<p>Diagram Fishbone (tulang ikan), atau biasa pula disebut ishikawa diagram ataupun cause effect<br />diagram, adalah salah satu dari root cause analysis tools yang paling populer di kalangan praktisi industri<br />untuk melakukan quality improvement mendasarkan pada usaha mengenali akar penyebab terjadinya variasi<br />pada quality characteristics tertentu yang ingin dicapai. Meski telah banyak dipakai di dunia industri,<br />disayangkan tool ini menderita kelemahan karena tidak memfasilitasi analisa korelasi antar potential root<br />causes dari masing-masing kategori yang ada (5M1E - man machine method measurement material<br />environment), selain tentu saja penyajian datanya yang hanya kualitatif. Kelemahan ini diyakini menjadi<br />kontributor utama penyebab kegagalan fishbone diagram dalam mengenali root causes yang berupa sumber<br />variasi common cause dan hanya mampu mengenali yang berasal dari sumber variasi special cause. Bertolak<br />belakang dengan karakteristik special cause variations, common cause variations adalah variasi yang terjadi<br />pada quality characteristics tertentu yang ingin dicapai di mana kemunculannya tidak mudah teridentifikasi<br />dan jikapun berhasil dikenali akan sulit dihilangkan karena sifatnya yang seolah adalah merupakan bagian<br />dari sistem (embedded in a system), cenderung berakar penyebab berupa soft factors serta kemunculannya yang<br />tidak random namun tersamar dalam pola tertentu.<br />Penelitian ini bertujuan melakukan improvement pada kelemahan yang terdapat di fishbone diagram<br />dengan mengadopsi kelebihan yang dimiliki oleh bayesian network agar mampu mengenali root causes yang<br />merupakan common cause variations. Kelebihan bayesian network mengatasi kekurangan fishbone diagram,<br />demikian pula sebaliknya. Oleh karena itu, analisa dilakukan terhadap fishbone diagram dan bayesian network<br />untuk mengenali characteristics dan kelebihan/kekurangannya. Hasil dari analisa tersebut mengarahkan pada<br />sifat-sifat komplementer dari keduanya yang diyakini mampu mengisi gap pada fishbone diagram.<br />Mendasarkan padanya, dikembangkan sebuah model untuk mengintegrasikan konsep serta sifat komplementer<br />yang dimiliki bayesian network dan fishbone diagram. Model ini merepresentasikan metodologi baru dalam<br />root cause analysis, bayes-fishbone. Metodologi yang dikembangkan ini kemudian diujikan ke sebuah case<br />study company untuk melihat applicability-nya.<br />Hasil dari penelitian ini menunjukkan bahwa metodologi bayes-fishbone yang dikembangkan terbukti<br />telah valid mampu merepresentasikan kondisi probabilitas produk cacat sebenarnya pada case study company<br />dengan prosentase perbedaan nilai yang ditunjukkan antara model yang dikembangkan dengan kondisi aktual<br />yang besarnya tidak signifikan yaitu kurang dari 1 % (0,9597%). Dengan menerapkan metode contructive<br />research approach, terbukti pula bahwa metodologi bayes-fishbone berhasil lolos weak-market test yang<br />menunjukkan bahwa metodologi yang dikembangkan applicable pada case study company atau perusahaan lain<br />yang sejenis characteristics dan production process-nya.</p>
Localizing Heat-Generating Defects Using Fluorescent Microthermal Imaging