bab 4 pengumpulan, pengolahan dan analisis datathesis.binus.ac.id/asli/bab4/2008-2-00484-ti bab...
Post on 12-Mar-2019
225 Views
Preview:
TRANSCRIPT
62
BAB 4
PENGUMPULAN, PENGOLAHAN DAN ANALISIS
DATA
4.1 Pengumpulan Data
Data-data untuk penelitian ini didapatkan dengan melakukan observasi dan
pengamatan di PT. Metiska Farma, data-data ini akan dibutuhkan untuk melakukan
pengolahan data. Data-data yang dikumpulkan berupa angka-angka yang terkait
langsung dengan produk/obat yang terjadi di lapangan agar dapat dijadikan sebagai
batasan-batasan (constraint) untuk menyelesaikan masalah optimasi tersebut.
Kemudian, untuk produk/obat yang diambil sebagai observasi adalah obat
Analspec 500, Progesic, Xepaprim, Tylonic 300 dan Gestamag. Variabel untuk
Analspec 500 adalah 1x , Progesic adalah 2x , Xepaprim adalah 3x , Tylonic 300
adalah 4x , dan Gestamag adalah 5x .
Dipilih kelima jenis obat ini karena pada saat melakukan observasi di PT.
Metiska Farma, perusahaan tersebut hanya sedang memproduksi kelima jenis produk
ini. Kelima obat ini memiliki proses produksi yang hampir sama, mungkin hanya
perbedaan pengunaan mesin saja.
Setiap jenis obat ini dijadikan variabel dan untuk constraint, digunakan
data-data bahan baku, waktu permesinan, jumlah tenaga kerja yang digunakan dan
63
juga stok minimum yang harus ada di gudang pada akhir bulan. Setiap pengumpulan
data yang diambil sudah berdasarkan batch masing-masing obat. Berikut adalah hasil
pengumpulan data yang telah berhasil dirangkum menjadi constraint selama
melakukan observasi dan pengamatan di PT. Metiska Farma, yaitu :
4.1.1 Bahan Baku
Untuk bahan baku, diambil sebanyak enambelas (16) buah jenis bahan yang
dapat dijadikan constraint, yaitu 4CaPO , Nip, SSG, Alkohol 95%, Nps, MgS, PVP,
AV, Dyes, Alupurinol, Pemanis, Aquadem, Asam Mefenamat, Cimeticon,
Trimetoprim dan Spearmint. Untuk semua obat, constraint ini menghitung jumlah
kadar masing-masing bahan dalam satu kali proses produksi atau dapat disebut juga
satu batch produksi.
Setelah dilakukan penelitian dan pengamatan di PT. Metiska Farma, untuk
constraint bahan baku, didapat hasil sebagai berikut :
64
Tabel 4.1 Tabel Bahan Baku per Produk
No Nama Bahan Baku
Analspec 500 ( 1x )
Progesic( 2x )
Xepaprim( 3x )
Tylonic 300 ( 4x )
Gestamag ( 5x ) Satuan
1 4CaPO 3500 0 3000 8995 2200 Gram 2 Nip 52 45 0 53 45 Gram 3 SSG 1050 900 0 500 250 Gram 4 Alkohol 95% 11 2.5 0 0 0 Liter 5 Nps 7 6 0 7 6 Gram 6 MgS 350 150 0 175 0 Gram 7 PVP 0 700 675 700 120 Gram 8 AV 0 3189 5325 4550 2159 Gram 9 Aquadem 10 2.5 20 10 0 Liter
10 Dyes 52 32 0 0 0 Gram 11 Alupurinol 0 0 0 9000 11000 Gram 12 Pemanis 300 0 330 0 280 Gram
13 Asam Mefenamat 28 0 0 0 0
Gram
14 Cimeticon 0 22 0 0 0 Gram 15 Trimetoprim 0 0 30 0 0 Gram 16 Spearmint 0 0 0 26 0 Gram
Sumber Tabel : Data dari PT. Metiska Farma
Jumlah bahan baku di atas sudah merupakan keseluruhan total penggunaan
bahan baku tersebut dalam satu batch produksi. Hal ini dilakukan untuk memudahkan
perhitungan selanjutnya. Berikut ini adalah jumlah produk satuan atau satu tablet
atau satu kapsul dalam satu batch produksi :
Tabel 4.2 Tabel Jumlah Produk dalam 1 Batch Produksi
Nama Obat Jumlah Produk/BatchAnalspec 500 ( 1x ) 50000 tablet
Progesic ( 2x ) 50000 tablet Xepaprim ( 3x ) 75000 tablet
Tylonic 300 ( 4x ) 50000 tablet Gestamag ( 5x ) 40000 tablet
Sumber Tabel : Data dari PT. Metiska Farma
65
4.1.2 Jam Permesinan
Untuk jam permesinan, data mulai diambil sejak awal produksi dimulai,
yaitu proses penimbangan bahan baku hingga obat jadi tersebut selesai di-packing
(proses produksi selengkapnya dapat dilihat di bab sebelumnya). Untuk memudahkan
perhitungan, jumlah jam permesinan ini juga diambil berdasarkan satu batch
produksi.
Berikut adalah data yang berhasil diambil selama penelitian dan observasi di
PT. Metiska Farma :
Tabel 4.3 Tabel Jam Permesinan per Obat
Nama Obat Jam Permesinan Analspec 500 ( 1x ) 29 jam
Progesic ( 2x ) 26 jam Xepaprim ( 3x ) 29 jam
Tylonic 300 ( 4x ) 28 jam Gestamag ( 5x ) 25 jam
Sumber Tabel : Data dari PT. Metiska Farma
4.1.3 Stock Minimum
Stock minimum adalah jumlah barang/produk yang harus tetap berada di
gudang barang jadi untuk menjadi pengaman jikalau ada hal yang tak terduga. Jumlah
ini merupakan kebijakan dari PT. Metiska Farma itu sendiri, berdasarkan peralaman
dan juga hal-hal lainnya. Kebijakan PT. Metiska Farma untuk hal ini adalah sebesar
0.2 dari jumlah batch produksi harus tetap berada di gudang barang jadi.
66
Tabel 4.4 Tabel Jumlah Stock Minimum di Warehouse
Nama Obat Jumlah Stock Minimum per Batch Analspec 500 ( 1x ) 0.2 batch
Progesic ( 2x ) 0.2 batch Xepaprim ( 3x ) 0.2 batch
Tylonic 300 ( 4x ) 0.2 batch Gestamag ( 5x ) 0.2 batch
Sumber Tabel : Data dari PT. Metiska Farma
Sekian untuk constraint-constraint yang dapat dirangkum selama
melakukan penelitian di PT. Metiska Farma, dan berikut ini adalah rangkuman
constraint per obat :
4.1.4 Analspec 500 ( 1x )
Analspec 500 ini adalah merk obat PT. Metiska Farma jenis penghilang rasa
sakit yang dipasarkan langsung ke apotik-apotik dan tidak diperjualbelikan secara
bebas. Obat ini diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah
constraint per obat Analspec 500 yang berhasil dirangkum berdasarkan constraint-
constraint di atas :
67
Tabel 4.5 Tabel Constraint untuk Obat Analspec 500
No Constraint Jumlah Satuan 1 4CaPO 3500 Gram 2 Nip 52 Gram 3 SSG 1050 Gram 4 Alkohol 95% 11 Liter 5 Nps 7 Gram 6 MgS 350 Gram 7 Aquadem 10 Liter 8 Dyes 52 Gram 9 Pemanis 300 Gram 10 Asam Mefenamat 28 Gram 11 Jam Permesinan 29 Jam 12 Stock Minimum 0.2 Batch
4.1.5 Progesic ( 2x )
Progesic adalah merk obat PT. Metiska Farma jenis penghilang sakit kepala
yang juga tidak diperjualbelikan secara bebas selain di apotik. Obat ini juga
diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah constraint per
obat Progesic yang berhasil dirangkum berdasarkan constraint-constraint di atas :
Tabel 4.6 Tabel Constraint untuk Obat Progesic
No Constraint Jumlah Satuan 1 Nip 45 Gram 2 SSG 900 Gram 3 Alkohol 95% 2.5 Liter 4 Nps 6 Gram 5 MgS 150 Gram 6 PVP 700 Gram 7 AV 3189 Gram 8 Aquadem 2.5 Liter 9 Dyes 32 Gram 10 Cimeticon 22 Gram 11 Jam Permesinan 26 Jam 12 Stock Minimum 0.2 Batch
68
4.1.6 Xepaprim ( 3x )
Xepaprim adalah merk obat PT. Metiska Farma jenis antibiotik yang dijual
hanya di apotik-apotik saja. Obat ini diproduksi langsung di pabrik milik PT. Metiska
Farma itu sendiri. Berikut ini adalah constraint per obat Xepaprim yang berhasil
dirangkum berdasarkan constraint-constraint di atas :
Tabel 4.7 Tabel Constraint untuk Obat Xepaprim
No Constraint Jumlah Satuan 1 4CaPO 3000 Gram 2 PVP 675 Gram 3 AV 5325 Gram 4 Aquadem 20 Liter 5 Pemanis 330 Gram 6 Trimetoprim 30 Gram 7 Jam Permesinan 29 Jam 8 Stock Minimum 0.2 Batch
4.1.7 Tylonic 300 ( 4x )
Tylonic 300 adalah merk obat PT. Metiska Farma untuk mengobati asam
urat dan juga hanya dijual di apotik-apotik saja. Obat ini juga diproduksi langsung
oleh PT. Metiska Farma di pabriknya sendiri. Berikut ini adalah constraint per obat
Tylonic 300 yang berhasil dirangkum berdasarkan constraint-constraint di atas :
69
Tabel 4.8 Tabel Constraint untuk Tylonic 300
No Constraint Jumlah Satuan 1 4CaPO 8995 Gram 2 Nip 53 Gram 3 SSG 500 Gram 4 Nps 7 Gram 5 MgS 175 Gram 6 PVP 700 Gram 7 AV 4550 Gram 8 Aquadem 10 Liter 9 Alupurinol 9000 Gram 10 Spearmint 26 Gram 11 Jam Permesinan 28 Jam 12 Stock Minimum 0.2 Batch
4.1.8 Gestamag ( 5x )
Gestamag adalah merk obat PT. Metiska Farma untuk mengobati sakit
maag. Obat ini juga diproduksi oleh PT. Metiska Farma itu sendiri dan dipasarkan
langsung ke apotik-apotik karena obat ini tidak diperjualbelikan secara bebas. Berikut
ini adalah constraint per obat Gestamag yang berhasil dirangkum berdasarkan
constraint-constraint di atas :
Tabel 4.9 Tabel Constraint untuk Gestamag
No Constraint Jumlah Satuan 1 4CaPO 2200 Gram 2 Nip 45 Gram 3 SSG 250 Gram 4 Nps 6 Gram 5 PVP 120 Gram 6 AV 2159 Gram 7 Alupurinol 11000 Gram 8 Pemanis 280 Gram 9 Jam Permesinan 25 Jam 10 Stock Minimum 0.2 Batch
70
4.1.9 Laba Bersih (z)
Karena ingin memaksimasi laba yang diperoleh dengan mengoptimasi
produk yang diproduksi, maka kita pun harus memperoleh data laba bersih yang
diterima oleh PT. Metiska Farma untuk kelima obat di atas agar dapat dilakukan
perhitungan selanjutnya. Nilai laba bersih ini nantinya akan dijadikan sebagai z yang
harus kita maksimalkan. Nilai laba bersih ini merupakan perhitungan keseluruhan
dari (Jumlah Obat/Batch x Harga/obat – Biaya produksi). Biaya produksi diperoleh
dari Biaya bahan baku + Biaya Simpan + Biaya permesinan + Biaya tenaga kerja +
Biaya lain-lain. Berikut ini adalah nilai laba bersih yang diperoleh PT. Metiska Farma
per obat :
Tabel 4.10 Tabel Perhitungan Laba Bersih
Nama Obat Penjualan Biaya Produksi/Batch Laba Bersih/Batch Analspec 500 ( 1x ) Rp. 76.125.000 Rp. 37.625.000 Rp. 38.500.000
Progesic ( 2x ) Rp. 46.361.500 Rp. 23.942.500 Rp. 22.419.000 Xepaprim ( 3x ) Rp. 65.896.500 Rp. 22.959.500 Rp. 42.937.000
Tylonic 300 ( 4x ) Rp. 87.437.500 Rp. 40.687.500 Rp. 46.750.000 Gestamag ( 5x ) Rp. 73.302.000 Rp. 37.427.000 Rp. 35.875.000 Sumber Tabel : Data dari PT. Metiska Farma
71
4.2 Pengolahan Data
Setelah dilakukan pengumpulan data di PT. Metiska Farma dan didapat
hasil seperti di atas, maka hal selanjutnya yang harus dilakukan adalah mengolah data
tersebut. Pengolahan ini menggunakan bentuk metode simpleks, sehingga kita perlu
melakukan langkah-langkah sebagai berikut :
4.2.1 Memformulasikan Data Menjadi Model Linear Programming
Data-data yang telah dikumpulkan sebelumnya masih berupa data mentah
saja, belum diubah menjadi model linear programming, oleh karena itu sebelum
memulai perhitungan linear programming tersebut, kita haruslah memformulasikan
data-data tersebut menjadi model linear programming. Karena akan dilakukan
maksimasi laba, maka nilai z haruslah dimaksimasi. Sehingga, model linear
programming-nya menjadi :
Tabel 4.11 Tabel Model Linear Programming
Max z 38500000
1x 22419000
2x 42937000
3x 46750000
4x 35875000
5x
Syarat 1) 3500 1x 0 2x 3000 3x 8995 4x 2200 5x ≤ 100000
2) 52 1x 45 2x 0 3x 53 4x 45 5x ≤ 2500
3) 1050 1x 900 2x 0 3x 500 4x 250 5x ≤ 25000
4) 11 1x 2.5 2x 0 3x 0 4x 0 5x ≤ 100
5) 7 1x 6 2x 0 3x 7 4x 6 5x ≤ 500
6) 350 1x 150 2x 0 3x 175 4x 0 5x ≤ 5000
7) 0 1x 700 2x 675 3x 700 4x 120 5x ≤ 15000
8) 0 1x 3189 2x 5325 3x 4550 4x 2159 5x ≤ 75000
72
Tabel 4.11 Tabel Model Linear Programming (lanjutan)
Max z 38500000
1x 22419000
2x 42937000
3x 46750000
4x 35875000
5x
Syarat 9) 10 1x 2.5 2x 20 3x 10 4x 0 5x ≤ 100000
10) 52 1x 32 2x 0 3x 0 4x 0 5x ≤ 315
11) 0 1x 0 2x 0 3x 9000 4x 11000 5x ≤ 89000
12) 300 1x 0 2x 330 3x 0 4x 280 5x ≤ 7500
13) 28 1x 0 2x 0 3x 0 4x 0 5x ≤ 200
14) 0 1x 22 2x 0 3x 0 4x 0 5x ≤ 200
15) 0 1x 0 2x 30 3x 0 4x 0 5x ≤ 200
16) 0 1x 0 2x 0 3x 26 4x 0 5x ≤ 200
17) 29 1x 26 2x 29 3x 28 4x 25 5x ≤ 200
18) 1 1x 0 2x 0 3x 0 4x 0 5x ≥ 0.2
19) 0 1x 1 2x 0 3x 0 4x 0 5x ≥ 0.2
20) 0 1x 0 2x 1 3x 0 4x 0 5x ≥ 0.2
21) 0 1x 0 2x 0 3x 1 4x 0 5x ≥ 0.2
22) 0 1x 0 2x 0 3x 0 4x 1 5x ≥ 0.2 1x , 2x , 3x , 4x , 5x ≥ 0
Formulasi di atas menggunakan maksimasi profit (z), untuk itu harus
didapat jumlah produk yang optimal, untuk mendapatkan jumlah yang optimal ini,
diperlukan pembatas (constraint), sedangkan nilai z adalah laba bersih yang didapat
oleh perusahaan.
73
4.2.2 Perhitungan Menggunakan Aplikasi LINDO
Aplikasi LINDO adalah salah satu aplikasi optimasi yang digunakan dalam
menghitung optimasi suatu formulasi. Sehingga aplikasi ini dapat memudahkan
seseorang dalam melakukan perhitungan optimasi.
Berikut adalah langkah-langkah dalam mengaplikasikan LINDO :
a. Tampilan awal
Gambar 4.1 Tampilan LINDO
b. Tabel Formulasi
Di tabel ini tujuan maksimum dan fungsi pembatas model optimasi dibuat.
Max berarti tujuan yang ingin dicapai adalah tujuan maksimum. Variabel
disini disimbolkan dengan 1x , 2x , 3x , 4x dan 5x . Untuk fungsi pembatas
74
diawali dengan Subject to yang kemudian fungsi pembatas tersebut
dimodelkan seperti fungsi pembatas yang sudah ada. Kemudian
dimasukkan constraint-constraint yang telah didapat sebelumnya dengan
cara mengetikannya langsung. Sehingga menjadi :
Gambar 4.2 Tabel Formulasi
c. Solve
Setelah fungsi tujuan sudah ditentukan, dan semua fungsi pembatas telah
lengkap dibuat, maka langkah selanjutnya adalah memproseskannya agar
didapatkan hasil jumlah produk yang optimal dengan tujuan
75
memaksimalkan laba. Caranya adalah dengan command CTRL+S atau
dapat dilihat dari tool bar Solve.
Gambar 4.3 Mengoptimasikan model pada LINDO
d. Hasil optimasi
Hasil optimasi dilampirkan dalam bentuk Reports Window. Berisi tentang
berapa kali iterasi yang dilakukan (diwakili oleh LP Optimum found at
step), keuntungan maksimum (diwakili oleh Objective function value),
76
jumlah unit (diwakili oleh value pada tabel variable) dan kelebihan atau
kekurangan pada fungsi pembatas dimana hal tersebut tidak akan
mengurangi hasil optimasi yang telah ada.
Gambar 4.4 Hasil Optimasi pada LINDO
Dari perhitungan LINDO di atas, didapatkan jumlah iterasi sebanyak 5
iterasi dengan nilai variabel untuk 1x sebesar 5.9346, 2x sebesar 0.2000, 3x sebesar
6.6667, 4x sebesar 7.6923 dan 5x sebesar 1.7972. Dan dari nilai-nilai variabel
tersebut, menjadikan nilai z maksimum yang diperoleh sebesar 943,303,200.
77
Hasil optimasi untuk variabel-variabel tersebut di atas masih dalam satuan
batch, sehingga harus dikonverdikan dahulu ke dalam satuan/butiran obat tersebut.
Maka, hal yang harus dilakukan adalah mengalikan jumlah batch optimum yang
didapat dari hasil optimasi tersebut dengan jumlah satuan/batch-nya. Sehingga
didapatkan hasil sebagai berikut:
Tabel 4.12 Tabel Jumlah Satuan Obat Optimum
Nama Obat Jumlah Satuan/batch
Jumlah Batch
Optimum
Jumlah Satuan
Optimum Analspec 500 ( 1x ) 50000 tablet 5.9346 296,730
Progesic ( 2x ) 50000 tablet 0.2000 10,000 Xepaprim ( 3x ) 75000 tablet 6.6667 500,002
Tylonic 300 ( 4x ) 50000 tablet 7.6923 384,615 Gestamag ( 5x ) 40000 tablet 1.7972 71,888
Nilai reduce cost menunjukkan besarnya penurunan nilai koefisien fungsi
tujuan yang memungkinkan namun dengan tetap mempertahankan optimalitas hasil
yang telah dicapai.
Nilai slack atau surplus yang positif menunjukkan kelebihan kapasitas yang
ada setelah diperoleh solusi optimal dan nilai nol menunjukkan kapasitas yang
terbatas. Maksud dari kapasitas terbatas adalah bahwa kapasitas yang tersedia telah
terpakai semuanya.
78
4.2.3 Uji Sensitivitas
4.2.3.1 Variabel 1x
Pada variabel 1x (Analspec 500) ini, akan dilakukan perubahan dalam
koefisien fungsi tujuannya. Perubahan ini dilakukan agar dapat diketahui seberapa
sensitif variabel 1x tersebut dan variabel-variabel apa saja yang turut dipengaruhi
oleh variabel 1x ketika nilai z-nya diturunkan dan dinaikkan.
• 1x dinaikkan 5%
Nilai 1x yang sebelumnya 38.500.000, diubah menjadi 40.425.000.
Kemudian setelah dimasukkan ke dalam aplikasi LINDO, maka didapatkan
hasil sebagai berikut :
Gambar 4.5 Hasil Uji Sensitivitas variabel 1x +5%
79
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 1x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Karena tidak ada
perubahan pada variabel lainnya, maka akan dilakukan perubahan variabel
1x , namun kali ini dinaikkan menjadi 10%.
• 1x dinaikkan 10%
Nilai yang dimasukkan ke dalam variabel 1x setelah dinaikkan
sebesar 10% menjadi 42.350.000. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
Gambar 4.6 Hasil Uji Sensitivitas variabel 1x +10%
80
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 1x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan
variabel 1x tidak dapat diperbesar kembali, dan ini juga menunjukkan
bahwa pembesaran laba variabel 1x tidak mempengaruhi sama sekali (tidak
sensitif terhadap perubahan).
• 1x diturunkan 5%
Nilai yang dimasukkan ke dalam variabel 1x setelah diturunkan
sebesar 5% menjadi 36.575.000. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
81
Gambar 4.7 Hasil Uji Sensitivitas variabel 1x -5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 1x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi
perubahan pada hasil optimasi, maka akan dicoba kembali dengan
mengurangi variabel 1x kembali, namun kali ini dengan dikurangi 10%.
82
• 1x diturunkan 10%
Nilai yang dimasukkan ke dalam variabel 1x setelah diturunkan
sebesar 10% menjadi 34.650.000. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
Gambar 4.8 Hasil Uji Sensitivitas variabel 1x -10%
Setelah variabel 1x diturunkan sebesar 10% dari kondisi aslinya,
hasil optimasi dengan program LINDO menjadi berubah, disini seperti
dapat dilihat pada gambar di atas, nilai 1x menjadi sebesar 5.8899, dari
sebelumnya sebesar 5.9346 atau turun sebesar 0.0447, selain itu,terjadi
perubahan juga pada variabel 2x , dari awalnya sebesar 0.2000, karena
83
dilakukan perubahan variabel 1x -10%, maka nilai variabel 2x setelah
dihitung dengan program LINDO menjadi sebesar 0.2728, atau naik sebesar
0.0728. Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya
sebesar 931,879,000 menjadi sebesar 920.534.700. Hal ini menunjukkan
penurunan variabel 1x sebesar 10% berpengaruh terhadap hasil optimasi,
terutama hasil variabel 1x dan 2x . Atau dengan kata lain, penurunan 1x
cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil
juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan
nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan
itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal.
Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10%
dahulu baru hasil yang didapat berubah.
• 2x dinaikkan 5%
Sekarang kita akan melakukan perubahan terhadap variabel 2x
sebesar 5%. Setelah diturunkan sebesar 5%, maka nilai variabel 2x menjadi
23.539.950, dari sebelumnya sebesar 22.419.000. Sehingga hasil optimasi
menggunakan LINDO menjadi sebagai berikut :
84
Gambar 4.9 Hasil Uji Sensitivitas variabel 2x +5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 2x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi
perubahan pada hasil optimasi, maka akan dicoba kembali dengan
menaikkan nilai variabel 2x kembali, namun kali ini dengan dinaikkan10%.
85
• 2x dinaikkan 10%
Setelah dinaikkan 5% tidak ada perubahan kita akan melakukan
perubahan kembali terhadap variabel 2x . Dari sebesar 5%, menjadi sebesar
10%, maka nilai variabel 2x menjadi 24.660.900, dari sebelumnya sebesar
22.419.000. Sehingga hasil optimasi menggunakan LINDO menjadi sebagai
berikut :
Gambar 4.10 Hasil Uji Sensitivitas variabel 2x +10%
Setelah variabel 2x dinaikkan sebesar 10% dari kondisi aslinya,
hasil optimasi dengan program LINDO menjadi berubah, disini seperti
86
dapat dilihat pada gambar di atas, nilai 1x menjadi sebesar 5.8899, dari
sebelumnya sebesar 5.9346 atau turun sebesar 0.0447, selain itu,terjadi
perubahan juga pada variabel 2x , dari awalnya sebesar 0.2000, karena
dilakukan perubahan variabel 1x -10%, maka nilai variabel 2x setelah
dihitung dengan program LINDO menjadi sebesar 0.2728, atau naik sebesar
0.0728. Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya
sebesar 931,879,000 menjadi sebesar 920.534.700. Hal ini menunjukkan
penurunan variabel 2x sebesar 10% berpengaruh terhadap hasil optimasi,
terutama hasil variabel 1x dan 2x . Atau dengan kata lain, penurunan 2x
cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil
juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan
nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan
itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal.
Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10%
dahulu baru hasil yang didapat berubah.
• 2x diturunkan 5%
Nilai yang dimasukkan ke dalam variabel 2x setelah diturunkan
sebesar 5% menjadi 21.298.050. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
87
Gambar 4.11 Hasil Uji Sensitivitas variabel 2x -5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 2x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi
perubahan pada hasil optimasi, maka akan dicoba kembali dengan
mengurangi variabel 2x kembali, namun kali ini dengan dikurangi 10%.
88
• 2x diturunkan 10%
Setelah diturunkan sebesar 5% tidak ada perubahan, maka kita
akan melakukan perubahan kembali terhadap variabel 2x , namun kali ini
sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel 2x
menjadi 20.177.100, dari sebelumnya sebesar 22.419.000. Sehingga hasil
optimasi menggunakan LINDO menjadi sebagai berikut :
Gambar 4.12 Hasil Uji Sensitivitas variabel 2x -10%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 2x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
89
z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan
variabel 2x tidak dapat diperkecil kembali, dan ini juga menunjukkan
bahwa pengecilan laba variabel 2x tidak mempengaruhi sama sekali (tidak
sensitif terhadap perubahan).
• 3x dinaikkan 5%
Nilai yang dimasukkan ke dalam variabel 3x setelah dinaikkan
sebesar 5% menjadi 45.083.850. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
Gambar 4.13 Hasil Uji Sensitivitas variabel 3x +5%
90
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 3x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi
perubahan pada hasil optimasi, maka akan dicoba kembali dengan
menaikkan besar nilai variabel 2x kembali, namun kali ini dengan
dinaikkan 10%.
• 3x dinaikkan 10%
Setelah dinaikkan sebesar 5% tidak ada perubahan, maka kita akan
melakukan perubahan kembali terhadap variabel 3x , namun kali ini sebesar
10%. Setelah dinaikkan sebesar 10%, maka nilai variabel 3x menjadi
47.230.700, dari sebelumnya sebesar 42.937.000. Sehingga hasil optimasi
menggunakan LINDO menjadi sebagai berikut :
91
Gambar 4.14 Hasil Uji Sensitivitas variabel 3x +10%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 3x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan
variabel 3x tidak dapat diperbesar kembali, dan ini juga menunjukkan
bahwa pembesaran laba variabel 3x tidak mempengaruhi sama sekali (tidak
sensitif terhadap perubahan).
92
• 3x diturunkan 5%
Nilai yang dimasukkan ke dalam variabel 3x setelah diturunkan
sebesar 5% menjadi 40.790.150. Kemudian setelah dimasukkan ke dalam
program LINDO, maka didapatkan hasil optimasi sebagai berikut :
Gambar 4.15 Hasil Uji Sensitivitas variabel 3x -5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 3x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut tentu saja mempengaruhi
nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum
93
terjadi perubahan pada hasil, maka akan dicoba kembali dengan mengurangi
variabel 3x kembali, namun kali ini dengan dturunkan 10%.
• 3x diturunkan 10%
Setelah diturunkan sebesar 5% namun tetap tidak ada perubahan,
maka kita akan melakukan perubahan kembali terhadap variabel 3x , namun
kali ini sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel
3x menjadi 38.643.300, dari sebelumnya sebesar 42.937.000. Sehingga hasil
optimasi menggunakan LINDO menjadi sebagai berikut :
Gambar 4.16 Hasil Uji Sensitivitas variabel 3x -10%
94
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 3x . Yang berubah hanya nilai z saja, ini
dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai
z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan
variabel 3x tidak perlu diperkecil kembali karena dengan mengurangi 10%
sudah mencakup keseluruhannya, dan ini juga menunjukkan bahwa
pengecilan laba variabel 3x tidak mempengaruhi variabelnya sendiri
maupun variabel-variabel lainnya sama sekali (tidak sensitif terhadap
perubahan).
• 4x dinaikkan 5%
Sekarang kita akan melakukan perubahan terhadap variabel 4x
sebesar 5%. Setelah diturunkan sebesar 5%, maka nilai variabel 4x menjadi
49.087.500, dari sebelumnya sebesar 46.750.000. Sehingga hasil optimasi
menggunakan LINDO menjadi sebagai berikut :
95
Gambar 4.17 Hasil Uji Sensitivitas variabel 4x +5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 4x . Yang berubah hanya nilai z saja, ini
dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel 4x yang
dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum
terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan
menaikkan nilai variabel 4x kembali, namun kali ini dengan dinaikkan 10%.
96
• 4x dinaikkan 10 %
Setelah dinaikkan 5% tidak ada perubahan kita akan melakukan
perubahan kembali terhadap variabel 4x . Dari sebesar 5%, menjadi sebesar
10%, maka nilai variabel 4x menjadi 51.425.000, dari asalnya sebesar
46.750.000. Sehingga hasil optimasi menggunakan LINDO menjadi sebagai
berikut :
Gambar 4.18 Hasil Uji Sensitivitas variabel 4x +10%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan pada variabel 4x . Yang berubah hanya nilai z saja, ini
dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel 4x yang
97
dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini dapat
diartikan variabel 4x tidak dapat diperbesar kembali, dan ini juga
menunjukkan bahwa pembesaran laba variabel 4x tidak mempengaruhi
sama sekali (tidak sensitif terhadap perubahan).
• 4x diturunkan 5%
Nilai yang akan dimasukkan ke dalam variabel 4x adalah nilai
yang setelah diturunkan sebesar 5% yaitu menjadi 44.412.500. Kemudian
setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil
optimasi sebagai berikut :
Gambar 4.19 Hasil Uji Sensitivitas variabel 4x -5%
98
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 4x . Yang berubah hanya nilai z saja, ini
dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel 4x yang
dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum
terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan
menurunkan nilai variabel 4x kembali, namun kali ini dengan diturunkan
10%.
• 4x diturunkan 10%
Setelah diturunkan 5% tetapi tetap tidak ada perubahan, maka kita
akan melakukan perubahan kembali terhadap variabel 4x . Dari sebesar 5%,
menjadi sebesar 10%, maka nilai variabel 4x menjadi 42.075.000, dari
asalnya sebesar 46.750.000. Sehingga hasil optimasi menggunakan LINDO
menjadi sebagai berikut :
99
Gambar 4.20 Hasil Uji Sensitivitas variabel 4x -10%
Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi
perubahan walau telah dilakukan perubahan kembali pada variabel 4x .
Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan
perkalian dari nilai variabel 4x yang diturunkan tadi, sehingga tentu saja
nilai z akan berubah. Hal ini juga dapat diartikan variabel 4x tidak perlu
diperkecil kembali karena hasilnya pasti akan sama, dan ini juga
menunjukkan bahwa pengecilan laba variabel 4x tidak mempengaruhi sama
sekali (tidak sensitif terhadap perubahan).
100
• 5x dinaikkan 5%
Sekarang akan dilakukan uji sensitivitas dengan menaikkan nilai
variabel 5x sebanyak 5% dari aslinya. Setelah dinaikkan sebesar 5%, maka
nilai variabel 5x menjadi 37.668.750, dari sebelumnya sebesar 35.875.000.
Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :
Gambar 4.21 Hasil Uji Sensitivitas variabel 5x +5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
pengurangan nilai sebesar 5 % pada variabel 5x . Yang berubah hanya nilai z
saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel
4x yang dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena
101
belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali
dengan menaikkan nilai variabel 5x kembali, namun kali ini dengan
dinaikkan 10%.
• 5x dinaikkan 10 %
Setelah dinaikkan 5%, namun tetap tidak ada perubahan, maka kita
akan melakukan perubahan kembali terhadap variabel 5x . Dari sebesar 5%,
menjadi sebesar 10%, maka nilai variabel 5x menjadi 39.462.500, dari
asalnya sebesar 35.875.000. Sehingga hasil optimasi menggunakan LINDO
menjadi sebagai berikut :
Gambar 4.22 Hasil Uji Sensitivitas variabel 5x +10%
102
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 5x . Yang berubah setelah perubahan nilai
variabel 5x ini hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan
perkalian dari nilai variabel 5x yang dinaikkan tadi, sehingga tentu saja nilai
z akan berubah. Hal ini dapat diartikan variabel 5x tidak perlu diperbesar
kembali karena hasilnya akan sama saja, tetap tidak ada perubahan, dan ini
juga menunjukkan bahwa pembesaran laba variabel 4x tidak mempengaruhi
sama sekali (tidak sensitif terhadap perubahan).
• 5x diturunkan 5%
Nilai yang akan dimasukkan ke dalam variabel 5x adalah nilai
yang setelah diturunkan sebesar 5% yaitu menjadi 34.081.250. Kemudian
setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil
optimasi sebagai berikut :
103
Gambar 4.23 Hasil Uji Sensitivitas variabel 5x -5%
Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan
perubahan nilai pada variabel 5x . Yang berubah hanya nilai z saja, ini
dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel 5x yang
dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum
terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan
menurunkan nilai variabel 5x kembali, namun kali ini dengan diturunkan
sebesar 10%.
104
• 5x diturunkan 10%
Setelah diturunkan 5% tetapi tetap tidak ada perubahan, maka kita
akan melakukan perubahan kembali terhadap variabel 5x . Dari sebesar 5%,
menjadi sebesar 10%, maka nilai variabel 5x menjadi 32.287.500, dari
asalnya sebesar 35.875.000. Sehingga hasil optimasi menggunakan LINDO
menjadi sebagai berikut :
Gambar 4.24 Hasil Uji Sensitivitas variabel 5x -10%
Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi
perubahan walau telah dilakukan perubahan kembali pada variabel 5x . Yang
berubah hanya nilai z saja, ini dikarenakan nilai z tersebut berhubungan
105
langsung dengan nilai variabel 5x yang diturunkan tadi, sehingga tentu saja
nilai z akan berubah. Hal ini juga dapat diartikan variabel 5x tidak perlu
diperkecil kembali karena hasilnya pasti akan sama, dan ini juga
menunjukkan bahwa pengecilan laba variabel 5x tidak mempengaruhi sama
sekali (tidak sensitif terhadap perubahan).
Berikut ini adalah summary dari uji sensitivitas yang dilakukan
terhadap kelima variabel tersebut di atas, yaitu :
Tabel 4.13 Tabel Summary Uji Sensitivitas
Variabel Perubahan Hasil Setelah Diubah + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
1x - 10% 1x menjadi 5.8898 dari 5.9346
2x menjadi 0.2728 dari 0.2000 + 5% Tidak terjadi perubahan
+ 10% 1x menjadi 5.8898 dari 5.9346
2x menjadi 0.2728 dari 0.2000 - 5% Tidak terjadi perubahan
2x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
3x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
4x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan 5x
- 10% Tidak terjadi perubahan
106
4.2.4 Penjadwalan Produksi
4.2.4.1 Pendahuluan
Setelah didapatkan hasil optimasi yang memaksimumkan laba, berikutnya
akan coba dilakukan suatu penjadwalan produksi. Penjadwalan ini digunakan untuk
mendapatkan suatu penjadwalan yang optimum yang mampu meminimalkan
makespan dan flowtime. Dengan kemampuan untuk meminimumkan makespan dan
flowtime, maka pada akhirnya dapat mengurangi biaya produksi dan serta
meningkatkan keefisienan produksi. Berikut ini adalah hasil optimasi yang diperoleh
dan akan dilakukan penjadwalan terhadap jumlah produk optimum yang harus
diproduksi tersebut, yaitu :
Tabel 4.14 Tabel Jumlah produk obat yang harus diproduksi
Nama Obat Jumlah yang harus diproduksi
Analspec 500 ( 1x ) 296,730 Progesic ( 2x ) 10,000 Xepaprim ( 3x ) 500,002
Tylonic 300 ( 4x ) 384,615 Gestamag ( 5x ) 71,888
Kemudian, untuk waktu proses, di PT. Metiska Farma waktu proses
berdasarkan lamanya satu batch obat diproses pada satu mesin. Lamanya waktu
proses satu batch obat yang diproses pada satu mesin dikenal juga dengan sebutan
waktu standar yang telah dimiliki oleh perusahaan. PT. Metiska Farma memiliki
standar waktu proses satu batch obat di satu proses sebagai patokan dalam
107
serangkaian proses produksi tersebut. Namun, tentu saja, hal ini tidak perlu terlalu
diikuti, maka dilakukan observasi langsung ke proses produksi obat itu sendiri.
Proses produksi itu meliputi penimbangan, pencampuran, pembentukan, pencetakan,
pelapisan, pengemasan dan packing. Berikut ini adalah operation process chart dari
obat tersebut :
Gambar 4.25 Operation Process Chart
108
Berikut ini adalah waktu proses yang didapat setelah dilakukan observasi di
PT. Metiska Farma, yaitu :
Tabel 4.15 Tabel waktu proses per obat
Waktu proses Nama Obat Mesin
Timbang Mesin
HomogenizerMesin
Granulator Mesin Cetak
Mesin Coating
Mesin Stripping
Analspec 500 ( 1x ) 0.1892 0.2143 0.1806 0.2431 0.1280 0.1839
Progesic ( 2x ) 0.1998 0.2122 0.4338 0.2940 0.1890 0.2018
Xepaprim ( 3x ) 0.1316 0.1418 0.1933 0.1481 0.0830 0.1273
Tylonic 300 ( 4x ) 0.2307 0.2118 0.3713 0.2491 0.1490 0.1883
Gestamag ( 5x ) 0.2553 0.2845 0.4390 0.3827 0.2377 0.2566
Tabel 4.16 Tabel Frekuensi
Nama Obat Produk diproduksi
Frekuensi Proses
Analspec 500 ( 1x ) 296,730 296,730 Progesic ( 2x ) 10,000 10,000 Xepaprim ( 3x ) 500,002 500,002
Tylonic 300 ( 4x ) 384,615 384,615 Gestamag ( 5x ) 71,888 71,888
Sehingga, setelah didapat waktu proses dan jumlah yang harus diproduksi,
maka akan dilakukan perhitungan total waktu proses per obat per mesin dengan cara
mengalikan jumlah yang harus diproduksi dengan waktu proses per mesin dan akan
didapatkan hasil sebagai berikut :
109
Tabel 4.17 Tabel Total Waktu Proses Tiap Mesin
Total Waktu Proses Nama
Obat Frekuensi Mesin Timbang
Mesin Homogenizer
Mesin Granulator
Mesin Cetak
Mesin Coating
Mesin Stripping
Analspec 500 ( 1x ) 296730 56142.00 63589.24 53589.44 72135.06 37981.44 54568.65
Progesic ( 2x ) 10000 1998.00 62966.11 128721.47 87238.62 56081.97 59880.11
Xepaprim ( 3x ) 500002 65801.00 42076.31 57357.91 43945.71 24628.59 37773.73
Tylonic 300 ( 4x ) 384615 88731.00 62847.41 110175.85 73915.44 44212.77 55874.26
Gestamag ( 5x ) 71888 18354.00 84419.69 130264.47 113558.57 70532.72 76140.92
4.2.4.2 Perhitungan Waktu Baku Setting Setiap Mesin
Kemudian, untuk menghitung waktu siklus, waktu normal, dan waktu baku.
Dalam melakukan suatu pekerjaan, dibutuhkan penyesuaian untuk menormalkan
ketidakwajaran yang mungkin terjadi maka dibutuhkan penyesuaian untuk
pekerja/operator. Sedangkan untuk memberikan waktu tertentu bagi operator dalam
melaksanakan kepentingannya, yaitu kepentingan pribadi, menghilangkan rasa lelah
dan hambatan yang tidak dapat dihindarkan, maka diperlukan kelonggaran bagi
operator. Adapun penyesuaian dan kelonggaran ini didapatkan dari hasil observasi
dan pengamatan di PT. Metiska Farma. Setelah didapat besar penyesuaian dan
kelonggaran para operator, maka dapat dihitung besar waktu siklus, waktu normal,
dan waktu baku, sehingga didapat waktu setting untuk masin-masing mesin sebagai
berikut :
110
• Mesin Homogenizer
Tabel 4.18 Tabel Penyesuaian Operator Mesin Homogenizer
No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Good C1 0.05 3 Kondisi kerja Good C 0.02 4 Konsistensi Average D 0.00
Total 0.13 Penyesuaian (p) = 1 + total 1.13
Tabel 4.19 Tabel Kelonggaran Operator Mesin Homogenizer
Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Sedang 12
Sikap kerja B Berdiri diatas 2 kaki 2
Gerakan kerja C Normal 0
Kelelahan mata D Pandangan yang terputus-putus 5
Keadaan temperatur tempat kerja E Normal 5
Keadaan atmosfer F Cukup 4
Keadaan lingkungan yang baik G Siklus kerja berulang-ulang
antara 5-10 detik 1
Kebutuhan pribadi H Pria 2
Total 31
111
Tabel 4.20 Tabel Waktu Setting Mesin Homogenizer
Pengamatan ke
Waktu (detik)
Pengamatan ke
Waktu (detik)
1 913.80 16 958.80 2 922.80 17 909.60 3 927.60 18 914.40 4 934.80 19 969.60 5 961.80 20 938.40 6 949.20 21 904.20 7 943.80 22 935.40 8 910.80 23 927.00 9 966.00 24 967.80 10 903.60 25 945.60 11 951.60 26 958.80 12 909.00 27 915.60 13 922.20 28 952.80 14 929.40 29 906.60 15 946.80 30 940.80
Waktu baku setting Mesin Homogenizer adalah hasil yang didapat dari
perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga
kelonggaran, yaitu :
• Waktu Siklus
ikdet62.93430
60.28038NXiWS ==∑=
• Waktu Normal
pxWW SN =
= 934.62 x 1.13 = 1056.12
112
• Waktu Baku
( )a1xWW Nb +=
= 1056.12 x (1 + 0.31) = 1383.52
• Mesin Granulator
Tabel 4.21 Tabel Penyesuaian Operator Mesin Granulator
No Faktor Kelas Lambang Penyesuaian
1 Ketrampilan Good C1 0.06 2 Usaha Good C1 0.05 3 Kondisi kerja Good C 0.02 4 Konsistensi Average D 0.00
Total 0.13 Penyesuaian (p) = 1 + total 1.13
Tabel 4.22 Tabel Kelonggaran Operator Mesin Granulator
Bagian Faktor Kelonggaran (%)
Tenaga yang dikeluarkan A Sedang 12
Sikap kerja B Berdiri diatas 2 kaki 2
Gerakan kerja C Normal 0
Kelelahan mata D Pandangan yang terputus-putus 5
Keadaan temperatur tempat kerja E Normal 5
Keadaan atmosfer F Cukup 4
Keadaan lingkungan yang baik G Siklus kerja berulang-ulang
antara 5-10 detik 1
Kebutuhan pribadi H Pria 2
Total 31
113
Tabel 4.23 Tabel Waktu Setting Mesin Granulator
Pengamatan ke
Waktu (detik)
Pengamatan ke
Waktu (detik)
1 1252.8 16 1255.2 2 1209.6 17 1262.4 3 1275 18 1245.6 4 1233.6 19 1249.8 5 1222.2 20 1216.2 6 1207.2 21 1228.2 7 1222.8 22 1209 8 1218 23 1281.6 9 1216.2 24 1243.8 10 1258.8 25 1213.8 11 1239 26 1237.8 12 1210.2 27 1208.4 13 1275.6 28 1251 14 1222.8 29 1213.8 15 1207.2 30 1239.6
Waktu baku setting Mesin Granulator adalah hasil yang didapat dari
perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga
kelonggaran, yaitu :
• Waktu Siklus
ikdet08.123730
4.37112NXiWS ==∑=
• Waktu Normal
pxWW SN =
= 1237.08 x 1.13 = 1397.90
114
• Waktu Baku
( )a1xWW Nb +=
= 1397.90 x (1 + 0.31) = 1831.25
• Mesin Cetak
Tabel 4.24 Tabel Penyesuaian Operator Mesin Cetak
No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.02 4 Konsistensi Good C 0.01
Total 0.09 Penyesuaian (p) = 1 + total 1.09
Tabel 4.25 Tabel Kelonggaran Operator Mesin Cetak
Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Sedang 12
Sikap kerja B Duduk 1
Gerakan kerja C Agak terbatas 5
Kelelahan mata D Pandangan yang hampir terus-
menerus 7
Keadaan temperatur tempat kerja E Normal 5
Keadaan atmosfer F Cukup 4
Keadaan lingkungan yang baik G Siklus kerja berulang-ulang
antara 5-10 detik 1
Kebutuhan pribadi H Pria 2
Total 37
115
Tabel 4.26 Tabel Waktu Setting Mesin Cetak
Pengamatan ke
Waktu (detik)
Pengamatan ke
Waktu (detik)
1 1042.8 16 1035.6 2 1054.2 17 1023 3 1077.6 18 1035 4 1101 19 1114.2 5 1075.8 20 1130.4 6 1048.8 21 1028.4 7 1035.6 22 1066.8 8 1114.8 23 1076.4 9 1045.2 24 1039.2 10 1139.4 25 1066.8 11 1048.2 26 1071.6 12 1036.2 27 1042.2 13 1063.2 28 1046.4 14 1077 29 1066.2 15 1047.6 30 1064.4
Waktu baku setting Mesin Cetak adalah hasil yang didapat dari perhitungan
dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu :
• Waktu Siklus
ikdet80.106330
00.31914NXiWS ==∑=
• Waktu Normal
pxWW SN =
= 1063.80 x 1.09 = 1159.54
• Waktu Baku
( )a1xWW Nb +=
= 1159.54 x (1 + 0.37) = 1588.57
116
• Mesin Coating
Tabel 4.27 Tabel Penyesuaian Operator Mesin Coating
No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.02 4 Konsistensi Good C 0.01
Total 0.09 Penyesuaian (p) = 1 + total 1.09
Tabel 4.28 Tabel Kelonggaran Operator Mesin Coating
Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Sedang 12
Sikap kerja B Berdiri diatas 2 kaki 2
Gerakan kerja C Normal 0
Kelelahan mata D Pandangan yang terputus-putus 5
Keadaan temperatur tempat kerja E Normal 5
Keadaan atmosfer F Cukup 4
Keadaan lingkungan yang baik G Siklus kerja berulang-ulang
antara 5-10 detik 1
Kebutuhan pribadi H Pria 2
Total 31
117
Tabel 4.29 Tabel Waktu Setting Mesin Coating
Pengamatan ke
Waktu (detik)
Pengamatan ke
Waktu (detik)
1 669.6 16 730.2 2 729.6 17 675.6 3 680.4 18 682.2 4 669 19 694.8 5 742.8 20 672 6 690 21 663.6 7 678 22 688.8 8 724.2 23 675 9 669.6 24 669.6 10 717 25 686.4 11 677.4 26 675 12 693.6 27 681 13 693 28 706.8 14 676.2 29 668.40 15 673.8 30 687.00
Waktu baku setting Mesin Coating adalah hasil yang didapat dari
perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga
kelonggaran, yaitu :
• Waktu Siklus
ikdet02.68830
60.20640NXiWS ==∑=
• Waktu Normal
pxWW SN =
= 688.02 x 1.09 = 749.94
118
• Waktu Baku
( )a1xWW Nb +=
= 749.94 x (1 + 0.31) = 982.42
• Mesin Stripping
Tabel 4.30 Tabel Penyesuaian Operator Mesin Stripping
No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.01 4 Konsistensi Average D 0.00
Total 0.07 Penyesuaian (p) = 1 + total 1.07
Tabel 4.31 Tabel Kelonggaran Operator Mesin Stripping
Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Ringan 8
Sikap kerja B Berdiri diatas 2 kaki 2
Gerakan kerja C Normal 0
Kelelahan mata D Pandangan yang terputus-putus 5
Keadaan temperatur tempat kerja E Normal 5
Keadaan atmosfer F Cukup 4
Keadaan lingkungan yang baik G Siklus kerja berulang-ulang
antara 5-10 detik 1
Kebutuhan pribadi H Pria 2
Total 27
119
Tabel 4.32 Tabel Waktu Setting Mesin Stripping
Pengamatan ke
Waktu (detik)
Pengamatan ke
Waktu (detik)
1 1113.6 16 1078.2 2 1104.6 17 1099.2 3 1069.8 18 1086 4 1083 19 1060.2 5 1100.4 20 1101.6 6 1098 21 1081.8 7 1073.4 22 1114.8 8 1100.4 23 1061.4 9 1064.4 24 1107.6 10 1101.6 25 1027.8 11 1129.2 26 1090.8 12 1035 27 1101 13 1088.4 28 1121.4 14 1081.8 29 1118.40 15 1126.2 30 1080.60
Waktu baku setting Mesin Stripping adalah hasil yang didapat dari
perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga
kelonggaran, yaitu :
• Waktu Siklus
ikdet02.109030
60.32700NXiWS ==∑=
• Waktu Normal
pxWW SN =
= 1090.02 x 1.07 = 1166.32
120
• Waktu Baku
( )a1xWW Nb +=
= 1166.32 x (1 + 0.27) = 1481.23
Sehingga, setelah dilakukan perhitungan seperti di atas, akhirnya didapatkan
lama waktu setting yang dibutuhkan oleh operator untuk mempersiapkan mesin-
mesin tersebut agar dapat bekerja dengan baik. Kemudian, berikut ini adalah lama
waktu setting tiap-tiap mesin yang berhasil diperoleh sebagai berikut :
Tabel 4.33 Tabel Waktu Setting Tiap Mesin
Nama Mesin Waktu Setting Satuan Homogenizer 1383.52 detik Granulator 1831.25 detik
Cetak 1588.57 detik Coating 982.42 detik Stripping 1481.23 detik
Setelah diperoleh waktu setting untuk tiap-tiap mesin, maka akan dilakukan
penjumlahan waktu setting dengan waktu proses yang akan menghasilkan total waktu
yang dibutuhkan secara keseluruhan dalam memproduksi tiap-tiap jenis obat, sebagai
berikut :
121
Tabel 4.34 Tabel Total Waktu Keseluruhan Proses
Total Waktu Keseluruhan Nama Obat Frekuensi Timbang Mesin
HomogenizerMesin
GranulatorMesin Cetak
Mesin Coating
Mesin Stripping
Analspec 500 ( 1x ) 296,730 56142.00 64973.52 55418.25 73724.57 38964.42 56050.23
Progesic ( 2x ) 10,000 1998.00 3505.52 6169.25 4528.57 2872.42 3499.23
Xepaprim ( 3x ) 500,002 65801.00 72284.52 98482.25 75639.57 42483.42 65132.23
Tylonic 300 ( 4x ) 384,615 88731.00 82845.52 144639.25 97396.57 58290.42 73905.23
Gestamag ( 5x ) 71,888 18354.00 21836.52 33390.25 29100.57 18070.42 19928.23
4.2.4.3 Penjadwalan Produksi dengan Algoritma Palmer
Di PT. Metiska Farma, tidak pernah ada suatu penjadwalan dengan
algoritma tertentu, di sana hanya ada suatu penjadwalan tanpa algoritma atau teori
tertentu, yang mereka pakai hanya suatu feeling saja di dalam melakukan suatu
penjadwalan produksi, hal ini dapat saja berakibat fatal, dikarenakan akan membuat
produksi tidak lancar, biaya produksi membesar, dan lain-lain. Oleh karena itu harus
ada suatu penjadwalan khusus agar tidak terjadi hal-hal yang tidak diinginkan.
Algoritma Palmer merupakan suatu algoritma penjadwalan flowshop untuk
m-machine dan n-job. Kriteria yang digunakan adalah makespan. Tujuan utama dari
penjadwalan job ini adalah untuk meminimasi makespan. Yand dimaksud job disini
adalah pekerjaan dalam satu kali pembuatan suatu jenis obat. Berikut ini adalah
susunan pekerjaan yang harus dilakukan dalam membuat penjadwalan job dengan
algoritma Palmer :
122
a. Untuk setiap job Jj, cari nilai dari jπ
( )( )[ ]∑ +−++−−=π=
−+
2m
1i)i1m(ijj j
t1i2mt)1i2m(
b. Pengurutan job berdasarkan jπ secara descending
Jika dua atau lebih job memiliki nilai jπ yang sama, maka urutkan
sesuai dengan keperluannya.
c. Jadwalkan job pada setiap mesin sesuai dengan urutan tersebut.
2. Perhitungan
a. Mencari nilai jπ
( )( )[ ]∑ +−++−−=π=
−+
2m
1i)i1m(ijj j
t1i2mt)1i2m(
j6j1j t5t5 +−=π
Tabel 4.35 Tabel Nilai jπ untuk Setiap Job
Nama Obat jπ Analspec 500
( 1x ) - 458.85
Progesic ( 2x ) 7506.15 Xepaprim ( 3x ) - 3343.85
Tylonic 300 ( 4x ) - 74128.85 Gestamag ( 5x ) 7871.15
123
Contoh perhitungan (Analspec 500) :
j6j1j t5t5 +−=π
)23.56050(5)56142(5j +−=π
85.458j −=π
b. Mengurutkan job berdasarkan jπ secara descending
Tabel 4.36 Tabel Pengurutan Job secara descending
Nama Obat jπ Gestamag ( 5x ) 7871.15 Progesic ( 2x ) 7506.15
Analspec 500 ( 1x ) - 458.85 Xepaprim ( 3x ) - 3343.85
Tylonic 300 ( 4x ) - 74128.85 c. Penjadwalan job
Tabel 4.37 Tabel Perhitungan Makespan dan Total Flow Time
Waktu Proses tiap Mesin Nama Obat Unit
Processed TimbangMesin
HomogenizerMesin
GranulatorMesin Cetak
Mesin Coating
Mesin Stripping
40000 11972.00 28739.52 48130.77 65027.34 77917.76 91262.99 Gestamag ( 5x ) 31888 21516.08 41003.64 62129.60 77230.88 87410.82 100720.97
Progesic ( 2x ) 10000 24025.08 44124.64 65884.60 80170.88 90213.82 103738.97
50000 38955.08 62608.16 84650.85 94824.45 107681.24 121450.20 50000 53885.08 79708.16 101585.85 107889.45 124166.24 137680.20 50000 68815.08 96808.16 118520.85 120954.45 140651.24 153910.20 50000 83745.08 113908.16 135455.85 134019.45 157136.24 170140.20 50000 98675.08 131008.16 152390.85 147084.45 173621.24 186370.20
Analspec 500 ( 1x )
46730 112628.66 146989.82 168218.30 159295.00 189028.12 201538.76 75000 129181.16 172620.84 189324.55 178111.07 209735.54 220067.49 75000 145733.66 196868.34 208599.55 195338.57 229460.54 237114.99 75000 162286.16 221115.84 227874.55 212566.07 249185.54 254162.49
Xepaprim ( 3x )
75000 178838.66 245363.34 247149.55 229793.57 268910.54 271209.99
124
Tabel 4.37 Tabel Perhitungan Makespan dan Total Flow Time (lanjutan)
Waktu Proses tiap Mesin Nama Obat Unit
Processed TimbangMesin
HomogenizerMesin
GranulatorMesin Cetak
Mesin Coating
Mesin Stripping
75000 195391.16 269610.84 266424.55 247021.07 288635.54 288257.49 75000 211943.66 293858.34 285699.55 264248.57 308360.54 305304.99
Xepaprim ( 3x )
50002 222979.10 310023.99 298550.07 275734.03 321511.06 316670.44 50000 236014.10 326497.51 319446.32 291277.60 337443.48 332566.67 50000 249049.10 341587.51 338511.32 305232.60 352393.48 346981.67 50000 262084.10 356677.51 357576.32 319187.60 367343.48 361396.67 50000 275119.10 371767.51 376641.32 333142.60 382293.48 375811.67 50000 288154.10 386857.51 395706.32 347097.60 397243.48 390226.67 50000 301189.10 401947.51 414771.32 361052.60 412193.48 404641.67 50000 314224.10 417037.51 433836.32 375007.60 427143.48 419056.67
Tylonic 300 ( 4x )
34615 323248.23 427484.32 447035.02 384668.64 437493.37 429036.18 Total Flow Time = 1151705.32
Makespan = 429,036.18
Total Flow Time = 1,151,705.32
0
300000
600000
900000
1200000
1500000
Timba
ng
Homog
enize
r
Granula
torCe
tak
Coati
ng
Stripp
ing
Tylonic 300XepaprimAnalspec 500ProgesicGestamag
Gambar 4.26 Kurva Makespan & Total Flow Time
Contoh perhitungan (Untuk Timbang):
1X = Unit processed x Waktu proses per obat + 1tX −
= 40000 x 0.2993 + 0 = 11972.00
125
2X = Unit processed x Waktu proses per obat + 1tX −
= 31888 x 0.2993 + 11972 = 21516.08
Contoh perhitungan (Untuk Setiap Mesin):
1X = Unit processed x Waktu proses per obat + 1tX − + Waktu setting mesin
= 40000 x 0.3846 + 11972 + 1383.52 = 28739.52
2X = Unit processed x Waktu proses per obat + 1tX −
= 31888 x 0.3846 + 28739.52 = 41003.64
Setelah didapatkan urutan produksi kelima obat diatas maka berikut
dapat dilihat urutan produksi obat dalam minggu.
Tabel 4.38 Tabel Penjadwalan Job
Minggu 1 Minggu 2 Minggu 3 Minggu 4 Gestamag
( 5x ) Progesic
( 2x ) Analspec 500 ( 1x ) Xepaprim ( 3x ) Tylonic 300 ( 4x )
4.3 Analisis Data
4.3.1 Analisis Model Linear Programming
Dalam mengoptimasi jumlah produk di PT. Metiska Farma ini dipilih 5
jenis obat, yaitu Analspec 500, Progesic, Xepaprim, Tylonic 300 dan Gestamag,
dipilih kelima jenis obat ini dikarenakan pada saat dilakukan observasi di PT.
Metiska Farma, memang hanya kelima jenis obat ini saja yang akan diproduksi ke
depannya. Sedangkan, untuk constraint-nya, terdapat 22 buah constraint yang
126
dijadikan sebagai pembatas dari memaksimasi laba yang dilakukan di PT. Metiska
Farma, yaitu :
Berikut ini adalah penjelasan mengenai nilai/angka yang terdapat didalam
constraint-constraint tersebut di atas yang digunakan untuk optimasi produk obat di
PT. Metiska Farma, yaitu:
• Constraint ke-1
3500 1x + 0 2x + 3000 3x + 8995 4x + 2200 5x ≤ 100000
Constraint pertama yaitu bahan baku 4CaPO , disini variabel Progesic ( 2x )
tidak memiliki/mengandung bahan baku ini, sehingga diformulasikan menjadi angka
0, sedangkan angka 100.000 didapat dari jumlah bahan baku 4CaPO yang tersisa di
gudang bahan baku pada awal bulan. Hal ini dapat dilakukan karena pada saat ini,
hanya kelima produk obat tersebut yang akan diproduksi.
• Constraint ke-2
52 1x + 45 2x + 0 3x + 53 4x + 45 5x ≤ 2500 Constraint kedua yaitu bahan baku Nip, disini variabel Xepaprim ( 3x ) juga
tidak memiliki/mengandung bahan baku Nip, sehingga diformulasikan menjadi angka
0, sedangkan angka 2.500 didapat dari jumlah bahan baku Nip yang tersisa di gudang
bahan baku pada awal bulan.
• Constraint ke-3
1050 1x + 900 2x + 0 3x + 500 4x + 250 5x ≤ 25000
127
Constraint ketiga yaitu bahan baku SSG, disini variabel Xepaprim ( 3x ) tidak
memiliki/mengandung bahan baku SSG, sehingga diformulasikan menjadi angka 0,
sedangkan angka 25.000 didapat dari jumlah bahan baku SSG yang tersisa di gudang
bahan baku.
• Constraint ke-4
11 1x + 2.5 2x + 0 3x + 0 4x + 0 5x ≤ 100
Constraint keempat yaitu bahan baku Alkohol 95%, disini variabel Xepaprim
( 3x ),Tylonic 300 ( 4x ), dan Gestamag ( 5x ) tidak memiliki/mengandung bahan baku
Alkohol 95%, sehingga diformulasikan menjadi angka 0, sedangkan angka 100
didapat dari jumlah bahan baku Alkohol 95% yang tersisa di gudang bahan baku.
• Constraint ke-5
7 1x + 6 2x + 0 3x + 7 4x + 6 5x ≤ 500
Constraint kelima yaitu bahan baku Nps, disini variabel Xepaprim ( 3x ) tidak
memiliki/mengandung bahan baku Nps, sehingga diformulasikan menjadi angka 0,
sedangkan angka 500 didapat dari jumlah bahan baku Nps yang tersisa di gudang
bahan baku pada saat ini.
• Constraint ke-6
350 1x + 150 2x + 0 3x + 175 4x + 0 5x ≤ 5000
Constraint keenam yaitu bahan baku MgS, disini variabel Xepaprim ( 3x ) dan
Gestamag ( 5x ) yang tidak memiliki/mengandung bahan baku MgS, sehingga harus
128
diformulasikan menjadi angka 0, sedangkan angka 5000 didapat dari jumlah bahan
baku MgS yang tersisa di gudang bahan baku.
• Constraint ke-7
0 1x + 700 2x + 675 3x + 700 4x + 120 5x ≤ 15000
Constraint ketujuh yaitu bahan baku PVP, disini variabel Analspec 500 ( 1x )
yang tidak memiliki/mengandung bahan baku PVP, sehingga dapat diformulasikan
menjadi angka 0, sedangkan angka 15.000 didapat dari jumlah bahan baku PVP yang
tersisa di gudang bahan baku.
• Constraint ke-8
0 1x + 3189 2x + 5325 3x + 4550 4x + 2159 5x ≤ 75000
Constraint kedelapan yaitu bahan baku AV, disini variabel Analspec 500 ( 1x )
yang tidak memiliki/mengandung bahan baku AV, sehingga dapat diformulasikan
menjadi angka 0, sedangkan angka 75.000 didapat dari jumlah bahan baku PVP yang
tersisa di gudang bahan baku.
• Constraint ke-9
10 1x + 2.5 2x + 20 3x + 10 4x + 0 5x ≤ 100000
Constraint kesembilan yaitu bahan baku Aquadem, disini variabel Gestamag
( 5x ) yang tidak memiliki/mengandung bahan baku Aquadem, sehingga harus
diformulasikan menjadi angka 0, sedangkan angka 100.000 didapat dari jumlah bahan
baku Aquadem yang tersisa.
129
• Constraint ke-10
52 1x + 32 2x + 0 3x + 0 4x + 0 5x ≤ 315
Constraint kesepuluh yaitu bahan baku Dyes, disini variabel Xepaprim ( 3x ),
Tylonic 300 ( 4x ), dan Gestamag ( 5x ) yang tidak memiliki/mengandung bahan baku
Dyes ini, sehingga harus diformulasikan menjadi angka 0, sedangkan angka 315
didapat dari jumlah bahan baku Aquadem yang tersisa di gudang.
• Constraint ke-11
0 1x + 0 2x + 0 3x + 9000 4x + 11000 5x ≤ 89000
Constraint kesebelas yaitu bahan baku Alupurinol, disini variabel Analspec
500 ( 1x ), Progesic ( 2x ), dan Xepaprim ( 3x ) yang tidak memiliki/mengandung bahan
baku Alupurinol ini, sehingga harus diformulasikan menjadi angka 0, sedangkan
angka 89000 didapat dari jumlah bahan baku Alupurinol yang tersisa di gudang.
• Constraint ke-12
300 1x + 0 2x + 330 3x + 0 4x + 280 5x ≤ 7500
Constraint keduabelas yaitu bahan baku Pemanis, disini variabel Progesic
( 2x ) dan Tylonic 300 ( 4x ) yang tidak memiliki/mengandung bahan baku Pemanis ini,
sehingga harus diformulasikan menjadi angka 0, sedangkan angka 7500 didapat dari
jumlah bahan baku Pemanis yang tersisa di gudang bahan baku PT. Metiska Farma.
130
• Constraint ke-13
28 1x + 0 2x + 0 3x + 0 4x + 0 5x ≤ 200
Constraint ketigabelas yaitu bahan baku Asam Mefenamat, disini hanya
variabel Analspec 500 ( 1x ) yang memiliki/mengandung bahan baku Asam
Mefenamat ini, sehingga variabel lain yang tidak memiliki jenis bahan baku ini harus
diformulasikan menjadi angka 0, sedangkan angka 200 didapat dari jumlah bahan
baku Asam Mefenamat yang terdapat di gudang bahan baku PT. Metiska Farma.
• Constraint ke-14
0 1x + 22 2x + 0 3x + 0 4x + 0 5x ≤ 200
Constraint keempatbelas yaitu bahan baku Cimeticon, disini hanya variabel
Progesic ( 2x ) yang memiliki/mengandung bahan baku Cimeticon ini, sehingga
variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan menjadi angka
0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah bahan baku
Cimeticon yang terdapat di gudang bahan baku PT. Metiska Farma.
• Constraint ke-15
0 1x + 0 2x + 30 3x + 0 4x + 0 5x ≤ 200
Constraint kelimabelas yaitu bahan baku Trimetoprim, disini hanya variabel
Xepaprim ( 3x ) yang memiliki/mengandung bahan baku Trimetoprim ini, sehingga
variabel-variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan
131
menjadi angka 0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah
bahan baku Trimetoprim yang terdapat di gudang bahan baku PT. Metiska Farma.
• Constraint ke-16
0 1x 0 2x 0 3x 26 4x 0 5x ≤ 200
Constraint keenambelas yaitu bahan baku Spearmint, disini hanya variabel
Tylonic 300 ( 4x ) yang memiliki/mengandung bahan baku Spearmint ini, sehingga
variabel-variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan
menjadi angka 0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah
bahan baku Spearmint yang tersisa di gudang bahan baku PT. Metiska Farma.
• Constraint ke-17
29 1x 26 2x 29 3x 28 4x 25 5x ≤ 200
Untuk jam permesinan (constraint 17), pembatasnya diambil dari jumlah
waktu permesinan yang berlangsung dari awal produksi hingga akhir produksi.
Sedangkan angka 200 diambil dari jumlah jam kerja yang tersedia per bulan yaitu 25
hari kerja dikalikan dengan jumlah jam kerja per hari yaitu 8 jam.
• Constraint ke-18 sampai 22
1 1x + 0 2x + 0 3x + 0 4x + 0 5x ≥ 0.2
0 1x + 1 2x + 0 3x + 0 4x + 0 5x ≥ 0.2
0 1x + 0 2x + 1 3x + 0 4x + 0 5x ≥ 0.2 0 1x + 0 2x + 0 3x + 1 4x + 0 5x ≥ 0.2 0 1x + 0 2x + 0 3x + 0 4x + 1 5x ≥ 0.2
132
Terakhir, untuk constraint stock minimum (constraint 18 sampai 22), angka
0.2 diambil berdasarkan kebijakan PT. Metiska Farma yang mewajibkan stock
minimum yang harus tersisa di gudang pada akhir bulan sebanyak 0.2 dari jumlah
batch produksinya.
Dipilih ke-22 constraint ini dikarenakan constraint-constraint ini adalah
yang paling cocok untuk dijadikan sebagai pembatas karena sangat mencerminkan
produk obat tersebut masing-masing. Ke-22 constraint itu diantaranya yaitu,
constraint bahan baku pokok dari obat tersebut, seperti 4CaPO , Nip, SSG, Alkohol
95%, Nps, MgS, PVP, AV, Dyes, Alupurinol, Pemanis, Aquadem, Asam Mefenamat,
Cimeticon, Trimetoprim, dan juga Spearmint, yang keseluruhan dari bahan baku di
atas menjadikan 16 constraint untuk mengoptimasi laba di PT. Metiska Farma, bahan
baku dipilih menjadi constraint dikarenakan bahan baku adalah suatu hal yang sangat
berpengaruh dalam memaksimalkan laba karena bahan baku adalah biaya terbesar
yang harus dikeluarkan oleh perusahaan dalam memproduksi suatu jenis obat.
Sedangkan untuk jenis constraint lainnya, yaitu constraint jam permesinan,
ini dipakai menjadi suatu constraint dikarenakan jam permesinan ini juga merupakan
hal yang penting dalam memproduksi suatu jenis obat, dikarenakan jam permesinan
ini cukup mempengaruhi dalam segi biaya, seperti biaya tenaga kerja, biaya listrik,
dan biaya lain-lainnya. Oleh karena itu, jam permesinan ini digunakan pula sebagai
suatu pembatas dalam tujuan memaksimasi laba bagi PT. Metiska Farma.
133
Untuk constraint yang terakhir, yaitu constraint stock minimum, dipilih
menjadi constraint dikarenakan stock minimum harus dipenuhi oleh setiap jenis obat,
sesuai dengan kebijakan perusahaan dalam mengatur inventorynya.
Fungsi tujuan yang dipilih adalah memaksimumkan laba dari masing-
masing jenis obat. Laba yang dimaksud disini adalah laba bersih yang akan diperoleh
perusahaan, dimana laba bersih merupakan selisih antara hasil yang didapatkan dari
penjualan dengan seluruh biaya yang dikeluarkan oleh perusahaan yang berhubungan
dengan obat yang bersangkutan.
4.3.2 Analisis Linear Programming
Untuk melakukan perhitungan ini, digunakan software, yaitu software
LINDO. Software LINDO ini digunakan karena software ini sudah teruji dan sangat
dapat dibuktikan keakuratan hasil perhitungannya dibandingkan dengan perhitungan
manual sehingga dengan menggunakan software ini sudah cukup dan tidak perlu lagi
dilakukan perhitungan manual karena hasil perhitungan tidak akan jauh berbeda.
Kemudian, setelah constraint-constraint dan fungsi tujuan dimasukkan kedalam
software LINDO, akan didapatkan jumlah produk optimum untuk masing-masing
obat. Dimana jumlah optimum untuk masing-masing obat dapat dilihat pada tabel
dibawah ini:
134
Tabel 4.39 Tabel Summary Jumlah Optimum Untuk Masing-Masing Obat
Nama Obat Jumlah Satuan/batch
Jumlah Batch
Optimum
Jumlah Satuan
Optimum Analspec 500 ( 1x ) 50000 tablet 5.9346 296,730
Progesic ( 2x ) 50000 tablet 0.2000 10,000 Xepaprim ( 3x ) 75000 tablet 6.6667 500,002
Tylonic 300 ( 4x ) 50000 tablet 7.6923 384,615 Gestamag ( 5x ) 40000 tablet 1.7972 71,888
Untuk obat Analspec 500, jumlah optimum yang didapat untuk
mendapatkan laba maksimum adalah 296,730 unit. Untuk obat Progesic, jumlah
optimum yang didapat untuk mendapatkan laba maksimum adalah 10,000 unit. Untuk
obat Xepaprim, jumlah optimum yang didapat untuk mendapatkan laba maksimum
adalah 500,002 unit. Untuk obat Tylonic 300, jumlah optimum yang didapat untuk
mendapatkan laba maksimum adalah 384,615 unit. Untuk obat Gestamag, jumlah
optimum yang didapat untuk mendapatkan laba maksimum adalah 71,888 unit.
Dan, jika PT. Metiska Farma melakukan produksi sebanyak jumlah unit di
atas, maka dimungkinkan bahwa perusahaan akan mendapatkan nilai laba maksimum
sesuai dengan hasil perhitungannya, yaitu sebesar Rp. 943,303,200.
4.3.3 Analisis Sensitivitas
Uji sensitivitas ini dibutuhkan untuk mengetahui seberapa sensitifkah
variabel yang diuji. Seperti bisa dilihat berikut ini adalah hasil dari uji sensitivitas
yang dilakukan pada setiap variabel :
135
Tabel 4.40 Tabel Summary Hasil Uji Sensitivitas
Variabel Perubahan Hasil Setelah Diubah + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
1x - 10% 1x menjadi 5.8898 dari 5.9346
2x menjadi 0.2728 dari 0.2000 + 5% Tidak terjadi perubahan
+ 10% 1x menjadi 5.8898 dari 5.9346
2x menjadi 0.2728 dari 0.2000 - 5% Tidak terjadi perubahan
2x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
3x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan
4x
- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan 5x
- 10% Tidak terjadi perubahan
Semua variabel dari 1x hingga 5x dinaikkan dan diturunkan sebanyak 5%
dan 10%, nilai ini diambil karena sudah dilakukan percobaan bahwa nilai 10% ini
sudah mewakili hingga kenaikan atau penurunan sebesar 50%.
Dari tabel di atas, dapat dilihat bahwa hanya terjadi perubahan pada saat
variabel 1x diturunkan sebesar 10% dari kondisi aslinya. Hal ini dapat diartikan
bahwa variabel 1x dapat dikatakan cukup sensitif jika dilakukan penurunan laba.
Namun, jika dilakukan penaikkan laba sebesar 10%, tetap tidak terjadi perubahan, hal
136
ini dapat terjadi dikarenakan ini adalah produk jenis obat yang tidak akan terlalu
berpengaruh meski sudah menaikkan atau menurunkan harga sekalipun.
Kemudian, dari tabel di atas juga didapat perubahan nilai variabel pada saat
dilakukan kenaikkan pada laba variabel tersebut sebesar 10%, ini juga dapat diartikan
bahwa pembesaran laba sebesar 10% dari nilai aslinya mampu menjadikan produksi
berubah agar didapatkan laba yang maksimum, hal ini juga dapat dikatakan variabel
2x ini cukup sensitif terhadap perubahan.
Dari seluruh uji sensitivitas yang dilakukan pada setiap variabel, baik
dengan menaikkan maupun menurunkan nilai variabel tersebut, namun yang banyak
terjadi adalah variabel tetap tidak berubah. Hal ini dikarenakan uji sensitivitas ini
dilakukan pada produk obat, yang tidak bisa menaikkan harga jual dengan seenaknya
karena persaingan harga yang ketat diantara perusahaan obat lainnya. Dan obat ini
pun sudah mempunyai harga standarnya sendiri, seperti jika kita membeli obat
demam, kita pasti sudah mengetahui standar harga obat tersebut, sehingga jika harga
tersebut naik, pasti kita tidak jadi membeli, sebaliknya jika harga obat tersebut lebih
mura, maka kita dapat menjadi curiga apakah obat tersebut palsu atau tidak, hal inilah
yang menjadi penyebab mengapa uji sensitivitas ini tidak berubah pada banyak
variabel lainnya.
Dan, untuk 3x , 4x dan 5x , tidak terjadi perubahan sama sekali walaupun
sudah dinaikkan dan diturunkan nilai variabelnya, sehingga hal ini dapat dikatakan
bahwa variabel-variabel tersebut kurang sensitif terhadap perubahan.
137
4.3.4 Analisis Penjadwalan
Penjadwalan ini diperlukan oleh PT. Metiska Farma karena perusahaan ini
tidak pernah memiliki atau menggunakan suatu penjadwalan tertentu dalam
mengurutkan produksi yang harus dikerjakannya. Oleh karena itu akan dicoba
mengusulkan suatu jenis penjadwalan yang cocok dengan PT.Metiska Farma, maka
coba diusulkan menggunakan algoritma Palmer. Algoritma yang digunakan dalam
melakukan penjadwalan ini adalah algoritma Palmer, ini adalah suatu algoritma
penjadwalan flowshop untuk jumlah mesin lebih dari 4. Kriteria dari algoritma ini
adalah makespan dan total flow time. Alasan dalam menggunakan jenis algoritma ini
adalah dikarenakan algoritma ini memiliki kriteria makespan dan total flow time yang
sangat penting dalam penjadwalan flowshop, kemudian penerapan dari algoritma
Palmer ini mudah dimengerti dengan cepat oleh para operator sekalipun.
Algoritma Palmer ini menjadwalkan job sesuai kriteria makespan dan total
flow time, dan setelah dihitung dengan algoritma ini, maka dihasilkan urutan jadwal
produksi yang baik menurut Algoritma ini, yaitu :
Tabel 4.41 Tabel Urutan Penjadwalan Produksi
Minggu 1 Minggu 2 Minggu 3 Minggu 4 Gestamag
( 5x ) Progesic
( 2x ) Analspec 500
( 1x ) Xepaprim
( 3x ) Tylonic 300
( 4x )
Ini berarti, perusahaan pada minggu pertama memproduksi Gestamag
terlebih dahulu, jumlah yang harus diproduksi oleh perusahaan untuk obat ini, sesuai
dengan perhitungan jumlah produk optimum yang diperoleh dari perhitungan Linear
138
Programming yaitu sebanyak 71,888 unit, kemudian dilanjutkan dengan
memproduksi Progesic sebanyak 10,000 unit. Lalu, pada minggu kedua, perusahaan
harus memulai memproduksi obat Analspec 500, untuk minggu kedua ini digunakan
seluruhnya untuk memproduksi obat ini, karena jumlah yang harus diproduksi amat
banyak, yaitu sebanyak 296,730 unit. Minggu ketiga harus digunakan oleh
perusahaan untuk memproduksi obat Xepaprim, sama seperti minggu sebelumnya,
keseluruhan minggu ini digunakan untuk memproduksi obat jenis ini, dikarenakan
jumlah yang harus diproduksi pun cukup banyak, yaitu sebanyak 500,002 unit.
Terakhir, pada minggu keempat, perusahaan akan memproduksi obat Tylonic 300
sebanyak 384,615 unit, dan 1 minggu ini pun hanya cukup untuk memproduksi obat
terakhir ini. Dan dari urutan jadwal seperti tersebut diatas, maka diperoleh nilai-nilai
makespan dan total flow time sebagai berikut :
• Makespan = 429036.18 detik
• Total Flow Time = 1151705.32 detik
Ini berarti jumlah waktu yang dibutuhkan dalam memproduksi keseluruhan
obat tersebut yaitu 429,036.18 detik. Ini dapat diartikan penjadwalan ini cukup
berhasil, karena hasil ini lebih cepat dari waktu yang diinginkan, yaitu 200 jam,
namun dengan dibuatnya penjadwalan ini, waktu penyelesaian ini dapat dipercepat
menjadi 120 jam. Sedangkan total waktu aliran adalah 1,151,705.32 detik. Nilai ini
dinilai cukup cepat dalam memproduksi keseluruhan obat tersebut dibandingkan
139
dengan urutan produksi yang digunakan selama ini oleh PT. Metiska Farma pada
bulan sebelumnya.
top related