Design of Experiment (DoE)

Design of Experiment – Shainin Approach

“Secara singkat DOE bisa di artikan sebagai salah satu alat untuk menemukan factor factor yang secara signifikan berpengaruh terhadap qualitas, corelasi antar factor serta mengidentifikasi seberapa besar pengaruhnya untuk masing masing factor. Dan untuk selanjutnya DOE di gunakan untuk menentukan nilai optimum dari masing masing parameter yang berpengaruh sehingga menghasilkan qualitas product yang di inginkan”

Dengan semakin terbukanya pasar bebas global yang tidak bisa dibendung sebagai kensekuensi dari perkembangan dan tuntutan peradapan, maka secara otomatis semakin meningkatkan adanya persaingan atas product product yang di pasarkan.

Tidak terkecuali di sektor manufaktur maka persaingan ini secara otomatis menuntut adanya peningkatkan kualitas produk yang radikal dan pada akhirnya telah mengubah konsep kualitas. Fokus industri sekarang bergeser dari sekadar kepuasan pelanggan menjadi kesenangan pelanggan. Dan untuk itu maka kualitas product haruslah di design dari awal dan memproduksi produk tepat pada upaya pertama.

Untuk mencapai kualitas seperti itu, disamping perlu memiliki pemahaman secara teknis dari suatu product maka harus ditunjang oleh pengetahuan yang memadai terhadap quality tools (alat bantu qualitas) sehingga upaya menciptakan product yang berkualtis bisa di capai secara optimum.

Salah satu Quality Tools yang telah di akui dan terbukti secara handal dalam upaya untuk meningkatkan qualitas adalah Design of Experiment (DOE). Sehingga DOE menjadi organ penting dan paling popular didalam system management mutu Six Sigma, di samping tentunya quality tools yang lain seperti SPC, Regresi Analysis, Mulivariate Analysis, FMEA, QFD, dll.

Design of Experiment (DOE) adalah metode Statistik dengan cara melakukan eksperimen di mana satu atau lebih faktor, yang disebut variabel bebas, diyakini memiliki efek pada hasil eksperimen diidentifikasi dan dimanipulasi sesuai dengan rencana yang telah ditentukan. Data yang dikumpulkan dari percobaan yang dirancang dapat dianalisis secara statistik untuk menentukan pengaruh variabel independen, atau kombinasi lebih dari satu variabel independen. Rencana eksperimental juga harus mencakup ketentuan untuk berurusan dengan variabel asing, yaitu variabel yang tidak secara eksplisit diidentifikasi sebagai variabel independen.

Secara singkat DOE bisa di artikan sebagai salah satu alat untuk menemukan factor factor yang secara signifikan berpengaruh terhadap qualitas, corelasi antar factor serta mengidentifikasi seberapa besar pengaruhnya untuk masing masing factor. Dan untuk selanjutnya DOE di gunakan untuk menentukan nilai optimum dari masing masing parameter yang berpengarus tersebut untuk menghasilkan qualitas product yang di inginkan.

Dalam perkembangannya DOE bisa di bedakan dalam 3 pendekatan, yaitu desain eksperimen (DOE) klasik, DOE Taguchi dan yang ketiga adalah DOE Shainin.

DOE shainin menawarkan pendekatan desain eksperimental yang lebih sederhana, praktis mudah di fahami dan diterpakan, tetapi kuat dan efektif untuk memecahkan masalah kualitas kronis yang mengganggu terutama didalam process produksi. Ada beberapa metode / alat yang di terapkan dalam DOE Shainin sebagai dasar untuk melakukan analisa dan identifikasi dugaan adanya penyebab variasi (Xs) dan menghilangkan dengan menggunakan Tujuh alat (tools) utama yang berbeda (Bhote, 1991):

Multi-Vari Analysis
Component Search
Paired Comparison
Variable Search
Full Factorials
B vs. C (Better vs. Current) Analysis
Scatter Plots or Realistic Tolerance Parallelogram Plots

Strukture penggunaan dan penerapan dari ke 7 tools tersebut adalah sebagai berikut,

Multi-Vari Analysis:

Analisis multi-vari digunakan untuk mengurangi sejumlah besar sumber variasi yang dicurigai menjadi kelompok variable yang lebih kecil yang berisi dominan sumber variasi. Analisis multi-vari didasarkan pada asumsi bahwa setiap variasi proses dapat terjadi sebagai hasil dari tiga faktor, yaitu,

Variasi Posisi atau Bagian-ke-Bagian
Variasi temporal atau waktu ke waktu
Variasi Siklis atau Stream-to-Stream

Setiap jenis variasi diukur secara individual menggunakan sekitar 3 hingga 5 unit / data diproduksi secara berurutan pada waktu tertentu. Kemudian setelah selang waktu tertentu di ulang dengan jumlah yang sama 3 sampai 5 unit diproduksi demikian seterusnya hingga 80 persen variasi yang terjadi di wakili oleh data yang di mabil. Hasil plot dari nilai rata rata group, max-min dari data yang di dapatkan tersebut kemudian digunakan untuk mengidentifikasi jenis variasi mana yang paling berpengaruh dari ketiga kelompok penyebab variasi di atas.

Component Search:

Component Search bertujuan untuk mengurangi jumlah component/sub assambly yang mungkin yang berpengaruh secara significant terhadap variasi (Red X, Pink X). Teknik ini sangat ideal di aplikasi dalam perakitan, tetapi juga dapat digunakan untuk proses (non assembly). Teknik ini digunakan untuk menemukan yang dicurigai sumber variasi yang berasal dari proses perakitan atau komponen dalam perakitan atau process. Didalam Component search ada, berbagai tahapan metode yang bisa diterapkan (Bhote, 1991) adalah:

Tahap Ballpark: Tahap ini menentukan apakah Red X atau Pink X sebenarnya ada di antara komponen atau faktor yang diselidiki.
Eliminasi: Langkah kedua melibatkan eliminasi semua efek utama yang tidak penting dan efek interaksi yang terkait.
Capping run: Tahap ini terdiri dari verifikasi ulang efek penting dan tidak penting.
Analisis faktorial: Setelah faktor penting dan tidak penting diperiksa ulang, factorial Analisis digunakan untuk menentukan besarnya penting dan interaksinya.

Paired Comparison:

Teknik ini menggunakan sampel kecil yang terdiri dari pasangan produk yang baik dan jelek. Produk yang baik dan jelek dipilih berdasarkan parameter yang sesuai terkait dengan masalah yang terjadi. Memilih bagian yang baik berarti memilih yang Terbaik bagian Terbaik – Best of Best (BOB) dan memilih bagian yang jelek berarti memilih bagian yang terjelek – Worst of Worst (WOW). Penmbedaan BOB dan WOW menggunakan asumsi bahwa nilai – nilai dua kelompok harus sangat berbeda dan karenanya dapat diidentifikasi. Biasanya 8 bagian yang baik dan 8 bagian yang buruk dipilih. Setelah sampel dipilih, masing masing sample diukur 16 bagian dan hasilnya dicatat dalam bentuk tabel. Dari data yang di dapat maka bisa di analisa dan identifikasi mana penyebab variasai yang significant.

Variable / Product Search:

Teknik Variabel search di awali dengan mengidentifikasi variable variable yang berpengaruh serta mengurutkanya, atau sebagai tindak lanjut dari satu diantara ketiga metode sebelumnya. Selanjutnya menentukan niliai terbaik – Highest (H) dan terjelek – Lowest) dari masing masing parameter dari process yang ada. Setelah nilai H dan L di tetapkan maka berikutnya di lakukan trial dengan melakukan percobaan berdasarkan kombinasi H dan L dari seluruh variable yang di amati.

Full Factorial:

Metode ini sama dengan Full Factorial Klasik tetapi didalam DOE methode Shainin ini merekomendasikan penggunaannya setelah jumlah variable maksumum empat. Sehingga metodhe ini akan efektif sebagai lanjutan dari metode yang sudah di lakukan sebelumnya seperti di atas. Sehingga jumlah maksimum percobaan dari Full factorial Shainin adalah 24. Tujuan dari alat ini adalah sama yaitu untuk pencarian variable yang significant Red X atau Pink X, dan yang tidak penting. Tetapi metodhe ini juga bisa di gunakan untuk menentukan nilai optimum dari suatu variable sehingga untuk mendapatkan qualitas product seperti yang di inginkan.

Better (B) vs. Current (C):

Ini adalah alat validasi akhir yang berguna dalam memvalidasi akar penyebab yang diidentifikasi dengan menggunakan metode sebelumnya. B diartikan sebgai process lebih baik dan C adalah sebagi proses yang terjadi saat ini. Methode ini bisa di aplikasi kan untuk tujuan berikut:

untuk memvalidasi akar penyebab permasalahan
untuk memvalidasi perubahan produk / proses yang dilakukan
untuk memvalidasi tindakan perbaikan.

Keuntungan dari metode ini adalah dapat diterapkan menggunakan ukuran sampel yang sangat kecil mulai dari 3 dari B proses dan 3 dari proses C, untuk membuat kesimpulan akhir dengan tingkat kepercayaan statistik tertentu apakah proses B lebih baik dari proses C.

Scatter Plot atau Realistic tolerance parallelogram plots :

Tujuan dari Scatter Plot atau Realistic tolerance parallelogram plots adalah untuk menentukan nilai toleransi yang optimal dan realistis. Metode ini di representasikan denga sebuah grafis yang terdiri dari tiga puluh pengamatan variabel independen terhadap nilai yang sesuai dari variabel dependen. Jika antara variable dependend dan independent ada korelasi antara keduanya, maka independent variabel adalah sumber variasi dominan dan nilai target yang sesuai bersama dengan toleransi dapat ditentukan secara grafis.

Methode methode diatas bisa dilakukan dengan mengikuti logika berurutan, namun demikian dapat diterapkan secara terpisah atau beberapa tergantung pada sifat masalahnya.

Methode Shainin memiliki keunggulan utama sebagai berikut.

sederhana untuk dipahami oleh para insinyur dan jalur pekerja
logis dan berdasarkan akal sehat
praktis dalam hal implementasi dalam prototipe bangunan, produksi dan mudah dikerjakan pemasok
berlaku secara universal di berbagai industri
valid secara statistik dan kuat
mampu menghasilkan hasil yang sangat baik dengan peningkatan kualitas hingga diatas 100 persen

Berikut adalah Table Analisa Perbandingan penggunaan beberapa Tools yang ada di dalam methode Sahinin.

No	Tools	Objective	Applicable (Kapan / Dimana)	Sample Size
1	Multi-vari chart	Untuk mengurangi jumlah variable yang besar yang tidak significant menjadi variable yang sedikit yang sebagai penyebab.	Untuk mendapatkan gambaran bagaimana process / product saat ini berjalan	Min 9- 15
2	Components search	Menentukan Red X di area assemble atu process	Assemble atau process produksi	2
3	Paired comparisons	Untuk mendapatkan petunjuk dalam menentukan Red X dengan menggunakan pasangan kondisi baik dan kondisi jelek	Dimana analisa tidak bisa di lakukan dengan disassembled product	1 – 20
4	Variable search	Menentukan Red X, Pink X dll, mendapatkan besarnya efek dari variable yang penting serta interaksinya..	Jumlah variable 5 – 20	1 – 20
5	Full factorials	Sama seperti variable search. Menentukan nilai optimum dari variable yang berpengaruh Red X, Pink X	Jumlah variables antara 2 – 4	1 – 16
6	B vs. C analysis	Untuk membuktikan / validasi process yang baru (new/better) lebih baik di bandingkan process saat ini (current)	Dilakukan untuk setelah tools lain di lakukan dan untuk memverifikasi perbaikan yang dilakukan	Min 3B dan 3C
7	Scatter plots or Realistic tolerance Parallelogram plots	Menentukan nilai optimum dari Red X, Pink X, serta toleransi yang bisa diterima.	Mengikuti tools sebelumnya	30

Source: World Class Quality, Using Design of Experiments to Make It HappenBhote, 1991. Jurnal : VIKALPA • VOLUME 34 • NO 1 • JANUARY – MARCH 2009, Sunil Sharma and Anuradha R Chetiya