Dini Ramadhani - Exsight

Analisis Segmentasi Pelanggan | Konsep

Leave a Comment / Deskripsi / Dini Ramadhani / March 5, 2025

Hai Sobat Exsight! Selamat datang di artikel kami 😊. Artikel ini akan membahas mengenai metode analisis data yang dapat membantu untuk memahami perilaku dan preferensi pelanggan. Teknik yang umum digunakan yaitu analisis segmentasi pelanggan. Teknik ini memungkinkan perusahaan mengelompokkan pelanggan berdasarkan karakteristik tertentu untuk mengembangkan strategi yang lebih terarah dan efektif.

Segmentasi pelanggan telah menjadi elemen penting dalam dunia pemasaran dan bisnis modern. Dengan memahami konsep dasarnya, bisnis dapat lebih fokus memenuhi kebutuhan pelanggan, meningkatkan pengalaman, dan membangun loyalitas yang lebih kuat.

Pada artikel ini akan dibahas mengenai konsep dasar analisis segmentasi pelanggan, jenis-jenis segmentasi yang umum digunakan, dan manfaatnya dalam berbagai situasi bisnis.

Apakah Anda seorang pemilik bisnis, pemasar, atau data analyst yang ingin lebih memahami pelanggan Anda? Artikel ini adalah panduan yang tepat. Jadi, siapkan catatan Anda, dan mari kita mulai eksplorasi menarik tentang analisis segmentasi pelanggan ini! 😊

Analisis Segmentasi Pelanggan

Analisis segmentasi pelanggan adalah proses mengidentifikasi dan mengelompokkan pelanggan berdasarkan karakteristik, perilaku, dan kebutuhan yang serupa untuk memahami preferensi dan harapan mereka. Tujuan dari analisis ini adalah untuk menciptakan pemahaman yang mendalam tentang berbagai segmen pasar yang ada, sehingga perusahaan dapat menyesuaikan produk, layanan, dan strategi pemasaran mereka dengan lebih efektif.

Manfaat Analisis Segmentasi Pelanggan

Implementasi segmentasi pelanggan memberikan banyak manfaat bagi bisnis. Beberapa keuntungan kunci termasuk:

Targeting yang lebih baik dalam kampanye pemasaran: Segmentasi memungkinkan bisnis untuk memahami kelompok pelanggan mana yang paling mungkin merespons pesan pemasaran tertentu. Ini berarti kampanye dapat lebih terfokus, mengurangi pemborosan, dan meningkatkan peluang keberhasilan.
Peningkatan kepuasan dan retensi pelanggan: Pelanggan yang merasa dipahami dan dihargai lebih cenderung tetap loyal terhadap suatu merek. Segmentasi pelanggan membantu bisnis memberikan pengalaman yang dipersonalisasi yang mendorong kepuasan pelanggan, yang pada akhirnya meningkatkan tingkat retensi.
Peningkatan profitabilitas: Bisnis dapat meningkatkan tingkat konversi dan menghasilkan lebih banyak pendapatan dengan menargetkan pelanggan dengan penawaran yang sesuai. Misalnya, sebuah perusahaan dapat menggunakan segmentasi berbasis nilai untuk mengidentifikasi pelanggan dengan pengeluaran tinggi dan menawarkan promosi eksklusif, sehingga meningkatkan penjualan dan loyalitas pelanggan.
Wawasan pengembangan produk: Segmentasi pelanggan juga memberikan wawasan berharga tentang preferensi produk. Ketika menganalisis kebutuhan dari berbagai segmen pelanggan, bisnis dapat mengembangkan produk dan layanan yang memenuhi preferensi ini, yang mengarah pada kepuasan yang lebih tinggi dan kinerja penjualan yang lebih baik.

Karakteristik Pelanggan

Terdapat beberapa cara pendekatan untuk memahami karakteristik pelanggan, yaitu:

Segmentasi Demografis
Segmentasi ini mengelompokkan pelanggan berdasarkan faktor demografis seperti umur, jenis kelamin, ukuran keluarga, pendidikan, pekerjaan, dan status sosial ekonomi. Ini membantu perusahaan memahami siapa pelanggan mereka dan bagaimana karakteristik demografis memengaruhi perilaku pembelian.
Segmentasi Psikografis
Dalam segmentasi ini, pelanggan dikelompokkan berdasarkan kepribadian, gaya hidup, nilai-nilai, dan sikap. Psikografi memberikan wawasan yang lebih dalam tentang motivasi dan preferensi pelanggan, yang dapat digunakan untuk menyesuaikan penawaran produk dan strategi pemasaran.
Segmentasi Perilaku
Segmentasi perilaku mengelompokkan pelanggan berdasarkan perilaku mereka dalam menggunakan produk atau layanan, seperti manfaat yang dicari, frekuensi pembelian, dan tingkat penggunaan. Ini membantu perusahaan memahami pola pembelian dan kebutuhan pelanggan yang lebih spesifik.
Segmentasi Geografis
Segmentasi ini mengelompokkan pelanggan berdasarkan lokasi geografis, seperti negara, provinsi, kota, atau bahkan kode pos. Faktor iklim dan budaya lokal juga dapat dipertimbangkan dalam segmentasi geografis, sehingga perusahaan dapat menyesuaikan penawaran mereka berdasarkan kondisi spesifik di suatu area.

Segmentasi berdasarkan nilai RFM

Sedangkan menurut Adiana, dkk (2018) Segmentasi pelanggan dibagi menjadi 6 karakteristik berdasarkan nilai RFM (Recency, Frequency, Monetary) seperti berikut:

Superstar:
- Pelanggan dengan loyalitas yang sangat tinggi
- Memiliki nilai monetari yang tinggi.
- Mempunyai frekuensi transaksi yang tinggi.
- Melakukan transaksi paling banyak.
Golden Customer:
- Memiliki nilai monetari tertinggi kedua.
- Frekuensi transaksi yang tinggi.
- Mempunyai rata-rata transaksi yang baik.
Typical Customer:
- Memiliki rata-rata nilai monetari dan rata-rata transaksi yang berada pada level rata-rata.
Occasional Customer:
- Memiliki nilai monetari terendah kedua setelah dormant customer.
- Memiliki nilai recency yang paling rendah.
- Melakukan transaksi dengan frekuensi yang tinggi.
Everyday Shopper:
- Menunjukkan peningkatan dalam jumlah transaksi.
- Mempunyai tingkat transaksi yang rendah.
- Memiliki nilai monetari yang sedang hingga rendah.
Dormant Customer:
- Memiliki frekuensi dan nilai monetari yang paling rendah.
- Memiliki nilai recency yang paling rendah.

Teknik untuk Analisis Segmentasi

Teknik yang telah digunakan oleh beberapa peneliti sebelumnya yaitu sebagai berikut:

1. K-Means

Salah satu metode clustering yang populer dan banyak diteliti untuk meminimalkan kesalahan pengelompokan dalam ruang Euclidean adalah K-Means clustering . Pendekatan ini termasuk dalam kategori clustering tipe partisi. K-Means menggunakan strategi greedy (serakah) dengan membuat partisi baru melalui penugasan setiap data ke pusat klaster terdekat, diikuti dengan penghitungan ulang pusat klaster. Metode ini mengelompokkan data tertentu ke dalam sejumlah klaster (k cluster). Konsep dasarnya adalah menentukan k pusat (k centroid), masing-masing mewakili satu klaster. Penempatan awal pusat ini harus dipertimbangkan dengan cermat, karena lokasi yang berbeda dapat menghasilkan hasil pengelompokan yang berbeda.

2. DBSCAN (Density-Based Spatial Clustering of Applications with Noise)

DBSCAN (Density Based Spatial Clustering of Applications with Noise) adalah algoritma clustering yang bekerja dengan memperluas klaster berdasarkan sampel inti (core sample). Algoritma ini menggunakan dua parameter utama untuk menentukan klaster. Parameter pertama adalah jumlah minimum titik yang diperlukan untuk membentuk core sample, yang berfungsi untuk menentukan batas tingkat kebisingan. Parameter kedua adalah ε (epsilon), yang mengacu pada radius maksimum di mana titik-titik dapat dianggap sebagai tetangga satu sama lain.

3. Hierarchical Clustering

Hierarchical Clustering adalah algoritma pengelompokan data yang dimulai dengan menganggap setiap observasi sebagai klaster terpisah, kemudian secara bertahap menggabungkannya ke dalam kelompok yang lebih besar. Proses ini dikenal sebagai pendekatan bottom-up. Pendekatan hierarchical dalam analisis klaster dapat dibagi menjadi dua metode utama: Agglomerative, yaitu metode dimana setiap objek awalnya dianggap sebagai klaster individual. Kemudian, dua objek dengan tingkat ‘kemiripan’ tertinggi digabungkan menjadi satu klaster, dan proses ini berlanjut sampai semua objek tergabung menjadi satu klaster besar dan Divisive, yaitu metode dimana dimulai dengan satu klaster yang mencakup semua objek atau pengamatan. Objek yang memiliki perbedaan paling besar dalam ‘kemiripan’ secara bertahap dipisahkan dari klaster, hingga setiap objek menjadi klaster tersendiri.

4. K-Medoids

Algoritma K-Medoids, atau dikenal juga sebagai algoritma PAM (Partitioning Around Medoid), adalah metode clustering yang dirancang untuk mengatasi kelemahan K-Means yang cenderung sensitif terhadap outlier, karena objek dengan nilai besar dapat menyimpang jauh dari distribusi data. Berbeda dengan K-Means yang menggunakan mean sebagai pusat klaster, K-Medoids menggunakan medoid, yaitu objek data yang paling representatif atau paling sentral dalam suatu klaster. Dalam algoritma ini, K objek dipilih secara acak sebagai medoid untuk mewakili klaster, dan setiap objek data lainnya ditugaskan ke klaster yang memiliki medoid terdekat.

5. Metode Fuzzy C-Means

Fuzzy C-Means adalah metode clustering yang menentukan keberadaan setiap titik data dalam suatu klaster berdasarkan derajat keanggotaan. Fuzzy merepresentasikan himpunan dengan batas keanggotaan yang tidak didefinisikan secara tegas berdasarkan terpenuhinya suatu syarat. Konsep dasar Fuzzy C-Means melibatkan penentuan pusat klaster sebagai langkah awal untuk menandai rata-rata lokasi setiap klaster. Pada tahap awal, posisi pusat klaster belum sepenuhnya akurat. Setiap titik data memiliki derajat keanggotaan terhadap setiap klaster. Dengan memperbarui pusat klaster dan derajat keanggotaan secara iteratif, pusat klaster akan bergerak menuju posisi yang lebih tepat.

Contoh Penerapan Segmentasi Pelanggan dalam Bisnis

Segmentasi pelanggan dapat diterapkan di berbagai bidang bisnis untuk memahami kebutuhan dan preferensi pelanggan dengan lebih baik. Berikut adalah beberapa contoh penerapan segmentasi pelanggan yang disesuaikan dengan bidang bisnisnya:

1. Bidang Kecantikan

Salon Nuii Beauty Glow beroperasi di industri kecantikan yang kompetitif, di mana pemahaman tentang karakteristik pelanggan sangat penting. Dengan menggunakan algoritma K-Means Clustering, salon ini dapat mengelompokkan pelanggannya berdasarkan karakteristik yang relevan. Penelitian ini menghasilkan tiga cluster pelanggan, dengan cluster 0 sebagai kelompok terbesar yang terdiri dari 48 pelanggan, cluster 1 memiliki 10 pelanggan, dan cluster 3 memiliki 12 pelanggan. Uji indeks Davies Bouldin digunakan untuk mengevaluasi kualitas cluster, dan model RFM (Recency, Frequency, Monetary) digunakan untuk memfasilitasi pengelompokan.

2. Bidang Retail Online

Di sektor retail online, pemahaman yang mendalam mengenai pelanggan sangat penting untuk meningkatkan pengalaman belanja. Sebuah penelitian menerapkan K-Means Clustering untuk segmentasi pelanggan berdasarkan perilaku belanja mereka. Dengan menggunakan pemrograman Python, analisis dilakukan melalui metode elbow untuk menentukan jumlah cluster yang optimal, yang ditemukan sebanyak empat cluster. Setiap cluster memiliki karakteristik spesifik, seperti kuantitas dan harga satuan, yang berpengaruh terhadap perilaku pembelian pelanggan. Strategi pemasaran yang disesuaikan dengan setiap segmen pelanggan dapat meningkatkan efektivitas penawaran produk dan komunikasi dengan pelanggan.

3. Bidang Farmasi

PT. Abbott Indonesia, yang bergerak di industri farmasi, memerlukan pemahaman yang baik tentang karakteristik pelanggannya untuk merumuskan strategi pemasaran yang efektif. Penelitian ini menggunakan kombinasi RFM Model, K-Means Clustering, dan Rough Set Theory untuk melakukan segmentasi pelanggan. Model RFM digunakan sebagai atribut kuantitatif untuk variabel masukan, sementara K-Means mengelompokkan pelanggan ke dalam segmen yang berbeda. Hasil analisis menunjukkan empat segmen pelanggan dengan karakteristik yang unik dan menghasilkan 31 aturan klasifikasi dengan akurasi 95%. Segmentasi ini membantu perusahaan dalam memprioritaskan sumber daya dan strategi pemasaran, meningkatkan efisiensi dan kepuasan pelanggan.

Referensi

Adiana, B. E., Soesanti, I., & Permanasari, A. E. (2018). Analisis segmentasi pelanggan menggunakan kombinasi RFM model dan teknik clustering. Jurnal Terapan Teknologi Informasi, 2(1), 23-32.

Awalina, E. F. L., & Rahayu, W. I. (2023). Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail. Jurnal Teknologi Dan Informasi, 13(2), 122-137.

HUSNA, A. (2015). Segmentasi Pelanggan Menggunakan Model RFM dan Teori Rough Set Untuk Memahami Karakteristik Pelanggan (Studi Kasus: PT. Abbott Indonesia, Tbk Cabang Malang). Skripsi

Mirantika, N., Syamfithriani, T. S., & Trisudarmo, R. (2023). Implementasi Algoritma K-Medoids Clustering Untuk Menentukan Segmentasi Pelanggan. NUANSA INFORMATIKA, 17(1), 196-204.

Sajidah, S., & Herdiana, R. (2023). Segmentasi Pelanggan Salon Nuii Beauty Glow Menggunakan K-Means Clustering. JATI (Jurnal Mahasiswa Teknik Informatika), 7(1), 558-566.

Taqwim, W. A., Setiawan, N. Y., & Bachtiar, F. A. (2019). Analisis segmentasi pelanggan dengan rfm model pada PT. arthamas citra mandiri menggunakan metode fuzzy c-means clustering. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(2), 1986-1993.

Wardani, S. D. K., Ariyanto, A. S., Umroh, M., & Rolliawati, D. (2023). Perbandingan Hasil Metode Clustering K-Means, Db Scanner & Hierarchical Untuk Analisa Segmentasi Pasar. JIKO (Jurnal Informatika dan Komputer), 7(2), 191-201.

Wavetec. (n.d.). Customer segmentation: Benefits & definition. diakses Desember 28, 2024,dari https://www.wavetec.com/blog/customer-segmentation-benefits-definition/

Widiyanto, A. T., & Witanti, A. (2021). Segmentasi Pelanggan Berdasarkan Analisis RFM Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran (Studi Kasus PT Coversuper Indonesia Global). KONSTELASI: Konvergensi Teknologi dan Sistem Informasi, 1(1), 204-215.

Sampai di sini dulu penjelasan terkait Analisis Segmentasi Pelanggan | Konsep. Apabila sobat Exsight masih ada yang dibingungkan terkait pembahasan pada artikel ini, bisa langsung saja ramaikan kolom komentar atau hubungi admin melalui tombol bantuan di kanan bawah. Stay tuned di website https://exsight.id/blog/ agar tidak ketinggalan artikel-artikel menarik lainnya. See you in the next article yaa!

Analisis Segmentasi Pelanggan | Konsep Read More »

Tutorial Grafik C: Pengendalian Atribut

Leave a Comment / Tutorial, Deskripsi, R / Dini Ramadhani / February 5, 2025

Halo, sobat Exsight! 👋 Apakah Anda pernah merasa kesulitan menjaga kualitas produk atau layanan agar tetap konsisten? Jangan khawatir! Dalam artikel “Tutorial Grafik P: Pengendalian Atribut“, kita telah membahas cara memantau proporsi unit cacat dalam suatu proses menggunakan Grafik P. Sekarang, saatnya melangkah lebih jauh dengan membahas alat lain yang tak kalah penting dalam Statistical Process Control (SPC), yaitu grafik C!

Sebagai salah satu jenis grafik pengendalian atribut, grafik C dirancang khusus untuk memonitor jumlah kejadian atau cacat dalam suatu proses. Alat ini sangat efektif untuk membantu Anda mengidentifikasi pola atau anomali yang dapat memengaruhi kualitas. Dengan demikian, Anda dapat segera mengambil langkah perbaikan yang tepat waktu, memastikan proses tetap berjalan secara efisien dan sesuai standar.

Menariknya, grafik C tidak hanya terbatas pada aplikasi di industri manufaktur, tetapi juga dapat digunakan di berbagai sektor lainnya, seperti layanan kesehatan, logistik, hingga pendidikan. Dengan grafik C, Anda dapat memantau kualitas secara menyeluruh dan menjaga stabilitas proses demi kepuasan pelanggan.

Jadi, siapkah Anda untuk mempelajari lebih lanjut tentang bagaimana grafik C dapat membantu menjaga kualitas proses Anda? Mari kita mulai pembahasannya dan temukan manfaat besar dari alat ini!

Konsep Dasar Grafik C

Grafik pengendalian atribut berfungsi untuk memantau kualitas produk sepanjang proses produksi, khususnya untuk karakteristik yang tidak dapat diukur secara langsung tetapi dapat dihitung. Metode ini memungkinkan kita untuk mengklasifikasikan kualitas produk ke dalam kategori baik atau buruk, serta berhasil atau gagal. Grafik C dirancang khusus untuk mengindikasikan jumlah kecacatan atau ketidaksesuaian dalam sampel dengan ukuran tetap. Dalam hal ini, setiap produk dianggap sebagai satu unit yang dapat memiliki lebih dari satu cacat, tergantung pada sifat masalah yang ada.

Grafik C juga menggambarkan variansi jumlah cacat dari suatu proses produksi dari waktu ke waktu secara keseluruhan. Untuk menetapkan batas kendali, prinsip distribusi Poisson digunakan, yang memungkinkan analisis yang lebih akurat terhadap jumlah kecacatan dalam proses produksi. Dengan pendekatan ini, kita dapat lebih efektif dalam mengidentifikasi dan mengatasi masalah kualitas yang muncul.

Batas kendali yang ditetapkan dalam grafik C berfungsi sebagai indikator untuk menilai apakah proses berada dalam kendali atau tidak. Jika titik data berada di luar batas kendali, hal ini menunjukkan adanya variasi yang tidak biasa dalam proses yang perlu ditindaklanjuti. Dengan demikian, grafik C bukan hanya berfungsi sebagai alat pemantauan, tetapi juga sebagai dasar untuk analisis yang lebih mendalam terkait kualitas produk.

Setelah menganalisis data dari grafik C, tim kualitas dapat menentukan langkah-langkah perbaikan yang diperlukan. Misalnya, jika terdapat pola atau tren yang menunjukkan peningkatan jumlah cacat, tim dapat melakukan investigasi untuk mencari penyebabnya dan mengambil langkah-langkah yang sesuai untuk perbaikan. Grafik C dapat diterapkan di berbagai industri, termasuk manufaktur, kesehatan, dan layanan, di mana pengendalian kualitas produk dan proses sangat penting. Dengan alat ini, organisasi dapat menjaga standar kualitas yang tinggi dan meningkatkan kepuasan pelanggan, sehingga menciptakan keunggulan kompetitif di pasar.

Langkah-Langkah Dasar Membuat Grafik C

Berikut ini langkah-langkah dasar dalam membuat grafik C

1. Menentukan rata-rata kerusakan

Rata-rata jumlah kerusakan dalam grafik C dihitung untuk menentukan garis pusat (Center Line/CL) yang merepresentasikan nilai rata-rata dari jumlah kerusakan dalam proses produksi yang diamati. Rata-rata jumlah kerusakan untuk grafik C dihitung dengan rumus berikut:

\bar{c} = \frac{\Sigma c}{m}

Keterangan :

\begin{align*} \bar{c} & = \text{rata-rata jumlah kerusakan} \\ \Sigma c & = \text{jumlah kerusakan} \\ m & = \text{jumlah sampel} \end{align*}

2. Menentukan standar deviasi

Standar deviasi dalam grafik C digunakan untuk mengukur tingkat penyebaran jumlah kerusakan dari rata-rata. Standar deviasi dalam grafik C dihitung dengan rumus:

\sigma_c = \sqrt{\bar{c}}

Keterangan

\begin{align*} \sigma_e & = \text{Standar deviasi} \\ \sqrt{\bar{c}} & = \text{Rata-rata jumlah produk rusak} \end{align*}

3. Menentukan batas pengendalian

Upper Control Limit (UCL) untuk grafik C dihitung dengan rumus:

UCL = \bar{c} + 3 \sqrt{\bar{c}}

Lower Control Limit (LCL) untuk grafik C dihitung dengan rumus:

LCL = \bar{c} - 3 \sqrt{\bar{c}}

Jika jumlah kerusakan produksi mendekati batas LCL, ini menunjukkan bahwa kualitas produk yang dihasilkan sangat baik, karena tingkat kerusakan mendekati angka nol (0). Sebaliknya, jika jumlah kerusakan mendekati batas UCL, ini menandakan bahwa kualitas produk tersebut buruk, karena ada penyimpangan kerusakan yang signifikan. Oleh karena itu, hal ini perlu diperhatikan dengan serius, dan tindakan perbaikan harus segera dilakukan untuk meningkatkan kualitas produk dalam proses produksi.

4. Membuat Grafik C

Mengumpulkan Data: Kumpulkan data jumlah kerusakan untuk setiap periode waktu yang telah ditentukan. Pengamatan dalam grafik C dapat ditabelkan seperti berikut:

Sampel	Banyak cacat yang dialami per unit dalam setiap sempel
1	C1
2	C2
…	…
n	Cm

Contoh tabel pengamatan grafik C

Membuat Tabel Data: Buat tabel yang mencakup kolom untuk waktu, jumlah kerusakan, rata-rata C, UCL, dan LCL.
Menggunakan Perangkat Lunak: Gunakan perangkat lunak
Analisis Grafik: Setelah grafik dibuat, analisis pola kerusakan. Perhatikan jika ada titik data yang melebihi UCL atau di bawah LCL, dan identifikasi penyebab penyimpangan tersebut.

Tutorial Membuat Grafik C dengan R

Sebuah perusahaan percetakan sedang melakukan analisis kualitas untuk memantau stabilitas proses produksi mereka. Salah satu indikator yang diamati adalah jumlah kesalahan cetak (defect) yang terjadi dalam setiap sesi produksi, di mana setiap sesi melibatkan pencetakan 100 halaman. Dalam periode observasi ini, perusahaan mencatat jumlah kesalahan sebagai berikut: pada Sesi 1 terdapat 4 kesalahan, pada Sesi 2 tercatat 2 kesalahan, pada Sesi 3 terjadi peningkatan menjadi 7 kesalahan, dan pada Sesi 4 kembali menurun menjadi 6 kesalahan. Perusahaan ingin memastikan bahwa jumlah kesalahan berada dalam batas kendali statistik dan menganalisis apakah proses produksi tetap stabil.

Untuk menjawab permasalahan ini, grafik C dipilih sebagai alat analisis karena grafik ini dirancang khusus untuk memantau jumlah kejadian diskret, seperti jumlah kesalahan atau cacat dalam proses produksi, terutama ketika ukuran sampel atau unit produksi dalam setiap sesi relatif sama. Dengan menggunakan grafik C, perusahaan dapat menentukan apakah jumlah kesalahan masih berada dalam batas kendali statistik serta mengidentifikasi pola atau variasi yang mungkin mengindikasikan adanya masalah pada proses produksi. Hal ini memungkinkan perusahaan untuk menjaga stabilitas dan konsistensi kualitas produk mereka. Berikut ini adalah langkah-langkah pembuatan grafik C dengan menggunakan R:

1. Siapkan Dataset

Dataset untuk membuat grafik C harus mencakup informasi berikut:

Group: Nama sesi atau batch yang diamati.
Defects: Jumlah kesalahan cetak dalam setiap sesi.

Berikut ini adalah dataset dalam format tabel:

*Sesi (Group)*	*Jumlah Kesalahan (Defects)*
1	4
2	2
3	7
4	6

Tabel pengamatan grafik C

**2. Buat Dataset di R**

Gunakan fungsi data.frame() untuk membuat dataset di R.

# Membuat dataset langsung di R
data_c <- data.frame(
  group = c("Sesi 1", "Sesi 2", "Sesi 3", "Sesi 4"),
  defects = c(4, 2, 7, 6)
)
data_c

3. Instal dan Muat Paket yang Dibutuhkan

Pada langkah ini, kita menggunakan paket qqc dalam R, yang merupakan alat untuk membuat berbagai jenis grafik pengendalian statistik, termasuk grafik C. Paket ini dirancang untuk membantu analisis Pengendalian Proses Statistik (Statistical Process Control/SPC) dengan mudah. Melalui qqc, kita dapat menghitung batas kendali, memvisualisasikan grafik pengendalian, dan menganalisis stabilitas proses produksi.

install.packages("qcc") # Instal jika belum ada
library(qcc)

4. Buat Grafik C

Berikut adalah sintaks untuk membuat Grafik C:

# Membuat Grafik C
c_chart <- qcc(
  data_c$defects,      # Kolom jumlah kesalahan
  type = "c",          # Jenis grafik C
  labels = data_c$group, # Label untuk sumbu X
  title = "Grafik C: Jumlah Kesalahan Cetak", # Judul grafik
  xlab = "Sesi Produksi", # Label sumbu X
  ylab = "Jumlah Kesalahan" # Label sumbu Y
)

5. Interpretasi Hasil

Grafik C pada gambar menunjukkan analisis jumlah kesalahan cetak dalam empat sesi produksi, dengan tujuan memantau kestabilan proses. Pada sumbu horizontal (X), terdapat nama sesi produksi, yaitu “Sesi 1,” “Sesi 2,” “Sesi 3,” dan “Sesi 4,” sementara sumbu vertikal (Y) menunjukkan jumlah kesalahan yang tercatat pada setiap sesi. Grafik ini dilengkapi dengan garis pusat (CL) yang merepresentasikan rata-rata jumlah kesalahan, yaitu 4,75. Selain itu, terdapat batas kendali atas (UCL) sebesar 11,29 dan batas kendali bawah (LCL) sebesar 0 (karena jumlah kesalahan tidak dapat bernilai negatif).

Dari data, terlihat bahwa jumlah kesalahan untuk semua sesi berada di dalam batas kendali (UCL dan LCL), yang menunjukkan bahwa proses produksi berada dalam kondisi stabil secara statistik. Jumlah kesalahan bervariasi, dengan nilai terendah pada Sesi 2 (2 kesalahan) dan nilai tertinggi pada Sesi 3 (7 kesalahan). Meskipun terdapat fluktuasi antar sesi, tidak ada titik yang melampaui batas kendali atau menunjukkan pola pelanggaran aturan statistik (number violating runs = 0). Hal ini mengindikasikan bahwa proses tidak menunjukkan anomali signifikan atau variasi yang tidak wajar.

Secara keseluruhan, grafik ini menunjukkan bahwa proses produksi berjalan terkendali dan konsisten. Namun, jika perusahaan ingin mengurangi jumlah kesalahan lebih lanjut, analisis mendalam terhadap faktor-faktor yang memengaruhi kesalahan di setiap sesi dapat dilakukan, terutama pada sesi dengan jumlah kesalahan yang lebih tinggi, seperti Sesi 3.

Referensi

Anhoej, J. (2021). Control Charts with qicharts for R. Diakses pada 28 November 2024, dari https://cran.r-project.org/web/packages/qicharts/vignettes/controlcharts.html

Khikmawati, E., Anggraini, M., & Irawan, I. (2018). Analisis Peta Kendali Atribut Dalam Mengidentifikasi Kerusakan Pada Produk Tepung Tapioka Pt. Umas Jaya Agrotama Lampung. Jurnal Rekayasa, Teknologi, dan Sains, 2(1).

Prasetyo, Y. E. (2012). Peran Pengendalian Kualitas Produk Gula pada PG. Tasikmadu Karanganyar dengan Menggunakan Metode P-Chart.

R Core Team. (2023). qcc: Quality Control Charts. Diakses pada 28 November 2024, dari https://cran.r-project.org/web/packages/qcc/index.html

Rusgiyono, A. (2009). Penerapan Grafik Pengendalian Demerit Terhadap Data Kualitatatif. Media Statistika, 2(1), 49-56.

Demikian penjelasan mengenai Tutorial Grafik C: Pengendalian Atribut. Jika masih ada hal-hal yang membingungkan, jangan ragu untuk menuliskannya di kolom komentar atau menghubungi admin melalui tombol bantuan di kanan bawah. Jangan lupa untuk terus mengikuti website kami di exsight.id/blog agar tidak ketinggalan artikel-artikel menarik lainnya!

Tutorial Grafik C: Pengendalian Atribut Read More »

Tutorial Grafik P: Pengendalian Atribut

Leave a Comment / Tutorial, R / Dini Ramadhani / January 15, 2025

Halo, sobat Exsight! 👋 Apakah Anda pernah merasa kesulitan menjaga kualitas produk atau layanan agar tetap konsisten? Jangan khawatir! Dalam artikel “Pengendalian Proses Statistik: Konsep Dasar“, kita telah membahas dasar-dasar Statistical Process Control (SPC). Sekarang, saatnya kita melangkah lebih jauh dengan membahas salah satu alat andalan dalam SPC, yaitu Grafik P (P Chart)!

Sebagai salah satu jenis grafik pengendalian atribut yang paling banyak digunakan, Grafik P menjadi solusi efektif untuk memantau proporsi unit cacat atau atribut kualitas tertentu dalam suatu proses. Tidak hanya membantu kita mengidentifikasi permasalahan lebih awal, grafik ini juga memungkinkan kita melakukan perbaikan yang tepat waktu demi menjaga kualitas yang optimal.

Menariknya, Grafik P tidak hanya digunakan di industri manufaktur, tetapi juga di berbagai sektor lainnya, seperti layanan kesehatan, jasa, hingga makanan dan minuman. Dengan alat ini, Anda dapat mengambil langkah proaktif untuk menjaga stabilitas proses, mengurangi pemborosan, dan tentu saja, meningkatkan kepuasan pelanggan.

Jadi, siapkah Anda untuk menjelajahi lebih jauh tentang bagaimana Grafik P dapat membantu Anda dalam perjalanan menjaga kualitas? Mari kita mulai pembahasannya dan temukan manfaat besar yang ditawarkan alat ini!

Konsep Dasar Grafik P

Grafik P adalah salah satu jenis grafik pengendalian atribut yang berfungsi untuk memantau proporsi cacat dalam sampel suatu proses. Alat ini sangat berguna untuk menganalisis data diskrit, di mana setiap unit produk atau layanan hanya memiliki dua kemungkinan: cacat atau tidak cacat. Pentingnya Grafik P terletak pada beberapa aspek berikut:

Memantau Stabilitas Proses
Grafik P memungkinkan kita untuk membedakan apakah variasi dalam proporsi cacat disebabkan oleh faktor alami (common cause) atau oleh faktor spesifik yang memerlukan tindakan korektif (special cause).
Dasar Pengambilan Keputusan yang Tepat
Dengan menyajikan data kualitas dalam bentuk visual, Grafik P membantu manajer dan tim membuat keputusan yang lebih informatif, responsif, dan berbasis fakta.
Aplikasi di Berbagai Industri
Penggunaan Grafik P tidak terbatas pada sektor manufaktur. Alat ini juga diterapkan di berbagai bidang seperti jasa, kesehatan, logistik, dan sektor lain yang menggunakan atribut kualitas sebagai indikator utama.

Cara Kerja Grafik P

Grafik P memplot proporsi unit cacat (p) dari setiap sampel dibandingkan dengan:

Garis Tengah (Center Line, CL): Rata-rata proporsi cacat.
Batas Kendali (Control Limits, UCL & LCL): Batas atas dan bawah yang menentukan apakah proses berada dalam kendali statistik.

Rumus Batas Kendali yaitu sebagai berikut:

\text{UCL} = \bar{p} + z \cdot \sqrt{\frac{\bar{p} (1 - \bar{p})}{n}}

\text{LCL} = \bar{p} - z \cdot \sqrt{\frac{\bar{p} (1 - \bar{p})}{n}}

Di mana:

\bar{p} \, : \, \text{Rata-rata proporsi cacat.} \\ \text{n}\, : \, \text{Ukuran Sampel.} \\ \text{z}\, : \, \text{Koefisien tingkat kepercayaan.}

Langkah-Langkah Dasar Membuat Grafik P

Berikut ini adalah langkah-langkah yang harus dilakukan untuk membuat grafik p.

Kumpulkan Data: Jumlah unit cacat (x) dan total unit diperiksa (n) dari setiap sampel.

Hitung Proporsi Cacat

p_i = \frac{x_i}{n_i}

Tentukan Rata-Rata

\bar{p} = \frac{\sum x_i}{\sum n_i}

Hitung Batas Kendali (UCL & LCL): Gunakan rumus yang telah dijelaskan sebelumnya.

Plot Grafik:
- Sumbu X: Sampel atau periode waktu.
- Sumbu Y: Proporsi cacat.
- Tambahkan garis tengah dan batas kendali (UCL, LCL).

Setelah memahami langkah-langkah dasar dalam membuat Grafik P, selanjutnya kita akan mempelajari tutorial membuat grafik p dengan R untuk menerapkannya secara praktis menggunakan sintaks pemrograman.

Tutorial Membuat Grafik P dengan R

Misalnya sebuah perusahaan manufaktur sedang melakukan analisis kendali mutu untuk memantau kualitas produk yang dihasilkan dari lini produksi mereka. Setiap harinya, perusahaan ini memproduksi ribuan unit produk yang dikelompokkan dalam batch–batch tertentu. Dalam proses ini, perusahaan ingin memastikan bahwa proporsi produk cacat tetap berada dalam batas yang dapat diterima secara statistik.

Sebagai bagian dari program pengendalian kualitas, perusahaan mengambil sampel dari empat batch produksi yang dihasilkan selama periode tertentu. Hasil inspeksi menunjukkan data sebagai berikut:

Batch 1: Dari 500 unit yang diinspeksi, ditemukan 12 produk cacat.
Batch 2: Dari 450 unit yang diinspeksi, terdapat 8 produk cacat.
Batch 3: Dari 520 unit yang diinspeksi, ditemukan 15 produk cacat.
Batch 4: Dari 480 unit yang diinspeksi, terdapat 10 produk cacat.

Tim kendali mutu kemudian menggunakan data ini untuk membuat Grafik P (Proportion Control Chart). Grafik ini membantu mereka memvisualisasikan proporsi produk cacat dari setiap batch dan memeriksa apakah proporsi tersebut berada dalam batas kendali yang telah ditentukan.

Berikut ini adalah langkah-langkah lengkap untuk membuat Grafik P menggunakan aplikasi R. Dengan mengikuti langkah-langkah ini, Anda akan dapat mempersiapkan dataset, melakukan analisis, dan menghasilkan grafik yang efektif untuk memantau proporsi unit cacat dalam proses produksi.

1. Siapkan Dataset

Langkah pertama yang harus kita lakukan yaitu menyiapkan dataset. Dataset untuk membuat grafik p harus memiliki tiga kolom utama: pertama, jumlah unit cacat (defective), yaitu jumlah unit yang tidak memenuhi standar dalam setiap observasi; kedua, ukuran sampel (sample_size), yaitu jumlah total unit yang diperiksa dalam setiap observasi; dan ketiga, identitas waktu atau kelompok (group), yang digunakan untuk mengidentifikasi periode waktu atau kategori tertentu (misalnya minggu, bulan, atau batch).

Contoh data dalam format tabel:

Batch (group)	*Jumlah Produk Cacat (defective)*	*Jumlah Produk dalam Batch (sample_size)*
Batch 1	12	500
Batch 2	8	450
Batch 3	15	520
Batch 4	10	480

Dataset ini menggambarkan jumlah produk cacat yang ditemukan di setiap batch produksi dalam seminggu. Dataset di atas mencakup tiga komponen utama yang relevan untuk analisis kualitas menggunakan Grafik P. Batch (group) mengacu pada identitas setiap batch produksi, yang digunakan untuk mengelompokkan data berdasarkan periode waktu atau unit produksi tertentu. Jumlah Produk Cacat (defective) adalah jumlah unit yang ditemukan memiliki cacat dalam setiap batch produksi, yang mencerminkan kualitas proses pada saat itu. Sementara itu, Jumlah Produk dalam Batch (sample_size) menunjukkan total unit yang diperiksa dalam batch tersebut, memberikan konteks ukuran sampel untuk menghitung proporsi cacat. Ketiga elemen ini memungkinkan analisis mendalam terhadap variasi kualitas dari satu batch ke batch lainnya.

2. Impor atau Buat Dataset di R

Berikut ini sintaks yang digunakan untuk membuat dataset di R menggunakan fungsi data.frame()

# Membuat dataset langsung di R
data_perusahaan <- data.frame(
  group = c("Batch 1", "Batch 2", "Batch 3", "Batch 4"),
  defective = c(12, 8, 15, 10),
  sample_size = c(500, 450, 520, 480)
)
data_perusahaan

3. Instal dan Muat Paket yang Dibutuhkan

Pada tutorial ini kita menggunakan paket qqc untuk membuat grafik p. Paket qqc dalam R adalah alat yang digunakan untuk membuat grafik pengendalian dan melakukan analisis kualitas dengan menggunakan metode Pengendalian Proses Statistik (Statistical Process Control – SPC).

install.packages("qcc") # Instal jika belum ada
library(qcc)

4. Hitung Proporsi Cacat

Tambahkan kolom proporsi cacat untuk analisis lebih lanjut.

data_perusahaan$proportion <- data_perusahaan$defective / data_perusahaan$sample_size
print(data_perusahaan)

5. Buat Grafik P

Berikut ini sintaks yang akan digunakan untuk membuat grafik p

# Membuat Grafik P
p_chart <- qcc(
  data_perusahaan$defective,        # Kolom jumlah cacat
  sizes = data_perusahaan$sample_size,  # Kolom ukuran sampel
  type = "p",            # Jenis grafik
  labels = data_perusahaan$group,   # Label untuk sumbu X
  title = "Grafik P: Proporsi Produk Cacat", # Judul grafik
  xlab = "Batch",        # Label sumbu X
  ylab = "Proportion Defective" # Label sumbu Y
)

6. Interpretasi Hasil Visualisasi

Grafik berjudul “Grafik P: Proporsi Produk Cacat” ini menunjukkan analisis statistik kendali mutu terhadap proporsi produk cacat dari empat batch produksi (Batch 1, Batch 2, Batch 3, dan Batch 4) yang ditampilkan pada sumbu horizontal (X), di mana setiap batch merepresentasikan kumpulan produk yang diperiksa. Sumbu vertikal (Y) menunjukkan proporsi produk cacat dalam bentuk desimal, misalnya, 0.02 berarti 2% dari produk dalam batch tersebut cacat. Grafik ini dilengkapi dengan batas kendali atas (UCL) yang menunjukkan ambang maksimum proporsi cacat yang dapat diterima, batas kendali bawah (LCL) yang menunjukkan ambang minimum sesuai ukuran batch, serta garis pusat (CL) yang merepresentasikan rata-rata proporsi cacat dari semua batch (0.023).

Distribusi proporsi cacat di setiap batch menunjukkan pola yang bervariasi. Pada Batch 1, proporsi cacat tercatat sedikit di atas rata-rata, sementara pada Batch 2, proporsi cacat mengalami penurunan lebih jauh dibandingkan Batch 1. Selanjutnya, pada Batch 3, proporsi cacat meningkat melebihi nilai rata-rata, namun kembali menurun pada Batch 4 dan mendekati rata-rata proporsi cacat keseluruhan. Pola ini menggambarkan adanya fluktuasi dalam kualitas produk antar batch, meskipun masih berada dalam batas kendali yang dapat diterima.

Analisis statistik tambahan menunjukkan bahwa terdapat 4 batch dalam pengamatan ini dengan rata-rata proporsi cacat sebesar 0.023 dan standar deviasi sebesar 0.150. Jumlah di luar batas (Number beyond limits) menunjukkan bahwa tidak ada batch dengan proporsi cacat yang berada di luar batas kendali atas (UCL) maupun batas kendali bawah (LCL), sehingga tidak terdapat anomali signifikan dalam proses produksi. Selain itu, pelanggaran pola (Number violating runs) juga tidak ditemukan, yang mengindikasikan tidak ada pola berulang yang melanggar aturan kendali statistik. Hal ini menunjukkan bahwa proses produksi berada dalam kendali yang stabil dan konsisten.

Seluruh batch produksi berada dalam batas kendali statistik (UCL dan LCL), yang menunjukkan bahwa proses produksi berjalan dengan stabil dan terkendali secara statistik. Meskipun Batch 3 memiliki proporsi cacat tertinggi dibandingkan batch lainnya, nilainya tetap berada dalam batas kendali, sehingga tidak diperlukan tindakan korektif berdasarkan analisis grafik ini.

Namun, visualisasi ini memberikan wawasan penting untuk memastikan bahwa variabilitas proporsi cacat tetap pada tingkat yang dapat diterima. Jika peningkatan kualitas menjadi prioritas, Batch 3 dapat dianalisis lebih lanjut untuk mengidentifikasi dan memahami penyebab utama dari cacat yang lebih tinggi, sehingga dapat dilakukan upaya perbaikan pada proses produksi.

Referensi

Haryono, D. (2017). Pengendalian kualitas produksi dengan model grafik kontrol p pada PT. Asera Tirta Posidonia. Jurnal Varian, 1(1), 27-34.

Anhoej, J. (2021). Control Charts with qicharts for R. Diakses pada 28 November 2024, dari https://cran.r-project.org/web/packages/qicharts/vignettes/controlcharts.html

R Core Team. (2023). qcc: Quality Control Charts. Diakses pada 28 November 2024, dari https://cran.r-project.org/web/packages/qcc/index.html

Demikian penjelasan mengenai Tutorial Grafik P: Pengendalian Atribut. Jika masih ada hal-hal yang membingungkan, jangan ragu untuk menuliskannya di kolom komentar atau menghubungi admin melalui tombol bantuan di kanan bawah. Jangan lupa untuk terus mengikuti website kami di exsight.id/blog agar tidak ketinggalan artikel-artikel menarik lainnya!

Tutorial Grafik P: Pengendalian Atribut Read More »