BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

108

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

4.1

Pengumpulan Data Data yang penulis kumpulkan adalah data yang berhubungan dengan proses

produksi, laporan kerusakan mesin, laporan reject dalam produksi yang ditangani oleh Departemen Converting untuk divisi potong label. Data yang diambil adalah data selama setahun terakhir, yaitu dari bulan Maret 2008 sampai dengan Februari 2009, dimana data yang diambil ini akan digunakan di dalam pengolahan data pada seluruh topik yang akan dibahas pada bab 4 ini. Data yang diambil ini meliputi data waktu kejadian kerusakan baik waktu mulai rusak hingga selesai penanganan, keterangan singkat laporan kerusakan, nomor mesin serta komponen mesin yang rusak. Berikut adalah laporan proses produksi dari divisi mesin potong pada PT. Omni Kemas Industry.

4.2

Pengolahan Data

4.2.1

Statistical Process Control Berikut adalah data produksi dan reject yang dikumpulkan dari bulan Maret

2008 sampai dengan Februari 2009:

109

•

Data produksi dan reject bulan Maret 2008: Tabel 4.1 Data produksi dan reject bulan Maret 2008 Tanggal 1-Mar-08 2-Mar-08 3-Mar-08 4-Mar-08 5-Mar-08 6-Mar-08 7-Mar-08 8-Mar-08 9-Mar-08 10-Mar-08 11-Mar-08 12-Mar-08 13-Mar-08 14-Mar-08 15-Mar-08 16-Mar-08 17-Mar-08 18-Mar-08 19-Mar-08 20-Mar-08 21-Mar-08 22-Mar-08 23-Mar-08 24-Mar-08 25-Mar-08 26-Mar-08 27-Mar-08 28-Mar-08 29-Mar-08 30-Mar-08 31-Mar-08

Produksi (pcs) 277500 1392500 877500 1147500 1690000 1960000 2335000 2357500 1717500 912500 337500 1827500 1975000 2010000 2115000 1867500 957500 515000 1400000 2190000 1992500 1755000 1187500 1955000 142500 1817500 1662500 925000 867500 782500 277500

Reject (pcs) 0 132500 60000 102500 52500 147500 152500 180000 150000 122500 112500 177500 177500 200000 247500 237500 100000 47500 107500 155000 185000 110000 100000 145000 0 130000 155000 140000 5000 0 0

110

•

Data produksi dan reject bulan April 2008: Tabel 4.2 Data produksi dan reject bulan April 2008 Tanggal 1-Apr-08 2-Apr-08 3-Apr-08 4-Apr-08 5-Apr-08 6-Apr-08 7-Apr-08 8-Apr-08 9-Apr-08 10-Apr-08 11-Apr-08 12-Apr-08 13-Apr-08 14-Apr-08 15-Apr-08 16-Apr-08 17-Apr-08 18-Apr-08 19-Apr-08 20-Apr-08 21-Apr-08 22-Apr-08 23-Apr-08 24-Apr-08 25-Apr-08 26-Apr-08 27-Apr-08 28-Apr-08 29-Apr-08 30-Apr-08

Hasil produksi (Kg) 652500 747500 1407500 1327500 1530000 1010000 907500 470000 1757500 1837500 1515000 1400000 1437500 980000 1405000 1607500 1677500 1977500 1555000 1747500 1235000 800000 1422500 1465000 1512500 1672500 1727500 947500 1255000 1685000

Reject (Kg) 105000 82500 347500 145000 252500 107500 120000 17500 147500 265000 177500 300000 177500 117500 272500 225000 220000 235000 160000 170000 225000 125000 275000 172500 310000 262500 317500 192500 100000 345000

111

•

Data produksi dan reject bulan Mei 2008: Tabel 4.3 Data produksi dan reject bulan Mei 2008 Tanggal 1-Mei-08 2-Mei-08 3-Mei-08 4-Mei-08 5-Mei-08 6-Mei-08 7-Mei-08 8-Mei-08 9-Mei-08 10-Mei-08 11-Mei-08 12-Mei-08 13-Mei-08 14-Mei-08 15-Mei-08 16-Mei-08 17-Mei-08 18-Mei-08 19-Mei-08 20-Mei-08 21-Mei-08 22-Mei-08 23-Mei-08 24-Mei-08 25-Mei-08 26-Mei-08 27-Mei-08 28-Mei-08 29-Mei-08 30-Mei-08


Reject (Kg) 105000 57500 150000 260000 135000 202500 150000 125000 80000 87500 310000 220000 0 0 0 0 0 0 0 152500 142500 5000 0 147500 155000 155000 155000 147500 100000 80000

112

•

Data produksi dan reject bulan Juni 2008: Tabel 4.4 Data produksi dan reject bulan Juni 2008 Tanggal 1-Jun-08 2-Jun-08 3-Jun-08 4-Jun-08 5-Jun-08 6-Jun-08 7-Jun-08 8-Jun-08 9-Jun-08 10-Jun-08 11-Jun-08 12-Jun-08 13-Jun-08 14-Jun-08 15-Jun-08 16-Jun-08 17-Jun-08 18-Jun-08 19-Jun-08 20-Jun-08 21-Jun-08 22-Jun-08 23-Jun-08 24-Jun-08 25-Jun-08 26-Jun-08 27-Jun-08 28-Jun-08 29-Jun-08 30-Jun-08


Reject (Kg) 202500 207500 197500 205000 117500 67500 232500 252500 287500 330000 242500 162500 155000 295000 282500 217500 225000 205000 105000 95000 245000 177500 155000 105000 70000 82500 167500 327500 280000 240000

113

•

Data produksi dan reject bulan Juli 2008: Tabel 4.5 Data produksi dan reject bulan Juli 2008 Tanggal 1-Jul-08 2-Jul-08 3-Jul-08 4-Jul-08 5-Jul-08 6-Jul-08 7-Jul-08 8-Jul-08 9-Jul-08 10-Jul-08 11-Jul-08 12-Jul-08 13-Jul-08 14-Jul-08 15-Jul-08 16-Jul-08 17-Jul-08 18-Jul-08 19-Jul-08 20-Jul-08 21-Jul-08 22-Jul-08 23-Jul-08 24-Jul-08 25-Jul-08 26-Jul-08 27-Jul-08 28-Jul-08 29-Jul-08 30-Jul-08 31-Jul-08

Hasil produksi (Kg) 1645000 1482500 1517500 1287500 870000 402500 2397500 2092500 2155000 2205000 1760000 990000 1730000 2255000 2320000 2465000 1605000 2042500 950000 1387500 1540000 2210000 2015000 2092500 1837500 805000 1332500 1620000 1800000 2030000 1010000

Reject (Kg) 205000 250000 215000 252500 195000 0 440000 507500 585000 592500 400000 165000 227500 345000 285000 455000 252500 300000 152500 120000 227500 282500 260000 325000 255000 90000 135000 292500 275000 255000 157500

114

•

Data produksi dan reject bulan Agustus 2008: Tabel 4.6 Data produksi dan reject bulan Agustus 2008 Tanggal 1-Aug-08 2-Aug-08 3-Aug-08 4-Aug-08 5-Aug-08 6-Aug-08 7-Aug-08 8-Aug-08 9-Aug-08 10-Aug-08 11-Aug-08 12-Aug-08 13-Aug-08 14-Aug-08 15-Aug-08 16-Aug-08 17-Aug-08 18-Aug-08 19-Aug-08 20-Aug-08 21-Aug-08 22-Aug-08 23-Aug-08 24-Aug-08 25-Aug-08 26-Aug-08 27-Aug-08 28-Aug-08 29-Aug-08 30-Aug-08 31-Aug-08


Reject (Kg) 0 137500 195000 275000 217500 255000 255000 260000 185000 172500 247500 172500 225000 277500 295000 2500 0 5000 7500 7500 5000 10000 7500 0 7500 5000 5000 5000 7500 62500 25000

115

•

Data produksi dan reject bulan September 2008: Tabel 4.7 Data produksi dan reject bulan September 2008 Tanggal 1-Sep-08 2-Sep-08 3-Sep-08 4-Sep-08 5-Sep-08 6-Sep-08 7-Sep-08 8-Sep-08 9-Sep-08 10-Sep-08 11-Sep-08 12-Sep-08 13-Sep-08 14-Sep-08 15-Sep-08 16-Sep-08 17-Sep-08 18-Sep-08 19-Sep-08 20-Sep-08 21-Sep-08 22-Sep-08 23-Sep-08 24-Sep-08 25-Sep-08 26-Sep-08 27-Sep-08 28-Sep-08 29-Sep-08 30-Sep-08


Reject (Kg) 182500 177500 117500 180000 75000 2500 42500 10000 10000 10000 10000 12500 180000 35000 207500 270000 202500 280000 267500 110000 95000 197500 212500 192500 270000 110000 0 0 0 0

116

•

Data produksi dan reject bulan Oktober 2008: Tabel 4.8 Data produksi dan reject bulan Oktober 2008 Tanggal 1-Oct-08 2-Oct-08 3-Oct-08 4-Oct-08 5-Oct-08 6-Oct-08 7-Oct-08 8-Oct-08 9-Oct-08 10-Oct-08 11-Oct-08 12-Oct-08 13-Oct-08 14-Oct-08 15-Oct-08 16-Oct-08 17-Oct-08 18-Oct-08 19-Oct-08 20-Oct-08 21-Oct-08 22-Oct-08 23-Oct-08 24-Oct-08 25-Oct-08 26-Oct-08 27-Oct-08 28-Oct-08 29-Oct-08 30-Oct-08 31-Oct-08


Reject (Kg) 0 0 0 0 0 0 0 0 42500 167500 122500 0 170000 167500 160000 87500 182500 52500 85000 150000 177500 187500 192500 197500 160000 117500 262500 225000 142500 140000 205000

117

•

Data produksi dan reject bulan November 2008: Tabel 4.9 Data produksi dan reject bulan November 2008 Tanggal 1-Nov-08 2-Nov-08 3-Nov-08 4-Nov-08 5-Nov-08 6-Nov-08 7-Nov-08 8-Nov-08 9-Nov-08 10-Nov-08 11-Nov-08 12-Nov-08 13-Nov-08 14-Nov-08 15-Nov-08 16-Nov-08 17-Nov-08 18-Nov-08 19-Nov-08 20-Nov-08 21-Nov-08 22-Nov-08 23-Nov-08 24-Nov-08 25-Nov-08 26-Nov-08 27-Nov-08 28-Nov-08 29-Nov-08 30-Nov-08


Reject (Kg) 42500 660000 622500 162500 237500 217500 137500 40000 197500 320000 217500 307500 240000 82500 115000 232500 122500 147500 125000 182500 127500 130000 160000 162500 265000 222500 205000 110000 145000 225000

118

•

Data produksi dan reject bulan Desember 2008: Tabel 4.10 Data produksi dan reject bulan Desember 2008 Tanggal 1-Dec-08 2-Dec-08 3-Dec-08 4-Dec-08 5-Dec-08 6-Dec-08 7-Dec-08 8-Dec-08 9-Dec-08 10-Dec-08 11-Dec-08 12-Dec-08 13-Dec-08 14-Dec-08 15-Dec-08 16-Dec-08 17-Dec-08 18-Dec-08 19-Dec-08 20-Dec-08 21-Dec-08 22-Dec-08 23-Dec-08 24-Dec-08 25-Dec-08 26-Dec-08 27-Dec-08 28-Dec-08 29-Dec-08 30-Dec-08 31-Dec-08

Hasil Produksi (Kg) 2347500 1575000 1407500 1565000 1620000 787500 0 0 1505000 1320000 1247500 1177500 885000 0 1317500 1360000 1735000 2085000 1830000 885000 327500 1407500 1510000 1522500 655000 0 0 0 0 1040000 1147500

Reject (Kg) 280000 220000 185000 155000 175000 80000 0 0 177500 270000 310000 102500 117500 0 245000 315000 197500 295000 307500 137500 0 230000 130000 170000 77500 0 0 0 0 65000 140000

119

•

Data produksi dan reject bulan Januari 2009: Tabel 4.11 Data produksi dan reject bulan Januari 2009 Tanggal 1-Jan-09 2-Jan-09 3-Jan-09 4-Jan-09 5-Jan-09 6-Jan-09 7-Jan-09 8-Jan-09 9-Jan-09 10-Jan-09 11-Jan-09 12-Jan-09 13-Jan-09 14-Jan-09 15-Jan-09 16-Jan-09 17-Jan-09 18-Jan-09 19-Jan-09 20-Jan-09 21-Jan-09 22-Jan-09 23-Jan-09 24-Jan-09 25-Jan-09 26-Jan-09 27-Jan-09 28-Jan-09 29-Jan-09 30-Jan-09 31-Jan-09


Reject (Kg) 0 337500 270000 185000 702500 212500 167500 160000 160000 67500 85000 165000 290000 312500 305000 190000 102500 45000 195000 307500 380000 332500 172500 82500 117500 302500 305000 247500 282500 165000 120000

120

•

Data produksi dan reject bulan Februari 2009: Tabel 4.12 Data produksi dan reject bulan Februari 2009 Tanggal 1-Feb-09 2-Feb-09 3-Feb-09 4-Feb-09 5-Feb-09 6-Feb-09 7-Feb-09 8-Feb-09 9-Feb-09 10-Feb-09 11-Feb-09 12-Feb-09 13-Feb-09 14-Feb-09 15-Feb-09 16-Feb-09 17-Feb-09 18-Feb-09 19-Feb-09 20-Feb-09 21-Feb-09 22-Feb-09 23-Feb-09 24-Feb-09 25-Feb-09 26-Feb-09 27-Feb-09 28-Feb-09

Hasil produksi (Kg) 1450000 1400000 1497500 1587500 1520000 1512500 882500 277500 1647500 1860000 1420000 1827500 1737500 992500 0 1522500 1367500 1285000 1512500 1432500 965000 0 1225000 1085000 1472500 1557500 1157500 452500

Reject (Kg) 97500 155000 157500 160000 230000 122500 145000 0 157500 177500 192500 290000 307500 85000 0 230000 205000 140000 172500 197500 90000 0 97500 147500 192500 202500 152500 112500

121

4.2.1.1 •

Perhitungan Peta Kontrol Bulan Maret 2008 Tabel 4.13 Perhitungan peta kendali p bulan Maret 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Hasil produksi (pcs) 277500 1392500 877500 1147500 1690000 1960000 2335000 2357500 1717500 912500 337500 1827500 1975000 2010000 2115000 1867500 957500 515000 1400000 2190000 1992500 1755000 1187500 1955000 142500 1817500 1662500 925000 867500 782500

Reject (pcs) 0 132500 60000 102500 52500 147500 152500 180000 150000 122500 112500 177500 177500 200000 247500 237500 100000 47500 107500 155000 185000 110000 100000 145000 0 130000 155000 140000 5000 0

∑

42950000

3632500

Proporsi cacat 0.0000 0.0952 0.0684 0.0893 0.0311 0.0753 0.0653 0.0764 0.0873 0.1342 0.3333 0.0971 0.0899 0.0995 0.1170 0.1272 0.1044 0.0922 0.0768 0.0708 0.0928 0.0627 0.0842 0.0742 0.0000 0.0715 0.0932 0.1514 0.0058 0.0000 p = 0.0846

122

Contoh perhitungan pengamatan pertama: p=

Jumlah Cacat ke - 1 Jumlah Produksi ke - 1

p=

0 = 0.0000 277500

p=

Total Jumlah Cacat Total Jumlah Produksi

p=

3632500 42950000

CL = p = 0.0846

Dimana: p = Proporsi cacat p = CL = Central Limit

n = Jumlah produksi

123

Peta Kendali p 0.35

1

0.30

Proporsi Cacat

0.25 0.20 0.15 1

0.10

1

1

1 1

1

0.05 0.00

1

1

1

1

1

1

1 1

1

1

1

1 1 1

1

1

_ P=0.0846

1

1 1

1

1 1

1

4

7

10

13

16

19

22

25

28

Banyaknya Pengamatan (hari) Tests performed with unequal sample sizes

Grafik 4.1 Peta kendali p bulan Maret 2008

Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.0846, 10.0846 = 0.9154, angka 0.9154 jika dikalikan dengan 100% maka akan menghasilkan nilai 91.54%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 91.54%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.0846, yang menunjukkan bahwa 8.46% dari produk yang dihasilkan dalam proses merupakan produk cacat.

124

•

Bulan April 2008 Tabel 4.14 Perhitungan Peta Kendali p Bulan April 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30


Reject (pcs) 105000 82500 347500 145000 252500 107500 120000 17500 147500 265000 177500 300000 177500 117500 272500 225000 220000 235000 160000 170000 225000 125000 275000 172500 310000 262500 317500 192500 100000 345000

∑

40672500

5970000

Proporsi cacat 0.1609 0.1104 0.2469 0.1092 0.1650 0.1064 0.1322 0.0372 0.0839 0.1442 0.1172 0.2143 0.1235 0.1199 0.1940 0.1400 0.1311 0.1188 0.1029 0.0973 0.1822 0.1563 0.1933 0.1177 0.2050 0.1570 0.1838 0.2032 0.0797 0.2047 p = 0.1468

125

Peta Kendali p 1

0.25

1

1 1

Proporsi Cacat

0.20

1 1

1

1

1

1

1

1

1

_ P=0.1468

0.15 1

1

1

0.10

1

1

1

1

1 1

1 1

1 1

1

1

1

0.05 1

1

4

7

10

13

16

19

22

25

28


Grafik 4.2 Peta kendali p bulan April 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1468, 10.1468 = 0.8532, angka 0.8532 jika dikalikan dengan 100% maka akan menghasilkan nilai 85.32%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 85.32%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1468, yang menunjukkan bahwa 14.68% dari produk yang dihasilkan dalam proses merupakan produk cacat.

126

•

Bulan Mei 2008 Tabel 4.15 Perhitungan peta kendali p bulan Mei 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30


Reject (pcs) 105000 57500 150000 260000 135000 202500 150000 125000 80000 87500 310000 220000 0 0 0 0 0 0 0 152500 142500 5000 0 147500 155000 155000 155000 147500 100000 80000

∑

44187500

3122500

Proporsi cacat 0.1214 0.1369 0.1093 0.1112 0.0614 0.0993 0.0793 0.1044 0.0632 0.1111 0.1566 0.1073 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0000 0.0930 0.0958 0.0050 0.0000 0.1019 0.0927 0.0884 0.0758 0.0758 0.0739 0.1356 p = 0.0707

127

Peta Kendali p 1

0.16 1

0.14

Proporsi Cacat

0.12

1

1 1 1

0.10

1

1

1

1

1

1 1

1

1

0.08 0.06

1 1 1 1

_ P=0.0707

1

1

0.04 0.02 0.00

1

1 1 1 1 1 1 1

1

4

7

10

13

16

19

22

1

25

28

Banyak Pengamatan (hari) Tests performed with unequal sample sizes

Grafik 4.3 Peta kendali p bulan Mei 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.0707, 10.0707 = 0.9293, angka 0.9293 jika dikalikan dengan 100% maka akan menghasilkan nilai 92.93%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 92.93%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.0707, yang menunjukkan bahwa 7.07% dari produk yang dihasilkan dalam proses merupakan produk cacat.

128

•

Bulan Juni 2008 Tabel 4.16 Perhitungan peta kendali p bulan Juni 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Hasil produksi (pcs)

Reject (pcs)

18350000 20925000 20025000 19700000 9625000 7775000 19400000 20525000 24900000 24975000 22750000 12300000 17200000 25475000 27575000 26400000 23625000 25200000 11750000 15325000 30250000 27275000 25825000 16175000 9775000 11700000 18075000 21175000 11725000 24225000

2025000 2075000 1975000 2050000 1175000 675000 2325000 2525000 2875000 3300000 2425000 1625000 1550000 2950000 2825000 2175000 2250000 2050000 1050000 950000 2450000 1775000 1550000 1050000 700000 825000 1675000 3275000 2800000 2400000

∑

590000000

59350000

Proporsi cacat 0.1104 0.0992 0.0986 0.1041 0.1221 0.0868 0.1198 0.1230 0.1155 0.1321 0.1066 0.1321 0.0901 0.1158 0.1024 0.0824 0.0952 0.0813 0.0894 0.0620 0.0810 0.0651 0.0600 0.0649 0.0716 0.0705 0.0927 0.1547 0.2388 0.0991 p = 1006

129

Peta Kontrol p 0.25

1

Proporsi Cacat

0.20

1

0.15 1 1

1 1

0.10

1 1

1 1

1

1 1 1

1 1

1

1 1

1

1 1

0.05 1

4

7

10

13

16

19

1

1

1

1

22

1

1

_ P=0.1006

1 1

25

28


Grafik 4.4 Peta kendali p bulan Juni 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1006, 10.1006 = 0.9094, angka 0.9094 jika dikalikan dengan 100% maka akan menghasilkan nilai 90.94%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 90.94%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1006, yang menunjukkan bahwa 10.06% dari produk yang dihasilkan dalam proses merupakan produk cacat.

130

•

Bulan Juli 2008 Tabel 4.17 Perhitungan peta kendali p bulan Juli 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

Hasil produksi (pcs) 1645000 1482500 1517500 1287500 870000 402500 2397500 2092500 2155000 2205000 1760000 990000 1730000 2255000 2320000 2465000 1605000 2042500 950000 1387500 1540000 2210000 2015000 2092500 1837500 805000 1332500 1620000 1800000 2030000 1010000

Reject (pcs) 205000 250000 215000 252500 195000 0 440000 507500 585000 592500 400000 165000 227500 345000 285000 455000 252500 300000 152500 120000 227500 282500 260000 325000 255000 90000 135000 292500 275000 255000 157500

∑

51852500

8500000

Proporsi cacat 0.1246 0.1686 0.1417 0.1961 0.2241 0.0000 0.1835 0.2425 0.2715 0.2687 0.2273 0.1667 0.1315 0.1530 0.1228 0.1846 0.1573 0.1469 0.1605 0.0865 0.1477 0.1278 0.1290 0.1553 0.1388 0.1118 0.1013 0.1806 0.1528 0.1256 0.1559 p = 0.1639

131

Peta Kendali p 0.30

1 1 1

Proporsi Cacat

0.25

1

1 1

0.20

1

1

1

0.15

1

1

1

0.10

1

1

1

1

1

1

1

1 1 1

1

_ P=0.1639 1

1

1 1

1 1

1

0.05 0.00

1

1

4

7

10

13

16

19

22

25

28

31


Grafik 4.5 Peta kendali p bulan Juli 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1639, 10.1639 = 0.8361, angka 0.8361 jika dikalikan dengan 100% maka akan menghasilkan nilai 83.61%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 83.61%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1639, yang menunjukkan bahwa 16.39% dari produk yang dihasilkan dalam proses merupakan produk cacat.

132

•

Bulan Agustus 2008 Tabel 4.18 Perhitungan peta kendali p bulan Agustus 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

Hasil produksi (pcs) 1072500 1357500 1655000 2220000 2077500 1767500 1900000 1055000 1110000 1800000 1787500 2390000 2317500 1962500 30000 292500 205000 227500 200000 220000 97500 290000 247500 265000 105000 252500 910000

Reject (pcs) 137500 195000 275000 217500 255000 255000 260000 185000 172500 247500 172500 225000 277500 295000 2500 5000 7500 7500 5000 10000 7500 7500 5000 5000 5000 7500 62500

∑

27815000

3307500

Proporsi cacat 0.1282 0.1436 0.1662 0.0980 0.1227 0.1443 0.1368 0.1754 0.1554 0.1375 0.0965 0.0941 0.1197 0.1503 0.0833 0.0171 0.0366 0.0330 0.0250 0.0455 0.0769 0.0259 0.0202 0.0189 0.0476 0.0297 0.0687 p = 0.1189

133

Peta Kendali p 1

0.18

1 1

0.16

Proporsi Cacat

0.14

1

1 1

1

1 1

1

0.10

_ P=0.1189

1

0.12 1

1 1

0.08

1

1

0.06 0.04

1 1

1 1

0.02 1

1

1

1

19

22

1 1 1

0.00 1

4

7

10

13

16

25


Grafik 4.6 Peta kendali p bulan Agustus 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1189, 10.1189 = 0.8811, angka 0.8811 jika dikalikan dengan 100% maka akan menghasilkan nilai 88.11%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 88.11%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1189, yang menunjukkan bahwa 11.89% dari produk yang dihasilkan dalam proses merupakan produk cacat.

134

•

Bulan September 2008 Tabel 4.19 Perhitungan peta kendali p bulan September 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Hasil produksi (pcs) 1682500 1652500 1770000 1927500 2035000 142500 740000 365000 357500 367500 347500 277500 1000000 775000 1530000 1502500 1382500 1907500 1830000 885000 1232500 1527500 1802500 2125000 1892500 900000

Reject (pcs) 182500 177500 117500 180000 75000 2500 42500 10000 10000 10000 10000 12500 180000 35000 207500 270000 202500 280000 267500 110000 95000 197500 212500 192500 270000 110000

∑

31957500

3460000

Proporsi cacat 0.1085 0.1074 0.0664 0.0934 0.0369 0.0175 0.0574 0.0274 0.0280 0.0272 0.0288 0.0450 0.1800 0.0452 0.1356 0.1797 0.1465 0.1468 0.1462 0.1243 0.0771 0.1293 0.1179 0.0906 0.1427 0.1222 p = 0.1083

135

Peta Kendali p 0.20 1

1

1 1 1

Proporsi Cacat

0.15

1

1

1

1

0.10

1

1

_ P=0.1083

1 1

1 1

1

0.05

1 1

1

1 1 1 1

1

0.00 1

4

1

7

10

13

16

19

22

25


Grafik 4.7 Peta kendali p bulan September 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1083, 10.1083 = 0.8917, angka 0.8917 jika dikalikan dengan 100% maka akan menghasilkan nilai 89.17%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 89.17%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1083, yang menunjukkan bahwa 10.83% dari produk yang dihasilkan dalam proses merupakan produk cacat.

136

•

Bulan Oktober 2008 Tabel 4.20 Perhitungan peta kendali p bulan Oktober 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

Hasil produksi (pcs) 257500 1565000 902500 1605000 1792500 1600000 882500 1385000 960000 497500 1655000 1640000 1642500 1422500 1675000 927500 947500 1780000 2470000 2212500 2210000 1567500

Reject (pcs) 42500 167500 122500 170000 167500 160000 87500 182500 52500 85000 150000 177500 187500 192500 197500 160000 117500 262500 225000 142500 140000 205000

∑

31957500

3460000

Proporsi cacat 0.1650 0.1070 0.1357 0.1059 0.0934 0.1000 0.0992 0.1318 0.0547 0.1709 0.0906 0.1082 0.1142 0.1353 0.1179 0.1725 0.1240 0.1475 0.0911 0.0644 0.0633 0.1308 p = 0.1074

137

Peta Kendali p 0.175

1

1

1

1

0.150

Proporsi Cacat

1

1

1

1 1

0.125 1

0.100

1

1 1

1

1

_ P=0.1074

1 1

1

0.075 1

0.050

1

1

1

3

5

7

9

11

13

15

17

19

21


Grafik 4.8 Peta kendali p bulan Oktober 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1074, 10.1074 = 0.8926, angka 0.8926 jika dikalikan dengan 100% maka akan menghasilkan nilai 89.26%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 89.26%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1074, yang menunjukkan bahwa 10.74% dari produk yang dihasilkan dalam proses merupakan produk cacat.

138

•

Bulan November 2008 Tabel 4.21 Perhitungan peta p kendali bulan November 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30


Reject (pcs) 42500 660000 622500 162500 237500 217500 137500 40000 197500 320000 217500 307500 240000 82500 115000 232500 122500 147500 125000 182500 127500 130000 160000 162500 265000 222500 205000 110000 145000 225000

∑

41040000

6162500

Proporsi cacat 0.0523 0.4251 0.6622 0.1389 0.1652 0.1626 0.2489 0.0537 0.1505 0.2068 0.1304 0.1427 0.1175 0.1061 0.1062 0.1517 0.0858 0.1067 0.1050 0.1434 0.1474 0.1166 0.0849 0.0861 0.1421 0.1056 0.1192 0.1528 0.1555 0.1122 p = 0.1502

139

Peta Kendali p 0.7

1

Proporsi Cacat

0.6 0.5 1

0.4 0.3

1 1

0.2

1 1 1

0.1 0.0

1

1

1

1

1

1 1 1 1

1

1

4

7

10

13

16

_ P=0.1502

1 1

1 1 1

19

1

1 1

1 1

22

25

1

1

28


Grafik 4.9 Peta kendali p bulan November 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1502, 10.1502 = 0.8498, angka 0.8498 jika dikalikan dengan 100% maka akan menghasilkan nilai 84.98%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 84.98%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1502, yang menunjukkan bahwa 15.02% dari produk yang dihasilkan dalam proses merupakan produk cacat.

140

•

Bulan Desember 2008 Tabel 4.22 Perhitungan peta kendali p bulan Desember 2008 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Hasil produksi (pcs) 2347500 1575000 1407500 1565000 1620000 787500 1505000 1320000 1247500 1177500 885000 1317500 1360000 1735000 2085000 1830000 885000 327500 1407500 1510000 1522500 655000 1040000 1147500

Reject (pcs) 280000 220000 185000 155000 175000 80000 177500 270000 310000 102500 117500 245000 315000 197500 295000 307500 137500 0 230000 130000 170000 77500 65000 140000

∑

32260000

4382500

Proporsi cacat 0.1193 0.1397 0.1314 0.0990 0.1080 0.1016 0.1179 0.2045 0.2485 0.0870 0.1328 0.1860 0.2316 0.1138 0.1415 0.1680 0.1554 0.0000 0.1634 0.0861 0.1117 0.1183 0.0625 0.1220 p = 0.1358

141

Peta Kontrol p 1

0.25

1 1

Proporsi Cacat

0.20

1 1

0.15 0.10

_ P=0.1358

1

1

1

1

1

1

1 1

1

1

1

1

1

1

1

1

1

0.05

1

0.00

1

1

3

5

7

9

11

13

15

17

19

21

23


Grafik 4.10 Peta kendali p bulan Desember 2008 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1358, 10.1358 = 0.8642, angka 0.8642 jika dikalikan dengan 100% maka akan menghasilkan nilai 86.42%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 86.42%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1358, yang menunjukkan bahwa 13.58% dari produk yang dihasilkan dalam proses merupakan produk cacat.

142

•

Bulan Januari 2009 Tabel 4.23 Perhitungan peta kendali p bulan Januari 2009 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30


Reject (pcs) 337500 270000 185000 702500 212500 167500 160000 160000 67500 85000 165000 290000 312500 305000 190000 102500 45000 195000 307500 380000 332500 172500 82500 117500 302500 305000 247500 282500 165000 120000

∑

40247500

6767500

Proporsi cacat 0.1541 0.4170 0.1609 0.4297 0.1367 0.1117 0.1074 0.1133 0.0841 0.0842 0.1048 0.1708 0.2080 0.1924 0.1348 0.1390 0.0938 0.1848 0.2370 0.2700 0.2135 0.1402 0.1000 0.1218 0.1596 0.1805 0.1678 0.1569 0.0939 0.1315 p = 0.1681

143

Peta Kontrol p 0.45

1

1

0.40

Proporsi Cacat

0.35 0.30

1

0.25

1 1

0.20 0.15

1 1

1

1 1

1

1 1 1 1

1

7

10

13

16

_ P=0.1681 1 1

1 1

1

1 1

4

1

1 1

1

0.10 1

1

19

22

1

25

28


Grafik 4.11 Peta kendali p bulan Januari 2009 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1681, 10.1681 = 0.8319, angka 0.8319 jika dikalikan dengan 100% maka akan menghasilkan nilai 83.19%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 83.19%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1681, yang menunjukkan bahwa 16.81% dari produk yang dihasilkan dalam proses merupakan produk cacat.

144

•

Bulan Februari 2009 Tabel 4.24 Perhitungan peta kendali p bulan Februari 2009 Pengamatan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26

Hasil produksi (pcs) 1450000 1400000 1497500 1587500 1520000 1512500 882500 277500 1647500 1860000 1420000 1827500 1737500 992500 1522500 1367500 1285000 1512500 1432500 965000 1225000 1085000 1472500 1557500 1157500 452500

Reject (pcs) 97500 155000 157500 160000 230000 122500 145000 0 157500 177500 192500 290000 307500 85000 230000 205000 140000 172500 197500 90000 97500 147500 192500 202500 152500 112500

∑

34647500

4217500

Proporsi cacat 0.0672 0.1107 0.1052 0.1008 0.1513 0.0810 0.1643 0.0000 0.0956 0.0954 0.1356 0.1587 0.1770 0.0856 0.1511 0.1499 0.1089 0.1140 0.1379 0.0933 0.0796 0.1359 0.1307 0.1300 0.1317 0.2486 p = 0.1217

145

Peta Kendali p 1

0.25

Proporsi Cacat

0.20

1

1

1

1

0.15

1 1

0.10

1

1

1

1 1 1

_ P=0.1217

1 1

1

1 1

1

1

1

0.05

1

1

1

1

0.00

1

1

4

7

10

13

16

19

22

25


Grafik 4.12 Peta kendali p bulan Februari 2009 Dari grafik di atas dapat dilihat bahwa proporsi cacat = p = 0.1217, 10.1217 = 0.8783, angka 0.8783 jika dikalikan dengan 100% maka akan menghasilkan nilai 87.83%, nilai ini menunjukkan bahwa kemampuan proses untuk menghasilkan produk yang terbebas dari cacat adalah sebesar 87.83%, dimana diketahui pula bahwa proporsi produk cacat adalah 0.1217, yang menunjukkan bahwa 12.17% dari produk yang dihasilkan dalam proses merupakan produk cacat.

146

4.2.1.2 Diagram Sebab Akibat / Fishbone Diagram

Material

Metode

Plastik bergelombang

Campuran cat tidak homogen

Material bertulang

Pengadukan cat tidak rata

Material tebal tipis Bubble

Produk Defect Kurang terlatih Tidak paham setting mesin

Operator terburu-buru SOP kurang dipahami Kurang perawatan Umur komponen sudah tua

Manusia

Mesin potong tidak tajam / tidak simetris Mesin cetak miss print Setting mesin Berubah saat proses

Mesin

Diagram 4.1 Fishbone Produk Defect

Faktor-faktor yang menyebabkan terjadinya cacat produk antara lain: •

Material Permasalahan pada faktor material yaitu kualitas material yang tidak sesuai

standar, misalnya material yang berupa plastik PVC tube bentuknya bergelombang, karena proses penggulungan plastik tersebut kurang rapat. Kemudian karena material

147

tidak rata / bubble, tebal tipis, atau bertulang (terlalu tebal pada bagian tengah plastik), kedua masalah ini sehingga pada proses pencetakan, silinder yang digunakan untuk mencetak tidak dapat menekan plastik dengan kencang, akibatnya terjadi miss print / bergesernya cat saat proses cetak. •

Metode Permasalahan terjadinya produk defect juga dapat disebabkan dari metode

pencampuran cat yang tidak homogen / tercampur, kemudian dapat pula disebabkan pengadukan cat tidak rata sehingga viskositasnya kurang baik yang dapat menyebabkan kualitas cetak tidak baik. •

Manusia Penyebab cacatnya produk dari faktor manusia disebabkan kurang

terlatihnya operator, terutama pada mesin potong dan cetak yang belum menggunakan sensor, sehingga dapat menyebabkan produk miss print atau tidak terpotong dengan baik apabila operator kurang terlatih / kurang terbiasa menjalankan tugasnya. Kemudian dapat pula disebabkan kurang mengertinya operator melakukan setting / penyesuaian terhadap mesin otomatis, contohnya melakukan penyesuaian parameter ukuran potong, salah sedikit saja dapat menyebabkan terjadinya salah potong. Atau dapat disebabkan oleh terburu-burunya operator dalam melakukan pekerjaannya, sehingga kualitas produk kurang baik. Faktor lain disebabkan oleh SOP yang kurang dipahami oleh operator, contohnya SOP melakukan setting

148

parameter pada mesin potong maupun cetak sehingga menyebabkan kualitas produk yang buruk. •

Mesin Faktor mesin yang menyebabkan produk defect, umumnya disebabkan dua

jenis mesin, yaitu mesin cetak dan mesin potong label. Mesin cetak menyebabkan jenis defect miss print, cacat jenis ini biasanya terjadi karena faktor material yang kurang baik dan juga cepatnya kecepatan pencetakan, sehingga bergesernya cat pada proses cetak sangat mungkin terjadi. Sedangkan penyebab dari mesin potong label disebabkan karena dapat disebabkan oleh usia komponen yang sudah tua sehingga tidak layak pakai, terutama komponen pisau yang dapat menyebabkan terjadinya salah potong ukuran, potongan tidak simetris atau tumpulnya pisau sehingga potongan menjadi berserabut, bergerigi dan tidak rapi, dengan hasil potongan yang tidak rapi, maka produk dikategorikan reject, hal seperti ini tentunya harus dapat diantisipasi oleh perusahaan untuk meminimasi kerugian dan meningkatkan keuntungan. Kurangnya perawatan terhadap mesin juga mempengaruhi performance mesin, sehingga kualitas produk berkurang dan tidak sesuai dengan yang diharapkan. Berikut adalah perhitungan korelasi antara jumlah kerusakan mesin dengan jumlah produk defect atau cacat :

149

•

Perhitungan Korelasi Antara Jumlah Defect Dengan Jumlah Kerusakan Tabel 4.25 Korelasi Jumlah Defect Dengan Jumlah Kerusakan Bulan

Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember 2008 Januari 2009 Februari 2009 Total

•

Jumlah Defect/bulan (kg) Y 1453 2388 1249 2374 3400 1323

Jumlah Kerusakan/bulan X

X.Y

Y2

X2

6 9 14 15 29 18

8718 21492 17486 35610 98600

2111209 5702544 1560001 5635876 11560000

36 81 196 225 841

23814

1750329

324

12456

1915456

81

5432

1844164

16

46835

6076225

361

38566 78503

3073009 7327849

484 841

37114 424626

2845969 51402631

484 3970

1384

9

1358

4

2465

19

1753

22

2707 1687

29 22

23541

196

Perhitungan Manual Korelasi antara Jumlah Defect dengan Jumlah Kerusakan Mesin n

r =

n

n

i =1

i =1

n ∑ X i Yi − ∑ X i ∑ Yi i =1

2 ⎤⎡

2 ⎡ n 2 ⎛ n n ⎞ ⎛ n ⎞ ⎤ 2 ⎢n ∑ X i − ⎜ ∑ X i ⎟ ⎥ ⎢n ∑ Yi − ⎜ ∑ Yi ⎟ ⎥ ⎝ i = 1 ⎠ ⎥⎦ ⎢⎣ i = 1 ⎝ i = 1 ⎠ ⎥⎦ ⎢⎣ i = 1

150

= =

12(424626) - (196)(23541)

[12(3970) - (196) 2 ][12(51402631) - (23541) 2 ] 5095512

4614036

[9224][62652891]

481476 760204.0953 = 0.63335 =

•

Perhitungan Korelasi Dengan Software Minitab 14.0 antara Jumlah Defect dengan Jumlah Kerusakan Mesin

Correlations: Jumlah Defect/bulan, Jumlah Kerusakan/bulan Pearson correlation of Jumlah Defect/bulan and Jumlah Kerusakan/bulan = 0.633 P-Value = 0.027

Dari hasil perhitungan manual dan software minitab 14.0, didapatkan hasil yang sama, yaitu 0.63335, dimana angka ini berarti bahwa adanya hubungan yang terjadi antara jumlah reject dengan jumlah kerusakan per bulannya, namun hubungan yang terjadi ini lemah, dikarenakan jumlah reject tidak signifikan dipengaruhi oleh kerusakan mesin atau komponen. Oleh karena itu nilai 0.63335 jika dikuadratkan akan menjadi 0.40113, yang berarti 40.11% diantara keragaman total dari jumlah produk defect dapat dijelaskan dapat dijelaskan hubungan linearnya dengan jumlah kerusakan mesin. Maka dari hasil ini juga didapat kesimpulan bahwa jumlah reject yang terjadi ini tidak hanya disebabkan oleh dari faktor mesin namun banyak faktor, yaitu seperti manusia, material, metode dan lainnya.

151

Oleh karena itu maka nantinya akan dibahas lebih mendalam mengenai perawatan di masing-masing mesin yang paling sering breakdown dikarenakan komponen yang bermasalah.

4.2.1.3

Analisa Statistical Process Control

Tabel 4.26 Rekapitulasi Capability Process Bulan

Proporsi Cacat

Maret 2008

0.0846

April 2008

0.1468

Mei 2008

0.0707

Juni 2008

0.1006

Juli 2008

0.1639

Agustus 2008

0.1889

September 2008

0.1083

Oktober 2008

0.1074

November 2008

0.1502

Desember 2008

0.1358

Januari 2009

0.1681

Februari 2009

0.1217

152

Dari hasil perhitungan peta kendali p selama 12 bulan, maka didapatkan nilai proporsi cacat masing-masing bulan, dapat dilihat dari tabel rekapitulasi di atas, bahwa proporsi cacat yang paling rendah adalah pada bulan Mei 2008 yaitu sebesar 0.0707 dan yang paling tinggi pada bulan Agustus 2008 yaitu 0.1889. Dari hasil wawancara diketahui bahwa toleransi defect perusahaan adalah 10% dari jumlah produksi. Jika dilihat bahwa nilai proporsi cacat paling rendah yaitu 0.0707, yang berarti 92.93% produk terbebas dari cacat, hal ini dapat dikategorikan “cukup baik” karena masih dalam batas toleransi, proporsi cacat yang “cukup baik” hanya terjadi pada bulan Maret dan Mei, sedangkan kemampuan proses yang terbebas dari cacat pada bulan lainnya bahkan tidak mencapai 90%, dan tidak mampu mencapai target perusahaan. Sehingga dapat disimpulkan bahwa kemampuan PT. Omni Kemas Industry Departemen Converting untuk menghasilkan produk yang terbebas dari cacat masih kurang baik. Dan dari diagram fishbone diketahui bahwa faktor-faktor yang menyebabkan timbulnya cacat produk adalah dari manusia, mesin, material, dan metode. Untuk faktor manusia, metode, dan material, perusahaan dapat melakukan internal training yang diharapkan dapat meminimasi produk cacat yang diakibatkan

oleh faktor tersebut. Sedangkan untuk faktor mesin, diketahui bahwa selama ini perusahaan belum mempunyai sistem perawatan yang cukup baik, karena perawatan umumnya dilakukan pada saat mesin tersebut telah mengalami kerusakan (breakdown maintenance), dan jadwal perawatan rutin juga masih merupakan jadwal perhitungan

“kira-kira” dari pihak engineering, tidak ada perhitungan pasti yang melatarbelakangi jadwal tersebut, hal ini diperparah dengan sikap operator mesin yang menganggap

153

jadwal perawatan hanya sekedar formalitas dan sering diabaikan. Dilatarbelakangi hal ini dan juga dari perhitungan korelasi antara jumlah cacat dengan kerusakan mesin yang dapat dilihat bahwa memang terdapat hubungan positif antara kedua hal tersebut, oleh karena itu penulis memutuskan untuk mengkaji lebih dalam tentang mesin, terutama tentang sistem maintenance / perawatannya, dan kemudian memberikan usulan untuk perbaikannya. 4.2.2

Total Productive Maintenance

Setelah melihat dari diagram sebab akibat atau fishbone, maka dapat disimpulkan bahwa tingginya nilai reject pada departemen converting salah satunya disebabkan oleh faktor mesin. Kemudian dilihat pula dari hasil perhitungan korelasi antara jumlah reject dengan jumlah kerusakan, didapat hasil yang cukup besar adanya hubungan diantara keduanya, maka selanjutnya penulis akan membahas mengenai perawatan terhadap mesin tersebut, dengan menggunakan Total Productive Maintenance, untuk memaksimumkan produkitivitas peralatan dan mesin sepanjang

masa pakai peralatan dan mesin itu. Pengertian Total Productive Maintenance itu sendiri adalah suatu konsep pemeliharaan yang produktif untuk mencapai efektifitas menyeluruh dari sistem produksi melalui keterlibatan semua orang dalam organisasi. Implementasi TPM sebagai suatu sistem membutuhkan langkah-langkah dalam waktu yang lama sehingga memerlukan komitmen tinggi pihak manajemen dan karyawan. (V. Gasperz, p281).

154

Langkah-langkah untuk menerapkan TPM adalah sebagai berikut: •

Tahap Persiapan Merupakan tahap awal dari implementasi Total Productive Maintenance yang meliputi: o Perkenalan TPM o Edukasi dan kampanye / sosialisasi TPM o Membentuk struktur organisasi untuk menjalankan TPM o Penetapan kebijakan dan dasar TPM

•

Tahap Pelaksanaan o Membentuk pemeliharaan terencana (Preventive Maintenance) o Analisis Preventive Maintenance o Efektifitas peralatan o Autonomous Maintenance o Maintenance Prevention

•

Tahap Pemantapan Adalah tahap akhir dalam pelaksanaan TPM, dimana dilakukan tahap penyempurnaan TPM yang telah dilakukan dari kedua tahap sebelumnya.

155

4.2.2.1

Tahap Persiapan

4.2.2.1.1 Perkenalan TPM

Pada tahapan ini, dilakukan persiapan di dalam melaksanakan TPM, dimana pada tahap ini akan diberitahukan kepada seluruh lingkungan perusahaan keputusan untuk menjalankan TPM oleh pihak top manajemen. Cara untuk memberitahukan kepada seluruh lingkungan perusahaan adalah salah satunya dengan cara menampilkan objektifitas TPM di dalam selebaran. Pertama kali adalah dengan melakukan pengenalan terlebih dulu mengenai TPM, karena hal ini masih cukup berada pada golongan yang masih baru, sehingga seluruh lingkungan perusahaan dapat dengan baik dalam mengerti untuk apa sistem TPM tersebut dilaksanakan. Pada persiapan ini juga dianjurkan untuk dapat mengambil komitmen di dalam melaksanakan TPM ini, karena komitmen untuk menjalankan TPM ini sangat penting mengingat bahwa kekompakan serta kemauan seluruh pihak perusahaan untuk melaksanakan TPM ini agar pada lantai produksi bisa memberikan peningkatan yang baik pada penerapannya.

4.2.2.1.2 Edukasi dan kampanye / sosialisasi TPM

Selanjutnya adalah pihak top manajemen pun perlu mengadakan kampanye terhadap seluruh karyawan, dimana dengan mensosialisasikan TPM ini, perusahaan mampu untuk menjaring seluruh pihak mengikuti hal tersebut. Kemudian perusahaan juga perlu mengadakan pelatihan-pelatihan yang nantinya hal tersebut memberikan para karyawan peningkatan kualitas kemampuan dan kualitas dari mental serta

156

motivasi para karyawan, sehingga pada saat melaksanakan pekerjaannya, mereka mampu mengatasi dan mengelola segala kegiatan yang terjadi di lantai produksi dengan baik. Pada TPM akan terjadi perubahan-perubahan yang terjadi dari keadaan sebelumnya ke keadaan TPM, maka top manajemen juga perlu memberikan pengertian kepada seluruh pihak perusahaan agar perubahan yang terjadi tidak membuat seluruh pihak kaget ataupun merasa aneh dengan akibat perubahan tersebut. Untuk melaksanakan pelatihan-pelatihan terhadap karyawan, pihak top manajemen juga perlu mendatangkan orang-orang yang telah ahli pada bidang TPM, mereka akan mengadakan training terhadap seluruh pihak perusahaan dan dapat membagi pengalaman-pengalaman yang tentunya juga akan memberikan penambahan ilmu terhadap seluruh pihak karyawan. Dikarenakan pelaksanaan TPM ini memerlukan waktu yang tidak sebentar, maka seluruh pihak yang terkait tidak perlu merasa takut ataupun ragu akan keberhasilan sistem ini, karena dengan keyakinan dan keseragaman pemahaman dan mengikuti seluruh tahapan mengenai TPM, maka sistem TPM ini diyakini dapat berjalan dengan baik.

4.2.2.1.3 Membentuk struktur organisasi untuk menjalankan TPM

Selanjutnya dilakukan pembentukan organisasi untuk melaksanakan TPM ini, tujuannya adalah untuk mengatur jalannya pelaksanaan TPM ini, supaya tidak menjadi kacau dan terhindar dari hal-hal yang tidak terorganisir. Organisasi ini dibuat dengan membentuk kelompok-kelompok yang tidak hanya bersifat vertikal, namun

157

juga harus ada pembentukan kelompok yang horizontal. Hal ini dimaksudkan untuk pelaksanaan TPM lebih terarah serta lebih terfokus pada masing-masing kelompok atau divisi/departemen yang ada pada perusahaan.

4.2.2.1.4 Penetapan kebijakan dan dasar TPM

Dan yang terakhir pada tahap ini adalah dengan menetapkan kebijakan dan dasar dari TPM, dan hal ini harus dipublikasikan secara singkat, jelas dan padat, agar seluruh karyawan mampu untuk mengerti dan memahami apa yang menjadi kebijakan dan dasar TPM tersebut. Dengan adanya penetapan kebijakan tersebut, maka seluruh karyawan dapat dengan baik mengetahui secara jelas apa yang menjadi dasar TPM, sehingga di dalam penerapannya dapat lebih diterima. Kebijakan TPM tersebut diantaranya adalah sebagai berikut : 1. Membentuk pemeliharaan terencana (Preventive Maintenance) 2. Analisis Preventive Maintenance 3. Efektifitas peralatan 4. Autonomous Maintenance 5. Maintenance Prevention

158

Dengan mengimplementasikan kebijakan-kebijakan tersebut di atas, maka diharapkan dapat memberikan keuntungan-keuntungan lebih terhadap perusahaan, seperti memiliki pemeliharaan yang terstruktur dan terencana dengan baik, dapat menggunakan

peralatan

dalam

lantai

produksi

secara

efektif

dalam

menggunakannnya, bisa menerapkan pemeliharaan yang mandiri, mencegah pemeliharaan tidak terencana dengan baik, dapat menganalisis lebih dalam mengenai preventive maintenance. Dan yang terutama juga adalah dapat meminimalisir tingkat

kerusakan mesin atau breakdown, serta meningkatkan hasil produksi dan meningkatkan laba perusahaan.

4.2.2.2

Tahap Pelaksanaan

4.2.2.2.1 Membentuk pemeliharaan terencana (Preventive Maintenance)

Langkah awal dari tahap pelaksanaan ini adalah dengan membentuk pemeliharaan terencana, dimana pada langkah ini perlu dilakukannya suatu perawatan yang sekedar sebagai formalitas belaka, namun juga harus dilakukan adanya perawatan yang periodik, tersusun dengan baik sesuai dengan jadwal yang seharusnya. Pemeliharaan terencana di dalam TPM ada 2 yaitu pemeliharaan spesial yang berarti pemeliharaan yang dilakukan oleh teknisi atau bagian maintenance, dan pemeliharaan mandiri yang dilaksanakan oleh operator atau pekerja yang melaksanakan pekerjaan dengan mesin tersebut. Dari sini perlu dilakukan pemilahan, pemeliharaan seperti apa yang memang perlu menggunakan bagian teknisi maintenance dan pemeliharaan apa yang seharusnya dapat dilakukan sendiri oleh

159

operator tersebut, sehingga dengan adanya pemilahan ini, memberikan dampak terhadap banyak hal dan salah satunya adalah waktu, dimana waktu akan lebih berkurang karena hal yang seharusnya dikerjakan bagian teknisi maintenance, dapat dilakukan oleh operator itu sendiri. Dengan pembentukan pemeliharaan yang terencana, maka perlu dibuat pula data historis dari pelaksanaan perawatan pada periode-periode tertentu, dimana hal ini dimaksudkan untuk mengetahui seberapa baik atau buruk kondisi mesin yang dirawat tersebut. Dengan memiliki data tersebut, maka dapat melihat lebih mendalam kondisi mesin dan melihat perkembangan atau penurunan yang terjadi serta hal apa yang harus diperbaiki atau diganti terhadap komponen mesin tersebut. Pemeliharaan yang terencana ini juga dilakukan untuk menjaga kestabilan dan performa dari mesin yang ada supaya mesin-mesin tersebut dapat memberikan hasil produk yang berkualitas, menurunkan tingkat defect yang selama ini terus menerus terjadi dan tentunya menurunkan jumlah kerusakan komponen mesin yang mengganggu jalannya proses produksi. Pemeliharaan terencana yang dibuat ini bisa dilakukan dengan periode harian, mingguan, bulanan, ataupun tahunan, supaya pemeliharaan ini dapat terkontrol dengan baik sesuai standar atau spesifikasi yang ada.

4.2.2.2.2 Analisis Preventive Maintenance

Langkah selanjutnya adalah melakukan analisis preventive maintenance, dimana pada langkah ini akan menentukan waktu untuk pengecekan, perawatan ataupun juga pergantian komponen mesin yaitu pisau dan bandrek pada mesin potong

160

label. Jika terjadi masalah pada komponen pisau dan bandrek pada saat proses produksi dijalankan, maka akan menyebabkan terhambatnya pemotongan produk dan akan mengurangi jumlah kapasitas hasil produksi yang sebenarnya. Oleh karena itu untuk menghindarkan dari hal tersebut, perlu diketahui berapa lama perlu dilakukan pengecekan, perawatan atau pergantian komponen-komponen tersebut.

4.2.2.2.2.1 Penentuan Divisi dan Komponen Kritis

Dibawah ini adalah data frekuensi breakdown yang terjadi pada Departemen Converting :

Tabel 4.27 Jumlah Breakdown Departemen Converting Divisi Potong label PVC potong Slitting Total

Frekuensi Breakdown 157 29 10 196

Frekuensi Breakdown (%) 80.10% 14.79% 5.10% 100.00%

Frekuensi Kumulatif 80.10% 94.89% 100%

161

Diagram Pareto Breakdown Mesin Seluruh Divisi 200

100

Count

60 100 40 50

0 Divisi Count Percent Cum %

Percent

80

150

20

Potong label 157 80.1 80.1

PVC potong 29 14.8 94.9

Slitting 10 5.1 100.0

0

Diagram 4.2 Pareto Breakdown Mesin Seluruh Divisi Dari tabel dapat dilihat bahwa divisi potong label adalah yang paling sering mengalami breakdown. Sesuai dengan prinsip pareto “80-20”, 80 % permasalahan berasal dari divisi ini yang termasuk 20% dari sumber permasalahan. Dengan jumlah sebesar 157 kerusakan dalam setahun, dari data kerusakan inilah akan diteliti lebih dalam komponen mesin yang paling kritis atau yang paling sering bermasalah. Setelah dilihat dari data breakdown yang ada, telah memberikan arti bahwa yang paling sering mengalami masalah adalah pada divisi potong label, dengan jumlah sebesar 157 kerusakan dalam setahun. Dan dari data kerusakan inilah akan diteliti lebih dalam mengenai komponen-komponen mana saja di dalam divisi tersebut yang

162

paling sering mengalami masalah, dan akan dilihat pada mesin apa komponen tersebut paling sering bermasalah. Pada divisi potong label, mesin-mesin yang digunakan adalah sebanyak 20 mesin, dimana semua mesin beroperasi secara aktif dan melaksanakan seluruh tugasnya berdasarkan pesanan yang datang dari bagian PPIC. Dibawah ini merupakan data jumlah kerusakan per mesin pada Divisi Potong Label. Tabel 4.28 Data Kerusakan Per Mesin Divisi Potong Label

No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25

Tanggal 3/3/2008 3/3/2008 8/3/2008 2/4/2008 5/4/2008 10/4/2008 12/4/2008 12/4/2008 2/5/2008 5/5/2008 6/5/2008 6/5/2008 6/5/2008 21/5/2008 21/5/2008 24/5/2008 26/5/2008 30/5/2008 30/5/2008 30/5/2008 2/6/2008 3/6/3008 5/6/2008 8/6/2008 10/6/2008

No. Mesin 4 12 19 11 12 20 5 12 12 17 2 3 14 17 4 3 2 15 11 20 2 14 12 17 3

Komponen Pisau Kuping Pisau Bandrek Bandrek Pisau Pisau Pisau Bandrek Pisau Perporasi Pisau Pisau Pisau Pisau Pisau Sensor Bandrek Pisau Pisau Pisau Pisau Bandrek Pisau Sensor

Downtime Menit Jam 510 8.5 225 3.75 105 1.45 250 4.16 65 1.08 60 1 75 1.25 75 1.25 210 3.5 165 2.75 130 2.16 130 2.16 180 3 80 1.33 10 0.16 80 1.33 560 9.33 243 4.05 243 4.05 10 0.16 255 4.25 18 0.3 95 1.58 140 2.33 30 0.5

163

Tabel 4.28 Data Kerusakan Per Mesin Divisi Potong Label (Lanjutan) No.

Tanggal

No. Mesin

Komponen

26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60

10/6/2008 10/6/2008 11/6/2008 11/6/2008 17/6/2008 17/6/2008 20/6/2008 24/6/2008 27/6/2008 30/6/2008 2/7/2008 7/7/2008 7/7/2008 7/7/2008 8/7/2008 8/7/2008 8/7/2008 9/7/2008 10/7/2008 11/7/2008 11/7/2008 11/7/2008 12/7/2008 14/7/2008 14/7/2008 15/7/2008 17/7/2008 17/7/2008 18/7/2008 19/7/2008 25/7/2008 25/7/2008 28/7/2008 29/7/2008 31/7/2008

6 12 11 12 1 2 20 14 11 17 1 1 4 11 11 12 20 11 9 9 10 19 9 1 17 11 4 17 15 17 9 14 2 11 4

Pisau Bandrek Pisau Baut Rantai Sensor Pisau Pisau Pisau Pisau Pisau Rantai Pisau Pisau Pisau Bandrek Vanbelt Pisau Gear Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Bandrek Pisau Pisau Pisau

Downtime Menit Jam 20 0.33 45 0.75 20 0.3 565 9.42 20 0.33 245 4.08 840 14 77 1.28 70 1.17 85 1.42 80 1.33 255 4.25 120 2 185 3.08 485 8.08 85 1.42 11 0.18 225 3.75 160 2.67 90 1.5 80 1.33 240 4 20 0.33 10 0.17 85 1.42 135 2.25 90 1.5 85 1.42 10 0.17 145 2.42 15 0.25 235 3.92 150 2.5 100 1.67 80 1.33

164


Tanggal

No. Mesin

Komponen

61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96

5/8/2008 6/8/2008 11/8/2008 12/8/2008 12/8/2008 12/8/2008 13-8-2008 13-8-2008 13/8/2008 15-8-2008 16-8-2008 21-8-2008 25-8-2008 26-8-2008 26-8-2008 29-8-2008 29-8-2008 29-8-2008 12/9/2008 12/9/2008 18-9-2008 18-9-2008 22-9-2008 24-9-2008 30-9-2008 14/10/2008 1/11/2008 3/11/2008 7/11/2008 8/11/2008 11/11/2008 12/11/2008 25/11/2008 26-11-2008 26-11-2008 27-11-2008

11 4 14 4 11 12 4 16 17 14 12 11 16 19 20 5 14 16 9 17 2 14 4 14 15 17 17 20 17 9 19 4 17 6 16 16

Pisau Pisau Phenomatik Pisau Pisau Bandrek Pisau Bandrek Pisau Seal Pisau Pisau Pisau Tutup depan Tutup depan Pisau Pisau Per Pisau Pisau Pisau Pisau Vanbelt Pisau Bearing Pisau Pisau Pisau Per Pisau Pisau Pisau Pisau Rantai Pisau Bandrek

Downtime Menit Jam 380 6.33 105 1.75 210 3.5 90 1.5 50 0.83 110 1.83 7 0.12 70 1.17 35 0.58 90 1.5 122 2.03 90 1.5 120 2 56 0.93 50 0.83 88 1.47 102 1.7 101 1.68 75 1.25 25 0.42 90 1.5 95 1.58 840 14 115 1.92 57 0.95 105 1.75 60 1 120 2 120 2 80 1.33 100 1.67 75 1.25 120 2 20 0.33 140 2.33 20 0.33

165


Tanggal

No. Mesin

Komponen

97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132

28-11-2008 1/12/2008 1/12/2008 2/12/2008 4/12/2008 4/12/2008 9/12/2008 10/12/2008 10/12/2008 10/12/2008 12/12/2008 17/12/2008 18/12/2008 18/12/2008 19/12/2008 22/12/2008 23/12/2008 23/12/2008 24/12/2008 24/12/2008 24/12/-2008 31/12/2008 31/12/2008 2/1/2009 6/1/2009 6/1/2009 6/1/2009 8/1/2009 10/1/2009 13/1/2009 19/1/2009 19/1/2009 19/1/2009 19/1/2009 23/1/2009 27/1/2009

3 13 20 16 3 4 18 2 3 10 17 16 4 5 17 7 2 17 2 3 16 14 17 14 6 12 17 16 3 18 2 3 5 6 6 13

Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Perporasi Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Pisau Perporasi Perporasi Parametik Pisau Per Pisau Pisau Bandrek Sensor Phenometik Pisau Pisau Perporasi Pisau Pisau Pisau Pisau Pisau

Downtime Menit Jam 145 2.42 80 1.33 420 7 52 0.87 64 1.07 75 1.25 75 1.25 20 0.33 40 0.67 65 1.08 300 5 90 1.5 210 3.5 110 1.83 95 1.58 12 0.2 40 0.67 49 0.82 50 0.83 60 1 280 4.67 300 5 210 3.5 120 2 10 0.17 90 1.5 90 1.5 220 3.67 80 1.33 10 0.17 180 3 420 7 180 3 180 3 100 1.67 85 1.42

166


Tanggal

No. Mesin

Komponen

133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157

27/1/2009 28/1/2009 28/1/2009 28/1/2009 29/1/2009 2/2/2009 2/2/2009 2/2/2009 3/2/2009 3/2/2009 3/2/2009 4/2/2009 5/2/2009 7/2/2009 12/2/2009 21/2/2009 23/2/2009 24/2/2009 24/2/2009 24/2/2009 25/2/2009 27/2/2009 27/2/2009 28/2/2009 28/2/2009

16 4 16 20 14 5 16 17 4 14 16 16 14 9 11 16 3 2 16 17 11 14 5 1 2

Pisau Pisau Pisau Pisau Pisau Pisau Pisau Bandrek Pisau Pisau Pisau Pisau Per Pisau Pisau Pisau Pisau Rantai Phenometik Bandrek Bandrek Pisau Pisau Pisau Pisau

Downtime Menit Jam 120 2 70 1.17 120 2 20 0.33 20 0.33 70 1.17 155 2.58 125 2.08 15 0.25 10 0.17 270 4.5 135 2.25 180 3 10 0.17 34 0.57 270 4.5 60 1 120 2 90 1.5 75 1.25 210 3.5 180 3 180 3 150 2.5 120 2

Tabel 4.29 Frekuensi Breakdown Komponen Mesin Potong Label Frekuensi Breakdown

Frekuensi Breakdown (%)

Frekuensi Kumulatif Breakdown(%)

Pisau

112

71.34

71.34

Bandrek

15

9.55

80.89

Perporasi

5

3.18

84.08

Sensor

4

2.55

86.62

Komponen

167

Tabel 4.29 Frekuensi Breakdown Komponen Mesin Potong Label (Lanjutan) Frekuensi Breakdown

Frekuensi Breakdown (%)

Frekuensi Kumulatif Breakdown(%)

Rantai

4

2.55

89.17

Per

4

2.55

91.72

Penomatik

3

1.91

93.63

Vanbelt

2

1.27

94.90

Tutup depan

2

1.27

96.18

Kuping

1

0.64

96.82

Gear

1

0.64

97.45

Baut

1

0.64

98.09

Seal

1

0.64

98.73

Bearing

1

0.64

99.36

Parametik

1

0.64

100

157

100.00%

100%

Komponen

Total

Diagram Pare to B re akdown Kompone n M e s in Divis i Potong Labe l 160

100

140

Count

100

60

80 40

60 40

20

20 0 Komponen

Count Percent Cum %

Percent

80

120

Pi

u sa

n Ba

112 71.3 71.3

d

k re Pe

rp

15 9.6 80.9

i as or

5 3.2 84.1

lt n ik er be pa at th n n e a O m e a D R o S V n p tu Pe Tu 4 4 4 3 2 2 6 2.5 2.5 2.5 1.9 1.3 1.3 3.8 86.6 89.2 91.7 93.6 94.9 96.2 100.0 r Pe

a nt

i

r so

0

Diagram 4.3 Pareto Brekdown Komponen Mesin Divisi Potong Label

168

Berdasarkan prinsip pareto “80-20”, maka komponen mesin yang menjadi sumber permasalahan terbesar yang timbul yaitu komponen pisau dan bandrek dengan kumulatif permasalahan mencapai 80.9% dari seluruh masalah breakdown yang terjadi. Oleh karena itu kedua komponen mesin ini lebih diutamakan penanganannya dibandingkan dengan komponen yang lain.

Tabel 4.30 Jumlah breakdown dan nomor mesin komponen pisau Nomor Mesin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Jumlah 3 6 7 13 6 4 1 0 6 2 11 2 2 10 1 10 15 2 3 6

169

Tabel 4.31 Jumlah breakdown dan nomor mesin komponen bandrek Nomor Mesin 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 •

Jumlah 0 0 0 0 0 0 0 0 0 0 2 7 0 1 1 2 2 0 0 0

Perhitungan Simulasi Komponen Pisau dan Bandrek o Perhitungan Simulasi Komponen Pisau Mesin 17

Tabel 4.32 Jumlah kerusakan komponen Pisau Mesin 17 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember 2008

Jumlah Kerusakan 0 0 2 2 3 1 1 1 2 3

170

Tabel 4.32 Jumlah kerusakan komponen Pisau Mesin 17 (Lanjutan) Bulan Januari 2009 Februari 2009

Jumlah Kerusakan 0 0

Tabel 4.33 Frekuensi kerusakan komponen pisau mesin 17 No urut 1 2 3 4

Kerusakan/hari 0 1 2 3 Total

Frekuensi Kerusakan 4 3 3 2 12

Tabel 4.34 Probabilitas kerusakan komponen pisau mesin 17 No urut 1 2 3 4


Probabilitas 0.33 0.25 0.25 0.17 1

Tabel 4.35 Kumulatif distribusi kerusakan komponen pisau mesin 17 No urut 1 2 3 4

Kerusakan/hari 0 1 2 3

Probabilitas 0.33 0.25 0.25 0.17

Kumulatif Distribusi 0.33 0.58 0.83 1.00

Tabel 4.36 Interval bilangan acak kerusakan komponen pisau mesin 17 No urut 1 2 3 4


Probabilitas 0.33 0.25 0.25 0.17


Interval Bilangan Acak 00-33 34-58 59-83 84-99

171

Pembangkitan Nilai Acak 1

2

3

4

5

6

7

8

9

10

11

12

56

43

85

40

89

79

9

95

21

37

39

38

Menjalankan Simulasi 1

2

3

4

5

6

7

8

9

10

11

56 1

43 1

85 3

40 1

89 3

79 2

9 0

95 3

21 0

37 1

39 1

Total = 17 o Perhitungan Simulasi Komponen Pisau Mesin 4

Tabel 4.37 Jumlah kerusakan komponen Pisau Mesin 4 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember 2008 Januari 2009 Februari 2009

Jumlah Kerusakan 1 0 1 0 2 3 0 0 1 2 1 1




12 38 1

172



Probabilitas 0.33 0.42 0.08 0.17 1



Probabilitas 0.33 0.42 0.08 0.17





Probabilitas 0.33 0.42 0.08 0.17



2

3

4

5

6

56

43

85

40

89

79

7

8

9

10

11

9

95

21

37

39

12 38


2

3

4

5

6

7

8

9

10

11

56 1

43 1

85 3

40 1

89 3

79 2

9 0

95 3

21 0

37 1

39 1

Total = 17

12 38 1

173

o Perhitungan Simulasi Komponen Pisau Mesin 11

Tabel 4.42 Jumlah kerusakan komponen Pisau Mesin 11 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember 2008 Januari 2009 Februari 2009







Probabilitas 0.58 0.16 0.08 0.08 1

174



Probabilitas 0.58 0.16 0.08 0.08





Probabilitas 0.58 0.16 0.08 0.08



2

3

4

5

6

56

43

85

40

89

79

7 9

8

9

95

21

8

9

95 3

21 0

10 37

11 39

12 38


2

3

4

5

6

56 0

43 0

85 3

40 0

89 3

79 2

7 9 0

10 37 0

Total = 11 o Perhitungan Simulasi Komponen Pisau Mesin 14

Tabel 4.47 Jumlah kerusakan komponen Pisau Mesin 14 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008

Jumlah Kerusakan 0 0 1 2 0 3 2

11 39 0

12 38 0

175

Tabel 4.47 Jumlah kerusakan komponen Pisau Mesin 14 (Lanjutan) Bulan Oktober 2008 November 2008 Desember 2008 Januari 2009 Februari 2009

Jumlah Kerusakan 0 0 0 2 2






Probabilitas 0.5 0.08 0.33 0.08 1



Probabilitas 0.5 0.08 0.33 0.08


176




Probabilitas 0.5 0.08 0.33 0.08



2

3

4

5

6

56

43

85

40

89

79

7

8

9

10

11

9

95

21

37

39

12 38


2

3

4

5

6

7

8

9

10

11

56 1

43 0

85 2

40 0

89 2

79 2

9 0

95 3

21 0

37 0

39 0

Total = 10 o Perhitungan Simulasi Komponen Bandrek Mesin 12

Tabel 4.52 Jumlah kerusakan komponen Bandrek mesin 12 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008 Desember 2008 Januari 2009 Februari 2009


12 38 0

177

Tabel 4.53 Frekuensi kerusakan komponen Bandrek mesin 12 No urut 1 2 3 4



Tabel 4.54 Probabilitas kerusakan komponen Bandrek mesin 12 No urut 1 2 3 4


Probabilitas 0.58 0.25 0.08 0.08 1

Tabel 4.55 Kumulatif distribusi kerusakan komponen Bandrek mesin 12 No urut 1 2 3 4


Probabilitas 0.58 0.25 0.08 0.08


Tabel 4.56 Interval bilangan acak kerusakan komponen Bandrek mesin 12 No urut 1 2 3 4



Probabilitas 0.58 0.25 0.08 0.08



2

3

4

5

6

56

43

85

40

89

79

7 9

8

9

95

21

10 37

11 39

12 38

178


2

3

4

5

6

56 0

43 0

85 2

40 0

89 2

79 1

7 9 0

8

9

95 3

21 0

10 37 0


Tabel 4.57 Jumlah kerusakan komponen Bandrek mesin 17 Bulan Maret 2008 April 2008 Mei 2008 Juni 2008 Juli 2008 Agustus 2008 September 2008 Oktober 2008 November 2008

Jumlah Kerusakan 0 0 0 0 0 0 0 0 0

Desember 2008

0

Januari 2009 Februari 2009

0 2

Tabel 4.58 Frekuensi kerusakan komponen Bandrek mesin 17 No urut 1 2 3 4



11 39 0

12 38 0

179

Tabel 4.59Probabilitas kerusakan komponen Bandrek mesin 17 No urut 1 2 3

Kerusakan/hari 0 1 2 Total

Probabilitas 0.92 0 0.08 1

Tabel 4.60 Kumulatif distribusi kerusakan komponen Bandrek mesin 17 No urut 1 2 3

Kerusakan/hari 0 1 2

Probabilitas 0.92 0 0.08

Kumulatif Distribusi 0.92 0.92 1.00

Tabel 4.61 Interval bilangan acak kerusakan komponen Bandrek mesin 17 No urut 1 2 3




Interval Bilangan Acak 00-92 93-99


2

3

4

5

6

56

43

85

40

89

79

7 9

8

9

95

21

8

9

95 2

21 0

10 37

11 39

12 38


2

3

4

5

6

56 0

43 0

85 0

40 0

89 0

79 0

Total = 2

7 9 0

10 37 0

11 39 0

12 38 0

180

o Perhitungan Simulasi Komponen Bandrek Mesin 11



Tabel 4.63 Frekuensi kerusakan komponen Bandrek mesin 11 No urut 1 2 3


Frekuensi Kerusakan 11 0 1 12

Tabel 4.64 Probabilitas kerusakan komponen Bandrek mesin 11 No urut 1 2 3







181





Interval Bilangan Acak 00-92 93-99


2

3

4

5

6

56

43

85

40

89

79

7 9

8

9

95

21

8

9

95 2

21 0

10 37

11 39

12 38


2

3

4

5

6

56 0

43 0

85 0

40 0

89 0

79 0

7 9 0

10 37 0




11 39 0

12 38 0

182

Tabel 4.68 Frekuensi kerusakan komponen Bandrek mesin 16 No urut 1 2 3

Frekuensi Kerusakan 11 0 1 12


Tabel 4.69 Probabilitas kerusakan komponen Bandrek mesin 16 No urut 1 2 3











Interval Bilangan Acak 00-92 92 93-99


2

3

4

5

6

56

43

85

40

89

79

7 9

8

9

95

21

10 37

11 39

12 38

183


2

3

4

5

6

56 0

43 0

85 0

40 0

89 0

79 0

7 9 0

8

9

95 2

21 0

10 37 0

11 39 0

12 38 0

Total = 2 Dari perhitungan simulasi di atas didapat total secara keseluruhan untuk komponen pisau yang paling tinggi adalah mesin 17 dan 14, maka mesin 17 di masa yang akan datang akan tetap terus mengalami kerusakan, begitu juga dengan komponen bandrek. Oleh karena itu jika pada masa yang akan datang tidak dilakukan perbaikan atau perawatan dengan baik, maka untuk mesin 17 komponen pisau dan 12 komponen bandrek akan terus menerus mengalami banyakmasalah yang tentunya akan mengganggu jalannya proses produksi di bulan-bulan berikutnya. Oleh karena itu akan dilanjutkan dengan perhitungan preventive maintenance untuk mendapat hasil waktu perawatan yang lebih terjadwal.

184

4.2.2.2.2.2

Perhitungan Interval Waktu Antar Kerusakan (TTF) dan Downtime (TTR) Komponen

TTR atau Time to Repair merupakan lama perbaikan suatu komponen agar dapat beroperasi kembali seperti keadaan yang sebenarnya, sedangkan TTF atau Time to Failure adalah selang waktu pada saat setelah terjadi perbaikan kerusakan hingga

terjadi kerusakan kembali. Perhitungan TTF dan TTR untuk masing-masing mesin komponen pisau dan bandrek, dimana dari hasil perhitungan simulasi di atas dapat diketahui bahwa untuk komponen pisau akan diteliti pada mesin 17 dan komponen bandrek pada mesin 12, dikarenakan memiliki nilai tertinggi dalam kerusakannya. Tabel 4.72 TTF dan TTR Komponen Pisau No.

Tanggal

Waktu Mulai Kerusakan

Waktu Selesai Perbaikan

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

05-05-2008 21-05-2008 08-06-2008 30-06-2008 14-07-2008 17-07-2008 19-07-2008 13-08-2008 12-09-2008 14-10-2008 01-11-2008 25-11-2008 12-12-2008 19-12-2008 23-12-2008

09.10 08.25 15.05 10.20 14.00 07.35 13.20 14.35 10.20 07.10 08.00 14.00 08.30 21.15 15.50

11.55 9.45 17.25 11.45 15.25 09.00 15.45 15.10 10.45 08.55 09.00 16.00 14.30 22.50 16.39

Downtime /TTR (menit) 165 80 140 85 85 85 145 35 25 105 60 120 300 95 49 Total

TTR (jam)

2.75 1.33 2.33 1.42 1.42 1.42 2.42 0.58 0.42 1.75 1.00 2.00 5.00 1.58 0.82

Interval Waktu Kerusakan/TTF (jam) 171.45 204.96 276.63 204.77 41.28 40.55 326.65 259.55 190.84 184.93 169.20 151.50 61.65 25.68 2309.64

185

Contoh perhitungan TTR (Time to Repair): No 1 tanggal 5-5-2008 = 09.10 – 11.55 = 165 menit / 60 menit = 2.75 jam Contoh perhitungan TTF(Time to Failure): No 1 tanggal 5-5-2008 = 11.55 – 22.22 = 8.45 tanggal 6-5-2008 s/d 20-5-2008

= 161.58

tanggal 21-5-2008 = 07.00 – 08.25 = 1.42 _______________ + 171.45 jam

Tabel 4.73 TTF dan TTR komponen bandrek No.

Tanggal

Waktu Mulai Kerusakan

Waktu Selesai Perbaikan

1 2 3 4 5 6 7

5-04-2008 2-05-2008 5-06-2008 10-06-2008 08-07-2008 12-08-2008 6-01-2009

9.20 08.15 10.00 8.45 13.15 11.45 11.00

10.25 11.45 11.35 9.30 14.40 16.10 13.30

Downtime /TTR (menit) 65 210 95 45 85 110 90 Total

TTR (hours)

1.08 3.50 1.58 0.75 1.42 1.83 1.50

Interval Waktu Kerusakan/TTF (hours) 157.12 249.65 30.75 219.60 173.80 186.95 1017.87

Contoh perhitungan TTR (Time to Repair): No 1 tanggal 5-04-2008 = 09.20 – 10.25 = 65 menit / 60 menit = 1.08 jam Contoh perhitungan TTF(Time to Failure): No 1 tanggal 5-04-2008 = 10.25 – 16.26 = 5.02 tanggal 5-04-2008 s/d 1-5-2008

= 150.85

186

tanggal 2-5-2008 = 07.00 – 08.15

= 1.25

_______________ + 157.12 Jam

4.2.2.2.2.3

Penentuan Distribusi TTF dan TTR Komponen Pisau dan Bandrek

Penentuan distribusi perlu dilakukan untuk mengetahui data kerusakan yang terjadi mengikuti pola distribusi seperti apa. Penentuan distribusi ini dilakukan dengan cara melakukan perhitungan Index of Fit, yaitu dengan menghitung r yang terbesar diantara keempat distribusi yang telah ditentukan. Lalu setelah mendapatkan jenis distribusi yang digunakan, maka akan dihitung Goodness of Fit dimana hasil dari Index of Fit akan lebih akurat hasilnya dengan melakukan pengujian ini.

4.2.2.2.2.3.1 Perhitungan Index of Fit Untuk Time to Failure (TTF) Komponen Pisau •

Index of Fit Distribusi Weibull

Tabel 4.74 Perhitungan Index of Fit Distribusi Weibull untuk TTF Komponen Pisau 2

i

ti

x i = ln( t i )

F(t i )

yi

x i .y i

xi

1 2 3 4 5 6 7

25.68 40.55 41.28 61.65 151.50 169.20 171.45

3.24571 3.70254 3.72038 4.12147 5.02059 5.13108 5.14429

0.04861 0.11806 0.18750 0.25694 0.32639 0.39583 0.46528

-2.99909 -2.07444 -1.57195 -1.21408 -0.92861 -0.68537 -0.46839

-9.73419 -7.68070 -5.84826 -5.00378 -4.66217 -3.51667 -2.40955

10.53465 13.70877 13.84121 16.98654 25.20628 26.32800 26.46374

yi

2

8.99454 4.30332 2.47103 1.47398 0.86232 0.46973 0.21939

187

Tabel 4.74 Perhitungan Index of Fit Distribusi Weibull untuk TTF Komponen Pisau (Lanjutan) i 8 9 10 11 12 13 14 Σ

ti

x i = ln( t i )

F(t i )

yi

x i .y i

xi

184.93 190.84 204.77 204.96 259.55 276.63 326.65 2309.64

5.21998 5.25144 5.32189 5.32281 5.55895 5.62268 5.78889 68.17269

0.53472 0.60417 0.67361 0.74306 0.81250 0.88194 0.95139 7.00000

-0.26772 -0.07606 0.11303 0.30667 0.51520 0.75922 1.10655 -7.48504

-1.39750 -0.39942 0.60153 1.63236 2.86398 4.26883 6.40569 24.87985

27.24816 27.57757 28.32249 28.33236 30.90192 31.61454 33.51124 340.57747

Contoh Perhitungan i = 1 : x 1 = ln(t 1 )

= ln(25.68) = 3.24571 F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 14 + 0.4 0.7 = 14.4 = 0.04861 =

⎡ ⎛ ⎞⎤ 1 ⎟⎟⎥ y1 = ln ⎢ln⎜⎜ ⎣ ⎝ 1 - F(t 1 ) ⎠⎦ ⎡ ⎛ 1 ⎞⎤ = ln ⎢ln⎜ ⎟⎥ ⎣ ⎝ 1 − 0.04861 ⎠⎦ = -2.99909 x 1 .y1 = (3.24571 x − 2.99909 ) = -9.73419

2

yi

2

0.07167 0.00578 0.01278 0.09405 0.26543 0.57641 1.22445 21.04489 r = 0.95488

188

x 1 = (3.24571)2 = 10.53465 2

y1 = (- 2.99909) = 8.99454 2

2

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x y − ⎜ ∑ x ⎟⎜ ∑ y ⎟ i i ⎜ i ⎟⎜ i⎟ i =1 ⎝ i = 1 ⎠⎝ i = 1 ⎠ 2 ⎤⎡ 2⎤ ⎡ n n n n ⎢n ∑ x 2 − ⎛⎜ ∑ x ⎞⎟ ⎥ ⎢n ∑ y 2 − ⎛⎜ ∑ y ⎞⎟ ⎥ i ⎜ i ⎟ ⎥⎢ i ⎜ i⎟ ⎥ ⎢ i =1 ⎝i = 1 ⎠ ⎥⎢ i = 1 ⎝i =1 ⎠ ⎥ ⎣⎢ ⎦⎣ ⎦

14(-24.87985) - (68.17269)(-7.48504)

[14(340.57747) - (68.17269) ][14(21.04489) - (-7.48504) ] 2

2

= 0.95488 •

Index of Fit Distribusi Eksponensial

Tabel 4.75 Perhitungan Index of Fit Distribusi Eksponensial untuk TTF Komponen Pisau i

ti

xi = ti

F(t i )

yi

1 2 3 4 5 6 7 8 9 10 11 12 13 14 Σ

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96 259.55 276.63 326.65 2309.64

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96 259.55 276.63 326.65 2309.64

0.04861 0.11806 0.18750 0.25694 0.32639 0.39583 0.46528 0.53472 0.60417 0.67361 0.74306 0.81250 0.88194 0.95139 7.00000

0.04983 0.12563 0.20764 0.29698 0.39510 0.50391 0.62601 0.76512 0.92676 1.11967 1.35890 1.67398 2.13660 3.02390 13.21002

x i .y i

xi

2

1.27970 659.46240 5.09414 1644.30250 8.57135 1704.03840 18.30909 3800.72250 59.85800 22952.25000 85.26076 28628.64000 107.32905 29395.10250 141.49377 34199.10490 176.86327 36419.90560 229.27394 41930.75290 278.51920 42008.60160 434.48058 67366.20250 591.04765 76524.15690 987.75796 106700.22250 3125.13846 493933.46520 r

yi

2

0.00248 0.01578 0.04311 0.08820 0.15611 0.25392 0.39189 0.58541 0.85889 1.25365 1.84660 2.80220 4.56506 9.14399 22.00728 0.91122

189

Contoh Perhitungan i = 1 : F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 14 + 0.4 0.7 = 14.4 = 0.04861 =

⎞ ⎛ 1 ⎟⎟ y1 = ln⎜⎜ 1 F(t ) 1 ⎠ ⎝

1 ⎛ ⎞ = ln⎜ ⎟ = 0.04983 ⎝ 1 − 0.04861 ⎠ x 1 .y1 = (25.68 x 0.04983) = 1.27970 x 1 = (25.68)2 = 659.46240 2

y1 = (0.04983) = 0.00248 2

2

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x i yi − ⎜⎜ ∑ x i ⎟⎟⎜⎜ ∑ yi ⎟⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ 2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜⎜ ∑ x i ⎟⎟ ⎥ ⎢n ∑ yi − ⎜⎜ ∑ yi ⎟⎟ ⎥ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦

14(3125.13846) - (2309.64)(13.21002)

[14(493933.46520) - (2309.64) ][14(22.00728) - (13.21002) ]

= 0.91122

2

2

190

•

Index of Fit Distribusi Lognormal

Tabel 4.76 Perhitungan Index of Fit Distribusi Lognormal untuk TTF Komponen Pisau 2

i

ti

x i = ln( t i )

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 7 8 9 10 11 12 13 14 Σ

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96 259.55 276.63 326.65 2309.64

3.24571 3.70254 3.72038 4.12147 5.02059 5.13108 5.14429 5.21998 5.25144 5.32189 5.32281 5.55895 5.62268 5.78889 68.17269

0.04861 0.11806 0.18750 0.25694 0.32639 0.39583 0.46528 0.53472 0.60417 0.67361 0.74306 0.81250 0.88194 0.95139 7.00000

-1.65851 -1.18475 -0.88715 -0.65283 -0.44992 -0.26416 -0.08714 0.08714 0.26416 0.44992 0.65283 0.88715 1.18475 1.65851 0.00000

-5.38305 -4.38658 -3.30053 -2.69062 -2.25886 -1.35543 -0.44827 0.45487 1.38722 2.39442 3.47489 4.93162 6.66147 9.60093 9.08209

10.53465 13.70877 13.84121 16.98654 25.20628 26.32800 26.46374 27.24816 27.57757 28.32249 28.33236 30.90192 31.61454 33.51124 340.57747 r

Contoh Perhitungan i = 1 : x 1 = ln(t 1 ) = ln(25.68) = 3.24571 F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 14 + 0.4 0.7 = 14.4 = 0.04861

=

zi

2

2.75066 1.40363 0.78704 0.42619 0.20243 0.06978 0.00759 0.00759 0.06978 0.20243 0.42619 0.78704 1.40363 2.75066 11.29462 0.92087

191

y1 = z 1 = Φ −1 [F(t1 )] (0.04861 dicari menggunakan tabel Φ(z) )

= -1.65851 x 1 .z1 = (3.24571 x − 1.65851) = -5.38305 x 1 = (3.24571)2 = 10.53465 2

z 1 = (- 1.65851) = 2.75066 2

2

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x i z i − ⎜ ∑ x i ⎟⎜ ∑ z i ⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ 2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1

14(9.08209) - (68.17269)(0)

[14(340.57747) - (68.17269) ][14(11.29462) - (0) ] 2

2

= 0.92087

•

Index of Fit Distribusi Normal

Tabel 4.77 Perhitungan Index of Fit Distribusi Normal untuk TTF Komponen Pisau 2

i

ti

xi = ti

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 7 8 9 10 11

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96

0.04861 0.11806 0.18750 0.25694 0.32639 0.39583 0.46528 0.53472 0.60417 0.67361 0.74306

-1.65851 -1.18475 -0.88715 -0.65283 -0.44992 -0.26416 -0.08714 0.08714 0.26416 0.44992 0.65283

-42.59054 -48.04161 -36.62155 -40.24697 -68.16288 -44.69587 -14.94015 16.11480 50.41229 92.13012 133.80404

659.46240 1644.30250 1704.03840 3800.72250 22952.25000 28628.64000 29395.10250 34199.10490 36419.90560 41930.75290 42008.60160

zi

2

2.75066 1.40363 0.78704 0.42619 0.20243 0.06978 0.00759 0.00759 0.06978 0.20243 0.42619

192

Tabel 4.77 Perhitungan Index of Fit Distribusi Normal untuk TTF Komponen Pisau (Lanjutan) 2

i

ti

xi = ti

F(t i )

yi = zi

x i .z i

xi

12 13 14 Σ

259.55 276.63 326.65 2309.64

259.55 276.63 326.65 2309.64

0.81250 0.88194 0.95139 7.00000

0.88715 1.18475 1.65851 0.00000

230.25978 327.73739 541.75229 1096.91114

67366.20250 76524.15690 106700.22250 493933.46520

Contoh Perhitungan i = 1 : x1 = t1

= 25.68 F(t 1 ) =

=

i − 0.3 n + 0.4

1 − 0.3 0.7 = = 0.04861 14 + 0.4 14.4

y1 = z 1 = Φ −1 [F(t1 )] (0.04861 dicari menggunakan tabel Φ(z) )

= -1.65851 x 1 .z1 = (25.68 x - 1.65851) = -42.59054 x 1 = (25.68)2 = 659.46240 2

z 1 = (- 1.667 ) = 2.75066 2

r=

2

n ⎛ n ⎞⎛ n ⎞ n∑ xi z i − ⎜ ∑ xi ⎟⎜ ∑ z i ⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠

⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤ ⎢ n ∑ xi − ⎜ ∑ x i ⎟ ⎥ ⎢ n∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1 ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1

zi

2

0.78704 1.40363 2.75066 11.29462 r = 0.97137

193

=

14(1096.91114) - (2309.64)(0)

[14(493933.46520) - (2309.64) ][14(11.29462) - (0) ] 2

2

= 0.97137 Tabel 4.78 Rekapitulasi Distribusi Perhitungan Index of Fit untuk TTF Komponen Pisau

Komponen Pisau

Distribusi

Nilai r Index of Fit

Weibull

0.95488

Eksponensial

0.91122

Lognormal

0.92087

Normal

0.97137

4.2.2.2.2.3.2 Perhitungan Goodness of Fit Untuk Time to Failure (TTF) Komponen Pisau

Berdasarkan hasil perhitungan pada Index of Fit TTF komponen pisau, nilai r terbesar yang didapatkan adalah mengikuti distribusi normal, maka perhitungan goodness of fit yang dilakukan adalah menggunakan uji Kolmogorov-Smirnov,

dengan hipotesa : Ho : Data waktu antar kerusakan berdistribusi Normal. Hi : Data waktu antar kerusakan tidak berdistribusi Normal.

194

Perhitungannya adalah sebagai berikut : Tabel 4.79 Perhitungan Goodness of Fit untuk TTF Komponen Pisau i

i n

i −1 n

ti

(ti - t )/s

Φ((ti - t )/s)

D1

D2

1 2 3 4 5 6 7 8 9 10 11 12 13 14

0.07143 0.14286 0.21429 0.28571 0.35714 0.42857 0.50000 0.57143 0.64286 0.71429 0.78571 0.85714 0.92857 1.00000

0.00000 0.07143 0.14286 0.21429 0.28571 0.35714 0.42857 0.50000 0.57143 0.64286 0.71429 0.78571 0.85714 0.92857

25.68 40.55 41.28 61.65 151.50 169.20 171.45 184.93 190.84 204.77 204.96 259.55 276.63 326.65

-1.49470 -1.33514 -1.32730 -1.10872 -0.14458 0.04535 0.06949 0.21414 0.27756 0.42703 0.42907 1.01485 1.19813 1.73487

0.06750 0.09092 0.09221 0.13378 0.44252 0.51808 0.52770 0.58478 0.60932 0.66532 0.66606 0.84492 0.88456 0.95861

0.06750 0.01949 -0.05065 -0.08051 0.15681 0.16094 0.09913 0.08478 0.03789 0.02246 -0.04823 0.05921 0.02742 0.03004 max D1 0.16094

0.00393 0.05194 0.12208 0.15193 -0.08538 -0.08951 -0.02770 -0.01335 0.03354 0.04897 0.11965 0.01222 0.04401 0.04139 max D2 0.15193

t = 164.97429

s(stdev.) = 93.19221

D crit,0.05 = 0.22700

Contoh perhitungan uji Kolmogorov-Smirnov TTF komponen pisau i = 1 :

1 i = n 14 = 0.07143 i −1 1−1 = n 14 0 = 14 =0

195

t=

∑t

i

14 2309.64 = 14 =164.97429

s=

∑

(t i − t ) 2 n −1

=

(112902.25594) 2 13

=

8684.78892 13

= 93.19221 (ti - t )/s =

(25.68 - 164.97429) 93.19221

= -1.49470 Φ((ti - t )/s) = Φ-1.49470

D1

= 0.06750 = Φ((ti - t )/s) - (i-1)/n = 0.06750– 0 = 0.06750

D2

= (i/n) - Φ((ti - t )/s) = 0.07143– 0.06750 = 0.00393

D crit,0.05 = 0.22700

196

Karena nilai Dmax lebih kecil dari D crit maka terima Ho yang berarti data mengikuti distribusi normal.

4.2.2.2.2.3.3

Perhitungan Index of Fit Untuk Time to Repair (TTR) Komponen Pisau

•


Tabel 4.80 Perhitungan Index of Fit Distribusi Weibull untuk TTR Komponen Pisau i

ti

x i = ln( t i )

F(t i )

yi

x i .y i

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ∑

0.42 0.58 0.82 1.00 1.33 1.42 1.42 1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

-0.86750 -0.54473 -0.19845 0.00000 0.28518 0.35066 0.35066 0.35066 0.45742 0.55962 0.69315 0.84587 0.88377 1.01160 1.60944 5.78733

0.04545 0.11039 0.17532 0.24026 0.30519 0.37013 0.43506 0.50000 0.56494 0.62987 0.69481 0.75974 0.82468 0.88961 0.95455 7.50000

-3.06787 -2.14582 -1.64628 -1.29179 -1.01026 -0.77167 -0.56029 -0.36651 -0.18361 -0.00612 0.17126 0.35490 0.55453 0.79016 1.12851 -8.05087

2.66138 1.16889 0.32671 0.00000 -0.28811 -0.27059 -0.19647 -0.12852 -0.08399 -0.00342 0.11871 0.30020 0.49007 0.79932 1.81626 6.71045


= ln(0.42) = -0.86750

xi

2

0.75256 0.29673 0.03938 0.00000 0.08133 0.12296 0.12296 0.12296 0.20924 0.31317 0.48045 0.71549 0.78105 1.02334 2.59029 7.65190 r

yi

2

9.41184 4.60456 2.71024 1.66872 1.02063 0.59547 0.31392 0.13433 0.03371 0.00004 0.02933 0.12595 0.30750 0.62435 1.27353 22.85412 0.97956

197

F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 15 + 0.4 0.7 = 15.4 = 0.04545 =

⎡ ⎛ ⎞⎤ 1 ⎟⎟⎥ y1 = ln ⎢ln⎜⎜ ⎣ ⎝ 1 - F(t 1 ) ⎠⎦ ⎡ ⎛ 1 ⎞⎤ = ln ⎢ln⎜ ⎟⎥ ⎣ ⎝ 1 − 0.04545 ⎠⎦ = -3.06787 x 1 .y1 = (- 0.86750 x - 3.06787 ) = 2.66138 x 1 = (- 0.86750 )2 = 0.75256 2

y1 = (- 3.06787 ) = 9.41184 2

2

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x y − ⎜ ∑ x ⎟⎜ ∑ y ⎟ i i ⎜ i ⎟⎜ i⎟ i =1 ⎝ i = 1 ⎠⎝ i = 1 ⎠ 2⎤ 2 ⎤⎡ ⎡ n n n n ⎢n ∑ x 2 − ⎛⎜ ∑ x ⎞⎟ ⎥ ⎢n ∑ y 2 − ⎛⎜ ∑ y ⎞⎟ ⎥ i ⎜ i⎟ ⎥ i ⎜ i ⎟ ⎥⎢ ⎢ i =1 ⎝i = 1 ⎠ ⎥⎢ i = 1 ⎝i = 1 ⎠ ⎥ ⎦⎣ ⎦ ⎣⎢

15(-6.71045) - (5.78733)(-8.05087)

[15(7.65190) - (5.78733) ][15(22.85412) - (-8.05087) ]

= 0.97956

2

2

198

•


Tabel 4.81 Perhitungan Index of Fit Distribusi Eksponensial untuk TTR Komponen Pisau 2

i

ti

xi = t i

F(t i )

yi

x i .y i

xi

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ∑

0.42 0.58 0.82 1.00 1.33 1.42 1.42 1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

0.42 0.58 0.82 1.00 1.33 1.42 1.42 1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

0.04545 0.11039 0.17532 0.24026 0.30519 0.37013 0.43506 0.50000 0.56494 0.62987 0.69481 0.75974 0.82468 0.88961 0.95455 7.50000

0.04652 0.11697 0.19277 0.27478 0.36412 0.46224 0.57104 0.69315 0.83226 0.99390 1.18681 1.42603 1.74112 2.20374 3.09104 14.19649

0.01954 0.06784 0.15807 0.27478 0.48428 0.65638 0.81088 0.98427 1.31497 1.73933 2.37361 3.32266 4.21350 6.06028 15.45521 37.93561

0.17640 0.33640 0.67240 1.00000 1.76890 2.01640 2.01640 2.01640 2.49640 3.06250 4.00000 5.42890 5.85640 7.56250 25.00000 63.41000 r


i − 0.3 n + 0.4

1 − 0.3 15 + 0.4 0.7 = 15.4 = 0.04545

=

⎛ ⎞ 1 ⎟⎟ y1 = ln⎜⎜ 1 F(t ) 1 ⎠ ⎝

yi

2

0.00216 0.01368 0.03716 0.07550 0.13259 0.21367 0.32609 0.48045 0.69266 0.98784 1.40851 2.03357 3.03148 4.85647 9.55454 23.84638 0.97044

199

1 ⎛ ⎞ = ln⎜ ⎟ = 0.04652 ⎝ 1 − 0.04545 ⎠ x 1 .y1 = (0.42 x 0.04652 ) = 0.01954 x 1 = (0.42 )2 = 0.17640 2

y1 = (0.04652 ) = 0.00216 2

2

r=


15(37.93561) - (26.24)(14.19649)

=

[15(63.41) - (26.24) ][15(23.84638) - (14.19649) ] 2

2

= 0.97044 •


Tabel 4.82 Perhitungan Index of Fit Distribusi Lognormal untuk TTR Komponen Pisau 2

i

ti

x i = ln( t i )

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 7

0.42 0.58 0.82 1.00 1.33 1.42 1.42

-0.86750 -0.54473 -0.19845 0.00000 0.28518 0.35066 0.35066

0.04545 0.11039 0.17532 0.24026 0.30519 0.37013 0.43506

-1.69064 -1.22447 -0.93337 -0.70547 -0.50954 -0.33151 -0.16351

1.46663 0.66700 0.18523 0.00000 -0.14531 -0.11625 -0.05734

0.75256 0.29673 0.03938 0.00000 0.08133 0.12296 0.12296

zi

2

2.85826 1.49933 0.87118 0.49769 0.25963 0.10990 0.02674

200

Tabel 4.82 Perhitungan Index of Fit Distribusi Lognormal untuk TTR Komponen Pisau (Lanjutan) i 8 9 10 11 12 13 14 15 ∑

ti

x i = ln( t i )

F(t i )

yi = zi

x i .z i

1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

0.35066 0.45742 0.55962 0.69315 0.84587 0.88377 1.01160 1.60944 5.78733

0.50000 0.56494 0.62987 0.69481 0.75974 0.82468 0.88961 0.95455 7.50000

0.00000 0.16351 0.33151 0.50954 0.70547 0.93337 1.22447 1.69064 0.00000

0.00000 0.07479 0.18552 0.35319 0.59673 0.82488 1.23867 2.72098 7.99474


= ln(0.42) = -0.86750 F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 15 + 0.4 0.7 = 15.4 = 0.04545 =

y1 = z 1 = Φ −1 [F(t1 )] ( 0.04545 dicari menggunakan tabel Φ(z) )

= -1.69064 x 1 .z1 = (- 0.86750 x - 1.69064 ) = 1.46663 x 1 = (- 0.86750 )2 = 0.75256 2

xi

2

0.12296 0.20924 0.31317 0.48045 0.71549 0.78105 1.02334 2.59029 7.65190 r

zi

2

0.00000 0.02674 0.10990 0.25963 0.49769 0.87118 1.49933 2.85826 12.24545 0.98142

201

z 1 = (- 1.692) = 2.85826 2

2

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x i z i − ⎜ ∑ x i ⎟⎜ ∑ z i ⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ 2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1 ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1

15(7.99474) - (5.78733)(0)

[15(7.65190) - (5.78733) ][15(12.24545) - (0) ] 2

2

= 0.98142

•


Tabel 4.83 Perhitungan Index of Fit Distribusi Normal untuk TTR Komponen Pisau 2

i

ti

xi = t i

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 ∑

0.42 0.58 0.82 1.00 1.33 1.42 1.42 1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

0.42 0.58 0.82 1.00 1.33 1.42 1.42 1.42 1.58 1.75 2.00 2.33 2.42 2.75 5.00 26.24

0.04545 0.11039 0.17532 0.24026 0.30519 0.37013 0.43506 0.50000 0.56494 0.62987 0.69481 0.75974 0.82468 0.88961 0.95455 7.50000

-1.69064 -1.22447 -0.93337 -0.70547 -0.50954 -0.33151 -0.16351 0.00000 0.16351 0.33151 0.50954 0.70547 0.93337 1.22447 1.69064 0.00000

-0.71007 -0.71019 -0.76536 -0.70547 -0.67769 -0.47074 -0.23218 0.00000 0.25835 0.58014 1.01908 1.64375 2.25876 3.36729 8.45320 13.30885

0.17640 0.33640 0.67240 1.00000 1.76890 2.01640 2.01640 2.01640 2.49640 3.06250 4.00000 5.42890 5.85640 7.56250 25.00000 63.41000 r

zi

2

2.85826 1.49933 0.87118 0.49769 0.25963 0.10990 0.02674 0.00000 0.02674 0.10990 0.25963 0.49769 0.87118 1.49933 2.85826 12.24545 0.90895

202


i − 0.3 n + 0.4

1 − 0.3 15 + 0.4 0.7 = 15.4 = 0.04545 =

y1 = z 1 = Φ −1 [F(t1 )] ( 0.045455 dicari menggunakan tabel Φ(z) ) = -1.69064 x 1 .z1 = (0.42000 x - 1.69064 ) = -0.71007 x 1 = (0.42 )2 = 0.17640 2

z 1 = (-1.69064)2 = 2.85826 2

r=

=


⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤ ⎢n∑ xi − ⎜ ∑ xi ⎟ ⎥ ⎢n∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1

15(13.30885) - (26.24)(0)

[15(63.41) - (26.24) ][15(12.24545) - (0) ]

= 0.90895

2

2

203

Tabel 4.84 Rekapitulasi Distribusi Perhitungan Index of Fit untuk TTR Komponen Pisau

Komponen Pisau

Distribusi

Index of Fit

Weibull

0.97956

Eksponensial

0.97044

Lognormal

0.98142

Normal

0.90895

4.2.2.2.2.3.4 Perhitungan Goodness of Fit Untuk Time to Repair (TTR) Komponen Pisau

Berdasarkan hasil perhitungan pada Index of Fit TTR komponen pisau, nilai r terbesar yang didapatkan adalah mengikuti distribusi normal, maka perhitungan Goodness of Fit yang dilakukan adalah menggunakan uji Kolmogorov-Smirnov.

Perhitungannya adalah sebagai berikut : Tabel 4.85 Perhitungan Goodness of Fit untuk TTR Komponen Pisau i

1 2 3 4 5 6 7 8 9 10

i n 0.06667 0.13333 0.20000 0.26667 0.33333 0.40000 0.46667 0.53333 0.60000 0.66667

i −1 n 0.00000 0.06667 0.13333 0.20000 0.26667 0.33333 0.40000 0.46667 0.53333 0.60000

ti

(ti - t )/s

Φ((ti - t )/s)

D1

D2

-0.86750 -0.54473 -0.19845 0.00000 0.28518 0.35066 0.35066 0.35066 0.45742 0.55962

-2.01450 -1.49570 -0.93912 -0.62014 -0.16176 -0.05652 -0.05652 -0.05652 0.11509 0.27935

0.02198 0.06737 0.17384 0.26758 0.43475 0.48025 0.48025 0.48025 0.54582 0.61001

0.02198 0.00070 0.04051 0.06758 0.16808 0.14692 0.08025 0.01358 0.01249 0.01001

0.04469 0.06596 0.02616 -0.00091 -0.10142 -0.08025 -0.01358 0.05308 0.05418 0.05666

204

Tabel 4.85 Perhitungan Goodness of Fit untuk TTR Komponen Pisau (Lanjutan) i

i n

i −1 n

11 12 13 14 15

0.73333 0.80000 0.86667 0.93333 1.00000

0.66667 0.73333 0.80000 0.86667 0.93333

ti 0.69315 0.84587 0.88377 1.01160 1.60944

s(stdev.) = 0.62215

t = 0.38582

(ti - t )/s 0.49398 0.73945 0.80037 1.00584 1.96676

Φ((ti - t )/s) 0.68933 0.77018 0.78825 0.84275 0.97539

D crit,0.05 = 0.22000

D1 0.02266 0.03685 -0.01175 -0.02392 0.04206 max D1 0.16808

D2 0.04400 0.02982 0.07842 0.09058 0.02461 max D2 0.09058

Contoh perhitungan uji Kolmogorov-Smirnov TTR komponen pisau i = 1 : 1 i = n 15 = 0.06667 i −1 1−1 = n 15 0 = 15 =0

t=

∑t

i

15 5.78733 = 15 = 0.38582

s=

∑

(t i − t ) 2 n −1

205

(5.49102) 14

=

= 0.62215

(ti - t )/s =

- 0.86750 - 0.38582 0.62215

= -2.01450 Φ((ti - t )/s) = Φ-2.01450 = 0.02198 = Φ((ti - t )/s) - (i-1)/n

D1

= 0.02198– 0 = 0.02198 = (i/n) - Φ((ti - t )/s)

D2

= 0.06667– 0.02198= 0.04469 D crit,0.05 = 0.22000

4.2.2.2.2.3.5 Perhitungan Index of Fit Untuk Time to Failure (TTF) Komponen Bandrek

•


Tabel 4.86 Perhitungan Index of Fit Distribusi Weibull untuk TTF Komponen Bandrek 2

i

ti

x i = ln( t i )

F(t i )

yi

x i .y i

xi

1 2 3

30.75 157.12 173.80

3.42589 5.05701 5.15791

0.10938 0.26563 0.42188

-2.15562 -1.17527 -0.60154

-7.38490 -5.94335 -3.10270

11.73672 25.57335 26.60399

yi

2

4.64668 1.38126 0.36185

206

Tabel 4.86 Perhitungan Index of Fit Distribusi Weibull untuk TTF Komponen Bandrek (Lanjutan) i 4 5 6 ∑

ti

x i = ln( t i )

F(t i )

yi

x i .y i

xi

186.95 219.60 249.65

5.23084 5.39181 5.52006 29.78351

0.57813 0.73438 0.89063 3.00000

-0.14729 0.28192 0.79434 -3.00346

-0.77044 1.52005 4.38479 -11.29656

27.36170 29.07159 30.47106 150.81841 r

Contoh Perhitungan i = 1 : x 1 = ln(t 1 ) = ln(30.75) = 3.42589 F(t 1 ) =

i − 0.3 n + 0.4

1 − 0.3 6 + 0.4 0.7 = 6.4 = 0.10938 =

⎡ ⎛ ⎞⎤ 1 ⎟⎟⎥ y1 = ln ⎢ln⎜⎜ 1 F(t ) 1 ⎝ ⎠⎦ ⎣

⎡ ⎛ 1 ⎞⎤ = ln ⎢ln⎜ ⎟⎥ ⎣ ⎝ 1 − 0.109375 ⎠⎦ = -2.15562 x 1 .y1 = (3.42589 x - 2.15562 ) = -7.38490

2

yi

2

0.02169 0.07948 0.63097 7.12194 0.88350

207

x 1 = (3.42589)2 = 11.73672 2

y1 = (- 2.15562) = 4.64668 2

2

r=

n ⎛ n ⎞⎛ n ⎞ n ∑ x y − ⎜ ∑ x ⎟⎜ ∑ y ⎟ i i ⎜ i ⎟⎜ i⎟ i =1 ⎝ i = 1 ⎠⎝ i = 1 ⎠ 2⎤ 2 ⎤⎡ ⎡ n n n n ⎢n ∑ x 2 − ⎛⎜ ∑ x ⎞⎟ ⎥ ⎢n ∑ y 2 − ⎛⎜ ∑ y ⎞⎟ ⎥ i⎟ ⎥ i ⎟ ⎥⎢ i ⎜ i ⎜ ⎢ i =1 ⎝ i = 1 ⎠ ⎥⎢ i = 1 ⎝i = 1 ⎠ ⎥ ⎣⎢ ⎦⎣ ⎦

=

6(-11.29656) - (29.78351)(-3.00346)

[6(150.81841) - (29.78351) ][6(7.12194) - (-3.00346) ] 2

2

= 0.88350

•


Tabel 4.87 Perhitungan Index of Fit Distribusi Eksponensial untuk TTF Komponen Bandrek i

ti

xi = t i

F(t i )

yi

1 2 3 4 5 6 ∑

30.75 157.12 173.80 186.95 219.60 249.65

30.75 157.12 173.80 186.95 219.60 249.65 1017.87

0.10938 0.26563 0.42188 0.57813 0.73438 0.89063 3.00000

0.11583 0.30874 0.54797 0.86305 1.32567 2.21297 5.37422

x i .y i

xi

2

3.56183 945.56250 48.50852 24686.69440 95.23635 30206.44000 161.34649 34950.30250 291.11707 48224.16000 552.46869 62325.12250 1152.23895 201338.28190 r

yi

2

0.01342 0.09532 0.30027 0.74485 1.75740 4.89725 7.80850 0.82098

208

Contoh Perhitungan i = 1 : = t1

x1

= 30.75 F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 6 + 0.4

= 0.10938

⎞ ⎛ 1 ⎟⎟ = ln⎜⎜ 1 F(t ) 1 ⎠ ⎝

y1

1 ⎛ ⎞ = ln⎜ ⎟ ⎝ 1 - 0.10938 ⎠ = 0.11583

x 1 .y1

= (30.75 x 0.11583) = 3.56183

x1

2

= (30.75)2 = 945.56250

y1

2

= (0.11583)

2

= 0.01342

209

r=

n ⎛ n ⎞⎛ n ⎞ n ∑ x i yi − ⎜⎜ ∑ x i ⎟⎟⎜⎜ ∑ yi ⎟⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ 2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜⎜ ∑ x i ⎟⎟ ⎥ ⎢n ∑ yi − ⎜⎜ ∑ yi ⎟⎟ ⎥ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1

6(1152.23895) - (1017.87000)(5.37422)

=

[6(201338.28190) - (1017.87) ][6(7.80850) - (5.37422) ] 2

2

= 0.82098

•


Tabel 4.88 Perhitungan Index of Fit Distribusi Lognormal untuk TTF Komponen Bandrek 2

i

ti

x i = ln( t i )

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 ∑

30.75 157.12 173.80 186.95 219.60 249.65

3.42589 5.05701 5.15791 5.23084 5.39181 5.52006 29.78351

0.10938 0.26563 0.42188 0.57813 0.73438 0.89063 3.00000

-1.22984 -0.62610 -0.19708 0.19708 0.62610 1.22984 0.00000

-4.21330 -3.16619 -1.01652 1.03089 3.37581 6.78879 2.79949

11.73672 25.57335 26.60399 27.36170 29.07159 30.47106 150.81841 r

Contoh Perhitungan i = 1 : x1

= ln(t 1 )

= ln(30.75) = 3.42589

zi

2

1.51251 0.39200 0.03884 0.03884 0.39200 1.51251 3.88670 0.82321

210

F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 6 + 0.4

= 0.10938

= z1

y1

= Φ −1 [F(t 1 )] = Φ −1 [0.10938)] = -1.22984 ( diperoleh dari tabel Φ(z) )

x 1 .z1

= (3.42589 x − 1.22984 ) = −4.21330

x1

2

= (3.42589)2 = 11.73672

z1

2

= (- 1.22984)

2

= 1.51251

r=

=

n ⎛ n ⎞⎛ n ⎞ n ∑ x i z i − ⎜ ∑ x i ⎟⎜ ∑ z i ⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠ 2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎥⎦ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎢⎣ i =1

6(2.79949) - (29.78351)(0) 2

[6(150.81841) - (29.78351) ][6(3.88670) - (0) ]

= 0.82321

2

2

211

•


Tabel 4.89 Perhitungan Index of Fit Distribusi Normal untuk TTF Komponen Bandrek i

ti

xi = ti

F(t i )

yi = zi

1 2 3 4 5 6 Σ

30.75 157.12 173.80 186.95 219.60 249.65 1017.87

30.75 157.12 173.80 186.95 219.60 249.65 1017.87

0.10938 0.26563 0.42188 0.57813 0.73438 0.89063 3.00000

-1.22984 -0.62610 -0.19708 0.19708 0.62610 1.22984 0.00000


= t1 = 30.75

F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 6 + 0.4

= 0.10938 y1

= z1

= Φ −1 [F(t 1 )] = Φ −1 [0.10938] = -1.22984 ( diperoleh dari tabel Φ(z) ) x 1 .z1

= (30.75 x − 1.22984 ) = −37.81758

x i .z i

xi

2

-37.81758 945.56250 -98.37283 24686.69440 -34.25250 30206.44000 36.84411 34950.30250 137.49156 48224.16000 307.02956 62325.12250 310.92231 201338.28190 r

zi

2

1.51251 0.39200 0.03884 0.03884 0.39200 1.51251 3.88670 0.93156

212

x1

2

= (30.75)2 = 945.56250

z1

2

= (- 1.22984)

2

= 1.51251

r=

=


⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤ ⎢ n ∑ xi − ⎜ ∑ x i ⎟ ⎥ ⎢ n∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎥⎦ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎢⎣ i =1

6(310.92231) - (1017.87)(0) 2

[6(201338.28190) - (1017.87) 2 ][6(3.88670) - (0) 2 ]

= 0.93156

Tabel 4.90 Rekapitulasi Distribusi Perhitungan Index of Fit untuk TTF Komponen Bandrek Distribusi


Weibull

0.88350

Eksponensial

0.82098

Lognormal

0.82321

Normal

0.93156

Komponen Bandrek

213

4.2.2.2.2.3.6 Perhitungan Goodness of Fit Untuk Time to Failure (TTF) Komponen Bandrek

Setelah melakukan perhitungan pada Index of Fit TTF komponen bandrek,maka didapat nilai r terbesar adalah mengikuti distribusi normal, maka

selanjutnya akan dilakukan perhitungan Goodness of Fit menggunakan uji Kolmogorov-Smirnov. Adapun perhitungannya adalah sebagai berikut :

Tabel 4.91 Perhitungan Goodness of Fit untuk TTF Komponen Bandrek i

i n

i −1 n

ti

(ti - t )/s

Φ((ti - t )/s)

D1

D2

1 2 3 4 5 6

0.16667 0.33333 0.50000 0.66667 0.83333 1.00000

0.00000 0.16667 0.33333 0.50000 0.66667 0.83333

30.75 157.12 173.80 186.95 219.60 249.65

-1.83451 -0.16543 0.05488 0.22856 0.65980 1.05670

0.03329 0.43431 0.52188 0.59039 0.74531 0.85467

0.03329 0.26764 0.18855 0.09039 0.07864 0.02134 max D1 0.26764

0.13338 -0.10098 -0.02188 0.07628 0.08802 0.14533 max D2 0.14533

t = 169.645

s(stdev.) = 75.71225

D crit,0.05 = 0.31900

Contoh perhitungan uji Kolmogorov-Smirnov TTF komponen bandrek i = 1 : 1 i = n 6 = 0.16667 i −1 1−1 = 6 n 0 = 6 =0

214

t=

∑t

i

6 1017.87 = 6 =169.645

s=

=

∑

(t i − t ) 2 n −1

(28661.72575) 2 5

= 75.71225

(ti - t )/s =

30.75 -169.645 75.71225

= -1.83451 Φ((ti - t )/s) = Φ-1.83452 = 0.03329 D1

= Φ((ti - t )/s) - (i-1)/n = 0.033 – 0 = 0.03329

D2

= (i/n) - Φ((ti - t )/s) = 0.166667– 0.033= 0.13338

215

4.2.2.2.2.3.7 Perhitungan Index of Fit Untuk Time to Repair (TTR) Komponen Bandrek

•


Tabel 4.92 Perhitungan Index of Fit Distribusi Weibull untuk TTR Komponen Bandrek i

ti

1 2 3 4 5 6 7 ∑

0.75 1.08 1.42 1.50 1.58 1.83 3.50 11.66

x i = ln( t i ) -0.28768 0.07696 0.35066 0.40547 0.45742 0.60432 1.25276 2.85990


= ln(t 1 )

= ln(0.75) = -0.2877 F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 7 + 0.4

= 0.09459 y1

⎡ ⎛ ⎞⎤ 1 ⎟⎟⎥ = ln ⎢ln⎜⎜ ⎣ ⎝ 1 - F(t 1 ) ⎠⎦

F(t i )

yi

x i .y i

0.09459 0.22973 0.36486 0.50000 0.63514 0.77027 0.90541 3.50000

-2.30888 -1.34318 -0.78984 -0.36651 0.00819 0.38584 0.85788 -3.55650

0.66422 -0.10337 -0.27696 -0.14861 0.00375 0.23317 1.07472 1.44692

xi

2

0.08276 0.00592 0.12296 0.16440 0.20924 0.36520 1.56942 2.51990 r

yi

2

5.33093 1.80414 0.62385 0.13433 0.00007 0.14887 0.73596 8.77814 0.94479

216

⎡ ⎛ 1 ⎞⎤ = ln ⎢ln⎜ ⎟⎥ ⎣ ⎝ 1 - 0.09459 ⎠⎦ = - 2.30888

x 1 .y1

= (- 0.28768 x − 2.30888) = 0.66422

x1

2

y1

2

= (- 0.28767 )2 = 0.08276

r=

= (− 2.30888) = 5.33093 n ⎛ n ⎞⎛ n ⎞ n ∑ x y − ⎜ ∑ x ⎟⎜ ∑ y ⎟ i i ⎜ i ⎟⎜ i⎟ i =1 ⎝ i = 1 ⎠⎝ i = 1 ⎠ 2 ⎤⎡ n 2⎤ ⎡ n n n ⎢n ∑ x 2 − ⎛⎜ ∑ x ⎞⎟ ⎥ ⎢n ∑ y 2 − ⎛⎜ ∑ y ⎞⎟ ⎥ i ⎜ i ⎟ ⎥⎢ i ⎜ i⎟ ⎥ ⎢ ⎝i = 1 ⎠ ⎥⎢ i = 1 ⎝i = 1 ⎠ ⎥ ⎢⎣ i = 1 ⎦⎣ ⎦ 2

7(1.44692) - (2.85990)(- 3.55650)

=

[7(2.51990) - (2.85990) ][7(8.77814) - (-3.55650) ] 2

2

= 0.94479

•


Tabel 4.93 Perhitungan Index of Fit Distribusi Eksponensial untuk TTR Komponen

Bandrek 2

i

ti

xi = ti

F(t i )

yi

x i .y i

xi

1 2 3

0.75 1.08 1.42

0.75 1.08 1.42

0.09459 0.22973 0.36486

0.09937 0.26101 0.45392

0.07453 0.28189 0.64456

0.56250 1.16640 2.01640

yi

2

0.00987 0.06813 0.20604

217

Tabel 4.93 Perhitungan Index of Fit Distribusi Eksponensial untuk TTR Komponen

Bandrek (Lanjutan) i 4 5 6 7 ∑

ti

xi = t i

F(t i )

yi

x i .y i

xi

1.50 1.58 1.83 3.50 11.66

1.50 1.58 1.83 3.50 11.66

0.50000 0.63514 0.77027 0.90541 3.50000

0.69315 1.00823 1.47085 2.35815 6.34469

1.03972 1.59300 2.69166 8.25354 14.57891

2.25000 2.49640 3.34890 12.25000 24.09060 r


= t1 = 0.75

F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 7 + 0.4

= 0.09459

y1

⎞ ⎛ 1 ⎟⎟ = ln⎜⎜ ⎝ 1 - F(t 1 ) ⎠

1 ⎛ ⎞ = ln⎜ ⎟ ⎝ 1 - 0.09459 ⎠ = 0.09937 x 1 .y1

= (0.75 x 0.09937 ) = 0.07453

2

yi

2

0.48045 1.01652 2.16340 5.56089 9.50532 0.95792

218

x1

2

= (0.75)2 = 0.56250

y1

2

= (0.0994)

2

= 0.00987

r=


7(14.57891) - (11.66)(6.34469)

=

[7(24.09060) - (11.66) ][7(9.50532) - (6.34469) ] 2

2

= 0.95792

•


Tabel 4.94 Perhitungan Index of Fit Distribusi Lognormal untuk TTR Komponen

Bandrek i

ti

x i = ln( t i )

F(t i )

yi = zi

x i .z i

1 2 3 4 5 6 7 ∑

0.75 1.08 1.42 1.50 1.58 1.83 3.50 11.66

-0.28768 0.07696 0.35066 0.40547 0.45742 0.60432 1.25276 2.85990

0.09459 0.22973 0.36486 0.50000 0.63514 0.77027 0.90541 3.50000

-1.31304 -0.73974 -0.34551 0.00000 0.34551 0.73974 1.31304 0.00000

0.37774 -0.05693 -0.12116 0.00000 0.15804 0.44704 1.64493 2.44966

xi

2

0.08276 0.00592 0.12296 0.16440 0.20924 0.36520 1.56942 2.51990 r

zi

2

1.72407 0.54722 0.11938 0.00000 0.11938 0.54722 1.72407 4.78133 0.96367

219

Contoh Perhitungan i = 1 : = ln(t 1 )

x1

= ln(0.75) = −0.28768

F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 7 + 0.4

= 0.09459 = z1

y1


= (- 0.28768 x - 1.31304 ) = 0.37774

x1

2

= (- 0.28768)2 = 0.08276

z1

2

= (- 1.31304) = 1.72407

2

220

n ⎛ n ⎞⎛ n ⎞ n ∑ x i z i − ⎜ ∑ x i ⎟⎜ ∑ z i ⎟ i =1 ⎝ i =1 ⎠⎝ i =1 ⎠

r=

2 2 ⎡ n 2 ⎛ n ⎞ ⎤⎡ n 2 ⎛ n ⎞ ⎤ ⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1 ⎝ i =1 ⎠ ⎥⎦ ⎢⎣ i =1

7(2.44956) - (2.85990)(0)

=

[7(2.51990) - (2.85990) ][7(4.78133) - (0) ] 2

2

= 0.9634 •


Tabel 4.95 Perhitungan Index of Fit Distribusi Normal untuk TTR Komponen

Bandrek 2

i

ti

xi = t i

F(t i )

yi = zi

x i .z i

xi

1 2 3 4 5 6 7 ∑

0.75 1.08 1.42 1.50 1.58 1.83 3.50 11.66

0.75 1.08 1.42 1.50 1.58 1.83 3.50 11.66

0.09459 0.22973 0.36486 0.50000 0.63514 0.77027 0.90541 3.50000

-1.31304 -0.73974 -0.34551 0.00000 0.34551 0.73974 1.31304 0.00000

-0.98478 -0.79892 -0.49062 0.00000 0.54591 1.35372 4.59564 4.22095

0.56250 1.16640 2.01640 2.25000 2.49640 3.34890 12.25000 24.09060 r


= t1 = 0.75

F(t 1 )

=

i − 0.3 n + 0.4

=

1 − 0.3 7 + 0.4

zi

2

1.72407 0.54722 0.11938 0.00000 0.11938 0.54722 1.72407 4.78133 0.89341

221

= 0.09459

= z1

y1


= (0.75 x - 1.31304 ) = −0.98478

x1

2

= (0.75)2 = 0.56250

z1

2

= (- 1.31304)

2

= 1.72407

r=

=


⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤ ⎢n∑ xi − ⎜ ∑ xi ⎟ ⎥ ⎢n∑ z i − ⎜ ∑ z i ⎟ ⎥ ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1 ⎝ i =1 ⎠ ⎦⎥ ⎣⎢ i =1

7(4.22095) - (11.66)(0)

[7(24.09060) - (11.66) ][7(4.78133) - (0) ]

= 0.8931

2

2

222

Tabel 4.96 Rekapitulasi Distribusi Perhitungan Index of Fit untuk TTR Komponen

Bandrek Distribusi


Weibull

0.94479

Eksponensial

0.95792

Lognormal

0.96367

Normal

0.89341

Komponen Bandrek

4.2.2.2.2.3.8 Perhitungan Goodness of Fit Untuk Time to Repair (TTR) Komponen Bandrek

Setelah melakukan perhitungan pada Index of Fit TTR komponen bandrek, maka didapat nilai r terbesar adalah mengikuti distribusi lognormal, oleh karena itu selanjutnya akan dilakukan perhitungan Goodness of Fit dengan menggunakan uji

Kolmogorov-Smirnov. Adapun perhitungannya adalah sebagai berikut : Tabel 4.97 Perhitungan Goodness of Fit untuk TTR Komponen Bandrek i

i n

i −1 n

ti

(ti - t )/s

Φ((ti - t )/s)

D1

D2

1 2 3 4 5 6 7

0.14286 0.28571 0.42857 0.57143 0.71429 0.85714 1.00000

0.00000 0.14286 0.28571 0.42857 0.57143 0.71429 0.85714

-0.69624 -0.33160 -0.05790 -0.00309 0.04886 0.19576 0.84420

0.48475 0.10996 0.00335 0.00001 0.00239 0.03832 0.71268

-1.46701 -0.69869 -0.12200 -0.00652 0.10296 0.41247 1.77877

0.07119 0.09951 0.16574 0.06883 -0.03042 -0.05429 0.10522 max D1 0.16574

0.07167 0.04334 -0.02288 0.07403 0.17328 0.19714 0.03764 max D2 0.19714

t = 0.40856

s(stdev.) = 0.47460

D crit,0.05 = 0.30000

223

Contoh perhitungan uji Kolmogorov-Smirnov TTR komponen bandrek i = 1 :

i 1 = n 7 = 0.14286

i −1 1−1 = n 7 0 = 7 =0 t=

∑t

i

7 2.85990 = 7 = 0.40856

s=

=

∑

(t i − t ) 2 n −1

(1.35146) 6

= 0.47460

(ti - t )/s =

- 0.28768 - 0.40856 0.47460

= -1.46701 Φ((ti - t )/s) = Φ-1.46701 = 0.07119

224

D1

= Φ((ti - t )/s) - (i-1)/n = 0.07119– 0 = 0.07119

D2

= (i/n) - Φ((ti - t )/s) = 0.14286– 0.07119= 0.07167

4.2.2.2.2.4 Perhitungan Parameter, MTTR dan MTTF Komponen Pisau dan Bandrek 4.2.2.2.2.4.1 Parameter, MTTR dan MTTF Komponen Pisau

TTF Pisau dengan Distribusi Normal, perhitungan parameternya adalah sebagai berikut :

Gradien, b

n ⎛ n n ∑ x iz i − ⎜ ∑ x i i =1 ⎝ i =1 = n ⎛ n n ∑ x i2 − ⎜ ∑ i =1 ⎝ i =1

⎞ ⎞⎛ n ⎟⎜ ∑ z i ⎟ ⎠ ⎠ ⎝ i =1 2 ⎞ xi⎟ ⎠

=

14(1096.91 114) − (2309.64)( 0) 14(493933. 46520) − (2309.64) 2

=

15356 .75597 1580632 .07

= 0 .00972 Intersep, a

= y- bx = 0 - (0.00972)( 164.97429) = - 1.60282

225

Parameter σ =

=

1 b 1 0.00972

= 102.92744 ⎛a⎞ Parameter μ = − ⎜ ⎟ ⎝b⎠ ⎛ − 1.60282 ⎞ = −⎜ ⎟ ⎝ 0.00972 ⎠ = 164.97429 MTTF

= μ = 164.97429 Jam

TTR Pisau dengan Distribusi Lognormal, perhitungan parameternya adalah sebagai berikut :

Gradien, b

n ⎛ n ∑ x iz i − ⎜ i =1 ⎝ = n

n∑ x i =1

2 i

n

∑

i =1

⎛ − ⎜ ⎝

⎞⎛ x i ⎟⎜ ⎠⎝ n

∑

i =1

n

∑

i =1 2

⎞ xi⎟ ⎠

=

15(7.99474 ) − (5.78733)( 0) 15(7.65190 ) − (5.78733) 2

=

119 .92109 81 .28528

= 1 .47531

⎞ zi ⎟ ⎠

226

Intersep, a

= y- bx = 0 − (1 .47531 )( 0 .38582 ) = − 0 . 56921

Parameter s

=

1 b

=

1 1.47531

= 0 . 67782 Parameter t med = =

e − sa e − 0 . 67782

( − 0 . 56921 )

= 1 . 47082

MTTR = t med .

e

s2 2

= 1 . 47082 .

e

0 . 67782 2

= 1 . 47082 . 1 . 25825 = 1 . 85066 jam

2

227

4.2.2.2.2.4.2 Parameter, MTTR dan MTTF Komponen Bandrek

TTF Bandrek dengan Distribusi Normal, perhitungan parameternya adalah sebagai berikut : n ⎛ n n ∑ x iz i − ⎜ ∑ x i i =1 ⎝ i =1 = n ⎛ n n ∑ x i2 − ⎜ ∑ i =1 ⎝ i =1

Gradien, b

⎞ ⎞⎛ n ⎟⎜ ∑ z i ⎟ ⎠ ⎠ ⎝ i =1 2 ⎞ xi⎟ ⎠

=

6(310.9223 1) − (1017.87)( 0) 6(201338.2 8190) − (1017.87) 2

=

1865 .53384 171970 .35450

= 0 .01085 = y- bx

Intersep, a

= 0 - (0.01085)( 169.645) = - 1.84031 Parameter σ =

=

1 b 1 0.01085

= 92.18292 ⎛a⎞ Parameter μ = − ⎜ ⎟ ⎝b⎠ ⎛ − 1.84031 ⎞ = −⎜ ⎟ ⎝ 0.01085 ⎠ = 169.645

228

MTTF = μ = 169.645 jam TTR Bandrek dengan Distribusi Lognormal, perhitungan parameternya adalah sebagai berikut :

Gradien, b

n ⎛ n ∑ x iz i − ⎜ i =1 ⎝ = n

n∑ x i =1

2 i

⎞⎛ x i ⎟⎜ ⎠⎝

n

∑

i =1

⎛ − ⎜ ⎝

n

∑

i =1

i =1 2

⎞ xi⎟ ⎠

7(2.44966) − (2.85990)( 0) 7(2.51990) − (2.85990) 2

=

17 .14763 9 .46022

= y- bx = 0 − (1 .81260 )( 0 .40856 ) = − 0 . 74055

Parameter s

∑

=

= 1 .81260 Intersep, a

n

=

1 b

=

1 1.81260

= 0 . 55169 Parameter t med = =

e − sa e − 0 . 55169

( − 0 . 74055 )

⎞ zi ⎟ ⎠

229

= 1 . 50463

MTTR = t med .

e

s2 2

= 1 . 50463 .

e

0 . 55169 2

2

= 1 . 50463 . 1 . 16437 = 1 . 75195 Jam

Tabel 4.98 Rekapitulasi Nilai MTTF Komponen Kritis Komponen

Distribusi

Parameter

Kerusakan

Pisau

Normal

Bandrek

Normal

μ = 164.97429 σ = 102.92744 μ = 169.64500 σ = 92.18292

MTTF (jam)

164.97429 169.64500

Tabel 4.99 Rekapitulasi Nilai MTTR Komponen Kritis Komponen

Pisau

Bandrek

Distribusi

Parameter

Kerusakan

Logormal

Logormal

s

= 0.67782

t med = 1.47082 s

= 0.55169

t med = 1.50463

MTTR (jam)

1.85066

1.75195

230

4.2.2.2.2.5

Perhitungan Availability Komponen Pisau dan Bandrek

4.2.2.2.2.5.1 Availability Komponen Pisau

Waktu kerja / bulan = 306.433 jam kerja/bulan Jumlah kerusakan dalam 1 tahun = 7 kerusakan ⎞ ⎛1⎞ ⎛ MTTR ⎟⎟ Waktu rata-rata 1x perbaikan ⎜⎜ ⎟⎟ = ⎜⎜ ⎝ μ ⎠ ⎝ jam kerja/bulan ⎠

⎛ 1.85066 ⎞ =⎜ ⎟ ⎝ 306.433 ⎠

= 0.00604

μ =

1 0.00604

= 165.56291

⎛ 1 ⎞ ⎛ 0.25(15 menit) ⎞ Waktu rata-rata 1x pemeriksaan ⎜ ⎟ = ⎜ ⎟ ⎝ i ⎠ ⎝ 306.433 ⎠ = 0.00082

i=

=

1 ⎛1⎞ ⎜ ⎟ ⎝i⎠

1 0.00082

= 1219.51219

231

k=

15 12

= 1.25

1.25 x1219.51219 165.56291

n=

= 3.03436

≅ 4 kali/bulan

ti =

306.433 3.03436

= 100.98769 ≅ 101 Jam

Tingkat availability jika dilakukan pemeriksaan adalah sebagai berikut : Dn =

=

k n + nxμ i

1.25 3.03436 + 3.03436 x165.56291 1219.51219

= 0.00249 + 0.00249 = 0.00498

A(n)

= 1 − 0.00432 = 0.99502

232

4.2.2.2.2.5.2 Availability Komponen Bandrek

Waktu kerja / bulan = 107.475 jam kerja/bulan Jumlah kerusakan dalam 1 tahun = 7 kerusakan ⎞ ⎛1⎞ ⎛ MTTR ⎟⎟ Waktu rata-rata 1x perbaikan ⎜⎜ ⎟⎟ = ⎜⎜ ⎝ μ ⎠ ⎝ jam kerja/bulan ⎠

⎛ 1.75195 ⎞ =⎜ ⎟ ⎝ 107.475 ⎠

= 0.0163

μ =

1 0.01630

= 61.34969

⎛ 1 ⎞ ⎛ 0.25(15mnt ) ⎞ Waktu rata-rata 1x pemeriksaan ⎜ ⎟ = ⎜ ⎟ ⎝ i ⎠ ⎝ 107.475 ⎠ = 0.00233 i=

=

1 ⎛1⎞ ⎜ ⎟ ⎝i⎠

1 0.00233

= 429.18455

jumlah ker usakan / tahun 12 7 = 12

k=

= 0.58333

233

k xi

n=

μ 0.58333x 429.18455 61.34969

=

= 2.02010

jam kerja/bulan n 107.475 = 2.02010

ti =

= 53.20281 ≅ 54 Jam

Tingkat availability jika dilakukan pemeriksaan adalah sebagai berikut : Dn = =

k n + nxμ i 0.58333 2.02010 + 2.02010 x 61.34969 429.18455

= 0.00471 + 0.00471

= 0.00942

A(n) = 1 - Dn = 1 − 0.00942

= 0.99058

234

4.2.2.2.2.6

Perhitungan Age Replacement Komponen Pisau dan Bandrek

Age replacement merupakan umur penggantian dari suatu komponen, dan pada tahap ini akan dilakukan perhitungan umur penggantian daripada komponen pisau dan bandrek untuk selanjutnya akan diketahui berapa lama penentuan interval penggantian pencegahan agar dapat mengurangi downtime yang terjadi.

4.2.2.2.2.6.1 Perhitungan Age Replacement Komponen Pisau

Di bawah ini adalah perhitungan age replacement daripada komponen pisau: Tabel 4.100 Perhitungan Age Replacement Komponen Pisau tp(jam) 14 28 42 56 70 84 98 112 126 140 146 147 148 149 154 168 182 196

(t-μ)/σ -1.46680 -1.33078 -1.19477 -1.05875 -0.92273 -0.78671 -0.65069 -0.51468 -0.37866 -0.24264 -0.18435 -0.17463 -0.16492 -0.15520 -0.10662 0.02940 0.16541 0.30143

F(tp) 0.07122 0.09163 0.11609 0.14486 0.17808 0.21573 0.25763 0.30339 0.35247 0.40415 0.42687 0.43069 0.43451 0.43833 0.45754 0.51173 0.56569 0.61845

R(tp) 0.92878 0.90837 0.88391 0.85514 0.82192 0.78427 0.74237 0.69661 0.64753 0.59585 0.57313 0.56931 0.56549 0.56167 0.54246 0.48827 0.43431 0.38155

M(tp) 2316.40396 1800.43970 1421.08959 1138.85331 926.40549 764.72577 640.35357 543.76970 468.05200 408.20064 386.47431 383.04648 379.67893 376.37006 360.56802 322.38542 291.63374 266.75445

D(tp) 0.0102939 0.0096281 0.0090761 0.0086210 0.0082503 0.0079544 0.0077261 0.0075599 0.0074513 0.0073968 0.0073891 0.0073888 0.0073887 0.0073888 0.0073932 0.0074381 0.0075284 0.0076612

235

Contoh perhitungan tp = 14 = Diketahui : t = 14 μ = MTTF = 164.97429 jam σ = 102.92744 Tp = MTTR = 1.85066 M(tp) =

=

MTTF F(tp) 164.97429 0.07122

= 2316.40396

D(tp) =

=

Tp.R(t p ) + Tf (1 − R(t p )) (t p + T p ) R(t p ) + ( M (t p ) + T f )(1 − R(t p )) (1.85066)(0.92878) + 1.85066(1 - 0.92878) (14 + 1.85066)(0.92878) + (2316.40396 + 1.85066)(1 - 0.92878)

= 0.0102939

Age Replacement D(tp)min

= 148 jam = 0.0073887

Availability interval Penggantian = 1 – 0.0073887= 0.9926113 Total availability = =

availability int erval penggantian + availability int erval pemeriksaan 2

236

=

0.9926113 + 0.99502 2

= 0.99382

4.2.2.2.2.6.2

Perhitungan Age Replacement Komponen Bandrek

Di bawah ini adalah perhitungan age replacement daripada komponen

bandrek : Tabel 4.101 Perhitungan Age Replacement Komponen Bandrek tp(jam) 14 28 42 56 70 84 98 112 126 140 141 142 143 144 145 146 154 168 182 196

(t-μ)/σ -1.68844 -1.53656 -1.38469 -1.23282 -1.08095 -0.92908 -0.77720 -0.62533 -0.47346 -0.32159 -0.31074 -0.29989 -0.28904 -0.27820 -0.26735 -0.25650 -0.16972 -0.01784 0.13403 0.28590

F(tp) 0.04566 0.06220 0.08307 0.10883 0.13986 0.17643 0.21853 0.26588 0.31794 0.37388 0.37800 0.38213 0.38628 0.39043 0.39460 0.39878 0.43262 0.49288 0.55331 0.61252

R(tp) 0.95434 0.93780 0.91693 0.89117 0.86014 0.82357 0.78147 0.73412 0.68206 0.62612 0.62200 0.61787 0.61372 0.60957 0.60540 0.60122 0.56738 0.50712 0.44669 0.38748

Contoh perhitungan tp = 14 Diketahui : t = 14 μ = MTTF = 169.64500 jam

M(tp) 3715.39641 2727.41158 2042.19333 1558.80731 1212.96296 961.54282 776.30074 638.05100 533.57552 453.74184 448.79630 443.94578 439.17625 434.50811 429.91637 425.41000 392.13397 344.19128 306.60028 276.96238

D(tp) 0.0094824 0.0088637 0.0083463 0.0079165 0.0075643 0.0072823 0.0070649 0.0069078 0.0068080 0.0067629 0.0067617 0.0067608 0.0067601 0.0067597 0.0067596 0.0067597 0.0067702 0.0068277 0.0069331 0.0070831

237

σ = 92.18292 M(tp) =

=

MTTF F(tp) 169.64500 0.04566

= 3715.39641 D(tp) =

=

Tp.R(t p ) + Tf (1 − R(t p )) (t p + T p ) R(t p ) + ( M (t p ) + T f )(1 − R(t p )) (1.75195)(0.95434) + 1.75195(1 - 0.95434) (14 + 1.75195)(0.95434) + (3715.39641 + 1.75195)(1 - 0.95434)

= 0.009482

Age Replacement

= 145 jam

D(tp)min

= 0.0067596

Availability interval Penggantian = 1 – 0.0067596= 0.9932404 Total availability

=

=

availability int erval penggantian + availability int erval pemeriksaan 2

=

0.9932404 + 0.99058 2

= 0.99191

4.2.2.2.2.7

Perhitungan Reliability Komponen Pisau dan Bandrek

Pada bagian ini akan dilakukan perhitungan reliability atau kehandalan daripada mesin, dimana disini akan dilihat bagaimana kedua mesin tersebut antara

238

reliability dengan keadaan sekarang R(t) dengan reliability setelah dilakukan preventive maintenance Rm(t). Dengan dilaksanakannya perhitungan ini, maka diharapkan adanya peningkatan reliability dari keadaan yang semula menjadi lebih baik. Perhitungan MTTF dilakukan dari komponen kritis masing-masing mesin yaitu komponen pisau untuk mesin 17 dan komponen bandrek untuk mesin bernomor 12, oleh karena itu perhitungan reliability ini hanya terfokus kepada reliability dari kedua komponen tersebut.

4.2.2.2.2.7.1 Reliability Komponen Pisau

Tabel 4.102 Perhitungan Reliability Komponen Pisau tp(jam) 14 28 42 56 70 84 98 112 126 140 154 164.97429 168 182 196 210 224 238 252 266 280 294

n 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1

(t-μ)/σ -1.46680 -1.33078 -1.19477 -1.05875 -0.92273 -0.78671 -0.65069 -0.51468 -0.37866 -0.24264 -0.10662 0.00000 0.02940 0.16541 0.30143 0.43745 0.57347 0.70949 0.84551 0.98152 1.11754 1.25356

R(tp) 0.92878 0.90837 0.88391 0.85514 0.82192 0.78427 0.74237 0.69661 0.64753 0.59483 0.54246 0.50000 0.48827 0.43431 0.38155 0.33090 0.28317 0.23901 0.19891 0.16317 0.13189 0.10500

((t-nT)μ)/σ -1.46680 -1.33078 -1.19477 -1.05875 -0.92273 -0.78671 -0.65069 -0.51468 -0.37866 -0.24264 -1.54453 -1.43791 -1.40851 -1.27249 -1.13647 -1.00046 -0.86444 -0.72842 -0.59240 -0.45638 -0.32036 -0.18435

R(t-nT) 0.92878 0.90837 0.88391 0.85514 0.82192 0.78427 0.74237 0.69661 0.64753 0.59483 0.93877 0.92477 0.92051 0.89840 0.87212 0.84145 0.80633 0.76682 0.72320 0.67594 0.62566 0.57313

R(T)^n 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549 0.56549

Rm(t) 0.92878 0.90837 0.88391 0.85514 0.82192 0.78427 0.74237 0.69661 0.64753 0.59483 0.53087 0.52295 0.52054 0.50804 0.49318 0.47583 0.45597 0.43363 0.40896 0.38224 0.35380 0.32410

239

Tabel 4.102 Perhitungan Reliability Komponen Pisau (Lanjutan) tp(jam) 308 322 336 350 364 378 392 406

n 2 2 2 2 2 2 2 2

(t-μ)/σ 1.38958 1.52560 1.66161 1.79763 1.93365 2.06967 2.20569 2.34171

R(tp) 0.08233 0.06356 0.04830 0.03612 0.02658 0.01925 0.01370 0.00960

((t-nT)μ)/σ -1.48623 -1.35022 -1.21420 -1.07818 -0.94216 -0.80614 -0.67013 -0.53411

R(t-nT) 0.93139 0.91153 0.88766 0.85952 0.82694 0.78991 0.74861 0.70336

Contoh Perhitungan tp = 14 : Diketahui : μ = 164.97429 jam σ = 102.92744 T = 148 MTTF = 164.97429

⎛t −μ ⎞ = 1 − Φ⎜ ⎟ ⎝ σ ⎠

R (t)

= 1- Φ

14 - 164.97429 102.92744

⎛t −μ ⎞ R(T) = 1 − Φ⎜ ⎟ ⎝ σ ⎠ n

= 0.92878

0

=1

⎛ (t − nT ) − μ ⎞ R(t-nT) = 1 − Φ⎜ ⎟ σ ⎝ ⎠ ⎛ (14 − (0 *148) − 164.97429 ⎞ = 1 − Φ⎜ ⎟ = 0.92878 102.92744 ⎝ ⎠

R(T)^n 0.31978 0.31978 0.31978 0.31978 0.31978 0.31978 0.31978 0.31978

Rm(t) 0.29784 0.29149 0.28386 0.27486 0.26444 0.25260 0.23939 0.22492

240

Rm(t) = R (T ) n * R(t − nT ) = 1.0000* 0.92878= 0.92878 Dengan interval waktu age replacement komponen tersebut, maka didapatkan nilai dari reliablity sesudah adanya kegiatan preventive maintenance sebesar 52.29% pada saat MTTF sehingga terjadi peningkatan, yaitu : Peningkatan Reliability =

=

Rm(t) - R(t) x 100% R(t)

0.52295 − 0.50000 x 100% 0.50000

= 4.59 % reliability sebelumnya

4.2.2.2.2.7.2 Reliability Komponen Bandrek

Tabel 4.103 Perhitungan Reliability Komponen Bandrek tp(jam) 14 28 42 56 70 84 98 112 126 140 154 168 169.645 182 196 210

n 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1

(t-μ)/σ -1.68844 -1.53656 -1.38469 -1.23282 -1.08095 -0.92908 -0.77720 -0.62533 -0.47346 -0.32159 -0.16972 -0.01784 0.00000 0.13403 0.28590 0.43777

R(tp) 0.95434 0.93780 0.91693 0.89117 0.86014 0.82357 0.78147 0.73412 0.68206 0.62612 0.56738 0.50712 0.50000 0.44669 0.38748 0.33078

((t-nT)μ)/σ -1.68844 -1.53656 -1.38469 -1.23282 -1.08095 -0.92908 -0.77720 -0.62533 -0.47346 -0.32159 -1.74268 -1.59080 -1.57296 -1.43893 -1.28706 -1.13519

R(t-nT) 0.95434 0.93780 0.91693 0.89117 0.86014 0.82357 0.78147 0.73412 0.68206 0.62612 0.95930 0.94417 0.94213 0.92492 0.90096 0.87185

R(T)^n 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 1.00000 0.60540 0.60540 0.60540 0.60540 0.60540 0.60540

Rm(t) 0.95434 0.93780 0.91693 0.89117 0.86014 0.82357 0.78147 0.73412 0.68206 0.62612 0.58076 0.57160 0.57037 0.55995 0.54544 0.52782

241

Tabel 4.103 Perhitungan Reliability Komponen Bandrek (Lanjutan) tp(jam) 224 238 252 266 280 294 308 322 336 350 364 378 392 406

n 1 1 1 1 1 2 2 2 2 2 2 2 2 2

(t-μ)/σ 0.58964 0.74151 0.89339 1.04526 1.19713 1.34900 1.50087 1.65275 1.80462 1.95649 2.10836 2.26023 2.41211 2.56398

R(tp) 0.27772 0.22919 0.18582 0.14795 0.11563 0.08867 0.06670 0.04919 0.03557 0.02521 0.01750 0.01190 0.00793 0.00517

((t-nT)μ)/σ -0.98332 -0.83144 -0.67957 -0.52770 -0.37583 -1.79692 -1.64504 -1.49317 -1.34130 -1.18943 -1.03756 -0.88568 -0.73381 -0.58194

Contoh Perhitungan tp = 20 : Diketahui : μ = 169.64500 jam σ = 92.18292 T = 145 MTTF = 169.64500

⎛t −μ ⎞ R (t) = 1 − Φ⎜ ⎟ ⎝ σ ⎠ = 1- Φ

14 - 169.64500 92.18292

⎛t −μ ⎞ R(T) = 1 − Φ⎜ ⎟ ⎝ σ ⎠ n

0

=1

= 0.95434

R(t-nT) 0.83727 0.79174 0.75161 0.70114 0.64648 0.96382 0.95002 0.93230 0.91109 0.88287 0.85026 0.81210 0.76847 0.71969

R(T)^n 0.60540 0.60540 0.60540 0.60540 0.60540 0.36651 0.36651 0.36651 0.36651 0.36651 0.36651 0.36651 0.36651 0.36651

Rm(t) 0.50688 0.47932 0.45502 0.42447 0.39138 0.35325 0.34819 0.34170 0.33392 0.32358 0.31163 0.29764 0.28165 0.26377

242

⎛ (t − nT ) − μ ⎞ R(t-nT) = 1 − Φ⎜ ⎟ σ ⎝ ⎠ ⎛ 14 − (0 *145) − 169.64500 ⎞ = 1 − Φ⎜ ⎟ = 0.95434 92.18292 ⎝ ⎠ Rm(t) = R (T ) n * R(t − nT ) = 1.0000* 0.95434= 0.95434 Dengan interval waktu age replacement komponen tersebut yaitu 145 jam, maka didapatkan nilai dari reliablity sesudah adanya kegiatan preventive maintenance sebesar 57.037% pada saat MTTF sehingga terjadi peningkatan, yaitu : Peningkatan Reliability

=

Rm(t) - R(t) x 100% R(t)

=

0.57037 − 0.50000 x 100% 0.50000

= 14.074 % reliability sebelumnya

4.2.2.2.2.8 Perbandingan Downtime Sebelum dan Sesudah Penerapan Preventive Maintenance Usulan

Di bawah ini merupakan perbandingan antara total downtime yang terjadi sebelum dan sesudah penereapan preventive maintenance yang diusulkan. Asumsi dari perhitungan ini adalah tiap kali terjadi kerusakan ataupun perawatan tidak dalam waktu yang bersamaan.

243

Downtime rata-rata per bulan sebelum menerapkan preventive maintenance: •

Pisau

= 26.24 jam / 12 bulan

= 2.19 jam

•

Bandrek

= 11.66 jam / 12 bulan

= 0.97 jam +

Jumlah total downtime per bulan

= 3.16 jam

Downtime rata-rata per bulan sesudah Preventive Maintenance usulan: •

Pisau

Jam kerja/bulan = 306.433 jam o Interval pemeliharaan = 101 jam o Pemeliharaan dalam 1 bulan = 306.433 / 101 = 3.033≈ 4 kali o Waktu minimal pemeliharaan = 15 menit = 0.25 jam o Downtime per bulan = 4 x 0.25 = 1 jam

•

Bandrek

Jam kerja/bulan = 107.475 jam o Interval pemeliharaan = 54 jam o Pemeliharaan dalam 1 bulan = 107.475 / 54 = 1.990 ≈ 2 kali o Waktu minimal pemeliharaan = 15 menit = 0.25 jam o Downtime per bulan = 2 x 0.25 = 0.50 jam

Jadi jumlah downtime per bulan setelah preventive maintenance: 1 jam + 0.50 jam = 1.50 jam

244

4.2.2.2.2.9 Perhitungan Biaya Sebelum dan Sesudah Preventive Maintenance Usulan

Untuk melakukan kegiatan preventive maintenance akan diperlukan biaya untuk menunjang kegiatan tersebut, begitu pula apabila terjadi kerusakan kerusakan akan timbul biaya kerugian yang diakibatkan kerusakan tersebut. Di bawah ini adalah perhitungan untuk membandingkan besarnya pengeluaran antar biaya sebelum melakukan maintenance dengan biaya setelah melakukan maintenance.

4.2.2.2.2.9.1 Perhitungan Biaya Komponen Pisau (Mesin 17)

Komposisi biaya kerugian •

Biaya bahan Kapasitas produksi mesin 17 = 7800 pcs/jam Harga per pcs = Rp. 100,Biaya kerugian bahan = 7800 x 100 = Rp. 780.000 /jam

•

Biaya listrik Daya listrik 1 mesin per hari = 20.2 kW Biaya listrik / jam = 20.2 / 14 x Rp.950 = Rp. 1.370,714 / jam

•

Biaya tenaga kerja Biaya tenaga kerja / orang / bulan = Rp.1.500.000 Biaya tenaga kerja / orang / jam = 1.500.000 / 20 / 8 =Rp. 9.375 / jam

245

Dengan demikian bila biaya kehilangan produksi bila terjadi downtime mesin adalah = Biaya bahan baku + biaya listrik + biaya tenaga kerja = Rp. 780.000,- + Rp 1.370,714 + Rp. 9.375 = Rp.790.745,714

4.2.2.2.2.9.2

Perhitungan Biaya Kerusakan dan Biaya Preventive Maintenance Usulan

•

Biaya komponen Pisau (1 set) = Rp. 800.000,-

•

Biaya siklus failure (Cf) Adalah biaya yang dikeluarkan selama kerusakan terjadi. Biaya ini didapat

dengan menjumlahkan biaya perbaikan kerusakan dengan biaya kerugian produksi kemudian dikalikan dengan lamanya waktu perbaikan (MTTR). Biaya preventive

maintenance (Cp) yang dihitung merupakan biaya yang dikeluarkan untuk melakukan satu kali pemeliharaan yang berasal dari biaya teknisi untuk melakukan perbaikan dan biaya penggantian komponen yang rusak. •

wsf = Tf = MTTF = 1.85066

•

wsp = Tp = 60 menit / 60 menit = 1

•

Cf = (Biaya teknisi + Biaya kehilangan produksi + Biaya komponen) x Tf = ( Rp.10.000 + Rp. 790.745,714+ Rp.800.000,- ) x 1.85066 = Rp. 2.962.436,063

246

•

Biaya siklus preventive (Cp) Cp = (Biaya teknisi x wsp) + Biaya komponen = (Rp.10.000 x 1) + Rp.800.000,= Rp. 810.000,-

4.2.2.2.2.9.3

Perhitungan Total Biaya Kerusakan dan Total Biaya Preventive Maintenance Usulan

•

Total failure cost (sebelum preventive maintenance) Tc (tf) =

=

Cf tp 2.962.436,063 164.97429

= Rp. 17.956,95598 / jam kf

=

Jam Kerja/Bulan 306.433 = MTTF 164.97429

= 1.85746 ≈ 2 kali/bulan Tc (tf) = 17.956,95598 x MTTF x kf = 17.956,95598 x 164.97429 x 2 = Rp. 5.924.872,126 / bulan

247

•

Total preventive cost (sesudah preventive maintenance) Tc(tp) =

=

Cp × R + Cf(1 − R) tp × R + tf(1 − R) (810.000 x0.56549) + (2.962.436,063(1 0.56549)) (148 x0.56549) + (164.97429(1 0.56549)

= Rp. 11.232,4981 / jam kp

=

jam kerja/bulan 306.433 = Tp 148

= 2.07049 ≈ 3 kali/bulan Tc(tp) = Rp. 11.232,4981 x Age Replacement x kp = Rp. 11.232,4981 x 148 x 3 = Rp. 4.987.229,154 / bulan

4.2.2.2.2.9.4 Perhitungan Biaya Komponen Bandrek (Mesin 12)

Komposisi biaya kerugian •

Biaya bahan Kapasitas produksi mesin 12 = 6500 pcs/jam Harga per pcs = Rp. 100,Biaya kerugian bahan = 6500 x 100 = Rp. 650.000 /jam

•

Biaya listrik Daya listrik 1 mesin per hari = 20.2 kW Biaya listrik / jam = 20.2 / 14 x Rp.950 = Rp. 1370,714 / jam

248

•

Biaya tenaga kerja Biaya tenaga kerja / orang / bulan = Rp.1.500.000 Biaya tenaga kerja / orang / jam = 1.500.000 / 20 / 8 =Rp. 9.375 / jam

Dengan demikian bila biaya kehilangan produksi bila terjadi downtime mesin adalah = Biaya bahan baku + biaya listrik + biaya tenaga kerja = Rp. 650.000,- + Rp 1370,714 + Rp. 9.375 = Rp.660.745,714

4.2.2.2.2.9.5 Perhitungan Biaya Kerusakan dan Biaya Preventive Maintenance Usulan

•

Biaya komponen

Bandrek = Rp. 35.000,•

Biaya siklus failure (Cf) o wsf = Tf = MTTF = 1.75195 o wsp = Tp = 45 menit / 60 menit = 0.75 o

Cf = (Biaya teknisi + Biaya kehilangan produksi + Biaya komponen) x Tf = ( Rp.10.000 + Rp. 660.745,714+ Rp.35.000,- ) x 1.75195 = Rp. 1.236.431,204

249

•

Biaya siklus preventive (Cp) o Cp = (Biaya teknisi x wsp) + Biaya komponen

= (Rp.10.000 x 0.75) + Rp.35.000 = Rp. 42.500,-

4.2.2.2.2.9.6 Perhitungan Total Biaya Kerusakan dan Total Biaya Preventive Maintenance Usulan

•

Total failure cost (sebelum preventive maintenance) Tc (tf) =

=

Cf tp 1.236.431,204 169.64500

= Rp. 7288,34451 / jam kf =

Jam Kerja/Bulan 107.475 = MTTF 169.64500

= 0.63353 ≈ 1 kali per bulan Tc (tf) = 7288,34451 x MTTF x kf = 7288,34451 x 169.64500 x 1 = Rp. 1.236.431,204/ bln •

Total preventive cost (sesudah preventive maintenance) Tc(tp)

=

Cp × R + Cf(1 − R) tp × R + tf(1 − R)

=

(42.500 x0.60540) + (1.236.431,204(1 − 0.60540)) (145 x0.60540) + (169.645(1 − 0.60540))

250

= Rp. 3319,602643 / jam kp

=

jam kerja/bulan 107.475 = Tp 145

= 0.74121 ≈ 1 kali per bulan = Rp. 3319,602643 x Age Replacement x kp

Tc(tp)

= Rp. 3319,602643 x 145 x 1= Rp. 481.342,3832/ bulan

4.2.2.2.2.10 Analisa 4.2.2.2.2.10.1

Analisa Interval Waktu Antar Kerusakan (TTF) dan Downtime

(TTR)

Langkah pertama setelah menentukan komponen kritis adalah menghitung interval waktu antar kerusakan atau TTF (Time To Failure). Interval waktu antar kerusakan didapatkan dengan menghitung selang waktu pada saat kerusakan mesin selesai diperbaiki sampai kerusakan selanjutnya terjadi. Sedangkan downtime atau TTR (Time To Repair) adalah jangka waktu yang dibutuhkan teknisi dalam melakukan pemeriksaan maupun penggantian komponen, sampai dapat kembali bekerja seperti semula. Penyebab terjadinya downtime bermacam-macam, mulai dari pisau yang tidak tajam,

bandrek penggerak yang tidak berjalan, dan lain-lain. Lamanya waktu perbaikan juga bervariasi yang disebabkan tingkat kesulitan atau keparahan dari kerusakan yang terjadi, keahlian teknisi yang mengerjakan perbaikan juga ikut mempengaruhi tingginya waktu pengerjaan perbaikan.

251

4.2.2.2.2.10.2 Analisa Identifikasi Distribusi

Untuk menentukan distribusi yang mendekati penyebaran data TTF dan TTR yang telah didapatkan dari masing-masing komponen, digunakan perhitungan

Least Square Curve Fitting (LSCF), yaitu dengan mencari nilai Index of Fit (r) atau koefisien korelasi yang paling tinggi. Distribusi yang digunakan dalam metode LSCF adalah distribusi Weibull, eksponensial, normal, dan lognormal. Dalam LSCF, nilai koefisien korelasi (r) terletak diantara 0 dan 1, yang menunjukkan kekuatan hubungan linier antara variabel . Semakin tinggi nilai r (mendekati nilai 1), berarti bahwa semakin kuat hubungan linear antar variabel, dan sebaliknya semakin kecil nilai r (mendekati nilai 0) berarti bahwa semakin kecil hubungan linear antar variabel atau bahkan sama sekali tidak berhubungan. Setelah melakukan penghitungan LSCF, dilakukan uji hipotesa (Goodness of Fit) untuk mencari tahu apakah data benar-benar mengikuti pola distribusi sesuai nilai Index of

Fit yang telah dihitung sebelumnya. Perhitungan Goodness of Fit disesuaikan dengan distribusi yang telah didapat dari Index of Fit, untuk distribusi Weibull digunakan metode Mann’s Test, untuk distribusi eksponensial menggunakan metode Bartlett’s

Test, sedangkan untuk distribusi Normal dan Lognormal menggunakan metode Kolmogorov-Smirnov. Pada identifikasi pertama, data interval waktu antar kerusakan (TTF) dari komponen pisau mengikuti distribusi normal, karena memiliki nilai r yang paling tinggi yaitu 0.97137, kemudian digunakan uji hipotesa Kolmogorov-Smirnov untuk memastikan bahwa distribusi data komponen pisau adalah normal, dari hasil uji

252

tersebut didapatkan nilai Dmax = 0.16094 dan nilai D crit = 0.22700, karena Dmax < D crit , berarti hipotesa awal yang menyatakan bahwa data berdistribusi normal dapat diterima. Sedangkan untuk data interval waktu antar kerusakan (TTF) dari komponen

bandrek juga mengikuti distribusi normal karena nilai r = 0.93156 adalah yang tertinggi, begitu pula dengan uji hipotesanya menggunakan metode Kolmogorov-

Smirnov, didapatkan nilai Dmax = 0.26764 dan nilai D crit = 0.31900, maka dapat diterima hipotesa awal yang menyebutkan bahwa distribusi normal. Kemudian identifikasi distribusi data untuk TTR menggunakan metode LSCF, pada komponen pisau diketahui bahwa data mengikuti distribusi lognormal karena memiliki r tertinggi yaitu 0.98142, kemudian diuji lebih lanjut menggunakan uji hipotesa Kolmogorov-Smirnov pun data normal diterima, karena nilai Dmax = 0.16808 < D crit = 0.22000. Sedangkan untuk distribusi data TTR komponen bandrek, didapatkan nilai r tertinggi adalah lognormal dengan r = 0.96367, untuk uji hipotesa

Kolmogorov-Smirnov diketahui Dmax = 0.19714 < D crit = 0.30000, sehingga benar distribusi data TTR bandrek adalah lognormal.

4.2.2.2.2.10.3 Analisa Parameter dan Mean Time To Failure (MTTF)

MTTF menunjukkan interval waktu dari komponen selesai diperbaiki sampai komponen tersebut mengalami kerusakan kembali. Perhitungan MTTF berbeda-beda untuk setiap distribusi data yang didapat dari index of fit. Dari hasil pengujian distribusi yang telah dilakukan sebelumnya, didapatkan distribusi TTF

253

untuk komponen pisau dan bandrek adalah distribusi normal, distribusi normal dapat memodelkan failure selama kedua parameternya bernilai positif. Pada distribusi normal terdapat 2 parameter, yaitu parameter μ yang merupakan nilai tengah distribusi, dan σ yang merupakan standar deviasi distribusi maka nilai untuk MTTF bisa didapatkan, karena nilai MTTF sama dengan nilai μ. Pada komponen pisau, parameter μ bernilai 164.97429, dan parameter σ bernilai 102.92744, karena berdistribusi normal maka nilai μ = MTTF = 164.97429 jam, berarti rata-rata selang waktu kerusakan awal untuk komponen tersebut hingga terjadi kerusakan kembali adalah 164.97429 jam. Sedangkan untuk komponen

bandrek, parameter μ bernilai 169.64500, dan parameter σ bernilai 92.18292, maka nilai MTTF adalah 169.64500 jam.

4.2.2.2.2.10.4 Analisa Parameter dan Mean Time To Repair (MTTR)

MTTR adalah waktu rata-rata untuk melakukan perbaikan kerusakan atau penggantian komponen. Dari hasil pengujian distribusi yang telah dilakukan sebelumnya, didapatkan distribusi TTR untuk komponen pisau dan bandrek adalah distribusi lognormal. Menurut Ebeling (1997,p73) distribusi lognormal dapat digunakan jika t bernilai positif. Untuk TTR yang berdistribusi lognormal maka parameter yang digunakan adalah parameter bentuk (shape pharameter = s), dan parameter lokasi (location parameter = tmed) yang merupakan nilai tengah dari waktu

254

kerusakan. Nilai MTTR didapat dengan memangkatkan tmed dengan nilai s pangkat dua dan dibagi dua. Untuk TTR komponen pisau didapat nilai parameter s adalah 0.67782 dan parameter tmed adalah 1.47082. Dan untuk komponen bandrek, nilai parameter s adalah 0.55169 dan parameter tmed adalah 1.50463. Dengan menggunakan parameter tersebut, didapat nilai MTTR untuk komponen pisau yaitu 1.85066 jam, dan MTTR komponen bandrek yaitu 1.75195 jam. MTTR yang diperoleh di atas merupakan hasil dari breakdown yang tidak terduga, sehingga tentunya hasil tersebut bukan sepenuhnya digunakan untuk memperbaiki komponen yang rusak, tetapi telah digabungkan dengan waktu pemanggilan teknisi, waktu persiapan peralatan untuk perbaikan, dan yang lainnya. Dengan mengetahui MMTR tersebut, maka perusahaan dapat menentukan waktu standar perbaikan yang efektif untuk kegiatan perawatan yang akan datang, dan dengan

pelaksanaan

yang

sudah

direncanakan

diharapkan

teknisi

sudah

mempersiapkan segala sesuatu yang dibutuhkan untuk melakukan perawatan, sehingga dapat mengurangi waktu yang dibutuhkan untuk melakukan perawatan tersebut.

4.2.2.2.2.10.5 Analisa Interval Waktu Penggantian Pencegahan

Setelah dilakukan perhitungan MTTF dan MTTR pada tiap komponen, maka selanjutnya dilakukan perhitungan untuk menentukan interval waktu penggantian pencegahan. Didalam menentukan interval waktu penggantian

255

pencegahan tersebut, digunakan suatu model yaitu Age Replacement sebagai model penggantian komponen dikarenakan model ini menghitung umur optimal suatu komponen dan melakukan penggantian komponen berdasarkan umur optimal komponen tersebut. Didalam menentukan komponen mana saja yang memerlukan penggantian pencegahan kerusakan, dapat diketahui dari jenis distribusi kerusakan (TTF). Laju dari pada distribusi kerusakan akan menunjukkan seperti apa karakteristik kerusakan komponen suatu mesin. Karakteristik karusakan berdasarkan bathub curve dibagi menjadi tiga, yaitu : IFR (Increasing Failure Rate), DFR (Decreasing Failure Rate), CFR (Constant Failure Rate). Berdasarkan hasil perhitungan TTF untuk komponen pisau dan bandrek, distribusi kerusakan yang didapatkan adalah distribusi normal yang mempunyai siklus IFR, sehingga perlu diadakan adanya interval waktu penggantian pecegahan kerusakan. Penentuan penggantian komponen dilakukan berdasarkan umur optimalnya, yaitu pada saat terjadi probabilitas downtime paling kecil. Dari hasil perhitungan didapat nilai interval waktu penggantian pencegahan kerusakan yang didapat untuk komponen pisau adalah 148 jam, yang berarti umur optimal komponen pisau adalah 148 jam. Sedangkan untuk komponen bandrek sebesar 145 jam. Aktivitas penggantian komponen ini dilakukan untuk mengantisipasi terjadinya breakdown mendadak akibat kerusakan (aus) yang dapat mengganggu kelancaran proses produksi akibat terjadinya pemberhentian mesin yang terjadi secara

256

mendadak. Penggantian komponen sebelum kerusakan juga akan memperpanjang umur mesin dalam kondisi fase keausan (wear-out failure). Walaupun pada nantinya peluang untuk terjadinya kerusakan sebelum umur optimal dapat terjadi, yang dapat disebabkan oleh berbagai macam faktor, seperti pemakaian terus menerus melebihi beban kerja maksimumnya, atau karena faktor kualitas/kekuatan komponen itu sendiri, maupun terhadap faktor eksternal lainnya yang dapat memberikan dampak kerusakan lebih cepat pada komponen tersebut. Dan juga tidak menutup kemungkinan dari komponen tersebut untuk dapat beroperasi melebihi umur optimalnya, oleh karena itu operator sebagai pihak yang berhubungan langsung dengan penggunaan mesin, harus peka untuk melihat peluang terjadinya kerusakan pada komponen, sehingga dapat memberikan input yang baik bagi perusahaan agar dapat memberikan jadwal perawatan yang lebih efektif.

4.2.2.2.2.10.6 Analisa Interval Waktu Pemeriksaan

Pemeriksaan terhadap komponen dimaksudkan untuk mengetahui kondisi dari komponen tersebut sebelum mencapai waktu penggantiannya. Sehingga apabila pada saat pemeriksaan didapatkan gejala awal kerusakan komponen, maka dapat dilakukan penggantian saat itu juga. Diharapkan dengan adanya pemeriksaan secara teratur, komponen dapat beroperasi secara optimal sampai tiba saatnya waktu penggantian pencegahan. Dari hasil perhitungan didapatkan bahwa pemeriksaan optimal untuk komponen pisau adalah 4 kali dalam sebulan. Dengan interval waktu pemeriksaan

257

sebesar 101 jam, hal ini berarti setiap 101 jam dianjurkan untuk melakukan pemeriksaan atau pengecekan suatu komponen untuk digunakan sampai batas waktu akhir komponen tersebut harus diganti. Sedangkan untuk komponen bandrek waktu pemeriksaan optimalnya adalah 2 kali dalam sebulan, dengan interval waktu pemeriksaan senilai 54 jam. Penentuan frekuensi pemeriksaan dilakukan untuk mengetahui jumlah kegiatan pemeriksaan yang dibutuhkan dalam periode satu bulan, sedangkan penentuan interval waktu pemeriksaan dilakukan untuk dapat mengetahui selang waktu antara satu kegiatan pemeriksaan dengan kegiatan lainnya.

4.2.2.2.2.10.7 Analisa Availability

Availability adalah probabilitas komponen sesuai dengan fungsinya pada kondisi operasi normal, apabila tindakan perawatan pencegahan dan pemeriksaan dilakukan. Availability total pada masing-masing komponen didapatkan dari yaitu dari availability interval waktu penggantian pencegahan kerusakan dan juga dari

availability interval waktu pemeriksaan, dalam hal ini availability total berarti proporsi waktu teoritis yang tersedia untuk komponen dalam sistem dapat beroperasi dengan baik. Total availability untuk komponen pisau adalah 0.99382, sedangkan untuk komponen bandrek adalah 0.99191. Untuk nilai availability > 90%, maka tingkat ketersediaan dapat dikatakan cukup tinggi, yang berarti apabila dengan segera dilakukan kegiatan perbaikan maka mesin tersebut dapat beroperasi atau aktif dengan baik dalam ketersediaan yang cukup baik pula.

258

4.2.2.2.2.10.8 Analisa Reliability

Dari perhitungan sebelumnya telah didapatkan hasil MTTF pisau sebesar 164.97429 jam, dengan tingkat kehandalan 50%. Hal ini berarti bahwa sebelum dilakukan preventive maintenance komponen akan diganti apabila mesin mengalami kerusakan pada saat tingakat kehandalan menurun sebesar 50%. Sedangkan untuk komponen bandrek didapatkan hasil MTTF sebesar 169.64500 jam, dengan tingkat kehandalan sebesar 50%. Apabila nilai kehandalan reliability mendekati nilai 1, maka akan memberikan tingkat kehandalan yang meninggi dan memiliki arti bahwa komponen tersebut dapat beroperasi atau aktif dengan optimal. Setelah dilakukan preventive maintenance didapatkan interval waktu penggantian pencegahan T (age replacement) komponen pisau sebesar 148 jam, dimana pada saat MTTF = 164.97429 jam, reliability untuk komponen pisau menjadi 52.295%, meningkat sebesar 4.59% dari sebelum dilakukan preventive maintenance. Sedangkan untuk komponen bandrek diperoleh age replacement sebesar 145 jam, dengan reliability menjadi 57.037% atau peningkatan sebesar 14.074% dari

reliability sebelum dilakukan preventive maintenance. Hal ini berarti pada setiap T (148 jam untuk pisau dan 145 jam untuk bandrek), diusulkan untuk melakukan tindakan preventive maintenance, antara lain dengan melakukan perawatan pencegahan berupa penggantian komponen untuk mencegah kerusakan yang lebih fatal dan terhambatnya proses produksi. Tindakan perawatan / pencegahan yang dilakukan, akan berdampak pada peningkatan reliabilitas yang akan memberikan kelebihan dari segi peningkatan mutu

259

kekuatan material, pengurangan beban dan peningkatan akurasi terhadap sistem. Dengan adanya peningkatan reliabilitas, hal ini akan mempengaruhi umur pemakaian mesin, sehingga diharapkan mesin tersebut akan mampu untuk beroperasi lebih lama, peningkatan reliabilitas ini juga akan mengurangi produk cacat, sehingga kualitas produk dapat ditingkatkan.

4.2.2.2.2.10.9 Analisa Perbandingan Nilai Downtime Rata-Rata Sebelum dan Sesudah Preventive Maintenance Pada Komponen Kritis

Dari hasil perhitungan perbandingan nilai downtime sebelum dan sesudah penerapan tindakan pencegahan, yaitu berupa aktivitas penggantian komponen berdasarkan umur optimalnya untuk komponen pisau dan bandrek, didapatkan nilai

downtime rata-rata sebelum melakukan preventive maintenance adalah sebesar 3.16 jam , dan setelah preventive maintenance sebesar 2.01 jam. Hal ini berarti kegiatan

preventive maintenance akan menghasilkan pengurangan nilai downtime sebesar 36.39%. Dengan demikian, tindakan perawatan pencegahan secara rutin tentunya akan meningkatkan performance perusahaan dan meminimasi kerugian akibat

downtime.

4.2.2.2.2.10.10 Analisa Perbandingan Biaya Sebelum dan Sesudah Penerapan Preventive Maintenance Usulan

Saat terjadinya kerusakan, maka perusahaan akan mengalami kerugian dari biaya kehilangan produksi, dengan preventive maintenance diharapkan biaya

260

kehilangan produksi akan dapat dihindari walaupun akan muncul biaya tambahan yang disebabkan kegiatan maintenance tersebut. Dari hasil perhitungan didapatkan total biaya yang dikeluarkan sebelum preventive maintenance Tc(tf) untuk komponen pisau adalah sebesar Rp 5.925.717,704 / bulan dan untuk komponen bandrek adalah Rp 1.236.831,443 / bulan, ternyata hal ini dapat diminimalisasi dengan melakukan preventive

maintenance terbukti dengan estimasi perhitungan total biaya yang dikeluarkan setelah preventive maintenance Tc(tp) adalah Rp 4.987.754,071 / bulan untuk komponen pisau dan Rp 481.490,4 / bulan untuk komponen bandrek. Dengan demikian terdapat penghematan sebesar Rp. 937.963,633 atau 15,83% jika dilakukan preventive maintenance pada komponen pisau mesin 17, dan penghematan sebesar Rp. 755.341,043 atau 61.07% pada komponen bandrek mesin 12. Hal ini menunjukkan bahwa preventive maintenance layak dilakukan pada perusahaan, karena biaya yang dibutuhkan untuk melakukan preventive maintenance lebih murah dibanding biaya yang dikeluarkan apabila terjadi kerusakan. Apabila

preventive maintenance dilakukan pada semua mesin, dapat dipastikan bahwa perusahaan akan mengalami manfaat ekonomis cukup tinggi. Oleh karena itu tindakan preventive maintenance usulan dianjurkan untuk diterapkan untuk menghindari biaya kerugian yang lebih besar.

261

4.2.2.2.3 Efektifitas peralatan

Lalu selanjutnya langkah yang dilakukan adalah dengan efektifitas peralatan, dimana sebelumnya perusahaan harus mengantisipasi 6 kerugian besar (six

big losses) pada industri manufaktur, diantaranya adalah : 1. Breakdown losses (kerugian breakdown) Kerugian waktu (produktifitas menurun), kerugian jumlah karena produk cacat. Breakdown Losses ini disebabkan oleh kecacatan peralatan yang membutuhkan perbaikan. 2. Setup and adjustment losses (kerugian penyetelan dan penyesuaian)

Set up and adjustment losses disebabkan oleh perubahan-perubahan dalam kondisi operasi, seperti pergantian jenis produk yang dibuat, pergantian

shift, penyesuaian kondisi operasi. 3. Idling and minor stoppage losses (kerugian karena idle dan penghentian mesin)

Idling and minor stoppage losses disebabkan karena kejadian di mana mesin terhambat, terhenti sejenak, dan idle. 4. Reduced speed losses (kerugian karena kecepatan operasi rendah)

Speed losses disebabkan oleh menurunnya kecepatan mesin. Mesin tidak bekerja pada kecepatan normalnya. 5. Quality defect and rework losses (kerugian karena cacat mutu dan pengerjaan ulang)

262

Quality defect and rework losses disebabkan produk yang dihasilkan di luar spesifikasi atau cacat pada saat proses produksi dalam kondisi normal sehingga produk harus dikerjakan ulang. 6. Startup losses (kerugian yang terjadi saat startup)

Start up and yield losses disebabkan oleh lamanya waktu untuk menyesuaikan ke kondisi normal sehingga menyebabkan banyak reject dan

scrap.

Salah satu tujuan TPM adalah untuk dapat meningkatkan efektivitas dengan cara meningkatkan fungsi dan kinerja mesin atau peralatan yang digunakan dan mengeliminasi six big losses yang terdapat pada mesin atau peralatan tersebut. Keenam kerugian besar ini mengancam industri manufaktur karena keadaan-keadaan seperti ini membuat proses produksi pada perusahaan terhambat dan menyebabkan kerugian pula dari segi finansial secara tidak langsung. Oleh karena itu beberapa hal yang harus diperhatikan untuk efektifitas peralatan adalah sebagai berikut : 1. Menggunakan waktu yang ada semaksimal mungkin sehingga mesin atau peralatan yang digunakan tidak sia-sia(tidak menghasilkan produk namun mesin tetap berjalan) 2. Menggunakan alat-alat yang berhubungan dengan proses produksi saat itu saja, maksudnya adalah memakai alat yang memang berguna pada saat itu

263

dan tidak mencampuradukkan peralatan-peralatan yang tidak saling berhubungan. 3. Mengetahui batas mesin atau peralatan tersebut dapat digunakan sesuai spesifikasinya dan tidak memaksa mesin atau peralatan tersebut untuk bekerja lebih atau di atas standar yang telah ditetapkan, karena ini adalah salah satu alasan mengapa mesin mengalami penurunan tingkat kinerjanya apabila tidak diimbangi dengan perawatan yang benar. 4. Menjaga serta memelihara mesin atau peralatan yang digunakan, dengan menjaga seperti milik sendiri, itu akan membuat mesin yang digunakan lebih peduli dan mau untuk memelihara demi umur optimal daripada mesin atau peralatan tersebut. 5. Menjaga kebersihan lingkungan mesin atau peralatan yang dipakai, menjaga dari serpihan-serpihan debu ataupun potongan-potongan label yang salah potong juga merupakan salah satu bentuk menjaga kebersihan lingkungan peralatan supaya mesin atau peralatan tersebut dapat digunakan secara optimal pada saat digunakan. Dengan menjaga kebersihan pula itu berarti bisa menjaga juga tubuh pekerja dari segala bentuk kecelakaan kerja akibat peralatan yang digunakan. Dengan memperhatikan hal-hal tersebut di atas, maka diharapkan dapat memberikan efek positif bagi mesin atau peralatan-peralatan yang digunakan dan memperkecil biaya yang akan dikeluarkan yang berhubungan dengan mesin atau peralatan tersebut.

264

4.2.2.2.4 Autonomous Maintenance

Sasaran autonomus maintenance adalah mengembangkan kemampuan operator agar mampu mendeteksi gejala kerusakan sebelum terjadinya kerusakan yang sesungguhnya. Dengan kemampuan operator mendeteksi gejala-gejala kerusakan lebih cepat, maka kerusakan yang lebih besar dan berat mampu untuk dihindari. Pada seluruh mesin untuk komponen pisau, salah satunya adalah jika waktu pemakaian pemotongan sudah waktunya untuk melakukan pemeriksaan, seharusnya langsung dilakukan pengasahan agar tidak menunggu tumpul terlebih dahulu baru dilakukan pengasahan, namun perlu dicegah keadaan tumpul tersebut. Selanjutnya untuk komponen bandrek, jika biji-biji di dalam komponen bandrek memang sudah saatnya untuk diganti, maka harus langsung dilakukan kegiatan penggantian komponen, agar tidak menunggu biji tersebut pecah ataupun patah. Bila selama ini operator hanya dilatih untuk mengoperasikan mesin, maka sudah saatnya untuk dilatih lebih lanjut. Operator hendaknya dilatih untuk mampu mendeteksi kejanggalan-kejanggalan kecil pada mesin dan melakukan perbaikan sendiri. Contoh kegiatan autonomous maintenance terhadap mesin lainnya adalah pengecekan harian, pembersihan,

pelumasan,

pengencangan

mur/baut,

reparasi

sederhana

dan

pendeteksian penyimpangan. Operator juga bisa melakukan improvement dengan mencari hal-hal kecil yang dapat dilakukan agar dapat meningkatkan kinerja mesin atau mencegah terjadinya kerusakan. Ada empat ketentuan dasar dalam Autonomous Maintenance, antara lain:

265

•

Kemampuan untuk menjamin peralatan dan permesinan yang digunakan untuk beroperasi dalam kondisi yang optimal sesuai dengan spesifikasinya.

•

Fleksibilitas operator terhadap aktivitas produksi dengan perawatan dan perbaikan yang dibutuhkan mesin.

•

Melakukan eliminasi terhadap sumber-sumber potensial yang dapat menyebabkan kegagalan operasi mesin dengan tindakan aktif dan kontinu dari operator.

•

Tekad yang sungguh-sungguh untuk selalu menerapkan Autonomous

Maintenance. Namun untuk dapat melakukan sistem perawatan ini, perlu adanya pelatihan terhadap keseluruhan operator agar skill yang dimiliki untuk mereparasi mesin atau peralatan yang ada bisa merata dan menyeluruh. Dalam melaksanakan perawatan ini pun juga harus dibuat form untuk mencatat kondisi yang terjadi pada saat dilaksanakannya perawatan mandiri tersebut. Apabila operator tidak sanggup untuk melakukan perawatan mandiri tersebut, operator bisa menyerahkannya kepada pihak

maintenance untuk dilakukan tindakan yang lebih baik serta dapat menyertakan form ataupun informasi yang terjadi pada mesin selama dilakukan perawatan mandiri. Namun operator juga harus memberitahukan ke bagian produksi di dalam melakukan perbaikan ke pihak maintenance agar proses produksi yang ada dapat berjalan dengan baik tanpa adanya kesalahpahaman dalam proses yang dilakukan tersebut.

266

Langkah-langkah untuk mengembangkan Autonomous Maintenance, antara lain: •

Awal pembersihan

o

Dengan pembersihan, maka berarti melakukan inspeksi

o

Di dalam pembersihan juga akan menemukan kondisi abnormal secara otomatis

o

Membuat checksheet “abnormal” list untuk membuat data historis dari mesin tersebut

o

• o

Distandarkan pengecekan pembersihan yang dilakukan Eliminasi sumber kontaminasi dan bagian yang tidak terjangkau Sebelum melakukan aktivitas ini pastikan bahwa operator sudah di training tentang mesin dan bagian-bagiannya

o

Tindak lanjut kondisi abnormal dengan membuat ide improvement yang berfokus pada pengurangan waktu pembersihan

o

Contoh kontaminasi

•

Oli pada komponen mesin yang terkontak langsung dengan hasil produksi,

•

Karat, kerak pada pisau

•

Mengembangkan dan merawat cleaning dan standard lubrikasi o Standar operator harus diikuti dan supervisor harus bertanggung jawab

terhadap kebersihannya.

267

•

Pemeriksaan umum o Meningkatkan kemampuan dari operator untuk dapat melaksanakan

pemeriksaan secara menyeluruh dengan baik o Mengatur jadwal yang baik untuk dapat melaksanakan pemeriksaan

umum ini. •

Inspeksi Perawatan Mandiri o Melakukan evaluasi terhadap standar pemeriksaan yang dilakukan yang

dihubungkan dengan standar yang dibuat oleh tim dari supervisor o Mengikuti standar yang telah ditetapkan dan mentaatinya

•

Menjaga Tempat Kerja o

Meningkatkan tanggung jawab terhadap operator dalam melaksanakan pekerjaannya

o

Menjaga dan memelihara tempat kerja dan dibuat sedemikian nyaman dan leluasa dalam mengerjakan tugasnya

•

Penerapan program Autonomous Maintenance o Program perawatan mandiri ini harus terfokus kepada six big losses dan

berupaya untuk menghilangkan kerugian-kerugiuan yang terjadi tersebut o Selalu berupaya untuk meningkatkan perawatan mandiri yang

dilakukan. Visual kontrol merupakan alat yang sangat membantu di dalam penerepan

Autonomous Maintenance. Tujuan dari visual kontrol ini adalah sekali melihat, dapat

268

langsung mengetahui kondisi mesin tersebut. Objek visual kontrol antara lain: kontrol panel, sensor, alat ukur, bandrek, bandrek, pisau, dll.

4.2.2.2.5 Maintenance Prevention

Maintenance Prevention merupakan langkah dimana membuat peralatan yang didasarkan pada informasi mengenai kondisi mesin pada masa lalu untuk mendapatkan suatu mesin di masa akan datang yang tidak mudah rusak serta mudah untuk dapat dipelihara. Maintenance Prevention ini merupakan tahap dimana pemeliharaan pencegahan dari instalasi permesinan suatu mesin yang diharapkan dapat memperkecil kegiatan maintenance tersebut. Kerusakan mesin dapat dikurangi dengan mempelajari kekurangan dari mesin tersebut, setelah mengetahui kekurangan serta mengetahui dengan lengkap keadaan suatu mesin, maka informasi-informasi tersebut berguna untuk pembelian mesin ke depannya. Apabila sudah mengetahui dengan baik mesin yang akan dibeli, maka sudah mendapatkan tolak ukur seperti apa mesin yang akan dibeli selanjutnya. Dengan tingkat efektifitas dan efisien serta produktivitas yang tinggi, maka mesin tersebut dapat cukup baik untuk digunakan karena dapat memberikan keuntungan bagi perusahaan.

4.2.2.3 Tahap Pemantapan

Tahap pemantapan adalah tahap terakhir dari proses pelaksanaan Total

Productive Maintenance. Pada tahap ini pihak perusahaan dapat melakukan penyempurnaan-penyempurnaan dari semua kegiatan yang telah dilakukan selama

269

ini. Selain itu juga dilakukan evaluasi terhadap kinerja dari Total Productive

Maintenance, evaluasi dapat ditinjau dengan mengadakan audit. Pemberian reward, bonus atau hadiah-hadiah juga sangat menunjang dari proses Total Productive Maintenance ini agar seluruh karyawan termotivasi di dalam mengikuti pelaksanaan TPM dan dapat terus menerus meningkatkan mutu kualitas dari segala sisi demi kemajuan perusahaan di masa yang akan datang.

4.2.2.4

Analisa Total Productive Maintenance

Total Productive Maintenance merupakan suatu sistem pemeliharaan yang melibatkan tidak hanya salah satu departemen dalam perusahaan, namun suatu konsep pemeliharaan yang membutuhkan dukungan keseluruhan jajaran pihak perusahaan. Cukup tingginya nilai breakdown pada PT. Omni Kemas Industry, maka perlu diadakan suatu langkah TPM yang lebih baik dalam memperbaiki kinerja produktivitas dari perusahaan. Dari tingginya breakdown yang terjadi ini, maka berdampak pada berbagai sisi, dimana hasil kualitas produk yang dihasilkan pun menjadi rendah, waktu proses produksi juga menurun, hasil produk juga terhambat untuk dibuat sehingga terlambat untuk sampai kepada customer, dan lainnya. Dimulai dengan beberapa tahapan dari TPM, maka perusahaan sedang berusaha perlahanlahan membuat perubahan baru yang meliputi keseluruhan karyawan. Tahapantahapan tersebut diantaranya adalah :

270

1. Tahap Persiapan Tahap ini memiliki tujuan untuk mempersiapkan dan membantu memperkenalkan sistem yang baru tersebut. Kondisi lingkungan yang baru ini perlu dibentuk agar penerapan TPM dapat berjalan dengan baik dan kondusif dapat dilakukan dalam perusahaan. Persiapan-persiapan perlu dilakukan untuk implementasi TPM tersebut, diantaranya adalah sosialisasi tujuan, apa yang harus dilakukan, pengembangan serta memperkenalkan kebijakan serta tak luput juga melakukan training atau pelatihan terhadap seluruh pihak perusahaan dalam memperkenalkan TPM tersebut. 2. Tahap Pelaksanaan Kemudian tahap pelaksanaan, pada tahap ini penerapan TPM dimulai, dimana mulai menerapkan : •

Pemeliharaan Terencana Pemeliharaan terencana disini dibuat untuk melakukan schedule atau jadwal dalam perawatan atau pemeliharaan mesin, perawatan ini dapat dibuat secara rutin, seperti harian yang membutuhkan pengecekan luar, dan lainnya. Serta dapat juga dilakukan pengecekan rutin seperti mingguan, ataupun bulanan yang lebih terstruktur serta lebih spesifik.

•

Analisis Preventive Maintenance Pada analisis preventive maintenance, dibahas dan ditemukan hasil selang waktu bagi komponen pisau dan bandrek, dimana hasil selang waktu itu

271

digunakan untuk jarak waktu perawatan yang harus dilakukan oleh pihak perusahaan agar terjaga dengan baik dan lancar produksi yang berlangsung. •

Efektifitas Peralatan Efektifitas peralatan perlu dilakukan sebagai lanjutan dari analisis

preventive maintenance, dimana efektifitas peralatan disini terfokus kepada bagaimana mesin-mesin yang digunakan dapat dengan efektif digunakan serta dapat mengurangi kerugian-kerugian yang terjadi di dalam proses produksi. •

Autonomous Maintenance Pada bagian autonomous maintenance, diharapkan pekerja mampu untuk mengoreksi keadaan mesin yang sedang digunakan tersebut. Perawatan mandiri ini tidak hanya berjalan begitu saja, namun dibutuhkan skill atau kemampuan di dalam menjaga mesin yang dipergunakannya tersebut. Pada

autonomous maintenance ini juga dituntut untuk para operator merawat mesinnya tersebut sendiri. Dan diharapkan bahwa para operator tersebut mampu

dengan

cepat

mengetahui

segala

bentuk

penyimpangan-

penyimpangan pada saat mesin dijalankan atau pada saat mesin dimatikan. Salah satu contoh dari autonomous maintenance ini adalah dengan menjaga mesin yang digunakan dan harus memperhatikan kebersihan dari peralatan atau mesin tersebut.

272

•

Maintenance Prevention Bagian terakhir dari penerapan TPM ini adalah maintenance prevention, dimana pada bagian ini akan terfokus kepada masa yang akan datang, apabila di masa yang akan datang akan membeli peralatan maka sudah mendapatkan

informasi

yang

tentunya

membuat

pertimbangan-

pertimbangan di dalam pembelian peralatan tersebut, diaman informasi yang didapat tersebut berasal dari masa lalu. Di masa lalu juga harus mencatat serta meneliti lebih mendalam seperti apa mesin atau peralatan yang ada tersebut, sehingga dengan pembelian mesin di masa yang akan datang justru tidak merugikan perusahaan namun memberikan performa kinerja yang tinggi. Dengan menerapkan aktifitas-aktifitas tersebut, maka diharapkan program dalam TPM ini mampu untuk berjalan dengan baik dan pastinya memberikan dampak yang positif bagi perusahaan dan memberikan juga biaya yang tidak membengkak seperti sebelum dilaksanakan preventive

maintenance. 3. Tahap Pemantapan Tahap terakhir ini adalah tahap dimana segala sesuatu yang telah dilaksanakan sepanjang proses TPM ini berjalan. Pada tahap ini juga akan dilaksanakan pemantapan dari segala yang masih kurang selama proses

273

yang dari awal sistem ini dimulai hingga pada akhir implementasi dijalankan.

Dengan penjelasan yang dibuat, maka kiranya dari semua yang telah dilakukan tidak berhenti di tengah jalan, namun bisa terus berjalan terus dengan baik, tidak berhenti di tengah jalan karena satu keadaan ataupun lain hal. Seluruh tahapan boleh dijalankan satu persatu dengan kekompakan seluruh pihak perusahaan serta selalu diberlakukan adanya perbaikan yang terus menerus dijalankan jika ada kekurangan dan terus memberikan peningkatan kinerja produktivitas agar dampak yang dihasilkan dapat memunculkan kualitas perusahaan yang baik dan memberikan keuntungan terhadap perusahaan.

4.2.3 Economic Order Quantity 4.2.3.1 Pengumpulan Data Permintaan Komponen Pisau dan Bandrek

Tabel 4.104 Data Permintaan Komponen Pisau Tahun 2008-2009

Periode

Maret April Mei Juni Juli Agustus September

Permintaan Pisau tahun 2008-2009

2 0 2 0 4 0 3

274

Tabel 4.104 Data Permintaan Komponen Pisau Tahun 2008-2009 (Lanjutan)

Periode

Oktober November Desember Januari Februari

Permintaan Pisau tahun 2008-2009

0 2 3 3 3

Tabel 4.105 Data Permintaan Komponen Bandrek Tahun 2008-2009

Periode

Maret April Mei Juni Juli Agustus September Oktober November Desember Januari Februari

Permintaan Bandrek tahun 2008-2009

3 0 2 0 2 2 0 0 2 0 2 2

4.2.3.1.1 Perhitungan Economic Order Quantity Komponen Pisau

Setelah mendapatkan data permintaan komponen pisau dari PT. Omni Kemas Industry, langkah selanjutnya adalah melakukan perhitungan data dengan

275

membentuk kelompok-kelompok data yang telah ada tersebut, kemudian dihitung biaya-biaya yang dikeluarkan oleh perusahaan jika dilakukan persediaan di awal. Hal ini dilakukan untuk mengantisipasi keadaan yang tidak diinginkan dan untuk meminimumkan biaya persediaan pada perusahaan tersebut.

Tabel 4.106 Data Tunggal Rata-Rata Permintaan Komponen Pisau Tahun 2008-2009 Pembelian (Xi) 2 0 2 0 4 0 3 0 2

Rata-rata ( X) 1.83 1.83 1.83 1.83 1.83 1.83 1.83 1.83 1.83

Permintaan selama lead time lXi- X l 0.17 1.83 0.17 1.83 3.67 1.83 2.67 1.83 0.17

3 3 3 Σ = 22

1.83 1.83 1.83

2.67 2.67 2.67

X = 1.83

•

Jumlah Kelas k = 1 + 3.3 log n = 1 + 3.3 log 12 = 1 + 3.56129 = 4.56129 ≈ 5

Σ = 22.18

276

•

Lebar Kelas l =

=

X max − X min k 3.67 − 0.17 4.56129

= 0.76732 ≈ 0.77

Tabel 4.107 Data Kelompok Rata-Rata Komponen Pisau Selama Lead Time Nilai tengah Frekuensi (Xi) (M) (fi) 0.55 3 1.32 0 2.09 4 2.86 4 3.63 1 12

Interval 0.17 – 0.93 0.94 – 1.70 1.71 – 2.47 2.48 – 3.24 3.25 – 4.01 Total

2

Xi 0.3025 1.7424 4.3681 8.1796 13.1769

fi.Xi

2

0.9075 0 17.4724 32.7184 13.1769 64.2752

fi.Xi 1.65 0 8.36 11.44 3.63 25.08

Probabilitas P(M) MP(M) 0.25 0.1375 0 0 0.33 0.6897 0.33 0.9438 0.08 0.2904 1 2.0614

Data yang dibutuhkan untuk dapat melaksanakan perhitungan ini adalah sebagai berikut : •

Permintaan rata-rata dalam satu tahun (R)

= 1.83 x 12 = 21.96 buah ≈ 22 buah

•

Harga beli (P) = Rp 800.000,-

•

Biaya pemesanan / Ordering Cost (C) = Rp 10.000,-

•

Fraksi biaya simpan (F) = 10 %

•

Biaya simpan / Holding Cost (H) = P x F = Rp 800.000,- x 10 %

277

= Rp 80.000,•

Lead Time = 1 hari

•

Tingkat keyakinan = 95 % Pada tabel hubungan antara Z dengan tingkat keyakinan 95 % dan asumsi dengan menggunakan distribusi normal, maka nilai Z yaitu: 1.64 = 0.94950 Z = 0.95 1.65 = 0.95053 Interpolasi

1.64 − x 0.94950 − 0.95 = 1.64 − 1.65 0.94950 − 0.95053 1.64 − x − 0.0005 = − 0.01 − 0.00103 1.64 − x = 0.48441 − 0.01 1.64 − x = −0.00484

x = 1.64484 •

Faktor pengaman (Z) = 1.64484

•

Standar deviasi ( σ ) σ

=

n. ∑ fi.xi 2 − (Σ fi.xi) 2 n (n − 1)

278

=

12(64.2752) − (25.08) 2 12(12 − 1)

=

142.296 132

= 1.078 = 1.03827 Permintaan rata-rata selama lead time ( M ) = 2.0614 buah ≈ 3 buah Perhitungan Economic Order Quantity (EOQ) •

Q*

=

2CR H

=

2(10000)(21.96) 80000

= 2.34307 ≈ 3 buah Dari hasil perhitungan Q* di atas, maka dapat diambil kesimpulan bahwa setiap kali PT. Omni Kemas Industry akan melakukan pemesanan terhadap komponen pisau ini, pihak perusahaan akan memesan komponen tersebut sebanyak 3 buah. •

Safety Stock (S) = Z x σ = 1.64484 x 1.03827 = 1.70779 buah ≈ 2 buah Persediaan pengaman dimaksudkan untuk menjaga agar tidak kehabisan

stok pada gudang sparepart jika suatu waktu terjadi masalah dan memerlukan

279

penggantian komponen pisau secara mendadak, maka bisa untuk tetap melakukan proses produksi tanpa harus ada perhentian waktu terlalu lama karena kosongnya persediaan tersebut. Dan persediaan pengaman untuk komponen pisau ini yaitu 2 buah. •

Reorder Point (B) = M + Z σ = 2.0614+ 1.70779 = 3.76919 buah ≈ 4 buah PT. Omni Kemas Industry akan melakukan pemesanan komponen pisau 1 set ini kembali, ketika persediaan komponen tersebut di gudang sparepart tersisa sebanyak 4 buah.

•

⎛ Cx R ⎞ ⎛ H x Q*⎞ Total Cost (TC) = (P x R) + ⎜⎜ ⎟⎟ + ⎜ ⎟ ⎝ Q* ⎠ ⎝ 2 ⎠ ⎛ 10000 x 21.96 ⎞ ⎛ 80000 x 2.34307 ⎞ = (Rp 800.000,- x 21.96) + ⎜ ⎟+ ⎜ ⎟ 2 ⎝ 2.34307 ⎠ ⎝ ⎠ = Rp 17.568.000,- + Rp 93.723,19222 + Rp 93.722,8 = Rp 17.755.445,99 = Rp 17.755.446,-

4.2.3.1.2 Analisa Economic Order Quantity Komponen Pisau

Dari hasil perhitungan EOQ komponen pisau, digunakan tingkat pelayanan atau service level sebesar 95 %, dimana nilai ini maksudnya adalah tingkat persentase apabila terjadi kekurangan persediaan komponen maka akan berdampak buruk dalam

280

proses produksi atau disebut sebagai tingkat kepentingan. Tingkat pelayanan (service

level) yang dimaksud tidak termasuk kemungkinan kehabisan barang (stock out). Kemudian didapatkan dari perhitungan pula bahwa untuk melakukan pemesanan komponen yang optimal dan ekonomis, perusahaan harus memesan sebanyak 3 buah komponen pisau setiap kali pesan. Kemudian dari hasil perhitungan juga didapatkan bahwa supaya tidak terjadi kekurangan komponen karena keperluan yang mendadak, maka perusahaan menetapkan safety stock sebanyak 2 buah pisau. Selain itu perusahaan akan melakukan pemesanan kembali / reorder point pada saat komponen pisau tersisa 4 buah. Hal ini harus terus dapat dilakukan untuk dapat menghindarkan dari keadaan yang tidak diinginkan atau kekurangan persediaan komponen pisau, sehingga proses produksi dapat terus berjalan dengan baik tanpa ada halangan karena kekurangan persediaan komponen pisau tersebut. Berdasarkan perhitungan total biaya terhadap komponen pisau, maka didapat hasil sebesar Rp 17.755.446,- dimana nilai yang sebenarnya dari perusahaan dalam pembelian pisau ini dalam kurun waktu setahun adalah sebesar Rp. 20.000.000,-. Dengan perbandingan nilai yang cukup jauh ini dapat diambil kesimpulan bahwa dengan menggunakan metode Economic Order Quantity, maka perusahaan akan dapat mengurangi biaya yang timbul apabila dari awal sudah dapat diketahui berapa jumlah yang akan disediakan dan juga dibeli tiap kali pemesanan dilakukan.

281

4.2.3.2

Perhitungan Economic Order Quantity Komponen Bandrek

Tabel 4.108 Data Tunggal Rata-Rata Permintaan Komponen Bandrek Tahun 20082009 Pembelian (Xi) 3 0 2 0 2 2 0 0 2 0 2 2 Σ = 15 X = 1.25

•

Rata-rata ( X) 1.25 1.25 1.25 1.25 1.25 1.25 1.25 1.25 1.25 1.25 1.25 1.25

Jumlah Kelas k = 1 + 3.3 log n = 1 + 3.3 log 12 = 1 + 3.56129 = 4.56129 ≈ 5

•

Lebar Kelas l =

X max − X min k

Permintaan selama lead time lXi- X l 1.75 1.25 0.75 1.25 0.75 0.75 1.25 1.25 0.75 1.25 0.75 0.75 Σ = 12.5

282

=

1.75 − 0.75 4.56129

= 0.21924 ≈ 0.22

Tabel 4.109 Data Kelompok Rata-Rata Permintaan Bandrek Selama Lead Time Nilai tengah (Xi) (M) 0.855 1.065 1.295 1.515 1.735

Interval 0.75 – 0.96 0.97 – 1.18 1.19 – 1.40 1.41 – 1.62 1.63 – 1.84 Total

2

Frekuensi (fi) Xi 6 0.731025 0 1.1342 5 1.6770 0 2.2952 1 3.0102 12

2

fi.Xi 4.386 0 8.385 0 3.0102 15.7812

Probabilitas P(M) MP(M) 0.5 0.4275 0 0 0.4167 0.5396 0 0 0.083 0.1440 1 1.1111

fi.Xi 5.13 0 6.475 0 1.735 13.34

Data-data yang diperlukan dalam perhitungan metode

Economic Order

Quantity (EOQ) adalah sebagai berikut : •

Permintaan rata-rata dalam satu tahun (R)

= 1.25 x 12 = 15 buah

•

Harga beli (P)

= Rp 35.000,-

•

Biaya pemesanan / Ordering Cost (C)

= Rp 10.000,-

•

Fraksi biaya simpan (F)

= 10 %

•

Biaya simpan / Holding Cost (H)

=PxF = Rp 35.000,- x 10 % = Rp 3.500,-

•

Lead Time

= 1 hari

283

•

Tingkat keyakinan

= 95 %

Pada tabel hubungan antara Z dengan tingkat keyakinan 95 % dan asumsi dengan menggunakan distribusi normal, maka nilai Z yaitu : 1.64 = 0.94950 Z

= 0.95

1.65 = 0.95053 Interpolasi

1.64 − x 0.94950 − 0.95 = 1.64 − 1.65 0.94950 − 0.95053 1.64 − x − 0.0005 = − 0.01 − 0.00103 1.64 − x = 0.48441 − 0.01 1.64 − x = −0.00484

x = 1.64484 •

Faktor pengaman (Z)

•

Standar deviasi ( σ ) σ

=

=

=

= 1.64484

n. ∑ fi.xi 2 − (Σ fi.xi) 2 n (n − 1) 12(15.7812) − (13.34) 2 12(12 − 1) 11.4188 132

284

=

0.0865

= 0.29411 permintaan rata-rata selama lead time ( M ) = 1.1111 buah ≈ 2 buah Perhitungan Economic Order Quantity (EOQ) •

Q* =

=

2CR H 2(10000 x15) 3500

= 9.25820 buah ≈ 10 buah Dari perhitungan di atas, dapat disimpulkan bahwa pihak perusahaan akan melakukan pemesanan terhadap komponen bandrek yang ekonomis sebanyak 10 buah untuk setiap kali pemesanan. •

Safety Stock (S) = Z x σ = 1.64484 x 0.29411 = 0.48375 buah ≈ 1 buah Persediaan pengaman untuk komponen bandrek sebanyak 1 buah untuk menghindarkan kehabisan persediaan sparepart di gudang perusahaan.

•

Reorder Point (B) = M + Z σ = 1.1111 + 0.48375 = 1.59485 ≈ 2 buah

285

Perusahaan akan kembali melakukan pemesanan pada saat persediaan komponen bandrek tersisa sebanyak 2 buah. •

⎛ Cx R ⎞ ⎛ H x Q*⎞ Total Cost (TC) = (P x R) + ⎜⎜ ⎟⎟ + ⎜ ⎟ ⎝ Q* ⎠ ⎝ 2 ⎠ ⎛ 10000 x15 ⎞ ⎛ 3500 x9.25820 ⎞ = (Rp 35.000,- x 15) + ⎜ ⎟+ ⎜ ⎟ 2 ⎝ 9.25820 ⎠ ⎝ ⎠ = Rp 525.000,- + Rp 16.201,85349 + Rp 16.201,85 = Rp 557.403,7035 = Rp 557.404,-

4.2.3.2.1 Analisa Economic Order Quantity Komponen Bandrek

Berdasarkan perhitungan Economic Order Quantity komponen bandrek, pada perhitungan digunakan tingkat pelayanan atau service level yaitu sebesar 95 %, sama dengan komponen pisau, dimana nilai tersebut maksudnya adalah tingkat persentase jika terjadi keadaan kekurangan persediaan componen bandrek ini maka akan berdampak buruk dalam proses produksi atau disebut sebagai tingkat kepentingan. Diakibatkan oleh permintaan yang tidak mungkin konstan dalam kenyataan, maka kemungkinan kehabisan persediaan ini dapat terjadi. Selanjutnya dari perhitungan Economic Order Quantity juga diketahui bahwa untuk melakukan pemesanan komponen bandrek yang optimal, pihak perusahaan harus memesan sebanyak 10 buah komponen bandrek setiap kali pemesanan dilakukan. Lalu

untuk menjaga agar tidak terjadi perhentian proses

286

produksi dikarenakan kekurangan jumlah komponen bandrek tersebut, maka perusahaan perlu menerapkan safety stock sebanyak 1 buah bandrek. Selain itu perusahaan akan melakukan pemesanan kembali / reorder point pada saat komponen

bandrek tersisa 2 buah. Berdasarkan perhitungan total biaya terhadap komponen bandrek, maka didapat hasil sebesar Rp 557.404,- dimana nilai yang sebenarnya dari perusahaan dalam pembelian bandrek ini dalam kurun waktu setahun adalah kurang lebih sebesar Rp. 800.000,-. Dengan perbandingan nilai yang cukup jauh ini dapat diambil kesimpulan bahwa dengan menggunakan metode Economic Order Quantity, maka perusahaan akan dapat mengurangi biaya yang timbul apabila dari awal sudah dapat diketahui berapa jumlah yang akan disediakan dan juga dibeli tiap kali pemesanan dilakukan. Dengan mengetahui jumlah komponen yang akan dipesan serta kapan waktu untuk melakukan pemesanan kembali, maka perusahaan sudah seharusnya menjaga serta memperhatikan waktu-waktu yang didapatkan dari perhitungan tersebut, supaya biaya yang timbul tidak membengkak dan akhirnya merugikan perusahaan dari segi finansial dan tidak merugikan perusahaan pula dari segi waktu.

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

Recommend Documents