27 November 2011

STRUCTURAL EQUATION MODELING (SEM) DENGAN AMOS

AMOS (Analysis of Moment Structures) merupakan salah satu program analisis Structural Equation Modeling (SEM) berbasis kovarian yang saat ini sudah sangat dikenal. Salah satu keunggulan program ini karena user friendly. program ini menyediakan kanvas pada program AMOS Graphichs dan ikon yang mudah kita ingat untuk menggambar model. penulis dalam hal ini menggunakan software AMOS 18. 
 

 
Ada 7 angkah analisis SEM dengan program AMOS :
 
1. Pengembangan model
Model yang dibangun berdasarkan tori yang kuat. Karena SEM tidak untuk menghasilkan model tetapi untuk mengkonfirmasi bentuk model, dalam hal ini hubungan kausalitas diantara variabel tidak dibentuk oleh model tetapi dibangun oleh teori yang mendukungnya. Kali ini kita lakukan pengembangan model mengenai Employee Retention. Dalam model ini terdapat 5 variabel laten : Enviromental Perceptions (EP), Attitude Toward  Cowokers (AT), Job Satisfactions (JS), Organization Commitment (OC), dan Staying Intentions (SI).
 
2. Membuat diagram alur
Tujuannya adalah menggambarkan model teoritis yang telah dibangun pada langkah pertama ke sebuah diagram jalur agar peneliti dengan mudah dapat mencermati hubungan kausalitas yang ingin diuji.
Diagram Alur


3. Konversi Diagran Jalur 
Koversi diagram jalur ke dalam persamaan model pengukuran dan structural. Dalam konversi ini ada dua    bentuk persamaam yaitu persamaan pada model pengukuran dan persamaan pada model struktural.

Konversi Diagram Alur dalam Notasi

 
4. Memilih data input dan estimasi model
Tujuannya adalahmenetapkan data input yang digunakan dalam pemodelan dan teknik estimasi model. Dalam SEM data input yang dianalisis adalah berupa matriks kovarian atau matirk korelasi. Para pakar menyarankan untuk menggunakan matrik kovarians daripada matrik korelasi. Teknik estimasi kali ini menggunakan Maximim Likelihood Estimation (ML). Ada dua tahapan yang dilakukan untuk estimasi yaitu : 
  1. Model pengukuran (Measurement Model). Tahap ini dilakukan uji unidimensional dari konstruk-konstruk eksogen dan endogen dengan teknik Confirmatory Factor Analysis (CFA). CFA dilakukan dengan membuat hubungan korelasi antara masing-masing.
  2. Model Structural Persaman (Structural Equation Model). Langkah ini dilakukan untuk melihat kesesuaian model dan hubungan kausalitas yang dibangun dalam model yang diuji. Model ini dilakukan dengan mengganti hubungan korelasi (dua anak panah) dengan satu anak padah pada masing-masing variabel laten.
5. Evaluasi masalah identifikasi model
Tujuannya adalah untuk mendeteksi ada tidaknya masalah identifikasi berdasarkan evaluasi terhadap hasil estimasi yang dilakukan. Masalah yang diidentifikasi : program komputer tidak menghasilkan matrik informasi yang harus disajikan, standard error yang besar untuk satu atau lebih, munculnya angka yang aneh seperti adanya varians eror yang negatif.
 
6. Evaluasi kiteria Goodness Of the Fit (GOF)
Tujuan adalah untuk mengevaluasi pemenuhan asumsi yang disyaratkan SEM, dan kesesuaian model bedasarkan kriteria Goodness Of the Fit (GOF) tertentu. Beberapa uji kesesuaian model : 
  • Uji Chi-square dan probabilitas yaitu ukuran kesesuaian model berbasis Maximum Likelihood (ML). Di harapkan nilai Chi-Square rendah sehingga diperoleh nilai signifikansi yang tinggi (>0.05).
  • Root Mean Square Error of Approximation (RMSEA) yaitu nilai aproksimasi akar kuadrat rata-rata eror. Diharapkan nilainya rendah <0.08)
  • Goodness Of the Fit (GFI) yaitu ukuran kesesuaian model secara deskriptif. Nilai GFI > 0.90 mengindikasikan model fit atau model dapat diterima.
  • Adjusted Goodness of the Fit (AGFI) yaitu nilai GFI yang disesuaikan. Nilai GFI >0.90.
  • Cmin/df yaitu nilai Cmin/df < 2.00 mengindikasikan bahwa model fit dengan data.
  • Normal Index Fit (NFI) yaitu ukuran kesesuaian model dengan basis komparatif terhadap base line atau model nol. Diharapkan nilai NFI > 0.90.
  • Comparatif Fit Index (CFI) yaitu ukuran kesesuaian model berbasis komparatif dengan model null. Nilai CFI berkisar antara 0.0 sampai dengan 1. CFI >0.90 dikatakan model fit dengan data.
  • Tucker-Lewis Index (TLI), nilai TLI diharapkan > 0.90 dapat dikatakan fit dengan data.

7. Interpretasi hasil pengujian dan Modifikasi model

Langkah terakhir adalah interpretasi model untuk menjawab hipotesis penelitian dan modifikasi model jika tidak memenuhi syarat pengujian.

Baca juga :

1. Evaluasi Asumsi Pada Model SEM

2. Langkah Menggambar Dengan AMOS

3. Identifikasi Model SEM

Referensi :

Byrne, B.M (2010). Structural Equation Modeling With AMOS : Basic Concepts, Applications, and Programming 2nd edition. New York : Taylor and Francis Group.

Hair, J.F., Black, W.C., Babin,B.J., Anderson, R.E. (2010), Multivariate Data Analysis : 7nd edition. New Jersey. : Pearson Prentice Hall.

Loehlin,J.C.(2004).Latent Variable Modeling 4th: an Introduction to factor,path, and structural equation analyisis.New Jersey London: Lawrence Erlbaum Association

Lohmoller,J.B. (1989). Latent Variables path Modeling with partial Least Squares. Berlin,Heidelberger: Springer

Schumacker, R.E and Lomax, R.G. (2004), A Beginner's Guide To Structural Equation Modeling. New Marwah Jersey : Lawrence Erlbaum Associates.

Widiarso,W. (2010). Jumlah Sampel Dalam Pemodelan Persamaan Struktural (SEM). Yogyakarta : Fakultas Psikologi. UGM

26 November 2011

KOEFISIEN KONTINGENSI C (CRAMER'S V)

Nominal variables that have distinct unordered levels, each subject is in only level (you can be only be male or female). Chi-square or phi/cramer's V are good choices for statistics when analyzing two nominal variables. They are less appropriate if either variable has three or more ordered levels because the statistcs do not take in account the order and, thus, sacrifice power if used with ordinal or scale variables (Morgan, G.A, Gloeckner G.W, Barret K.C, 2004)
 
Variabel nominal memiliki tingkatan yang tidak berbeda, masing-masing memiliki level yang sama (bisa hanya laki-laki atau perempuan). Chi-square atau phi/cramer's V adalah pilihan yang baik dalam statistik ketika menganalisis dua variabel nominal. 

Contoh kasus.
Seorang peneliti ingin mengetahui apakah terdapat hubungan antara tingkat pendidikan seseorang dengan partai pilihannya.

Data Pendidikan dan Partai Pilihan
Langkah-langkah analisis :
  1. Klik Analyze>Descriptive Statistic>Crosstab
  2. Masukkan variabel pendidikan ke dalam Colomn (s)
  3. Masukkan variabel partai ke dalam kolom row(s)
  4. Klik tombol statistic dan pilih opsi Chi-square dan Phi and Cramer's V
Hasil Output

Uji Chi-square Test

Uji Crammer's V

Hipotesis :
H0 = Tidak terdapat hubungan yang signifikan antara tingkat pendidikan dengan partai pilihannya
H1 = terdapat hubungan yang signifikan antara tingkat pendidikan dengan partai pilihannya.

Kriteria uji.
Tolak hipotesis nol (H0) jika nilai signifikansi < 0.05
Oleh karena nilai p-value crammer's V sebesar 0.000 < 0.5, maka kesimpulannya adalah terdapat hubungan yang signifikansi antara tingkat pendikan dan partai pilihannya.

Keterangan.
Crammer's V lebih tepat digunakan untuk tabel kontigensi lebih dari 2 x2 sedangkan statistik Phi lebih diajurkan untuk tabel kontigensi 2 x 2.

Baca Juga :

1. Analisis Chi Square

2. Uji Mcnemar

3. Uji Friedman

Referensi :

Antonius,R. (2003).Interpreting Quantitative Data With SPSS.London New York: Sage Publications

Elliot,A.c and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Einspruch,E.L. (2005). Intoduction Guide to SPSS for Windows 2nd.London: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Greasley,P.(2008).Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

21 November 2011

Pengenalan Aplikasi WarpPLS : A Nonlinier Partial Least Square (PLS) Path Modeling

WarpPLS adalah software aplikasi yang dikembangkan oleh Ned Kock menggunakan Matlab compiler dan Java.  Software ini dapat menganalisis model SEM yang berbasis varian atau lebih dikenal dengan Partial Least Square. Model analisis SEM dengan WarpPLS dapat mengidentifikasi dan mengestimasi hubungan antar variabel laten apakah hubungan tersebut bersifat linier atau non linier. 
 

Ada 4 pilihan estimasi model yaitu :
  1. Warp3 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi berbentuk kurva "S" (S curve).
  2. Warp2 PLS Regression : hubungan antar variabel laten diidentifikasi dan estimasi berbentuk kurva "U" (U curve)
  3. PLS Regression : Hubungan antar variabel laten diidentifikasi dan estimasi bersifat linier.
  4. Robust Path Analysis : untuk mengetahui/menghitung skor faktor dari rata-rata nilai semua indikator dengan variabel latennya.
Pengenalan WarpPLS 2.0 :
Pertama kali membuka akan muncul command prompt window. Jangan menutupnya, tunngu beberapa saat akan muncul Main window.

Klik proceed to use software
Menu Proceed to use software
Menu Pada WarpPLS

Keterangan :
  1. Menu Project : pada menu ini kita dapat menyimpan nama file kerja.
  2. Menu Setting : menu ini menyediakan seting pilihan untuk model analisis ; war3 PLS Regresion, warpPLS2 Regression, PLS Regression, dan Robust Path Analysis. terdapat juga pilihan metode resampling (bootstrapping dan jackknifing).
  3. Menu 5 langkah analisis SEM
  4. Menu tombol langkah analisis SEM : proceed to step 1 sampai proceed to step 5.
  5. Menu status 5 langkah analisis SEM.

Langkah analisis :
Proceed to step 1

Pada langkah ini terdapat menu pilihan buka atau membuat file kerja baru. Pilih create project file. Simpan file pada direktori yang diinginkan. file dalam bentuk ekstensi (.prj)

Menu Create Project

20 November 2011

UJI KOLMOGOROV-SMIRNOV

"The Kolmogorov-Smirnov and Shapiro-Wilk tests do just this : they compare the scores in the sample to a normally distribution set of scores with the same mean and standard deviation. If the test is non-significant (p>0.05) it tells us that the distribution of the sample is non-significant different from a normal distribution (i.e. it is probably normal). If, however,the test is significant (p<0.05) then the distribution is question is significant different from a normal distribution (i.e. it is non-normal). (Andy Field, 2000)


Uji Kolmogorov-Smirnov termasuk dalam uji nonparametrik untuk kasus satu sample (one sample Kolmogorov-Smirnov). Uji ini dilakukan untuk menguji asumsi normalitas data. Tes dalam uji ini adalah tes goodness of fit yang mana tes tersebut untuk mengukur kesesuaian antara distribusi serangkaian sampel (data observasi) dengan distribusi frekuensi tertentu.

Contoh kasus
Data hasil ujian psikotes 30 mahasiswa apakah berdistribusi normal?

Nilai Psikotes

Langkah-langkah SPSS 
  1. Klik Analyze >Nonparametric >1 Sample K-S
  2. Masukkan variabel ujian psikotes ke dalam Test Variable List
  3. Klik OK
Hipotesis
H0= Nilai ujian psikotes berdistribusi normal
H1= Nilai ujian psikotes tidak berdistribusi normal

Kriteria uji :
Tolak hipotesis nol (H0) bila asymtotic signifikan value uji Kolmogorov-Smirnov < 0.50

Hasil Output SPSS

Nilai Kolmogorov smirnov Z

Hasil analisis di atas nilai Kolmogorov-Smirnov sebesar 0.799(>0.05), maka hipotesis nol (H0) diterima yang artinya nilai ujian psikotes 30 mahasiswa berdistribusi normal. Karena Kolmogorov-Smirnov test digunakan untuk mengetahui normalitas data, kita akan bandingkan dengan analisis QQ Plot. Apakah data juga berdistribusi normal ?

Kurva QQ Plot

Hasil uji dengan Diagram QQ Plot tampak bahwa data mengikuti garis diagonal yang menunjukkan bahwa data hasil ujian psikotes 30 mahasiswa berdistribusi normal.

Baca juga :

Referensi :

Antonius,R. (2003).Interpreting Quantitative Data With SPSS.London New York: Sage Publications

Elliot,A.c and Woodward,W.A. (2007). Statistical Analysis Quick References Guidebook: with SPSS Example.London New Delhi: Sage Publications

Einspruch,E.L. (2005). Intoduction Guide to SPSS for Windows 2nd.London: Sage Publications

Field,A. (2009). Discovering Statistics Using SPSS 3rd. London: Sage Publications

Greasley,P.(2008).Quantitative Data Analysis Using SPSS: Introduction for Health and Social Science.New York: McGraw Hill Open University Press

19 November 2011

KORELASI PARSIAL

Korelasi parsial atau partial correlation menghitung koefesien yang menggambarkan hubungan linier antara dua variabel dengan melakukan pengontrolan efek yang muncul karena penambahan satu atau dua variabel lain. Korelasi digunakan untuk mengukur hubungan linier dua variabel. Jika hubungan kedua variabel tidak cocok untuk mengukur hubungan kedua  variabel tidak linier, maka koefsien korelasi tidak cocok untuk mengukur hubungan kedua variabel tersebut.
 

 
 "We Use partial correlations to find out the size of the unique portion of variance. Therefore, we could conduct a partial correlation between exam anxiety and exam performance while controlling the effect of revision time"(Andy Field, 2006).
 
Sebelumnya kita sudah mengenal korelasi Pearson, Rank Spearman dan Kendall 'Tau. Korelasi tersebut adalah korelasi bivariate yang digunakan untuk mengukur hubungan linier dua variabel. Namun untuk korelasi parsial hubungan linier tersebut akan ditambahkan satu variabel lagi sebagai variabel pengontrol. Variabel pengontrol berfungsi sebagai pengontrol hubungan tersebut, apabila ditambahkan korelasinya akan terjadi perubahan atau tidak.
Perubahan korelasi tersebut dapat dibandingkan untuk kasus yang sama dengan data yang sama yaitu pengujian korelasi bivariate dan uji parsial.

Contoh kasus
Kita ingin meneliti berapa besar hubngan antara jumlah salesman dan pembelian produk. Sebagai variabel kontrol kita menggunakan variabel harga.
Langkah analisis :
  1. Klik Analyze<Correlate<Partial
  2. Masukkan variabel sales dan pembelian ke kolom variable(s)
  3. Masukkan variabel harga ke kolom controlling for
  4. Klik OK

Hipotesis :

H0 = hubungan antara slaes dan pemeblian dengan dikontrol oleh variabel harga tidak signifikan

H1 = hubungan antara sales dan pembelian dengan dikontrol variabel harga signifikan.

Kriterian pengujian : Tolak hipotesis nol (H0) jika nilai signifkansi p-value < 0.05

Hasil pengujian Korelasi Parsial dengan SPSS

 

Tabel Correlations

Perhatikan pada tabel di atas yaitu koefisien korelasi sales dengan pembelian tanpa kontrol menunjukkan hasil koefisien sebesar 0.827 dengan nilai p-value 0.000. Karena nilai p-value 0.000< 0.05 maka hubungan kedua variabel adalah signifikan. Angka 0.827 memberikan bukti bahwa ada korelasi yang sangat kuat dan searah. searah artinya apabilai jumlah sales bertambah (besar) maka pembelian juga meningkat (besar). Kita dapat mengetahui searah atau tidak searah dapat dilihat pada nilai pearson correlation, jika (+) berarti searah dan (-) tidak searah.

Tabel Correlation 2

Sedangkan nilai korelasi dengan memasukan variabel harga sebagai variabel kontrol memperoleh nilai koefisien korelasi sales dengan pembelian sebesar 0.814 dan nilai p-value 0.000. Nilai koefisien korelasi mengalami sedikit penurunan dari 0.814 dengan kontrol dibanding tanpa kontrol sebesar 0.827. Namun masih signifikan dan hubungan korelasi keduanya masih kuat.

Baca juga :

1. Validitas dan Reliabilitas

2. Analisis Korelasi dan Asosiasi

3. Korelasi Pearson

Referensi :

Field,A. (2009).Discovering Statistics Using SPSS 3rd. London: Sage Publications

Hall, J.L. (2010). A Guide to Doing Statistics. New York : Rouledge Francis & Taylor

Yamin,S dan Kurniawan,H. (2009). SPSS Complete : Teknik Analisis Statistik Terlengkap dengan Sofware SPSS. Jakarta : Salemba Infotek

17 November 2011

Pengenalan Structural Equation Modeling (SEM) Dengan SmartPLS

SmartPLS merupakan salah satu software statistik untuk metode structural Equation Modeling (SEM) berbasis varians. Software ini dapat diunduh di SmartPLS. Pada saat ini yang digunakan pada versi SmartPLS 2.0. SmartPLS menyediakan menu untuk menggambar model SEM, sehingga mempermudah pemakainya tanpa harus menuliskan kode seperti software lainnya.
 
 
Setelah mendownload dan menginstal, langkah selanjutnya cara memulainya sebagai berikut :

Menu Awal SmarPLS

 
 1. Tampilan pertama pada SmartPLS.Klik OK
Menu close tab

2. Klik Close seperti pada gambar diatas.

Menu utama SmartPLS

Sekarang sudah terlihat menu utama pada SmartPLS

Langkah analisis dengan SmartPLS :

Menu create project
  1. Klik File, New, Create New Project
  2. Ketik nama pada project name, kemudian klik next, contoh : Latihan SmartPLS. Kemudian Klik Next.
Menu file name
Pada File name, cari folder dan nama file yang akan dianalisis. Kali ini contohnya di folder E, nama file : Latihan SmartPLS. Seperti terlihat pada gambar di bawah ini. Kemudian klik Next.
Ingat : data yang akan dianalisis disimpan dalam tipe CSV atau txt.

4. Selanjutnya adalah melakukan setting data. Caranya :
  • Beri tanda centang (v) pada menu The Indicator data contains mossing values.
  • Pada menu missing value, angka -1,0 ganti menjadi -999.
  • Hilangkan tanda centang pada menu The Indicator data contains missing values.
  • Klik Finish.
Menu setting data

5. Tampilan berikutnya seperti gambar di bawah ini. Nama project yang tadi dibuat sekarang sudah terlihat.

Menu Project

 6. Selanjutnya kita akan menggambar path diagram (diagram alur) model SEM yang akan dianalisis.

Baca juga :

1. Tutorial Analisis Segmentasi FIMIX dengan PLS

2. Second Order Construct dalam PLS

3. Pengenalan VisualPLS

Referensi :

Esposito, Vinci, et al. (2010). Handbook of Partial Least Square, Concept, Method and Application. Springer

Imam, G. (2008). Metode Alternatif dengan Partial Least Square PLS Edisi 3. Semarang : Badan Penerbit Universitas Diponegoro

Lohmoller,J.B. (1989). Latent Variables path Modeling with Partial Least Squares. Berlin, Heidelberger: Springer

Sofyan, Y dan Heri, K. (2011). partial Least Square Path Modeling : Aplikasi dengan Software XLStat, SmartPLS dan VisualPLS. Jakarta : Salemba Infotek


10 November 2011

CONTROL CHART FOR ATTRIBUTE

Control chart for attribute atau diagram kontrol atribut digunakan apabila data yang diperoleh berbnetuk data atribut. Data atribut hanya memiliki dua nilai yang berkaitan dengan ya atau tidak, seperti: sesuai atau tidak sesuai , bagus atau jelek, terlambat atau tidak terlambat (tepat waktu), dan lain-lain. Data ini dapat dihitung untuk keperluan pencatatan dan analisis. 
 
 
 Diagram kontrol untuk data atribut adalah penting untuk beberapa alasan berikut :
  • Situasi-situasi yang berkaitan dengan data atribut ada dalam proses teknikal atau administrasi, sehingga teknik-teknik analisis atribut menjadi berguna dalam banyak penerapan.
  • Data atribut telah tersedia dalam banyak situasi termasuk dalam aktivita inspeksi material, proses perbaikan atau inspekasi akhir.
  • Apabila data baru harus dikumpulkan, informasi atribut pada umumnya mudah diperoleh atau tidak mahal, serta tidak membutuhkab keterampilan khusus untuk mengumpulkan data.
  • Kebanyakan data yang dikumpulkan untuk pelaporan manajemen adalah dalam bentuk atribut dan menjadi lebih bermanfaat apabila dilakukan analisis dengan diagram kontrol untuk data atribut tersebut.
Memprioritaskan area masalah dan menggunakan diagram kontrol itu ditempat yang paling membutuhkan. Penggunaan diagram kontrol untuk data atribut yang berkaitan dengan ukuran-ukuran kunci kualitas secara keseluruhan seringkali mampu memberikan petunjuk tentang area proses spesifik yang membutuhkan pengujian lanjutan, termasuk di dalamnya kemungkinan menggunakan diagram kontrol variabel.
Jenis-jenis kontrol chart atribut :
  1. P Chart, digunakan untuk mengukur proporsi ketidaksesuaian dari item-item dalam kelompok yang sedang diinspeksi. Digunakan untuk mengendalikan proporsi produk cacat yang dihasilkan dalam suatu proses. Proporsi yang tidak memenuhi syarat merupakan rasio banyaknya item yang tidak memenuhi syarat dalam suatu kelompok terhadap total banyaknya item dalam kelompok tersebut. Jika item tersebut tidak standar pada satu atau lebih karakteristik yang diperiksa maka item itu digolongkan tidak memenuhi syarat.
  2. NP Chart, diagram kontrol NP chart mirip dengan diagram kontrol P, tetapi pada diagram kontrol NP terjadi perubahan skala pengukuran. Diagram kontrol NP menggunakan ukuran banyaknya item yang tidak memenuhi spesifikasi atau banyaknya item yang tidak sesuai dalam suatu pemeriksaan. Diagram kontrol NP dan P dapat digunakan untuk situasi sebagai berikut ; data banyak item yang tidak sesuai adalah lebih bermanfaat dan mudah untuk diinteprestasikan dalam pembuatan laporan dibandingkan dengan data proporsi, ukuran contoh (n) bersifat konstan dari waktu ke waktu.
  3. C Chart, suatu item yang tidak memenuhi syarat atau yang cacat dalam proses pengendalian kualitas didefinisikan sebagai tidak memenuhi satu atau lebih spesifikasi standar untuk item tersebut maka item tersebut akan dikategorikan cacat atau tidak memenuhi syarat. penggolongan produk cacat berdasarkan kriteria di atas kadang-kadang untuk jenis produk tertentu dianggap kurang representatif, karena mungkin saja suatu produk masih dapat berfungsi dengan baik walaupun satu atau lebih titik spesifikasi yang tidak memenuhi spesifikasi. Contohnya : perakitan komputer. Jika terdapat banyak titik lemahnya maka tentu saja produk tersebut perlu dikategorikan sebagai produk cacat atau tidak memenuhi syarat. Hal ini berarti bahwa perusahaan memberikan toleransi atas kelemahan pada satu atau beberapa titik spesifikasi yang tidak memenuhi syarat sepanjang tidak mempengaruhi fungsi dari produk tersebut. Oleh karenanya diagram kontrol yang sesuai adalah diagram kontrol C atau C chart yang didasarkan pada banyaknya titik spesifik yang tidak memenuhi syarat dalam suatu item.
  4. U Chart, Diagram kontrol U mengukur banyaknya ketidak sesuaian (titik spesifik) per unit laporan inspeksi dalam periode yang mungkin memiliki ukuran contoh (banyaknya item yang diperiksa). Mirip dengan diagram kontrol kecuali pada banyaknya ukuran sampel yang digunakan. Pada diagram kontrol C memilki ukuran sampel pada setiap kali pengamatan adalah satu buah,sedangkan pada diagram kontrol U ukuran sampel dapat bervariasi pada setiap kali pengamatan. Sehingga dapat dikatakan bahwa diagram kontrol U dapat digunakan apabila ukuran contoh lebih dari satu unit atau mungkin bervariasi dari waktu ke waktu.

Baca juga

1. Control Chart for variable

2. Control Chart

3. Control Chart fot Attribute

Referensi :

Montgomery, D. C. (2013). Introduction Statistical Quality Control 7th. New York : John Wiley & Sons.

Oakland, J and Oakland, R. (2019). Statistical Process Control 7th. New York : Rouledge.

Yamin, S dan Kurniawan,H.(2009). SPSS Complete :Teknik Analisis Statistik Terlengkap dengan Software SPSS. Jakarta : Salemba Infotek