BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA. pihak perusahaan PT. Muliapack Intisempurna. Pengumpulan data ini

98

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

4.1

Pengumpulan Data Proses pengumpulan data dilakukan dengan dua cara, yaitu pengumpulan data secara langsung dan secara tidak langsung. Pengumpulan data secara langsung dilakukan melalui observasi dan wawancara terhadap pihak perusahaan PT. Muliapack Intisempurna. Pengumpulan data ini bertujuan untuk mengetahui permasalahan dan topik yang akan diambil pada PT. Muliapack Intisempurna. Pengumpulan data tidak langsung meliputi pengambilan data historis dari laporan operasional mesin. Pada tahap ini, dilakukan penyaringan data dan menentukan batasan serta ruang lingkup masalah untuk memudahkan pengumpulan data. Data yang diperoleh antara lain data interval waktu kedatangan pallet ke mesin slitting, waktu pelayanan, dan rata-rata waktu proses dari tiap mesin di perusahaan tersebut. Selanjutnya data yang dikumpulkan akan diolah sehingga dapat dilakukan analisa hasil dan pembahasan penelitian. Data-data waktu pada tabel pengumpulan data semua satuannya telah diganti dalam bentuk menit agar lebih memudahkan perhitungan. Adapun data-data yang diperoleh dari perusahaan PT. Muliapack Intisempurna ditampilkan dan dikelompokkan sebagai berikut.

99

4.1.1

Data Waktu Proses Mesin Printing, Laminating, dan Slitting Tabel 4.1 Data Waktu Proses Keseluruhan Mesin Job 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Printing Laminating 150 180 195 210 115 140 105 125 140 165 140 160 165 185 175 180 120 135 160 195 195 210 125 150 130 145 180 185 155 180 95 125 175 210 145 170 120 140 140 155

Slitting 410 500 370 435 450 520 350 410 390 320 470 650 440 395 370 450 340 380 330 425

SUMBER TABEL : PT. Muliapack Intisempurna

4.1.2

Data Interval Kedatangan Mesin Slitting 1 Dalam perhitungan waktu kedatangan, waktu memasuki dan meninggalkan sistem dalam Tabel 4.2 sampai 4.10, karena dilakukan pengamatan selama 3 hari maka pada hari kedua ditambahkan 24 jam dan ketiga ditambahkan 48 jam.

100

Tabel 4.2 Data Interval Kedatangan Mesin Slitting 1 No 1 2 3 4 5 6 7 8 9 10

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 10.00 37.45 435 45.00 0 10.00 45.00 330 50.30 380 16.20 50.30 210 54.00 0 16.20 54.00 240 58.00 0 16.20 58.00 330 63.30 1300 38.00 63.30 405 70.15 0 38.00 70.15 345 76.00 0 38.00 76.00 350 81.50 1240 58.40 81.50 400 88.30 0 58.40 88.30 285 93.15


4.1.3

Data Interval Kedatangan Mesin Slitting 2 Tabel 4.3 Data Interval Kedatangan Mesin Slitting 2 No 1 2 3 4 5 6 7 8 9 10



101

4.1.4

Data Interval Kedatangan Mesin Slitting 3 Tabel 4.4 Data Interval Kedatangan Mesin Slitting 3 No 1 2 3 4 5 6 7 8 9 10 11

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 16.15 55.30 240 59.30 0 16.15 59.30 210 63.00 0 16.15 63.00 220 66.40 0 16.15 66.40 215 70.15 0 16.15 70.15 225 74.00 2425 56.40 74.00 270 78.30 0 56.40 78.30 250 82.40 0 56.40 82.40 230 86.30 0 56.40 86.30 240 90.30 560 66.00 90.30 285 95.15 0 66.00 95.15 345 101.00


4.1.5

Data Interval Kedatangan Mesin Slitting 4 Tabel 4.5 Data Interval Kedatangan Mesin Slitting 4 No 1 2 3 4 5 6 7 8 9

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 32.30 59.45 315 65.00 0 32.30 65.00 290 69.50 0 32.30 69.50 265 74.15 0 32.30 74.15 315 79.30 1590 59.00 79.30 390 86.00 0 59.00 86.00 330 91.30 0 59.00 91.30 260 95.50 0 59.00 95.50 310 101.00 0 59.00 101.00 285 105.45


102

4.1.6

Data Interval Kedatangan Mesin Slitting 5 Tabel 4.6 Data Interval Kedatangan Mesin Slitting 5 No 1 2 3 4 5 6 7 8 9 10 11

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 09.00 37.00 300 42.00 0 09.00 42.00 370 46.10 0 09.00 46.10 230 50.00 1440 33.00 50.00 300 55.00 0 33.00 55.00 300 60.00 0 33.00 60.00 270 64.30 540 42.00 64.30 270 69.00 0 42.00 69.00 285 73.45 870 56.30 73.45 435 81.00 0 56.30 81.00 330 86.30 0 56.30 86.30 285 91.15


4.1.7




103

4.1.8




4.1.9

Data Interval Kedatangan Mesin Slitting 8 Tabel 4.9 Data Interval Kedatangan Mesin Slitting 8 No 1 2 3 4 5 6 7 8 9

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 33.30 63.20 280 68.00 0 33.30 68.00 330 73.30 0 33.30 73.30 300 78.30 540 42.30 78.30 420 85.30 0 42.30 85.30 225 89.15 0 42.30 89.15 255 93.30 1260 63.30 93.30 300 98.30 0 63.30 98.30 270 103.00 0 63.30 103.00 285 107.45


104

4.1.10 Data Interval Kedatangan Mesin Slitting 9 Tabel 4.10 Data Interval Kedatangan Mesin Slitting 9 No 1 2 3 4 5 6 7

Interval Waktu Waktu Waktu Waktu Kedatangan Memasuki Proses Meninggalkan Kedatangan (menit) Sistem (menit) Sistem 0 10.30 58.30 420 65.30 0 10.30 65.30 510 74.00 0 10.30 74.00 465 81.45 2730 56.00 81.45 360 87.45 0 56.00 87.45 315 93.00 0 56.00 93.00 240 97.00 0 56.00 97.00 310 102.10


4.1.11 Earliest Due Date (EDD) Mesin Slitting Tabel 4.11 Earliest Due Date (EDD) Mesin Slitting Task (i) 1 2 3 4 5 6 7 8 9 10

Processing Due Date Time (ti) (di) 435 2160 330 2160 210 2460 240 2460 330 2760 405 2760 345 3060 350 3060 400 3360 285 3360


105

4.2

Pengolahan Data Pengolahan data yang dilakukan berdasarkan pada data-data yang telah dikumpulkan baik sumbernya berasal dari data aktual perusahaan, hasil pengamatan, wawancara dan observasi langsung, data historis, maupun hasil perhitungan lainnya. Pengolahan data ini bertujuan untuk memperoleh suatu hasil atau nilai dengan menggunakan dasar-dasar metode perhitungan yang nantinya akan dianalisa dampak dan pengaruhnya bagi perusahaan.

4.2.1

Gantt Chart Gantt Chart berfungsi untuk menunjukkan adanya antrian yang terjadi di pabrik, terutama pada mesin Slitting. Berikut adalah gambaran antrian yang digambarkan dengan Gantt Chart menggunakan software Microsoft Project 2007, yang menggambarkan tingkat antrian yang terjadi setelah pengerjaan 20 job menggunakan empat seri mesin printing-laminating-Slitting.

106

Gambar 4.1 Gantt Chart Kelompok Mesin 1 SUMBER GAMBAR: Software Microsoft Project 2007



107


Dari Gantt Chart diatas dapat terlihat pengerjaan job semakin lama semakin besar waktu tunggunya, terutama pada mesin slitting. Pengerjaan di mesin pertama yaitu pada mesin printing, tidak menunggu terlalu lama karena merupakan pengerjaan tahap pertama. Namun pada mesin slitting dapat terlihat bar yang semakin lama semakin panjang disebabkan oleh waktu tunggu yang lama menunggu selesainya pengerjaan job-job sebelumnya.

4.2.2

Diagram Sebab-Akibat Terjadinya Antrian Diagram Sebab-Akibat yang dikenal sebagai diagram Fishbone merupakan salah satu metode paling sederhana namun efektif untuk menganalisa sumber-sumber penyebab dari suatu masalah yang dihadapi oleh perusahaan. Pada diagram berikut digambarkan berbagai penyebab antrian dengan permasalahan utama di ujung depan tulang ikan berikut rincian penyebab umum dan khususnya digambarkan sebagai tulang utama dan

108

tulang-tulang kecil untuk menganalisis secara keseluruhan penyebab dari permasalahan antrian dengan perilaku Multiple Waiting Line With Jockeying pada mesin slitting.

Gambar 4.5 Diagram Sebab Akibat SUMBER GAMBAR : Hasil Pengamatan

4.2.3

Distribusi Data Kedatangan dan Pelayanan Dalam perhitungan dan analisa antrian kita perlu mengetahui terlebih dahulu distribusi data tingkat kedatangan dan pelayanan dari antrian dan server yang tersedia saat ini. Berikut adalah pengujian distribusi data kedatangan (λ) dan tingkat pelayanan (μ) dengan perhitungan menggunakan software Minitab 14.0.

109

4.2.3.1 Pengujian Distribusi Tingkat Kedatangan dengan Software Minitab 14.0

Probability Plot for Interval Kedatangan LSXY Estimates-Censoring Column in Censor Weibull

C orrelation C oefficient Weibull 0.973 Lognormal 0.970 E xponential * N ormal 0.964

Lognormal 99 90

50

P er cent

P er cent

90

10

50 10

1 100

1 100

1000 Inter val Kedatangan

1000 Inter val Kedatangan

E xponential

10000

N ormal 99 90

50

P er cent

P er cent

90

10

50 10

1

10

100 1000 Inter val Kedatangan

1

10000

0

1000 2000 3000 Inter val Kedatangan

Gambar 4.6 Grafik Probability Plot of Interval Kedatangan SUMBER GAMBAR: Software Minitab Goodness-of-Fit

Distribution Weibull Lognormal Exponential Normal

Anderson-Darling (adj) 1.151 1.206 3.328 1.217

Correlation Coefficient 0.973 0.970 * 0.964

Table of Percentiles


Percent 1 1 1 1

Percentile 147.325 274.439 12.2606 -455.613

Standard Error 79.3416 90.7817 2.84476 414.739

95% Normal CI Lower Upper 51.2698 423.340 143.509 524.826 7.78055 19.3202 -1268.49 357.261

110

Weibull Lognormal Exponential Normal

5 5 5 5

342.498 423.399 62.5735 92.7421

128.792 109.883 14.5186 325.925

163.898 254.589 39.7091 -546.058

715.717 704.139 98.6031 731.542


10 10 10 10

497.120 533.498 128.531 385.068

152.493 120.278 29.8224 283.523

272.492 342.948 81.5657 -170.626

906.922 829.921 202.539 940.762


50 50 50 50

1318.00 1205.69 845.581 1416.25

201.838 191.773 196.196 201.159

976.255 882.771 536.606 1021.99

1779.38 1646.74 1332.46 1810.51

Table of MTTF


Mean 1413.15 1476.16 1219.92 1416.25

Standard Error 190.614 262.370 283.051 201.159

95% Normal CI Lower Upper 1084.85 1840.78 1041.94 2091.34 774.16 1922.34 1021.99 1810.51

111

4.2.3.2 Pengujian Distribusi Tingkat Pelayanan dengan Software Minitab 14.0

Probability Plot for Pelayanan LSXY Estimates-Censoring Column in Censor C orrelation C oefficient Weibull 0.955 Lognormal 0.992 E xponential * N ormal 0.976

Lognormal

99.9

99.9

90

99

50

90

P er cent

P er cent

Weibull

10

50

1

10

0.1

0.1

1 200 P elayanan

500

200

E xponential

N ormal

99.9

99.9

90

99

50

90

P er cent

P er cent

500 P elayanan

10

50

1

10

0.1 0.1

0.1

1

1.0

10.0 100.0 P elayanan

1000.0

200

300 400 P elayanan

500

Gambar 4.7 Grafik Probability Plot of Tingkat Pelayanan SUMBER GAMBAR: Software Minitab Goodness-of-Fit


Anderson-Darling (adj) 3.512 0.682 55.553 1.261

Correlation Coefficient 0.955 0.992 * 0.976

Table of Percentiles


Percent 1 1 1 1

Percentile 168.521 194.334 1.92221 169.830

Standard Error 7.58820 7.75736 0.162430 12.2396


112


5 5 5 5

213.452 221.220 9.81028 210.269

7.30696 7.01099 0.828984 9.75359

199.600 207.897 8.31292 191.152

228.264 235.397 11.5774 229.386


10 10 10 10

236.936 237.042 20.1511 231.827

7.01917 6.59051 1.70280 8.58216

223.570 224.470 17.0754 215.006

251.100 250.318 23.7808 248.648


50 50 50 50

311.362 302.449 132.570 307.874

5.82696 6.16555 11.2024 6.36184

300.148 290.603 112.336 295.405

322.994 314.778 156.449 320.343

Table of MTTF


4.2.4

Mean 306.918 307.967 191.259 307.874

Standard Error 5.7355 6.3372 16.1616 6.3618


Perhitungan Antrian Yang Terjadi Pada Mesin Slitting Dari Gantt Chart ditunjukkan bahwa tingkat antrian yang tinggi terjadi di mesin Slitting. Melalui pengujian diatas, diketahui bahwa distribusi interval kedatangan berdistribusi Poisson dikarenakan hasil yang didapat bahwa interval kedatangan memiliki distribusi eksponensial, dimana kedua distribusi tersebut memiliki sifat yang sama., sedangkan tingkat pelayanannya terdistribusi secara eksponensial. Antrian pada mesin Slitting saat ini berupa antrian multi-channel, dengan perilaku antrian multiple waiting line with jockeying dan jumlah server yang memadai saat ini sebanyak 9 server. Pada pengamatan selama 58 jam diketahui total tingkat kedatangan ke mesin Slitting sebanyak 87 pallet.

113

Mean waktu kedatangan =

87pallet 58 jam

= 1.51 pallet / jam Karena interval kedatangan terdistribusi Poisson, maka: Poisson Æ

1jam = 39.735 menit / pallet exp

Mean waktu pelayanan = 371 menit / pallet Tingkat Kedatangan (λ) =

60menit 39.735

= 1.51 pallet / jam Tingkat Pelayanan (μ) =

60menit 371

= 0.16 pallet / jam

ρ=

=

Dengan c (server) = 9, maka peluang terjadi antrian adalah:

λ c.μ

1.51 9x 0.16

= 1.05 Æ ρ > 1; traffic intensity tinggi sehingga terjadi antrian Dengan jumlah server 9, maka perhitungan rata-rata waktu tunggu saat ini yaitu :

114

Tabel 4.12 Tabel Perhitungan Waktu Tunggu Dengan c = 9 Waktu Kedatangan 10.00 10.00 16.20 16.20 16.20 38.00 38.00 38.00 58.40 58.40 08.25 08.25 08.25 34.45 34.45 34.45 63.10 63.10 63.10 63.10 16.15 16.15 16.15 16.15 16.15 56.40 56.40 56.40 56.40 66.00

Waktu Memasuki Sistem 37.45 45.00 50.30 54.00 58.00 63.30 70.15 76.00 81.50 88.30 42.00 47.00 51.30 57.00 62.00 66.15 71.00 76.15 81.20 86.30 55.30 59.30 63.00 66.40 70.15 74.00 78.30 82.40 86.30 90.30

Waktu tunggu 1665 2100 2050 2260 2500 1530 1935 2280 1390 1790 2015 2315 2585 1335 1635 1890 470 785 1090 1400 2355 2595 2805 3025 3240 1040 1310 1560 1790 1470

115

Tabel 4.12 Tabel Perhitungan Waktu Tunggu Dengan c = 9 (Lanjutan) Waktu Kedatangan 66.00 32.30 32.30 32.30 32.30 59.00 59.00 59.00 59.00 59.00 09.00 09.00 09.00 33.00 33.00 33.00 42.00 42.00 56.30 56.30 56.30 32.30 32.30 32.30 32.30 32.30 57.00 57.00 57.00 57.00

Waktu Memasuki Sistem 95.15 59.45 65.00 69.50 74.15 79.30 86.00 91.30 95.50 101.00 37.00 42.00 46.10 50.00 55.00 60.00 64.30 69.00 73.45 81.00 86.30 77.00 83.00 88.15 93.00 97.00 103.00 109.30 114.00 119.30

Waktu tunggu 1755 1635 1950 2240 2505 1230 1620 1950 2210 2520 1680 1980 2230 1020 1320 1620 1350 1620 1035 1470 1800 2670 3030 3345 3630 3870 2760 3150 3420 3750

116

Tabel 4.12 Tabel Perhitungan Waktu Tunggu Dengan c = 9 (Lanjutan) Waktu Kedatangan 08.30 08.30 08.30 08.30 59.00 59.00 59.00 59.00 59.00 33.30 33.30 33.30 42.30 42.30 42.30 63.30 63.30 63.30 10.30 10.30 10.30 56.00 56.00 56.00 56.00

Waktu Memasuki Sistem 61.20 66.00 71.30 76.30 81.45 88.30 93.30 98.15 103.00 63.20 68.00 73.30 78.30 85.30 89.15 93.30 98.30 103.00 58.30 65.30 74.00 81.45 87.45 93.00 97.00 Rata -rata

Waktu tunggu 3130 3450 3780 4080 1365 1770 2070 2355 2640 1750 2070 2400 2160 2580 2805 1800 2100 2370 2880 3300 3810 1545 1905 2220 2460 2208,62

117

*) Perhitungan biaya tunggu (waiting cost) setiap hari dengan 9 server Asumsi : Cost akibat menunggu mengakibatkan lost sales Rp. 2000,-/menit

Total produksi/hari =

24 jamx60menit = 3.88 pallet 371

Operator cost = Rp. 75000,- (Rp. 25000/shift)

Maka waiting cost = Wq x cost x total produksi/hari = 2208,62 menit x Rp.2000 x 3.88 pallet = Rp. 17.138.891 ,Total cost = Rp. 17.138.891 + Rp. 75000 = Rp. 17.213.891 ,-

ρ=

=

Jika dilakukan penambahan server menjadi 10 server (c = 10)

λ c.μ

1.51 10x 0.16

= 0.94 Æ ρ < 1; masih terjadi antrian, namun dapat diatasi dengan 10 server Dengan jumlah server 10, probabilitas sistem antrian kosong yaitu : c −1 ⎡ (c.ρ) c (c.ρ) n ⎤ +∑ Po = ⎢ ⎥ ⎣ c! (1 − ρ) n =0 n! ⎦

−1

118

⎡ (10 x 0.94)10 c −1 (10 x 0.94)0 (10 x 0.94)1 (10 x 0.94)10 ⎤ = ⎢ +∑ + + ... + ⎥ 0! 1! 10! ⎣10! (1 − 0.94) n = 0 ⎦

= [24737.98 + (1 + 9.4 + 44.18 + ... + 1579.02)]−1 −1 = [24737.98 + 6465.57]

= [31203.55]-1 = 0.000032 Æ Probabilitas antrian kosong sangat kecil

*) Banyak pallet yang membentuk antrian c

⎛λ⎞ Po.⎜⎜ ⎟⎟ .ρ ⎝μ⎠ Lq = c!(1 − ρ) 2 10

⎛ 1.51 ⎞ 0.000032 x ⎜ ⎟ x 0.94 ⎝ 0.16 ⎠ = 10! (1 − 0.94) 2

=

168596.08 13063.68

= 12.91 pallet

*) Banyak pallet yang mengantri dalam sistem Ls = Lq +

λ μ

= 12.91 +

1.51 0.16

−1

119

= 22.35 pallet.

*) Waktu menunggu rata-rata dalam antrian Wq =

=

Lq λ 12.91 1.51

= 8.55 jam

*) Waktu yang diperlukan untuk menunggu dalam sistem Ws = Wq +

= 8.55 +

1 μ 1 0.16

= 14.80 jam

*) Probabilitas terjadi delay dalam sistem (c.ρ) c .Po D= c! (1 − ρ) =

(10x 0.94)10 x 0.000032 10! (1 − 0.94)

=

172356.84 217728

D = 0.79

120





Maka waiting cost = Wq x cost x total produksi/hari = 8.55 jam (513 menit) x Rp.2000 x 3.88 pallet = Rp. 3.980.880 ,Total cost = Rp. 3.980.880 + Rp. 75000 = Rp. 4.055.880 ,-

ρ=

=


λ c.μ 1.51 11x 0.16


−1

121

⎡ (11x 0.86)11 c −1 (11x 0.86) 0 (11x 0.86)1 (11x 0.86)11 ⎤ = ⎢ +∑ + + ... + ⎥ 0! 1! 11! ⎣11!(1 − 0.86) n =0 ⎦

= [9716.70 + (1 + 9.46 + 44.75 + ... + 1581.75)]−1 −1 = [9716.70 + 8346.67]



⎛λ⎞ Po.⎜⎜ ⎟⎟ .ρ ⎝μ⎠ Lq = c!(1 − ρ) 2 11

⎛ 1.51 ⎞ 0.000055x ⎜ ⎟ x 0.86 ⎝ 0.16 ⎠ = 11! (1 − 0.86) 2

=

2502002.57 782369.28

= 3.20 pallet


= 3.20 +

λ μ 1.51 0.16

−1

122

= 12.6375 pallet.


=

Lq λ 3.20 1.51

= 2.12 jam


= 2.12 +

1 μ 1 0.16

= 8.37 jam


(11x 0.86)11 x 0.000055 11! (1 − 0.86)

=

2986518.366 5588352

D = 0.53

123





Maka waiting cost = Wq x cost x total produksi/hari = 2.12 jam (127.2 menit) x Rp.2000 x 3.88 pallet = Rp. 987.072 ,Total cost = Rp. 987.072 + Rp. 150000 = Rp. 1.137.072 ,-

ρ=

=


λ c.μ 1.51 12x 0.16


−1

124

⎡ (12 x 0.79)12 c −1 (12 x 0.79) 0 (12 x 0.79)1 (12 x 0.79)12 ⎤ = ⎢ +∑ + + ... + ⎥ 0! 1! 12! ⎣12! (1 − 0.79) n =0 ⎦

= [5237.74 + (1 + 9.48 + 44.94 + ... + 1392.31)]−1 −1 = [5237.74 + 9875.34]



⎛λ⎞ Po.⎜⎜ ⎟⎟ .ρ ⎝μ⎠ Lq = c!(1 − ρ) 2 12

⎛ 1.51 ⎞ 0.000066 x ⎜ ⎟ x 0.79 ⎝ 0.16 ⎠ = 12! (1 − 0.79) 2

=

26028.83 100590.34

= 0.26 pallet


= 0.26 +

λ μ 1.51 0.16

−1

125

= 9.6975 pallet.


=

Lq λ 0.26 1.51

= 0.17 jam


= 0.17 +

1 μ 1 0.16

= 6.42 jam


(12x 0.79)12 x 0.000066 12! (1 − 0.79)

=

34773145.97 100590336

D = 0.32

126





Maka waiting cost = Wq x cost x total produksi/hari = 0.17 jam (10.2 menit) x Rp.2000 x 3.88 pallet = Rp. 79.152 ,Total cost = Rp. 79.152 + (Rp. 75000 x 3) = Rp. 304.152 ,-

Asumsi biaya pengoperasian sarana per hari (EOCi) = Biaya Tenaga Kerja + Biaya lain-lain (listrik, maintenance) = Rp 75.000/ hari + Rp. 1.500.000/ hari = Rp. 1.575.000/ hari Dari perhitungan diatas dengan sistem untuk model i, dari rumus (M/M/1) : (GD/ ∞ / ∞ ), dapat diketahui tingkat pelayanan yang optimum sebagai berikut.

127

Tabel 4.13 Tabel Perhitungan Pelayanan Optimum Model i

EOCi

EWCi

ETCi

9 server

Rp. 14.175.000

Rp. 17.213.891

Rp. 31.388.891

10 server

Rp. 15.750.000

Rp. 4.055.880

Rp. 19.805.880

11 server

Rp. 17.325.000

Rp. 1.137.072

Rp. 18.462.072

12 server

Rp. 18.900.000

Rp. 304.152

Rp. 19.204.152

Dari tabel perhitungan pelayanan yang optimum dapat diketahui bahwa jumlah server yang optimum adalah 11 server, dimana dapat dikatakan optimum jika tingkat pelayanan meningkat, biaya waktu menunggu menurun (jumlah kedua biaya ini minimum).

128

4.2.5

Perancangan Tata Letak Untuk Penambahan Mesin Slitting

Gambar 4.8 Tata Letak Ruangan Mesin Slitting (sekarang) SUMBER GAMBAR: PT. Muliapack Intisempurna

129

Gambar 4.9 Tata Letak Ruangan Mesin Slitting setelah penambahan mesin (usulan) SUMBER GAMBAR: PT. Muliapack Intisempurna

130

4.2.6

Perhitungan BEP Penambahan Server (Mesin)

Dari perhitungan penentuan jumlah server antrian yang optimal, diketahui bahwa jumlah server yang memadai untuk jumlah antrian saat ini adalah 10 server. Sedangkan saat ini hanya tersedia 9 mesin. Oleh karena itu diperlukan pembelian mesin baru. Berikut perhitungan BEP untuk penambahan mesin Slitting baru. Biaya pembelian mesin = $ 250.000 = Rp. 2.575.000.000 Fixed Cost = Biaya mesin + Biaya Bangunan

(Biaya bangunan diasumsikan 0 sebab ruang yang dibutuhkan telah tersedia) Variable Cost = Tenaga Kerja + Bahan Baku + Maintenance Cost

TC ( Total Cost ) = Fixed Cost + Variable Cost p = rata-rata harga jual per satuan produk = Rp. 3.200.000 / roll c = ongkos variabel untuk membuat 1 produk

Ongkos total pembuatan 325 roll produk (Jan 2009) = Rp. 1.475.000.000,Ongkos total pembuatan 313 roll produk (Feb 2009) = Rp. 1.439.000.000,-

Asumsi ongkos-ongkos variabel berhubungan secara proposional dengan jumlah produk yang dihasilkan.

131

c=

a−b na − nb

c=

1.475.000.000 − 1.439.000.000 325 − 313

c=

36.000.000 12

c = Rp. 3.000.000 / roll p = Rp. 3.200.000 / roll Jumlah yang harus diproduksi sehingga BEP tercapai: n=

=

FC p−c Rp.2.575.000.000 Rp.3.200.000 − Rp.3.000.000

= 12875 roll Perusahaan memproduksi rata-rata 2.500.000 meter produk per bulan Panjang gulungan (roll) = 8000 m Rata-rata jumlah roll yang diproduksi =

2.500.000 8000

= 312.5 roll / bulan

Maka BEP akan tercapai pada: BEP

=

12875 312.5

= 41.2 bulan ≈ 3.43 tahun

132

4.2.7

Perhitungan Kelayakan Penambahan Mesin Slitting

Biaya Pembelian Mesin (P) = $ 250.000 = Rp 2.575.000.000

Waktu proses 1 palet pada mesin slitting = 371 menit Waktu proses per roll = 123.67 menit / roll = 2.06 jam / roll

Jumlah roll yang dapat diproduksi 1 buah mesin slitting selama 1 tahun = 300harix 24 jam = 3495.15 roll / tahun 2.06 jam

Annual Worth (A) = 3495.15 roll x Rp. 200.000

= Rp. 699.029.126 / tahun

Asumsi bahwa MARR (i) = 10% dan mesin dapat berproduksi hingga 10 tahun kedepan. NPW = - Rp 2.575.000.000 + Rp. 699.029.126 (P/A, 10%, 10) = - Rp 2.575.000.000 + Rp. 699.029.126 (6,1446) = - Rp 2.575.000.000 + Rp. 4.295.254.368 = Rp. 1.720.254.368 Æ NPW > 0

133

4.2.8

Penjadwalan Metode CDS (Campbell, Dudek, and Smith)

Pengolahan data dengan metode penjadwalan CDS menggunakan data waktu proses untuk mengerjakan 20 pekerjaan yang sudah dikelompokkan dalam 4 kelompok seri mesin printing, laminating dan slitting. Masingmasing 4 kelompok seri mesin mengerjakan 5 pekerjaan sehingga jika digabungkan jumlah total yang dikerjakan adalah 20 pekerjaan. Dari gambar Gantt Chart terbukti terjadi antrian pada mesin slitting. Total Flow Time pada pengerjaan 20 job dapat dilihat dan dibandingkan pada perhitungan sebelum dan sesudah menggunakan penjadwalan dengan metode CDS. Satuan waktu dalam tabel perhitungan adalah dalam menit.

Tabel 4.14 Data Waktu Proses Mesin Printing, Laminating, Slitting Mesin/Job M1 M2 M3

1 150 180 410

2 195 210 500

3 115 140 370

4 105 125 435

5 140 165 450

6 140 160 520

7 165 185 350

8 175 180 410

9 120 135 390

10 160 195 320

11 195 210 470

12 125 150 650

13 130 145 440

14 180 185 395

15 155 180 370

16 95 125 450

17 175 210 340

18 145 170 380

19 120 140 330

20 140 155 425

Tabel 4.15 Kumulatif Waktu Proses Mesin Printing, Laminating, Slitting dengan Metode FCFS (Sekarang) Mesin/Job

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

M1

150

345

460

565

M2

330

555

695

820

705

845

1010

1185

1305

1465

1660

1785

1915

2095

2250

2345

2520

2665

2785

2925

985

1145

1330

1510

1645

1840

2050

2200

2345

2530

2710

2835

3045

3215

3355

M3

740

1240

1610

2045

3510

2495

3015

3365

3775

4165

4485

4955

5605

6045

6440

6810

7260

7600

7980

8310

8735

134

Total Flow Time (TFT) =

n

∑ Ft i

= 96675 menit

i =1

Makespan = 8735 menit

4.2.8.1 Perhitungan CDS Tahap 1

Tabel 4.16 Perhitungan Tahap 1 CDS Mesin/Job M1 M3

1 150 410

2 195 500

3 115 370

4 105 435

5 140 450

6 140 520

7 165 350

8 175 410

9 120 390

10 160 320

11 195 470

12 125 650

13 130 440

14 180 395

15 155 370

16 95 450

17 175 340

18 145 380

19 120 330

20 140 425

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

14 180 185 395

2 195 210 500

11 195 210 470

Alternatif 1 Urutan : 16-4-3-9-19-12-13-5-6-20-18-1-15-10-7-8-17-14-2-11 Tabel 4.17 Perhitungan Alternatif 1

Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

135

Tabel 4.18 Kumulatif Alternatif 1 Mesin/Job

16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625


n

∑ Ft i

= 93765 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

14 180 185 395

11 195 210 470

2 195 210 500

136


16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195 n

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625


∑ Ft i

= 93735 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

14 180 185 395

2 195 210 500

11 195 210 470

137


16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625


n

∑ Ft i

= 93695 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

14 180 185 395

11 195 210 470

2 195 210 500

138


16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93665 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

139


16

4

3

9

19

12

13

5

20

6

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93670 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

140


16

4

3

9

19

12

13

5

20

6

18

1

15

10

7

8

17

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93640 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

141


16

4

3

9

19

12

13

5

20

6

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93600 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

142


16

4

3

9

19

12

13

5

20

6

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93570 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

143


16

4

3

9

19

12

13

20

5

6

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625

17 175 210 340

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93645 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

144


16

4

3

9

19

12

13

20

5

6

18

1

15

10

7

8

17

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93615 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

145


16

4

3

9

19

12

13

20

5

6

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93575 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

146


16

4

3

9

19

12

13

20

5

6

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93545 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

147


16

4

3

19

9

12

13

5

6

20

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93705 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 140 330

19 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

148


16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93675 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 140 330

19 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

149


16

4

3

9

19

12

13

5

6

20

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93635 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

6 140 160 520

20 140 155 425

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

150


16

4

3

19

9

12

13

5

6

20

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1380

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4255

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93605 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

151


16

4

3

19

9

12

13

5

20

6

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93610 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

152


16

4

3

19

9

12

13

5

20

6

18

1

15

10

7

8

17

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93580 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

153


16

4

3

19

9

12

13

5

20

6

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93540 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

5 140 165 450

20 140 155 425

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

154


16

4

3

19

9

12

13

5

20

6

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1220

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3735

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93510 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

155


16

4

3

19

9

12

13

20

5

6

18

1

15

10

7

8

17

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93585 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

8 175 180 410

17 175 210 340

156


16

4

3

19

9

12

13

20

5

6

18

1

15

10

7

8

17

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2625

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6920

7260

7655

8125

8625

14 180 185 395

2 195 210 500

11 195 210 470


n

∑ Ft i

= 93555 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

157


16

4

3

19

9

12

13

20

5

6

18

1

15

10

7

17

8

14

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8155

8625

14 180 185 395

11 195 210 470

2 195 210 500


n

∑ Ft i

= 93515 menit

i =1



Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

19 120 140 330

9 120 135 390

12 125 150 650

13 130 145 440

20 140 155 425

5 140 165 450

6 140 160 520

18 145 170 380

1 150 180 410

15 155 180 370

10 160 195 320

7 165 185 350

17 175 210 340

8 175 180 410

158


16

4

3

19

9

12

13

20

5

6

18

1

15

10

7

17

8

14

11

2

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1840

2005

2180

2355

2535

2730

2925

F2

220

345

485

625

760

910

1055

1210

1375

1535

1705

1885

2065

2260

2445

2655

2835

3020

3230

3440

F3

670

1105

1475

1805

2195

2845

3285

3710

4160

4680

5060

5470

5840

6160

6510

6850

7260

7655

8125

8625


n

∑ Ft i

= 93485 menit

i =1


4.2.8.2 Perhitungan CDS Tahap 2

Tabel 4.65 Perhitungan Tahap 2 CDS Mesin/Job M1+M2 M2+M3

1 330 590

2 405 710

3 255 510

4 230 560

5 305 615

6 300 680

7 350 535

8 355 590

9 255 525

10 355 515

11 405 680

Alternatif 1 Urutan : 16-4-3-9-19-12-13-20-6-5-18-1-15-7-8-10-14-17-2-11

12 275 800

13 275 585

14 365 580

15 335 550

16 220 575

17 385 550

18 315 550

19 260 470

20 295 580

159

Tabel 4.66 Perhitungan Tahap 2 Alternatif 1 Mesin/Job M1 M2 M3

16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

8 175 180 410

10 160 195 320

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470

Tabel 4.67 Kumulatif Tahap 2 Alternatif 1 Mesin/Job

16

4

3

9

19

12

13

20

6

5

18

1

15

7

8

10

14

17

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1845

2020

2180

2360

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1370

1535

1705

1885

2065

2250

2430

2625

2810

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4230

4680

5060

5470

5840

6190

6600

6920

7315

7655

8155

8625


n

∑ Ft i

= 93890 menit

i =1



160


16 95 125 450

4 105 125 435

9 120 135 390

3 115 140 370

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

8 175 180 410

10 160 195 320

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470


16

4

9

3

19

12

13

20

6

5

18

1

15

7

8

10

14

17

2

11

F1

95

200

320

435

555

680

810

950

1090

1230

1375

1525

1680

1845

2020

2180

2360

2535

2730

2925

F2

220

345

480

620

760

910

1055

1210

1370

1535

1705

1885

2065

2250

2430

2625

2810

3020

3230

3440

F3

670

1105

1495

1865

2195

2845

3285

3710

4230

4680

5060

5470

5840

6190

6600

6920

7315

7655

8155

8625


n

∑ Ft i

= 93910 menit

i =1



161


16 95 125 450

4 105 125 435

9 120 135 390

3 115 140 370

19 120 140 330

13 130 145 440

12 125 150 650

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

8 175 180 410

10 160 195 320

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470


16

4

9

3

19

13

12

20

6

5

18

1

15

7

8

10

14

17

2

11

F1

95

200

320

435

555

685

810

950

1090

1230

1375

1525

1680

1845

2020

2180

2360

2535

2730

2925

F2

220

345

480

620

760

905

1055

1210

1370

1535

1705

1885

2065

2250

2430

2625

2810

3020

3230

3440

F3

670

1105

1495

1865

2195

2635

3285

3710

4230

4680

5060

5470

5840

6190

6600

6920

7315

7655

8155

8625


n

∑ Ft i

= 93700 menit

i =1



162


16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

13 130 145 440

12 125 150 650

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

8 175 180 410

10 160 195 320

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470


16

4

3

9

19

13

12

20

6

5

18

1

15

7

8

10

14

17

2

11

F1

95

200

315

435

555

685

810

950

1090

1230

1375

1525

1680

1845

2020

2180

2360

2535

2730

2925

F2

220

345

485

620

760

905

1055

1210

1370

1535

1705

1885

2065

2250

2430

2625

2810

3020

3230

3440

F3

670

1105

1475

1865

2195

2635

3285

3710

4230

4680

5060

5470

5840

6190

6600

6920

7315

7655

8155

8625


n

∑ Ft i

= 93680 menit

i =1



163


16 95 125 450

4 105 125 435

3 115 140 370

9 120 135 390

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

10 160 195 320

8 175 180 410

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470


16

4

3

9

19

12

13

20

6

5

18

1

15

7

10

8

14

17

2

11

F1

95

200

315

435

555

680

810

950

1090

1230

1375

1525

1680

1845

2005

2180

2360

2535

2730

2925

F2

220

345

485

620

760

910

1055

1210

1370

1535

1705

1885

2065

2250

2445

2625

2810

3020

3230

3440

F3

670

1105

1475

1865

2195

2845

3285

3710

4230

4680

5060

5470

5840

6190

6510

6920

7315

7655

8155

8625


n

∑ Ft i

= 93800 menit

i =1



164


16 95 125 450

4 105 125 435

9 120 135 390

3 115 140 370

19 120 140 330

12 125 150 650

13 130 145 440

20 140 155 425

6 140 160 520

5 140 165 450

18 145 170 380

1 150 180 410

15 155 180 370

7 165 185 350

10 160 195 320

8 175 180 410

14 180 185 395

17 175 210 340

2 195 210 500

11 195 210 470


16

4

9

3

19

12

13

20

6

5

18

1

15

7

10

8

14

17

2

11

F1

95

200

320

435

555

680

810

950

1090

1230

1375

1525

1680

1845

2005

2180

2360

2535

2730

2925

F2

220

345

480

620

760

910

1055

1210

1370

1535

1705

1885

2065

2250

2445

2625

2810

3020

3230

3440

F3

670

1105

1495

1865

2195

2845

3285

3710

4230

4680

5060

5470

5840

6190

6510

6920

7315

7655

8155

8625


n

∑ Ft i

= 93820 menit

i =1


Maka pilihan tahap 1 alternatif 24 karena memiliki total flow time terkecil yaitu 93485 menit dengan urutan pekerjaan [16-4-3-19-9-12-13-20-5-6-18-1-15-10-7-17-8-14-11-2] Efisiensi waktu alir =

TFT sekarang − TFT usulan 96675 − 93485 x 100% = 3.29 % x 100% = 96675 TFT sekarang

165

4.2.9

Perhitungan dengan Metode Penjadwalan Sekarang dengan First Come First Serve (FCFS)

Tabel 4.78 Processing Time Mesin Slitting Selama 3 Hari (Sekarang) Task (i)

1 2 3 4 5 6 7 8 9 10

Processing Time (ti) 435 330 210 240 330 405 345 350 400 285

Urutan = 1-2-3-4-5-6-7-8-9 Rata-rata waktu alir : Fs =

Fs =

1 ((n × ti) + (n − 1× ti) + ...) n 1 (10 x 435+ 9 x 330 + 8 x 210 + 7 x 240 + 6 x 330 + 5 x 405 + 4 x 10 345 + 3 x 350 + 2 x 400 + 1 x 285 )

= 1820 menit

166

Tabel 4.79 Perhitungan Lateness Mesin Slitting Sekarang dengan Metode FCFS Task (i)

1 2 3 4 5 6 7 8 9 10

Cumulative Processing Processing Time (ti) Time (Ci) 435 435 330 765 210 975 240 1215 330 1545 405 1950 345 2295 350 2645 400 3045 285 3330 Total Lateness

Rata-rata lateness =

∑ lateness = task (i)

Urutan = 1-2-3-4-5-6-7-8-9 Rata-rata lateness = - 15,67 jam = 0 Max lateness = 0

Due Lateness Date (Ci - di) (di) 2160 -1725 2160 -1395 2460 -1485 2460 -1245 2760 -1215 2760 -810 3060 -765 3060 -415 3360 -315 3360 -30 -9400

-9400 = - 940 menit = - 15,67 jam 10

167

4.2.10 Perhitungan dengan Metode Penjadwalan Shortest Processing Time (SPT)

Tabel 4.80 Processing Time Mesin Slitting Selama 3 Hari Setelah Diurutkan dari Processing Time yang Paling Kecil Task (i)

3 4 10 2 5 7 8 9 6 1

Processing Time (ti) 210 240 285 330 330 345 350 400 405 435

Urutan : 3-4-10-2-5-7-8-9-6-1 Rata-rata waktu alir : Fs =

Fs =

1 ((n × ti) + (n − 1 × ti) + ...) n 1 (10 x 210 + 9 x 240 + 8 x 285 + 7 x 330 + 6 x 330 + 5 x 345 + 4 x 10 350 + 3 x 400 + 2 x 405 + 1 x 435 )

= 1250,2 menit

168

Asumsi :

Rata-rata waktu mengantri barang sekitar 1,5 hari sebelum diproses.

Barang max berada diruang slitting selama 3 hari (due date).

Barang datang sejumlah 2 pallet setiap 5 jam sekali.

Tabel 4.81 Perhitungan Lateness dengan metode SPT Cumulative Processing Task (i) Processing Time (ti) Time (Ci) 3 210 210 4 240 450 10 285 735 2 330 1065 5 330 1395 7 345 1740 8 350 2090 9 400 2490 6 405 2895 1 435 3330 Total Lateness

Rata-rata lateness =

∑ lateness = task (i)

Urutan = 3-4-10-2-5-7-8-9-6-1 Rata-rata lateness = - 18,67 jam = 0 Max lateness = 0

Due Lateness Date (Ci - di) (di) 2460 -2250 2460 -2010 3360 -2625 2160 -1095 2760 -1365 3060 -1320 3060 -970 3360 -870 2760 135 2160 1170 -11200

-11200 = - 1120 menit = -18,67 jam 10

169

Efisiensi =

=

Fs sekarang − Fs usulan x 100% Fs sekarang

1820 − 1250,2 x 100% 1820

= 31,31 %

4.2.11 Perhitungan Simulasi Monte Carlo

Tabel 4.82 Data Jumlah Kedatangan Pallet Selama 3 Hari Data 1 2 3 4 5 6 7 8 9

Hari / Shift ke1 / 07.00 - 15.00 1 / 15.00 - 23.00 1 / 23.00 - 07.00 2 / 07.00 - 15.00 2 / 15.00 - 23.00 2 / 23.00 - 07.00 3 / 07.00 - 15.00 3 / 15.00 - 23.00 3 / 23.00 - 07.00 Total

Jumlah Pallet 16 8 0 21 5 0 28 9 0 87

Berdasarkan tabel 4.96, data dapat dikelompokkan sesuai dengan jumlah pallet yang datang dengan menggunakan interval data kelompok.

Jumlah kelas = 1 + 3,3 log 9 = 4,15 = 5 kelas

170

Interval data =

=

nilai max − nilai min 4,15 28 − 0 4,15

= 6.75 =7 Tabel 4.83 Data Kelompok Interval Data 0–7 8– 15 16 – 23 24 – 31 32– 39 Jumlah

Frekuensi 4 2 2 1 0 9

Tahapan Perhitungan Simulasi Monte Carlo

1. Menetapkan distribusi probabilitas Tabel 4.84 Probabilitas Jumlah Pallet Interval Data 0–7 8– 15 16 – 23 24 – 31 32– 39 Jumlah

Frekuensi 4 2 2 1 0 9

Probabilitas 0,444 0,222 0,222 0,111 0 1

171

2. Menetapkan distribusi kumulatif Tabel 4.85 Kumulatif Probabilitas Interval Data

Frekuensi

Probabilitas

0–7

4

0,444

Kumulatif Probabilitas 0,444

8– 15

2

0,222

0,666

16 – 23

2

0,222

0,888

24 – 31

1

0,111

0,999

32– 39

0

0

1

3. Interval bilangan acak Tabel 4.86 Interval bilangan Acak Interval Data

Frekuensi

Kumulatif

Interval

Probabilitas

Bilangan acak

Probabilitas

0–7

4

0,444

0,444

0,001-0,444

8– 15

2

0,222

0,666

0,445-0,666

16 – 23

2

0,222

0,888

0,667-0,888

24 – 31

1

0,111

0,999

0,889-0,999

32– 39

0

0

1

1

172

4. Pembangkit bilangan acak Pembangkit bilangan acak dengan menggunakan tabel bilangan random. Tabel 4.87 Penarikan Bilangan Acak No

Bilangan Acak

1

0,629

2

0,171

3

0,992

4

0,129

5

0,280

6

0,780

7

0,360

8

0,956

9

0,892

10

0,919

11

0,073

12

0,732

13

0,879

14

0,469

15

0,025

173

5. Menjalankan simulasi Tabel 4.88 Hasil Simulasi Hari / Shift ke-

Bilangan Acak

Hasil Simulasi

4 / 07.00 - 15.00

0,629

8– 15

4 / 15.00 - 23.00

0,171

0–7

4 / 15.00 - 23.00

0,992

24 – 31

5 / 07.00 - 15.00

0,129

0–7

5 / 15.00 - 23.00

0,280

0–7

5 / 15.00 - 23.00

0,780

16 – 23

6 / 07.00 - 15.00

0,360

0–7

6 / 15.00 - 23.00

0,956

24 – 31

6 / 15.00 - 23.00

0,892

24 – 31

7 / 07.00 - 15.00

0,919

24 – 31

7 / 15.00 - 23.00

0,073

0–7

7 / 15.00 - 23.00

0,732

16 – 23

8 / 07.00 - 15.00

0,879

16 – 23

8 / 15.00 - 23.00

0,469

8– 15

8 / 15.00 - 23.00

0,025

0–7

Berdasarkan hasil simulasi, dapat disimpulkan bahwa jumlah pallet yang datang pada 15 shift atau 5 hari ke depan paling banyak berjumlah antara 0 - 7 pallet.

174

4.2.12 Perhitungan Simulasi ProModel

Dari simulasi Monte Carlo diketahui bahwa jumlah kedatangan pallet ke mesin slitting rata-rata berjumlah 0 - 7 pallet. Dari pengumpulan data juga diketahui rata – rata tingkat kedatangan berjumlah 1.51 pallet / jam, dan rata rata tingkat pelayanan mesin slitting yaitu 371 menit / pallet. Pada perhitungan antrian diketahui pula bahwa jumlah server yang optimal adalah 10 server. Dari seluruh data tersebut dilakukan simulasi menggunakan software ProModel untuk melihat distribusi antrian dan optimalisasi server setelah

dilakukan penambahan 1 mesin slitting. Berikut report dari hasil simulasi yang dijalankan dengan 10 server selama 3 hari kerja (9 shift).

Gambar 4.10 Report ProModel I

175

Gambar 4.11 Report ProModel II

4.3

Analisa Data

Analisa data merupakan penjelasan dari hasil pengolahan yang telah dilakukan. Tujuan dari analisa data yaitu untuk mengetahui dan menjelaskan hasil pengolahan data dan menghubungkan faktor-faktor apa saja yang terhubung dengan hasil dari pengolahan data yang telah dilakukan. Analisa yang dilakukan dihubungkan dengan teori-teori keilmuan yang digunakan sebagai landasan teori.

4.3.1

Analisa Gantt Chart

Pada keempat gambar Gantt Chart diatas dapat dilihat bahwa intensitas antrian yang tinggi terjadi pada mesin slitting. Selama observasi juga telah diamati bahwa antrian yang cukup banyak terjadi di ruangan mesin slitting. Hal ini telah diatasi perusahaan dengan penambahan mesin slitting

176

dari tahun ke tahun, dimana dapat terlihat bahwa jumlah mesin slitting saat ini tidak proporsional dibanding jumlah mesin lainnya. Pada PT. Muliapack Intisempurna saat ini sudah terdapat 4 buah mesin printing, 5 buah mesin laminating dan 9 buah mesin slitting. Hal tersebut dikarenakan efisiensi mesin slitting yang hanya sekitar 50% akibat lamanya waktu setting dan berbagai

kendala lainnya yang ditunjukkan pada diagram sebab akibat. Oleh karena itu terjadi antrian yang cukup panjang, meskipun jumlah mesin telah ditambahkan. Dari gambar Gantt Chart diatas ditunjukkan penjadwalan dengan empat buah seri mesin printing-slitting-laminating dalam mengerjakan 20 job yang waktu pengerjaannya diambil secara random dari data historis perusahaan. Dari gambar tersebut dapat terlihat kecepatan proses di mesin printing dan laminating tidak seimbang dengan mesin slitting sehingga

akibatnya antrian di mesin slitting terus bertambah hingga intensitas yang sangat tinggi. Itulah sebabnya jumlah mesin slitting dibutuhkan lebih banyak untuk menyelesaikan proses pemotongan akhir agar tidak terjadi antrian yang terlalu panjang.

177

4.3.2

Analisa Fishbone Penyebab Terjadinya Antrian Pasa Mesin Slitting

Berdasarkan gambar 4.5 dapat dilihat adanya lima faktor umum penyebab terjadinya antrian pada mesin slitting dan beberapa faktor khusus yang mendukung faktor utama. Faktor-faktor penyebab antrian pada mesin slitting antara lain:

Machine

Mesin Slitting yang digunakan oleh PT. Muliapack Intisempurna semuanya berjumlah sembilan mesin yang masing-masing memiliki tahun pembuatan mesin yang berbeda-beda. Meskipun berbeda tahun pembuatannya tetapi setiap mesin memiliki kapasitas produksi yang hampir sama. Salah satu faktor yang menyebabkan terjadinya antrian karena dipengaruhi oleh mesin. Faktor mesin merupakan faktor penyebab terjadinya antrian secara umum. Mesin yang digunakan untuk melakukan proses produksi, umur mesin juga sangat mempengaruhi kinerja mesin untuk melakukan produsi, kecepatan mesin dalam melakukan proses pemotongan, variasi fungsi mesin yang dapat digunakan secara dwifungsi dan tidak (hal ini bergantung pada produk yang akan dipotong), setting mesin yang memiliki waktu setting yang berbedabeda, dan jumlah mesin yang juga mempengaruhi pengerjaan proses pemotongan merupakan faktor-faktor khusus yang mempengaruhi terjadinya antrian.

178

Man

Faktor kedua yang mempengaruhi terjadinya antrian adalah manusia. Manusia ini sendiri merupakan faktor umum yang mempengaruhi terjadinya antrian pada lantai produksi. Adapun faktor-faktor khusus yang merupakan pengembangan dari faktor manusia atau operator, faktor-faktor tersebut antara lain interaksi antara operator dan mesin dimana faktor ini mempengaruhi kinerja operator untuk dapat beradaptasi dengan mesin yang dihandle, kemampuan operator yang berhubungan dengan skill yang dimiliki oleh operator untuk mengoperasikan mesin tersebut, kondisi pekerja pada saat bekerja dimana mencakup kesehatan pekerja dan juga posisi oprator pada saat melakukan pekerjaan, allowance pekerja merupakan waktu istirahat atau kelonggaran yang dimiliki oleh operator. Semua faktor-faktor khusus ini berpengaruh pada faktor umum penyebab terjadinya antrian.

Material Faktor ketiga penyebab terjadinya antrian adalah faktor material. Faktor material merupakan komponen utama dalam proses produksi. Tanpa pengaturan bahan material yang baik maka dapat menghambat proses produksi. Material merupakan salah satu faktor umum penyebab terjadinya antrian pada PT. Muliapack Intisempurna. Adapun faktor-faktor khusus yang merupakan pengembangan dari faktor material, faktor-faktor tersebut antara lain variasi material yang beragam, hal ini dilihat berdasarkan ukuran bahan

179

yang bervariasi, jenis bahan yang bervariasi, dan ketebalan bahan yang beragam (bergantung pada produsen lokal atau produsen luar negeri seperti korea atau thailand). Faktor khusus selanjutnya yaitu jumlah material yang juga dapat menjadi salah satu faktor penyebab terjadinya antrian, defeci yang dapat berasal dari mesin printing (waste printing), berasal dari mesin laminating (waste lapis), dan yang berasal dari mesin Slitting (waste Slitting).

Method

Faktor keempat penyebab terjadinya antrian adalah method. Faktor method merupakan metode atau proses yang digunakan untuk mendukung proses produksi. Faktor method merupakan salah satu faktor umum penyebab terjadinya

antrian.

Adapun

faktor-faktor

khusus

yang

merupakan

pengembangan dari faktor method, faktor-faktor tersebut antara lain waktu setting tiap-tiap mesin yang tergolong beragam dan lamanya waktu setting

tergantung jenis produk yang akan di potong, metode penjadwalan pengerjaan job pada mesin yang masih belum maksimal, pembagian pallet yang tidak

merata (faktor ini juga bergantung pada jumlah pallet dan ukuran rol), maintenance (prosedur maintenance yang tidak terorganisir dengan baik). Method yang diterapkan perusahaan perlu dikembangkan karena masih belum

menggunakan berbagai metode heuristik untuk mencapai hasil yang lebih optimal.

180

Order

Faktor kelima penyebab terjadinya antrian adalah order. Faktor ini merupakan kumpulan data-data orderan dari para pelanggan yang kondisinya juga mempengaruhi terjadinya antrian. Faktor order merupakan faktor umum yang tentunya juga didukung oleh faktor-faktor khusus yang menyebabkannya. Faktor-faktor khusus tersebut antara lain penambahan orderan secara tiba-tiba (mendadak), jumlah dan ukuran order yang tidak menentu dan bervariasi, dan juga periode order yang tidak bisa diprediksi secara pasti. Faktor-faktor khusus inilah yang menjadi salah satu penyebab dasar terjadinya antrian pada mesin slitting karena kapasitas produksi mesin slitting berbeda dan lebih lambat dibandingkan dengan mesin printing dan mesin laminating.

4.3.3

Analisa Distribusi Data Tingkat Kedatangan dan Pelayanan Mesin Slitting

Sebelum menganalisa antrian kita perlu mengetahui terlebih dahulu distribusi data tingkat kedatangan dan pelayanan dari antrian tersebut. Distribusi tingkat kedatangan dapat kita tentukan dengan mengetahui dan menghitung terlebih dahulu interval kedatangan pallet pada mesin slitting dan distribusi pelayanan dapat kita tentukan dengan mengetahui terlebih dahulu waktu proses yang dilakukan oleh mesin slitting. Pengujian distribusi tingkat kedatangan dan tingkat pelayanan dilakukan dengan menggunakan software.

181

Pengujian distribusi kedatangan menggunakan software minitab. Pengujian dengan software minitab menunjukkan bahwa interval kedatangan berdistribusi eksponensial yang dapat dilihat dari nilai Anderson Darling yang paling besar besar yaitu 3.328, dari hasil tersebut dapat dikatakan bahwa tingkat kedatangan berdistribusi Poisson karena kedua jenis distribusi tersebut memiliki sifat yang sama. Serta hasil pengujian distribusi dengan menggunakan software minitab untuk tingkat pelayanan menunjukkan bahwa tingkat pelayanan berdistribusi eksponensial karena koefisien korelasi distribusi eksponensial paling besar dibandingkan dengan koefisien distribusi lainnya yaitu 55.553.

4.3.4

Analisa Antrian Mesin

Setelah melakukan pengujian distribusi tingkat kedatangan dan pelayanan pada mesin slitting maka telah didapat hasil distribusinya adalah distribusi antrian yang terjadi seperti antrian pada umumnya muncul, yaitu distribusi tingkat kedatangan adalah Poisson dan distribusi pelayanan adalah eksponensial. Setelah melakukan pengujian distribusi maka selanjutnya pengolahan data dari data yang telah dikumpulkan sebelumnya didapat tingkat kedatangan (λ) adalah 1.51 pallet / jam dan tingkat pelayanan (μ) adalah 0.16 pallet / jam. Peluang terjadi antrian jika dengan c (server) = 9, maka peluang terjadi antrian adalah ρ adalah 1.05 Æ peluang > 1 yang berarti traffic intensity tinggi

182

sehingga antrian tidak terkendali, sedangkan ketika dilakukan penambahan server menjadi 10 server (c = 10) ρ adalah 0.94 Æ ρ < 1; masih terjadi

antrian, namun dapat diatasi dengan 10 server. Dengan jumlah server 10, selanjutnya menghitung probabilitas sistem antrian kosong P0 didapat hasil sebesar 0.000032 yang berarti probabilitas antrian kosong sangat kecil, banyak pallet yang membentuk antrian (Lq) adalah 12.91 pallet, banyak pallet yang mengantri dalam sistem (Ls) adalah 22.35 pallet, waktu menunggu rata-rata dalam antrian (Wq) adalah 8.55 jam atau 513 menit, waktu yang diperlukan untuk menunggu dalam sistem (Ws) adalah 14.80 jam, probabilitas terjadi delay dalam sistem (D) adalah 0.79, dan perhitungan biaya tunggu (waiting cost) setiap hari adalah Rp. 4.055.880. Sebelum melakukan penambahan server (masih 9 server) didapat ratarata waktu menunggu dalam antrian (Wq) adalah sebesar 36.8 jam atau 2208.62 menit dan perhitungan biaya tunggu (waiting cost) setiap hari adalah Rp. 17.213.891. Selisih biaya tunggu antrian sebelum dan sesudah penambahan server adalah Rp. 13.158.011 dan selisih waktu rata-rata menunggu dalam antrian adalah 28.25 jam atau 1695 menit. Dari hasil perhitungan antrian, didapatkan hasil yang optimum pada keadaan 11 server untuk mesin slitting. Tetapi dengan mempertimbangkan keadaan ruangan yang ada dan beban finansial yang harus ditanggung oleh perusahaan, disarankan untuk melakukan penambahan 1 server karena dirasa cukup untuk keadaan saat ini.

183

Dari perhitungan dilihat bahwa penambahan 1 server pada mesin slitting dapat mengendalikan dan meminimasi antrian karena efisiensi

pelayanan mesin terhadap pallet yang dilayani sangat kecil yaitu 0.16 pallet/jam, hal ini menyebabkan waktu antrian yang lama dan banyaknya pallet yang mengantri untuk dilayani oleh mesin slitting sangat tinggi dan hal

ini berdampak negatif bagi pihak perusahaan karena besarnya biaya tunggu yang diakibatkan oleh antrian. Lambatnya waktu pelayanan setiap mesin bergantung pada jenis produk yang akan dipotong. Hal inilah yang menyebabkan efisiensi pelayanan mesin sangat kecil dan tidak maksimal dan dapat diminimasi dengan penambahan server pada area mesin slitting.

4.3.5

Analisa Tata Letak & Fasilitas Penambahan Mesin Slitting

Berdasarkan hasil perhitungan antrian, didapatkan usulan bahwa perlu dilakukan penambahan server sebanyak 1 unit mesin slitting untuk dapat mengendalikan antrian pallet yang terjadi. Hal ini diharapkan dapat meningkatkan produktifitas pelayanan mesin terhadap pallet yang mengantri. Penambahan server tidak hanya diperhitungkan dari segi finansial (pencapaian BEP) tetapi juga harus dipertimbangkan dari segi ketersediaan area untuk penambahan server tersebut. Berdasarkan gambar 4.8 dan gambar 4.9 dapat dilihat gambaran area mesin slitting sebelum dan sesudah penambahan server.

184

Ketersediaan ruang ini penting untuk diperhatikan sebab jika tata letak sekarang tidak dapat memuat tambahan mesin, maka diperlukan penambahan ruang yang akan membutuhkan biaya besar, sehingga penambahan mesin menjadi tidak layak untuk dipertimbangkan. Karena jumlah server yang ditambahkan hanya 1, masih terdapat ketersediaan tempat pada area mesin slitting melihat luasnya ruangan yang memang telah dipersiapkan untuk

penambahan mesin maupun untuk antrian. Dari gambar usulan maka kami memberikan usulan peletakan mesin tepat di sebelah mesin terakhir sebagai mesin ke-10 untuk membantu meningkatkan tingkat pelayanan mesin slitting terhadap intensitas antrian pallet yang harus dipotong yang cukup tinggi.

4.3.6

Analisa Break Even Point (BEP) Pembelian Mesin Slitting

Dari analisa antrian diketahui bahwa jumlah server yang memadai untuk jumlah antrian yang ada saat ini adalah 10 server. Oleh sebab itu diperlukan penambahan mesin slitting agar antrian tersebut dapat terkendali. Penambahan mesin membutuhkan berbagai biaya antara lain biaya luas bangunan atau ruang untuk peletakan mesin, biaya pembelian mesin, tambahan tenaga kerja dan sebagainya. Dari data rata - rata harga mesin slitting di pasaran saat ini diketahui bahwa harga mesin baru cukup mahal yaitu sekitar $250.000. Oleh karena itu diperlukan perencanaan yang baik dalam perhitungan titik impas jika dilakukan penambahan mesin baru. Pada perhitungan, digunakan data biaya

185

berdasarkan asumsi dari rata-rata harga pasar, sebab data-data biaya merupakan privasi perusahaan dan tidak dapat dipublikasikan. Setelah dilakukan perhitungan dengan mempertimbangkan berbagai biaya tetap dan biaya variabel dengan faktor seperti tenaga kerja, bahan baku, maintenance cost, dan sebagainya, maka didapat hasil bahwa BEP akan tercapai setelah

3,43 tahun atau 41,2 bulan. Usia mesin saat ini ada yang sudah beroperasi selama 12 tahun dan masih cukup baik kondisinya. Umur mesin diperkirakan bisa mencapai 15-20 tahun dengan maintenance yang baik. Oleh karena itu titik BEP di tahun ke 3,43 dinilai cukup layak.

4.3.7

Analisa Kelayakan Pembelian Mesin Slitting

Untuk melakukan perencanaan financial yang lebih matang dalam pembelian mesin slitting, maka dilakukan juga perhitungan dan analisa pendapatan yang dapat diperoleh dari mesin slitting tersebut dan analisa apakah dana tersebut layak dikeluarkan untuk membeli mesin atau sebaiknya dialihkan ke investasi lain yang lebih aman dan menguntungkan semisalnya deposito bank. Dari perhitungan diketahui Jumlah roll yang dapat diproduksi 1 buah mesin slitting selama 1 tahun berjumlah 3495.15 roll / tahun, sehingga Annual Worth (A) atau pendapatannya tiap tahun berkisar sebesar Rp. 699.029.126 /

tahun. Dengan asumsi bahwa MARR (i) = 10% dan mesin dapat berproduksi hingga 10 tahun kedepan didapat hasil Net Present Worth sebesar Rp.

186

1.720.254.368 (NPW > 0). Dari hasil tersebut dapat disimpulkan bahwa pembelian mesin layak dilakukan sebab nilai NPW nya lebih besar dari 0 sehingga investasi ini akan menguntungkan bagi perusahaan.

4.3.8

Analisa Perbandingan Hasil Metode Penjadwalan Yang Dihitung (SPT) dengan Yang Diterapkan Saat Ini (FCFS)

Metode penjadwalan yang digunakan dalam perhitungan penjadwalan dengan pengurutan pekerjaan adalah metode Shortest Processing Time (SPT). Metode penjadwalan SPT mengurutkan job atau pekerjaan berdasarkan waktu proses terpendek kemudian menghitung keterlambatan (lateness) yang terjadi apabila menggunakan urutan pekerjaan yang telah diurutkan menggunakan metode SPT ini. Data yang digunakan dalam perhitungan metode penjadwalan ini berasal dari data waktu proses pengamatan satu mesin slitting mengerjakan 10 pekerjaan selama 3 hari. Penjadwalan

dengan

metode

Shortest

Processing

Time

ini

memperoleh urutan pekerjaan 3-4-10-2-5-7-8-9-6-1 dan memiliki rata-rata waktu alir adalah 1250,2 menit dan memiliki rata-rata keterlambatan yaitu -18,67 jam, pada perhitungan keterlambatan dengan metode SPT semua pekerjaan memiliki waktu due date yang sama yaitu 3 hari sejak barang tersebut mengantri pada mesin slitting dan waktu mengantri barang sekitar 1,5 hari serta barang yang datang dua pallet setiap 5 jam sekali. Sedangkan pada kondisi sekarang yang terjadi diperusahaan menggunakan metode FCFS (First

187

Come First Serve), jika dihitung maka diperoleh hasil urutan job atau urutan

pekerjaan 1-2-3-4-5-6-7-8-9 dan rata-rata lateness = - 15,67 jam. Dari kedua hasil ini memang sama-sama tidak terjadi keterlambatan perusahaan dalam memenuhi barang yang dipesan (karena hasilnya minus maka dianggap 0 atau tidak terjadi keterlambatan) oleh pelanggan tetapi dengan metode penjadwalan SPT ini, dapat dilihat bahwa kondisi setelah melakukan penjadwalan job atau task dengan metode ini lebih cepat 3 jam dalam memenuhi pesanan dibandingkan waktu penyelesaian sebelumnya. Meskipun perbedaan angka Lateness sebelum dan sesudah menggunakan metode ini terpaut sangat kecil tetapi dapat membuktikan kondisi sesudah diterapkan metode penjadwalan SPT lebih unggul daripada kondisi sebelumnya. Metode penjadwalan yang dipilih adalah metode SPT karena disamping memiliki rata-rata waktu alir yang lebih kecil dibandingkan dengan kondisi sekarang (FCFS), metode ini juga dapat menghindarkan pihak perusahaan terhadap kemungkinan terjadinya lateness dengan mengikuti urutan pekerjaan yang telah dijadwalkan dengan metode SPT. Dengan menggunakan metode penjadwalan SPT maka tujuan untuk meminimasi waktu alir produksi dapat terpenuhi sehingga pihak perusahaan juga secara tidak langsung dapat meminimasi ongkos produksi dan meningkatkan profit perusahaan

karena

penghematan

efisiensi

yang

dilakukan

setelah

menggunakan metode penjadwalan SPT adalah 31.31 % dengan perhitungan efisiensi sebagai berikut:

188

Efisiensi =

=

Fs sekarang − Fs usulan x 100% Fs sekarang

1820 − 1250,2 x 100% 1820

= 31,31 %

4.3.9

Analisa Perbandingan Perhitungan Penjadwalan Campbell, Dudek, and Smith (CDS) dengan Metode Sekarang (FCFS)

Mesin yang digunakan untuk proses cetak kemasan terdiri dari tiga mesin (lebih dari 2), maka salah satu metode perhitungan penjadwalan mesin yang dapat digunakan yaitu dengan metode Campbell, Dudek, and Smith. Dengan metode Campbell, Dudek, and Smith, langkah pertama yang harus dilakukan adalah menghitung jumlah tahapannya. Karena mesin yang digunakan ada tiga, maka jumlah tahapan yang akan digunakan yaitu jumlah mesin dikurangi 1 (M-1), maka hasilnya adalah dua tahap. Data perhitungan metode CDS berasal dari data waktu proses untuk mengerjakan 20 job dan data waktu proses ini merupakan data waktu proses dari keseluruhan proses pembuatan 20 job pada mesin printing, mesin laminating, dan mesin slitting. Dari hasil perhitungan CDS ini dengan 2 tahap,

didapat 24 alternatif pilihan pada tahap 1 dan 6 alternatif pilihan pada tahap 2 dan diperoleh jumlah makespan yang sama yaitu 8625 menit. Walaupun jumlah makespan dari semua alternatif sama tetapi setiap alternatif memiliki

189

total flow time yang berbeda-beda. Alternatif yang dipilih adalah tahap 1 pada

alternatif dua puluh empat dengan urutan pekerjaan (16-4-3-19-9-12-13-20-56-18-1-15-10-7-17-8-14-11-2) karena alternatif ini memiliki total flow time terkecil yaitu 93485 menit. Perhitungan didasarkan pada waktu proses masing-masing mesin (M1 adalah mesin printing, M2 adalah mesin laminating, dan M3 adalah mesin slitting) untuk menyelesaikan 20 job atau pallet yang masing-masing pallet terdiri dari 2 sampai 4 gulungan.

Perhitungan sebelum menggunakan metode penjadwalan CDS diperoleh total makespan sebesar 8735 menit. Dengan membandingkan hasil perhitungan total waktu alir (flow time) maka metode penjadwalan CDS lebih unggul karena dapat meminimasi total waktu alir produksi. Usulan penjadwalan pada perusahaan menggunakan metode penjadwalan CDS karena dapat dilihat bahwa metode penjadwalan CDS memiliki total flow time terkecil dan lebih unggul dari metode penjadwalan FCFS yang saat ini diterapkan oleh perusahaan karena terbukti dapat meminimasi waktu flow time dan didapat hasil efisiensi waktu flow time sebesar 3.29 % dengan perhitungan efisiensi sebagai berikut : Efisiensi =

=

TFT sekarang − TFT usulan x 100% TFT sekarang

96675 − 93485 x 100% 96675

= 3.29 %

190

Hal ini berarti bahwa penjadwalan dengan metode CDS dapat mengurangi total waktu proses sebanyak 110 menit untuk pengerjaan 20 job yang didapat dari selisih antara makespan sebelum (8735 menit) dan sesudah (8625 menit) penjadwalan CDS. Dengan penerapan metode penjadwalan CDS pada keseluruhan mesin (mesin printing, laminating, dan slitting) yang sudah dibagi dalam 4 seri kelompok mesin besar terbukti dapat meminimasi total waktu alir dan total waktu produksi maka secara tidak langsung hal ini akan berdampak positif bagi perusahaan karena meminimasi ongkos produksi dan meningkatkan profit perusahaan. Pengerjaan 20 job dibatasi pada merek yang dikerjakan pada saat pengamatan penelitian berlangsung.

4.3.10 Analisa Simulasi Monte Carlo

Simulasi Monte Carlo digunakan untuk membuat simulasi jumlah pallet yang datang pada 15 shift atau 5 hari ke depan. Hasil simulasi yang

didapatkan menunjukkan bahwa jumlah pallet yang datang pada antrian mesin Slitting pada 5 hari kedepan paling banyak berjumlah antara 0 sampai 7 pallet.

Perhitungan simulasi menggunakan penarikan bilangan acak (random number) yang diambil dari tabel bilangan acak.

Perhitungan pada simulasi monte carlo ini dikelompokkan sesuai dengan jumlah pallet yang datang pada 1 hari yang dibagi pada 3 shift kerja yaitu (07.00-15.00, 15.00-23.00, 23.00-07.00) kemudian frekuensi kedatangan pallet dibagi menggunakan interval data kelompok karena jumlah kedatangan

191

pallet yang memiliki perbedaan yang signifikan antara shift kerja yang satu

dengan shift kerja yang lainnya. Setelah melakukan perhitungan dengan Simulasi Monte Carlo maka akan dilanjutkan untuk untuk diolah dengan menerapkan hasil simulasi ini pada software ProModel. Perhitungan dengan simulasi ini dapat membantu perusahaan dalam memperkirakan jumlah pallet yang akan datang pada periode 5 hari kedepan atau 15 shift kerja agar pihak perusahaan dapat mempersiapkan jumlah mesin slitting yang akan dioperasikan sehingga dapat mempersingkat waktu

pengerjaan pemotongan kemasan dan membuat antisipasi terjadinya antrian semaksimal mungkin dengan berbagai alternatif untuk minimasi antrian, mungkin dengan penambahan mesin atau operator pembantu.

4.3.11 Analisa Simulasi dengan Software ProModel

Pada pengolahan data diatas telah dilakukan simulasi penambahan server menggunakan software ProModel. Dari perhitungan simulasi Monte Carlo telah diketahui bahwa jumlah rata-rata kedatangan per shift selama lima

hari kedepan berkisar antara 0 – 7 pallet ke tiap server. Dari perhitungan antrian juga telah diketahui bahwa rata - rata kedatangan berjumlah 1.51 pallet / jam, rata-rata tingkat pelayanan 371 menit / pallet dan jumlah server

yang optimal untuk melakukan pelayanan adalah 10 server. Berdasarkan data tersebut dilakukan simulasi untuk mengamati antrian yang terjadi selama 3 hari setelah dilakukan penambahan server. Dari report

192

dapat dilihat bahwa utilitas mesin setelah diberikan penambahan satu buah mesin slitting masih sangat tinggi, dengan persentase utilitas keseluruhan mesin berada diatas 99%. Pada bagian total entries juga dapat terlihat bahwa selama 3 hari, masing - masing mesin tersebut berhasil menyelesaikan 9 hingga 18 pallet. Selain itu pada report location states of percentage (single capacity/tanks) terlihat juga bahwa mesin slitting memiliki idle yang sangat

kecil dimana persentase menganggur pada 10 buah mesin slitting kurang dari 1% dan operasionalnya mencapai hampir 100%. Dari seluruh pengamatan hasil simulasi maka dapat diketahui penambahan server mesin slitting sangat dibutuhkan, dimana mesin tersebut akan dibutuhkan untuk memaksimalkan pelayanan terhadap antrian (tidak menganggur)

sehingga

mempercepat

pengiriman

ke

customer

dan

memungkinkan untuk menambah jumlah pesanan yang berujung pada peningkatan profit perusahaan.

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA. pihak perusahaan PT. Muliapack Intisempurna. Pengumpulan data ini

Recommend Documents