Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
PENGEMBANGAN MODEL SIMULASI UNTUK MENENTUKAN OVERAL RELIABILITY DAN AVAILABILITY JARINGAN MESIN DALAM SISTEM PRODUKSI Dody Hartanto1,*) dan Yudha Andrian Saputra2) 1) Jurusan Teknik Industri , Institut Teknologi Sepuluh Nopember Jl.Raya ITS, Surabaya, 60111, Indonesia e-mail:
[email protected] 2) Jurusan Teknik Industri , Institut Teknologi Sepuluh Nopember ABSTRAK Sebagian besar sistem produksi terdiri dari beberapa mesin yang tersusun secara serial dan atau paralel membentuk jaringan mesin. Mesin dengan reliabilitas dan availabilitas yang tinggi menjadi tidak bisa berkontribusi dengan baik terhadap reliabilitas dan availabilitas sistem produksi jika mesin tersebut berada pada posisi serial dengan mesin lain yang memiliki reliabilitas dan availabilitas yang rendah. Sebaliknya, mesin dengan reliabilitas yang rendah menjadi tidak terlalu berdampak buruk terhadap reliabilitas dan availabilitas sistem produksi jika mesin tersebut tersusun secara paralel dengan mesin lain. Banyak penelitian telah dilakukan untuk menentukan reliabilitas dan availabilitas jaringan listrik dan telekomunikasi. Akan tetapi, reliabilitas dan availabilitas jaringan mesin dalam sistem produksi memiliki karakteristik yang berbeda dengan jaringan telekomunikasi dan jaringan listrik. Pada jaringan telekomunikasi dan jaringan listrik ketika salah satu komponen rusak(tidak bekerja) maka komponen yang lain yang tersusun secara serial dengan komponen tersebut juga tidak bisa bekerja. Pada jaringan mesin dalam sistem produksi jika suatu mesin dalam kondisi rusak maka mesin yang menjadi succesor mesin tersebut masih bisa bekerja selama terdapat work in process(WIP). Pada penelitian ini dilakukan pengembangan dan penggunaan model simulasi untuk menentukan reliabilitas dan availabilitas jaringan mesin dalam sistem produksi secara keseluruhan. Hasil simulasi dengan berbagai konfigurasi mesin menunjukkan bahwa reliabilitas dan availabilitas masing-masing mesin cukup berbeda dengan reliabilitas dan availabilitas jaringan mesin secara keseluruhan. Kata kunci: Reliabilitas dan Availabilitas Jaringan Mesin, Sistem Produksi, SimulasiNG
PENDAHULUAN Kemampuan perusahaan dalam memenuhi permintaan konsumen merupakan hal yang sangat penting dalam menentukan kesuksesan suatu perusahaan. Pada perusahaan manufaktur, kemampuan ini sangat ditentukan oleh reliabilitas dan availabilitas mesin dalam sistem produksi. Availabilitas dan reliabilitas mesin berkaitan dengan kemampuan sistem produksi menjalankan perannya dalam menghasilkan produk. Oleh karena itu, setiap perusahaan berusaha meningkatkan reliabilitas dan availabilitas sistem produksinya. Banyak kebijakan yang bisa diambil untuk meningkatkan reliabilitas dan availabilitas mesin. Kebijakan yang dapat dilakukan untuk meningkatkan reliabilitas dan availabilitas mesin meliputi : mengubah progam perawatan yang bersifat reaktif (reactive maintenance) menjadi program perawatan yang bersifat pencegahan (preventive maintenance), menyediakan extra machine (redundancy), mengganti spart part lebih awal, melibatkan operator dalam perawatan, mengelola persediaan spart part dengan baik, merancang mesin supaya mudah dirawat dan diperbaiki dan menyediakan WIP(work in process) sebagai buffer. ISBN : 978-602-97491-4-4 A-19-1
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Tujuan utama pendekatan-pendekatan tersebut adalah untuk mencegah supaya mesin tidak berhenti beroperasi ketika digunakan (di luar jadwal perawatan) dan jika rusak dapat segera beroperasi kembali. Sebagian besar pendekatan-pendekatan tersebut fokus pada mesin secara individu dan tidak memperhatikan posisi mesin dalam sistem produksi. Mesin dengan reliabilitas dan availabilitas yang tinggi menjadi tidak bisa berkontribusi dengan baik terhadap reliabilitas dan availabilitas sistem produksi jika mesin tersebut berada pada posisi serial dengan mesin lain yang memiliki reliabilitas dan availabilitas yang rendah. Sebaliknya, mesin dengan reliabilitas yang rendah menjadi tidak terlalu berdampak buruk terhadap reliabilitas dan availabilitas sistem produksi jika mesin tersebut tersusun secara paralel dengan mesin lain. Kebijakan yang diambil untuk meningkatkan reliabilitas dan availabilitas mesin seharusnya memperhatikan posisi mesin tersebut dalam jaringan mesin dalam sistem produksi. Pendekatan yang dapat dilakukan adalah dengan memperlakukan jaringan mesin tersebut sebagai sebuah network(jaringan). Beberapa penelitian telah dilakukan untuk menentukan reliabilitas dan availabilitas jaringan. Rocco dan Moreno (2002) menggunakan metode celular automata (CA) dan simulasi monte carlo dalam mengestimasi reliabilitas jaringan. Jane et.al (1993) meneliti reliabilitas jaringan dengan komponen yang memiliki multistatus dan keterbatasan kapasitas. Jaringan mesin dalam sistem produksi memiliki karakteristik yang berbeda dengan jaringan telekomunikasi, distribusi(air,gas,minyak), transportasi(jalan raya, rel kereta api), maupun jaringan listrik. Pada jaringan-jaringan tersebut, suatu komponen atau path(jalur) tidak akan dapat bekerja jika komponen atau path(jalur) yang tersusun secara serial dengan komponen atau path(jalur) tersebut dalam kondisi rusak. Hal ini tidak berlaku pada jaringan mesin pada sistem produksi. Pada sistem produksi jika suatu mesin rusak maka mesin lain yang tersusun secara serial dengan mesin yang rusak tersebut masih tetap bisa bekerja selama wip (work in process) yang dihasilkan oleh mesin sebelumnya masih tersedia. Dengan kata lain, suatu mesin akan berhenti bekerja hanya jika mesin tersebut rusak dan atau mesin tersebut tidak rusak namun wip (work in process) yang dihasilkan oleh mesin sebelumnya tidak tersedia. Penggunaan metode analitik akan sangat sulit untuk mengevaluasi reliabilitas dan availabilitas jaringan mesin. Hal ini disebabkan oleh kompleksitas sistem yang tinggi. Penentuan reliabilitas dan availabilitas menjadi semakin sulit ditentukan dengan metode analitis ketika masalah semakin besar (jumlah mesin semakin banyak). Kalyan and Kumar (1988) menyatakan bahwa simulasi merupakan metode yang lebih baik jika dibandingkan dengan metode exact dalam mengevaluasi reliabilitas dan availabilitas jaringan dengan jumlah path yang besar. Metode simulasi dapat mengakomodasi berbagai aspek sistem yang tidak bisa diakomodasi oleh model analitis. Aspek-aspek tersebut meliputi K out of N, redundansi, stand by, aging, perawatan pencegahan, prioritas perawatan, ketersediaan teknisi perawatan dan lain-lain (Marquez et al, 2004). Selain itu, simulasi merupakan metode terbanyak kedua yang digunakan dalam manajemen operasi (jahangirian et. al, 2010). Penggunaan metode simulasi dalam menentukan reliabilitas sistem sudah dimulasi sejak lama. Basker dan Martin (1977) menggunakan simulasi montecarlo dalam menentukan availabilitas mesin tunggal. Windebank (1983) dan Alidrisi (1987) membandingkan metode analitik dan metode simulasi dalam menentukan reliabilitas. Marquez dan Coit (2004) menggunakan simulasi montecarlo untuk menentukan reliabilitas jaringan dengan komponen yang memiliki multistatus. Penelitian ini mengembangkan model simulasi untuk menentukan reliabilitas dan availabilitas jaringan mesin pada sistem produksi secara keseluruhan dan tidak hanya pada mesin secara individual. Model yang dikembangkan dalam penelitian ini dapat digunakan ISBN : 978-602-97491-4-4 A-19-2
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
untuk mengevaluasi kebijakan yang tepat dalam memilih strategi peningkatan reliabilitas dan availabilitas mesin. Pengambil keputusan bisa menentukan prioritas mesin yang akan ditingkatkan reliabilitas dan availabilitasnya dengan memperhatikan posisi setiap mesin dalam jaringan mesin dalam sistem produksi. Selain itu, model simulasi pada penelitian ini juga dapat digunakan untuk menilai kehandalan sistem produksi dalam memenuhi target produksi METODE Model simulasi untuk menentukan availabilitas jaringan mesin dalam sistem produksi memerlukan input distribusi waktu antar kerusakan (MTBF) setiap mesin, waktu yang diperlukan untuk melakukan perbaikan mesin(MTTR), waktu proses dan konfigurasi mesin (routing). Simulasi dilakukan dengan mengembangkan program komputer menggunakan VBA(Visual Basic for Aplication) pada microsoft excel. Hal ini dilakukan untuk memudahkan verifikasi dan validasi model simulasi. Pengembangan program komputer dengan VBA(Visual Basic for Aplication) memungkinkan untuk melakukan trace program dengan mudah jika program dinilai tidak berjalan sesuai alur berfikir model simulasi. Model simulasi dikembangkan dengan asumsi sebagai berikut: Bahan baku selalu tersedia sehingga mesin pertama tidak pernah berhenti bekerja karena kehabisan bahan baku. Kerusakan antar mesin tidak saling mempengaruhi (independent) Selalu tersedia ruang untuk menyimpan wip (work in process) yang dihasilkan oleh mesin sebelum diproses oleh meisn selanjutnya atau tidak ada keterbasan tempat penyimpanan intermediate buffer. Tidak terdapat waktu menunggu dalam memperbaiki mesin yang disebabkan oleh ketidaktersediaan spare part dan tenaga perawatan sehingga MTTR(mean time to repair) merupakan distribusi yang menyatakan waktu yang dibutuhkan oleh tenaga perawatan untuk memperbaiki mesin. Metode perawatan yang diterapkan oleh perusahaan adalah metode perawatan korektif sehingga perawatan mesin hanya dilakukan ketika mesin sudah mengalami kerusakan. Jika mesin sedang memproses produk dan kemudian mesin rusak maka produk tersebut tidak dapat dikerjakan ulang (rework) Model simulasi setiap mesin yang dikembangkan dalam penelitian ini dapat dilihat pada gambar 1. Mesin yang lain menggunakan logika program yang sama. Simulasi dimulai dengan menentukan mean time between failure(MTBF) dan mean time to repair( MTTR) setiap mesin. Dalam model simulasi digunakan distribusi eksponensial sebagai distribusi mean time between failure(MTBF) maupun mean time to repair( MTTR). Penggunaan distribusi yang lain seperti normal, weibull, distribusi empiris maupuan distribusi yang lain dapat dengan mudah diakomodasi dengan cara memodifikasi kode program pada modul program untuk menentukan MTBF dan MTTR. Pembangkitan bilangan random diperlukan untuk menentukan waktu kerusakan berikutnya atau menjadwalkan terjadinya kerusakan mesin yang akan datang. Microsoft excel memiliki pseudo random number generator yang telah diuji dan hasilnya cukup baik( Law, 2007). Pseudo random number generator menghasilkan bilangan random berdistribusi uniform(0,1). Bilangan random yang berdistribusi uniform ini kemudian diubah menjadi bilangan random yang berdistribusi exponensial sesuai dengan MTBF dan MTTR setiap mesin. Hal ini dilakukan dengan metode inverse transform. Jadwal kerusakan mesin dan
ISBN : 978-602-97491-4-4 A-19-3
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
lamanya waktu yang diperlukan untuk memperbaiki mesin kemudian digunakan untuk mengupdate uptime dan downtime. Jaringan mesin dalam sistem produksi memiliki karakteristik yang berbeda dengan jaringan telekomunikasi, distribusi(air, gas, minyak), transportasi(jalan raya, rel kereta api), maupun jaringan listrik. Pada jaringan-jaringan tersebut, suatu komponen atau jalur (path) tidak dapat bekerja jika komponen atau jalur(path) yang tersusun secara serial dengan komponen atau jalur(path) tersebut dalam kondisi rusak. Hal ini tidak berlaku pada jaringan mesin pada sistem produksi. Pada sistem produksi jika suatu mesin rusak maka mesin lain yang tersusun secara serial dengan mesin yang rusak tersebut masih tetap bisa bekerja selama wip(work in process) yang dihasilkan oleh mesin sebelumnya (mesin predesesor) masih tersedia. Dengan kata lain, suatu mesin akan berhenti bekerja hanya jika mesin tersebut rusak dan atau mesin tersebut tidak rusak namun wip (work in process) yang dihasilkan oleh mesin sebelumnya tidak tersedia. Oleh karena itu, penentuan banyaknya wip (work in process) yang dihasilkan oleh suatu mesin dalam periode tertentu dalam simulasi ini menjadi sangat penting. Banyaknya wip (work in process) maksimal yang bisa dihasilkan oleh mesin selama uptime adalah rounddown (uptime / waktu proses). Jumlah ini tidak selalu dapat dicapai oleh mesin karena produksi suatu mesin ditentukan oleh ketersediaan wip (work in process) yang dihasilkan oleh mesin sebelumnya. Oleh karena itu, banyaknya wip (work in process) yang dihasilkan oleh suatu mesin ditentukan dengan ketentuan sebagai berikut : Jika rounddown(uptime / waktu proses) lebih kecil atau sama dengan banyaknya wip (work in process) yang dihasilkan oleh mesin sebelumnya maka banyaknya wip (work in process) yang dihasilkan oleh mesin tersebut adalah sebesar rounddown (uptime / waktu proses) mesin tersebut. Jika rounddown (uptime / waktu proses) lebih besar jika dibandingkan dengan banyaknya wip (work in process) yang dihasilkan oleh mesin sebelumnya maka banyaknya wip (work in process) yang dihasilkan oleh mesin tersebut adalah sebesar ketersediaan wip (work in process) yang dihasilkan oleh mesin sebelumnya. Pada program komputer yang dikembangkan pada penelitian ini, setiap wip (work in process) di-record waktu mulai dan selesai diproses pada setiap mesin. Hal ini dilakukan untuk memastikan suatu mesin tidak beroperasi ketika tidak tersedia wip (work in process) yang dihasilkan oleh mesin sebelumnya sehingga WIP ke-i mesin J hanya akan mulai diproses ketika mesin J tidak rusak dan wip (work in process) ke-i mesin J-1 telah selesai diproses.
ISBN : 978-602-97491-4-4 A-19-4
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Gambar 1. Model Simulasi Penentuan Reliabilitas dan Availabilitas Jaringan Mesin.
Penentuan waktu yang diperlukan untuk melakukan perbaikan pada kerusakaan ke-i dilakukan dengan cara yang hampir sama dengan penentuan kerusakan mesin yaitu dimulai dengan membangkitkan bilangan random yang uniform dan kemudian mentransformasikannya kedalam distribusi yang sesuai. diperlukan untuk memperbaiki mesin dihitung sebagai downtime. ISBN : 978-602-97491-4-4 A-19-5
mesin pada waktu antar berdistribusi Waktu yang
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Proses ini dilakukan terus menerus selama kriteria pemberhentian simulasi (stoping criteria) yang berupa waktu kerja belum tercapai. Ketika kriteria pemberhentian yang berupa waktu tercapai maka dilakukan penghitungan availabilitas mesin dengan rumus: availabilitas = (total uptime / (total uptime + total downtime)) Pada penelitian ini dilakukan simulasi pada empat mesin dengan dua konfigurasi mesin yang berbeda. Dua konfigurasi mesin tersebut adalah sebagai berikut: Serial Konfigurasi mesin seperti pada gambar 1 merupakan konfigurasi serial. Pada konfigurasi mesin serial setiap mesin memiliki ketergantungan terhadap mesin pendahulunya dalam routing produksi.
Gambar 2. Mesin Tersusun Secara Serial
Serial Paralel Konfigurasi mesin seperti pada gambar 3 merupakan konfigurasi mesin serial-paralel yaitu mesin disusun secara serial sekaligus paralel dengan mesin yang lainnya. Pada konfigurasi mesin seperti ini mesin 4 hanya akan bisa menghasilkan produk jika tersedia wip (work in process) yang dihasilkan oleh mesin 2 dan mesin 3. Konfigurasi ini cukup berbeda jika dibandingkan dengan konfigurasi mesin pada gambar 1. Perbedaan utama terletak pada tingkat ketergantungan antar mesin yang semakin besar.
Gambar 3. Mesin Tersusun Secara Serial dan Paralel
Validasi model simulasi dilakukan dengan mencermati output simulasi. Jika terdapat hasil yang tidak wajar atau tidak masuk akal maka hal ini mengindikasikan model yang dikembangkan dan atau program komputer yang dikembangkan belum baik sehingga perlu diperbaiki (face validity). Beberapa kondisi yang dapat digunakan untuk menilai apakah
ISBN : 978-602-97491-4-4 A-19-6
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
program komputer yang dikembangkan telah sesuai dengan model simulasi yang diinginkan adalah sebagai berikut: Availabilitas beberapa mesin yang tersusun secara serial tidak bisa melebihi availabilitas mesin dengan availabilitas terendah. Banyaknya produk yang dihasilkan oleh jaringan mesin dalam sistem produksi maksimal sebanyak banyaknya wip (work in process) yang dihasilkan oleh mesin dengan hasil yang terendah(botleneck) Mesin suksesor tidak beroperasi ketika wip (work in process) yang dihasilkan oleh mesin pendahulunya tidak tersedia. Pada konfigurasi serial paralel, mesin 4 tidak bisa beroperasi untuk memproses WIP jika tidak tersedia wip (work in process) yang dihasilkan oleh kedua mesin yang menjadi predesesor. Validasi juga dilakukan dengan memasukan beberapa parameter ekstrem. Parameter ekstrem yang dicoba dalam model adalah dengan menetapkan semua mesin tidak pernah mengalami kerusakan. Dalam kondisi ini, availabilitas mesin 100% dan availabilitas mesin yang tidak terpakai hanya disebabkan oleh mesin menunggu selesainya WIP pertama dari mesin sebelumnya. Hasil simulasi dalam beberapa replikasi menunjukkan output yang masuk akal. Hal ini menunjukan model simulasi yang dikembangkan dalam penelitian ini adalah model yang valid. HASIL DAN PEMBAHASAN Pada simulasi ini digunakan distribusi MTBF yang sama untuk semua mesin yaitu berdistribusi exponensial dengan rata-rata antar kerusakan adalah 20 dan distribusi waktu yang diperlukan untuk melakukan perbaikan(MTTR) adalah 5 dan waktu proses 1. Hasil simulasi jaringan mesin dengan konfigurasi serial dalam 30 replikasi dapat dilihat pada tabel 1 dan hasil simulasi konfigurasi mesin seri-paralel dapat dilihat pada tabel 2. Dari hasil tersebut dapat dilihat bahwa terdapat perbedaan yang cukup besar antara downtime (mesin rusak) dengan lamanya mesin tidak berproduksi karena downtime (mesin rusak) dan ketidaktersediaan wip(work in process) yang dihasilkan oleh mesin sebelumnya. Mesin kesatu memiliki perbedaan 1,8 %. Perbedaan ini tidak besar karena pada mesin kesatu diasumsikan tidak terdapat kekurangan bahan baku. Mesin kedua terdapat perbedaan 5,8%, mesin ketiga terdapat perbedaan 9,3% dan mesin keempat terdapat perbedaan 11%. Pada mesin keempat yaitu mesin yang menghasilkan produk jadi, mesin tidak berproduksi selama 30% dari waktu kerja. Hal ini menunjukkan bahwa mesin dengan konfigurasi seperti ini hanya akan mampu berproduksi maksimal sebanyak 70% dari kapasitas. Perbedaan ini menunjukkan adanya availabilitas mesin yang tidak terpakai karena tidak tersedianya wip yang dihasilkan oleh mesin sebelumnya. Ketidaktersediaan wip merupakan akumulasi dampak dari downtime mesin-mesin sebelumnya. Hasil simulasi menunjukkan bahwa semakin dibelakang posisi mesin dalam jaringan mesin maka semakin besar availabilitas yang tidak terpakai karena ketidaktersediaan wip(work in process).
ISBN : 978-602-97491-4-4 A-19-7
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Tabel 1. Hasil Simulasi Konfigurasi Mesin Serial Replikasi ke uptime 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 Rata-Rata
715.76 797.05 810.23 841.85 773.58 752.44 804.10 778.89 815.73 752.57 833.59 849.57 837.75 824.43 762.11 795.59 736.23 770.52 807.70 814.75 841.90 774.92 827.63 758.42 802.51 825.43 786.89 749.45 786.87 772.16 793.35
Mesin 1
Mesin 2
Mesin 3
Mesin 4
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak uptime produksi
Mesin Rusak
tidak produksi
284.98 205.67 190.72 158.74 226.57 247.64 196.08 225.96 185.00 250.54 166.75 150.97 164.30 175.69 238.84 204.65 264.13 229.91 192.95 185.60 159.01 225.79 172.39 242.50 198.14 175.14 214.27 250.60 213.81 228.05 207.51
302.74 209.15 209.95 172.60 249.16 260.08 215.18 239.32 203.73 261.66 184.34 169.54 178.16 194.12 259.96 221.89 290.36 251.43 217.65 208.35 176.92 249.71 190.03 257.92 214.66 191.57 232.12 271.04 231.67 251.22 225.54
28.48% 20.51% 19.05% 15.86% 22.65% 24.76% 19.60% 22.49% 18.49% 24.98% 16.67% 15.09% 16.40% 17.57% 23.86% 20.46% 26.40% 22.98% 19.28% 18.55% 15.89% 22.56% 17.24% 24.23% 19.80% 17.50% 21.40% 25.06% 21.37% 22.80% 20.73%
30.25% 20.86% 20.97% 17.25% 24.91% 26.01% 21.51% 23.82% 20.36% 26.08% 18.43% 16.94% 17.78% 19.41% 25.97% 22.18% 29.03% 25.13% 21.75% 20.83% 17.68% 24.95% 19.00% 25.77% 21.45% 19.15% 23.18% 27.10% 23.15% 25.12% 22.53%
217.70 178.21 149.99 230.20 197.44 191.16 192.22 179.64 226.39 208.24 266.06 157.58 272.81 214.44 165.05 209.74 178.82 220.45 212.59 186.97 212.04 282.73 218.46 270.26 158.91 204.07 252.58 205.13 152.39 171.91 206.14
342.82 219.52 213.89 260.79 278.68 289.76 246.88 259.20 266.79 280.20 280.30 221.90 301.24 235.89 276.93 273.03 304.37 276.85 228.23 216.16 226.09 326.03 250.90 319.12 218.94 251.65 265.77 309.61 233.08 251.22 264.20
21.70% 17.81% 14.98% 23.02% 19.73% 19.11% 19.21% 17.95% 22.62% 20.82% 26.57% 15.74% 27.27% 21.43% 16.49% 20.97% 17.88% 22.03% 21.23% 18.69% 21.20% 28.27% 21.83% 27.02% 15.88% 20.40% 25.21% 20.50% 15.24% 17.19% 20.60%
34.18% 21.94% 21.36% 26.08% 27.85% 28.97% 24.67% 25.91% 26.65% 28.01% 28.00% 22.17% 30.12% 23.57% 27.67% 27.30% 30.43% 27.66% 22.79% 21.61% 22.60% 32.60% 25.07% 31.91% 21.87% 25.15% 26.52% 30.94% 23.31% 25.12% 26.40%
164.34 161.44 220.38 228.40 219.83 103.26 140.15 197.22 196.69 212.10 225.24 155.62 196.81 255.44 224.05 231.92 212.61 180.83 174.99 173.65 199.64 219.20 155.06 220.96 249.35 194.65 144.67 149.51 194.94 193.40 193.21
352.90 232.13 276.53 310.39 320.76 293.37 253.22 259.20 269.49 337.48 335.37 236.42 306.20 294.16 300.56 301.37 309.27 283.99 241.52 245.66 251.34 336.00 261.92 334.40 280.76 252.63 279.01 337.53 234.60 237.60 285.53
16.42% 16.14% 22.03% 22.83% 21.97% 10.32% 14.01% 19.71% 19.66% 21.20% 22.51% 15.56% 19.68% 25.54% 22.40% 23.18% 21.26% 18.07% 17.49% 17.35% 19.96% 21.90% 15.49% 22.09% 24.89% 18.98% 14.46% 14.94% 19.48% 19.32% 19.29%
35.26% 23.21% 27.64% 31.03% 32.05% 29.33% 25.32% 25.91% 26.94% 33.73% 33.52% 23.63% 30.61% 29.41% 30.05% 30.13% 30.92% 28.37% 24.14% 24.55% 25.12% 33.56% 26.17% 33.43% 28.02% 24.63% 27.90% 33.74% 23.44% 23.74% 28.52%
201.45 210.31 124.07 161.18 155.45 237.83 205.28 227.19 130.12 212.17 209.83 204.41 131.23 203.58 215.07 206.60 198.77 171.70 174.74 177.16 219.64 265.77 180.94 187.09 248.43 149.70 176.37 191.47 167.16 194.86 191.32
354.41 265.86 277.63 348.04 311.60 333.02 266.26 292.77 274.88 342.88 346.12 262.33 318.42 307.08 294.57 332.53 332.88 284.42 280.11 258.88 286.51 352.90 260.86 334.40 280.76 252.63 281.22 352.16 275.12 246.38 300.25
20.14% 20.99% 12.37% 16.10% 15.51% 23.68% 20.52% 22.72% 13.00% 21.20% 20.98% 20.43% 13.07% 20.35% 21.48% 20.65% 19.86% 17.16% 17.47% 17.71% 21.95% 26.55% 18.08% 18.70% 24.82% 14.96% 17.63% 19.14% 16.71% 19.47% 19.11%
35.43% 26.54% 27.69% 34.77% 31.10% 33.15% 26.62% 29.27% 27.46% 34.26% 34.61% 26.22% 31.72% 30.70% 29.42% 33.24% 33.26% 28.42% 28.01% 25.88% 28.63% 35.26% 26.07% 33.43% 28.05% 25.25% 28.11% 35.20% 27.51% 24.62% 30.00%
71.52% 79.49% 80.95% 84.14% 77.35% 75.24% 80.40% 77.51% 81.51% 75.02% 83.33% 84.91% 83.60% 82.43% 76.14% 79.54% 73.60% 77.02% 80.72% 81.45% 84.11% 77.44% 82.76% 75.77% 80.20% 82.50% 78.60% 74.94% 78.63% 77.20% 79.27%
785.36 822.31 851.40 769.95 803.24 808.97 808.66 820.92 774.60 791.96 735.12 843.32 727.43 786.45 835.66 790.29 821.55 780.41 788.70 813.18 788.13 717.30 782.44 729.86 842.03 796.49 749.43 795.48 847.70 828.30 794.55
78.30% 82.19% 85.02% 76.98% 80.27% 80.89% 80.79% 82.05% 77.38% 79.18% 73.43% 84.26% 72.73% 78.57% 83.51% 79.03% 82.12% 77.97% 78.77% 81.31% 78.80% 71.73% 78.17% 72.98% 84.12% 79.60% 74.79% 79.50% 84.76% 82.81% 79.40%
836.56 838.89 780.16 771.83 780.94 897.12 860.07 803.34 803.80 788.38 775.35 844.80 803.39 744.72 776.29 768.45 787.58 820.16 825.53 827.01 800.79 781.91 845.86 779.44 752.61 831.06 855.51 851.02 805.75 807.56 808.20
83.58% 83.86% 77.97% 77.17% 78.03% 89.68% 85.99% 80.29% 80.34% 78.80% 77.49% 84.44% 80.32% 74.46% 77.60% 76.82% 78.74% 81.93% 82.51% 82.65% 80.04% 78.10% 84.51% 77.91% 75.11% 81.02% 85.54% 85.06% 80.52% 80.68% 80.71%
798.96 791.57 878.72 839.70 846.59 766.65 794.99 772.94 870.77 788.71 790.28 795.92 872.50 796.70 786.28 793.93 802.12 828.99 825.37 823.24 780.96 735.13 819.77 813.31 752.46 850.83 824.01 808.87 833.06 805.88 809.64
79.86% 79.01% 87.63% 83.90% 84.49% 76.32% 79.48% 77.28% 87.00% 78.80% 79.02% 79.57% 86.93% 79.65% 78.52% 79.35% 80.14% 82.84% 82.53% 82.29% 78.05% 73.45% 81.92% 81.30% 75.18% 85.04% 82.37% 80.86% 83.29% 80.53% 80.89%
Seperti pada konfigurasi mesin serial, hasil simulasi pada konfigurasi seri-paralel juga terdapat perbedaan yang cukup besar antara downtime (mesin rusak) dengan lamanya mesin tidak berproduksi karena downtime (mesin rusak) dan ketidaktersediaan wip(work in process) yang dihasilkan oleh mesin sebelumnya. Mesin kesatu memiliki perbedaan 1,5 %. Mesin kedua terdapat perbedaan 5,2%, mesin ketiga terdapat perbedaan 1,9% dan mesin keempat terdapat perbedaan 8%. Pada mesin keempat, availabilitas mesin yang tidak terpakai adalah yang paling besar jika dibandingkan dengan mesin yang lain. Hal ini terjadi selain karena akumulasi dari dampak downtime dari mesin sebelumnya juga disebabkan oleh mesin empat hanya bisa berproduksi jika tersedia WIP hasil produksi mesin dua dan tiga. Metode lain yang dapat digunakan dalam menilai reliabilitas jaringan mesin adalah dengan cara membandingkan produk yang berhasil diproduksi oleh jaringan mesin dengan target produksi. Metode ini dapat dilakukan dengan langkah-langkah sebagai berikut: Tetapkan banyaknya replikasi dan target produksi. Jika variabilitas sistem semakin besar maka gunakan replikasi yang semakin banyak. Lakukan simulasi sebanyak replikasi yang direncanakan. Hitung banyaknya replikasi yang menunjukkan bahwa sistem produksi dapat memenuhi target. Reliabilitas mesin dapat dihitung dengan formulasi sebagai berikut: Reliabilitas = (Banyaknya replikasi dengan jumlah produksi yang dapat memenuhi target / banyaknya replikasi) Hasil simulasi konfigurasi mesin seri paralel dalam 30 replikasi dapat dilihat pada tabel 3. Jika target yang ditetapkan adalah 650 maka terdapat 27 replikasi yang dapat memenuhi target dan 3 replikasi yang tidak dapat memenuhi target. Oleh karena itu, reliabilitas jaringan mesin adalah 27 / 30 = 90%. Jika target produksi adalah 700 maka terdapat 14 replikasi yang menunjukkan bahwa jaringan mesin dapat memenuhi target produksi sehingga reliabilitas mesin adalah 14 / 30 = 46,7%. Dengan cara seperti ini pihak perusahaan dapat menilai kehandalan(reliabilitas) sistem produksi dalam memenuhi permintaan konsumen. ISBN : 978-602-97491-4-4 A-19-8
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
Tabel 2. Hasil Simulasi Konfigurasi Mesin Seri-Paralel Replikasi 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 Rata-rata
uptime 799.10 839.50 833.70 815.10 837.75 810.96 801.05 780.95 790.25 785.51 828.85 825.53 807.81 814.55 874.27 824.83 827.28 798.28 807.76 755.07 681.80 800.85 819.69 785.76 879.72 840.39 764.28 838.24 786.46 739.68 806.50
Mesin Rusak 201.45 161.60 167.24 186.20 164.30 192.50 198.96 222.25 209.76 215.36 171.61 174.99 193.02 185.62 126.33 176.71 173.14 201.92 193.05 245.77 318.78 199.83 181.24 215.21 121.03 160.47 236.18 162.36 213.69 272.04 194.75
Mesin 1 tidak uptime produksi 225.55 79.87% 166.83 83.86% 184.94 83.29% 183.84 81.40% 178.16 83.60% 204.03 80.82% 217.01 80.10% 220.85 77.85% 230.01 79.02% 233.87 78.48% 183.46 82.85% 193.52 82.51% 206.10 80.71% 202.17 81.44% 136.86 87.37% 187.98 82.36% 189.42 82.69% 218.20 79.81% 207.82 80.71% 268.79 75.44% 342.58 68.14% 217.69 80.03% 201.94 81.89% 237.96 78.50% 141.75 87.91% 178.86 83.97% 255.89 76.39% 175.60 83.77% 232.15 78.63% 280.66 73.11% 210.15 80.55%
Mesin Rusak 20.13% 16.14% 16.71% 18.60% 16.40% 19.18% 19.90% 22.15% 20.98% 21.52% 17.15% 17.49% 19.29% 18.56% 12.63% 17.64% 17.31% 20.19% 19.29% 24.56% 31.86% 19.97% 18.11% 21.50% 12.09% 16.03% 23.61% 16.23% 21.37% 26.89% 19.45%
tidak produksi 22.54% 16.66% 18.48% 18.36% 17.78% 20.33% 21.70% 22.01% 23.00% 23.37% 18.34% 19.34% 20.59% 20.21% 13.68% 18.77% 18.93% 21.82% 20.76% 26.86% 34.24% 21.75% 20.17% 23.77% 14.16% 17.87% 25.58% 17.55% 23.21% 27.74% 20.99%
uptime 747.30 791.50 745.83 821.18 727.43 776.77 845.59 776.04 874.30 808.44 804.61 825.37 805.37 810.92 819.48 774.95 776.48 831.40 799.96 767.33 764.00 841.87 845.33 851.27 836.30 885.34 798.64 767.88 755.80 841.94 803.95
Mesin 2 Mesin 3 Mesin 4 Mesin tidak Mesin tidak Mesin tidak Mesin tidak Mesin tidak Mesin tidak uptime uptime uptime uptime uptime Rusak produksi Rusak produksi Rusak produksi Rusak produksi Rusak produksi Rusak produksi 253.17 273.47 74.69% 25.31% 27.33% 729.75 273.33 288.41 72.75% 27.25% 28.75% 830.09 170.34 305.43 82.97% 17.03% 30.53% 209.18 246.68 79.10% 20.90% 24.65% 758.96 241.73 260.68 75.84% 24.16% 26.05% 699.59 302.21 339.43 69.83% 30.17% 33.88% 254.56 287.39 74.55% 25.45% 28.73% 767.54 233.19 252.73 76.70% 23.30% 25.25% 771.99 235.54 351.75 76.62% 23.38% 34.91% 183.05 226.96 81.77% 18.23% 22.60% 842.41 158.06 176.48 84.20% 15.80% 17.64% 773.75 227.03 262.78 77.31% 22.69% 26.26% 272.81 301.24 72.73% 27.27% 30.12% 803.39 196.81 219.20 80.32% 19.68% 21.92% 867.37 132.87 301.24 86.72% 13.28% 30.12% 223.45 263.22 77.66% 22.34% 26.32% 738.18 263.15 275.16 73.72% 26.28% 27.48% 807.50 193.10 303.61 80.70% 19.30% 30.34% 158.13 221.34 84.25% 15.75% 22.05% 792.50 207.97 224.47 79.21% 20.79% 22.44% 783.40 223.27 274.14 77.82% 22.18% 27.23% 224.04 288.08 77.60% 22.40% 28.81% 810.84 189.17 211.01 81.08% 18.92% 21.10% 838.86 161.46 312.32 83.86% 16.14% 31.22% 126.60 235.90 87.35% 12.65% 23.57% 770.07 230.34 256.40 76.98% 23.02% 25.63% 766.82 233.59 269.41 76.65% 23.35% 26.93% 192.39 271.83 80.78% 19.22% 27.16% 786.13 214.21 233.35 78.59% 21.41% 23.33% 766.94 235.67 289.60 76.49% 23.51% 28.88% 195.54 216.15 80.45% 19.55% 21.61% 808.68 191.50 216.18 80.85% 19.15% 21.61% 795.41 205.04 256.45 79.50% 20.50% 25.63% 174.74 237.11 82.53% 17.47% 23.71% 814.75 185.60 208.35 81.45% 18.55% 20.83% 783.54 216.80 264.34 78.33% 21.67% 26.43% 194.67 226.03 80.53% 19.47% 22.60% 825.77 175.18 191.95 82.50% 17.50% 19.18% 785.12 215.46 251.59 78.47% 21.53% 25.14% 189.22 239.14 81.08% 18.92% 23.91% 794.80 205.93 227.73 79.42% 20.58% 22.76% 772.05 228.81 280.87 77.14% 22.86% 28.06% 180.53 205.01 81.95% 18.05% 20.50% 857.13 143.22 159.35 85.68% 14.32% 15.93% 727.69 272.32 308.01 72.77% 27.23% 30.80% 225.84 256.78 77.43% 22.57% 25.66% 819.16 187.33 194.89 81.39% 18.61% 19.36% 857.39 143.39 256.78 85.67% 14.33% 25.66% 224.41 258.89 77.58% 22.42% 25.87% 800.08 200.09 220.16 79.99% 20.01% 22.01% 785.00 216.21 301.17 78.40% 21.60% 30.08% 169.28 229.69 83.08% 16.92% 22.95% 740.51 260.11 283.62 74.01% 25.99% 28.34% 718.47 282.31 326.78 71.79% 28.21% 32.65% 200.83 240.79 79.93% 20.07% 24.06% 839.18 161.17 183.35 83.89% 16.11% 18.33% 810.73 198.27 240.79 80.35% 19.65% 23.86% 233.44 325.72 76.67% 23.33% 32.55% 824.31 176.28 196.59 82.38% 17.62% 19.65% 710.55 289.77 348.27 71.03% 28.97% 34.82% 239.39 342.95 76.14% 23.86% 34.18% 858.71 152.59 157.79 84.91% 15.09% 15.60% 812.07 188.88 342.95 81.13% 18.87% 34.26% 158.95 226.82 84.12% 15.88% 22.66% 765.65 234.43 260.08 76.56% 23.44% 26.01% 792.48 207.60 259.08 79.24% 20.76% 25.91% 155.34 235.67 84.48% 15.52% 23.55% 759.64 240.57 259.21 75.95% 24.05% 25.92% 769.54 249.16 263.86 75.54% 24.46% 25.90% 149.93 252.23 85.02% 14.98% 25.19% 772.34 228.54 246.88 77.17% 22.83% 24.67% 778.08 222.06 273.14 77.80% 22.20% 27.31% 164.09 184.38 83.60% 16.40% 18.43% 764.77 235.88 255.65 76.43% 23.57% 25.55% 706.75 293.26 313.01 70.67% 29.33% 31.30% 114.83 179.16 88.52% 11.48% 17.91% 820.73 179.42 196.14 82.06% 17.94% 19.61% 822.89 177.35 217.23 82.27% 17.73% 21.72% 201.51 256.89 79.85% 20.15% 25.69% 841.45 159.35 181.81 84.08% 15.92% 18.17% 791.76 234.04 294.85 77.18% 22.82% 28.74% 232.13 255.01 76.79% 23.21% 25.50% 856.78 143.33 159.11 85.67% 14.33% 15.91% 792.91 207.10 306.00 79.29% 20.71% 30.60% 244.71 298.51 75.54% 24.46% 29.84% 799.54 200.55 219.09 79.95% 20.05% 21.91% 774.18 227.49 318.81 77.29% 22.71% 31.83% 161.28 291.95 83.92% 16.08% 29.10% 793.75 206.77 230.52 79.33% 20.67% 23.04% 865.22 134.91 303.89 86.51% 13.49% 30.39% 196.93 252.50 80.32% 19.68% 25.23% 798.58 202.53 221.54 79.77% 20.23% 22.13% 785.27 217.51 291.25 78.31% 21.69% 29.05%
Tabel 3. Jumlah Produksi Setiap Replikasi Replikasi Jumplah Ke Produksi 1 2 3 4 5 6 7 8 9 10
693 639 637 736 697 695 714 686 729 700
Replikasi Ke
Jumplah Produksi
Replikasi Ke
Jumplah Produksi
11 12 13 14 15 16 17 18 19 20
742 734 747 718 690 742 687 672 756 649
21 22 23 24 25 26 27 28 29 30
656 739 730 725 685 781 696 692 674 692
KESIMPULAN DAN SARAN Penelitian ini telah menghasilan model simulasi untuk menentukan availabilitas dan reliabilitas jaringan mesin dalam sistem produksi. Model simulasi ini dapat digunakan untuk mengevaluasi pengaruh availabilitas dan reliabilitas suatu mesin terhadap reliabilitas dan availabilitas jaringan mesin pada sistem produksi secara keseluruhan. Pengetahuan mengenai pengaruh suatu mesin terhadap reliabilitas dan availabilitas jaringan mesin secara keseluruhan dapat digunakan untuk menentukan prioritas program perawatan. Prioritas perawatan yang tinggi akan diberikan terhadap mesin yang lebih efektif dalam meningkatkan reliabilitas dan availabilitas jaringan mesin. Selain itu, model simulasi juga dapat digunakan untuk menilai reliabilitas sistem produksi dalam memenuhi target produksi (permintaan konsumen). Penelitian dapat dikembangkan untuk menentukan strategi perawatan yang paling efektif dalam meningkatkan reliabilitas dan availabilitas jaringan mesin. Fokus penelitian tersebut dapat berupa penentuan jadwal perawatan dalam preventive maintenance, penentuan penambahan extra machine (redundancy) yang paling efektif dan penentuan tingkat persediaan WIP(work in process) dalam intermediate buffer. ISBN : 978-602-97491-4-4 A-19-9
Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012
DAFTAR PUSTAKA Alidrisi, Mustafa M. (1986).”Simulation Approach for Reliability”Microelectron Reliabilitas, Vol.27,No.3,pp.463-467
Computing
System
Harrell, C., Ghoah, B.K., dan Bowden, R.O.(2004),”Simulation Using Promodel”,2nd Edition, Mc.Graw Hill Jahangirian, Mohsen., Eldabi, Tillal., Naseer, Aisha., Stergioulas, Lampros K., Young, Terry. (2010).“Simulation in Manufacturing and Business: A Review” European Journal of Operation Research 203 Law, Averil M.( 2007),” Simulation Modeling & Analysis” , International Edition, Mc.Graw Hill Marquez, A.C., Heguedas,A.S.,dan Iung,B. (2005),”Monte Carlo Based Assesment of System Availability: A Case Study For Cogeneration Plants”, Reliabilitas Engineering & System Safety 88(3):273-289 R.Kakyan and S Kumar.(1989),”Comparison of a Simulation and An Exact Method for Reliability Evaluation of Large Networks Using Personal Computer” , Microeletron Reliabilitas Vol 29 No 2: 133-136. Windebank, E.(1983).”Monte Carlo Simulation Method Versus a General Analytical Method for Determining Reliability Measures of Repairable” Reliabilitas Engineering Vol.5.able
Systems
A A SIMULATION APPROACH
ISBN : 978-602-97491-4-4 A-19-10