1. Pengertian Correlation dan Regression

Dalam proyek Lean Six Sigma, pengambilan keputusan harus didasarkan pada data (data-driven decision making). Salah satu alat statistik yang paling sering digunakan pada fase Analyze adalah Correlation Analysis dan Regression Analysis. Kedua metode ini membantu tim memahami hubungan antara variabel proses (X) dengan hasil proses atau Critical to Quality (CTQ) (Y).

Correlation digunakan untuk mengukur kekuatan dan arah hubungan antara dua variabel. Nilai korelasi (r) berada pada rentang -1 hingga +1. Semakin mendekati +1 berarti hubungan positif semakin kuat, sedangkan semakin mendekati -1 menunjukkan hubungan negatif yang kuat. Nilai yang mendekati nol menunjukkan bahwa hubungan linier sangat lemah atau bahkan tidak ada.

Sebaliknya, Regression Analysis tidak hanya mengukur hubungan, tetapi juga membangun model matematis untuk memprediksi perubahan variabel Y berdasarkan perubahan variabel X. Dengan kata lain, regresi membantu menjawab pertanyaan, “Jika faktor penyebab berubah, seberapa besar dampaknya terhadap hasil proses?” Oleh karena itu, regresi sering digunakan untuk memvalidasi faktor penyebab (root cause) sebelum organisasi melakukan perbaikan proses.

2. Perbedaan Correlation dan Regression

Walaupun sering digunakan secara bersamaan, correlation dan regression memiliki tujuan yang berbeda. Correlation hanya menjelaskan apakah dua variabel saling berhubungan, sedangkan regression menjelaskan bagaimana perubahan variabel independen memengaruhi variabel dependen.

Sebagai contoh, sebuah perusahaan minuman ingin mengetahui hubungan antara kecepatan conveyor dengan jumlah botol yang diproduksi per jam. Hasil analisis menunjukkan koefisien korelasi r = 0,91, yang berarti terdapat hubungan positif yang sangat kuat. Namun, informasi tersebut belum cukup untuk memperkirakan berapa peningkatan output jika kecepatan conveyor dinaikkan.

Melalui analisis regresi diperoleh persamaan:

Output Produksi = 420 + 15 × Kecepatan Conveyor

Artinya, setiap kenaikan kecepatan conveyor sebesar satu satuan diperkirakan akan meningkatkan output sekitar 15 botol per jam, selama faktor lain dianggap tetap. Informasi seperti ini sangat bermanfaat untuk simulasi peningkatan kapasitas produksi dan pengambilan keputusan investasi.

3. Contoh Penerapan di Industri Manufaktur

Sebuah perusahaan otomotif mengalami tingginya tingkat cacat pada proses injection molding. Tim Lean Six Sigma menduga bahwa temperatur mold merupakan salah satu penyebab utama meningkatnya jumlah cacat produk.

Selama beberapa hari dilakukan pengumpulan data temperatur mold dan jumlah produk cacat. Hasil analisis menunjukkan koefisien korelasi sebesar r = 0,87, yang menunjukkan hubungan positif yang sangat kuat. Semakin tinggi temperatur mold, semakin tinggi pula jumlah produk cacat.

Analisis regresi menghasilkan persamaan:

Jumlah Cacat = -8 + 0,12 × Temperatur Mold

Koefisien regresi sebesar 0,12 menunjukkan bahwa setiap kenaikan temperatur sebesar 1°C diperkirakan meningkatkan jumlah cacat sebanyak 0,12 unit. Nilai P-Value < 0,05 menunjukkan bahwa hubungan tersebut signifikan secara statistik sehingga temperatur mold dapat dinyatakan sebagai root cause yang perlu dikendalikan.

Berdasarkan hasil tersebut, perusahaan memasang sistem kontrol temperatur otomatis dan menetapkan batas operasi yang lebih ketat. Setelah implementasi, tingkat cacat menurun secara signifikan, produktivitas meningkat, dan biaya kualitas berkurang.

4. Contoh Penerapan di Industri Jasa

Analisis correlation dan regression juga banyak digunakan pada sektor jasa. Sebagai contoh, sebuah rumah sakit ingin mengetahui apakah waktu tunggu pasien memengaruhi tingkat kepuasan pasien.

Data dikumpulkan dari 200 pasien yang mengisi survei kepuasan setelah menerima layanan. Hasil analisis menunjukkan nilai korelasi r = -0,82, yang berarti terdapat hubungan negatif yang sangat kuat. Semakin lama pasien menunggu, semakin rendah tingkat kepuasan mereka.

Selanjutnya dilakukan analisis regresi dan diperoleh persamaan:

Skor Kepuasan = 96 – 0,75 × Waktu Tunggu

Model tersebut menunjukkan bahwa setiap tambahan 1 menit waktu tunggu akan menurunkan skor kepuasan rata-rata sebesar 0,75 poin. Nilai P-Value < 0,001 menunjukkan bahwa hubungan tersebut signifikan.

Berdasarkan temuan ini, rumah sakit melakukan digitalisasi proses registrasi, penjadwalan dokter secara elektronik, dan penerapan sistem antrean otomatis. Setelah implementasi, waktu tunggu menurun, kepuasan pasien meningkat, dan keluhan pelanggan berkurang secara nyata.

5. Kesimpulan

Correlation dan Regression merupakan dua alat statistik yang sangat penting dalam Lean Six Sigma karena membantu organisasi memahami hubungan antarvariabel sekaligus memvalidasi faktor penyebab yang memengaruhi kinerja proses. Correlation memberikan informasi mengenai arah dan kekuatan hubungan, sedangkan regression membangun model prediksi yang dapat digunakan untuk memperkirakan dampak perubahan suatu variabel terhadap hasil proses.

Dalam proyek DMAIC, kedua metode ini sangat efektif untuk memvalidasi root cause, mengidentifikasi faktor yang paling berpengaruh terhadap kualitas, serta mendukung pengambilan keputusan berbasis data. Baik di industri manufaktur maupun sektor jasa, penggunaan correlation dan regression membantu organisasi mengurangi variasi proses, meningkatkan produktivitas, menekan biaya, serta meningkatkan kepuasan pelanggan. Oleh karena itu, penguasaan kedua teknik ini merupakan kompetensi penting bagi setiap praktisi Lean Six Sigma yang ingin menghasilkan perbaikan yang objektif, terukur, dan berkelanjutan.