simulasi proses pembuatan kerupuk

BAB I

PENDAHULUAN

1.1 latar belakang

Peranan industri kecil menengah sangat besar dalam perkembangan ekonomi di Indonesia. Saat ini, indutri kecil menengah telah berkontribusi besar pada pendapatan daerah maupun pendapatan negara. Selain itu industri kecil menengah sangat berperan dalam mengurangi tingkat pengangguran yang ada di Indonesia. Salah satu industri kecil menengah yang berkembang yaitu industri pembuatan kerupuk.

Saat ini, salah satu industri pembuatan kerupuk di Kota Malang yang sedang berkembang yaitu CV. Aneka Grafika. Berbagai masalah yang terdapat di CV. Aneka Grafika akan dianalisis menggunakan metode simulasi dengan memodelkan sistem pembuatan kerupuk guna meningkatkan hasil produksi serta efektivitas. Selain itu juga mempelajari tingkah laku sistem serta interaksi bagian- bagian dari sebuah sistem. Arena merupakan salah satu software yang akan membantu proses analisis sistem pada pembuatan kerupuk di CV. Aneka Grafika. Semoga analisis ini dapat memberi manfaat bagi perusahaan dalam pemahaman sistem dikarenakan hal ini berpengaruh terhadap hasil produksi perusahaan.

1.2 Tujuan

Tujuan dari praktikum ini adalah sebagai berikut:1. Mengidentifikasi permasalahan yang terdapat pada sistem

produksi kerupuk di CV. Super Jaya.2. Memodelkan sistem produksi kerupuk pada CV. Super Jaya

menggunakan ACD.3. Memodelkan sistem produksi kerupuk pada software ArenaGrafika

menggunakan ACD.

LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA

1

4. Menganalisis hasil simulasi.5. Memberikan scenario perbaikan terhadap ppermasalahan yang

muncul dalam sistem produksi kerupuk di CV. Super Jaya, serta menganalisisnya.

1.3 Manfaat

Manfaat yang didapatkan setelah praktikan mengikuti praktikum ini adalah:

1. Mampu mengidentifikasi permasalahan yang terdapat pada sistem produksi kerupuk di CV. Super Jaya

2. Mampu memodelkan sistem produksi kerupuk di CV. Super Jaya menggunakan ACD.

3. Mampu menentukan distribusi waktu menggunakan input analyzer serta perhitungan secara statistic berdasarkan data sistem nyata di CV. Super Jaya.

4. Mampu memodelkan sistem produksi kerupuk pada software Arena serta mensimulasikannya.

5. Mampu melakukan analisis terhadap hasil simulsai.6. Mampu melakukan verifikasi dan validasi model pada sistem

produksi kerupuk di CV. Super Jaya.7. Memberikan scenario perbaikan terhadap permasalahan yang

muncul dalam sistem peroduksi bok di CV. Super Jaya

1.4 Batasan

Batasan yang digunakan adalah :1. Pengambilan data sebanyak 10 set data dengan 5 kali replikasi.2. Pekerjaan dalam memproduksi gypsum selama 6 jam .

1.5 Asumsi

Asumsi yang digunakan adalah :1. Tepung sebanyak 100 kg diasumsi dalam 1 entitas.2. Air bumbu sebanyak 200 liter diasumsi dalam 1 entitas.


2


3

BAB II

DASAR TEORI

2.1 Pengertian SistemSistem adalah suatu jaringan kerja dari prosedur-prosedur yang

saling berhubungan untuk mencapai tujuan tertentu secara bersama. Contoh: sistem komputer terdiri dari Software, Hardware, dan Brainware. Sedangkan menurut Raymond Mcleod (2010), sistem adalah himpunan dari unsur-unsur yang saling berkaitan sehingga membentuk suatu kesatuan yang utuh dan terpadu.

2.2 Pengertian ModelModel adalah suatu rencana, representasi atau deskripsi yang

menggambarkan tentang suatu objek, sistem atau konsep yang seringkali berupa penyederhanaan atau idealisasi. Definisi lain dari model adalah abstraksi dari sistem sebenarnya dalam gambaran yang lebih sederhana serta mempunyai tingkat prosentase yang bersifat menyeluruh.

2.3 Pengertian SimulasiSimulasi adalah suatu metodologi untuk melaksanakan percobaan

dengan menggunakan model dari suatu sistem nyata (Siagian, 1987). Simulasi adalah model dari suatu sistem nyata, dimana sistem tersebut dimodelkan dengan menggunakan sebuah software yang berfungsi Proses Dalam Simulasi.

2.3.1 Elemen SimulasiSuatu sistem dalam simulasi mencakup entities, activities,

resources, and control. Elemen–elemen tersebut mendefinisikan siapa, apa, dimana, kapan, dan bagaimana suatu entity diproses. Berikut merupakan penjelasan elemen dasar pemodelan:


4

1. Entities adalah segala sesuatu yang dapat di proses.2. Activity adalah kegiatan yang dilakukan di dalam sistem yang

mempengaruhi entitas secara langsung maupun tidak langsung.3. Resource adalah alat atau operator untuk menjalankan aktivitas4. Controls adalah segala sesuatu yang menentukan bagaimana,

kapan, dan dimana aktivitas dijalankan.

2.4.1 Modul Arena Simulation SoftwareSoftware Arena memiliki modul yang digunakan untuk

memodelkan suatu sistem. Berikut merupakan macam-macam modul yang terdapat pada Arena.

2.4.1.1 Basic Process PanelBasic process panel adalah modul dasar yang digunakan untuk simulasi. Template

dari basic process panel ini terdiri dari beberapa modul yaitu:

Tabel 2.1Fungsi dan tipikal penggunaan basic process panelNo

Modul Fungsi

1. Create Modul ini dimaksudkan sebagai titik awal untuk entitas dalam model simulasi. Modul ini digunakan untuk mengenerate kedatangan entity kedalam simulasiContoh: Kedatangan sebuah dokumen (misalnya order, cek, aplikasi) ke dalam proses bisnis

2. Dispose Modul ini dimaksudkan sebagai titik akhir untuk entitas dalam model simulasi. Modul ini digunakan untuk mengeluarkan entity dari system.Contoh: Pelanggan meninggalkan took

3. Process Modul ini dimaksudkan sebagai metode pengolahan utama dalam simulasi. Pilihan untuk menangkap dan melepaskan keterbatasan suber daya yang tersedia. Selain itu, ada pilihan untuk menggunakan ‘submodel’ dan menentukan logika yang ditetapkan pengguna hirarkis. Waktu proses dialokasikan untuk entitas dan dapat dianggap sebagai nilai tambah, non-nilai tambah, transfer, menunggu, atau laninya. Contoh: Bagian machining


5

4. Decide Modul ini digunakan untuk menentukan keputusan dalam proses, didalamnya termasuk beberapa pilihan untuk membuat keputusan berdasarkan satu atau beberapa pilihanContoh: pengiriman bagian yang rusak untuk dikerjakan ulang

Tabel 2.2Fungsi dan tipikal penggunaan basic process panel (lanjutan)No

Modul Fungsi

5. Batch Modul ini dimaksudkan sebagai mekanismepengelompokan dalammodelsimulasi/ entity/assembly. Berfungsi untuk menggabungkan beberapa entity baik bersifat permanen maupun sementara.Contoh: mengumpulkan beberapa bagian sebelum memulai proses

6 Separate Modul ini dapat digunakan untuk menyalin baik entitas masuk ke beberapa entitas atau untuk membagi entitas yang sebelumnya di batch. Modul ini digunakan untuk meng-assembly hasil dari modul batch, atau juga bisa diasumsikan sebagai aliran entity yang terpisah.Contoh: pada system rumah sakit pasien membawa resep dokter, maka aliran antara entity pasien dengan resep akan berbeda pada titik-titik tertentu.

7. Assign Modul ini digunakan untuk menetapkan nilai-nilai baru untuk variabel, atribut entitas, jenis entitas, gambar badan, atau variabel sistem lainnya. Contoh: Mengakumulasi jumlah subassembliesyang

8. Entity Modul ini mendefinisikan berbagai jenis entitas dan nilai gambaran awal dalam simulasiContoh: produk yang diproduksi atau dirakit (pallets)

9. Queue Modul ini dapat digunakan untuk mengubah aturan


6

peringkat untuk antrian yang ditentukanContoh: holding area untuk document menunggu dikumpulkan pada modul batch

10 Resource Modul ini mendefinisikan sumber data dalam system simulasi, termasuk informasi biaya dan ketersediaan sumber daya.Contoh: manusia (pegawai penjualan, operator)

11 Variable Modul ini digunakan untuk mendefinisikan dimensi variable dan nilai awal. Variable dapat dirujuk dalam modul lain, dapat memindahkan nilai baru dengan assignmodule dan dapat digunakan dalam ekspresi apapunContoh: nomor serial untuk menandakan bagian yang unik

Tabel 2.3Fungsi dan tipikal penggunaan basic process panel (lanjutan)No

Modul Fungsi

12 Set Modul ini mendefinisikan berbagai jenis set, termasuk sumber daya, counter, tally, tipe entitas, dan gambar entitasContoh: set gambar yang sesuai untuk satu jenis set entitas

2.4.1.2 Advanced Process Panel

Advanced Process Panel adalah panel yang memiliki beberapa modul yang memiliki fungsi dan aplikasi proses yang lebih bervariasi daripada Panel Basic Process. Panel tersebut dibagi menjadi General Flowchart Module dan Data Module. Data Module adalah kumpulan modul yang tidak diaplikasikan pada lembar kerja namun berfungsi untuk menyimpan data-data modul. Berikut modul-modul yang terdapat dalam Advanced Process Panel.1. General Flowchart Module

General Flowchart Moduleadalah kumpulan dari objek yang ditempatkan pada jendela model untuk mendeskripsikan proses


7

simulasi. Berikut adalah macam-macam modul yang termasuk General Flowchart Module.Tabel 2.4General Flowchart Module

No Modul Fungsi1. Signal

ModuleSignal module mengirimkan sebuah signal atau tanda untuk setiap hold module dalam model untuk menunggu sinyal dan melepaskan banyak entitas tertentu. Saat entitas datang ke signal modul, signal dievaluasi dankode signal dikirimkan. Pada saat itu, entitas di HoldModule yang menunggu untuk signal yang sama akan hilang dari antrian. Entitas mengirimkan sinyal untuk melanjutkan proses sampai bertemu dengan Delay, masuk ke antrian atau pergi.Contoh: Menganalisa pola lalu lintas di persimpangan (sinyal saat lampu berwarna hijau)

No

Nama Simbol

Lambang

2. Hold Module Modul ini akan memegang sebuah entitas dalam sebuah antrian untuk menunggu sinyal, menunggu untuk kondisi tertentu benar kemudian dilakukan pemindaian, atau terpegang selama waktu yang tidak terbatas (menjadi hilang kemudian dengan Remove Module). Jika entitas memegang sinyal, Signal Module dipakai ditempat lain di model, maka entitas pindak ke modul selanjutnya. Jika entitas dipegang untuk kondisi yang akan menjadi benar, maka entitas akan tetap pada modul (bisa ditetapkan atau di internal antrian sampai kondisi menjadi benar). Saat entitas dipegang dalam waktu tak terbatas, Contoh: Memegang bagian untuk otorisasi hak, mengecek status mesin atau operator untuk


8

proses selanjutnya.

Tabel 2.5General Flowchart Module (lanjutan)No Modul Fungsi1. Match

ModuleMatch module membawa beberapa entitas sekaligus untuk menunggu di antrian yang berbeda. Kesesuaian yang cocok saat ada minimal satu entitas di setiap antrian yang diinginkan. Tambahan, sebuah atribut akan terspesifikasi seperti entitas yang menunggu antrian harus memiliki nilai atribut yang sama sebelum pencocokan diresmikan. Saat entitas datang pada match module, modul tersebut ditempati oleh satu sampai lima kumpulan antrian, berdasarkan titik masuk yang menghubungkanya. Entitas akan tetap pada antrianya sampai terjadi kecocokan. Disaat ada satu kecocokan, satu entitas pada setiap antrian akan lepas dan bertemu. Entitas yang bertemu akan tersinkronisasi untuk meninggalkan modul.Contoh: Perakitan part

2. Data ModuleData module adalah kumpulan objek yang akan ditampilkan

lembar kerja dari model yang mendefinisikan karakteristik bermacam-macam elemen proses seperti Expression dan AdvancedSet. Berikut adalah macam-macam modul yang termasuk dalam Data Module Advanced Process Panel.Tabel 2.6 Data module advanced process panel

No

Nama Module Deskripsi

1. AdvancedSet module

AdvancedSet Modulemenetapkan kumpulan suatu antrian atau penyimpanan beserta bagiannya. Suatu kumpulan mendefinisikan sebuah grup dari elemen-elemen yang sama,


9

yang dapat direferensikan melalui sebuah nama biasa dan sebuah kumpulan indeks. Elemen-elemen yang dibuat dalam suatu kumpulan diserahkan sebagai bagian dari kumpulanmaterial handling. Kumpulan penyimpanan dapat digunakan pada modul Store dan Unstore. Contoh: Penetapan lokasi-lokasi untuk kegiatan operasi dalam tempat penyimpanan

2. Expression Expression modulemendefinisikanexpression dan nilai yang terdapat pada expression tersebut. Expression direferensikan ke dalam sebuah model dengan menggunakan namanya. Expression dapat dipilih untuk dispesifikasikan sebagai satu atau dua susunan dimensi. Suatu nilai expression dapat dibentuk dengan menggunakan kombinasi dari integer, bilangan nyata, nama simbol, distribusi statistik (contoh: NORM (10.2)), fungsi aritmatika (contoh: +,*), atribut, dan variabel.Contoh: Distribusi untuk kedatangan entitas

2.4.1.3 Advanced Transfer PanelAdvanced Transfer Panel dalah panel yang memiliki beberapa

modul yang memiliki fungsi dan aplikasi transfer atau transportasi yang lebih bervariasi. Panel tersebut dibagi menjadi 4 bagian yaitu General Flowchart Module, Conveyor Flowchart Module, Transporter Flowchart Module dan Data Modules.General Flowchart Module adalah kumpulan dari objek yang ditempatkan pada jendela model untuk mendeskripsikan proses simulasi.

1. General Flowchart Module


10

General Flowchart Module adalah kumpulan dari objek yang ditempatkan pada jendela model untuk mendeskripsikan proses simulasi.Tabel 2.7 General Flowchart Module Advanced Transfer Panel

No

Nama Module

Deskripsi

1. StationModule

Station Module mendefinisikan sebuah station (atau kumpulan station) yang cocok secara fisik atau logis lokasi dimana proses muncul. Jika station modul terdefinisi sebagai sebuah kumpulan station, maka secara efektif akan menjadi lokasi yang multi proses.Contoh: Menetapkan area persiapan makanan.

2. RouteModule Route Module mentransferkan entitas ke station tertentu atau ke station selanjutnya di rangkaian station kunjungan tertentu untuk entitas. Waktu tunda untuk pemindahan ke station berikutnya harus ditentukan. Saat entitas masuk ke Route Module, station atribut (Entity Station) mengatur tujuan station. Entitas kemudian dikirim ke station tujuan menggunakan route time yang ditentukan.Contoh: Mengantarkan pelanggan restoran ke meja tertentu.

2. Data ModuleData Module adalah sekumpulan objek yang ada di tampilan

lembar kerja dari model yang mendefinisikan karakteristik bermacam-macam elemen proses seperti distance dan segment.Tabel 2.7 Data Module Advanced Transfer Panel

No

Nama Modul

Deskripsi

1. Transporter module

Transporter module menetapkan perangkat Free-path atau guided transporter untuk menggerakkan entitas dari satu lokasi ke lokasi lain. Free-path transporter bergerak bebas antara stasiun dan tidak dipengaruhi


11

oleh lalu lintas pengangkut lainya. Distance module menentukan jarak antar stasiun. Guided Transporter, di sisi lain hanya terbatas untuk berjalan di jalur tetap seperti trek atau rel. Gerakan mungkin akan mempengaruhi kemacetan lalu lintas dari kendaraan lain. Guided transporter berjalan pada jaringan yang telah ditetapkan dengan menggunakan Network module dan Network Link module. Contoh: Forklift mentransfer part antar stasiun pemrosesan.

No

Nama Modul

Deskripsi

2. Distance module

Distance module digunakan untuk menetapkan jarak perjalanan antara semua stasiun yang dapat diakses oleh Free-Path Transporter. Distance module terdiri dari nama jarak dan daftar stasiun yang saling berdekatan dan jarak individu.Contoh: Mendefinisikan jarak forklift berjalan antara stasiun pengolahan

3. Sequence module

Sequence Module digunakan untuk menentukan urutan aliran entitas melalui model. Urutan terdiri dari daftar urutan stasiun yang akan dikunjungi suatu entitas. Untuk setiap stasiun dalam urutan kunjungan, atribut dan variabel akan diberikan nilai. Setiap stasiun dalam urutan kunjungan ini disebut sebagai langkah (atau jobstep) dalam urutan. Tiga tujuan khusus atribut disediakan untuk semua entitas. Atribut sequence (Entity.Sequence) didefinisikan sebagai urutan yang harus diikuti oleh entitas; nilai 0 menunjukkan bahwa entitas tidak mengikuti urutan apapun. Agar suatu entitas mengikuti urutan, urutan atribut yang harus diberi nilai (misalnya, dalam modul assign).Contoh: Menentukan Routing Path untuk pemrosesan part

2.4.2 Input Analyzer


12

Input Analyzer merupakanbagian dari software Arena.Tools ini digunakan untuk menentukan fungsi distribusi probabilitas dari data input. Selain itu juga dapat digunakan untuk mencocokkan fungsi spesifik dari distribusi data file dan membandingkan fungsi distribusi atau untuk menampilkan efek dari perubahan parameter untuk distribusi yang sama. Input Analyzer menampilkan input data acak tersebut yang kemudian dapat dianalisis menggunakan fitur perangkat lunak fitting distribution untuk mencari bentuk distribusi yang cocok menggambarkan data tersebut. Data yang akan dimasukkan sebelumnya harus disimpan dalam Notepad dengan format .txt karena Input Analyzer Arena hanya dapat membaca masukan dari format .txt.

2.4.3 Process AnalyzerProcess analyzer membantu dalam mengevaluasi alternatif yang

disajikan oleh eksekusi model simulasi scenario yang berbeda. Hal ini berguna untuk pengembang model simulasi, serta pembuatan keputusan dimana tidak dikenal dengan model, namun akrab disebut dengan menangani solusi model simulasi. Biasanyaprocess analyzer untuk menentukan skenario mana yang cocok sehingga bisa mendapatkan WIP yang minimum.

2.5 Activity Cycle DiagramActivity cycle diagram (ACD) adalah bahasa grafik/gambar yang

memodelkan sistem dengan menunjukan hubungan interaksi antar elemen dengan perubahan secara diskrit terhadap waktu. Entitas di ACD ada dua yaitu entitas permanen dan sementar. Sedangkan aktifitas pada ACD ada dua, pasif dan aktif. Simbol-simbol yang dipergunakan pada ACD adalah :


13

Tabel 2.8 Modul Activity Cycle DiagramNo

Nama Simbol

Lambang Keterangan

1 GenerateMerepresentasikan menciptakan (create) atau membangkitkan (generate) entitas

2 TerminateMerepresentasikan membuang atau memberhentikan entitas.

3 Passive Merepresentasikan aktivitas pasif.

4 Active Merepresentasikan aktivitas aktif.

5Panah (connect)

Merepresentasikan relasi urutan antar node yang menunjukkan bahwa status/aktivitas pendahulu berubah atau berlanjut menjadi status/aktivitas berikutnya.

No

Nama Simbol

Lambang Keterangan

6 AlternativeMerepresentasikan kondisi (condition) pilihan dua alternatif kemungkinan yang perlu diputuskan (decide).

7Assembly/batch

Merepresentasikan aktivitas aktif yang melibatkan dua entitas (atau lebih) dan bertransformasi menjadi satu entitas (lain).

8Separate

Merepresentasikan aktivitas aktif yang mentransformasikan satu entitas menjadi dua entitas (atau lebih).


14

2.6 Distribusi Probabilitas


15

BAB III

METODOLOGI PENELITIAN

3.1 Diagram Alira Praktikum

Gambar 3. 1 Diagram Alir Praktikum


16

3.2 Prosedur PraktikumLangkah- langkah yang perlu dilakukan dalam praktikum ini

adalah :1. Mulai

Mengidentifikasi masalah apa yang ada di lapangan.2. Studi Kepustakaan

Studi kepustakaan digunakan sebagai pedoman dalam pembuatan laporan.

3. Pengamatan Keputusan Pengamatan keputusan yang akan diamati adalah perusahaan yang bergerak dibidang .

4. Penentuan Fokus Pengamatan Fokus pengamatan yang ditentukan adalah pada perusahaan pembuatan gypsum.

5. Pengambilan Data Pengambilan data pada pembuatan gypsum dengan 10 set data dengan 5 replikasi.

6. Pengolahan Data Pada bagian ini data dikumpulkan dan diolah menurut masing-masing proses.

7. Pemodelan Sistem dengan ACDPada tahap ini dilakukan pembuatan ACD sistem produksi gypsum dan menganalisis struktur sistem mulai dari entitas memasuki sistem sampai entitas keluar sistem.

8. Penentuan Distribusi Penentuan distribusi dari data yang dikumpulkan dengan menggunakan software Arena, yaitu dengan menggunakan tools Input Analyzer

9. Pemodelan Sistem dengan Arena


17

Memodelkan sistem produksi gypsum dengan memodelkan sistem produksi yang terdapat didalamnya mulai dari kedatangan material, pemrosesan, material handling, rute, sampai entitas selesai di proses.

10. Verifikasi Model yang telah dibuat di verifikasi dengan cara membandingkan dengan diagram alur (ACD) yang telah dibuat sebelumnya.

11. Simulasi Sistem dengan Arena

12. Validasi Validasi dilakukan dengan membandingkan perhitungan jumlah output, lama waktu tunggu dan panjang antrian dalam model yang dibuat dengan kenyataan sebenarnya di lapangan.

13. Analisa dan Pembahasan Analisis dan pembahasan yang dibuat berdasarkan hasil simulasi dari sistem atau model simulasi.

14. Skenario dengan Process Analyzer Pada tahap ini model simulasi yang sudah jadi dilakukan pemberian skenario perbaikan terhadap sistem produksi gypsum.

15. Analisis dan Pembahasan Hasil Eksperimen Skenario yang telah diberikan kemudian dianalisis dan dibahas agar nantinya hasil dari skenario tersebut dapat membantu menyelesaikan permasalahan yang muncul pada sistem produksi gypsum.

16. Kesimpulan dan Saran Pada bagian ini dilakukan penyimpulan terhadap kegiatan observasi dan hasil observasi yang dilakukan, serta pemberian saran sebagai sarana perbaikan

3.3 hasil Pengamatan Pendahuluan


18

Pengamatan dilakukan pada UKM pembuatan kerupuk di Dieng, usaha ini bergerak dibidang makanan dan hanya memproduksi kerupuk saja. Pada pengamatan, data yang diambil adalah sebanyak 10 set data dengan 5 kali replikasi. Adapun data dalam pengamatan produksi kerupuk sebagai berikut :

Waktu Penggilingan (detik)1 2 3 4 5 6 7 8 9 10

100 80 84 116 88 120 120 100 116 104132 132 120 136 148 76 104 136 76 12092 112 116 100 100 112 76 112 80 76

148 104 132 72 112 132 104 108 148 13676 96 100 108 92 112 80 84 124 96

Waktu Penggadonan (menit.detik)1 2 3 4 5 6 7 8 9 10

11.17 13.02 13.5 11.17 12.3 11.11 11.4 12.47 11.11 11.1712.36 12.58 11.31 12.05 11.06 11.33 13.03 12.05 13.04 11.0711.06 13.05 11.48 11.07 12.41 13.09 11.07 13.02 11.06 13.0911.18 11.11 12.08 11.14 13.06 11.3 13.01 11.14 12.11 11.512.4 11.04 12.47 13.03 12.42 12.11 11.56 12.01 11.16 12.41

Waktu Inspeksi Kerupuk Persegi (detik)1 2 3 4 5 6 7 8 9 106 5 9 6 9 5 5 6 9 77 5 7 5 5 3 4 5 4 63 6 3 3 4 4 8 7 5 104 5 6 5 7 6 7 6 5 34 6 10 8 6 5 4 4 3 5

Waktu Inspeksi Kerupuk Persegi (detik)1 2 3 4 5 6 7 8 9 10

17 15 16 14 15 18 19 17 14 1320 16 14 13 12 13 15 14 11 1718 12 11 17 13 14 19 15 11 14


19

14 15 11 14 17 17 18 14 12 1815 14 12 19 20 16 18 16 14 18


20

BAB IV

ANALISIS DAN PEMBAHASAN

4.1 Gambaran Sistem

Super Jaya merupakan industry yang memproduksi kerupuk. Kerupuk dibuat dengan bahan baku tepung dan air bubumbu. Prosesnya melalui tiga stasiun kerja, yaitu stasiun pengadonan tepung, pencetakan, dan pengukusan adonan. Kedatangan bahan baku berupa tepung setiap harinya 10 kali, dalam satu kali kedatangan sebanyak 100 kg

Stasiun pertama yaitu pengadonan, distasiun ini setiap 100 kg tepung dicampurkan dengan air bumbu dan diaduk manual oleh seorang operator pengaduk selama waktu 15 menit kemudian adonan diratakan dengan menggunakan 1 mesin adon. Setelah dicampur menggunakan mesin kemudian adonan digiling menggunakan 1 mesin penggiling, satu kali penggilingan hanya bisa memuat 20 kg adonan. Di stasiun ini terdapat 1 orang operator yang mengerjakan 2 proses tersebut. Setelah proses penggilingan adonan dibawa oleh operator angkut ke stasiun pencetakan selama 16 detik ke stasiun pencetakan.

Di stasiun pencetakan adonan dibagi menjadi dua cetakan yaitu cetakan persegi dan cetakan bulat. Pada proses cetakan persegi menggunakan mesin yang dapat mencetak sekaligus memotong adonan. Mesin ini di operasikan oleh satu orang operator. Setelah dicetak dilakukan inspeksi oleh satu orang operator, jika terdapat hasil cetakan yang salah maka akan dikembalikan ke penggilingan. Persentase produk cacat 5%. Untuk sekali cetak mesin ini menghasilkan 6 kerupuk persegi dengan waktu 4 detik, kemudian diletakkan pada wadah dengan kapasitas 42 kerupuk persegi. Wadah


21

ini akan diletakkan di atas palet yang berkapasitas 6 wadah (1 palet memuat 252 kerupuk). Setiap 20 kg adonan di stasiun pencetakan kerupuk persegi dapat menghasilkan kerupuk sebanyak 30 palet.

Untuk cetakan bulat, terdapat satu mesin cetakan dengan satu orang operator. Sekali cetak mesin dapat mencetak 20 buah kerupuk bulat dengan waktu konstan 16 detik. Adonan diletakkan pada wadah yang memiliki kapasitas 35 buah. Setelah dicetak dilakukan inspeksi satu wadah untuk melihat cetakan yang tidak sesuai, jika ada cetakan yang cacat maka akan dikembalikan ke proses penggilingan. Persentase produk cacat 10%. Setelah wadah penuh kemudian diletakkan pada palet dengan kapasitas 6 wadah (1 palet memuat 210). Setiap 20 kg adonan stasiun pencetakan kerupuk bulat dapat menghasilkan kerupuk sebanyak 21 palet.

Kemudian palet-palet dari masing-masing pencetakan akan di angkat oleh 2 orang operator ke stasiun pengukusan. Setiap satu kali angkat, operator hanya akan mengangkat palet jika sudah terkumpul sebnyak 14 buah dan dibawa ke stasiun berikutnya. Jarak dari stasiun cetakan persegi dan stasiun cetakan bulat ke stasiun pengukusan sebesar 6 meter dan 4 meter. Pada mesin pengukusan, harus erkumpul 40 palet baru akan dilakukan proses pengukusan. Waktu proses pengukusan konstan selama 15 menit. Terdapat 2 mesin kukus. Operator yang mengangkat dan mengukus adalah sama. Operator stasiun pencampuran bumbu dan adonan juga sama.

Waktu Penggilinga

n (Detik)

Waktu Inspeksi Kerupuk Persegi (Detik)

Waktu Pengadonan (Menit.Detik)

Waktu Inspeksi Kerupuk Bulat

(Detik)

100 6 11.17 17132 7 12.36 2092 3 11.06 18


22

148 4 11.18 1476 4 12.4 1580 5 13.02 15

132 5 12.58 16112 6 13.05 12104 5 11.11 1596 6 11.04 1484 9 13.5 16

120 7 11.31 14116 3 11.48 11

Waktu Penggilinga

n (Detik)

Waktu Inspeksi Kerupuk

Persegi (Detik)

Waktu Pengadonan (Menit.Detik

)

Waktu Inspeksi Kerupuk Bulat

(Detik)132 6 12.08 11100 10 12.47 12116 6 11.17 14136 5 12.05 13100 3 11.07 1772 5 11.14 14

108 8 13.03 1988 9 12.3 15

148 5 11.06 12100 4 12.41 13112 7 13.06 1792 6 12.42 20

120 5 11.11 1876 3 11.33 13

112 4 13.09 14132 6 11.3 17112 5 12.11 16120 5 11.4 19104 4 13.03 1576 8 11.07 19

104 7 13.01 1880 4 11.56 18

100 6 12.47 17136 5 12.05 18112 7 13.02 14108 6 11.14 1584 4 12.01 14


23

116 9 11.11 1676 4 13.04 1480 5 11.06 11

148 5 12.11 11124 3 11.16 12104 7 11.17 14120 6 11.07 1376 10 13.09 17

136 3 11.5 1496 5 12.41 18

4.2 Pengolahan Data 4.2.1 Uji Keseragaman Data

Uji keseragaman data dilakukan untuk mengetahui, apakah data yang seragam dan tidak ada data yang outlier. Uji keseragaman data dilakukan dengan menghitung batas atas, rata-rata, dan batas bawah data. Untuk kemudian dilakukan analisa menggunakan grafik, dan dilakukan revisi, atau penambahan data jika terdapat data yang keluar control.

Berikut ini adalah perhitungan keseragaman data pada waktu proses penggilingan:

a. Rata-rata

b. Standard Deviasi

c. Dengan K = 2, maka :BKA (Batas Kendali Atas) =

BKB (Batas Kendali Bawah) =

d. Didapatkan grafik control chart sebagai berikut:


24

umi, 08/05/14,

Dio tolong di uji ya contoh pengujiannya ada d PDF

4.2.2 Uji Kecukupan Data Uji kecukupan data dilakukan untuk mengetahui apakah data

yang diambil telah cukup, mampu mewakili populasi berdasarkan sistem nyata yang ada. uji kecukupan data dihitung menggunakan rumus berikut :

Dimana :N’ : Jumlah pengamatan yang seharusnya dilakukan k : Tingkat kepercayaan dalam pengamatan ( K= 2,

)

s : Derajat ketelitian dalam pengamatan (5%)N : Jumlah pengamatan yang sudah dilakukanXi : Data PengamatanBerdasarkan data yang telah diambil dapat dilakukan

perhitungan sebagai berikut:


25

umi, 08/05/14,

Ini jg yo tolong di uji

Karena nilai N ≥ N’ maka dapat disimpulkan, bahwa data yang diambil telah cukup dan telah mewakili populasi.4.2.3 Uji Independensi Data

Uji independensi data dilakukan untuk mengetahui apakah data yang diambil tidak bergantung pada variable lain. Data yang diuji keindependensiannya data yang telah diuji keseragamannya. Data tersebut dimasukkan ke dalam scatter diagram, untuk mengetahui, ada atau tidaknya pola terhadap data tersebut sehingga didapatkan grafik sebagai berikut:

Berdasarkan scatter diagram di atas, diketahui bahwa data tidak membentuk pola tertentu, sehingga dinyatakan independen.

4.2 Penentuan Parameter Distribusi dengan Input Analyer 1. Buka program ARENA2. Pilih Menu Tools – Input Analyzer3. Masukkan data waktu dalam Data Table, Setelah muncul

lembar kerja, klik File > Data File > Use Existing > Pilih lokasi dan nama file.

4. Kemudian akan muncul suatu grafik, Klik Fit > Fit All


26

umi, 08/05/14,

Ini kata-katanya tolong di ketik nnti tabelnya aku yg bikin

umi, 08/05/14,

Dio ini jg tolong d uji ya

5. Untuk memindahkan expression, blok nilai expression, klik Edit dan pilih copy expression.

6. Piindahkan nilai expression ke model Arena yang sesuaiBerikut tabel distribusi waktu masing-masing proses pada sistem

No Proses Distribusi

1 Penggilingan NORM(106, 20.7)

2 pengadonan UNIF(11, 13.8)3 Pengadukan Constant (15)4 Pencetakan kerupuk

persegi 4 Constant (4)

5 Pencetakan kerupuk bulat Constant (16)

6 Inspeksi kerupuk persegi NORM(5.6, 1.81)

7 Inspeksi kerupuk bulat NORM(15.2, 2.47)

8 Pengukusan Constant (15)

4.4 Penentuan Parameter Distribusi Pembangkit Bilangan Acak

Penentuan distribusi menggunakan Microsoft Excel, dengan cara membangkitkan bilangan acak berdasarakan parameter pada masing-masing distribusi, dengan langkah-langkah sebagai berikut:

1. buka program Microsoft Excel

2. Aktifkan data Analyzer pada Microsoft Excel

3. Masukan data pada lembar kerja Microsoft Excel


27

4. Hitung parameter yang dibutuhkan pada distribusi yang ingin dibangkitkan, sehingga pada Microsoft Excel juga dulakukan pembangkitan bilangan yang berdistribusi normal. Yakni parameter rata-rata dan standar deviasi. Pada CV. Super Jaya, yang akan dibangkitkan datanya menggunakan Data Analysis adalah waktu pada proses penggilingan, dengan rata-rata =106, dan standar deviasi= 20.7

5. Ketikkan banyaknya variable yang ingin dimunculkan (1), dan banyaknya data pada variable tersebut sesuai data yang telah seragam dan independent. Pada CV. Super Jaya proses penggilingan memiliki data sebanyak 50, pada hasil input analyzer diketahui bahwa proses penggilingan berdistribusi normal.

6. Kemudian akan muncul bilangan berdasarkan distribusi, dan parameter yang tekah diatur sebelumnya.

7. Pada tabel …. Akan ditampilkan data hasil pengamatan, dan data hasil pembangkitan bilangan.

No. Data Asli

Data Generate No. Data

AsliData

Generate

No. Data Asli

Data Genera

te1 72 80.6062 18 100 75.6302 35 116 115.642 76 141.266 19 100 94.0218 36 120 106.36

5


28

3 76 68.5924 20 100 125.317 37 120 94.2328

4 76 89.0735 21 100 128.205 38 120 117.248

5 76 86.9069 22 104 117.578 39 120 73.8373

6 76 85.28 23 104 140.525 40 124 154.609

7 80 149.026 24 104 96.9267 41 132 87.3864

8 80 99.7918 25 104 131.19 42 132 93.4823

9 80 110.852 26 108 115.045 43 132 112.610 84 85.2093 27 108 129.671 44 132 97.222

211 84 74.1771 28 112 100.524 45 136 107.99

112 88 105.155 29 112 110.752 46 136 106.63

313 92 106.744 30 112 117.65 47 136 110.714 92 137.212 31 112 119.803 48 148 112.78

215 96 103.169 32 112 98.8442 49 148 100.27

716 96 87.0422 33 116 76.4296 50 148 131.25

317 100 136.048 34 116 110.086

4.5 Pengujian Distribusi Pengujian distribusi dilakukan untuk mengetahui kesesuaian antara hasil penentuan parameter menggunakan input analyzer, dan menggunakan Microsoft Excel. Berikut adalah langkah-langkahnya:

1. Buka program Microsoft Excel2. Urutkan data hasil-hasil pengamatan mulai yang terkecil

hingga yang terbesar3. Urutkan data hasil pembangkitan bilangan mulai yang

terkecil hingga yang terbesar4. Tentukan nilai tertinggi dan nilai terendah dari kedua data

tersebut


29

5. Hitung range dari kedua data tersebut, contoh adalah sebagai berikut:Nilai terendah = 49Nilai tertinggi = 163Range = 163 – 49

= 1146. Hitung banyak kelas yang ada pada distribusi data tersebut.

Berikut adalah contoh perhitungannya:K = 1 + 3,3 log (n)

= 1 + 3,3 log (50)= 6,61

Dibulatkan menjadi 7 kelas, sehingga terdapat 7 kelas data pada distribusi data tersebut

7. Hitung range pada masing-masing kelas, berikut adalah contoh perhitungannya:r = R/k

= 114/7 = 16,28 ≈ 178. Hitung batas atas dan batas bawah untuk masing-masing

kelas, berikut contoh perhitungan untuk kelas pertamaa. Batas bawah (BB) = nilai terkecil pada keseluruhan

data = 49b. Batas atas (BA) = BB + r

= 49 + 17= 669. Hitung frekuensi relative dan frekuensi kumulatif pada

masing-masing kelas, pada data hasil pengamatan dan data hasil pembangkitan bilangan, berikut adalah contoh perhitungan untuk kelas ketiga untuk data hasil pengamatan:

a. FR3 = 10b. FC = FRk + FCk-1

= FR3 + FC2

=10 + 11 LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI

JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA30

=2110. Hitung nilai PR dan PC pada masing-masing kelas, pada

data hasil pengamatan dan data hasil pembangkitan bilangan, berikut adalah contoh perhitungan kelas ketiga data hasil pengamatan:

a. PR = FR/n= 10/50 = 0,2

b. PC = FC/n= 21/50 = 0,42

Berikut merupakan tabel hasil perhitungan frekuensi probabilitas pada masing-

masing data

Kelas BB BA

Distribusi data asli

distribusi data generate

FR FC PR PC FR FC PR PC1 49 66 0 0 0 0 1 1 0,02 0,02

2 67 84 11 110,2

0,22 3 4 0,06 0,08

3 85102 10 21

0,2

0,42 13 17 0,26 0,34

4 103120 18 39

0,4

0,78 17 34 0,34 0,68

5 121138 8 47

0,2

0,94 12 46 0,24 0,92

6 139156 3 50

0,1 1 3 49 0,06 0,98

7 157174 0 50 0 1 1 50 0,02 1

11. Lakukan perhitungan square error dengan cara menghitung selisih nilai PC data hasil pengamatan dan PC data hasil pembangkitan bilangan. Berikut adalah contoh perhitungan square error untuk data pada kelas 3:


31

Square error = (PC data asli – PC data generate)2

= (0,42 – 0,34)2 = 0,006412. Lakukan perhitungan nilai X, dengan membagi nilai

square error dengan PC data generate. Berikut adalah contoh perhitungan untuk data pada kelas 3:X = 0,0064 / 0,34 = 0,0188

13. Jumlahkan nilai X untuk memperoleh nilai Chi Square hitung. Berikut adalah perhitungannya:Chi Square hitung = 0,02 + 0,245 + 0,018824 + 0,014706 + 0,000435 + 0,000408 + 0 =

0,299372

Kelas PC asli

PC generate

sqr error X

1 0 0,020,0004 0,02

2 0,22 0,080,0196 0,245

3 0,42 0,340,0064

0,018824

4 0,78 0,680,0100

0,014706

5 0,94 0,920,0004

0,000435

6 1 0,980,0004

0,000408

7 1 10,0000 0

Total

0,299372

14. HipotesisH0 = Data berdistribusi normal

H1 = Data tidak berdistribusi normalSyarat:


32

H0 diterima jika nilai Chi square hitung ≤ Nilai Chi Square tabel. Dengan nilai Chi Square yang digunakan, adalah nilai tabel dengan nilai α = 5%

Df = k – (p+1)= 7 – (2 + 1) = 4

15. Diketahui bahwa nilai tabel utuk distribusi Chi Square df = 4 adalah 9,488. Dapat diketahui bahwa nilai Chi Square hitung ≤ Nilai Chi Square tabel. Maka H0 diterima, dan dapat disimpulkan bahwa data berdistribusi normal, sesuai dengan jenis distribusi yang diperoleh pada input analyzer.


33

4.6 Model Konseptual 4.6.1 Flowchart Sistem

Berikut merupakan flowchart dari sistem pembuatan kerupuk di CV. Super Jaya.


34

4.6.2 ACDBerikut merupakan Activity Cycle Diagram pada sistem pembuatan kerupuk.

4.7 Pembuatan Model Sistem

Berikut langkah-langkah pembuatan model.

1. Buka program Arena

2. Pembuatan model dilakukan menggunakan basic process, advanced process, dan advanced transfer.

Langkah-lankah pembuatan model adalah sebagai berikut:

a. Drag create menuju layout. Klik creat 1 kemudian definisikan:

1) Name: kedatangan tepung


35

2) Entity type: tepung3) Time between arrivals

Type: ConstantValue: 1Units: Hours

4) Entities per arrivals: 15) Max arrivals: 106) First creation: 0.07) Klik OK

b. Drag station menuju layout. Klik station 1 kemudian definisikan:

1) Name: station pengadonan2) Station type: station3) Station name: pengadonanc. Drag signal menuju layout. Kemuddian definisikan:

1) Name: signal bumbu2) Signal value: 13) Limit: 1

d. drag hold manuju layout. Kemudian defenisikan:


36

1) Name: Hold air bumbu2) Wait for value: 13) Queue Type: Queue4) Queue name: Hold air bumbu.Queue5) Type: Wait for signal6) Limit: 1e. Drag matching menuju layout. Kemudian defenisikan.

1) Name: Matching 12) Matching:3) Klik Name: Match tepung air bumbu>Number to Match: 2

>Type: Any EntitiesKlik OK

f. Drag batch menuju layout. Kemudian definisikan:

1) Name: Batch bumbu tepung2) Type: permanent3) Batch size: 24) Save Criterion: Last5) Rule: Any Entity6) Klik OK

g. Drag process menuju layout. Kemudian definisikan:


37

1) Name: pencampuran tepung air bumbu2) Type: Standard3) Logic

Action: size Delay Release > Priority: Medium(2) > Resources: Klik add > Type Resource>Resource Name: op pengaduk>Quantity: 1 >Klik OK

4) Kemudian:Delay type: Constant > Units: Minutes> Allocation: Value Added> Value: 15> aktifkan Report Statistics

5) Klik OKh. Drag separate menuju layout. Kemudian definisikan:

1) Name: adonan menjadi 20 kg per proses2) Type: Duplicat Original3) Percent Cost to Duplicates (0-100): 504) # of Suplicates: 4

i. Drag assign menuju layout. Kemudian definisikan. LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI

JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA38

1) Name: Assign 12) Assigment:

Klik add > Type: Entity type > Entity type: kertas mengkilatKlik add > Type: Entity picture > Entity Picture: Picture.Yellow PageKlik OK

j. Drag route menuju layout. Kemudian definisikan.

1) Name: ke stasiun pencetakan2) Route time: 163) Units: Seconds4) Destination Type: Station5) Station Name: stasiun pencetakan6) Klik OK

k. Drag decide menuju layout. Kemudian definisikan.


39

1) Name: apa persegi?2) Type: 2-way by Chance3) Percent True: 70%4) Klik OK

l. Drag dispose menuju layout. Kemudian definisikan.

1) Name: jemur2) Centang Record Entity Statistic

4.8 Perhitungan Jumlah ReplikasiUntuk mengurangi variansi maka simulasi harus dilakukan sebanyak n kali replikasi. Untuk mendapatkan nilai n maka perlu dilakukan replikasi awal n0 yaitu sebanyak 5 kali replikasi. Hasil ddari 5 replikasi tersebut terdapat dalam Tabel… Kolom n menunjukkan replikasi ke-n. Selanjutnya untuk mendapatkan nilai n’ (n replikasi yang dibutuhkan) maka dilakukan perhitungan sebagai berikut:

n = 5 (replikasi awal)n-1 = 4α = 0.05tn-1,α/2 = 2.776

Nilai half width dihitung dengan rumus:


40

4.9 Varifikasi Model4.10 Validasi Model4.10.1 Validasi Model dengan SPSS4.11 Analisis Hasil Simulasi4.12 Rancangan Perbaikan Sistem4.12.1 Rancangan Proses Skenario dengan Process

Analyzer4.12.1.1 Analisis dan Pembahasan Hasil Skenario4.13 Pemilihan Skenario


41

simulasi proses pembuatan kerupuk

Engineering