SHIFT SSCX MSA

Jika Anda selalu berpatokan pada pengukuran untuk membantu Anda mengambil keputusan,  maka artinya, semakin banyak kesalahan yang terjadi dalam pengukuran, semakin tinggi juga resiko Anda membuat keputusan yang salah berdasarkan pengukuran tersebut.

Measurement adalah proses mengevaluasi kuantitas yang tidak diketahui dan mengungkapkannya dalam angka. Proses pengukuran selalu berpatokan pada hukum variasi (laws of variation) dan Statistical Process Control.

Measurement Systems Analysis (MSA) adalah analisa ilmiah dan statistik dari Analisa Variasi yang diinduksi ke dalam proses pengukuran.

Mengapa MSA penting?

Sebuah sistem pengukuran akan memberitahu Anda, baik itu dalam angka maupun informasi penting tentang entitas yang Anda ukur. Seberapa besar Anda yakin terhadap data yang didapat dari sistem pengukuran?

Apakah itu merupakan riil value yang diperoleh dari proses yang diukur, ataukah itu adalah hasil kesalahan dari sistem pengukuran?

Padahal, kesalahan dari sebuah sistem pengukuran, nilainya akan sangat mahal dan akan menyamarkan kemampuan Anda untuk mendapatkan nilai sebenarnya dari apa yang Anda ukur.

Tujuan dari Measurement System Analysis adalah untuk memenuhi syarat suatu sistem pengukuran digunakan untuk mengukur akurasi, presisi, dan stabilitas.

Pengukuran MSA merupakan langkah penting pertama yang harus dilakukan dalam setiap pengambilan keputusan  berdasarkan data, termasuk juga Statistical Process Control, Korelasi, dan Analisis Regresi (Regression Analysis), serta Desain Eksperimen (Design of Experiment).

Karakterisasi

Sebuah sistem pengukuran dapat dikarakterisasi atau digambarkan dalam 5 cara:

Yang terkait dengan Lokasi (Average Measurement Value vs. Actual Value):

  1. Stability – mengacu pada kapasitas sistem pengukuran dalam memproduksi value yang sama setiap kali Anda mengukur sampel yang sama. Berarti tidak adanya “penyebab variasi khusus”, hanya menyisakan “penyebab variasi umum” (variasi acak).
  2. Bias – mengacu pada akurasi, yaitu pengukuran jarak antara pengukuran nilai rata-rata dan nilai- nilai aktual dari sampel data.
  3. Linearitas – ukuran konsistensi bias selama rentang pengukuran. Misalnya, jika skala kamar mandi ketika mengukur seseorang dengan berat badan 150 pound adalah 10 pound, tapi berbeda saat mengukur orang dengan berat badan 200 pound dan skala kamar mandinya menjadi 5 pound, skala bias nya adalah non-linear yang berarti tingkat bias berubah tergantung penggunaan.
Baca juga  10 Aturan Penting Saat Implementasi RPA di Perusahaan

Yang terkait variasi (Spread of Measurement Values – Precision):

  1. Pengulangan (Repeatability) – menilai apakah penilai yang sama dapat mengukur bagian atau sampel yang digunakan beberapa kali dengan alat ukur yang sama dan mendapatkan nilai yang sama.
  2. Reproduktivitas – menilai apakah penilai yang berbeda dapat mengukur bagian atau sampel dengan alat ukur yang sama dan mendapatkan nilai yang sama.

Langkah-langkah yang dilakukan

  1. Menentukan jumlah penilai, jumlah penggunaan sampel, dan jumlah pembacaan berulang. Gunakan penilai yang biasanya melakukan pengukuran dan yang akrab dengan peralatan dan prosedur.
  2. Pastikan ada satu set prosedur pengukuran yang terdokumentasi yang harus diikuti oleh seluruh penilai
  3. Pilih bagian sampel untuk mewakili seluruh proses penyebaran. Ini adalah bagian yang paling krusial. Jika penyebaran proses tidak sepenuhnya terwakili, tingkat kesalahan pengukuran dapat dilebih-lebihkan.
  4. Jika bisa diaplikasikan, tandai lokasi pengukuran yang tepat pada setiap bagian untuk meminimalkan dampak dalam bagian variasi (misalnya out-of-bullat).
  5. Pastikan bahwa alat ukur memiliki diskriminasi yang memadai/resolusi, seperti yang dibahas di bagian persyaratan.
  6. Bagian harus diberi nomor, dan pengukuran harus diambil secara acak sehingga penilai tidak tahu nomor yang ditetapkan untuk masing-masing bagian atau nilai pengukuran sebelumnya untuk bagian itu. Pihak ketiga harus mencatat pengukuran, penilai, jumlah percobaan, dan jumlah untuk masing-masing bagian di atas meja.***