LAPORAN TUGAS BESAR PEMODELAN DAN SIMULASI SISTEMIKM OEMAH BAKERY

Kelompok 13 - Kelas B

Irfan Aufa12/330190/TK/39375Fitria Kurniasany12/333744/TK/40087Shabrina Austin Ghaisani12/333866/TK/40208Meiliana Siregar12/329891/TK/39113

PROGRAM STUDI TEKNIK INDUSTRIJURUSAN TEKNIK MESIN DAN INDUSTRIFAKULTAS TEKNIK UNIVERSITAS GADJAH MADAYOGYAKARTA2015

DAFTAR ISI HALAMAN JUDULiDAFTAR ISIiiBAB I PENDAHULUAN1.1 Latar Belakang11.2 Tujuan21.3 Asumsi dan Batasan2BAB II PROFIL PERUSAHAAN2.1 Deskrpsi Singkat IKM32.2 Alur Sistem32.3 Pengambilan Data9BAB III DESAIN SIMULASI3.1 Data yang Dibutuhkan dan Pengolahan Data10BAB IV HASIL DAN PEMBAHASAN4.1 Validasi284.2 Pembahasan Simulasi Sistem Nyata354.3 Pembahasan Simulasi Setelah di Optimasi384.4 Perbandingan Hasil Sebelum dan Setelah Optimasi424.5 Analisa Profit42Bab V PENUTUP5.1 Kesimpulan455.2 Saran45Daftar Pustaka46

42

BAB IPENDAHULUAN 1.1. Latar BelakangIndustri kecil menengah (IKM) merupakan salah satu pendorong kemajuan perekonomian di Indonesia. Pertumbuhan IKM di Indonesia sangat pesat dimana pada tahun 2011 terdapat 56,52 juta unit dan hingga awal tahun 2015 ini sudah tercatat 10,04 juta unit IKM. Perkembangan jumlah IKM ini memberikan banyak dampak positif kepada Indonesia, salah satunya adalah meningkatnya jumlah lapangan kerja. Namun, banyak juga IKM yang mengalami masalah hingga tidak dapat berkembang dan berakhir dengan penutupan usahanya tersebut. Hal ini terjadi karena keterbatasan modal, keterbatasan tenaga kerja, biaya produksi yang tinggi, dan kalah bersaing dengan produk-produk impor. Agar IKM tetap dapat bertahan setiap IKM harus dapat meminimalkan biaya produksi namun tetap mempertahankan kualitas dari produknya. Selain itu, IKM juga harus mengoptimalkan penjualan produk-produk yang telah diproduksinya. Untuk melakukan minimasi biaya produksi dan optimasi dari penjualan IKM dapat dilakukan dengan simulasi dari sistem nyata yang ada pada IKM. Simulasi akan menggambarkan sistem nyata yang ada dengan menggunakan software seperti Flexsim ataupun Promodel. Pada software tersebut dapat dibuat beberapa skenario untuk melakukan uji coba pada bagian manakah harus dilakukan perbaikan ataupun peningkatan untuk mencapai hasil yang paling optimal dari sistem nyata. Dengan mendapatkan hasil teroptimal dari sistem, tentu saja IKM akan mendapatkan profit yang tinggi sehingga dapat bertahan di pasaran bahkan dapat mengembangkan usahanya menjadi usaha yang lebih besar. Maka dari itu, penelitian ini kami lakukan sebagai usaha untuk membantu IKM Oemah Bakery agar dapat tetap bertahan di pasaran.

1.2. Tujuan1. Mensimulasikan sistem produksi IKM Oemah Bakery.2. Melakukan optimasi terhadap hasil yang diperoleh dari simulasi sistem.

1.3. Asumsi dan Batasan1.3.1. Asumsi :1. Arrival 1 unit bahan baku sama dengan 300 gr yang dapat menghasilkan 100 keping kue kering(baik produk reject maupun jadi)2. Entitas chocochips sudah tersedia di stasiun chocochip.3. Entitas loyang sudah tersedia di stasiun pengolesan loyang.4. Set up time mesin tidak dimasukkan dalam model.5. Harga penjualan kue kering dijadikan per keping.1.3.2. Batasan :1. Aktivitas yang dimasukkan ke model adalah proses pembuatan kue kering chocochips.2. Aktivitas yang diperhitungkan pada model hanya yang terjadi dalam satu hari dan tidak berkelanjutan.

BAB IIIKM KUE KERING OEMAH BAKERY2.1. Deskripsi Singkat IKMOemah Bakery merupakan sebuah industri kecil menengah (IKM) di bidang kue kering yang berlokasi di Karangnangko Maguwoharjo RT 9 RW 67 No. 147, Depok, Sleman, Yogyakarta. IKM ini berdiri pada tahun 2012 dengan pemilik ibu Retno Tree Apri Lestari Wiji Resmi Astuti. IKM ini menjual berbagai macam kue kering seperti nastar, roti kering kelapa, kue semprit, kastengles, peanut cookies, chocolate chips dan lain lain. Jumlah produksi per hari yang dihasilkan adalah sebanyak 300 gram kue kering. Bu Retno sudah mendaftarkan IKM Oemah Bakery ini pada Dinas Kesehatan (DINKES) sejak tahun 2012. Adapun izin yang di berikan DINKES adalah berupa nomer izin usaha yaitu DINKES P-IRT 2063404011348-19.Pada awal mula usahanya, ibu Retno melakukan proses produksi kue kering hanya disaat hari raya idul fitri akan datang. Namun seiring berjalannya waktu, pada 1 tahun belakangan ini, bu Retno mulai melakukan proses produksi kue kering setiap harinya. Proses produksi dilakukan setiap hari untuk memenuhi pesanan dari para konsumen seperti tetangga dan untuk memasok kue kering di toko oleh-oleh yang terdapat di Jogja City Mall (JCM).

2.2. Alur SistemAktivitas proses produksi Oemah Bakery ditunjukkan dalam Activity Circle Diagaram (ACD). ACD digunakan juga sebagai verifikasi model. Model dikatan terverifikasi apabila telah sesuai dengan aktivitas yang digambarkan oleh ACD. Berikut ini adalah daftar entitas dan aktivitas pada model.

Tabel 2.1 Daftar entitas dan aktivitas pada sistemNama EntitasAktivitasSimbol

Bahan Baku 1Bahan baku datang di gudang bahan bakuGudang Bahan Baku

Mengalami proses pengukuran pada stasiun pengukuran Pengukuran Bahan Baku

Mengalami proses mixing manual pada stasiun mixing manualMixing Manual

Mengalami proses pencampuran pada stasiun pencampuran adonan jadiPencampuran Adonan Jadi

Mengalami proses pencetakan kue pada stasiun pencetakan kuePencetakan kue

Mengalami proses adding chochochip Adding Chocochip

Mengalami proses pemanggangan kuePemanggangan kue

Menuju ke gudang rejectGudang Reject

Menuju lokasi packagingPackaging

Bahan Baku datang pada gudang bahan bakuGudang Bahan Baku

Mengalami proses pengukuran pada stasiun pengukuranPengukuran Bahan Baku

Mengalami proses pencampuran pada stasiun pencampuran adonan jadiMixing Otomatis

Mengalami proses pencetakan kue pada stasiun pencetakan kuePencetakan kue

Mengalami proses adding chochochip Adding Chocochip

Mengalami proses pemanggangan kuePemanggangan kue

Menuju ke gudang rejectGudang Reject

Menuju lokasi packagingPackaging

ChocochipChocochip datang pada gudang bahan bakuGudang Bahan Baku

Mengalami proses pengukuran pada stasiun pengukuranPengukuran Bahan Baku

Mengalami proses penambahan pada adonan jadi Adding Chocochip

Mengalami proses pemanggangan kuePemanggangan kue

Menuju ke gudang rejectGudang Reject

Menuju lokasi packagingPackaging

OperatorMengambil bahan baku datang pada gudang bahan bakuGudang Bahan Baku

Melakukan proses pengukuran pada stasiun pengukuran Pengukuran Bahan Baku

Mengambil loyang pada gudang loyangGudang Loyang

Mengolesi loyang pada stasiun pengolesanPengolesan Loyang

Melakukan proses mixing manual pada stasiun mixing manualMixing Manual

Melakukan proses mixing otomatis pada stasiun mixing otomatisMixing Otomatis

Melakukan proses pencampuran pada stasiun pencampuran adonan jadiPencampuran Adonan Jadi

Melakukan proses pencetakan kue pada stasiun pencetakan kuePencetakan kue

Melakukan proses pemasanan ovenPemanasan Oven

Melakukan proses adding chochochip Adding Chocochip

Melakukan proses pemanggangan kuePemanggangan kue

Menuju ke gudang rejectGudang Reject

Menuju lokasi packagingPackaging

Gambar 2.1 Activity circle diagramSelain metode ACD, digunakan juga metode visual inspection. Metode ini akan mengecek secara visual dari layout yang telah dibuat menggunakan orang yang tidak terlibat dalam pembuatan model. Orang tersebut kemudian akan memberikan jawaban apakah hasil layout yang telah dibuat sama dengan flowchart yang ada. Visual inspection telah dilakukan oleh 5 orang berbeda dan menyatakan bahwa flowchart dan alur sistem model sudah berjalan dengan benar dan sesuai. Sehingga dapat dikatakan model ini sudah merepresentasikan proses pembuatan kue kering pada Oemah Bakery.

2.3. Pengambilan DataPengambilan Data dilakukan pada hari Minggu, 26 April 2015 yang dilakuan dari pukul 10.00 sampai dengan pukul 17.00 dengan izin pemilik Oemah Bakery.

BAB IIIDESAIN SIMULASI 3.1. Data yang Dibutuhkan dan Pengolahan DataBerikut adalah hasil dari pengambilan data yang dibutuhkan pada masing-masing lokasi berdasarkan proses pembuatan roti kering pada IKM Oemah Bakery. Data waktu yang diambil dalam satuan detik.3.1.1. Gudang Bahan BakuKedatangan pada gudang bahan baku hanya sekali dalam sehari, yaitu pada pukul 7.00 untuk semua material yang dibutuhkan dalam proses produksi.3.1.2. Stasiun Pengukuran Bahan BakuWaktu rata-rata yang dilakukan untuk melakukan proses penakaran untuk setiap bahan baku adalah 15 detik. Proses ini hanya dilakukan beberapa kali pada satu proses pembuatan kue sehingga untuk menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi melainkan menanyakan pada ahli.3.1.3. Stasiun Mixing ManualPada lokasi ini, waktu yang diukur adalah waktu lamanya pencampuran bahan baku yang dicampur secara manual seperti tepung terigu, maizena, coklat bubuk dan baking powder. Proses pencampuran ini menghasilkan adonan 1. Waktu rata-rata yang diperlukan untuk adonan 1 adalah 120 detik. Proses ini hanya dilakukan sekali pada satu proses pembuatan kue sehingga untuk menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi melainkan menanyakan pada ahli.3.1.4 Stasiun Mixing Otomatis Pada lokasi ini, waktu yang diukur adalah waktu lamanya pencampuran adonan 1 dengan gula halus, margarine, garam, dan kuning telur menggunakan mesin mixer yang menghasilkan adonan 2. Waktu rata-rata yang diperlukan untuk menghasilkan adonan 1 menggunakan mixer adalah 100 detik. Proses ini hanya dilakukan sekali pada satu proses pembuatan kue sehingga untuk menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi melainkan menanyakan pada ahli.3.1.5. Stasiun Mixing Bahan Jadi Pada lokasi ini, waktu yang diukur adalah waktu lamanya pencampuran adonan 1 dan adonan 2. Pencampuran adonan dilakukan secara manual. Waktu rata-rata yang diperlukan untuk mencampur adonan ini adalah selama 300 detik. Pada lokasi ini, adonan yang siap dibentuk didiamkan selama 15 menit. Sama seperti proses sebelumnya, proses yang ini hanya sekali dalam rangkaian proses pembuatan kue kering sehingga waktu prosesnya ditanyakan kepada ahli, tidak menggunakan distribusi.3.1.6. Stasiun PengolesanPada lokasi ini, waktu yang diukur adalah pengolesan margarine pada loyang yang akan digunakan untuk memanggang adonan. Rata-rata waktu yang diperlukan untuk mengoles loyang dengan margarine adalah 15 detik. Proses ini hanya dilakukan pada beberapa loyang saja sehingga untuk menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi melainkan menanyakan pada ahli.3.1.7. Stasiun CetakanPada lokasi ini, waktu yang diambil adalah waktu pencetakan adonan sesuai dengan bentuk yang dikehendaki. Adonan yang sudah jadi, akan diubah menjadi beberapa kue kering dan langsung diletakkan pada loyang yang telah dioles margarine. Waktu yang dicatat adalah pembentukan dari adonan ke bentuk yang dikehendaki sampai diletakkan ke loyang. Berikut ini ialah data interarrival time yang didapatkan dari proses pencetakan kue chocochips.Tabel 3.1 Data Pencetakan Kue (s)No.DataNo.DataNo.DataNo.Data

139.121632.143136.154647.19

240.341747.653250.014741.23

334.11830.653343.454835.45

444.321949.013442.764954.34

544.432049.133565.455033.34

626.782135.663656.555144.12

732.652247.563745.765259.1

834.122344.783844.135366.23

930.142448.633955.015459.2

1029.782531.454058.125536

1127.692648.534157.135641.22

1230.692745.164251.045749.12

1338.662837.454350.175852.11

No.DataNo.DataNo.DataNo.Data

1442.342931.674442.345954.08

1545.613032.764554.346036.64

Tabel 3.1 Data Pencetakan Kue (s)No.DataNo.DataNo.Data

6142.457622.459130.1

6246.347734.619234.74

6322.7678269334.54

6441.457945.129441.34

6542.718034.79542.41

6622.718132.819639.17

6737.748244.819742.09

6838.698321.69827.6

6928.78446.29922.38

7029.618534.6910032.1

7139.718632.5

7232.128729.72

7341.18845.72

7443.328940.69

7543.559033.51

1).Uji Keseragaman DataDidapatkan data :Standar deviasi () = 9.662956UCL (CL + 3) = 69.37977CL atau average= 40.3909LCL (CL - 3)= 11.40203

Gambar 3.1 Control Chart Uji Keseragaman Data Stasiun Cetakan2). Uji Kecukupan DataPerhitungan dilakukan sebagai berikutA=

B= 172386.4= =16314248

C=

= 4039.09 = 90.65 = 91 (dibulatkan ke atas)

3). Distribusi DataDalam menetukan jenis distribusi data, terdapat berbagai macam software yang dapat digunakan. Pada kesempatan ini software yang akan digunakan untuk menentukan jenis distribusi data yaitu Promodel 4.2. Langkah awal dalam menentukan jenis distribusi data ialah memasukkan data ke dalam Stat::fit dalam promodel. Berikut ialah data setelah dimasukkan ke dalam promodel.

Gambar 3.2 Input data stasiun cetakanKemudian untuk memutuskan bentuk distribusi dari data yang telah dimasukkan, dapat digunakan perintah Auto Fit dengan mengklik menu Fit > Auto Fit, sehingga menghasilkan gambar berikut :

Gambar 3.3 Hasil Distribution Fit Data Stasiun CetakanBerdasarkan gambar diatas, maka dapat dikatakan jenis distribusi yang sesuai berdasarkan ranking yaitu Weibull, Beta, dan Triangular. Namun hal tersebut belum benar-benar pasti sebelum dilakukan uji untuk menentukan apakah jenis distribusi yang terpilih benar benar tepat mewakili sampel data. Oleh karena itu untuk menentukan jenis distribusi yang benar-benar tepat mewakili sampel yang ada maka dilakukan Goodness of Fit Test dengan memilih menu Fit > Goodness of Fit sehingga muncul gambar berikut :

Gambar 3.4 Hasil Goodness of Fit data stasiun cetakan

Berdasarkan hasil uji Goodness of Fit yang menghasilkan DO NOT REJECT yaitu distribusi Weibull dan Triangular. Sedangkan distribusi Beta menghasilkan REJECT pada Anderson Darling Test. Namun karena berdasarkan ranking Auto Fit distribusi Weibull yang tertinggi nilainya maka dapat dikatakan jenis distribusi yang benar-benar tepat mewakili data Interarrival Time proses pencetakan kue yaitu distribusi Weibull.3.1.8. Stasiun Adding Chocochips Pada lokasi ini, waktu yang diambil adalah waktu peletakan chocochips ke adonan yang sudah tertata rapi di loyang. Berikut ini adalah data yang diperoleh dari proses adding chocochips pada saat proses pembuatan kue.Tabel 3.2 Data Stasiun Adding Chocochips (s)No.DataNo.DataNo.DataNo.Data

12.46163.32315.12463.42

22.24174.1324.22473.35

33.2184.23333.32484.03

43.31192.23343.12493.22

54.18203.76353.05503.32

63.01214.12364.34514.03

73.12223.65372.65523.43

84.98234.01383.76534.13

93.09243.21394.05544.01

104.43254.44403.65554.07

113.2263.1414.23564.34

123.53274.04424.96573.67

133.08284.56434.12582.76

144.72294.12444.23593.34

152.12303.65454.08604.05

Tabel 3.2 Data Stasiun Adding Chocochips (s)No.DataNo.DataNo.Data

614.28762.73913.29

622.56772.96923.51

632.67783.54933.79

643.65793.62943.91

654.03804.03952.83

663.76813.87964.11

672.84824.02973.19

683.43833.76983.22

694.19844.1993.41

702.65853.771004.19

712.89862.81

722.59872.71

732.78882.65

742.56893.17

753.33903.42

1).Uji Keseragaman Didapatkan data :Standar deviasi () = 0.647927UCL (CL + 3) = 5.50478CL atau average= 3.561LCL (CL - 3)= 1.61722

Gambar 3.5 Control Chart Uji Keseragaman Data Stasiun Adding Chocochips2). Uji Kecukupan DataPerhitungan dilakukan sebagai berikutA= = 1309.633

B= = 126807.2

C= = 356.1

= 52.44 = 53 (dibulatkan ke atas)3). Distribusi DataTahapan yang digunakan dalam menentukan jenis distribusi dari data proses adding chocochips sama seperti tahapan yang sudah dijelaskan sebelumnya. Langkah awal ialah memasukkan data ke dalam Stat::fit dalam promodel. Berikut ialah data setelah dimasukkan ke dalam promodel.

Gambar 3.6 Input data stasiun adding chocochipsKemudian untuk memutuskan bentuk distribusi dari data yang telah dimasukkan, dapat digunakan Distribution Fit sehingga menghasilkan gambar berikut.

Gambar 3.7 Distribution fit data stasiun adding chocochipsBerdasarkan gambar diatas, maka dapat dikatakan jenis distribusi yang sesuai berdasarkan ranking yaitu Beta, Triangular, dan Weibull. Namun sama seperti sebelumnya hal tersebut belum benar-benar pasti sebelum dilakukan uji untuk menentukan apakah jenis distribusi yang terpilih benar benar tepat mewakili sampel data. Oleh karena itu untuk menentukan jenis distribusi yang benar-benar tepat mewakili sampel yang ada maka dilakukan Goodness of Fit Test. Berikut merupakan hasil setelah dilakukan uji Goodness of Fit.

Gambar 3.8 Hasil Goodness of Fit test data stasiun adding chocochipsBerdasarkan hasil uji Goodness of Fit yang menghasilkan DO NOT REJECT dari ketiga tes yang dilakukan yaitu Chi Squared, Kolmogorov-Smirnov, dan Anderson Darling adalah distribusi Weibull. Sedangkan distribusi lainnya menghasilkan REJECT di salah satu tes. Sehingga dapat dikatakan jenis distribusi yang benar-benar tepat mewakili data proses adding chocochips kue yaitu distribusi Weibull.3.1.9. Stasiun OvenWaktu yang dihitung dalam lokasi ini adalah lamanya pemanggangan kue yang dilakukan. Pemanggangan kue dilakukan dengan waktu rata-rata 1200 detik (20 menit) dalam sekali pemanggangan. Set up time untuk mesin oven adalah selama 600 detik (10 menit). Proses pemanggangan hanya dilakukan sekali pada proses pembuatan kue kering sehingga untuk menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi melainkan menanyakan pada ahli.

3.1.10. Stasiun PackagingPada lokasi ini, waktu yang diambil adalah waktu packaging dari kue chocochips yang sudah selesai panggang dan sudah didinginkan. Waktu yang dicatat adalah waktu dari mulai memasukkan chocochip yang sudah jadi ke dalam 1 kotak yang sudah siap untuk di jual. Data ini diperoleh dari proses packaging pada saat proses pembuatan kue.Tabel 3.3 Data Proses PackagingNo.DataNo.DataNo.DataNo.Data

12.32243.11471.67703.1

22.44251.78482.14713.76

31.54262.34492.34722.67

41.92273.05503.16731.66

52.45283.09512.34742.34

62.33292.78522.87753.38

71.87301.81533.1761.91

81.77312.56543.8772.34

92.64322.78553.41783.1

101.89332.68562.65793.17

111.7343.12573.24803.25

123.1352.67582.45813.5

132.55361.65593.65822.88

142.1372.14603.21833.2

152.31383.15611.89843.1

163.09391.89622.31853.48

171.69403.12632.89863.21

182.2412.56643.12872.54

192.45421.65653.4882.89

201.97432.67663.54891.56

211.88442.56671.92902.54

222.63451.78682.51912.21

231.67461.77693.24922.31

1).Uji Keseragaman Didapatkan data :Standar deviasi () = 0.508059UCL (CL + 3) = 3.854778CL atau average= 2.3306LCL (CL - 3)= 0.806422

Gambar 3.9 Control Chart Uji Keseragaman Data Stasiun Packaging

2). Uji Kecukupan DataPerhitungan dilakukan sebagai berikutA= = 638.9383

B= = 55776.2

C= = 236.17

= 86.23179 = 87 (dibulatkan ke atas)3). Distribusi DataTahapan yang digunakan dalam menentukan jenis distribusi dari data proses packaging sama seperti tahapan yang sudah dijelaskan sebelumnya. Langkah awal ialah memasukkan data ke dalam Stat::fit dalam promodel. Berikut ialah data setelah dimasukkan ke dalam promodel.

Gambar 3.10 Input data stasiun packagingKemudian untuk memutuskan bentuk distribusi dari data yang telah dimasukkan, dapat digunakan Distribution Fit sehingga menghasilkan gambar berikut.

Gambar 3.11 Distribution Ffit data stasiun packagingBerdasarkan gambar diatas, maka dapat dikatakan jenis distribusi yang sesuai berdasarkan ranking yaitu Triangular, Weibull, dan Beta. Namun sama seperti sebelumnya hal tersebut belum benar-benar pasti sebelum dilakukan uji untuk menentukan apakah jenis distribusi yang terpilih benar benar tepat mewakili sampel data. Oleh karena itu untuk menentukan jenis distribusi yang benar-benar tepat mewakili sampel yang ada maka dilakukan Goodness of Fit Test. Berikut merupakan hasil setelah dilakukan uji Goodness of Fit.

Gambar 3.12 Goodness of Fit Test stasiun packagingBerdasarkan hasil uji Goodness of Fit yang menghasilkan DO NOT REJECT dari ketiga tes yang dilakukan yaitu Chi Squared, Kolmogorov-Smirnov, dan Anderson Darling adalah distribusi Erlang dan Gamma. Sedangkan distribusi lainnya menghasilkan REJECT di salah satu tes. Namun karena berdasarkan ranking Distribution Fit jenis distribusi Erlang yang lebih tinggi nilainya maka dapat dikatakan jenis distribusi yang benar-benar tepat mewakili data proses packaging pada proses pembuatan kue chocochips yaitu distribusi Erlang.

3.1.11. Waktu TransferWaktu transfer yang didapatkan dari hasil pengamatan pembuatan roti kering pada IKM Oemah Bakery di setiap lokasi dipaparkan dalam tabel berikut :Tabel 2.4 Waktu transferDariKeWaktu Transfer (detik)

Gudang Bahan BakuStasiun Pengukuran Bahan Baku2

Gudang LoyangStasiun Pengolesan2

Stasiun Pengukuran Bahan BakuStasiun Mixing Manual

2

Stasiun Pengukuran Bahan BakuStasiun Mixing Otomatis2

Stasiun Mixing ManualStasiun Mixing Bahan Jadi 2

Stasiun Mixing OtomatisStasiun Mixing Bahan Jadi2

Stasiun Mixing Bahan JadiStasiun Cetakan2

Stasiun PengolesanStasiun Cetakan2

Stasiun CetakanStasiun Chocochip2

Stasiun ChocochipStasiun Oven5

Stasiun OvenStasiun Packaging2

Stasiun PackagingGudang Jadi2

BAB IVHASIL DAN PEMBAHASAN 4.1. ValidasiData yang digunakan untuk validasi model dengan sistem riil adalah utilitas operator 1 dan jumlah produk akhir yang dihasilkan. Pengujian statistika akan dilakukan untuk melakukan perbandingan antara utilitas model dengan utilitas riil dalam sistem.4.1.2. Validasi Utilitas Operator 1Utilitas operator 1 pada sistem riil ditunjukkan pada perhitungan berikut.

Dimana,Total Waktu Kerja = (Jumlah Bahan Baku x Waktu Pengukuran Per Bahan Baku) + Waktu Mixing Manual + Waktu Mixing Otomatis + Waktu Mencampur Adonan + (Jumlah Loyang x Waktu Pengolesan Per Loyang) + Waktu Pencetakan Kue + Waktu Adding Chocochips + Waktu Pemanasan Oven + Waktu Pemanggangan Kue + (Jumlah Kotak x Waktu Packaging Per Kotak)+ Waktu Transfer Antar Lokasi(bolak balik)= [(8 x 15) + 120 + 100 + 300 + (1 x 15) + 6540 + 974 + 600 + 1200 + (1 x 355) + 488= 10867Waktu Idle Operator = Waktu Pemanasan Oven+Waktu Panggang Kue = 600 detik + 1200 detik = 1800 detikWaktu Bekerja Efektif = Total Waktu Kerja Waktu Idle Operator = 10867 detik 1800 detik = 9067 detikDengan menggunakan rumus utilitas diatas, maka didapatkan nilai utilitas sebesar :

= 87,36 %Pada awalnya replikasi model dilakukan sebanyak 30 kali. Untuk mengetahui apakah replikasi tersebut sudaah mencukupi atau belum, dapat dicari dengan menggunakan rumus : (1)Berikut ini merupakan hasil uji kecukupan jumlah replikasi yang diperlukan untuk melakukan validasi model :Tabel 4.1 Hasil kecukupan jumlah replikasi utilitas operator 1ReplikasiUtilitas ReplikasiUtilitas Sistem RiilError|error|

187.3387.36-0.030.03

287.3387.36-0.030.03

387.4187.360.050.05

487.3387.36-0.030.03

587.3387.36-0.030.03

687.3987.360.030.03

787.3987.360.030.03

887.487.360.040.04

987.3787.360.010.01

1087.3587.36-0.010.01

1187.3787.360.010.01

1287.3687.3600

1387.4187.360.050.05

1487.4187.360.050.05

1587.3787.360.010.01

1687.487.360.040.04

1787.3687.3600

1887.3187.36-0.050.05

1987.3987.360.030.03

2087.3387.36-0.030.03

2187.487.360.040.04

2287.3787.360.010.01

2387.3987.360.030.03

2487.3587.36-0.010.01

2587.3387.36-0.030.03

2687.3487.36-0.020.02

2787.487.360.040.04

2887.3687.3600

2987.4387.360.070.07

3087.3787.360.010.01

SUM0.82

0.02733

STDEV0.03151

N'5.10411

Dari tabel di atas diketahui bahwa replikasi yang diperlukan berjumlah 5, sehingga dengan 30 replikasi yang dilakukan sudah memenuhi syarat tanpa harus melakukan replikasi tambahan. Selanjutnya adalah melakukan uji normalitas. Apabila diketahui data replikasi tersebut normal, dilakukan uji statistika (t-test) untuk mengetahui apakah model yang dibuat sudah mencerminkan sistem riil. Berikut ini merupakan hasil dari uji normalitas.

Gambar 4.1 Hasil uji normalitas data utilitas model operator 1Dari grafik di atas, diketahui bahwa P-value sama dengan 0,099 yang berarti lebih besar dari nilai (0,05). Karena nilai P value > , maka data tersebut merupakan data normal. Setelah mengetahui bahwa data utilitas tersebut adalah normal, langkah selanjutnya adalah melakukan T Test. T test dilakukan untuk mengetahui apakah utilitas dari model mencerminkan utilitas yang sama dengan utilitas riil.Rumusan yang digunakan dalam pengujian T-Test yaitu:a. Parameter = b. Ho: = 87,36H1 87,36c. = 0,05d. Kriteria penolakan: Ho ditolak apabila P-value< Pengujian T-Test dilakukan dengan menggunakan software Minitab 15. Hasil pengujian T-Test ditunjukkan dalam Gambar 3.

Gambar 4.2 Hasil uji T test data utilitas model operator 1Hasil pengujian menunjukkan nilai P-value 0,116. Nilai P-value ini lebih besar dibandingkan nilai alpha yang digunakan (0,05). Maka, dapat disimpulkan bahwa rata-rata utilitas model sama dengan rata-rata utilitas riil.4.1.2. Validasi Jumlah Produk Akhir yang DihasilkanPada sistem riil jumlah produk jadi yang dihasilkan adalah sebanyak 84 buah. Berdasarkan informasi yang didapatkan bawah perbandingan pada produk reject dan jadi adalah 15% dan 85% yang selanjutnya digunakan dalam pembuatan model. Berikut ini merupakan hasil perhitungan jumlah N, dengan menggunakan persamaan (1) di atas.

Tabel 4.2 Hasil kecukupan jumlah replikasi hasil produk jadiReplikasiProduk Jadi ReplikasiProduk Jadi Sistem RiilError|error|

1818433

2828422

38984-55

4818433

5808444

68784-33

78884-44

88884-44

98584-11

10838411

118584-11

128684-22

139084-66

148984-55

15838411

168884-44

17848400

18808444

198784-33

20818433

218684-22

228584-11

238784-33

24838411

25818433

26838411

279084-66

28848400

299084-66

308584-11

SUM83

E2.76667

STDEV3.15664

N5.0009

Dari tabel di atas diketahui bahwa replikasi yang diperlukan berjumlah 5, sehingga dengan 30 replikasi yang dilakukan sudah memenuhi syarat tanpa harus melakukan replikasi tambahan. Selanjutnya adalah melakukan uji normalitas. Apabila diketahui data replikasi tersebut normal, dilakukan uji statistika (t-test) untuk mengetahui apakah model yang dibuat sudah mencerminkan sistem riil. Berikut ini merupakan hasil dari uji normalitas.

Gambar 4.3 Hasil uji normalitas data produk jadi modelDari grafik di atas, diketahui bahwa P-value sama dengan 0,260 yang berarti lebih besar dari nilai (0,05). Karena nilai P value > , maka data tersebut merupakan data normal. Setelah mengetahui bahwa data utilitas tersebut adalah normal, langkah selanjutnya adalah melakukan T Test. T test dilakukan untuk mengetahui apakah utilitas dari model mencerminkan utilitas yang sama dengan utilitas riil.Rumusan yang digunakan dalam pengujian T-Test yaitu:a. Parameter = b. Ho: = 84H1 84c. = 0,05d. Kriteria penolakan: Ho ditolak apabila P-value< Pengujian T-Test dilakukan dengan menggunakan software Minitab 15. Hasil pengujian T-Test ditunjukkan dalam Gambar 5.

Gambar 4.4 Hasil uji T test data hasil produk jadi modelHasil pengujian menunjukkan nilai P-value 0,083. Nilai P-value ini lebih besar dibandingkan nilai alpha yang digunakan (0,05). Maka, dapat disimpulkan bahwa rata-rata jumlah produk jadi model sama dengan jumlah produk jadi riil.

4.2. Pembahasan Simulasi Sistem Nyata4.2.1. Lokasi

Gambar 4.5 General report lokasi simulasi sistem nyataPada general report diatas diketahui bahwa simulasi berlangsung selama 5,9 jam dengan jumlah bahan baku yang masuk adalah sebanyak 10. Dimana 7 dari bahan baku akan diukur di stasiun pengukuran bahan baku. Setelah itu, bahan baku di mixing secara manual dan otomatis pada masing-masing stasiun. Dari proses mixing tersebut didapatkan 200 chocochips yang akan dipanggang di oven yang dibagi menjadi kedalam 2 loyang dengan jumlah 100 keping pada tiap loyangnya. Pada gudang reject dan gudang jadi nilai probabilitas untuk tiap-tiap gudang adalah 85% dan 15% sehingga jumlah chocochips yang akan memasuki masing-masing gudang mengikuti nilai probabilitasnya.Sedangkan pada %utilization, nilai utilisasi pada tiap lokasi tidak terlalu tinggi yaitu dibawah 20%. Stasiun chocochips merupakan lokasi yang memiliki %utilization yang paling tinggi diantara lokasi yang lainnya. Nilai utilisasi yang tinggi tidak selalu menandakan hal yang baik karena %utilization pada suatu lokasi dipengaruhi oleh jumlah waktu yang dihabiskan entitas pada lokasi tersebut. Dimana jumlah waktu yang dihabiskan tiap entitas dipengaruhi oleh kapasitas lokasi kurang atau waktu proses yang terlalu lama. Pada stasiun chocochips, nilai %utilization tinggi karena jumlah entries yang masuk sangat banyak sehingga waktu proses menjadi lama. Dengan nilai %utilization yang masih tergolong rendah ini maka seluruh entitas dapat masuk ke setiap stasiun sehingga tidak terdapat failed arrivals untuk masing-masing entitas.

Gambar 4.6 General report persentase lokasi simulasi sistem nyataBerdasarkan location states by percentage diatas dapat dilihat bahwa %empty pada tiap lokasi sangat tinggi bahkan terdapat lokasi yang mencapai nilai 100%, maka dari itu masing-masing lokasi tidak pernah mencapai state penuh yang dinyatakan dengan %empty sebesar 0%.

4.2.2. Resources

Gambar 4.7 General report resource simulasi sistem nyataBerdasarkan general report pada resources diatas diketahui bahwa %utilization dari operator 1 adalah sebesar 87,33%. Sedangkan %idle dari operator 1 adalah sebesar 11,37%. Utilitas dari operator 1 sangat tinggi karena yang bekerja membuat chocochips hanyalah ia seorang, sehingga waktu idle dari operator tersebut akan sangat rendah seperti hasil yang ditunjukkan oleh general report diatas.4.2.3. Entity

Gambar 4.8 General report entity simulasi sistem nyata

Gambar 4.9 General report persentase entity simulasi sistem nyataDapat dilihat bahwa nilai %blocked terendah adalah sebesar 8,2% yang dimiliki oleh adonan 2. Nilai dari beberapa entitas sangat tinggi bahkan entitas chocochips mencapai 100%. Nilai %blocked yang tinggi dapat disebabkan oleh kurangnya jumlah operator atau rendahnya kapasitas pada tiap lokasi.

4.3. Pembahasan Simulasi Setelah di OptimasiTerdapat beberapa solusi yang dapat dipertimbangkan untuk dapat meningkatkan kapasitas produksi, meminimalkan bottleneck, dan meningkatkan profit diantaranya :1. Menambah jumlah operator dan meningkatkan jumlah kedatangan bahan baku2. Menambah kapasitas mesin dan lokasi

4.3.1 Menambah Jumlah Operator dan Jumlah Kedatangan Bahan BakuDengan melihat besarnya beban kerja yang dihadapi operator 1 maka alternatif pertama adalah dengan menambah jumlah operator yang bekerja sehingga beban yang dikerjakan oleh operator 1 tidak terlalu tinggi dan utilitas tidak besar. Mengingat bahwa jumlah produksi yang dihasilkan per harinya hanya 100 buah kue kering, dan berdasarkan hasil general report diketahui bahwa waktu proses yang digunakan untuk membuat 100 kue oleh 1 operator adalah 6 jam padahal diketahui bahwa waktu kerja dimulai dari jam 07.00 hingga 17.00 sehingga terdapat waktu idle yang cukup tinggi. Oleh sebab itu penambahan operator disini akan diikuti dengan peningkatan jumlah kedatangan bahan baku sehingga jumlah roti kering yang dihasilkan akan meningkat. Dalam pilihan alternatif ini akan terdapat 3 skenario, dimana skenario 1 adalah dilakukan dengan 3 operator dengan jumlah kedatangan bahan baku yang tetap, skenario kedua adalah dengan menambah waktu kedatangan sesuai dengan skenario 1 dan skenario 3 adalah menggunakan 2 operator. Berikut merupakan hasil dari ketiga skenario tersebut : 1. Skenario 1a. Lokasi

Dengan menggunakan skenario ini, dapat dilihat bahwa nilai utilitas pada stasiun chocochip dan packaging mengalami penurunan yang cukup signifikan. Penurunan ini terjadi karena jumlah operator telah bertambah menjadi 3 dan sudah memiliki pembagian tugas yang jelas namun jumlah bahan baku yang masuk masih sama seperti real condition. Adapun pembagian tugas dari masing-masing operator adalah operator 1 melakukan pengukuran, operator 2 melakukan proses pengolahan bahan dan operator 3 melakukan proses packaging. Dengan pembagian tugas ini maka waktu proses pada lokasi-lokasi tersebut dapat menjadi lebih cepat sehingga nilai utilitas pun dapat menurun. Selain itu, pada skenario ini juga tidak terdapat failed arrival karena seluruh bahan baku dapat masuk dan diproses pada masing-masing lokasinya.

b. Resources

Berdasarkan hasil general report diatas, diketahui bahwa utilitas untuk operator 3 sangat kecil bila dibandingkan dengan utilitas operator 1 dan 2. Hal tersebut terjadi karena pembagian tugas antar operator tidak merata sehingga beban kerja masing-masing operator tidak sama. Dengan menerapkan skenario ini diketahui bahwa waktu yang dibutuhkan untuk menyelesaikan 100 keping kue kering adalah selama 2,6 jam. Bila dibandingkan ketika hanya menggunakan 1 operator waktu produksi yang dibutuhkan sangat jauh berbeda yaitu selama 6 jam.

c. Entity

Dengan menggunakan skenario ini, dapat dilihat bahwa presentase blocked pada entitas chocochip dan bubuk kacang langsung berkurang menjadi 0%. Hal ini terjadi karena entitas dapat langsung di proses oleh operator, tidak seperti real condition dimana setiap entitas harus menunggu untuk di proses karena hanya dikerjakan oleh seorang operator. Namun, persentase blocked pada entitas-entitas lain yang tidak mengalami penurunan yang signifikan bahkan terdapat entitas yang mengalami peningkatan presentase blocked.

2. Skenario 2Pada skenario 2 ini, akan ditambah jumlah arrival bahan baku yang datang dengan operator yang masih tetap sama, yaitu 3. Waktu kedatangan yang sebelumnya 1 hari akan ditambah untuk setiap 3 jam. hal ini berkaitan dengan penambahan jumlah produksi.a. Lokasi

Pada skenario ini, diketahui bahwa total entries pada gudang bahan baku adalah sebesar 39. Dengan mengolah seluruh bahan baku tersebut didapatkan 300 kue kering dengan jumlah kue kering jadi sebesar 252 dan kue reject sebesar 48 keping. Nilai utilitas untuk tiap lokasinya tidak mengalami banyak perubahan seperti pada skenario 1 karena operator yang bertugas pada tiap lokasi masih dapat dengan cepat menyelesaikan pekerjaannya. Dengan peningkatan jumlah arrival didapatkan pula sebuah entitas yang mengalami failed arrival yaitu bubuk kacang. Hal ini dapat terjadi karena kedatangan bahan baku yang semula hanya setiap 1 hari ditambahkan menjadi setiap 3 jam sekali sehingga karena keterbatasan kapasitas lokasi tidak semua bahan baku dapat masuk dan di proses.

b. Resources

Pada skenario 2, didapatkan nilai utilitas untuk masing-masing operator masih sangat tidak seimbang. Dimana masih sama seperti skenario sebelumnya, utilitas dari operator 3 masih sangat kecil bila dibandingkan dengan operator 1 dan 2. Hal ini terjadi karena operator 3 hanya bertugas melakukan packaging sedangkan operator 1 melakukan pengukuran bahan baku dan operator 2 melakukan proses pengolahan bahan menjadi kue kering sehingga keberadaan operator 3 tidak terlalu berpengaruh. Karena ketika operator 1 dan 2 bekerja mengolah bahan baku yang sangat banyak dengan tingkat kedatangan setiap 3 jam, operator 3 berada dalam keadaan idle menunggu hasil kerja dari operator 2 kemudian baru dapat mengerjakan pekerjaannya.

c. Entity

Dengan menggunakan skenario ini, dapat dilihat bahwa presentase blocked masih sama seperti skenario sebelumnya. Walaupun terjadi blocked pada beberapa entitas, namun hal ini tidak berpengaruh besar terhadap proses lainnya. Hal ini dapat dilihat dari jumlah kue yang dihasilkan. d. Variables

Berdasarkan hasil general report dapat dilihat bahwa jumlah kue kering yang dihasilkan meningkat menjadi 311%. Dengan jumlah kue kering jadi sebanyak 252 dan kue reject sebanyak 48 keping. Peningkatan jumlah produksi ini berbanding lurus dengan peningkatan jumlah pekerja dan jumlah bahan baku yang datang.

3. Skenario 3Pada skenario 3 ini jumlah operator akan dikurangi dari 3 operator menjadi 2. Dengan jumlah arrival yang sama seperti skenario 2, yaitu menjadi setiap 3 jam. Berikut merupakan hasil general report dari skenario 3 :a. Lokasi

Gambar 4.10 General report lokasi setelah optimasi

Dengan meningkatkan jumlah arrival bahan baku menjadi setiap 3 jam jumlah bahan baku yang masuk meningkat dari yang pada awalnya hanya 10 sekarang menjadi 39. Menggunakan seluruh total entries dari bahan baku tersebut dapat dihasilkan 300 kue kering dengan variabel kue jadi sebesar 257 dan kue reject sebesar 43. Lokasi dengan peningkatan utilitas terbesar adalah stasiun pengolesan dan stasiun oven. Hal ini terjadi karena jumlah adonan kue kering yang dihasilkan meningkat hingga 300% dari jumlah semula. Sehingga stasiun pengolesan dan oven yang hanya berkapasitas 300 akan dipergunakan secara maksimal dengan menggunakan oven berkali-kali dalam sekali produksi karena jumlah produksi melebihi besar kapasitas lokasi. Peningkatan utilitas stasiun oven juga dapat dilihat dari persentase full yang semula 0% sekarang menjadi 5%.

b. Resources

Dengan mengurangi jumlah operator menjadi 2, nilai utilitas dari masing-masing operator menjadi lebih seimbang daripada 2 skenario sebelumnya, yaitu sebesar 12,54% dan 10,43%. Meskipun nilai utilitasnya cukup rendah, namun dapat dikatakan bahwa beban kerja sudah cukup merata untuk kedua operator.

c. Entity

Dengan menambah jumlah arrival bahan baku yang datang tentu saja bahan baku yang masuk lebih besar jumlahnya. Maka, peningkatan persentase blocked pada tiap-tiap lokasi merupakan trade off dari penambahan tersebut. Namun, blocked pada entitas tersebut tidak akan berpengaruh banyak terhadap proses karena waktu blocked yang terjadi tidak terlalu lama sehingga proses dapat terus berjalan dengan baik.

4.3.2 Penambahan kapasitas mesin dan lokasiPada solusi kedua ini tidak mungkin dilakukan, hal ini disebebakan karena biaya yang terlalu mahal dan pemiliki belum ingin untuk membeli mesin baru dan penambahan kapasitas lokasi. Sehingga untuk solusi yang kedua ini tidak dapat dilakukan.

4.4 Perbadingan sebelum dan sesudah

Berdasarkan ketiga skenario tersebut, dapat disimpulkan bahwa skenario 3 merupakan skenario terbaik. Tujuan awal adalah untuk meningkarkan kapasitas produksi, mengurangi bottleneck, dan meningkatkan profit. 1. Meningkatkan kapasitas produksiPada simulasi IKM Oemah Bakery ini dapat dilihat bahwa tingkat utilitas operator 1 sangat tinggi yakni 87,33% dan waktu untuk menyelesaikan kegiatan tersebut adalah 6 jam. Oleh sebab itu maksimal produksi yang dihasilkan sehari hanya 100 kue kering. Dengan menambahkan jumlah operator disini, maka per harinya produksi kue kering akan meningkat. berdasarkan hasil skenario 1, tingkat utilitas anatara operator tidak seimbang selain itu dengan tingkat arrival yang masih dapat ditingkatkan. Skenario 2 dapat dilihat bahwa tingkat arrival yang ditambah akan meningkatkan hasil produksi, yakni dari 81 menjadi 257 namun utilitas antara ketiga operator tidak merata khusunya untuk operator 3 yang nilainya sangat kecil sehingga untuk skenario 3 ini haislnya masih belum optimal.Skenario 3 merupakan skenario terbaik. Hal ini dilihat bahwa dengan 2 operator yang bekerja, maka utiltias antara kedua operator dapat terbagi secara merata dibandingkan dengan 2 skenario sebelumnya. Pemilik mengaku bahwa karena ia bekerja secara sendiri maka produksi yang dihasilkan maksimal hanya sekitar 80-90 keping kue kering. Jika pemiliki berminat untuk melakukan penambahan jumlah operator, maka 2 operator disini cukup dan dapat meningkatkan hasil produksi hingga 257 kue kering dengan menambah kedatangan bahan baku setiap 3 jam. Berdasarkan hasil skenario 2, yang tadinya dilakukan dengan 3 operator ternyata menghasilkan jumlah produk yang sama dengan 2 operator. Sehingga kaitannya dengan meningkatkan profit, 2 operator sudah cukup.Berdasarkan hasil analisa tersebut, dapat disimpulkan bahwa dengan menambah 1 operator lagi dan menambah jumlah arrival maka dapat meningkatkan jumlah produksi.

2. Mengurangi bottleneckDari ketiga skenario yang dilakukan untuk optimasi, menunjukkan bahwa masih ada entitas-entitas yang ter-blocked. Blocked-blocked ini juga terjadi pada entitas yang sama. Seiring bertambahnya jumlah arrival yang masuk maka semakin besar juga bloked yang terjadi. Sehingga untuk bottleneck yang terjadi pada proses pembuatan kue kering ini belum dapat dikurangi. Hal ini dikarenakan ada beberapa entitas yang langsung ke lokasi tertentu sehingga harus menunggu ketika akan di-join dengan entitas yang yang lain. Contohnya adalah telur , telur dibawa ke stasiun mixing otomatis kemudian baru dicampur dengan entitas-entitas yang ditakar, telur harus menunggu terlebih dahulu proses penakaran tersebut, sehingga terjadilah blocked entity. Begitupula pada entitas-entitas yang lain seperti backing powder, bubuk kacang, dan chocochips. Untuk entitas-entitas setelah takar mengalami bottleneck karena setiap operator melakukannya secara satu per satu dan lokasi setiap stasiun hanya berkapasitas untuk 1 kali penakaran saja tidak bisa lebih, sehingga setelah satu entitas selesai ditakar, harus menunggu entitas yang lain juga.

3. Meningkatkan ProfitPerhitungan profit dilakukan dengan mengurangi jumlah roti yang terjual dikalikan dengan harga jual dengan biaya yang digunakan untuk memproduksi roti. Adapun asumsi yang digunakan dalam perhitungan ini adalah :a. Rp 30.000,00/toples = 250 gram kue kering keping b. Gaji per hari untuk seorang pekerja = Rp 30.000,00c. Harga tepung terigu (lencana merah) = Rp 8.000,00/kgd. Harga maizena (maizenaku) = Rp 9.200,00/300gre. Harga coklat bubuk (bendico cocoa) = Rp 17.500,00/90grf. Harga baking powder = Rp 7.300,00/110grg. Harga gula halus = Rp 15.000/kgh. Harga margarine (filma) = Rp 4.200,00/200gri. Harga garam = Rp 6.000,00/kgj. Harga 1 butir telur = Rp 1.200/butirk. Harga tempe kering = Rp 2.500,00/125grl. Harga chocochips = Rp 4.100,00/100grBahan yang digunakan untuk memproduksi 300 gram kue kering adalah sebagai berikut :a. Tepung terigu= 250 grb. Maizena = 25 grc. Coklat bubuk = 10 grd. Baking powder = 5 gre. Gula halus = 150 grf. Margarine = 100 grg. Garam = 2 grh. Kuning telur = 3 butiri. Tempe kering = 50 grj. Chocochips = 300 grDengan menggunakan biaya dan jumlah kebutuhan bahan baku diatas maka perhitungan biaya untuk memproduksi 300 gram kue kering dapat dilakukan dengan cara berikut :

= Rp 2.000,00 + Rp 767,00 + Rp 1.944,00 + Rp 332,00 + Rp 2.250,00+ Rp 2.100,00 + Rp 12,00 + Rp 3.600,00 + Rp 1.000,00 + Rp 8.200,00 = Rp 22.205,00 (untuk 300 gr)Biaya produksi untuk 250 gr kue kering = Rp 18.504,00Setelah mengetahui biaya produksi untuk 250 gr kue kering maka akan dilakukan perhitungan profit pada model sebelum dan setelah optimasi dengan rumus berikut :

a. Sebelum OptimasiJumlah kue kering jadi yang diproduksi = 81 keping = 1 toplesProfit = (Rp 30.000,00 x 1) (Rp 3.400,00 x1) - Rp 22.205,00= Rp 4.395,00b. Setelah OptimasiJumlah kue kering jadi yang diproduksi = 257 keping = 3 toplesProfit = (Rp 30.000,00 - Rp 3.400,00) x 3 Rp 18.504,00 (Rp20.000,00 x2) = Rp 21.296,00

BAB IVPENUTUP 4.1. KesimpulanDari pembahasan pada bab sebelumnya, dapat disimpulkan bahwa simulasi sistem produksi pembuatan kue kering IKM Oemah Bakery telah tervalidasi dan terverifikasi. Metode yang digunakan untuk verifikasi adalah visual inspection dan juga menggunakan ACD. Sedangkan untuk validasi menggunakan utilitas operator dan juga menggunakan jumlah hasil produksi.Optimasi yang dilakukan adalah berdasarkan skenario 3 yang telah dibuat, yaitu dengan menambah operator menjadi 2 orang dan mengubah kedatangan menjadi tiap 3 jam sekali. Dengan melakukan optimasi ini, dapat meningkatkan jumlah produksi sebanyak 317 %.

4.2. SaranSebaiknya simulasi dilakukan pada saat terjadi banyak pemesanan kue kering sehingga dapat diketahui secara baik mengenai cara peningkatan profit.

DAFTAR PUSTAKAHarell, C., Gosh, B.K., dan Bowdan, R., 2003, Introduction to Simulation: Simulation Using Promodel, McGraw Hill, New York Montgomery, D.C. dan Runger, G.C., 2003, Applied Statistics and Probability for Engineers, 3rd Ed., John Wiley & Sons, New York