0.448) + 5000(1-0.721)
= 34.125 +112 + 1395
= 1541.125
AFI = ATI/N
= 1541.125/5000
= 0.308
• Kurva ini menunjukkan rata-rata banyaknya unit yang diuji

untuk membuat suatu keputusan.
• Asumsinya, inspeksi tidak hanya dibatasi untuk sampel
tunggal.
• Misalnya, jika terdapat 3 kesalahan setelah pemeriksaan 20
unit dengan single sampling plan, dimana N=800, n=60, c=2
 meskipun keputusan diambil setelah unit ke-20 untuk
menolak produk tersebut, inspeksi akan dilanjutkan hingga
seluruhnya (60 unit)
O.k.i untuk sampel tunggal, banyaknya sampel rata-rata
adalah sama dengan ukuran sampel (n)
• Untuk double sampling, jumlah sampel rata-rata

dirumuskan dengan:
ASN = n1PI + (n1+n2)(1-PI)
= n1 + n2 (1-PI)
PI = P{lot is accepted on the first sample} + P{lot is rejected on the first sample}
= P (d1  0 |np =125(0.01) ≈ 1.3) + P (d1  3 | np =125(0.01) ≈ 1.3)
= P (d1  0 |np =125(0.01) ≈ 1.3) + [1 – P(d1  2 |np =125(0.01) ≈ 1.3)]
= 0.273 + (1 – 0.857)
= 0.416
Jadi, ASN = 125 + [125(1-0.416)] = 125 + 73 = 198
Hitung ASN untuk variasi proporsi cacat lainnya


MATERI 7a

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

MATERI 7a

Hochgeladen von

Copyright:

Verfügbare Formate

IEH3B3 _ 3 sks _ Ganjil 2017/2018

a) Buatlah Single Sampling Plan untuk jenis pemeriksaan Normal,

Inspection Sampling Hitung np Lihat Tabel Pa

Tightened n=200 n=200 d  1  lihat c=1 Pa=(d  1 | np= 2) =

Reduced n=80 n=80 d  1  lihat c=1 Pa=(d  1 | np= 0.8) =

Menghitung Pa dengan variasi nilai p

n=200 Ac=2 Re=3 p np Pa

Menghitung Pa dengan variasi

Probabilitas Penerimaan (Pa)

0.01 2.0 0.677 0.6

0.015 3.0 0.423 0.4

Menghitung Pa dengan variasi nilai p

n=200 Ac=1 Re=2 p np Pa

Menghitung Pa dengan variasi

Probabilitas Penerimaan (Pa)

0.045 9.0 0.001

Menghitung Pa dengan variasi nilai p

n=80 Ac=1 Re=3 p np Pa

Menghitung Pa dengan variasi

0.001 0.08 0.997

Probabilitas Penerimaan (Pa)

0.01 0.8 0.809

0.015 1.2 0.663

0.045 3.6 0.126

proporsi cacat (p)

Menghitung Pa dengan variasi nilai p

0.001 0.999 0.982 0.997

0.002 0.992 0.938 0.99

Probabilitas Penerimaan (Pa)

0.025 0.125 0.04 0.406 0.2

0.035 0.03 0.007 0.231 0

• Adalah tingkat kualitas rata-rata dari suatu departemen inspeksi

[0.677 0.01 ] 5000−1 ]

• Untuk membuat AOQ Curve, digunakan beberapa variasi nilai

Menghitung AOQ dengan variasi nilai p

Menghitung AOQ dengan

p AOQ Average Outgoing Quality Curve

Average fraction defective of

0.01 0.0068 0.006

0.015 0.0063 0.004

0.055 Incoming lot quality (fraction defective), p

Menghitung AOQ dengan variasi nilai p

Menghitung AOQ dengan

Average fraction defective of

0.015 0.003 0.004

0.055 Incoming lot quality (fraction defective), p

Menghitung AOQ dengan variasi nilai p

Menghitung AOQ dengan

Average fraction defective of Outgoing

0.005 0.0047 0.008

0.06 0.0029 Incoming lot quality (fraction defective), p

• Kurva ini menunjukkan rata-rata jumlah sampel yang diinspeksi

• Apabila dari produk yang dihasilkan tidak ditemukan kesalahan

• Apabila dari produk yang dihasilkan memiliki 100% produk yang

• Untuk single sampling plan, digunakan rumus:

Contoh perhitungan untuk Normal Inspection

ATI = 200 + (1-0.677)(5000-200) = 1750.4

AFI = 1750.4 / 5000 = 0.35008

• Kurva ini menunjukkan rata-rata banyaknya unit yang diuji untuk

• Asumsinya, inspeksi tidak hanya dibatasi untuk sampel tunggal.

• Misalnya, jika terdapat 3 kesalahan setelah pemeriksaan 20 unit

• Adalah prosedur yang dalam keadaan tertentu, sampel kedua

r2 bilangan penolakan dari kedua sampel (sampel pertama dan kedua)

a) Buatlah Double Sampling Plan untuk jenis pemeriksaan Normal,