Laporan fix (6 Juni 2014)

LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
69

2
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA

BAB I
PENDAHULUAN

1.1 Latar Belakang
Dalam perkembangan industri yang mengalami kemajuan pesat dengan teknologi yang canggih serta sistem yang efektif dan efisien, memberikan sebuah pemikiran kepada perusahaan untuk terus bersaing dalam meningkatkan kualitas dan mendapatkan keuntungan yang besar. Salah satu cara untuk tetap bisa bertahan dalam persaingan tersebut adalah dengan menganalisa, mengevaluasi, dan memperbaiki sistem yang ada. CV Agrindo Cipta Mandiri merupakan produsen keripik apel yang berpusat di Sengkaling Dau, Malang. Untuk menganalisa sistem nyata di CV Agrindo Cipta Mandiri yang cukup luas, tentunya akan kesulitan dan menimbulkan resiko yang cukup besar. Oleh karena itu, diperlukan model untuk menganalisa sistem nyata ini dengan model yang sederhana. Model adalah representasi dari sistem nyata, dalam gambaran yang sederhana, serta mempunyai tingkat prosentase yang bersifat menyeluruh. Model yang akan dibuat harus bisa menggambarkan sistem yang sebenarnya dalam CV Agrindo Cipta Mandiri.
Dalam menganalisa dan mengevaluasi model yang telah dibuat, diperlukan suatu metode khusus. Salah satunya yaitu metode simulasi, simulasi merupakan suatu metodologi untuk melaksanakan percobaan dengan menggunakan model dari suatu sistem nyata (Siagian, 1987). Software yang digunakan dalam mensimulasi sistem produksi di CV Agrindo Cipta Mandiri ini adalah software Arena Advanced, karena sudah memiliki modul-modul yang lengkap dan sangat representatif.
Berdasarkan pengamatan yang telah dilakukan, maka dapat diketahui bahwa sistem produksi dari CV Agrindo Cipta Mandiri sering kali terdapat proses yang membutuhkan waktu yang terlalu lama. Maka dengan menggunakan pemodelan dengan aplikasi Arena Advance ini diharapkan dapat memberi alternatif perbaikan terhadap sistem produksi pembuatan keripik apel di CV Agrindo Cipta Mandiri sehingga permasalahan yang ada dapat diatasi.
1.2 Tujuan
Tujuan dari praktikum ini adalah sebagai berikut :
1. Mengidentifikasi permasalahan yang terdapat pada sistem produksi keripik apel di CV Agrindo Cipta Mandiri.
2. Memodelkan sistem produksi pada CV Agrindo Cipta Mandiri dengan Activities Cycle Diagram (ACD).
3. Memodelkan sistem produksi pada software Arena serta mensimulasikannya.
4. Menganalisis hasil simulasi.
5. Memberikan skenario perbaikan pada permasalahan yang muncul dalam sistem produksi dan menganalisisnya.

1.3 Manfaat
Manfaat yang di dapatkan setelah praktikan mengikuti praktikum ini adalah sebagai berikut :
1. Praktikan mampu mengidentifikasi permasalahan yang terdapat pada sistem produksi keripik apel di CV Agrindo Cipta Mandiri.
2. Praktikan mampu memodelkan sistem produksi pada CV Agrindo Cipta Mandiri dengan Activities Cycle Diagram (ACD).
3. Praktikan mampu memodelkan sistem produksi pada software Arena serta mensimulasikannya.
4. Praktikan mampu menganalisis hasil simulasi.
5. Praktikan mampu memberikan skenario perbaikan pada permasalahan yang muncul dalam sistem produksi dan menganalisisnya.
6. Praktikan mampu menentukan distribusi waktu dengan input analyzer serta perhitungan secara statistik.
7. Praktikan mampu melakukan verifikasi dan validasi

1.4 Batasan
Batasan yang digunakan dalam laporan ini adalah:
1. Untuk pengamatan pendahuluan data yang dikumpulkan sebanyak 50 waktu untuk setiap proses.

2. Sistem produksi pembuatan keripik apel di CV Agrindo Cipta Mandiri disimulasikan selama 7 hari.
3. Sistem produksi yang diamati adalah sistem produksi kripik apel kemasan 100 gram.

1.5 Asumsi
Dalam pengamatan ini asumsi yang digunakan sebagai berikut:
1. Memiliki tingkat kepercayaan 95%
2. Tidak ada mesin yang rusak
3. Operator dalam keadaan normal
4. Satu entitas di dalam model Arena pada laporan ini mewakili 1 kg apel.

BAB II
TINJAUAN PUSTAKA

2.1 Pengertian Sistem
Menurut Gordon B. Davis (1984), sebuah sistem terdiri dari bagian-bagian yang saling berkaitan yang beroperasi bersama untuk mencapai beberapa sasaran atau maksud. Sedangkan, menurut Raymond Mcleod (2001), sistem adalah himpunan dari unsur-unsur yang saling berkaitan sehingga membentuk suatu kesatuan yang utuh dan terpadu.
Karakteristik atau ciri-ciri sistem sebagai berikut :
Sistem terdiri dari berbagai elemen yang membentuk satu kesatuan.
Adanya interaksi, saling ketergantungan dan kerjasama antar elemen.
Sebuah sistem ada untuk mencapai tujuan tertentu.
Memiliki mekanisme / transformasi.
Memiliki lingkungan yang mengakibatkan dinamika sistem
Berikut klasifikasi sistem dari beberapa sudut pandang beserta contoh penerapannya, antara lain:
Sistem abstrak (abstract sistem) dan sistem fisik (physical sistem)
Sistem abstrak merupakan sistem yang berupa pemikiran atau ide-ide yang tidak tampak secara fisik. Contohnya seperti sistem teologis, yaitu sistem yang berupa pemikiran-pemikiran hubungan manusia dengan Tuhan. Sedangkan sistem fisik adalah sistem yang nampak secara fisik, contohnya adalah sistem komputer, sistem produksi, dll.
Sistem alamiah (natural system) dan sistem buatan manusia (human made system)
Sistem alamiah adalah sistem yang terjadi melalui proses alam dan tidak dibuat oleh manusia, contohnya sistem perputaran bumi. Sistem buatan manusia yang melibatkan interaksi anatara manusia dengan mesin disebut dengan human machine sistem atau ada yang menyebut dengan man-machine system. Sistem informasi merupakan contoh man-machine system, karena menyangkut penggunaan komputer yang berinteraksi dengan manusia. Contohnya seperti sistem komputer.
Sistem tertentu (deterministik sistem) dan sistem tak tentu (probabilistik sistem)
Sistem tertentu beroperasi dengan tingkah laku yang sudah dapat diprediksi, interaksi bagian-bagiannya dapat dideteksi dengan pasti sehingga keluarannya dapat diramalkan. Contohnya sistem komputer melalui program. Sedangkan sistem tak tentu adalah sistem yang kondisi masa depannya tidak dapat diprediksi jarena mengandung unsur probabilitas, contohnya seperti sistem antrian pada bank.
Sistem tertutup (closed system) dan sistem terbuka (open system)
Sistem tertutup merupakan sistem yang tidak berhubungan dengan lingkungan luarnya. Sistem ini bekerja secara otomatis tanpa adanya turut campur tangan dari pihak luarnya. Secara teoritis sistem ini ada, namun kenyataannya tidak ada sistem yang benar-benar tertutup, hanya relatif tertutup saja. Contoh sistem tertutup adalah Apple Inc. Perusahaan ini selalau berinovasi tanpa adanya campur tangan dari luar, ataupun survey terhadap konsumen, mereka hanya berinovasi, kemudian menyerahkan penilaian produk pada konsumen. Sistem terbuka adalah sistem yang terbuka dan terpengaruh dengan lingkungan luaratau subsistem yang lainnya. Karena sistem sifat terbuka dan terpengaruh oleh sistem yang lain, maka suatu sistem terbuka harus memiliki sistem pengendali yang baik. Contoh sistem terbuka adalah Microsoft coorperation yang selalu mengikuti kebutuhan para konsumen yang sudah disurvey oleh pihak perusahaan, sehingga dapat berinovasi dan menciptakan produk sesuai kebutuhan konsumen.
Gambar 2.1 Sistem terbuka dan tertutup
Sumber: Mcleod (2001)

2.2 Pengertian Model
Model adalah adalah rencana, representasi, atau deskripsi yang menjelaskan suatu objek, sistem, atau konsep, yang seringkali berupa penyederhanaan atau idealisasi. Bentuknya dapat berupa model fisik (maket, bentuk prototype), model citra (gambar, komputerisasi, grafis dll), atau rumusan matematis. Ciri-ciri model adalah merupakan pendekatan, yang dianggap perlu dan cukup, dan dibuat berdasarkan (sejauh mungkin) pengetahuan yang telah dimiliki.

2.3 Pengertian Simulasi
Simulasi merupakan 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 untuk menirukan perilaku sistem nyata.

2.3.1 Elemen Simulasi
Suatu sistem dalam simulasi mencakup entities, activities, resources, dan control. Elemen-elemen tersebut mendefinisikan siapa, apa, dimana, kapan, dan bagaimana suatu entity diproses. Berikut merupakan penjelasan elemen dasar pemodelan:
Entities, adalah sesuatu yang menjadi objek dari suatu proses. Entity dapat berupa part, produk, manusia atau lembar kerja. Entitas memiliki karakteristik seperti name dan speed.
Activity, yaitu kegiatan yang dilakukan di dalam sistem yang mempengaruhi entitas baik secara langsung atau tidak langsung.
Resources adalah manusia, sebuah peralatan atau perlengkapan lainnya yang digunakan/ bertugas untuk mengantar sebuah entity.
Controls, yaitu segala sesuatu yang menentukan bagaimana, kapan, dan dimana aktivitas dijalankan.

Gambar 2.2 Elemen simulasi
Sumber: Mcleod (2001)

2.4 Definisi Arena Simulation Software
Arena adalah sebuah software simulasi interaktif berdasarkan pemikiran yang berorientasi pada obyek dan konsep pemodelan terstruktur. Software ini banyak digunakan di manufaktur, layanan logistik dan rantai pasok, bidang medis, militer dan lain-lain. Arena juga digunakan dalam situasi yang berbeda di semua tingkat simulasi, termasuk operasi produksi harian, berbagai jenis alokasi sumber daya, perencanaan proses bisnis, performansi sistem dan program penilaian hasil, prediksi resiko.

2.4.1 Modul Arena Simulation Software
Pada Arena Simulation Software berisikan module-module yang digunakan untuk memodelkan simulasi sebuah sistem. Berikut ini merupakan macam-macam module yang terdapat pada Arena Simulation Software:
Create
Modul Create berfungsi untuk mengenerate kedatangan entity ke dalam simulasi, pada modul Create terdapat Name yang harus di isi nama produk, dan Entity Type. Sedangkan pada Time Between Arrivals ada Type, Value dan Unit, Kemudian ada Entities per Arrival, Max Arrivals, First Creation.

Gambar 2.3 Modul Create
Sumber: Modul Praktikum Simulasi (2014:33)

Time between arrival type pada modul create adalah :
Random (Expo) : merupakan distribusi exponensial secara acak
Shcedule : merupakan distribusi terjadwal.
Constant : merupakan distribusi tetap.
Exsperetion : merupakan distribusi.

Modul Station
Modul ini menggambarkan tempat dari seluruh aktivitas baik proses maupun pergerakan entity dalam sistem. Dalam modul ini terdiri dari :

Gambar 2.4 Modul Station

Name : kolom ini berisi nama seperti nama jenis sepatu
Station type : mendefinisikan tipe dari modul Station, Menggunakan set apabila terdiri dari beberapa station (kumpulan station).
Station Name : mendefinisikan nama station yang menjadi tujuan (destination) entitas. Pengisian nama ini harus hati-hati karena bisa menjadi tujuan Route.

Modul Route
Modul Route digunakan untuk membuat route antar stasiun, route dapat digunakan antara lain ketika membuat waktu transfer dari satu stasiun ke stasiun lainnya. Route terdapat pada Advanced Transfer. Modul ini juga digunakan untuk menentukan arah pergerakan dari entity dalam station tanpa menggunakan alat bantu seperti forklift, conveyor dan sebagainya.

Gambar 2.5 Modul Route

Dalam modul Route ini terdiri dari :
Name : mengidentifikasi nama modul dan menunjukkan bentuk dari modul
Route Time : perjalanan waktu dari lokasi entitas pada tujuan (destination).
Units : merupakan waktu unit yang di gunakan Route Time, dalam units ini ada seconds (digunakan pada waktu satuan detik), minutes (digunakan pada waktu satuan menit), hours (digunakan pada waktu satuan jam), Days (digunakan pada waktu dibutuhkan Route Time dalam harian).
Station Name : mendefinisikan nama station yang menjadi tujuan (destination) entitas.
Destination Type : metode untuk menentukan lokasi tujuan entitas. Diseleksi dengan menentukan urutan (requines) yang harus menempatkan nama urutan tersebut dan urutan itu sendiri dijelaskan. Dalam destination type tardiri dari Attribute (digunakan apabila mendefinisikan nama atribute pada station name yang ber rute pada entitas), Exspression (digunakan apabila menggunakan waktu route yang berdistribusi tertentu), sequential (digunakan apabila menggunakan waktu route dengan sebab-sebab tertentu), Station (digunakan apabila mentransfer dari route yang satu dengan yang lain).

Modul Process
Modul Process berfungsi untuk memproses entity dari sistem, pada modul ini juga terdapat Name dan Type. Kemudian ada Logic yang terdiri dari Action, selanjutnya yaitu pada modul ini juga terdapat Resources, Delay Type, Unit, Allocation, Minimum, Value (Most Likely), Maximum dan Report Statitics yang harus di centang.

Gambar 2.6 Modul Process

Action pada modul proses ini terdiri :
Delay : merupakan proses menunggu akan tetapi tidak diproses.
Seize Delay : merupakan proses menunggu kemudian diproses tetapi tidak dilanjutkan.
Seize Delay Release : merupakan proses menunggu kemudian diproses dan dilanjutkan.
Delay Release : merupaka proses menunggu kemudian langsung dilanjutkan.
Unit berfungsi untuk menentukan waktu suatu proses yang terdiri dari seconds (detik), minutes (menit), hours (jam), days (hari).
Delay type : merupakan type menunggu dan terdiri dari :
a) Triangular: Distribusi ini di fungsikan dalam situasi dari distribusi yang belum diketahui akan tetapi di sedikan nilai-nilai yang memungkinkan sedangkan nilai maximum dan minimumnya diperkirakan.
Exponential: Distribusi ini biasanya di fungsikan untuk pemodelan pada rincian proses dan random kedatangan
Uniform : Distribusi ini berfungsi apabila nilai nya dianggap memiliki kemungkinan yang sama dan terbatas karena hal ini digunakan ketika ada informasi.

Allocation : merupakan jenis aktivitas transfer yang terjadi pada modul ini, dalam Allocation terdiri dari :
a) Value added : merupakan penambahan nilai dari material input menjadi output pada prose yang dilakukan .
b) Non value added : tidak terjadi proses penambahan nilai dari material input menjadi output (misalkan kegiatan inspeksi).
c) Transfer : waktu transfer dari satu tempat ke tempat lain.
d) Wait : waktu tunggu sebelum entity melakukan aktivitas berikutnya.
e) Other.

Modul Assign
Modul Assign ini digunakan untuk memasukkan nilai baru pada variable, entity atribute, entity type atau variable lain pada sistem. Pada modul ini ada Name dan Assignments, kemudian apabila di klik add maka akan tampil Assignments yang terdiri dari Type, Attribut Name, New Value.

Gambar 2.7 Modul Assign

Type modul Assign ini yaitu :
Variabel : merupakan suatu nilai yang tetap dari sistem
Attribute : merupakan bagian dari sistem seperti waktu proses eyelet
Entity Type : merupakan inputan type dari entitas
Entity Picture : merupakan inputan gambar dari entitas.
Other.
Modul Decide
Modul Decide merupakan modul yang berfungsi untuk membuat keputusan berdasarkan satu atau beberapa kondisi, modul ini terletak pada Basic Process. Pada modul ini ada juga Name, Type dan Percent True (0-100) yang merupakan presentasi dari kebenaran.

Gambar 2.8 Modul Decide

Type pada Decide ini mengidentifikasikan apakah keputusan berdasarkan pada kondisi dan hal ini ada beberapa jenis, yaitu:
2-way : hal ini digunakan jika hanya untuk 1 kondisi benar atau salah.
2-way by chance : hal ini mendefinisikan satu atau lebih presentase.
2-way by condition : hal ini mendefinisikan satu atau lebih kondisi.
N-way : digunakan untuk berapapun jumlah kondisi.

Modul Record
Modul Record digunakan untuk memunculkan data statistik pada model simulasi, type data statistik yang dapat dimunculkan seperti waktu antar kedatangan. Pada modulini terdapat Name, Type, Value dan Counter Name.

Gambar 2.9 Modul Record

Type pada Record terdiri dari :
a) Count : menyatakan jumlah nilai.
b) Entity Statistics : merupakan inputan Statistics dari entitas.
c) Time Interval : menyatakan interval waktu yang digunakan.
d) Entity Picture : merupakan inputan gambar dari entitas.
e) Other.
Modul Dispose
Modul Dispose berfungsi untuk mengeluarkan entitas dari sistem, pada modul ini terdapat Name dan ada Record Entity Statistics yang harus di centang.

Gambar 2.10 Modul Dispose

Input Analyzer
Input Analyzer merupakan bagian 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.

Process Analyzer
Process 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. Biasanya process analyzer untuk menentukan skenario mana yang cocok sehingga bisa mendapatkan WIP yang minimum.

Activity Cycle Diagram
Activity Cycle Diagram (ACD) adalah bahasa grafik/gambar yang memodelkan sistem dengan menunjukkan hubungan interaksi antar elemen dengan perubahan secara diskrit terhadapa waktu. Entitas di ACD ada dua yaitu entitas permanen dan sementara. Sedangkan aktivitas pada ACD ada dua, pasif dan aktif. Simbol-simbol yang dipergunakan pada ACD adalah:
Tabel 2.1 Simbol-simbol Activity Cycle Diagram
Nama Simbol
Keterangan
Lambang
Generate
Merepresentasikan menciptakan (create) atau membangkitkan (generate) entitas

Terminate

Merepresentasikan membuang (dispose) atau memberhentikan (terminate) entitas

Passive
Merepresentasikan aktivitas pasif

Active
Merepresentasikan aktivitas aktif

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

Alternate
Merepresentasikan kondisi (condition) pilihan dua alternatif kemungkinan yang perlu diputuskan(decide)

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

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

Distribusi Probabilitas
Mengenai distribusi data dan macam-macam distribusi data terdapa pada mega project.

Distribusi Kontinyu
Salah satu macam distribusi probabiltas, yaitu model matematika yang menghubungkan nilai variabel dengan probabilitas terjadinya nilai itu. Distribusi Kontinyu memiliki sifat kontinyu, data yang diamati berjalan secara berkesinambungan dan tidak terputus.

Distribusi Uniform
Distribusi uniform pada umumnya digunakan variabel acak seragam (uniform) umum digunakan karena tidak adanya informasi tentang ditribusi yang mendasari yang dimodelkan.
Probability Density Function (pdf)
Probability Density Function (pdf)

Using Maximum Convention
Gambar 2.11 Distribusi Uniform PDF
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt

1b-a for a x b
0 for x b (2-1)

b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function

Gambar 2.12 Distribusi Uniform CDF

0 for x x-ab-a for a x Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
1 for x b
X=a+ b-a U
U diperoleh dari U=RN 0,1 (2-3)

Distribusi Normal
Sebuah fungsi yang berbentuk lonceng dengan parameter µ dan σ. Variabel acak normal digunakan untuk memodelkan banyak fenomena acak yang dapat dinyatakan sebagai jumlah variabel acak, berdasarkan central limit theorem. Analisis harus berhati-hati dalam menggunakan distribusi normal untuk model fenomena acak, yang tidak dapat mengasumsikan nilai negatif. Distribusi normal pada umumnya digunakan untuk menggambarkan proses.
a. Probability Density Function (pdf)
Probability Density Function

Gambar 2.13 Distribusi Normal PDF

fx,μ, σ= 1σx2π ex- μx22σx2 dt (2-4)


Gambar 2.14 Distribusi Normal CDF
- xft; μx, σxdt= - x1σx2πet - μx22σx2dt (2-5)

Distribusi Triangular
Sebuah distribusi dengan batas bawah a, modus c dan batas atas b. Variabel acak trianguler digunakan ketika distribusi yang mendasari tidak diketahui, tetapi masuk akal untuk mengasumsikan bahwa nilai berkisar dari berapa nilai minimal, bentuk linear kurva PDF adalah cara paling sederhana untuk mewakili jenis perilaku. Variabel acak trianguler biasanya digunakan untuk merepresentasikan proses.

Gambar 2.15 Distribusi Triangular PDF

0 for x 2x-ab-ac-a for a x c,
2b-xb-ab-c for c 0 for b Sumber: Rahman. 2013. Distribusi Probabilitas.ppt

Gambar 2.16 Distribusi Triangular CDF
0 for x x-a2b-ac-a for a x c,
1- (b-x)2b-ab-c for c 1 for b Sumber: Rahman. 2013. Distribusi Probabilitas.ppt

Distribusi Eksponensial
Fungsi eksponensial adalah salah satu fungsi yang paling penting dalam matematika. Biasanya fungsi ini ditulis dengan notasi exp (x) atau ex, dimana e adalah basis logaritma natural yang kira-kira sama dengan 2.71828183. Variabel acak eksponensial banyak digunakan untuk model "acak" waktu antar kedatangan untuk waktu kontinyu. Variabel acak eksponensial biasanya digunakan untuk mempresentasikan interval pelanggan, banyaknya kegagalan, dan sebagainya.

Gambar 2.17 Distribusi Eksponensial PDF

λe-λx (2-8)


Gambar 2.18 Distribusi Eksponensial CDF
1-e-λx (2-9)

Distribusi Gamma
Nilai antara a dan b dimana a > b, dan probabilitas dari semua nilai-nilai adalah sama.

Gambar 2.19 Distribusi Gamma PDF

xk-1exp (-xθ)Γ(k)θk (2-9)

b. Cummulative Distribution Function(cdf)

Gambar 2.20 Distribusi Gamma CDF
Sumber: Rahman. 2013. Distribusi Probabilitas.pp

γ (k,xθ)Γ(k) (2-10)

Distribusi Weibull
Biasanya digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu (umur) suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi sebagaimana mestinya. Distribusi weibull pada umumnya digunakan untuk mempresentasikan waktu kerusakan.


Gambar 2.21 Distribusi Weibull PDF

fx= kλxλk-1e-xλk x 0
0 x <0 (2-11)

b. Cummulative Distribution Function(cdf)

Gambar 2.22 Distribusi Weibull CDF

1- e-xλk x 0
0 x<0 (2-12)

Distribusi Lognormal
Merupakan distribusi probabilitas sebuah peubah (variabel) acak yang logaritmanya tersebar secara normal.

Gambar 2.23 Distribusi Lognormal PDF

1x2πσe-lnx - μ22μ2 (2-13)


Gambar 2.24 Distribusi Lognormal CDF
12+12 erf ln x- μ2σ (2-14)
Distribusi lognormal pada umumnya digunakan untuk merepresentasikan waktu kerusakan.

Distribusi Diskrit
Distribusi dimana perubahnya secara teoritis tidak dapat menerima sembarang nilai diantara dua nilai yang diberikan. Sering lebih mudah bila semua peluang suatu peubah acak x dinyatakan dalam suatu rumus. Tetapi juga tidak menutupi kemungkinan apabila distribusi diskrit dinyatakan dalam bentuk grafik ataupun dalam bentuk label.

Distribusi Poisson
Merupakan limit dari distribusi binomial dengan banyaknya percobaan n relatif besar. Distribusi poisson pada umumnya digunakan untuk menggambarkan jumlah kedatangan dalam satu satuan waktu.
a. Probability Mass Function (pmf)

Probability Mass Function

Gambar 2.25 Distribusi Poisson PMF
Sumber: Rahman. 2012. Distribusi.ppt

e-λλkk! (2-15)


Gambar 2.26 Distribusi Poisson CMF

Γk+1, λk! for k 0 (2-16)

Distribusi Binomial
Setiap percobaan hasilnya dapat dibedakan dalam 2 macam kejadian: berhasil (probabilitas dinyatakan dengan notasi p) atau tidak berhasil (probabilitas dinyatakan dengan notasi q=1-p). Masing-masing percobaan merupakan peristiwa yang bersifat bebas yaitu peristiwa yang satu tidak mempengaruhi peristiwa yang lain.
a. Probability Mass Function (pmf)

Gambar 2.27 Distribusi Binomial PMF

nkpk(1-p)n-k (2-17)


Gambar 2.28 Distribusi Binomial CDF

I1-p ( n - k, 1+ k) (2-18)

Distribusi Geometri
Percobaan bebas dilakukan berulang, dapat menghasilkan keberhasilan dengan probabilitas p dan kegagalan dengan probabilitas q=1-p.
a. Probability Mass Function(pmf)


Gambar 2.29 Distribusi Geometri PMF

(1-p)k-1p (2-19)


Gambar 2.30 Distribusi Geometri CDF

1-(1-p)k (2-20)

2.7 Verifikasi dan Validasi
Verifikasi adalah proses mengevaluasi suatu model apakah telah memenuhi kondisi seperti yang dirancang pada awal pengembangan, dengan pemeriksaan program komputer. Verifikasi dilakukan dengan membandingkan antara input yang diberikan model dan animasi running simulasi.
Teknik verifikasi ada 4, yaitu:
Teknik 1: Dalam pengembangan model simulasi, tuliskan program komputer terbagi dalam beberapa modul/subprogram/routine.
Teknik 2: Perancangan program simulasi akan lebih baik jika merupakan gabungan dari ide beberapa orang yang tergabung dalam satu tim, agar model lebih berkembang dan tidak terbatas oleh persepsi satu orang saja (jalan di tempat, structure walk through)
Teknik 3: Jalankan simulasi dengan variasi masukan parameter dan amati hasilnya, apakah beralasan dan dapat diterima.
Teknik 4: Lakukan pemrosesan simulasi bertahap (trace) untuk mengamati proses kejadian dan perubahan nilai variabelnya.
Validasi adalah proses penentuan apakah model, sebagai konseptualisasi atau abstraksi, merupakan representasi berarti dan akurat dari sistem nyata (Hoover dan Perry, 1989). Validasi dilakukan dengan membandingkan output hasil simulasi dengan kondisi aktual, dengan menggunakan uji T, untuk mengetahui bahwa data dari model dan aktual berasal dari distribusi yang sama, maka model dikatakan valid.
Macam-macam pengujian validasi yakni:
Unit Test, merupakan pengujian difokuskan pada unit terkecil dari suatu modul program.
Integration Test, merupakan pengujian terhadap unit-unit program yang saling berhubungan (terintegrasi) dengan fokus pada masalah interfacing. Dapat dilaksanakan secara top-down integration atau bottom-up integration.
System Test, merupakan pengujian yang dilakukan sepenuhnya pada sistem berbasis komputer. Terdiri atas recovery testing (penanganan kegagalan), security testing (mekanisme proteksi), stress testing (situasi tidak normal).
Acceptance Test, merupakan pengujian terakhir sebelum sistem dipakai oleh user. Terdiri atas requirement test (pemenuhan kebutuhan), black box test (uji keluaran yang tidak berbeda signifikan), dan white box test (algoritma representasi proses)

BAB III
METODOLOGI PRAKTIKUM

Diagram Aliran Flowchart
Berikut ini adalah diagram aliran prosedur praktikum.

Gambar 3.1 Flowchart praktikum
3.2 Prosedur Praktikum
Berikut ini adalah langkah-langkah praktikum yang perlu dilakukan dakam praktikum.
Mulai
Studi Kepustakaan
Dalam studi kepustakaan dilakukan dengan mempelajari berbagai referensi yang sesuai dengan materi praktikum.
Pengamatan Pendahuluan
Melakukan observasi di CV Agrindo Cipta Mandiri.
Penentuan Fokus Pengamatan
Menentukan fokus pengamatan mengenai pembuatan keripik apel di CV Agrindo Cipta Mandiri.

Pengambilan Data
Melakukan pengambilan data di CV Agrindo Cipta Mandiri di Sengkaling.
Pengolahan Data
Mengolah data yang telah didapatkan dari hasil observasi.
Pemodelan Sistem dengan Activity Cycle Diagram (ACD)
Membuat Activity Cycle Diagram (ACD) untuk menganalisa informasi penting mengenai struktur dan perilaku dinamis dari sistem yang dimodelkan.
Penentuan Distribusi
Mencari distribusi waktu di setiap tahapan proses produksi yaitu waktu proses pengupasan, proses pembersihan, pemotongan, pendinginan, penggorengan, penirisan, dan pengemasan.
Pemodelan Sistem dengan Arena
Memodelkan sistem dengan menggunakan Input Analyzer pada software Arena.
Verifikasi
Verifikasi dilakukan dengan membandingkan model yang telah dibuat dalam Arena dengan Activity Cycle Diagram (ACD) berdasarkan sistem nyata.
Simulasi Sistem dalam Arena
Simulasi sistem merupakan proses membangun atau membentuk sebuah model dari suatu sistem nyata dalam bahasa formal tertentu. Simulasi ini dibuat dengan memodelkan suatu proses menggunakan software Arena. Disini dapat dilihat secara langsung hasilnya, serta dapat diatur kecepatan proses sehingga dapat menghemat waktu dalam simulasi ini.
Validasi
Validasi model adalah proses menentukan apakah model konseptual merefleksikan sistem nyata dengan tepat.
Analisa dan Pembahasan
Analisa dan pembahasan dari sebelum simulasi dan hasil setelah disimulasikan berupa input dan output data yang diperoleh.
Skenario dengan Process Analyzer
Perbaikan yang harus dilakukan ketika sistem tidak sesuai akan dilakukan skenario pada tool Process Analyzer.
Analisis dan Pembahasan Hasil Skenario
Analisa dan pembahasan hasil skenario dilakukan untuk mengetahui apakah perbaikan yang diinginkan telah sesuai dengan hasil eksperimen yang dilakukan.
Kesimpulan dan Saran
Kesimpulan dan saran memberikan rangkuman dari awal proses hingga akhir dan melengkapi apa yang kurang pada proses tersebut.
Selesai

Hasil Pengamatan Pendahuluan
Hasil dari pengamatan pendahuluan bahwa proses pembuatan kripik apel di CV. Agrindo Cipta Mandiri meliputi pengupasan apel segar kemudian apel dibersihkan dan dirajang. Setelah itu, apel akan didinginkan selama 24 jam untuk selanjutnya digoreng. Setelah digoreng selama 2 jam, apel ditiriskan dan kemudian dimasukkan ke dalam kemasan alumunium foil. Diketahui juga bahwa kondisi proses pembuatan kripik apel menghasilkan WIP yang cukup tinggi dan waktu tunggu entitas yang lama pada proses pendinginan yang dikarenakan proses pendinginan membutuhkan waktu lama dengan menggunakan mesin freezer yang jumlahnya kurang mencukupi.

BAB IV
HASIL DAN PEMBAHASAN

Gambaran Sistem
Sistem yang dibuat merupakan sistem pembuatan kripik apel di CV. Agroindustri Cipta Mandiri yang terletak di Dau, Sengkaling, Kab. Malang. Pembuatan kripik apel ini terdiri dari beberapa proses. Bahan baku apel segar datang ke pabrik setiap 10 menit dengan jumlah kedatangan apel sebesar 5 kg per kedatangan. Apel segar dikumpulkan menjadi 20 kg kemudian dibawa ke stasiun persiapan untuk dikupas selama 0,5-1,5 menit. Selanjutnya apel dibersihkan selama 7-8 detik dan dipotong dengan ketebalan 0,5 cm selama 1,5-2 menit. Semua proses di stasiun persiapan dilakukan oleh 10 orang operator secara bergantian.
Sebanyak 20 kg buah apel yang sudah dipotong kemudian dibawa ke stasiun pendinginan dengan menggunakan kereta dorong untuk dimasukkan ke lemari pendingin (freezer) selama 24 jam. Setelah itu apel yang sudah didinginkan dikumpulkan per 15 kg dan dibawa oleh operator ke stasiun penggorengan dengan waktu tempuh 10-12 detik untuk digoreng pada suhu dan tekanan rendah menggunakan minyak sawit atau minyak kelapa dengan mesin vacuum frying selama 1,5-2 jam. Lalu ditiriskan menggunakan mesin peniris minyak (spinner) selama 20 menit. 5 kg kripik apel siap kemas dibawa ke stasiun packaging oleh operator dengan waktu tempuh 12-15 detik untuk dikemas dalam kemasan aluminium foil dengan berat 100 gram menggunakan continuous sealer selama 8 menit dan kemudian disimpan di gudang.
Tabel 4.1 Waktu Proses Pembuatan Keripik Apel CV Agrindo Cipta Mandiri
No
Pengupasan (detik)
Pembersihan (detik)
Perajangan (menit)
Pendinginan (jam)
Penggorengan (jam)
Penirisan (menit)
Packaging (menit)
Pendingina ke Penggorengan (detik)
Penggorengan ke Packaging (detik)
1
51
9
1,6
24
2
20
8
10
15
2
73
8
1,8
24
2
20
8
11
13
3
72
9
1,8
24
2
20
8
11
13
4
51
8
1,5
24
2
20
8
11
15
5
55
9
1,7
24
2
20
8
11
13
6
68
10
1,7
24
2
20
8
11
14
7
59
8
1,6
24
2
20
8
10
13
8
66
10
1,7
24
2
20
8
12
14
9
44
8
1,9
24
2
20
8
10
15

Tabel 4.1 Waktu Proses Pembuatan Keripik Apel CV Agrindo Cipta Mandiri (Lanjutan)
No
Pengupasan (detik)
Pembersihan (detik)
Perajangan (menit)
Pendinginan (jam)
Penggorengan (jam)
Penirisan (menit)
Packaging (menit)
Pendingina ke Penggorengan (detik)
Penggorengan ke Packaging (detik)
10
66
10
1,6
24
2
20
8
10
15
11
62
7
1,7
24
2
20
8
10
14
12
66
9
1,8
24
2
20
8
10
13
13
57
8
1,9
24
2
20
8
11
14
14
31
10
1,7
24
2
20
8
11
13
15
55
8
1,7
24
2
20
8
11
13
16
59
9
1,9
24
2
20
8
12
14
17
53
8
1,7
24
2
20
8
11
13
18
74
7
1,7
24
2
20
8
10
12
19
45
8
1,8
24
2
20
8
12
13
20
30
9
1,8
24
2
20
8
11
15
21
60
8
1,6
24
2
20
8
10
14
22
55
7
1,9
24
2
20
8
10
13
23
58
9
1,8
24
2
20
8
10
14
24
53
9
1,9
24
2
20
8
10
12
25
46
7
1,9
24
2
20
8
10
14
26
60
8
1,7
24
2
20
8
11
14
27
42
8
1,9
24
2
20
8
10
14
28
54
8
1,6
24
2
20
8
11
13
29
67
10
1,8
24
2
20
8
11
13
30
44
9
1,7
24
2
20
8
10
15
31
32
8
1,9
24
2
20
8
10
15
32
62
8
1,8
24
2
20
8
11
13
33
58
9
1,6
24
2
20
8
11
12
34
72
10
1,7
24
2
20
8
10
14
35
60
8
1,6
24
2
20
8
10
14
36
44
8
1,7
24
2
20
8
11
14
37
55
8
1,6
24
2
20
8
12
12
38
61
7
1,6
24
2
20
8
10
14
39
56
9
1,6
24
2
20
8
11
12
40
81
8
1,7
24
2
20
8
11
14
41
63
10
1,8
24
2
20
8
10
14
42
73
9
1,6
24
2
20
8
12
13
43
68
7
1,7
24
2
20
8
11
12
44
64
7
1,6
24
2
20
8
11
14
45
41
9
1,7
24
2
20
8
12
13
46
79
9
2,0
24
2
20
8
11
13
47
46
8
1,9
24
2
20
8
10
13
48
64
8
1,8
24
2
20
8
10
13
49
61
9
2,0
24
2
20
8
12
14
50
66
9
2,0
24
2
20
8
11
14
Pengolahan Data

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 menggunakan grafik dan dilakukan revisi apabila terdapat data yang keluar kontrol.
Berikut ini adalah perhitungan keseragaman data pada waktu proses pengupasan :
Rata-rata (X) = 51+73+72+….+61+6650 = 57,61
Standar deviasi =(xi-x ̅)2n-1
=(51-57,61)2+(73-57,61)2+(72+57,61)2+…+(61-57,61)2+(66-57,61)249 = 11,78
Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 57,61 + 2.11,78 = 81,17
BKB (Batas Kontrol Bawah) = X-kσ = 57,61 - 2.11,78 = 34,05
Didapatkan grafik control chart sebagai berikut

Gambar 4.1 Control chart data waktu pengupasan

Berdasarkan grafik di atas, diketahui bahwa terdapat data yang outlier sehingga perlu dilakukan revisi dengan menghapus data yang outlier yakni data ke 14, k2 20 dan ke 31 sehingga perhitungannya menjadi:
Rata-rata (X) = 51+73+72+….+61+6647 = 59
=(51-57,61)2+(73-57,61)2+(72+57,61)2+…+(61-57,61)2+(66-57,61)246 = 9,93
Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 59 + 2.9,93 = 78,86
BKB (Batas Kontrol Bawah) = X-kσ = 59 - 2.9,93 = 39,14

Gambar 4.2 Control Chart data waktu pengupasan

Berdasarkan grafik di atas, diketahui bahwa terdapat data yang outlier sehingga perlu dilakukan revisi dengan menghapus data yang outlier yakni data ke 37 sehingga perhitungannya menjadi:
Rata-rata (X) = 51+73+72+….+61+6646 = 59
=(51-57,61)2+(73-57,61)2+(72+57,61)2+…+(61-57,61)2+(66-57,61)245 = 9,5
Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 59 + 2.9,5 = 78
BKB (Batas Kontrol Bawah) = X-kσ = 59 - 2.9,5 = 40

Gambar 4.3 Control Chart data waktu pengupasan
Berdasarkan grafik di atas, diketahui bahwa tidak terdapat data yang outlier sehingga data telah seragam.

Uji Kecukupan Data
Uji kecukupan data dilakukan untuk mengetahui apakah data yang diambil telah cukup dan mampu mewakili populasi berdasarkan sistem yang ada. Uji kecukupan data dihitung menggunakan rumus berikut:
N'= k/sNX2- (X2)X2 (4-1)
Dimana
N' = Jumlah pengamatan yang seharusnya dilakukan
N = Jumlah pengamatan yang dilakukan
k = Indeks yang nilainya tergantung dari tingkat kepercayaan (convidence level )
s = Derajat ketelitian (degree of accuracy)
x = Data hasil pengamatan
Berdasarkan data yang telah diambil dapat dilakukan perhitungan sebagai berikut
N'= 20,0546x163302- 732563573256352
= 5,55 dibulatkan menjadi = 6
Karena nilai N N' maka dapat disimpulkan bahwa data yang diambil telah cukup dan telah mewakili populasi.

Uji Independensi Data
Uji independensi dilakukan untuk mengetahui apakah data yang diambil tidak bergantung kepada variabel lain. Data yang diuji keindependensiannya adalah data yang telah diuji keseragamannya. 46 data tersebut dimasukkan ke dalam scatter diagram untuk mengetahui ada atau tidaknya pola terhadap data tersebut sehingga didapatkan grafik sebagai berikut

Gambar 4.4 Pola data waktu pengupasan
Berdasarkan scatter diagram di atas diketahui bahwa data tidak membentuk pola tertentu sehingga data dinyatakan independen.

Penentuan Parameter Distribusi dengan Input Analyzer
Penentuan bilangan acak menggunakan software ARENA dengan media Input Analyzer memiliki langkah-langkah sebagai berikut.
Buka program ARENA
Pilih Menu Tools – Input Analyzer
Masukkan data waktu dalam Data Table. Setelah muncul lembar kerja, klik File > data File > Use Existing > Pilih lokasi dan nama file.
Kemudian akan muncul suatu grafik, klik Fit > Fit All
Untuk memindahkan espression, blok nilai expression, klik Edit dan pilih copy expressions
Pindahkan nilai expression ke modul Arena yang sesuai.
Berikut tabel distribusi waktu masing-masing proses pada sistem.
Tabel 4.2 Distribusi Waktu Proses
No.
Proses
Distribusi
1
Pengupasan
NORM(57.6, 11.6) detik
2
Pembersihan
TRIA(6.5, 8.38, 10.5) detik
3
Perajangan
TRIA(1.45, 1.79, 2) menit
4
Pendinginan
Constant 24 jam
5
Penggorengan
Constant 2 jam
6
Penirisan
20 menit
7
Packaging
8 menit
8
Waktu tempuh pendinginan ke penggorengan
TRIA(9.5, 10.2, 12.5) detik
9
Waktu tempuh penggorengan ke packaging
TRIA(11.5, 13.6, 15.5) detik

Penentuan Parameter Distribusi Pembangkitan Bilangan Acak
Penentuan distribusi menggunakan Microsoft Excel, dengan cara membangkitkan bilangan acak berdasarkan parameter pada masing-masing distribusi, dengan menggunakan Tool Random Generation Number pada Microsoft Excel dengan langkah-langkah sebagai berikut.
Buka program Microsoft Excel
Aktifkan Data Analysis pada Microsoft Excel

Gambar 4.5 Data Analysis

Masukkan data pada lembar kerja Microsoft Excel
Hitung parameter yang dibutuhkan pada distribusi yang ingin dibangkitkan, sehingga pada Microsoft Excel juga dilakukan pembangkitan bilangan yang berdistribusi normal, yakni parameter rata-rata dan standar deiviasi. Pada CV. Agrindo Cipta Mandiri yang akan dibangkitkan datanya menggunakan Data Analysis adalah data waktu pada proses pengupasan dengan rata-rata= 59. dan standar deviasi= 9,48544.
Ketikkan banyaknya variabel yang ingin dimunculkan dan banyaknya data pada variabel tersebut sesuai data yang telah seragam dan independent. Pada CV. Agrindo Cipta Mandiri proses penguapan memiliki data sebanyak 46 pada hasil input analyzer diketahui bahwa proses pengupasan berdistribusi normal.

Gambar 4.6 Pengujian distribusi dan parameter

Kemudian akan muncul bilangan berdasarkan distribusi dan parameter yang telah diatur sebelumnya.
Pada tabel 4.3 akan ditampilkan data hasil pengamatan dan data hasil pembangkitan bilangan.

Tabel 4.3 Data Hasil Pengamatan dan Data Hasil Pembangkitan Bilangan
No.
Data Asli
Data Generate
No.
Data Asli
Data Generate
No.
Data Asli
Data Generate
1
41
30,71876
17
55
55,13671
33
64
61,55388
2
42
30,71876
18
56
55,81249
34
66
62,24131
3
44
38,41953
19
57
55,87997
35
66
65,10725
4
44
40,67781
20
58
56,18479
36
66
65,51377
5
44
43,01075
21
58
56,48071
37
66
65,52296
6
45
45,63055
22
59
56,4965
38
67
68,026
7
46
49,39337
23
59
56,77048
39
68
68,51019
8
46
51,29833
24
60
57,26447
40
68
69,14821
9
51
52,40238
25
60
57,87082
41
72
69,29606
10
51
52,69229
26
60
58,27768
42
72
71,149
11
53
52,73387
27
61
58,59244
43
73
73,10659
12
53
53,5626
28
61
59,41627
44
73
76,59114
13
54
53,95066
29
62
60,6817
45
74
77,03983
14
55
53,95985
30
62
60,76726
46
79
77,63682
15
55
54,22696
31
63
61,25191

16
55
54,9904
32
64
61,37975

Pengujian Distribusi
Pengujian distribusi dilakukan untuk mengetahui kesesuaian antara hasil penentuan parameter menggunakan input analyzer dan menggunakan Microsoft Excel/ berikut adalah langkah-langkahnya:
Buka program Microsoft Excel
Urutkan data hasil pengamatan mulai yang terkecil hingga yang terbesar
Urutkan data hasil pembangkitan bilangan manual mulai yang terkecil hingga yang terbesar
Tentukan nilai tertinggi dan nilai terendah dari kedua data tersebut
Hitung range dari kedua data tersebut, contoh perhitungannya adalah sebagai berikut.
Nilai terendah = 41
Nilai tertinggi = 79
R = 79 – 41
= 38
Hitung banyak kelas yang ada pada distribusi data tersebut. Berikut adalah contoh perhitungannya.
K = 1 + 3,3 log (n)
= 1 + 3,3 log (46)
= 1 + 5,487
= 6,487
Dibulatkan menjadi 7 kelas sehingga terdapat 7 kelas data pada distribusi data tersebut.
Hitung range pada masing-masing kelas, berikut adalah contoh perhitungannya
r = Rk
= 387
= 5,428571
Sehingga range tiap kelas adalah sebesar 5,428571
Hitung batas atas dan batas bawah untuk masing-masing kelas, berikut adalah contoh perhitungan untuk kelas pertama
Batas bawah (BB) = nilai terkecil pada keseluruhan data = 41
Batas atas (BA) = BB + r
= 41 + 5,428571
Hitung frekuensi relatif 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.
FR = 8
FC = FRn + FRn+1
= FR2 + FR1
= 2 + 8
= 10
Hitung nilai PR dan PC pada masing-masing kelas pada data hasil pengamatan dan data hasil pembangkitan bilangan, berikut adalah contoh perhitungan untuk kelas ketiga data hasil pengamatan.
PR = FRn
= 846
= 0,17
PC = FCn
= 1046
= 0,22
Berikut merupakan tabel hasil perhitungan frekuensi dan probabilitas pada masing-masing data.
Tabel 4.4 Hasil Perhitungan Frekuensi dan Probabilitas
Kelas
BB
BA
Distribusi Data Asli
Distribusi Data Generate

FR
FC
PR
PC
FR
FC
PR
PC
1
41
46,42857
8
8
0,17
0,17
6
6
0,13
0,13
2
46,42857
51,85714
2
10
0,04
0,22
2
8
0,04
0,17
3
51,85714
57,28571
9
19
0,20
0,41
16
24
0,35
0,52
4
57,28571
62,71429
12
31
0,26
0,67
10
34
0,22
0,74
5
62,71429
68,14286
9
40
0,20
0,87
4
38
0,09
0,83
6
68,14286
73,57143
4
44
0,09
0,96
5
43
0,11
0,93
7
73,57143
79
2
46
0,04
1,00
3
46
0,07
1,00

Lakukan perhitungan square error dengan cara menghitung selisih nilai PC data hasil pengamatan dan PC data hasil pembangkitan bilangan. Berikut adalah contoh perhitungan squar error untuk data pada kelas 3.
Square error = (PC data asli – PC data generate)^2
= (0,41 – 0,52)^2
= 0,0118
Lakukan perhitungan nilai X, dengan membagi nilai square error dengan PC data generate. Berikut adalah contoh perhitungan untuk data pada kelas 3.
X = 0,01180,52
= 0,02264
Jumlahkan nilai X untuk memperoleh nilai chi square hitung, berikut adalah perhitungannya.
Chi square hitung = 0,01449 + 0,01087 + 0,02264 + 0,00575 + 0,00229 + 0,00051 + 0
= 0,085052
Pada tabel 4.5 akan ditampilkan hasil perhitungan dari langkah 11 hingga ke 13.

Tabel 4.5 Hasil Perhitungan Square Error, Nilai X, dan Chi Square Hitung
Kelas
PC asli
PC teori
Sqr error
X
1
0,17
0,13
0,0019
0,01449
2
0,22
0,17
0,0019
0,01087
3
0,41
0,52
0,0118
0,02264
4
0,67
0,74
0,0043
0,00575
5
0,87
0,83
0,0019
0,00229
6
0,96
0,93
0,0005
0,00051
7
1,00
1,00
0,0000
0,00000
Jumlah
0,05656

Hipotesis
H0 = Data berdistribusi normal
H1 = data tidak berdistribusi normal
Syarat :
H0 diterima jika nilai chi square hitung nilai chi square tabel. Dengan nilai tabel chi square yang digunakan adalah nilai tabel dengan nilai α = 0,05.
Df = k – (p+1)
= 7 – (2+1)
= 4
Diketahui bahwa nilai tabel untuk 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 dan sesuai dengan jenis distribusi yang diperoleh pada input analyzer.

Model Konseptual
Model konseptual merupakan model yang digunakan untuk menggambarkan urutan proses yang akan dilakukan, antara lain dengan menggunakan flowchart sistem dan ACD (Activity Cycle Diagram).

Flowchart Sistem
Berikut ini merupakan flowchart dari sistem pembuatan keripik apel di CV Agrindo Cipta Mandiri.

Gambar 4.7 Flowchart system

Activity Cycle Diagram (ACD)
Berikut ini adalah activity cycle diagram pembuatan keripik apel di CV Agrindo Cipta Mandiri.

Gambar 4.8 Activity cycle diagram

Pembuatan Model Sistem
Dalam pembuatan model sistem pembuatan keripik apel CV Agrindo Cipta Mandiri langkah-langkah yang perlu dilakukan antara lain:
Membuat dan menyusun modul-modul pada lembar kerja seperti pada Gambar 4.9.

Gambar 4.9 Tampilan awal modul sistem pada Arena

Mendefinisikan setiap modul yang telah dibuat dengan memasukkan pendefinisian dan informasi sebagai berikut:
Modul Create
Pada modul create dilakukan pendefinisian seperti pada tabel 4.6.

Tabel 4.6 Daftar Pendefinisian Modul Create
Nama modul
Name
Entity type
Type
Value
Unit
Entities per Arrival
Create 1
Kedatangan Apel
Apel Segar
Random (expo)
10
Minutes
5
Create 2
Kedatangan Alumunium Foil
Alumunium Foil
Random (expo)
10
Minutes
10

Tampilan pendefinisian modul create dapat dilihat pada Gambar 4.10.

Gambar 4.10 Pendeskripsian Model Create

Modul Station
Pada modul station dilakukan pendefinisian seperti pada Tabel 4.7.
Tabel 4.7 Daftar Pendefinisian Modul Station
Nama modul
Name
Station Type
Station Name
Station 1
Station Awal
Station
Station Awal
Station 2
Station Pendinginan
Station
Station Pendinginan
Station 3
Station Penggorengan
Station
Station Penggorengan
Station 4
Station Packaging
Station
Station Packaging

Tampilan pendefinisian modul station dapat dilihat pada Gambar 4.11.

Gambar 4.11 Pendeskripsian model station

Modul Separate
Pada modul separate dilakukan pendefinisian seperti pada Tabel 4.8.

Tabel 4.8 Daftar Pendefinisian Modul Separate
Nama modul
Name
Type
Cost to Duplicate
# of Duplicate
Separate 1
Separate Apel Rajang
Split Existing Batch
50
1
Separate 2
Separate Apel hasil Goreng
50
1
Separate 3
Separate Apel goreng
50
1
Separate 4
Dipisah per gram
Duplicate Original
50
999

Tampilan pendefinisian modul separate dapat dilihat pada Gambar 4.12.

Gambar 4.12 Pendeskripsian model separate

Modul Route
Pada modul route dilakukan pendefinisian seperti pada Tabel 4.9.
Tabel 4.9 Daftar Pendefinisian Modul Route
Nama modul
Name
Route Time
Units
Destination Type
Station Name
Route 1
Angkut ke Stasiun Penggorengan
TRIA(9.5, 10.2, 12.5)
Seconds
Station
Stasion penggorengan
Route 2
Angkut ke Stasiun Packaging
TRIA(11.5, 13.6, 15.5)
Seconds
Station
Station packaging

Tampilan pendefinisian modul route dapat dilihat pada Gambar 4.13.

Gambar 4.13 Pendeskripsian model route

Modul Match
Pada modul match dilakukan pendefinisian seperti pada Tabel 4.10.
Tabel 4.10 Daftar Pendefinisian Modul Match
Name
Match
Number to Match
Type
Match 1
Match Apel dan alumunium foil
2
Any Entities
Tampilan pendefinisian modul match dapat dilihat pada Gambar 4.14.

Gambar 4.14 Pendeskripsian model match

Modul Batch
Pada modul batch dilakukan pendefinisian seperti pada Tabel 4.11.
Tabel 4.11 Daftar Pendefinisian Modul Batch
Nama modul
Name
Type
Batch Size
Save Criterion
Rule
Batch 1
Dikumpulkan per 20 kg
Temporary
20
Last
Any Entity
Batch 2
Dikumpulkan per 15 kg
Temporary
15
Last
Any Entity
Batch 3
Dikumpulkan Per 5 kg
Temporary
5
Last
Any Entity
Batch 4
Dikumpulkan per 100 gram
Permanent
100
Last
Any Entity
Batch 5
Batch Apel dan Alumunium Foil
Permanent
2
Last
Any Entity

Tampilan pendefinisian modul batch dapat dilihat pada Gambar 4.15.

Gambar 4.15 Pendeskripsian model batch

Modul Process
Pada modul process dilakukan pendefinisian seperti pada Tabel 4.12.
Tabel 4.12 Daftar Pendefinisian Modul Process
Name
Action
Resources
Delay type
Units
value
Expression
Pengupasan
Seize Delay Release
1 rows
Expression
Seconds
1
TRIA(29.5, 61.9, 81.5)
Pembersihan
Seize Delay Release
1 rows
Expression
Seconds
1
TRIA(6.5, 8.38, 10.5)
Perajangan
Seize Delay Release
1 rows
Expression
Minutes
1
TRIA(1.45, 1.79, 2)
Pendinginan
Seize Delay Release
1 rows
Constant
Hours
24
1
Penggorengan
Delay
1 rows
Constant
Hours
2
1
Penirisan
Seize Delay Release
1 rows
Constant
Minutes
20
1
Packaging
Seize Delay Release
1 rows
Constant
Minutes
8
1

Tampilan pendefinisian modul process dapat dilihat pada Gambar 4.16.

Gambar 4.16 Pendeskripsian model process

Modul Signal
Pada modul Signal dilakukan pendefinisian seperti pada Tabel 4.13.
Tabel 4.13 Daftar Pendefinisian Modul Signal
Name
Signal Value
Limit
Signal Apel siap kemas
1
1

Tampilan pendefinisian modul signal dapat dilihat pada Gambar 4.17.

Gambar 4.17 Pendeskripsian model signal

Modul Hold
Pada modul hold dilakukan pendefinisian seperti pada Tabel 4.14.
Tabel 4.14 Daftar Pendefinisian Modul Hold
Name
Type
Wait for Value
Limit
Queue Type
Queue Name
Hold Alumunium Foil
Wait for Signal
1
1
Queue
Queue Alumunium Foil.Queue

Tampilan pendefinisian modul hold dapat dilihat pada Gambar 4.18.

Gambar 4.18 Pendeskripsian model hold

Modul Request
Pada modul request dilakukan pendefinisian seperti pada Tabel 4.15.
Tabel 4.15 Daftar Pendefinisian Modul Request
Name
Transporter Name
Selection Rule
Priority
Velocity
Units
Queue Type
Queue Name
Request 4
Transporter 1
Cyclical
High(1)
5
Per Minute
Queue
Request 4.Queue

Tampilan pendefinisian modul request dapat dilihat pada Gambar 4.19.

Gambar 4.19 Pendeskripsian model request

Modul Transport
Pada modul transport dilakukan pendefinisian seperti pada Tabel 4.16.
Tabel 4.16 Daftar Pendefinisian Modul Transport
Name
Transporter Name
Destination Type
Station Name
Velocity
Units
Transport 4
Transporter 1
Station
Stasiun Pendinginan
5
Per Minute

Tampilan pendefinisian modul transport dapat dilihat pada Gambar 4.20.

Gambar 4.20 Pendeskripsian model transport

Modul Free
Pada modul free dilakukan pendefinisian seperti pada Tabel 4.17
Tabel 4.17 Daftar Pendefinisian Modul Free
Name
Transporter Name
Destination Type
Station Name
Velocity
Units
Transport 4
Transporter 1
Station
Stasiun Pendinginan
5
Per Minute

Tampilan pendefinisian modul free dapat dilihat pada Gambar 4.21

Gambar 4.21 Pendeskripsian model free

Modul Dispose
Pada modul Dispose dilakukan pendefinisian seperti pada Tabel 4.18
Tabel 4.18 Daftar Pendefinisian Modul Dispose
Nama Modul
Name
Dispose 1
Ke gudang

Tampilan pendefinisian modul Dispose dapat dilihat pada Gambar 4.22

Gambar 4.22 Pendeskripsian model dispose

Mendefinisikan setup waktu sistem dengan cara Run – Setup, kemudian mendefinisikan number of replication 5 kali, replication length 7 days dengan time unit days, dan hours per day 24 ours.

Perhitungan Jumlah Replikasi
Untuk mengurangi variansi maka simulasi harus dilakukan sebanyak n kali replikasi. Untuk mendapatkan nilai n maka perlu dilakukan replikasi awan n0 yaitu sebanyak 5 kali replikasi. Hasil dari 5 replikasi tersebut terdapat dalam tabel 4.19. Selanjutnya untuk mendapatkan nilain n' (n replikasi yang dibutuhkan) maka dilakukan perhitungan sebagai berikut.
n = 5 (replikasi awal)
n-1 = 4
α = 0,05
tn-1;α/2 = t4;0,025 = 2,776
Tabel 4.19 Jumlah Replikasi
Replikasi
Number Out Simulasi
1
998
2
999
3
999
4
999
5
997
Standar Deviasi
0,894427
Rata-rata
998,4

Nilai half width dihitung dengan rumus :

Hw = 2,776x0,8944275
= 2,4832,236
= 1,11
Dari perhitungan di atas didapat nilai half width sebesar 1,11 atau jika dihitung presentase error terhadap rata-rata dari data adalah sebesar
= 1,11998,4 x 100%
= 0,11 %
Karena nilai error tersebut lebih kecil dari error yang ditentukan di awal, yakni 5% maka nilai replikasi tersebut dinyatakan telah cukup.

4.9 Verifikasi Model
Verifikasi dilakukan dengan tiga cara, yakni:
Ketika seluruh model Arena telah selesai dibuat, dilakukan pengecekan satuan waktu yang ada pada masing-masig modul, agar sesuai dengan satuan waktu pada sistem nyata.
Menekan F4 ketika Jendela Arena masih aktif untuk mengecek ada atau tidaknya error pada sistem pemodelan tersebut.
Mencocokkan modul yang ada pada Arena dengan ACD sistem produksi Kripik Apel yang telah dibuat sebelumnya.

Pada ACD dijelaskan bahwa antrian terjadi pada saat proses pengupasan, pemberihan, pemotongan, pendinginan, penggorengan, penirisan, pengemasan dan pada proses batch/pengelompokan apel.

Simulasi arena menunjukkan sistem nyata dari awal entitas memasuki sistem sampai entitas keluar sistem. Antrian terjadi pada saat proses pengupasan, pembersihan, pemotongan, pendinginan, penggorengan, penirisan, pengemasan, dan pada proses batch/pengelompokan entitas apel. Hal ini sama dengan yang terjadi pada sistem nyata. Maka dari itu, model atau program ini sudah terverifikasi karena apa yang tergambar pada Arena sudah sesuai dengan keadaan sistem nyata. Berikut adalah gambaran model pada Arena.

Gambar 4.23 Verifikasi model arena

Berikut adalah gambaran model pada ACD.

Gambar 4.24 Verifikasi model ACD

4.10 Validasi Model
Validasi model simulasi sistem produksi kripik apel pada megeproject ini dilakukan dengan metode statistik yang menggunakan software SPSS.

4.10.1 Validasi Model dengan SPSS
Proses validasi model simulasi pembuatan kripik apel pada megaproject kali ini akan dilakukan dengan dua validasi, yaitu validasi number out dan validasi waiting time. Berikut adalah langkah-langkah pengujian validasi model simulasi pembuatan kripik apel.
Buka program yang telah dibuat pada Arena
Run program dan pilih tampilkan hasil di akhir simulasi program.
Setelah muncul Reprt Selection, pilih Category Replication.

Gambar 4.25 Tampilan per replikasi

Bandingkan jumlah output dan waktu antri simulasi dengan aktual dari 5 replikasi. Berikut adalah data dari 5 replikasi.
Tabel 4.20 Data Number Out dan Waiting Time
Replikasi
Number Out
Waiting time Pendinginan

Aktual
Simulasi
Aktual
Simulasi
1
1000
998
70
70,0936
2
970
999
72
70,0201
3
990
999
69,5
70,6054
4
1000
999
67
69,6313
5
980
997
70
70,3992
Selanjutnya dilakukan pengujian data yang terdapat pada tabel 4.20 dengan menggunakan software SPSS. Pengujian tersebut diawali dengan pengujian kenormalan data. Langkah-langkah uji kenormalan pada software SPSS adalah sebagai berikut.
Membuka SPSS dan membuat file baru
Klik Variable View, kemudian mengisi nama variabel dengan Group, Waiting, dan Output.
Isikan data ke dalam Data View.
Klik analyze > Descriptive Statistic > Explore. Masukkan output dan waiting ke dalam Dependent List, klik Plots centang Normality Plots with test. Klik continue lalu klik OK.

Gambar 4.26 Langkah pengujian SPSS uji kenormalan

Akan muncul tabel output uji kenormalan
Tabel 4.21 Output Uji Kenormalan Data
Tests of Normality

Kolmogorov-Smirnova
Shapiro-Wilk

Statistic
df
Sig.
Statistic
df
Sig.
Output
,344
10
,001
,709
10
,001
Waiting
,266
10
,043
,838
10
,042
a. Lilliefors Significance Correction

H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
H0 diterima jika nilai Asymp. Sig. (2-tailed) α/2, dan H0 ditolak jika nilai Asymp. Sig. (2-tailed) < α/2.
Dari tabel 4.21 yang menyajikan output uji kenormalan untuk data number out dan waiting time dapat dilihat bahwa
Number Out
Nilai Asymp. Sig. (2-tailed) = 0,001/2 = 0,0005 < α/2 (0,025), maka H0 ditolak. Sehingga dapat disimpulkan bahwa untuk data number out tidak berdistribusi normal.
Waiting Time Pendinginan
Nilai Asymp. Sig. (2-tailed) = 0,043/2 = 0,0215 < α/2 (0,025), maka H0 ditolak. Sehingga dapat disimpulkan bahwa untuk data waiting time tidak berdistribusi normal.
Pengujian tersebut dapat dilakukan dengan menggunakan software SPSS yang mengacu pada hasil uji kenormalan data. Dimana jika data tidak berdistribusi normal menggunakan uji nonparametrik yaitu uji Mann-Whitnry, sedangkan jika data berdistribusi normal menggunakan uji parametrik yaitu independent sample t-test. Berdasarkan uji kenormalan data, maka pengujian validitas, baik untuk data number out dan waiting time menggunakan uji Mann-Whitney. Berikut adalah langkah-langkahnya.
Buka software SPSS dan membuat file baru.
Klik Variable View, kemudian mengisi kolom nama variabel "Group", "Output" untuk pengujian number out, DAN "Waiting" untuk pengujian waiting time.
Klik Data View, kemudian inputkan data. Pada kolom Group data terdiri dari dua jenis, yaitu 1 untuk data aktual dan 2 untuk data simulasi.
Klik Analyze > non-parametric test > 2-Independents Samples.
Setelah itu akan muncul kotak dialog Two-Independent > Samples Test. Masukkan variabel Output/Waiting pada Test Variable List. Masukkan Group pada Grouping Variable. Klik Define Group, masukkan 1 untuk group 1 dan 2 untuk group 2 klik Continue.
Pilih Mann-Whitney U pada test type.
Klik Option, kemudian centang descriptive dan pilih Exclude Cases Test-by-Test, lalu klik Continue dan OK.

Gambar 4.27 Langkah-langkah uji Mann-Whitney

Akan muncul output seperti yang disajikan pada tabel 4.22 untuk number out, dan tabel 4.22 untuk waiting time.

Tabel 4.22 Output Uji Mann-Whitney data Number Out
Test Statisticsa

Output
Mann-Whitney U
10,000
Wilcoxon W
25,000
Z
-,530
Asymp. Sig. (2-tailed)
,596
Exact Sig. [2*(1-tailed Sig.)]
,690b
a. Grouping Variable: Group
b. Not corrected for ties.

Tabel 4.23 Output Uji Mann-Whitney data Waiting Time
Test Statisticsa

Waiting
Mann-Whitney U
7,000
Wilcoxon W
22,000
Z
-1,152
Asymp. Sig. (2-tailed)
,249
Exact Sig. [2*(1-tailed Sig.)]
,310b
a. Grouping Variable: Group
b. Not corrected for ties.

H0 : tidak terdapat perbedaan antara data simulasi dengan data aktual (valid)
H1 : terdapat perbedaan antara data simulasi dengan data aktual (tidak valid)
H0 diterima jika nilai Asymp. Sig. (2-tailed) α/2, dan H0 ditolak jika nilai Asymp. Sig. (2-tailed) < α/2.
Kesimpulan
Data Number Out
Dari tabel 4.22, dapat dilihat bahwa nilai Assymp. Sig. (2-tailed) = 0,596 > α/2 (0,025), maka H0 diterima. Sehingga dapat dismpulkan bahwa untuk number out tidak ada perbedaan antara data simulasi dengan data aktual (valid).
Data Waiting Time Pendinginan
Dari tabel 4.23, dapat dilihat bahwa nilai Assymp. Sig. (2-tailed) = 0,249 > α/2 (0,025), maka H0 diterima. Sehingga dapat dismpulkan bahwa untuk waiting time tidak ada perbedaan antara data simulasi dengan data aktual (valid).

4.11 Analisis Hasil Simulasi
Berikut adalah hasil dari simulasi sistem pembuatan produk kripik apel pada CV Agrindo Cipta Mandiri yaitu :
Tabel 4.24 Analisis Number In
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
1.
Number In
Aluminium Foil
11.230
10.730
11.440
10.740
11.550

Apel Segar
126.425
126.440
126.530
126.235
126.409
Number in
Pada kelima replikasi, number in untuk keseluruhan proses dari aluminium foil dan apel segar waktu kedatangan tidak ada yang sama di setiap replikasi. Hal ini terjadi karena waktu kedatangan dari tiap replikasinya tidak ada yang konstan sehingga tidak ada nilai yang sama. Pada proses apel segar nilai terbesar terletak pada replikasi ke-3 , yaitu sebesar 126.540. Untuk proses Aluminium Foil nilai terbesar terletak pada replikasi ke-5, yaitu sejumlah 11.550.
Tabel. 4.25 Analisis Number Out
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
2.
Number Out
Aluminium Foil
1.996
1.998
1.998
1.998
1.994

Apel Segar
100.836
100.937
100.937
100.937
100.735

Number Out
Untuk number out, Aluminium Foil yang keluar dari sistem memiliki nilai yang hampir sama, yaitu berkisar antara 1994 hingga 1998. Sedangkan pada apel segar nilai terbesar adalah pada replikasi ke-1,2,dan3 yaitu sebesar 100.937. Nilai yang keluar pada number out jumlahnya berbeda pada nilai pada number in. Hal ini menunjukkan bahwa terdapat entitas yang menunggu untuk diproses pada tiap replikasi.
Tabel. 4.26 Analisis WIP
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
3.
WIP
Aluminium Foil
9.236
8.732
9.422
8.742
9.562

Apel Segar
39.485
39.375
39.486
38.234
39.438

WIP
Pada WIP, nilai WIP dari keseluruhan proses dan keseluruhan replikasi menunjukkan waktu proses yang hampir sama. WIP yang terbesar terletak pada apel segar dengan nilai sebesar 39.485, hal ini terjadi karena proses pemotongan apel segar merupakan yang terbanyak yang masih ada di dalam sistem. Kejadian ini disebabkan oleh pemotongan apel segar dengan jumlah sangat banyak yang masih menggunakan tenaga manual. Sehingga menimbulkan waktu proses yang lama.
Tabel. 4.27 Analisis VA Time
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
4.
VA Time
Aluminium Foil
4,0958
4,0931
4,0931
4,0931
4,0983

VA Time
Pada VA Time, untuk keseluruhan proses memberikan waktu proses yang hampir sama yaitu berkisar antara 4,0931 hingga 4,0983 menit. Karena waktu proses aluminium foil ini hampir konstan sehingga tidak ada perbedaan yang significant. Pada VA, waktu terbesar terdapat pada replikasi ke-5 dengan lama waktu 4,0983 menit.
Tabel 4.28 Analisis Waiting Time
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
5
Waiting time
Batch Apel dan Aluminium Foil.Queue
0
0
0
0
0

Dikumpulkan per 100gr.Queue
0
0
0
0
0

Dikumpulkan per 15kg .Queue
6,0000
6,0000
6,0000
6,0000
6.0000

0,2751
0,2631
0,02621
0,2763
0.2776

0
0
0
0
0

Hold Aluminium Foil.Queue
85,0269
82,1949
84,2637
82,4388
82.5074

Match Apel dan Aluminium Foil.Queue1
0
0
0
0
0

0
0
0
0
0

Packaging.Queue
17,2959
17,2998
17,2998
17,2999
17.2922

Pembersihan.Queue
0,02337
0,02284
0,02465
0,02366
0.02213

Pendinginan.Queue
70,0936
70,0201
70,6054
69,6313
70,3992

Penggorengan.Queue
0,4999
0,4999
0,50000
0,5000
0,4999

Pengupasan.Queue
0,02141
0,02142
0,02444
0,02022
0,02137

Penirisan.Queue
0
0
0
0
0
Waiting Time
Pada Waiting Time, dapat dilihat bahwa waktu antri proses terbesar terletak pada proses Hold Aluminium yang mana nilai terbesar terletak pada replikasi ke-1 dengan waktu 84,0269 menit. Pada proses pengumpulan per 15kg nilai seluruh replikasi adalah sama yang berarti lamanya waktu yang dihabiskan entitas untuk masuk pada proses ini adalah konstan dengan waktu sebesar 6,0000 menit.
Pada tabel di atas, dapat dilihat bahwa waktu antri terbesar dari keseluruhan proses adalah ketika proses Hold Aluminium karena proses sebelumnya adalah proses pengumpulan per 5kg yang jauh lebih singkat waktunya dari pada waktu prosses Hold Aluminium, akibatnya lembaran aluminium menumpuk dan memiliki waktu tunggu yang jauh lebih lama.
Tabel 4.29 Analisis Number Waiting
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
6.
Number
Waiting
Batch Apel dan Aluminium Foil.Queue
0
0
0
0
0

Dikumpulkan per 100gr.Queue
0
0
0
0
0

4,2857
4,2857
4,2857
4,2857
4,2857

8,2846
7,9404
8,0514
8,0130
8,3281

0
0
0
0
0

Hold Aluminium Foil.Queue
4.568,8
4.190,4
4.604,9
4.287,74
4.622,37

0
0
0
0
0

0
0
0
0
0

Packaging.Queue
126,35
126,55
126,53
126,53
126,25

Pembersihan.Queue
0,7040
0,6901
0,7573
0,6867
0,6648

Pendinginan.Queue
123,08
121,69
127,93
115,63
122,18

Penggorengan.Queue
0,0238
0,0238
0,0238
0,0238
0,0238

Pengupasan.Queue
0,6450
0,6472
0,7508
0,5872
0,6420

Penirisan.Queue
0
0
0
0
0

Number Waiting
Menunjukkan banyaknya jumlah output yang menunggu di tiap menitnya. Antrian yang memiliki waktu tunggu yang paling lama adalah proses packaging karena prosesnya membutuhkan waktu yang cukup lama. Number waiting pada proses packaging yang terbesar terletak pada replikasi ke-2 yaitu sebesar 126,55 dikarenakan waktu proses pada stasiun sebelumnya memiliki perbedaan yang signifikan dengan waktu proses packaging.
Tabel. 4.30 Analisis Utilization
No.
Faktor
Deskripsi
Replikasi

1
2
3
4
5
7
Utilization
Mesin Continous Sealer
0,7925
0,7935
0,7934
0,7934
0,7920

Mesin Freezer
0,9969
0,9979
0,9978
0,9978
0,9964

Mesin Spinner
0,0158
0,0158
0,0158
0,0158
0,0158

Mesin Vacum Frying
0,0952
0,0952
0,0952
0,0952
0,0952

Resource 1
0,4784
0,4762
0,4844
0,4609
0,4750

Resource 2
0,4766
0,4796
0,4877
0,4592
0,4728

Resource 3
0,4778
0,4786
0,4851
0,4591
0,4772

Utilization
Pada faktor Utilization, dapat diketahui bahwa utilisasi pada sebgaian besar mesin memiliki tingkat utilisasi yang dikatakan baik karena tidak mendekati 1. Namun hanya saja pada mesin Freezer mendekati 1 yang memiliki tingkat utilitas sebesar 0,9964 – 0,9979 yang berarti mesin Freezer bekerja terlalu banyak dan maksimal sehingga dikhawatirkan mesin tersebut akan down di tengah-tengah aktivitas yang nantinya dapat menghambat proses keseluruhan produksi. Sehingga perlu adanya penambahan mesin Freezer agar proses produksi berjalan dengan baik.

4.12 Rancangan Perbaikan Sistem
Rancangan perbaikan sistem pada pembuatan keripik apel di CV. Agrindo Cipta Mandiri dapat dilakukan dengan process analyzer. Pada process analyzer, akan ada beberapa skenario yang menyajikan alternatif-alternatif perbaikan yang nantinya dipilih skenario yang memberikan alternatif terbaik untuk sistem.

4.12.1 Rancangan Skenario dengan Process Analyzer
Berikut ini merupakan langkah-langkah penggunaan process analyzer untuk pembuatan kripik apel.
Membuka software Arena
Setelah program terbuka, lalu klik Tools > klik process analyzer
Membuat proyek baru dengan cara mengklik file > New. Kemudian akan muncul tampilan seperti pada gambar 4.28

Gambar 4.28 Process Analyzer
Menambahkan skenario
Klik dua kali pada daerah yang ditunjuk (double-click here to add a new scenario), kemudian kotak dialog scenario properties akan tampil. Pada program file, pilih model yang akan diskenariokan dengan cara klik browse > pilih Kripik apel.p > klik OK. Jika ingin menambahkan skenario lagi, ulangi langkah yang sama.
Menambahkan control
Klik menu insert > klik control > muncul kotak dialog. Kemudian memilih resources mesin continuous sealer, mesin freezer, dan resourse 1. Ketiga jenis resource ini dipilih karena ketiga jenis resource ini dinilai menyebabkan terjadinya WIP dengan nilai yang cukup tinggi.

Gambar 4.29 Skenario

Menambahkan response
Menambahkan response dari menu insert > response, kemudian akan muncul kotak dialog dan memilih response yang diinginkan dari beberapa skenario. Response yang dipilih yaitu : number out, WIP Apel segar, WIP Alumunium Foil, waiting time Pendinginan, utilitas mesin continuous sealer, dan utilitas mesin freezer.
Menjalankan skenario
Mengeblok keseluruhan scenario > klik Run > Go. Skenario akan berjalan sebanyak 5 replikasi. Skenario yang memiliki status dengan lambang bendera merupakan skenario yang sudah selesai dijalankan.
Review The Result
Setelah keseluruhan skenario dijalankan, akan muncul output dari masing-masing skenario. Pada gambar 4.30 adalah output dari keseluruhan skenario.

Gambar 4.30 Output keseluruhan scenario

4.12.1.1 Analisis dan Pembahasan Hasil Skenario
a. Analisis WIP Apel Segar

Gambar 4.31 WIP Apel Segar

Pada gambar 4.31 diketahui bahwa scenario paling baik untuk WIP apel segar adalah scenario ke-3 karena pada scenario tersebut memiliki nilai utilisasi paling rendah jika dibandingkan dengan nilai scenario yang lain

b. WIP Aluminium Foil

Gambar 4.32 WIP Aluminium Foil

Pada gambar 4.32 diketahui bahwa scenario paling baik untuk WIP Aluminium Foil adalah scenario ke-3 karena pada scenario tersebut memiliki nilai utilisasi paling rendah jika dibandingkan dengan nilai scenario yang lain

c. Utilisasi Mesin Continous Sealer

Gambar 4.33 Utilisasi Mesin Continous Sealer

Pada gambar diatas dapat diketahui bahwa utilisasi terbaik ada pada scenario ke-4 karena memiliki nilai yang paling rendah.

d. Number Out System

Gambar 4.34 Number Out System

Pada gambar 4.34 dapat dilihat bahwa Number Out untuk scenario 3 dan 4 adalah yang terbesar dan memiliki nilai yang sama yaitu sebanyak 2400.

e. Waiting Time Pendinginan

Gambar 4.35 Waiting Time Pendinginan

Pada gambar 4.35 dapat diketahui bahwa scenario paling baik untuk Waiting Time Pendinginan adalah scenario ke 5 karena pada scenario tersebut nilainya paling rendah.

f. Utilisasi Mesin Freezer

Gambar 4.36 Utilisasi Mesin Freezer

Pada gambar 4.36 dapat dilihat bahwa utilisasi mesin freezer memiliki kisaran nilai yang hampir sama.
Berdasarkan hasil yang didapatkan pada process analyzer, dapat dibuat analisa untuk masing-masing scenario sebagai berikut :
Skenario 1
Pada scenario satu jumlah Continous Machine, Mesin Freezer, dan Resource adalah berjumlah 1. Dengan penggunaan 1 unit Continous Machine memunculkan nilai utilisas sebesar 0,793 dan tergolong masih tinggi. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,997 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 1 resource menghasilkan nilai sebesar 15456,165.
Skenario 2
Pada scenario dua jumlah Continous Machine adalah 2 unit, Mesin Freezer sebanyak 3 unit, dan Resource yang berjumlah 2 orang. Dengan penggunaan 2 unit Continous Machine memunculkan nilai utilisas sebesar 0,840 dan tergolong tinggi. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,993 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 2 resource memunculkan nilai yang sangat tinggi yaitu sebesar 81855,973.
Skenario 3
Pada scenario ini digunakan Continous Machine dengan jumlah 3 unit, Mesin Freezer sebanyak 2 unit, dan Resource yang berjumlah 3 orang. Dengan penggunaan 3 unit Continous Machine memunculkan nilai utilisas sebesar 0,635 dan merupakan nilai terbaik dari penggunaan scenario yang lain. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,995 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 1 resource menghasilkan nilai sebesar 13349,693.
Scenario 4
Pada scenario keempat pengggunaan Continous Machine sebanyak 3 unit , Mesin Freezer sebanyak 2 unit, dan Resource adalah berjumlah 2 orang. Dengan penggunaan 3 unit Continous Machine memunculkan nilai utilisas sebesar 0,635 dan merupakan nilai terbaik dari penggunaan scenario yang lain. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,995 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 2 resource menghasilkan nilai sebesar 13367,136.
Scenario 5
Pada scenario terakhir pengggunaan Continous Machine sebanyak 2 unit , Mesin Freezer sebanyak 2 unit, dan Resource adalah berjumlah 3 orang. Dengan penggunaan 2 unit Continous Machine memunculkan nilai utilisas sebesar 0,841 dan tergolong masih tinggi. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,993 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 3 resource menghasilkan nilai sebesar 82000,319.

4.13 Pemilihan Skenario
Hasil eksperimen menunjukkan perbedaan hasil responses dari setiap skenario. Dari chart setiap responses, dapat diketahui bahwa skenario terbaik adalah skenario yang paling banyak menjadi best scenario pada setiap chart dari responses. Pada rancangan eksperimen yang dilakukan pada sistem pembuatan kripik apel, dapat diketahui bahwa skenario terbaik dari 5 skenario yang ada adalah skenario 3. Hal ini dikarenakan skenario 3 adalah skenario yang memberikan perubahan yang paling banyak daripada skenario lain.
Dari hasil dapat diketahui bahwa dalam skenario 3, jumlah WIP alumunium foil adalah yang terkecil yaitu 4162,751. Sedangkan untuk jumlah WIP Apel segar, hasil terkedil dimiliki skenario 3 yaitu 13349,693. Dan untuk waktu tunggu antrian di proses pendinginan pada skenario 3 sebesar 68,003. Selain itu, utilitas mesin comtinuous sealer adalah sebesar 0,635 dan utilitas mesin freezer adalah sebesar 0,995. Dan hasilnya, skenario 3 mampu menghasilkan number out sebesar 2400.
Oleh karena itu, dapat disimpulkan bahwa sistem pada skenario 3 lebih baik dari sistem pada skenario asli (original) sehingga hal ini dapat dijadikan rekomendasi untuk perbaikan sistem bagi CV. Agrindo Cipta Mandiri dalam pembuatan kripik apel 100 gram. Berikut ini merupakan perbandingan dari skenario original dengan skenario yang terbaik yaitu skenario 3.

BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Kesimpulan dari penelitian simulasi diatas adalah sebagai berikut :
Permasalahan yang terdapat pada sistem produksi keripik apel di CV Agrindo Cipta Mandiri yaitu kondisi proses pembuatan kripik apel menghasilkan WIP yang cukup tinggi dan waktu tunggu entitas yang lama pada proses pendinginan yang dikarenakan proses pendinginan membutuhkan waktu lama dengan menggunakan mesin freezer yang jumlahnya kurang mencukupi, karena tingkat utilitas mesin freezer sebesar 0,9964 – 0,9979 mendekati angka 1, yang berarti mesin freezer bekerja terlalu banyak dan maksimal sehingga dikhawatirkan mesin tersebut akan down di tengah-tengah aktivitas yang akan menghambat proses keseluruhan produksi.
Model sistem produksi pada CV Agrindo Cipta Mandiri dengan memakai Activities Cycle Diagram (ACD) dijelaskan pada point 4.7. Dengan memakai model sistem produksi ACD, pengamat dapat dengan mudah mengetahui hubungan interaksi antar elemen dengan perubahan secara diskrit terhadap waktu.
Model sistem produksi pada CV Agrindo Cipta Mandiri dengan memakai software Arena dan mensimulasikannya dijelaskan pada point 4.9. Dengan memakai software Arena dan mesimulasikan sistem produksi di CV Agrindo Cipta Mandiri, pengamat dapat mengetahui alur sistem, mengetahui apa yang dibutuhkan dan mengetahui apakah didalam sistem tersebut terdapat kekurangan dalam proses produksi pembuatan keripik apel.
Analisa akhir dari hasil simulasi yang memakai software Arena yaitu :
Number in untuk keseluruhan proses alumunium foil dan apel segar waktu kedatangan tidak ada yang sama di setiap replikasi, karena waktu kedatangan tiap replikasi tidak ada yang konstan sehingga tidak ada nilai yang sama.
Number out pada alumunium foil memiliki nilai yang hampir sama, berkisar antara 1.994 hingga 1.998. Nilai yang keluar jumlahnya berbeda dengan nilai number in. Hal ini menunjukkan bahwa terdapat entitas yang menunggu untuk diproses pada tiap replikasi.
Nilai WIP dari keseluruhan proses dan replikasi menunjukkan waktu proses yang hampir sama. WIP terbesar terletak pada apel segar, karena proses pemotongan apel segar merupakan yang terbanyak di dalam sistem. Disebabkan jumlah pemotongan apel segar sangat banyak dan masih menggunakan tenaga manual, sehingga membutuhkan waktu proses yang lama.
VA Time untuk keseluruhan proses memberikan waktu proses yang hampir sama. Karena waktu proses alumunium foil hampir konstan sehingga tidak ada perbedaan yang significant.
Waiting Time dapat dilihat bahwa waktu antri proses terbesar terletak pada proses Hold Aluminium karena proses sebelumnya adalah proses pengumpulan per 5kg yang jauh lebih singkat waktunya dari pada waktu prosses Hold Aluminium, akibatnya lembaran aluminium menumpuk dan memiliki waktu tunggu yang jauh lebih lama.
Number Waiting yang memiliki waktu tunggu yang paling lama adalah proses packaging karena prosesnya membutuhkan waktu yang cukup lama. Waktu proses pada stasiun sebelumnya memiliki perbedaan yang signifikan dengan waktu proses packaging.
Utilization pada sebgaian besar mesin memiliki tingkat utilisasi yang dikatakan baik karena tidak mendekati 1. Namun hanya saja pada mesin Freezer mendekati 1, yang berarti mesin Freezer bekerja terlalu banyak dan maksimal sehingga dikhawatirkan mesin tersebut akan down di tengah-tengah aktivitas yang nantinya dapat menghambat proses keseluruhan produksi.
Skenario perbaikan pada permasalahan yang muncul dalam sistem produksi dan analisisnya terdapat pada point 4.13. Skenario perbaikan yang terbaik dari 5 skenario adlah skenario 3. Hal ini dikarenakan skenario 3 adalah skenario yang memberikan perubahan yang paling banyak daripada skenario lain. Hasilnya diketahui bahwa dalam skenario 3, jumlah WIP alumunium foil adalah yang terkecil yaitu 4162,751. Sedangkan untuk jumlah WIP Apel segar, hasil terkecil dimiliki skenario 3 yaitu 13349,693. Dan untuk waktu tunggu antrian di proses pendinginan pada skenario 3 sebesar 68,003. Selain itu, utilitas mesin comtinuous sealer adalah sebesar 0,635 dan utilitas mesin freezer adalah sebesar 0,995. Dan hasilnya, skenario 3 mampu menghasilkan number out sebesar 2400. Sehingga dipilih skenario 3 untuk dijadikan rekomendasi perbaikan sistem CV. Agrindo Cipta Mandiri dalam pembuatan keripik apel 100 gram.

Saran
Sebaiknya sistem produksi di CV. Agrindo Cipta Mandiri dirubah mengikuti sistem yang sudah kami rekomendasikan, yaitu skenario 3 dengan menggunakan Continous Machine dengan jumlah 3unit, Mesin Freezer sebanyak 2unit, dan Resource yang berjumlah 3 orang. Dengan penggunaan 3 unit Continous Machine memunculkan nilai utilisasi sebesar 0,635 dan merupakan nilai terbaik dari penggunaan scenario yang lain. Sedangkan pada utilitas mesin Freezer adalah sebesar 0,995 dan tergolong sangat tinggi. Dan pada WIP pengupasan apel dengan penggunaan 1 resource menghasilkan nilai sebesar 13349,693. Karena dapat membantu produksi lebih cepat dan mesin tidak mudah mengalami kerusakan sehingga dapat menghemat biaya pengeluaran untuk perawatan dan perbaikan mesin dalam sistem produksi pembuatan keripik apel 100 gram.

Laporan fix (6 Juni 2014)

Recommend Documents