Poka Yoke

Poka Yoke jp

Poka Yoke dalam bahasa Jepang[1] dari Yokeru berarti untuk menghindari, dan Poka berarti kesalahan karena ketidak hati-hatian, Maka, Poka Yoke kurang lebih berarti alat untuk menghindari kesalahan. Dalam literatur barat Poka Yoke dikenal sebagai mistake proofing.

Poka Yoke pertama kali diperkenalkan oleh Shigeo Shingo, ketika memperkenalkan zero quality control di Toyopta Motor, sebagai Baka Yoke yang kurang lebih berarti alat untuk mencegah proses yang tidak benar.  Dalam literatur barat Baka Yoke disebut sebagai idiot proofing atau fool proofing.

Poka Yoke yang mulai dikenalkan di Toyota Motor Corp., oleh Shigeo Shingo dalam rangka mewujudkan zero defect adalah bagian tak terpisahkan dari Toyota Production System. Dengan kata lain, quality built in process berarti manusia berinteraksi dengan teknologi untuk memastikan bahwa proses berjalan dengan benar dan resiko kerusakan, proses berhenti, atau kecelakaan selama proses sebisa mungkin dihindari. Paduan manusia dengan tenknologi adalah kata kuncinya.

Contoh Poka Yoke di Toyota[2]. Welder akan turun. Bila nut tidak ada maka Welder akan menekan tombol yang secara otomatis akan mematikan Welder sehingga proses Welding tidak berjalan. Pada saat yang Poka Yoke1bersasamaan lampu akan menyala dan alarm atau buzzer akan berbunyi untuk menandai bahwa nut tidak ada dan masalah timbul. Jadi, alat dengan disain yang berfungsi untuk menghindarkan terjadinya proses yang tidak benar dinamakan Poka Yoke.

 

Poka Yoke di body panel[1. Toyota Motor Corp., ibid. with the courtesy],http://fe.uajy.net/fs/as/wp-content/uploads/2009/05/Poka-Yoke.png yang ditandai lingkaran kuning, untuk menjaga agar stamping tidak rusak pada saat  benda kerja tidak ada atau terpasang tidak tepat. Jadi proses stamping akan berhenti bila benda kerja tidak ada atau tidak tepat terpasang.  Poka Yoke ini diguakan untuk menghindarkan kerusakan mesin stamping press yang berkapasitas 22 ton itu.

Contoh lain Poka Yoke dalam Quality Control.  Sensor dipasang pada banPoka Yoke1 berjalan untuk mendeteksi produk. Bila produk yang diatas ban berjalan tidak sesuai dengan rencana maka alarm akan berbunyi dan lampu akan menyala yang berarti ada masalah. Sensor semacam ini banyak dijumpai pada quality control process di pembotolan untuk meyakinkan bahwa volume di dalam botol semuanya dalam standar, proses pengemasan obat-obatan untuk memastikan bahwa dalam satu pak telah berisi jumlah obat sesuai standar

Poka Yoke dan Eliminasi Muda

Konsep dasar Poka Yoke tidak terpisah dari eliminasi Muda, yaitu untuk mengeliminasi  kemunculan berbagai Muda karena proses yang tidak benar. Dalam dua contoh Muda di Toyota Motor Corp., diatas, tampak jelas bahwa tujuan memasang Poka Yoke d Welder dan di mesin Stamping adalah untuk menghindari kerusakan, baik kerusakan mesin atau peralatan maupun kerusakan produk. Kerusakan mesin atau peralatan jelas akan menilmbulkan biaya perbaikan, proses berhenti-muda of waiting, produk cacad-muda of producing reject. Itu belum opportunity cost karena proses berhenti sebagai akibat dari Pull System dimana proses yang berhenti di suatu unit kerja akan mempengaruhi unit kerja upstream maupun downstream.

Jadi, konsep revolusioner Pull System memang menghendaki kesempurnaan di semua proses dimana zero defect quality bukan sekedar pemuasan kebutuhan konsumen namun merupakan bagian integral dari usaha untuk meningkatkan produktivitas perusahaan yang dilakukan dengan mengeliminasi Muda. Poka Yoke adalah salah satu penunjangnya. Dalam hal ini jelas sekali bagaimana paduan manusia, teknologi, dan wisdom ada di Toyota Production System. Atau dengan kata lain, Toyota Production System bukan hanya sekedar sebuah manufacturing system tetapi sebuah techno social system.

Secara sederhana Poka Yoke bisa dipikirkan sebagai alat bantu untuk menjaga agar proses selalu terjaga benar agar kerusakan alat, cacad produk, atau kecelakaan manusia terhindarkan dan biaya yang tidak perlu bisa dihindarkan pula. Muaranya jelas sekali yaitu produktivitas perusahaan. Sebenarnya, dalam banyak contoh pekerjaan di Indonesia, Poka Yoke itu sudah dijumpai namun namanya bukan Poka Yoke. Misal di pekerjaan bangunan, pertukangan, dan permesinan.

_________________

  1. Wikipedia, http://en.wikipedia.org/wiki/Poka-yoke; Kerri Simon, Poka Yoke Mistake Proofing, ISixSigma, http://www.isixsigma.com/library/content/c020128a.asp, 2009-05-05 []
  2. Toyota Motor Corp, The Toyota Production System, 1996, with the courtesy []

Six Sigma

Six Sigma telah menjadi perbincangan dan bahkan telah menjadi simbol tentang kesempurnaan dibidang kualitas. Berbagai pendapat telah mengulas mengenai The Origin os Six Sigma, sebagai misal yang ada di ISix Sigma[1] Masing-masing dengan perspektifnya. Apakah Six Sigma itu ?

Pertama, kosa kata Sigma itu memang digunakan untuk menandai hal yang sama yaitu deviasi terhadap mean atau rata-rata dalam quality control techniques.  Walter A. Shewhart[2] adalah founding father[3]Statistical Process Control atau SPC.  Dalam SPC, sigma dengan notasi σ, digunakan untuk menandai satuan besar penyimpangan atau deviasi terhadap rata-rata sehingga bisa ditetapkan Upper Control Limit dan Lower Control Limit. Satuan sigma dalam SPC ini pada dasarnya sama dengan satuan sigma dalam distribusi Gauss[4] Kurva Gaussian Normal adalah continous distribution yang termasuk dalam kelompok bell shape, dengan expected value μ dan variance σ2. Kurva ini simterik ini menjelaskan bahwa kurva simetrik itu juga mempunyai deviasi simterik pula, yaitu  σ= ± 1, σ= ± 2, dan σ= ± 3 . Jadi, notasi σ atau yang diucapkan dengan sigma memang notasi umum yang digunakan dalam Statistik sejak jaman Gauss untuk distribusi Gauss hingga ke Walter Shewhart untuk Statistical Process Control.

Gauss distribution juga memberi gambaran luas wilayah pada masing-masing interval deviasi. Antara -1σ ke +1σ : 68.26%, -2σ ke +2σ : 95.44%, dan -3σ ke +3σ : 99.72%. Dengan demikian cukup jelas bahwa notasi σ atau sigma yang telah digunakan oleh Gauss dalam distribusinya tetap digunakan pula oleh Walther A. Shewart untuk SPC-nya. Memang ada ada berbagai macam SPC, namun dasarnya tetap sama. Penetapan parameter – Sigma dalam SPC pada dasarnya tergantung kepada manajemen, Semakin besar Sigma, misal 3σ berarti kontrol semakin longgar, namun sebaliknya semakin kecil Sigma misal 1σ maka semakin ketat kontrol.

Ke dua, Six Sigma Motorolla. Fenomena zero defect di Toyota Production System telah membuat gerah tim SPC Motorola. Kerja Deming, Juran, dan Crosby yang mencoba untuk menyibak fenomena Japanese Management Practices itu, masing-masing dengan preposisinya,  tampaknya belum memenuhi rasa penasaran mereka. Maka, Motorolla mengembangkan sebuah model untuk menandai tingkat pencapaian kualitas dengan meng-inovasi distribusi Gauss dan SPC. Lahirlah Six Sigma Motorola[5].

Inovasi yang dilakukan oleh Motorola terhadap SPC nya Shewart ada dua, yaitu:

memperlebar deviasi dari 3σ menjadi 6σ. Sebagai sebuah pdf atau probability density function [6] pelebaran deviasi dari 3σ menjadi 6σ ini membawa digit sampai sembilan untuk 6σ.

  • mengkonversi skala deviasi menjadi setara dengan skala ppm kependekan dari Part Per Milion defect. Perhatikan bahwa 6σ berarti 0.02 ppm, atau dalam satu juta parts yang dihasilkan terdapat 0.02 yang cacad. Dengan demikian, bisa dibayangkan dengan mudah bila menghasilkan satu milyar parts maka akan ada 2 parts yang tidak memenuhi spesifikasi. Bayangkan! Inilah mungkin target zero defect-nya Motorola.

Namun demikian, meskipun stadard deviasi digeser ± 1.5σ maka proses tidak akan mungkin lebih baik dari 3.4 ppm atau 2 ppb atau part per billion defects. Maka, standard ini selanjutnya menjadi target kemampuan Motorola dibidang  disain produk, produksi, dan pelayanan pada tahun 1992[7]

Dalam perkembangan selanjutnya, Six Sigma telah menjadi sebuah metoda untuk contionous iprocess mprovement dengan metodologi tertentu yang dikembangkan oleh berbagai lembaga[8]. Juga, Six Sigma yang pada awalnya dikembangkan oleh Motorola telah menjadi icon bagi jaminan kualitas sebuah lembaga konsultan.

_______________

  1. Pat Q, The Origin of Six Sigma, http://www.isixsigma.com/forum/showmessage.asp?messageID=7235, 2009-05-16 []
  2. Engineering Statistics, 2.2.2.1 Shewhart control chart,  http://www.itl.nist.gov/div898/handbook/mpc/section2/mpc221.htm, 2009-05-10; Wikipedia, Control Chart, http://en.wikipedia.org/wiki/Control_chart, 2009-05-10; Blog Spot, Walter A. Shewhart, http://walter-a-shewart.blogspot.com/2007/10/walter-shewhart.html, 2009-05-10 []
  3. ASQ, Walter A. Shewhart-father os statistical quality control, http://www.asq.org/about-asq/who-we-are/bio_shewhart.html, 2009-05-10 []
  4. Wikipedia, Gaussian Function, http://en.wikipedia.org/wiki/Gaussian_function, 2009-05-10; Wolfram Math World, Gaussian Function, http://mathworld.wolfram.com/GaussianFunction.html, 2009-05-10 []
  5. Motorola, The Motorola Guide To Statistical Process Control Continuous Improvement Toward Six Sigma Quality, 1990 []
  6. Gaussian Distribution Function, http://hyperphysics.phy-astr.gsu.edu/Hbase/math/gaufcn.html, 2009-05-10;  ((Wikipedia, Gaussian Function, http://en.wikipedia.org/wiki/Gaussian_function, 2009-05-10 []
  7. SPC Motorola p 5; lihat pula Zack Swinney, 1.5 Sigma Process Shift Explanation, http://www.isixsigma.com/library/content/c010701a.asp, 2009-05-16 []
  8. Six Sigma,  Project Selection, http://www.isixsigma.com/me/project_selection/,2009-05-16 []

SPC, Statistical Process Control

Statistical Process Control, disingkat SPC, adalah bagan visual untuk memberi gambaran proses yang sedang berjalan, untuk mengetahui apakah proses berada didalam batas-batas yang telah ditetapkan sebelumnya atau tidak. SPC adalah satu diantara tujuh alat kualitas.

SPC tidak lepas dari kerja Walter Andrew Shewhart[1], ahli di bidang fisika, rekayasa, dan statistika ketika ditugasi oleh bosnya Dr George D. Edward untuk membuat sebuah diagram quality control process di May 16, 1924.

Sebelumnya, yaitu tahun 1918, Dr Shewhart terlibat dalam pengawasan produk jadi dan mengeluarkan produk-produk cacad di Engineering Dept, salah satu perusahaan Western Electric[2] Shewhart menggunakan distribusi Gauss dengan μ yang ditransformasi menjadi rata-rata sebaran karakteristik proses, dan ± σ yang ditrasformasi menjadi UCL atau Upper Control Limit dan LCL atau Lower Control Limit sebagai landasannya.

Walter A. Shewhart defined control as follows[3]:

“A phenomenon will be said to be controlled when, through the use of past experience, we can predict, at least within limits, how the phenomenon may be expected to vary in the future. Here it is understood that prediction within limits means that we can state, at least approximately, the probability that the observed phenomenon will fall within the given limits.”

Dari batasan yang dibuat oleh Shewhart ini, tampak bahwa ide menemukan SPC adalah untuk mengetahui apa yang sedang terjadi dan bisa digunakan untuk memprediksi apa yang akan terjadi sehingga tindakan yang dipandang perlu bisa segera dilakukan. Disamping itu bagan SPC tersebut juga memunculkan gambaran mengenai proses yang diluar kendali atau out of control.

Teknologi pada dasarnya lebih deterministik, namun interaksi antara teknologi dengan manusia dalam proses sering memunculkan hasil-hasil yang sifatnya uncontrollable atau diluar kendali.  Dalam hal ini, Shewhart melihat penyimpangan itu disebabkan oleh dua faktor yaitu Common Causes[4] yang tidak perlu di-identifikasi dan Special Causes[5] yang perlu diidentifikasi.

spc1

SPC dibedakan menjadi dua golongan besar sesuai dengan karakteristik data yang diobservasi, yaitu Variable dan Attribute.

Pembedaan antara kategori Variable dan Attribute didasarkan pada jenis distribusi data.  Ada dua jenis kategori data, yaitu Continous dan Discrete. Oleh karena itu, pemilihan teknik SPC perlu memperhatikan jenis data disamping tujuan penggunaan teknik tersebut.

Variable Data

Continuous Distribution menggambarkan data yang memiliki distribusi rapat sekali karena data tersebut bisa terjadi dalam digit dibelakang koma hingga n digit. Contoh data ini adalah untuk mengukur ketebalan kayu yang bisa bervariasi, misal sekitar 10 mm bisa 9.99995 hingga 10.0005 untuk toleransi ±0.005%. Pada perubahan frekuensi listrik sumber PLN yang bisa naik turun dari 50 Hz. Bisa 45, 01 Hz hingga 55.00 Hz, artinya variasi data bisa terjadi diantaraangka tersebut. Juga data tegangan listrik PLN yang bisa bervariasi antara 180 Volt hingga 230 Volt dimana sembarang data diantara interval tersebut mungkin muncul. Juga, berat produk, dimensi,  atau volume dimana variasinya diukur dengan satuan berat, satuan dimensi,  atau satuan volume.

Teknik-teknik SPC yang termasuk dalam kategori data Variable adalah:

  • R Chart
  • X Chart
  • S Chart

R Chart

R kependekan dari Range, mengukur beda nilai terendah dan tertinggi sampel produk yang diobservasi, dan memberi gambaran mengenai variabilitas proses.

LCL

R

UCL1

 

 

UCL : Upper Control Limit
LCL : Lower Control Limit
R : Range
k : jumlah sampel inspeksi

Tabel untuk factor R Chart dan X Chart[6]:

X Chart

X Chart atau Mean Chart, memvisualisasikan fluktuasi rata-rata sampel dan rata-rata dari rata-rata sampel kemudian akan menunjukkan bagaimana penyimpangan rata-rata sampel dari rata-ratanya. Penyimpangan ini akan memberi gambaran bagaimana konsistensi proses. Semakin dekat rata-rata sampel ke nilai rata-ratanya maka proses cenderung stabil, sebaliknya maka proses cenderung tidak stabil. Dalam formulasi berikut, tampak bahwa X Chart Bar juga memasukkan variabel R rata-rata.

uclx

x

lclx

x double bar : rata-rata
n :  jumlah sampel

S Chart

S dalam S Chart menandai Sigma (σ) atau Standard Deviation Chart[7] hendaknya digunakan untuk mendeteksi apakah karakteristik proses stabil[8]. Oleh karena itu, S Chart biasanya di plot bersama dengan X Chart sehingga memberi gambaran mengenai variasi proses lebih baik.

s

LCLsLCLsSc4
Ketiga teknik SPC diatas banyak digunakan dalam industri manufaktur dan rekayasa yang membutuhkan presisi tinggi. Kata kunci adalah jenis data yang diobservasi, yaitu continous.

Attribute Data

Discrete Distribution memberi gambaran data yang terdistribusi secara utuh atau tanpa pecahan atau angka dibelakang koma. Misal 10, 11, 12, dst. Contoh data semacam ini misal: jumlah produksi dalam satuan unit seperti mobil, sepeda motor, botol, karton produk, rokok, dsb.

Teknik-teknik SPC untuk kategori  Attribute Data dibedakan menjadi dua tipe[9], yaitu Yes/No atau Ya/Tidak,  dan Counting atau Terhitung :

Data Ya/Tidak atau Yes/No Data

Tipe data ini hanya membedakan antara cacad atau tidak cacad. Teknik SPC yang termasuk dalam kelompok ini adalah:

  • P Chart
    • Sampel Konstan
    • Sampel Variabel
  • NP Chart

Data Terhitung atau Counting Data

Bila data yang diobeservasi lebih rumit atau dikehendaki analisis yang lebih mendalam, maka P Chart dan NP Chart kurang memadai. Oleh karena itu digunakan:

  • C Chart
  • U Chart

P Chart

P dalam P Chart menandai “proporsi” antara produk cacad atau tidak memenuhi kriteria dengan sampel yang dilakukan secara rutin.  Jadi,  P Chart digunakan untuk memantau apakah variasi proses masih terkendali.

http://fe.uajy.net/fs/as/wp-content/uploads/2009/05/p1.png

P bar : proporsi rata-rata

 

p2

 

 

 

Z = 1, 2, atau 3
n = jumlah sampel

P Chart dengan Sampel Variabel.

P Chart dalam model diatas menggunakan sampel konstan, misal setiap kali sampling ukurannya selalu sama. Bila sampel pada saat sampling berubah-ubah maka model berikut yang digunakan.

p1

P bar = proporsi cacad

p4

 

p5

 

Z = 1, 2, atau 3
ni = jumlah sampel ke i
i = 1, 2, ….., m

Dalam model ini, UCL dan LCL akan tervisualisasikan berfluktuasi. Ini berbeda dengan sampel konstan yang akan tervisualisasikan sebagai sebuah garis lurus. Pembacaan tetap sama, yang diluar UCL dan LCL berarti out of control.

NP Chart

N dalam NP Chart menandai jumlah sampel. Karena P menandai proporsi sampel cacad (P) terhadap jumlah sampel (N) maka NP tidak lain adalah jumlah sampel cacad itu sendiri. NP Chart selalu menggunakan sampel konstan. Dengan demikian, NP chart lebih memberi gambaran besar mengenai sampel cacad dan lebih digunakan oleh tingkat organiosasi yang kurang menghendaki informasi rinci.

p1

P bar = proporsi cacad

 

p6

P7

 

 

 

Z = 1, 2, atau 3
n = jumlah sampel

C Chart

C pada C Chart menandai “count” atau hitung cacad.  Dalam sebuah sampel berapa banyak cacad dijumpai tanpa memperhitungkan jenis cacadnya, segala macam cacad sesuai dengan batasan yang telah dibuat. Misal dalam sebuah proses produksi  mungkin terjadi beberapa cacad, pada setiap produk yang dihasilan,  maka jumlah cacad per satuan produk per satuan waktu yang dihitung.

c1

ci = cacad ke i
i = 1, 2, . . . . , m
n = jumlah sampel

 

c2

c3

 

 

U Chart

U dalam U Chart menandai “Unit” cacad dalam kelompok sampel[10]. Bila dalam teknik yang lain data cacad langsung menjadi data yang di plot ke bagan, maka U Chart perlu untuk menghitung terlebih dahulu U (“Unit”) cacad untuk setiap n, dimana Ui = ci/ni.  Inilah yang terutama membedakan U Chart dari C Chart.

Karakteristik ini memberi gambaran mengenai tujuan penggunaan U Chart, yaitu bila dikehendaki observasi dengan inspeksi rutin dengan cara sampling untuk mengetahui kerusakan cacad proses per sampel pada proses produksi dengan volume  per satuan waktu tinggi. Model yang dikembangkan adalah[11]:

Ui : Unit cacad per sampel
ci : Unit cacad ke i
ni : Jumlah sampel inspeksi ke i

 

U2

U bar : U rata-rata

 

 

U3

U4

Z = 1, 2, atau 3

 

 

U Chart, dalam beberapa kasus penerapan[12], memperluas ni pada Ui=ci/ni sehingga nilai ni kini tergantung kepada Oi yaitu output per satuan waktu dan Ni target inspeksi pada satuan waktu tersebut.

UOi : Ouput ke i
Ni : Observasi

 

Perluasan ini memungkinkan organisasi untuk mengetahui dinamika karakteristik proses dalam suatu kurun waktu tertentu. Misal, dalam waktu satu tahun kerja akan dilakukan 100 hari observasi untuk memeriksa sampel. Maka,

Perluasan ini memungkinkan organisasi untuk mengetahui dinamika karakteristik proses dalam suatu kurun waktu tertentu. Misal, dalam waktu satu tahun kerja akan dilakukan 100 hari observasi untuk memeriksa sampel. Maka,

Dengan demikian semakin jelas bahwa dengan U Chart, gambaran mengenai jumlah rata-rata cacad dalam setiap produk bisa diperoleh. Gambaran tersebut akan menjadi langkah awal untuk menjalankan manajemen kualitas, planing-process-control

___________________

  1. Wikipedia, Walter A. Shewhart, http://en.wikipedia.org/wiki/Walter_A._Shewhart, 2009-05-17; []
  2. Wikipedia, Walter A. SchewartIbid []
  3. Statistical Process Control: the Founders’ Way, Statistical Process Control (SPC), http://statistical-process-control.blogspot.com/2007/10/statistical-process-control.html, 2009-05-22 []
  4. Statistical Process Control: the Founders’ Way, Common Causes and Special Causes, http://statistical-((rocess-control.blogspot.com/2007/10/common-and-special-causes.html, 2009-05-22 []
  5. Ibid []
  6. bama-ua, http://bama.ua.edu/~sga/TestFile/OM%20300/OM%20300%20Fall%202006%20Exam%202.pdf, 2009-05-19; Engineering Statistics Handbook, Shewhart R bar, X bar, and S control chart, http://www.itl.nist.gov/div898/handbook/pmc/section3/pmc321.htm []
  7. Midas, Using an XBar and s Chart to Compare Samples from Different Applications, http://www.statit.com/support/quality_practice_tips/compare_samples_diff_apps.shtml, 2009-05-23; Quality America, When to Use an X-bar/S Chart, http://www.qualityamerica.com/knowledgecente/knowctrWhen_to_Use_an_Xbar_S_Chart.htm, 2009-05-23 []
  8. Engineering Statistics Hand Book,
    Shewhart X-bar and R and S Control Charts, http://www.itl.nist.gov/div898/handbook/pmc/section3/pmc321.htm, 2009-05-23; []
  9. BPI Consulting, U Control Chart, July 2007, http://www.spcforexcel.com/u-control-charts#uControlChartInfections, 2009-05-21 []
  10. Data Plot Reference Manual, U Control Chart, March 11, 1997, http://www.itl.nist.gov/div898/software/dataplot/refman1/ch2/ucontrol.pdf, 2009-05-21; Quality Adiviser, u-chart: When is it used?, http://www.qualityadvisor.com/sqc/u_chart_when.php, 2009-05-22 []
  11. Center for ISO 9000, Statistical Control for Atribute Data. U Chart, http://www.iso-9000.ro/eng/techstat/uchart.htm, 2009-05-22; Quality America Inc., U Chart Calculations, http://www.qualityamerica.com/knowledgecente/knowctrU_Chart_Calculations.htm; 2009-05-22; Issa Bass, Statistical Process Control, http://www.sixsigmafirst.com/controlcharts1.htm, 2009-05-22 []
  12. Department of Energey Hanford Site, The U Chart, http://www.hanford.gov/rl/uploadfiles/VPP_uchart.pdf, 2009-05-22; BPI Consulting, U Control Chart, http://www.spcforexcel.com/u-control-charts#uControlChartInfections, 2009-05-22; MIDAS, u Charts, p Charts and i Charts, http://www.statit.com/support/quality_practice_tips/ucharts_pcharts_icharts.shtml, 2009-05-22; Stephenson W. Robert, Radiator Grille: All Defects, Initial U chart (n=10), http://www.public.iastate.edu/~wrstephe/stat495/Tape20charts.pdf []