Mengenal Attribute Sampling: Teknik Kontrol Kualitas Berbasis Data Diskrit

Apa itu Attribute Sampling?

Attribute sampling adalah metode pengambilan sampel dalam kontrol kualitas yang menandai kehadiran atau ketidakhadiran suatu karakteristik (atribut) pada setiap unit, lalu menghitung berapa banyak unit yang memenuhi atau tidak memenuhi kriteria tersebut. Contohnya: apakah produk itu cacat atau tidak, adakah keluhan pelanggan terhadap suatu transaksi, dan sebagainya.

Metode ini menghasilkan data diskrit (terhitung), seperti jumlah produk cacat dalam sebuah batch, bukan nilai kontinu seperti berat atau panjang.

Perbedaan dengan Variable Samplin

Attribute sampling → Data biner: produk memenuhi syarat atau tidak (ya/tidak).

Variable sampling → Mengukur nilai kontinu seperti ukuran, berat, durasi, dan lain-lain.

Attribute sampling cocok untuk aplikasi "countable traits", misalnya.

- Produk cacat/non-cacat

- Keluhan pelanggan: ada/tidak ada

- Kepatuhan dokumen: lengkap atau tidak

Langkah-Langkah dalam Attribute Sampling

Menurut SixSigma.us, tentukan tujuan dan variabel yang diperiksa, misalnya jumlah cacat pada produk atau jumlah keluhan.

1. Tentukan sample size (n) berdasarkan Confidence Level dan Acceptable Quality Level (AQL).
   
   

2. Pilih metode pengambilan sampel (acak, sistematis, stratifikasi).
   
   

3. Inspeksi sample, hitung jumlah unit tidak memenuhi (c).
   
   

4. Analisis & keputusan: dipakai aturan AQL—kalau c ≤ cut‑off maka diterima, jika lebih maka lot/kelompok ditolak.
   
   

5. Dokumentasi & tindakan lanjut: catat hasil, analisa tren, koreksi proses jika perlu.
   
   

Menentukan Sample Size & AQL

- Sample size ditentukan dengan rumus statistik:

n=Z2pqE2n = \frac{Z^2 p q}{E^2}n=E2Z2pq​,

di mana p = estimasi proporsi cacat, q = 1–p, Z = nilai normal untuk tingkat kepercayaan, dan E = margin error 

- Alternatifnya, gunakan tabel AQL seperti ANSI/ASQ Z1.4 atau MIL‑STD‑105E 

Contoh dari Minitab: untuk batch 1.000 item, AQL 1%, RQL 8%, α(producer risk)=5%, β(consumer risk)=10%, diperlukan sample 65 unit. Jika cara sampling menemukan >2 unit cacat, seluruh batch ditolak.

Rencana Sampling: Single, Double, Multiple

1. Single sampling: ambil satu sampel besar, hitung c, langsung ambil keputusan .

2. Double sampling: ambil dua tahap, lebih efisien rata‑rata (ASN) tapi lebih kompleks .

3. Multiple sampling: serangkaian sampel bertahap, cocok untuk inspeksi berkelanjutan

Interpretasi dan Kurva Karakteristik Operasi (OC Curve)

OC Curve menunjukkan probabilitas menerima lot berdasarkan tingkat cacat aktual. Ini membantu menentukan distribusi risiko produsen dan konsumen.

Minitab memberi contoh:

- Penerimaan batch 1% cacat → ~97% diterima

- Batch 8% cacat → ~10% diterima 

OC Curve juga penting dalam menetapkan standar sampling.

Aplikasi & Alat Kontrol

1. Industri manufaktur: menghitung jumlah cacat produk, kusam, goresan → gunakan c-chart, p-chart, np-chart, u-chart.

2. Audit & keuangan: dokumen lengkap/tidak lengkap, transaksi valid/tidak.
   
   

3. Regulasi & kepatuhan: memastikan standar terpenuhi dalam medis, keuangan, pelaporan .
   
   

Kelebihan & Kekurangan

Kelebihan:

- Mudah dipahami & murah diterapkan

- Efisien untuk sampel kecil

- Cocok untuk data diskrit dan keputusan ya/tidak

Kekurangan:

- Kurang presisi dibanding variable sampling

- Rentan terhadap sampling error

- Memerlukan standardisasi AQL dan cut‑off.

Kesimpulan

- Attribute sampling adalah teknik fundamental dalam kontrol kualitas untuk data yang bersifat hitung seperti cacat produk atau keluhan pelanggan.

- Didasarkan pada data biner (pas/lolos atau cacat/gagal).

- Melibatkan penghitungan jumlah unit tidak memenuhi syarat dan guna membuat keputusan penerimaan atau penolakan batch.

- Tersedia berbagai rencana sampling (single, double, multiple) dan standar seperti ANSI/ASQ Z1.4.

- Alat bantu populer termasuk OC curve dan statistik p‑chart, np‑chart, c‑chart, dan u‑chart.

Dengan pendekatan metodis dan dukungan standar yang kredibel, attribute sampling memungkinkan manajemen kualitas yang efisien, dapat diandalkan, dan berbasis data.