Statistical Process Control di Python

• Memperkenalkan cara menerapkan Statistical Process Control (SPC) dengan Python untuk memahami variasi kualitas produk dari waktu ke waktu dan kapan intervensi diperlukan
• Menggunakan pandas, plotnine, dan scipy untuk pemrosesan data, visualisasi, dan perhitungan statistik
• Menggunakan data pemandian air panas dari Prefektur Kagoshima, Jepang, sebagai contoh untuk menganalisis suhu, pH, dan kandungan sulfur sebagai indikator kontrol kualitas
• Menggunakan statistik subgrup dan peta kendali (X-bar, S, dan moving range chart) untuk menilai stabilitas proses dan mendeteksi outlier
• Menyajikan prosedur untuk mendiagnosis kondisi proses secara visual dan mendukung keputusan perbaikan berbasis data

---

Gambaran umum Statistical Process Control dengan Python

• Statistical Process Control (SPC) adalah pendekatan statistik untuk mengukur variasi kualitas produk dan menentukan kapan intervensi diperlukan
  • Di Python, plotnine digunakan untuk visualisasi, pandas untuk manipulasi data, dan scipy untuk perhitungan statistik
• Dalam praktik ini, konsep SPC diterapkan melalui kasus kontrol kualitas air pemandian air panas
  • Suhu, pH, dan kandungan sulfur pada pemandian air panas ditetapkan sebagai indikator kualitas utama

Paket dan fungsi buatan pengguna

• Paket yang diperlukan: pandas, plotnine, scipy
• Fungsi buatan pengguna diimpor dari direktori functions/ di repositori GitHub
  • functions_distributions.py: fungsi reliabilitas dan distribusi
  • functions_process_control.py: fungsi untuk kontrol proses
• Tambahkan direktori fungsi ke path Python dengan sys.path.append('functions'), lalu lakukan import

Kasus: kontrol kualitas pemandian air panas di Jepang

• Pemandian air panas Jepang (onsen) merupakan sumber daya wisata utama bagi ekonomi lokal, dan suhu, pH, serta kandungan sulfur menjadi standar kualitasnya
  • Standar suhu: Extra Hot(>42°C), Hot(41~34°C), Warm(33~25°C)
  • Standar pH: Acidic(pH<3) ~ Alkaline(pH>8.5)
  • Standar sulfur: diklasifikasikan sebagai pemandian sulfur jika kandungan sulfur 1mg/kg atau lebih
• Data pemandian air panas dari Prefektur Kagoshima dianalisis selama 15 bulan dengan 20 kali sampling setiap bulan untuk melihat variasi kualitas

Memuat data dan statistik dasar

• Memuat file onsen.csv lalu memeriksa data suhu, pH, dan kandungan sulfur
• Menghitung rata-rata (mean) dan simpangan baku (sd) dengan fungsi describe()
  • Contoh hasil: rata-rata 44.85°C, simpangan baku 1.99°C
• Nilai statistik ini menjadi indikator dasar untuk memahami pusat dan variasi proses

Visualisasi gambaran proses

• Menggunakan plotnine untuk memvisualisasikan distribusi suhu dari waktu ke waktu dengan boxplot dan sebaran titik
  • Garis tengah menunjukkan rata-rata keseluruhan, sehingga distribusi tiap titik waktu bisa dibandingkan
• Histogram menampilkan distribusi suhu keseluruhan untuk melihat pusat proses dan lebar variasinya

Menghitung statistik subgrup

• Setiap titik waktu (time) dikelompokkan sebagai subgrup untuk menghitung rata-rata(xbar), rentang(r), dan simpangan baku(sd)
  • Contoh: rata-rata grup pertama 44.635°C, rentang 4.2°C
• Menghitung σₛ (simpangan baku dalam subgrup) dan standard error (se) untuk menetapkan batas atas dan bawah (±3σ)
• Dengan ini, stabilitas proses dari waktu ke waktu dapat dievaluasi

Statistik proses keseluruhan

• Semua grup digabungkan untuk menghitung rata-rata total(xbbar), rata-rata rentang(rbar), dan rata-rata simpangan baku(sdbar)
  • Contoh: xbbar 44.85, rbar 7.26, sdbar 1.94
• Dengan membandingkannya terhadap σₜ (simpangan baku total), variasi di dalam dan antarproses dapat dipahami

Peta kendali (X-bar dan S chart)

• X-bar chart: menampilkan rata-rata tiap subgrup pada sumbu waktu
  • Garis tengah: rata-rata keseluruhan, batas atas dan bawah: ±3σ
  • Area bayangan menunjukkan rentang batas kendali
• Jika melewati batas kendali atau muncul pola non-acak, ada kemungkinan anomali proses

Pemeriksaan pembelajaran: visualisasi proses pH

• Menggunakan fungsi ggprocess() yang sama untuk membuat chart gambaran proses bagi data pH
  • Membandingkan garis rata-rata dan distribusi tiap titik waktu secara visual

Moving range chart (n=1)

• Jika hanya ada nilai pengukuran individual, gunakan moving range
  • Variabilitas diperkirakan dengan menghitung selisih absolut antar pengukuran berurutan
• Menghitung rata-rata moving range (mrbar), batas atas (upper), dan batas bawah (lower=0)
• Moving range chart berguna untuk memantau variasi proses berdasarkan data individual

Kesimpulan

• Dengan Python, dapat dibuat gambaran proses, statistik subgrup, dan moving range chart
• Melalui alat SPC, stabilitas proses dan ada tidaknya anomali dapat didiagnosis secara visual
• Analisis ini dapat dimanfaatkan untuk peningkatan kualitas dan pengambilan keputusan berbasis data