Post on 06-Feb-2018
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
Oleh
ARVIANO HARYANTO SAHAR
F34103128
2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja SistemAntrian Pada Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat). Di bawah bimbingan : MACHFUD.2007
RINGKASAN
Industri perikanan merupakan salah satu sektor industri yang menjadiprimadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauandengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakansalah satu negara pengekspor terbesar komoditas perikanan dunia. Dalam rangkamendukung peningkatan pertumbuhan ekonomi di sektor perikanan danpemenuhan tuntutan pasar ekspor, kajian ilmiah yang berorientasi padapeningkatan kinerja industri perikanan perlu dilakukan dengan berdasarkan ilmupengetahuan dan teknologi modern. PT. Global Tropical Seafood merupakansalah satu perusahaan yang bergerak di industri perikanan yang berorientasiekspor dengan salah satu produk unggulannya fillet ikan beku. Dalam kegiatanproduksinya perusahaan dihadapkan pada kondisi kedatangan bahan baku yangbersifat probalistik, tuntutan kualitas produk yang prima, serta kebutuhan akanefektivitas dan efisiensi sistem produksi.
Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuahpenilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerjasistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam halefisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakanbahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandaidengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanyapenolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitianini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.
Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialahteknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasiantrian dengan teknik simulasi monte carlo menggunakan bantuan paket programWinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkansimulasi model keseimbangan aliran bahan dilakukan secara manual. Ujidistribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrianyang digunakan sebagai input dalam melakukan simulasi menggunakan bantuanperangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metodegrafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluangnormal, weibull, triangular, poisson, gamma, uniform, laplace, logistik,eksponensial dan lognormal.
Hasil uji distribusi data menghasilkan sebaran peluang antara lain weibull,triangular, gamma dan lognormal untuk waktu antar kedatangan dan waktupelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistemantrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh liniproduksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem AntrianProduksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model.Model tersebut ialah model antrian yang mensimulasikan antrian sejak daristasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),
model keseimbangan aliran bahan pada stasiun freezing (Model B), model antrianyang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub modelpenerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan,Sub model penyisikan merupakan model simulasi antrian parsial pada stasiunpenyisikan, Sub model Filleting merupakan model simulasi antrian parsial padastasiun Filleting dan Sub model After Curing merupakan model simulasi antrianparsial pada stasiun After Curing. Pola antrian yang ada dalam SAPFIB ini ialahpola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel.Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dankg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).
Model antrian SAPFIB terdiri dari rangkaian komponen distribusikedatangan bahan dan distribusi kecepatan pelayanan operator dengan attributpendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruhkomponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi padasistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukansimulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan,kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historisselama penelitian. Asumsi pada simulasi sub model antrian ialah kedatanganbahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saatpuncaknya dalam sistem produksi.
Berdasarkan hasil simulasi model utama pada sistem nyata selama 25200detik (7 jam kerja) untuk Model A, 24 jam kerja untuk Model B dan 75600 detik(21 jam kerja) untuk Model C, ditemukan sejumlah bahan baku yang mengalamipenolakan bahan (balking) pada lini produksi fillet ikan beku di PT. GlobalTropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Padastasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packingdalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletakpada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensipenggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialahterdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utamaterletak pada rendahnya tingkat utilitas operator.
Pengembangan model antrian pada penelitian ini dilakukan dengan duapendekatan, yakni pengembangan model dengan merubah tingkat kedatanganbahan, serta pengembangan model dengan merubah komposisi unit pelayanan(operator). Asumsi yang digunakan dalam mengembangkan model ialah sistemantrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dankecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selamapenelitian.
Model alternatif terbaik hasil pengembangan dengan skenario perubahantingkat kedatangan dengan komposisi unit pelayanan tetap adalah tingkatkedatangan pada stasiun penerimaan dinaikkan sebesar 3 kali lipat darikedatangan historis selama penelitian (6482,47 kg/jam) dan pada stasiun aftercuring diturunkan sebesar 0,75 kali lipat dari kedatangan historis selama penelitan(129,44 kg/jam), pada stasiun freezing tingkat kedatangan bahan diturunkanmenjadi 18000 kg per hari dan pada stasiun Packing tingkat kedatangan diubahsebesar 6 kali lipat dari kedatangan historis selama penelitian (15308,29 kg/jam).
Model alternatif terbaik hasil pengembangan dengan skenario perubahankomposisi unit pelayanan pada tingkat kedatangan tetap sesuai kondisi selama
penelitian ialah jumlah operator pada stasiun penerimaan dikurangi dari 5 orangmenjadi 4 orang, stasiun arahan produksi dari 3 orang menjadi 1 orang, stasiunfilleting dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2orang, stasiun trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2orang menjadi 1 orang, stasiun after curing dari 5 orang menjadi 7 orang, stasiunfreezing dari 3 unit menjadi 5 unit serta stasiun packing dari 24 orang menjadi 12orang, jumlah operator pada stasiun lainnya tetap.
Berdasarkan analisa hasil simulasi, pengembangan model alternatifmenghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikanbeku. Pengembangan model antrian dengan skenario perubahan tingkatkedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36%. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kgmenjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 %menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisioperator pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari979,11 detik (16,3 menit) menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan secara keseluruhan dari 141,75 detik menjadi 4,42 detikserta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selainitu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadipenghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86/bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitasoperator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembanganmodel dengan skenario perubahan tingkat kedatangan dan komposisi unitpelayanan memberikan hasil berupa tidak adanya antrian dalam stasiun Freezing.
Verifikasi dan validasi model dilakukan untuk mengetahui apakah modeldapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuansoftware MINITAB 11. Validasi model dilakukan dengan cara menggunakan ujikesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasidilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan(proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasiluji kesamaan menunjukkan bahwa data tersebut seragam pada selangkerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untukdigunakan.
ARVIANO HARYANTO SAHAR. F34103128. Queueing SystemProductivity Analysis In Frozen Fish Fillet Process Industry (Case Study atPT. Global Tropical Seafood, West Java). Supervised by MACHFUD.2007
SUMMARY
Fishing industrys is one of Indonesia huge source for Indonesia capitalincome. Based on its archipelago, Indonesia have 6.7 billion tons/years of marinenatural resources. Indonesia is one of the biggest exporter of fisheries comodity inthe global market. In order to support the economic growth in the fishing industryand the expansion of global market, a mordern science study for increasing theproductivity of the industry is important to be held. PT. Global Tropical Seafoodis one of the company in Indonesia that run on the fishing industry with the bestproduct of frozen fish fillet. In the daily activities the company face the conditionof uncertainty of raw material arrival, pressure to maintain the quality of theirproduct, and the need of effectivity and efficiency in the production system.
Productivity of queueing system in a production line can be the indicator forit effectivity and efficiency. The low productivity of queueing system candecerease the efficiency and effectivity of resource management and increase therisk of material damage. Inefficiency and ineffectivity in a queueing system canbe mark with the happening of queueuing, low server utilization, and balking inthe system. The boundary in this research is bounded in the queueing system offrozen fish fillet production line.
Analysis technique that used in this research are monte carlo simulationtechnique and line balancing model. Queueing simulation is done with the help ofWinQSB Software with program package called Queueing SystemSimulation 1.0 (QSS 1.0) and for the line balancing model is done with manualcalculation. Distribution test for interarrival time and service time that used forinput in the simulation system are using a software that called Easyfit 3.2. Thedistribution test is based on graphical comparing method and Kolmogorov-Smirnov goodness of fit test with used of normal, weibull, triangular, poisson,gamma, uniform, laplace, logistik, eksponensial dan lognormal distribution.
The result of the distribution test shows that the data of interarrival time andservice time have weibull, triangular, gamma and lognormal distribution with 90% level of confidence. Queueing system in the frozen fish fillet production line iscomposed by 13 work station and 4 of the station is a join work station (handlematerial from all of production line). This queueing system simulation is namedSAPFIB Sistem Antrian Produksi Fillet Ikan Beku , it is formed by three modelsand four sub models. Those models are models that simulate queueing start fromreceiving station to panning and after curing station (Model A), line balancingmodel at freezing station (Model B), and queueing model that simulate queueingsystem at packing station (Model C). Sub Model Penerimaan simulate queueingsystem for receiving station partially, Sub Model Penyisikan simulate queueingsystem for scaling station partially, Sub Model Filleting simulate queueing systemfor filleting station partially and Sub Model After Curing simulate queueingsystem for after curing station partially. The queueing pattern in SAPFIB are thecombination of single channel and multiple channel with pararel server. The unitthat is used in the system simulation are seconds and kilograms of raw material.
SAPFIB queueing model are arranged from interarrival distributioncomponent and service time component with supporting attribut such as queuedisciple, queue capacity and material transfer time. All of the componet is used toimitate the real condition of queueing system simulation. The assumtion that usedin simulating the models is material time that is below two second is ignored, andthe interarrival and service time distribution is the same as in the real system.Beside assumtion for the main model, there is assumtion that was used for analizethe sub model that are the assumion is it simulate queueing system with theinterarrival that is continue at the peak condition.
The result for the main model simulation in the real state of Model A thatwas run for 25200 seconds (7 work hour), 24 hours for Model B and 75600 (21work hour) for model C are balking in after curing station, queue in the freezingstation and there is no queue in packing station. The main problem of Model A isthe inbalance of material flow between the work station and inefficient of humanresource utilization. In Model B the main problem is the queue only exist at atime. Model C problem is the inefficient of human resource utilization.
The development of queueing models in this research is done by twoapproach, that is by changing its rate of incoming material and changing theserver compotition in each work station. The assumtion that used in developingThe models are the queueing system is in the steady state, speed and pattern ofincoming material with the speed and pattern of service time is same as thehistorical data that collected at the research period.
The best alternate model for scenario of changing the rate of incomingmaterial with the server compotition at the real state are the rate of incomingmaterial in the receiving station increased 3 times from the historical data thatcollected at the research period (6482.47 kg/hours) and decrease the incomingmaterial at after curing station 0.75 times from the historical data that collected atthe research period (129.44 kg/hours), at the freezing station the rate of incomingmaterial are decreased into 18000 kg/days and at the packing station the rate oficoming material is increased into 6 times from the historical data that collected atthe research period (15308.28 kg/hours).
The best alternate model for scenario of changing the server compotition ineach work station at the rate of incoming material same as the historical data thatcollected at the research period are the operators in the receiving station arereduced from 5 operators into 4 operators, 3 operators into 1 operators atproduction direction station, 5 operators into 3 operators at the filleting station, 7operators into 2 operators at the scaling station, 16 operators into 10 operators attrimming station, 2 operators into 1 operators at washing station, 5 operators into7 operators at after curing station, 3 units into 5 units at freezing station, 24operators into 12 operators at packing station, as for the other station the operatorsremain the same compotition
Based on the simulation analysis, the alternate models give an increasedproductivity from the simulation in the real system. The alternate models with thescenario of changing the rate of incoming materials at Model A can remove thebalking from 26.33 kg into 0 kg, the processed material increased from 1856.67kg into 3099 kg, the server utilization increased from 27.50 % into 75.36%. InModel C the processed material increased from 1673.67 kg into 10118.67 kg andthe server utilization increased from 13.49 % into 80.79 %. The alternate model
with scenario of changing operator server compotition in each work station inModel A can remove balking from 26.33 kg into 0 kg, number of processedmaterial increased from 1856.67 kg menjadi 1991.67 kg, speed up the averageflow time from 979.11 seconds (16.3 minutes) into 275,33 seconds (4.59minutes), minimize overall average waiting time from 141.75 seconds into 4.42seconds and increased the server utilization from 27.50 % into 42.75% and canreduced the cost of ice usage because of queueing from Rp. 296.020,03 /monthinto Rp. 40.651,86 /month. In Model C the simulation analisys show that serverutilization increased from 13.49 % into 26.48 %. As for Model B both scenariocould remove the queueing from the freezing station.
Verification and validation is done for knowing if the model that was buildcan represent the real system, t-test is used for validate the model with the help ofMINITAB 11 software. By comparing the mean value of two population that isservice time from simulation output and service time from the historical data themodel, will be valid to use when the value of the test said there is no significantdifference between the two population. The t-test result the mean value from thetwo population does not different significantly at the confidence level of 95 %.Those result show the simulation model is valid to be used.
SURAT PERNYATAAN
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul
“ANALISIS KINERJA SISTEM ANTRIAN PADA INDUSTRI
PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical
Seafood, Jawa Barat)“ adalah asli karya saya sendiri dengan arahan dosen
pembimbing, kecuali yang jelas ditunjukkan rujukkannya. Skripsi ini belum
pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan
tinggi lain. Semua sumber data dan informasi yang digunakan telah dinyatakan
secara jelas dan dapat diperiksa kebenarannya.
Bogor, 26 Agustus 2007
Yang membuat pernyataan,
ARVIANO HARYANTO SAHARF34103128
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
ARVIANO HARYANTO SAHAR
F34103128
2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
INSTITUT PERTANIAN BOGOR
FAKULTAS TEKNOLOGI PERTANIAN
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
ARVIANO HARYANTO SAHAR
F34103128
Dilahirkan pada tanggal 11 Januari 1986
Di Jakarta
Tanggal lulus: 24 Agustus 2007
Menyetujui,
Bogor, 26 Agustus 2007
Dr. Ir. Machfud, MS.
Dosen Pembimbing
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 11 Januari 1986 di
Jakarta. Penulis merupakan anak pertama dari tiga bersaudara
dari pasangan bapak Ir.Haryanto Sahar M.Sc dan Ibu Sylvia
Hasan.
Pendidikan formal penulis diawali dari Taman Kanak-
kanak TKI Dian Didaktika pada tahun 1990-1991 dan dilanjutkan dengan tingkat
pendidikan dasar di SDI Dian Didaktika (1991-1997). Penulis menyelesaikan
tingkat pendidikan lanjutan pada SLTPI Dian Didaktika (1997-2000) dan SMUN
34 Pondok Labu Jakarta Selatan (2000-2003). Sejak tahun 2003, penulis
memasuki program Strata-1, Departemen Teknologi Industri Pertanian pada
Fakultas Teknologi Pertanian Institut Pertanian Bogor melalui jalur Seleksi
Penerimaan Mahasiswa Baru (SPMB).
Selama kuliah, penulis aktif menjadi asisten praktikum mk. penerapan
komputer pada tahun ajaran 2005/2006 dan mk. sistem inforrnasi manajemen pada
tahun ajaran 2006/2007. Penulis dipercaya sebagai ketua kelas TIN 40 selama
tahun 2005-2007 dan Wakil Ketua Himpunan Mahasiswa Teknologi Industri
(HIMALOGIN) periode 2005/2006. Pada tahun 2006 penulis melakukan kegiatan
praktek lapang dengan topik Mempelajari Human Relationship dan Produktivitas
Tenaga Kerja di PT. ISM Bogasari Flour Mills Tj. Priok - Jakarta . Pada tahun
2007 penulis melakukan penelitian di PT. Global Tropical Seafood, Cikampek
dan berhasil menyelesaikan tugas akhir dengan topik masalah khusus Analisis
Kinerja Sistem Antrian Pada Industri Pengolahan Fillet Ikan Beku .
i
KATA PENGANTAR
Segala puji dan syukur bagi Allah SWT yang telah memberikan rahmat dan
kasih sayangnya, sehingga penulis dapat menyelesaikan kegiatan penelitian di PT.
Global Tropical Seafood, Jawa Barat sesuai jadwal dan dapat menyusun serta
menyelesaikan skripsi dengan judul Analisis Kinerja Sistem Antrian Pada
Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood,
Jawa Barat) dengan baik.
Merupakan sebuah anugrah dari Allah SWT karena selama waktu penelitian
dan penyusunan skripsi, penulis dapat memperoleh pengalaman-pengalaman
berharga yakni berupa pembelajaran mengenai teori antrian dan penerapan ilmu-
ilmu akademis dan non akademis yang didapatkan oleh penulis selama menimba
ilmu di kampus IPB ini.
Dalam proses penyusunan skripsi ini terdapat banyak pihak yang terkait,
dengan segala ketulusan hati penulis ingin menyampaikan ucapan terima kasih
kepada :
v Dr. Ir. Machfud, MS sebagai dosen pembimbing akademik yang telah
membimbing dan mengarahkan penulis dalam mempersiapkan
,melaksanakan dan menyelesaikan kegiatan penelitian dan penyusunan
skripsi ini.
v Ir. Lien Herlina, Msc dan Ir. Sugiarto, Msi selaku dosen penguji yang telah
memberikan saran dan kritiknya untuk penyempurnaan skripsi ini serta
masukannya kepada penulis untuk pengembangan diri penulis.
v Bapak Ir. Haryanto Sahar, MSc dan Ibu Sylvia Hasan sebagai kedua orang
tua penulis yang memberikan segala kasih sayang dan dukungan yang tak
ternilai kepada penulis serta kedua adik penulis yang senantiasa
mendoakan dan memberikan dukungan moril kepada penulis dalam
menyelesaikan skripsi ini.
v Bapak Sidiq selaku Pimpinan Pabrik dan Bapak Sumardi selaku Manajer
Personalia PT. Global Tropical Seafood, Jawa Barat yang telah membantu
penulis dalam mewujudkan kegiatan penelitian pada perusahaan tersebut.
v Bapak Citra Asmara Putra, bapak Ahmad Rifani, dan bapak Tegas selaku
manager di PT. Global Tropical Seafood yang telah membantu penulis
ii
dalam mengumpulkan informasi yang diperlukan bagi penulis beserta
saran dan kritiknya dalam penyusunan skripsi ini.
v Mba Rina, Mba Nina, Mba Rum, Pak Sunari, Pak Iwan berserta Seluruh
staff dan karyawan PT. Global Tropical Seafood yang telah membantu
penulis dalam kegiatan pengumpulan data dan informasi sehari-harinya
v Bapak Mardianto, Bapak Achmad atas motivasi yang diberikan kepada
penulis selama penulis melaksanakan penelitian di PT. Global Tropical
Seafood.
v Yasmin dan Henny selaku rekan penulis yang bersama-sama
melaksanakan penelitian di PT. Global Tropical Seafood.
v Kukuh dan Puji selaku rekan sebimbingan yang bersama-sama saling
mendukung dalam suka dan duka penyelesaian skripsi ini.
v Sahabat-sahabatku Indah, Farah, Derry, Riri, Fardian, Helmi, Adit, Ratih,
Ayip, Indra, Amin, Adriel, Jerry, Lutfi atas kebersamaannya dalam
penyelesaian skripsi ini.
v Bang riki, Mas ade, Uda Paul, Uda Edwin, Uda Ansor, Dion, Sigit, Wita,
Dani, Dung-dung, Aldo, Jejeng dan seluruh penghuni wisma galih yang
selalu mengisi hari-hari penulis dengan keceriaan selama penulis
menyelesaikan skripsi ini.
v Seluruh Civitas TIN 40 dan HIMALOGIN yang telah memberi
pengalaman-pengalaman berharga bagi pengembangan diri penulis.
v Semua pihak yang terkait dan turut membantu hingga selesainya skripsi ini
yang tidak dapat penulis sebutkan satu-persatu pada lembar ini.
Semoga skripsi ini dapat bermanfaat bagi semua pihak yang
membutuhkannya.
Bogor, Agustus 2006
Penulis
iii
DAFTAR ISI
Halaman
KATA PENGANTAR ........................................................................................... i
DAFTAR ISI ......................................................................................................... iii
DAFTAR TABEL ................................................................................................. vi
DAFTAR GAMBAR ............................................................................................. vii
DAFTAR LAMPIRAN .......................................................................................... x
I. PENDAHULUAN
A. Latar Belakang ............................................................................................ 1
B. Ruang Lingkup ............................................................................................ 3
C. Tujuan ......................................................................................................... 3
D. Manfaat ....................................................................................................... 4
II. TINJAUAN PUSTAKA
A. Fillet Ikan Beku ........................................................................................... 5
B. Teori Antrian ............................................................................................... 6
C. Uji Distribusi ............................................................................................... 18
D. Model .......................................................................................................... 22
E. Teknik Heuristik .......................................................................................... 24
F. Simulasi ....................................................................................................... 24
G. Verifikasi dan Validasi ................................................................................ 27
H. Penelitian Terdahulu .................................................................................... 28
III. METODE PENELITIAN
A. Kerangka Pemikiran .................................................................................... 30
B. Pendekatan Berencana ................................................................................. 31
C. Tata Laksana ............................................................................................... 32
IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL TROPICAL SEAFOOD
A. Sistem Produksi Fillet Ikan Beku ................................................................. 35
1. Stasiun Penerimaan ................................................................................. 39
2. Stasiun Arahan Produksi.......................................................................... 39
3. Stasiun Penyisikan ................................................................................... 40
iv
Halaman
4. Stasiun Filleting ...................................................................................... 40
5. Stasiun Trimming .................................................................................... 41
6. Stasiun Washing ...................................................................................... 41
7. Stasiun Sizing .......................................................................................... 41
8. Stasiun Panning ...................................................................................... 42
9. Stasiun Bagging ...................................................................................... 42
10. Stasiun Curing ......................................................................................... 42
11. Stasiun After Curing ................................................................................ 42
12. Stasiun Freezing ...................................................................................... 43
13. Stasiun Packing ....................................................................................... 43
B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku ................................... 46
V. ANALISIS DAN PEMBAHASAN
A. Distribusi Data ............................................................................................ 51
B. Model Antrian............................................................................................. 53
1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga StasiunPanning Dan Stasiun After Curing (Model A) ........................................ 55
2. Kinerja Model Antrian Pada Stasiun Freezing (Model B) ....................... 58
3. Kinerja Model Antrian Pada Stasiun Packing (Model C) ........................ 60
C. Sub Model Antrian ..................................................................................... 62
1. Sub Model Penerimaan ........................................................................... 62
2. Sub Model Penyisikan ............................................................................ 64
3. Sub Model Filleting ................................................................................ 66
4. Sub Model After Curing.......................................................................... 67
D. Pengembangan Model ................................................................................. 68
1. Pengembangan Model Dengan Skenario Perubahan Tingkat Kedatangan 69
2. Pengembangan Model Dengan Skenario Perubahan Komposisi UnitPelayanan ............................................................................................... 76
E. Kinerja Sistem Antrian................................................................................. 83
1. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanTingkat Kedatangan ................................................................................ 83
v
Halaman
2. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanKomposisi Unit Pelayanan ...................................................................... 96
F. Verifikasi dan Validasi Model ...................................................................... 107
VI. KESIMPULAN DAN SARAN
A. Kesimpulan ................................................................................................. 110
B. Saran ........................................................................................................... 112
DAFTAR PUSTAKA ............................................................................................ 114
vi
DAFTAR TABEL
Halaman
Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara ....... 1
Tabel 2. Sebaran frekwensi data waktu antar kedatangan .................................. 15
Tabel 3. Ketentuan mutu bahan baku fillet ikan beku ........................................ 36
Tabel 4. Bobot standar fillet .............................................................................. 41
Tabel 5. Waktu perpindahan bahan antar stasiun ............................................... 46
Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata ............... 48
Tabel 7. Hasil Uji distribusi waktu kedatangan bahan........................................ 52
Tabel 8. Hasil Uji distribusi waktu pelayanan operator ...................................... 52
Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB........... 54
Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalammodel A .............................................................................................. 71
Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun after curing dalammodel A .............................................................................................. 72
Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun packing dalammodel C .............................................................................................. 75
Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja padapengembangan model antrian SAPFIB ................................................ 78
Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama kondisi nyata ..... 108
Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian sub model kondisi nyata ......... 108
Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan tingkat kedatangan ................................... 109
Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan komposisi unit pelayanan ......................... 109
vii
DAFTAR GAMBAR
Halaman
Gambar 1. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Tunggal ... 8
Gambar 2. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Ganda
Serial ............................................................................................... 8
Gambar 3. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda
Pararel ............................................................................................. 8
Gambar 4. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda ........ 8
Gambar 5. Skema Simulasi Stokastik ................................................................ 26
Gambar 6. Skema Tahapan Pendekatan Berencana............................................ 32
Gambar 7. Diagram Tahapan Penelitian ............................................................34
Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO ............. 37
Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO .......... 38
Gambar 10. Sistem Produksi Fillet Ikan Beku ..................................................... 45
Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. GlobalTropical Seafood .............................................................................. 50
Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 56
Gambar 13. Grafik antrian maksimum pada stasiun Freezing .............................. 60
Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 61
Gambar 15. Penulisan model simulasi sub model penerimaan pada program QSS1.0 dalam bentuk grafis ................................................................... 63
Gambar 16. Penulisan model simulasi sub model penyisikan pada program QSS 1.0dalam bentuk matriks ....................................................................... 65
Gambar 17. Penulisan model simulasi sub model filleting pada program QSS 1.0dalam bentuk matriks ...................................................................... 66
Gambar 18. Penulisan model simulasi sub model after curing pada program QSS1.0 dalam bentuk matriks ................................................................. 67
Gambar 19. Penulisan model simulasi A alternatif skenario perubahan tingkatkedatangan pada program QSS 1.0 dalam bentuk matriks ............... 73
Gambar 20. Penulisan model simulasi C alternatif skenario perubahan tingkatKedatangan pada program QSS 1.0 dalam bentuk matriks ............... 76
Gambar 21. Penulisan model simulasi A alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks .......... 79
viii
Halaman
Gambar 22. Penulisan model simulasi C alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks ........... 82
Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A secara skenario perubahan tingkatkedatangan ...................................................................................... 84
Gambar 24. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 85
Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 86
Gambar 26. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 87
Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 88
Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 89
Gambar 29. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan tingkat kedatangan .................. 90
Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan tingkat kedatangan ................... 91
Gambar 31. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 92
Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 93
Gambar 33. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 94
Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 95
Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 96
ix
Halaman
Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ........................................................................................ 97
Gambar 37. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98
Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98
Gambar 39. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 99
Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 100
Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 101
Gambar 42. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan komposisi unit pelayanan ........ 102
Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan jumlah unit pelayanan .............. 102
Gambar 44. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 103
Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 104
Gambar 46. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 105
Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 106
Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 107
x
DAFTAR LAMPIRAN
Halaman
Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan........................... 116
Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator ......................... 123
Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku ................... 139
Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2 .......... 141
Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata ........................ 142
Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B .............. 145
Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata......................... 152
Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata .. 154
Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata ... 155
Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata ....... 156
Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata . 157
Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 158
Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 161
Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 164
Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 165
Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood .............. 166
Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Tingkat Kedatangan ..................... 167
Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Komposisi Operator ..................... 169
I. PENDAHULUAN
A. Latar Belakang
Industri perikanan merupakan salah satu sektor industri yang menjadi
primadona di dalam penyumbang sumber devisa Indonesia. Ketika Indonesia
mengalami krisis moneter pada tahun 1997 sektor tersebut menjadi salah satu
sektor yang mampu tumbuh berkembang di tengah keterpurukan sektor
ekonomi lainnya. Perkembangan sektor perikanan ini terutama disebabkan oleh
karena pasarnya yang bererorientasi ekspor. Pasar ekspor memberikan
pemasukan berupa mata uang dollar yang pada saat itu nilainya melambung
tinggi di Indonesia akibat dari turunnya nilai mata uang rupiah.
Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta
ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar
komoditas perikanan dunia. Selama periode 1999-2002 produk domestik bruto
(PDB) subsektor perikanan mengalami kenaikan sebesar 21,72 %.
(Departemen Kelautan dan Perikanan, 2002).
Peningkatan permintaan ikan di pasaran dunia antara lain dipengaruhi
oleh meningkatnya jumlah penduduk dunia, bergesernya selera konsumen dari
red meat ke white meat , dan kebutuhan manusia akan makanan sehat.
Selain itu kondisi yang mengancam kesehatan manusia akibat mengonsumsi
daging ternak yang mempunyai resiko penyakit seperti mad cow disease, serta
penyakit mulut dan kuku yang melanda kawasan Eropa, Asia dan Amerika
membuat keinginan manusia untuk mendiversifikasi sumber pangan berprotein
tinggi semakin tinggi.
Jika melihat perkembangan jumlah ekspor produk fillet ikan beku
Indonesia ke mancanegara terlihat bahwa dari tahun ketahun penerimaan
produk fillet ikan beku di setiap negara berbeda-beda, mayoritas memiliki
kecenderungan naik namun tidak semuanya bersifat konsisten. Salah satu hal
yang dapat menyebabkan kondisi tersebut ialah karena tingginya persaingan
antar negara-negara pengekspor produk perikanan beku.
2
Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara
Negara Tujuan2003 2004 2005 (Jan-Nop) 2006 (Jan-Nop)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
JEPANG 15.410 1.420.463 98.535 3.237.528 97.579 3.211.469 33.420 1.447.167AMERIKASERIKAT 2.842 9.344 36.800 505.035 36.800 505.035 - -
POLANDIA - - 47.000 265.400 - - 69.000 531.700
HONGKONG 476 1.736 7.095 58.277 4.858 40.484 10.762 32.344
MALAYSIA 1.053 6.562 9.386 38.741 9.386 38.741 458 6.380REP.RAKYATCINA - - 9.023 29.514 9.023 29.514 8.500 310.524
AUSTRALIA 1.687 9.376 2.277 12.943 2.277 12.943 10.405 52.047 *) dalam ribuan, sumber : Deprin 2007
Dalam rangka mendukung peningkatan pertumbuhan ekonomi di sektor
perikanan dan pemenuhan tuntutan pasar ekspor, kajian ilmiah yang
berorientasi pada peningkatan kinerja industri perikanan perlu dilakukan
dengan berdasarkan ilmu pengetahuan dan teknologi modern.
Menurut Machfud (1999) produktivitas perusahaan merupakan hal
penting yang harus diperhatikan dalam rangka mengembangkan perusahaan
yang berdaya saing tinggi. Perencanaan dan pengendalian produksi yang baik
akan menghasilkan proses produksi dengan tingkat efisiensi dan efektivitas
tinggi melalui penghematan sumber daya yang ada dan waktu produksi yang
optimal.
PT. Global Tropical Seafood merupakan salah satu perusahaan yang
bergerak di industri perikanan yang berorientasi ekspor dengan salah satu
produk unggulannya fillet ikan beku. Dalam kegiatan produksinya perusahaan
dihadapkan pada kondisi kedatangan bahan baku yang bersifat probalistik,
adanya tuntutan kualitas produk yang prima, serta perlunya efektivitas dan
efisiensi dalam sistem produksi.
Ketidakseimbangan aliran bahan dan antrian dalam lini produksi
pengolahan fillet ikan beku akan menyebabkan timbulnya inefisiensi dan
inefektifitas sistem produksi akibat terjadinya kemacetan (bottleneck) bahan
maupun rendahnya utilitas stasiun pelayanan. Nilai produktivitas lini produksi
suatu perusahaan dapat menjadi sebuah indikator tingkat keefesienan dan
keefektifan perusahaan tersebut dalam mengelola sumber daya yang ada. Nilai
3
produktivitas yang setinggi-tingginya merupakan suatu pencapaian yang
diinginkan oleh perusahaan pada umumnya.
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Model antrian dalam lini produksi suatu perusahaan dapat dikembangkan
dengan teori antrian untuk meningkatkan produktivitas kerja dari pendekatan
tingkat utilitas unit pelayanan dan waktu tunggu bahan dengan memaksimalkan
efisiensi dan efektifitas proses. Perbaikan kinerja sistem produksi dapat
mengurangi tambahan biaya yang disebabkan oleh adanya antrian dan
inefisiensi penggunaan sumber daya.
B. Ruang Lingkup
Penelitian ini dibatasi pada analisis sistem antrian dan pengembangan
modelnya pada lini produksi fillet ikan beku.
C. Tujuan
Tujuan yang ingin dicapai dari penelitian ini adalah :
1. Mengidentifikasi faktor-faktor yang menyebabkan terjadinya antrian pada
lini produksi industri pengolahan fillet ikan beku.
2. Menganalisis kinerja sistem antrian yang ada di dalam lini produksi industri
pengolahan fillet ikan beku.
3. Mengembangkan model antrian untuk meningkatkan kinerja lini produksi
pengolahan fillet ikan beku melalui perubahan tingkat kedatangan bahan
baku dan pengubahan komposisi operator pada stasiun-stasiun kerja dalam
sistem antrian.
D. Manfaat
Penelitian yang dilakukan dapat memberikan pemahaman yang lebih
mendalam mengenai aplikasi teori antrian dalam memecahkan permasalahan
sistem produksi dalam suatu industri.
4
Hasil penelitian ini dapat memberikan model alternatif antrian proses
produksi fillet ikan beku. Model alternatif tersebut dapat digunakan sebagai
pembanding dari model antrian yang saat ini berjalan di perusahaan.
Perbandingan tersebut bermanfaat untuk menilai kinerja sistem produksi yang
berjalan di perusahaan saat ini sehingga dapat dijadikan sebagai referensi
dalam pengambilan keputusan untuk perbaikan kinerja lini produksi fillet ikan
beku.
II. TINJAUAN PUSTAKA
A. Fillet Ikan Beku
Fillet ikan merupakan daging ikan yang diperoleh dengan penyayatan
ikan utuh sepanjang tulang belakang dimulai dari belakang kepala hingga
mendekati bagian ekor. Tulang belakang dan tulang rusuk yang membatasi
badan dengan rongga perut tidak dipotong pada waktu penyayatan, hal ini
bertujuan agar tulang atau duri yang terikut dalam daging menjadi sedikit.
Proses pengawetan dengan cara pembekuan yang berlaku untuk daging ikan
tanpa tulang disebut fillet ikan beku (Suparno, 1992).
Menurut DSN (1992), tahapan pengolahan fillet ikan beku adalah :
(1) Pencucian
Ikan dicuci kemudian ditampung di dalam bak fiberglass yang
dilengkapi drainage (lubang pembuangan air bagian bawah).
Penyusunan ikan dibuat berlapis-lapis dengan es. Diusahakan agar
ikan tidak terendam air karena dapat memudarkan warna kulit hingga
menjadi pucat, suram dan tidak mengkilap.
(2) Pengambilan daging (filleting)
Sebelum ikan diambil dagingnya (difillet) maka terlebih dahulu
dilakukan pemotongan kepala dengan pisau tajam sekaligus
penarikan atau pengeluaran isi perut temasuk pembuangan sisik,
selanjutnya dilakukan pengambilan daging dengan cara penyayatan
yang dimulai dari punggung yang mengarah ke perut dan ekor
sehingga diperoleh kepingan dua sisi tanpa tulang.
(3) Perapihan (trimming)
Hasil potongan daging kemudian dirapihkan bentuknya dengan cara
menyisir permukaan hasil potongan dan bagian sisi samping dengan
menggunakan pisau tajam.
(4) Pengelompokan ukuran (sizing)
Pada tahap ini dilakukan penimbangan terhadap tiap-tiap keping
daging dan dikelompokkan menurut ukuran yang ditentukan.
(5) Penyusunan dalam pan pembeku
6
Pan pembeku diisi dengan fillet dengan permukaan kulit menghadap
ke atas dan tiap keping fillet tidak saling menumpuk serta diusahakan
penyusunan fillet hanya satu lapis saja. Hal ini dimaksudkan agar
daging fillet beku yang dihasilkan mempunyai penampilan rapi,
halus, lurus dan rata. Sebelum fillet disusun terlebih dahulu pan
pembeku dilapisi dengan selembar plastik dan pada bagian atas
daging ditutup dengan selapis plastik.
(6) Pembekuan
Ikan yang telah tersusun dalam pan dimasukkan ke dalam contact
plate freezer (CPF) atau air blast freezer (ABF) dengan suhu operasi
-40oC. Bila menggunakan CPF waktu pembekuan yang diperlukan
adalah 4-5 jam sedangkan ABF memerlukan waktu 8-9 jam.
(7) Pelapisan (glazing)
Fillet beku yang dihasilkan kemudian dilepas dari pan pembeku
selanjutnya dilakukan pengelasan dengan cara tiap keping fillet
dicelup ke dalam campuran air dan es yang bersuhu 0-5oC.
(8) Pengemasan (packaging)
Tiap-tiap keping fillet dimasukkan ke dalam plastik dan kemudian
bagian ujungnya dilipat untuk selanjutnya disusun ke dalam
mastercarton dan diikat dengan mesin pengikat (Strapping band
machines), pada tiap kemasan dicantumkan keterangan atau label
yang jelas.
(9) Penyimpanan beku
Master carton yang berisi produk disimpan dalam gudang beku (cold
storage) dengan suhu -25oC, penyusunan dalam cold storage diatur
sedemikian rupa sehingga memiliki sirkulasi udara.
B. Teori Antrian
Teori Antrian merupakan studi yang berkaitan dengan suatu keadaan-
keadaan yang berhubungan dengan segala aspek dalam situasi seseorang atau
lebih harus menunggu untuk dilayani. Dengan menggunakan teori antrian kita
dapat menganalisa kinerja antrian dengan menggunakan model-model
7
matematik pada keadaan yang berbeda-beda, dan dengan teori antrian ini pula
dapat dibuat keputusan tentang berapa jumlah fasilitas pelayanan yang harus
digunakan, luasan tempat antrian yang dibutuhkan, saat pemberian pelayanan
dan sebagainya (Heizer dan Render ,2004).
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Menurut Machfud (1999) Teori antrian memiliki ciri-ciri sebagai berikut:
1. Adanya pemasukan objek ke dalam suatu sistem
2. Objek yang bergerak melalui sistem bersifat diskret
3. Objek yang masuk ke dalam sistem untuk mendapatkan pelayanan atau
proses diurut berdasarkan suatu aturan tertentu
4. Adanya suatu mekanisme tertentu yang menentukan waktu pelayanan
5. Mekanisme yang tidak dapat ditentukan secara pasti dapat
dipertimbangkan sebagai suatu sistem yang bersifat probalistik
Menurut Aminudin (2005), ada beberapa tipe sistem antrian yang
semuanya dapat diklasifikasikan menurut karateristik di bawah ini.
1. Masukan atau kejadian kedatangan, yaitu meliputi sebaran jumlah
kedatangan tiap satuan waktu, jumlah antrian yang diizinkan
terbentuk, panjang maksimum antrian dan jumlah maksimum
langganan yang harus dilayani.
2. Proses pelayanan, yang meliputi sebaran waktu pelayanan untuk satu
satuan unit pelanggan, jumlah fasilitas pelayanan serta bentuk fasilitas
pelayanan (pararel, seri dan lain-lain).
3. Disiplin antrian, merupakan cara penentuan antrian atau baris
antrian (FIFO, LIFO, dan Lain-Lain).
Menurut Pangestu dkk (1993), terdapat empat struktur dasar dari sistem
antrian yang melukiskan kondisi umum dari fasilitas pelayanan, yaitu (1) jalur
tunggal satu fasilitas pelayanan, (2) jalur tunggal fasilitas pelayanan ganda, (3)
jalur ganda fasilitas pelayanan tunggal, (4) jalur ganda fasilitas pelayanan
ganda.
8
Selain empat struktur dasar antrian tersebut, masih terdapat struktur
model antrian lain yang pada dasarnya merupakan gabungan dari dua atau
lebih struktur antrian diatas.
1. Pola Kedatangan.
Pola kedatangan adalah menggambarkan cara individu-individu dari
suatu populasi memasuki sistem. Individu-individu mungkin datang
9
dengan laju kedatangan yang konstan atau juga secara acak. Untuk laju
kedatangan yang acak dan mempunyai sebaran tertentu.
Sebaran peluang poisson adalah salah satu dari sebaran pola
kedatangan yang paling umum bila beberapa faktor mempengaruhi waktu
kedatangan. Hal tersebut disebabkan sebaran poisson sesuai dengan suatu
pola kedatangan yang bersifat acak sempurna, berarti bahwa masing-
masing kedatangan saling bebas satu dengan lainnya (Gordon, 1980).
Apabila laju kedatangan mempunyai sebaran poisson, waktu antar
kedatangan akan mempunyai sebaran eksponensial (Pangestu 1993 dan
Taha 2003).
2. Pola Pelayanan.
Jumlah unit yang dapat dilayani persatuan waktu disebut sebagai
laju pelayanan dari fasilitas pelayanan. Laju pelayanan dapat berpola
konstan, dan dapat pula berpola acak. Untuk laju pelayanan yang
berpola acak, akan mempunyai sebaran peluang seperti halnya pola
kedatangan acak, yaitu sebaran poisson. Bila laju pelayanan
mempunyai sebaran poisson, maka waktu pelayanan mempunyai
sebaran peluang eksponensial (Pangestu 1993 dan Taha 2003).
3. Model-Model Antrian.
Untuk mempelajari model antrian diperlukan beberapa notasi
yang digunakan untuk menggambarkan model antrian yang dimaksud.
Menurut Aalto (2005) Notasi Kendall dapat digunakan untuk
menggambarkan karakteristik dari antrian dengan sistem paralel
secara umum yang dibakukan dengan format sebagai berikut :
(xb / yb / z) : (u / v / w)
Keterangan :
x : sebaran kedatangan.
y : sebaran waktu pelayanan.
z : jumlah fasilitas pelayanan paralel.
u : disiplin pelayanan atau disiplin antrian.
10
v : jumlah maksimum pelanggan dengan sistem.
w : ukuran dari popolasi asal pelanggan.
b : kedatangan bulk, pelayanan bulk.
Notasi baku yang menggunakan x dan y dapat diisi dengan notasi
sebagai berikut :
M : Sebaran kedatangan atau laju pelayanan Poisson
(ekivalen dengan sebaran waktu antar kedatangan atau
waktu pelayanan eksponensial).
D : Waktu pelayanan atau waktu antar kedatangan konstan
atau deterministik.
G : Sebaran waktu pelayanan umum (normal, binomial).
GI : Sebaran kedatangan atau tingkat pelayanan mempunyai
sebaran khusus.
K : Sebaran erlang untuk waktu antar kedatangan atau waktu
pelayanan.
Notasi untuk mengganti V dan W adalah :
I : Jumlah maksimum pelanggan di dalam sistem dan
ukuran populasi asal pelanggan tak terhingga.
F : Jumlah maksimum pelanggan di dalam sistem an ukuran
populasi asal pelanggan terhingga.
Disiplin antrian yang digunakan untuk mengisi u adalah :
FCFS : First Come, First Serve.
LCFS : Last Come, First Serve.
SIRO : Service in Random Order.
SPT : Shortest Processing (Service) Time.
GD : General (Service) Discipline.
Dengan format baku tersebut dapat diketahui berbagai model
antrian yang terbentuk. Masing-masing model antrian dapat
diselesaikan secara analitis dengan rumus-rumus pada model baku.
11
Menurut Gillet (1979), penyelesaian masalah antrian secara analitis
dengan rumus-rumus pada model baku dapat dilakukan apabila kondisi-kondisi
dibawah ini bisa dipenuhi :
a. Kedatangan pelanggan kedalam sistem terjadi secara acak sempurna
dan mengikuti sebaran poisson.
b. Proses pelayanan terjadi secara acak sempurna, dan waktu pelayanan
megikuti sebaran exponensial.
c. Disiplin antrian adalah FIFO.
d. Peluang terjadinya suatu kedatangan pada selang waktu t sampai t
+ ∆ t, untuk untuk ∆ t cukup kecil adalah ∆nλ t.
e. Peluang adanya pelanggan meninggalkan sistem pada selang waktu t
sampai t + ∆ t, untuk ∆ t cukup kecil adalah ∆nµ t.
f. Laju kedatangan lebih kecil dari laju pelayanan.
B. Sebaran Peluang
Untuk mendapatkan model yang lebih mendekati keadaan sebenarnya,
diperlukan pemilihan fungsi sebaran peluang yang sesuai dengan keadaan
nyata. Langkah-langkah yang harus ditempuh dalam memilih fungsi sebaran
peluang untuk kecepatan kedatangan dan kecepatan pelayanan adalah sebagai
berikut :
1. Mengelompokkan data menurut bentuknya, yaitu jumlah
kedatangan dan jumlah unit yang dilayani per unit waktu.
2. Mencari frekwensi, frekwensi relatif dan frekwensi komulatif dari
data.
3. Menghitung rata-rata, keragaman dan simpangan baku.
4. Mencari bentuk baku dari data.
5. Menguji apakah sebaran yang dipilih sesuai (langkah 6) atau tidak
(langkah 7)
6. Menetapkan bentuk parameter penduga dari sebaran baku yang
dipilih.
7. Sebaran yang tidak dapat diterapkan pada model-model sebaran
baku ditetapkan sebagai sebaran khusus (sebaran empiris).
12
Metode pengambilan data ialah dapat dilakukan dengan dua cara
yakni yang pertama ialah sensus, dan yang kedua ialah sampel. Sensus
mengambil data dari keseluruhan jumlah populasi. Sampel merupakan
bagian dari populasi yang diambil dengan cara-cara tertentu yang juga
memiliki karakteristik tertentu, jelas, dan lengkap yang bisa dianggap
mewakili populasi. Populasi yang tak terbatas membuat pengambilan
data dengan cara sensus tidak dapat dilaksanakan sehingga dipilih
pengambilan data dengan cara sampling. Pengambilan sampel
memerlukan beberapa kriteria yang perlu diperhatikan yakni :
1. Penentuan daerah generalisasinya agar sampel dapat berlaku terhadap
populasinya.
2. Pembatasan yang tegas dalam populasi.
3. Penentuan sumber informasi populasi.
4. Pemilihan Teknik Sampling.
5. Perumasan masalah.
6. Pendefinisian unit-unit yang dipakai.
7. Penentuan unit sampel.
8. Pencarian keterangan masalah yang akan dibahas.
9. Penentuan ukuran sampel.
10. Penentuan teknik pengumpulan data.
11. Penentuan Metode Analisis.
12. Penyediaan sarana prasaranan untuk penelitian.
(Hasan, 2001)
Teknik pengambilan sampel dapat dilakukan denan dua cara yaitu :
(1) Sampling random : merupakan sampel yang diambil secara acak
dengan cara undian, ordilnal atau dengan komputer.Pengambilannya
dapat dilakukan dengan cara sederhana, bertingkat, kluster, sistematis
dan proporsional.
(2) Sampling non random : Merupakan pengambilan sampel dengan
tidak acak yang dapat dilakukan dengan tiga cara yakni Kebetulan,
Bertujuan dan Quota.
(Usman, 2003).
13
.,...,2,1,0,!
)( nKk
ekXPk
===− αα
Sebenarnya tidak ada aturan yang tegas mengenai besarnya anggota
sampel yang diisyaratkan dalam suatu penelitian. Demikian pula batasan apa
batasan bahwa sampel itu besar atau kecil yang jelas ialah jika sampelnya
besar, maka biaya, tenaga dan waktu yang akan disediakan besar pula,
demikian sebaliknya. Sehingga mutu penelitian tidaklah ditentukan oleh
besarnya anggota sampel yang digunakan, melainkan oleh kuatnya dasar-dasar
teori pengambilan sampel tersebut. Sesungguhnya tidak ada anggota sampel
yang 100% representatif, kecuali anggota sampelnya yang sama dengan
anggota populasinya (total sampling) (Usman, 2003).
Sistem antrian umumnya ditentukan oleh dua buah kelengkapan statistik,
yaitu sebaran peluang antar kedatangan dan sebaran peluang waktu pelayanan.
Dalam sistem antrian nyata, waktu antar kedatangan dan waktu pelayanan
mengikuti berbagai macam bentuk sebaran. Bentuk sebaran yang mendasari
model-model antrian adalah sebaran poisson dan exponensial.
1. Sebaran Poisson
Menurut Meyer (1974), definisi dari sebaran poisson adalah
sebagai berikut. Misal X adalah peubah acak yang diskret dan
dianggap mempunyai nilai-nilai 0,1,2, , n Jika :
Maka X dikatakan mempunyai sebaran poisson dengan parameter
0>α
Selanjutnya dikatakan bahwa apabila X mempunyai sebaran
poisson dengan parameter α , maka nilai harapannya (E(X)) adalah
α .Hal ini merupakan sifat khusus yang menarik dari sebaran poisson
yaitu bahwa nilai harapannya sama dengan nilai keragamannya.
2. Uji Kesesuaian Sebaran Poisson
Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang
diperoleh (misalkan data tingkat kedatangan atau tingkat pelayanan)
mempunyai sebaran poisson. Tahap pertama dalam uji kesesuaian
14
sebaran poisson adalah menghitung peluang adanya n kejadian dalam
selang waktu tertentu (Pn) dengan rumus :
,!
)(n
enPnnn −
= n adalah rata-rata data.
Setelah nilai Pn ditemukan, kemudian dilakukan perhitungan nilai
frekwensi harapan (expected frequency) yang dilambangkan en,
nilainya ditentukan sebagai berikut.
n
n
nnn pfe
= ∑
=0
Untuk n yang mempunyai frekwensi terlalu kecil (<5) sebaiknya
dipilih nilai fn dan en terdekat sehingga nilai fn 5≥ (Taha 2003). Hal
tersebut perlu dilakukan karena frekwensi yang terlalu kecil akan
mengakibatkan harga Chi-kuadrat menjadi besar sehingga tidak
mencerminkan penyimpangan yang wajar mengenai hasil pengamatan
(Sudjana, 1982 di dalam Henryardinanto, 2003).
Langkah selanjutnya dilakukan perhitungan nilai Chi-kuadrat
dengan rumus :
X2 hitung =( )
n
nn
eef 2−
Apabila nilai X2 hitung ≤ X2 ( )α tabel maka diterima hipotesis
bahwa data mempunyai sebaran poisson. Apabila terjadi sebaliknya,
maka dilakukan penolakan terhadap hipotesis, yang berarti data tidak
mengikuti sebaran poisson.
3. Sebaran Exponensial
Jika peubah acak T menunjukan waktu antar kedatangan atau
waktu pelayanan dan T mempunyai sebaran eksponensial dengan
parameter α , maka fungsi kepadatan peluangnya adalah :te α− untuk t 0≥
f ( ) =tT
0 untuk t<0
15
Fungsi kepadatan peluang komulatifnya adalah :
F(T) = P(T ≤ t) = ∫ −t
t dte0
αα
= 1- ,te α− untuk t ≥ 0
= 0, untuk t<0
Nilai harapan dari T diperoleh dengan rumus:
E(T) = ∫ −~
0
dtet tαα
= [ ] ∫ =+− −−~
0
~0
1α
αα dtete tt
Selanjutnya keragaman dari T dapat diperoleh dengan cara
integrasi yang sama, yaitu :
V(T) = E(T2)-(E(T))2 = 2
1α
Dari rumus ini dapat dilihat bahwa sebaran eksponensial
mempunyai sifat khusus yang menarik, yaitu bahwa nilai harapannya
sama dengan simpangan bakunya.
4. Uji Kesesuaian Sebaran Eksponensial
Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang
diperoleh (misalkan data waktu pelayanan atau waktu antar
kedatangan) mempunyai sebaran eksponensial. Langkah awal dari
pengerjaan ini ialah dengan membuat tabel data seperti dibawah ini.
Tabel 2. Sebaran frekwensi data waktu antar kedatangan
Selang Waktu (ta-tb) Frekwensi (fn)
t1-t2
t2-t3
.
.
tn-tn-1
f1
f2
.
.
fn
16
Nilai rata-ratanya dihitung sebagai berikut :
( ) ( ) ( )fnff
fnttfttftt nn
+++
−++−+−=
−
K
K
21212
211
21
1 13221
µ
Besarnya kemungkinan eksponensial Gi (t) untuk setiap kelas
interval dihitung sebagai berikut :
Gi (t) = ∫ −−− −=b
a
ba
t
t
ttt eedte µµµµ
Frekwensi teoritis (ei) pada setiap kelas interval dihitung sebagai
berikut :
ei=Gi (t) N , N adalah jumlah data pengamatan
setelah itu, menghitung nilai Chi-kuadrat dengan rumus :
X2 hitung =( )∑
=
−n
n n
nh
eef
0
2
Apabila nilai X2 hitung ≤ X2(α ) tabel maka diterima hipotesis
bahwa data mengikuti sebaran eksponensial. Apabila hasilnya
sebaliknya maka hipotesis bahwa data mengikuti sebaran Eksonensial
ditolak.
5. Sebaran Normal
Dalam dunia nyata terdapat beberapa tipe kejadian acak yang
dibentuk oleh sebaran normal. Sebaran ini mempunyai karakteristik
kepadatan peluangnya berbentuk lonceng yang simetris terhadap garis
x = µ dengan fungsi densitas pada X = x dengan persamaan :
f(x) =( )22
21
21 µσ
πσ
−
x
e
dengan : π : nilai konstant (3,1416)
e : nilai konstan (2,7183)
µ : rata-rata
σ : simpangan baku
dan nilai x mempunyai batas -~<x<~
17
Sebaran normal dapat dibedakan dari sebaran norml lainnya atas
dasar perbedaan nilai rata-rata dan simpangan bakunya atau kedua-
duanya (Sudjana, 1982 di dalam Henryardinanto, 2003).
6. Uji Kenormalan Data
Uji kenormalan data didasarkan pada fakta bahwa nilai tengah
contoh dan keragaman contoh tidak saling tergantung satu sama
lainnya, jika dan hanya jika contoh berasal dari sebaran normal.
Misalkan kita mempunyai sampelacak dengan hasil pengamatan x1, x2,
....., xn. Berdasarkan sampel ini akan dilakukan uji hipotesis bahwa data
yang diambil berasal dari populasi yang memiliki sebaran normal atau
data tersebut berasal dari populasi yang memiliki sebaran tidak
normal.
Menurut Sudjana (1982) di dalam Henryardinanto (2003) prosedur
pengujian hipotesis tersebut adalah sebagai berikut.
a. Pengamatan x1, x2, , xn dijadikan angka baku z1, z2, , zn
dengan menggunakan rumus zi =s
xx
−
−
1
(−
x dan s masing-
masing merupakan rata-rata dan simpangan baku dari data).
b. Untuk tiap angka baku ini dan dengan menggunakan daftar
sebaran normal baku, kemudian dihitung peluang F(zi) = P(z ≤
zi).
c. Selanjutnya dihitung proporsi z1, z2, , zn yang lebih kecil atau
sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi), maka:
S(zi), maka: S(zi) = (banyaknya z1, z2, , zn yang ≤ zi)/ n.
d. Hitung selisih F(zi S(zi) kemudian tentukan harga mutlak.
e. Ambil harga yang paling besar diantara harga-harga mutlak
selisih tersebut. Sebutlah harga terbesar ini L0.
Untuk menerima atau menolak hipotesis, L0 harus dibandingkan
dengan nilai kritis L yang diambil dari daftar nilai kritis L untuk uji
Lilliefors untuk taraf α yang dipilih. Kriterianya adalah tolak
hipotesis bahwa populasi bersebaran normal jika L0 yang diperoleh
18
dari data pengamatan melebihi nilai L dari daftar. Apabila hasilnya
sebaliknya maka hipotesis bahwa data mengikuti sebaran normal
diterima.
7. Sebaran Empiris
Sebaran empiris adalah sebaran yang diperoleh dari hasil
pengamatan lapang yang mempunyai bentuk khusus dan hanya
berlaku pada kejadian tersebut. Untuk memperoleh peubah acak yang
dibangkitkan dari suatu sebaran empiris dapat digunakan metode
transformasi kebalikan
Peubah acak dari suatu sebaran empiris dipergunakan persamaan
sebagai berikut :
X = XLj + ( )XLjXUjYYYU
jj
j −−
−
−
−
1
1
XLj adalah batas bawah selang sebaran komulatif dan U adalah
angka acak, Yj adalah peluang komulatifnya.
C. Uji Distribusi
Perlakuan terhadap input data yang bersifat acak untuk program simulasi
dapat dilakukan sebagai berikut (Conover, 1971) :
1. Nilai-nilai data tersebut digunakan secara langsung dalam simulasi.
Sebagai contoh, jika data menggambarkan waktu pelayanan, maka
salah satu data digunkan jika sebuah waktu pelayanan diperlukan
dalam sebuah simulasi. Hal ini disebut trace-driven simulation.
2. Nilai data-data tersebut digunakan untuk mendefinisikan sebuah
fungsi distribusi empiris dengan cara tertentu. Jika diperlukan dalam
sebah simulasi, sampel diambil dari distribusi ini.
3. Data dicocokan terhadap bentuk teoritis distribusi tertentu, misal
exponensial atau poisson, dengan menampilkan hipotesis tes untuk
menentukan kecocokan tersebut (the goodness of fit). Pencocokan ini
19
menghasilakan sejumlah parameter statistika. Saat dilakukan simulasi,
sampel diambil dari jenis distribusi teoritis dan nilai-nilai parameter
yang cocok ini.
Menurut Conover (1971) lebih lanjut, kelemahan dari pendekatan
pertama di atas adalah:
1. Simulasi hanya dapat menghasilkan apa yang telah terjadi sebelumnya
(historically).
2. Jarang diperoleh data yang cukup untuk membuat semua simulasi
yang diinginkan untuk dijalankan.
Jika ditemukan sebuah distribusi teoritis yang sesuai dengan data
pengamatan baik (pendekatan tiga) maka hal ini umumnya lebih dipilih
daripada menggunakan sebuah distribusi empirik (pendekatan dua). Hal ini
disebabkan sebuah fungsi distribusi empirik dapat memiliki sejumlah
ketidakteraturan, terutama jika data yang tersedia hanya sedikit. Keuntungan
lain dari pendekatan tiga adalah distribusi teoritis dapat memuluskan
(smooth out) data dan dapat menghasilkan informasi. Ada sejumlah situasi
dimana tidak ada distribusi teoritis yang tidak cukup cocok dengan data-data
pengamatan. Pada kasus ini, penggunaan distribusi empiris sangat dianjurkan
(Conover, 1971).
Ditambahkan oleh Law dan Kelton (2000), tahapan dalam menentukan
jenis distribusi dari data yang ada adalah :
1. Membuat hipotesis pendugaan awal
2. Menduga parameter-parameter didalam data
3. Menentukan tingkat kesesuaian distribusi data dengan distribusi
teoritis
Menurut Law dan Kelton (2000), prosedur untuk menentukan kualitas
distribusi yang sudah dicocokan (fitted distributions) ada dua yaitu:
1. Prosedur heuristik atau grafis
Ada sejumlah prosedur heuristik atau grafis yang dapat digunakan
untuk membandingkan distribusi yang telah dicocokan (fitted
distributions) dengan distribusi sesungguhnya, diantaranya adalah
density / histogram overplots dan perbandingan frekuensi, distribusi
20
fungsi perbedaan plots dan plot peluang (Probability Plots). Sebuah
plot peluang dapat digambarkan sebagai grafik perbandingan sebuah
estimasi distribusi data sesungguhnya X1, X2, X3 Xn dengan fungsi
distribusi yang sudah dicocokan (fitted distributions).
Plot peluang dapat dibagi menjadi dua yaitu Q-Q plots dan P-P
plots. P-P (probability-probability) plot adalah sebuah grafik model
peluang yang dibandingkan dengan sample peluang
, untuk i=1,2, n dan valid untuk kedua jenis kelompok
data (kontinu atau diskret). Jika dan berdekatan, maka P-P
plot akan mendekatisebuah lintasan miring antara 0 dan 1 secara
linier. Asumsi yang digunakan adalah Xi adalah jelas (tidak ada
pembatas). Plot P-P cenderung lebih linier pada nilai q i yang cukup
besar dibandingkan dengan Q-Q plot karena plot Q-Q akan
memperkuat perbedaaan yang kecil antara dan ketika
keduanya mendekati nilai satu. Kelinieran plot menunjukkan
kesesuaian antara distribusi teoritis dengan sesungguhnya.
2. Prosedur goodness-of-fit hypotesis test
Pada sebagian besar situasi, sifat dasar pada satu atau beberapa
distribusi populasi merupakan hal yang paling penting. Kesahihan
prosedur-prosedur inferensi statistika prametrik bergantung pada
bentuk populasi-populasi asal sampel-sampel yang dianalasis. Apabila
bentuk-bentuk fungsi dari populasi-populasi yang dianalisis tidak
diketahui maka populasi tersebut harus diuji kecenderungannya apakah
terdistribusi sesuai dengan asumsi-asumsi yang mendasari prosedur
parametrik yang diuji. Metode-metode keselarasan (goodness of fit
test) digunakan untuk menentukan sampai seberapa jauh data sampel
yang teramati selaras , cocok atau fit dengan model tertentu yang
diujikan. Uji-uji keselarasan merupakan alat yang bermanfaat untuk
mengevaluasi sampai seberapa jauh suatu model mampu mendekati
situasi nyata yang digambarkannya.
21
Daniel (1989) di dalam Anggraini (2005) menambahkan bahwa ada
sejumlah uji keselarasan yang diperkenalkan yaitu :
1. Uji khi-kuadrat
2. Uji Kolmogorov-Smirnov
3. Uji Cramer-von Mises, yang diperkenalkan oleh Cramer pada tahun
1928 dan von Mises pada tahun 1931.
4. Uji Binbaum-Hall, yaitu sebuah uji yang analog dengan uji dua
sampel dua sisi Kolmogorov-Smirnov yang sesuai untuk beberapa
sampel bebas. Sayangnya, tabel distribusi statistik uji untuk prosedur
ini baru tersedia untuk kasus tiga sampel yang berukuran sama.
5. Gibbons telah mengusulkan sebuah uji keselarasan distribusi dua
sampel bebas dengan uji hipotesis-hipotesis tandingan yang umum.
Uji ini merupakan suatu uji pengacakan kelompok (group
randomization test) yang statistik ujinya adalah fungsi dari jumlah
deviasi kuadrat antara frekuensi-frekuensi relatif kelompok dalam
sampel-sampel.
Uji keselarasan yang paling umum digunakan ialah uji khi-kuardrat (Chi-
square goodness of fitness test) dan uji Kolmogorov-Smirnov (K-S). Uji
sampel tunggal K-S pada dasarnya dirancang untuk penggunaan data kontinu
dengan skala minimal ordinal. Pada penerapan uji keselarasan sampel tunggal
K-S, terdapat dua buah fungsi distribusi kumulatif yang dianalisis yaitu
distribusi kumulatif yang dihipotesiskan dan distribusi kumulatif yang teramati.
(Law dan Kelton, 2000).
Keunggulan dari penggunaan Kolmogorov-Smirnov sebagai penguji
keselarasan goodness of fitness test adalah uji ini tidak membutuhkan
pengelompokan data seperti khi-kuadrat sehingga tidak ada informasi yang
hilang dari data. Hal tersebut dapat menghilangkan masalah spesifikasi interval
yang berarti akan memberi kesempatan data diuji dengan semua distribusi yang
lebih luas di banding dengan khi-kuardrat. Keuntungan lain dari penggunaan
Kolmogorov-Smirnov ialah tes ini tepat untuk semua ukuran n (untuk kasus
semua parameter yang telah diketahui) sehingga lebih kuat (powerfull) dalam
22
pembandingan dengan banyak fungsi distribusi, dibandingkan dengan tes khi-
kuadrat (Law dan Kelton, 2000).
Kelemahan dari tes Kolmogorov-Smirnov ialah rentang kemampuan
aplikasinya lebih terbatas dibandingkan dengan tes khi-kuadrat oleh karena
untuk data diskret nilai kritis yang dibutuhkan tidak tersedia, melainkan harus
dihitung dengan menggunakan komputer menggunakan sejumlah formula yang
rumit. Selain itu oleh karena bentuk asli Kolmogorov-Smirnov valid jika
distribusi tersebut kontinu dan semua parameter distribusi hipotesis telah
diketahui, dengan kata lain parameter tidak dapat dianalisis dari data. Namun
saat ini penggunaan Kolmogorov-Simrnov telah diperluas sehingga mampu
mengestimasi beberapa parameter untuk distribusi normal, log normal,
eksponensial, weibull dan log-logistik (Law dan Kelton, 2000).
Uji Kolmogorov-Smirnov dilakukan untuk menguji tingkat kesesuaian
antara distribusi hasil pengamatan dengan distribusi teoritis tertentu. Tes ini
memusatkan perhatian pada penyimpangan terbesar yang dinotasikan dengan
D. Nilai ini dapat dihitung dengan persamaan berikut :
D = Max |fo(x) Sn(x) | , dengan :
Fo (x) = Suatu fungsi distribusi frekuensi kumulatif teoritis
Sn (x) = Suatu fungsi distribusi frekuensi kumulatif pengamatan dari
suatu sampel acak.
Pada uji Kolmogorov-Smirnov sebagai hipotesa nol adalah Fo(x) =
Sn(x), sedangan hipotesa tandingannya adalah Fo(x) tidak sama dengan Sn(x).
Keputusan dihasilkan dengan membandingkan nilai D yang dihasilkan dengan
nilai kritiknya pada tingkat kepercayaan 90% apabila nilai D lebih kecil dari
nilai kritiknya maka hipotesa nol dapat diterima (Steel dan Torrie, 1991).
D. Model
Model adalah pendekatan atau abstraksi dari suatu sistem yang
dikembangkan untuk tujuan studi. Model berisikan hal-hal (variabel) yang
relevan dengan sistem nyata yang ada. Observasi dalam sebuah sistem dapat
menjadi dasar dalam pembentukan sebuah model (Law dan Kelton, 2000).
23
Ada lima tipe model yang sering diaplikasikan dalam dunia nyata yaitu :
model fisik, model, matematik, model deskriptif, model prosedural dan model
simulasi (Maarif, 2003)
1. Model fisik
Dasar dari model fisik ialah analogi.
2. Model Deskriptif
Model deskriptif bersifat kualitatif.
3. Model Matematik
Model matematik terdiri dari simbol-simbol matematik atau
persamaan untuk menjelaskan suatu sistem. Atribut model adalah
variabel dan aktivitas model adalah fungsi.
Model matematika dapat dikelompokkan dalam tiga dimensi
yaitu pengaruh waktu, tingkat keyakinan, dan kemampuan
mencapai tingkat optimasi
a. Model statis atau dinamis
Model statis tidak menyatakan waktu sebagai variabel. Model
ini berkaitan pada suatu titik waktu tertentu. Model yang
menyertakan waktu sebagai variabel ialah model dinamis.
Model ini menggambarkan perilaku entitas dari waktu ke waktu.
b. Model probalistik atau deterministik
Probilita adalah peluang terjadinya sesuatu yang berkisar antara
0,00 (Sama sekali tidak) hingga 1,00 (Sama sekali pasti). Model
yang mencakup probabilita adalah model probalistik sebaliknya
adalah model deterministik.
c. Model optimasi atau suboptimasi
Model optimasi adalah model yang memilih solusi terbaik dari
berbagai alternatif. Agar dapat mencapai hal ini, masalah harus
terstruktur dengan baik. Model suboptimasi sering disebut
satisfiying model, oleh karena solusi terbaik diserahkan pada
pengguna.
24
4. Model prosedural
Model prosedural terdiri dari flowchart yang menjelasan
langkah-langkah yang terjadi dalam sistem.
5. Model Simulasi
Model simulasi adalah gabungan dari model prosedural dan
model matematik.
E. Teknik Heuristik
Program heuristik merupakan pengembangan operasi aritmatika dan
matematika logika. Ciri-ciri program heuristik secara umum : 1) adanya
operasi aljabar, yaitu penjumlahan, pengurangan dan perkalian; 2) adanya
perhitungan bertahap; 3) mempunyai tahapan terbatas sehingga dapat dibuat
algoritma komputernya (Gautney, 1995)
Teknik heuristik tidak menjamin diperolehnya pemecahan optimal tetapi
menjamin pemecahan yang memuaskan pengambil keputusan (Bedworth dan
Bailey, 1982). Pengembilan keputusan menggunakan aturan situasi/aksi. Jika
(s1..sn), maka (a1..an). (s1..sn) merupakan situasi yang dinyatakan dengan
operasi dan; (a1..an) adalah aksi atau keputusan yang diambil (Gautney, 1995).
F. Simulasi
Simulasi adalah suatu aktifitas dimana pengkaji dapat menarik
kesimpulan-kesimpulan tentang perilaku model yang selaras, dimana hubungan
sebab akibat terjadi seperti pada sistem yang sebenarnya. Dengan demikian,
simulasi berkepentingan dalam pembentukan serta pemanfaaatan model-model
yang secara realistis memplotkan perkembangan sistem sesuai jalur waktu.
Simulasi lebih menunjukkan suatu estimasi statistik, dibandingkan hasil eksak
yang lebih cenderung hanya merupakan suatu perbandingan dari berbagai
alternatif untuk mencapai titik optimum (Eriyatno, 1999 di dalam Sipahelut
(2002)).
Menurut subagyo et. al (1989) simulasi merupakan duplikasi atau
abstraksi persoalan dalam kehidupan nyata yang bersifat luwes sesuai dengan
keperluan sistem yuang sebenarnya. Selain itu keuntungan menggunakan
25
Sistem
Model
X, σP(x) n = N
n = n +1
Bilangan AcakVariabel Acak
Ya
Tidak
Gambar 5. Skema Simulasi Stokastik (Gottfried, 1984)
simulasi antara lain dapat memberikan jawaban bila model analitik yang
digunakan tidak memberikan solusi yang optimal.
Model simulasi yang diklasifikasikan berdasarkan dimensinya terdiri dari
model statis dan dinamis. Model simulasi statis, biasanya direkayasa guna
mewakili suatu sistem yang pada keadaaan tertentu tidak berperan aktif,
sebaliknya model simulasi dinamis mewakili suatu sistem yang berubah-ubah
sesuai perubahan dimensi waktu atau yang lainnya. Salah satu contoh model
statis ialah model-model simulasi monte carlo (Eriyatno, 1999 di dalam
Sipahelut ,2002).
Simulasi probalisatik atau simulasi monte-carlo, mempunyai kelebihan
karena simulasi ini dapat diatur jumlah ulangan simulasinya sesuai yang
dikehendaki dalam rangka memperoleh peubah acak dengan simpangan baku
kecil.
Untuk menguji kecukupan simulasi digunakan perhitungan dengan rumus
sebagai berikut (Gottfried, 1984) :
26
Dimana :
N = Panjang hari simulasi
n = Jumlah data pengamatan
= Standar deviasi pengamatan
* = Standar deviasi pada tingkat kepercayaan tertentu
Dalam simulasi monte carlo terdapat dua bagian yaitu bilangan acak dan
variabel acak, yaitu pembangkitan bilangan acak yang digunakan untuk input
simulasi dan pembangkitan variabel acak yang berfungsi untuk menjadi model
distribusi data yang dibangkitkan.
Untuk sampel acak yang berdistribusi normal, pembangkitan variabel
acak (X) menggunakan rumus sebagai berikut :
, dengan :
X = Variabel acak
µ = Rata-rata sampel pengamatan
= Standar deviasi pengamatan
Z = Jumlah bilangan acak yang digunakan
Untuk menghitung nilai Z, rumus yang digunakan adalah
, dengan :
N = Jumlah hari simulasi
Ui = bilangan acak
Sedangkan variabel acak dengan distribusi empirik dibangkitkan dengan
rumus berikut :
, dengan :
Xi = Variabel acak ke-i
U = Bilangan acak
Xki = Distribusi peluang frekuensi kumulatif
Xui = Batas atas kelas data pengamatan ke-i
Xli = Batas bawah kelas data pengamatan ke-i
27
G. Verifikasi dan Validasi
Verifikasi merupakan proses penentuan apakah model simulasi yang
dibuat telah sesuai dengan yang diinginkan. Hal tersebut dapat dilakukan
dengan beberapa cara, yakni :
1. Tes data : Mengevaluasi setiap kejadian yang mungkin,
mempersiapkan data masukan secara khusus dan kemampuan
program pada kondisi ekstrim.
2. Tulis dan debug prodram dalam modul-modul atau subprogram-
subprogram
3. Di uji oleh banyak orang.
4. Run pada asumsi penyerdehanaan dimana model simulasi dapat
dihitung dengan mudah.
5. Lihat Hasil Simulasi.
(Maarif,2006)
Validasi model dilakukan untuk mengetahui apakah model yang telah
dibuat sesuai dengan kondisi nyata. Uji yang dapat dilakukan salah satunya
ialah dengan menggunakan uji-t (distribusi student). Uji t menguji kesamaan
nilai tengah (µ) antara dua populasi dengan hipotesis sebagai berikut :
H0 :
H1 :
Hipotesis tersebut diterima ataupun ditolak dengan menggunakan nilai t,
apabila nilai thitung masuk ke dalam wilayah kritis yakni < t /2 dan > -t /2 maka
H0 akan di tolak dan H1 akan diterima, sebaiknya jika t diluar wilayah kritis
maka H0 diterima dan H1 akan ditolak. Perhitungan nilai t dihitung dengan
rumus :
dengan : X1 = Rata-rata data pengamatan
X2 = Rata-rata data hasil simulasi
28
1 = Standar deviasi pengamatan
2 = Standar deviasi hasil simulasi
n1 = Jumlah Data pengamatan
n2 = Jumlah Data hasil simulasi
(Hasan, 2001)
H. PENELITIAN TERDAHULU
Djamaris (1984), telah melakukan simulasi model antrian sistem
transportasi tebu di PT. PG Kebon Agung, Malang dengan output berupa rata-
rata waktu antar kedatangan dan kecepatan pelayanan.
Sitompul (1984) telah melakuan perancanaan sistem antrian transportasi
tebu di PG Sei Semayang PT. Perkebunan IX Medan, dengan hasil simulasi
berupa waktu antar kedatangan, rata-rata panjang antrian, rata-rata fraksi
menganggur fasilitas pelayanan dan biaya total antrian.
Edikustianto (1986), mengaplikasikan teknik antrian dala
mendayagunakan fasilitas bongkar tebu di PT. PG Kebun Agung, Malang
dengan Output berupa rata-rata waktu tunggu, rata-rata panjang antrian dan
rata-rata fraksi mengunggu fasiitas pelayanan.
Arieta (1988) telah melakukan analisa sistem antrian penanganan susu
segar di daerah peternakan bandung utara, jawa barat, dengan hasil berupa
kebijakan operasional dalam menentukan kebutuhan fasilitas pelayanan untuk
menghadapi produksi susu yang terus meningkat.
Riwu (2002) melakukan penelitian mengenai pengaruh rekayasa model
antrian aliran bahan terhadap tingkat produktivitas proses pengolahan live
shrimp head on boiled frozen di PT. Dipasena Citra Darmaja, Lampung dengan
hasil rata-rata waktu tunggu, rata-rata keseluruhan waktu dalam sistem
produksi, rata-rata material terproses.
Andika (2002) melakukan simulasi sistem antrian pola aliran bahan pada
pengolahan udang beku dengan program QSS dengan hasil kombinasi
komponen pelayanan terbaik.
Tandililing (2003) melakukan analisis rekayasa sistem antrian aliran
bahan terhadap produktivitas proses pengolahan fillet ikan beku. Dengan hasil
perbaikan sistem antrian terhadap bahan yang terproses.
29
Henryardinanto (2003) melakukan analisis sistem antrian udang di PT.
Dipasena citra darmaja, lampung dengan hasil berupa perbaikan model antrian.
Aggraini (2005) melakukan penelitian mengenai waktu standar kerja dan
analisis keseimbangan lini produksi pada industri pengolahan udang beku
(studi kasus di PT. Central Pertiwi Bahari, Lampung). Dengan hasil berupa
standar waktu kerja serta pebaikan kinerja sistem antrian.
III. METODE PENELITIAN
A. KERANGKA PEMIKIRAN
Ketidakseimbangan antara jumlah input bahan baku dengan kemampuan
pelayanan lini produksi dalam industri pengolahan ikan fillet beku dapat
menimbulkan permasalahan dalam hal produktivitas industri tersebut. Antrian
yang terjadi selama bahan baku menunggu untuk diproses sebagai akibat dari
kemampuan pelayanan yang tidak mampu menangani pemasukan bahan baku
secra maksimal dapat menimbulkan kerugian biaya akibat penurunan kualitas
bahan baku serta kerusakan bahan baku selama menunggu. Rendahnya utilitas
pelayanan juga akan menimbulkan permasalahan pada efisiensi penggunaan
sumber daya yakni terjadinya inefisiensi.
Analisa sistem antrian lini produksi merupakan suatu cara yang dapat
dilakukan untuk membantu memahami permasalahan pada kegiatan proses
produksi. Agar terhindar dari kerugian biaya dan penggunaan sumber daya
yang tidak maksimal, pengembangan model antrian dapat menjadi salah satu
titik perbaikan untuk meningkatkan produktivitas di dalam industri pengolahan
tersebut.
Pengembangan model antrian dilakukan dengan cara menganalisis
komponen sistem antrian lini produksi fillet ikan beku PT. Global Tropical
Seafood yakni distribusi kecepatan kedatangan bahan baku dan distribusi
kecepatan pelayanan operator. Oleh karena kedua komponen tersebut bersifat
probalistik maka model tersebut belum tentu sesuai dengan model baku yang
memiliki asumsi-asumsi khusus. Dalam hal ini teknik simulasi yang bersifat
stokastik dapat diterapkan dalam rangka mencari solusi yang memuaskan dan
realistis.
Simulasi sistem antrian dengan menggunakan pendekatan berencana,
memiliki tujuan utama untuk menguraikan masalah, mengembangkan dan
menetapkan model-model kuantitatif untuk masalah yang spesifik. Komponen-
komponen yang terlibat dalam pendekatan berencana ialah data yang sesuai,
serta teknik yang digunakan dalam menyelesaikan masalah.
31
Hasil analisis tersebut akan berguna untuk menjadi sebuah parameter
perbaikan model antrian. Pengembangan model antrian yang memberi kinerja
lebih baik dapat diindikasikan dengan menjadi minimalnya waktu tunggu
bahan sesaat sebelum di proses dan maksimalnya utilitas operator.
B. PENDEKATAN BERENCANA
Thierauf dan Klekamp (1975) di dalam Indriarti (1997) menyatakan
bahwa pendekatan berencana dapat digunakan untuk menguraikan
permasalahan seperti pertentangan-pertentangan secara obyektif, kebijaksanaan
dan alternatif-alternatif yang memiliki tujuan utama mengembangan serta
menerapkan model-model kuantitatif pada masalah-masalah spesifik.
Tahapan berencana terdiri dari 6 (enam) langkah, yaitu (1) observasi
lapang untuk mengetahui permasalahan yang terjadi secara nyata, (2)
menentukan faktor-faktor yang mempengaruhi permasalahan yang terjadi, (3)
pengembangan alternatif melalui analisis data dan variabel keputusan serta
kendala yang ada, (4) pemilihan penyelesaian optimum, (5) pembuktian
penyelesaian optimum melalui implementasi, (6) membuat kendali yang tepat
untuk mendeteksi perubahan yang mungkin terjadi, serta formulasi
permasalahan yang mengandung umpan balik terhadap observasi awal. Skema
tahapan berencana secara lengkap dapat dilihat pada gambar 6.
32
Gambar 6. Skema Tahapan Pendekatan Berencana (Thierauf dan Klekamp
1975, di dalam Indriati, 1997).
C. TATA LAKSANA
1. Kajian Pustaka dan Observasi Lapang
Kajian pustaka dilakukan untuk mempelajari teori antrian. Observasi
lapang dilakukan dengan cara mengamati secara langsung kegiatan produksi
pada industri yang bersangkutan untuk mengetahui kondisi lapangan.
2. Identifikasi Masalah
Identifikasi masalah merupakan observasi terhadap gejala permasalahan
nyata dalam hal sistem antrian seperti idle time, kecepatan kedatangan
bahan baku dan kondisi fasilitas pelayanannya.
3. Formulasi Masalah
Pembuatan formulasi permasalahan dilakukan berdasarkan identifikasi
sistem dilakukan secara heuristik maupun prosedural yang bertujuan untuk
mengetahui kebutuhan data.
33
4. Pengambilan Data
Data yang dibutuhkan antara lain data jumlah bahan baku, data waktu
proses, waktu kedatangan, waktu pelayanan serta data kapasitas fasilitas
pelayanan dan target produksi. Data primer dikumpulkan dengan mencatat
waktu proses dan waktu antar kedatangan dengan bantuan stop watch. Data
sekunder seperti kapasitas fasilitas antrian, kapasitas antrian dan sistem
antrian dikumpulkan dari berbagai pihak yang terkait dalam manajemen
produksi dan dari sistem pelaporan yang telah ada sebelumnya.
5. Pengolahan Data
Pengolahan data dilakukan untuk mentranformasi data yang ada menjadi
sebuah informasi yang berguna untuk menjadi parameter pengembangan
model antrian yang ada. Pengolahan data ini dilakukan secara statistik
sehingga akan mendapat sebuah kesimpulan informasi.
6. Pengembangan Model Antrian
Pada tahap ini dilakukan modifikasi pada model yang ada sehingga
sesuai membuat perbaikan yang lebih baik berdasarkan parameter yang
telah ditentukan sebelumnya.
7. Validasi dan Verifikasi
Model yang telah disusun di verifikasi dan divalidasi dengan
menggunakan data aktual yang diperoleh.
34
Gambar 7. Diagram Tahapan Penelitian
Mulai
Identifikasi Sistem
Pengambilan Data
Uji Distribusi Data
Analisa Model
Sesuai denganasumsi model ?
Penyelesaiandengan model
baku
Penyelesaiandengan model
simulasi
Ya
Valid ?Analisa Perbaikan
Sistem
Skenario baru
Kinerja lebihbaik ?
Model Akhir
Selesai
Tidak
Ya
Tidak
Tidak
Valid ?
Tidak
Ya
IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL
TROPICAL SEAFOOD
A. Sistem Produksi Fillet Ikan Beku
Industri perikanan beku merupakan sebuah industri yang mengolah hasil
perikanan baik darat maupun laut dengan cara mempertahankan mutu produk
perikanan tersebut dengan cara membekukannya. Industri ini sangat
mengutamakan mutu dalam kegiatan operasionalnya. Cakupan pasarnya yang
berorientasi ekspor membuat standar mutu yang harus dicapai industri tersebut
semakin tinggi akibat dari regulasi sistem tata niaga ekspor-impor dan ketatnya
persaingan pasar.
PT. Global Tropical Seafood merupakan salah satu perusahaan dibawah
holding company PT. Kemila International bersama dengan PT. Kemilau
Bintang Timur dan PT. Salam Daya Mina yang bergerak di industri perikanan
beku. Visi PT. Global Tropical Seafood ialah menjadikan perusahaan ini
sebagai perusahaan seafood kelas international dengan produk yang
berkualitas, harga kompetitif, suplai yang kontinu dan jaminan kepuasan
konsumen. Visi tersebut ditunjang dengan sebuah misi yakni selalu melakukan
pengembangan produk dan melaksanakan kegiatan produksi sesuai dengan
prosedur yang diterapkan. Tujuan utama PT. Global Tropical Seafood ialah
menciptakan lapangan kerja bagi masyarakat serta memperoleh keuntungan
yang optimal.
Produk yang pernah dihasilkan oleh PT. Global Tropical Seafood antara
lain adalah fillet ikan beku, rajungan kalengan, kerang, serta steak tenggiri.
Produk fillet ikan beku merupakan salah satu produk unggulan PT. Global
Tropical Seafood yang di ekspor ke pasar Eropa, Amerika dan Asia Timur.
Salah satu hal yang membuat fillet ikan beku menjadi produk unggulan PT.
Global Tropical Seafood adalah karena permintaannya yang relatif lebih tinggi
dibanding produk lainnya dari pasar. Hal ini merupakan sebuah kepercayaan
pasar terhadap mutu produk fillet PT. Global Tropical Seafood.
36
Proses produksi fillet ikan beku di PT. Global Tropical Seafood
merupakan proses produksi yang mempunyai sifat kedatangan bahan baku
yang probalistik dan sistem produksinya bersifat padat karya. Bahan baku yang
digunakan PT. Global Tropical Seafood untuk menghasilkan produk fillet
adalah hasil perikanan laut seperti ikan kakap merah, kerapu, layur, kurisi,
lencam, mahi-mahi dan lain sebagainya. Namun terkadang dapat juga berasal
dari hasil perikanan darat seperti nila, lele dan lain sebagainya sesusai dengan
permintaan pasar. Bahan baku Hasil perikanan laut didapat dari para pemasok
bahan baku yang mengumpulkan ikan dari para nelayan sekitar jawa dan
sumatra, sedangkan hasil perikanan darat dikumpulkan dari tambak-tambak
budidaya yang menghasilkan ikan sesuai dengan kebutuhan.
Bahan baku yang dapat diterima oleh PT. Global Tropical Seafood untuk
digunakan sebagai bahan baku produksi fillet adalah yang memiliki ketentuan
mutu sebagaimana yang ditunjukkan pada Tabel 3.
Tabel 3. Ketentuan mutu bahan baku fillet ikan bekuPenerimaan Size (gram) Kriteria Mutu
Diterima
3000-Up1000-3000300-1000
< 300
# Mata jernih# Sisik melekat kuat# Insang berwarna merah dan berbau khas ikan segar# Daging kenyal
Ditolak
3000-Up1000-3000300-1000
< 300
# Terdapat bercak putih pada daging# Mata redup, kornea mata tidak jernih# Insang berwarna coklat, berlendir dan berbau busuk# Daging lembek# Permukaan kulit kusam dan berlendir putih# Cacat Fisik
Jenis fillet ikan beku yang dihasilkan oleh PT. Global Tropical Seafood
dibuat berdasarkan permintaan yang ada. Spesifikasi produk fillet ikan beku
dapat diklasifikasikan berdasarkan kulit, bentuk dan perlakuan. Berdasarkan
kulitnya produk fillet ikan beku dapat dihasilkan dalam bentuk skin on (dengan
kulit) atau Skinless (tanpa kulit). Berdasarkan bentuknya produk fillet dapat
dibuat dengan bentuk potongan portion cut, natural cut, dan one cut. Untuk
perlakuan disini ialah berupa produk fillet ikan beku smoke yakni adanya
produk fillet ikan beku yang diinjeksi menggunakan gas CO sehingga
menimbulkan warna kemerahan pada daging ikan.
37
Proses pembuatan fillet ikan beku sendiri dapat dilihat pada diagram alir
proses pada Gambar 8 dan Gambar 9.
Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO
Trimming
Washing III
Sorting & Sizing
Skinning
Raw Material
FilletingScaling
Filleting
Washing II
Washing I
Boning
Weighing I
Freezing
Packing & Labeling
Storing
Stuffing
Final Washing
Wrapping & Layering Vacuuming & Layering
Skin On Skinless
38
Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO
Skin OnSkinless
Filleting
Raw Material
Scaling
Filleting
Washing II
Washing I
CO Application
Trimming
Sorting & Sizing
Packing in the Plastic Bag
Skinning
Boning
Curing
Trimming II (Optional)
Weighing I
Wrapping
Vacuuming
Freezing
Packing & Labeling
Storing
Stuffing
Layering
39
Dalam menjalankan proses produksi fillet ikan beku PT. Global Tropical
Seafood membagi pekerjaan dalam beberapa tahap proses ke dalam setiap
stasiun. Lini produksi fillet ikan beku PT. Global Tropical Seafood terdiri dari
13 Stasiun kerja yang 4 dari stasiun tersebut merupakan stasiun bersama yang
mengolah bahan baku ataupun produk dari lini produksi lainnya. Setiap stasiun
berisi sejumlah operator yang bertugas untuk menjalankan fungsi produksinya.
Sistem produksi tersebut merupakan faktor yang mempengaruhi terjadinya
antrian pada sistem antrian fillet ikan beku. Berikut merupakan penjelasan
tentang masing-masing stasiun kerja.
1. Stasiun Penerimaan
Stasiun ini berfungsi sebagai area penerimaan bahan baku yang datang
dari para pemasok (Supplyer) bahan baku. Pada stasiun ini secara umum
bahan baku yang masuk akan dibilas dengan air, kemudian ditimbang.
Area ini menangani seluruh bahan baku yang akan masuk ke lini produksi.
Pembilasan dengan air bertujuan untuk membersihkan bahan baku dari
kotoran ataupun benda asing selain bahan baku. Penimbangan pada stasiun
ini bertujuan untuk mengetahui kesesuaian jumlah bahan baku yang masuk
dengan klaim dari pemasok (Supplyer). Proses yang terjadi ialah bongkar
muat dari truk yang mengangkut bahan baku kemudian jika bahan baku
berupa jenis ikan segar maka akan di bilas, disortasi berdasarkan ukuran,
serta di timbang. Untuk ikan yang datang dalam keadaan beku maka akan
ditimbang saja. Untuk bahan baku selain ikan seperti kerang, bekutak dan
cumi-cumi cukup dibilas dan ditimbang. Stasiun ini juga merupakan
stasiun tempat pemutusan kelayakan mutu bahan baku untuk diterima atau
tidak sesuai dengan ketentuan yang berlaku.
2. Stasiun Arahan Produksi
Setelah bahan baku di terima oleh pabrik melalui stasiun penerimaan maka
selanjutnya bahan baku masuk ke area produksi yakni ke stasiun arahan
produksi, stasiun ini berfungsi sebagai stasiun yang memberi kode atau
label pada setiap bahan baku dan mengarahkan alur bahan baku untuk
pemilihan lini produksi. Proses yang terjadi di stasiun ini ialah
40
penimbangan bahan baku serta pemberian label produksi. Arahan produksi
yang diberikan stasiun ini didasarkan dari rencana produksi yang
dikeluarkan oleh departement PPIC (Production Planning & Inventory
Control). Secara umum bahan baku kerang akan masuk ke lini produksi
kerang, bahan baku bekutak akan masuk ke lini produksi WR, bahan baku
tenggiri akan masuk ke lini produksi steak, dan untuk ikan segar akan
masuk ke lini fillet, butterfly, WGGS.
3. Stasiun Penyisikan
Stasiun penyisikan merupakan stasiun yang menjadi bagian dari lini
produksi fillet ikan beku. Stasiun ini menerima bahan baku dari stasiun
arahan produksi dengan label produk Skin On. Secara umum jenis ikan
yang diterima di stasiun ini ialah jenis ikan kakap. Proses yang dilakukan di
stasiun ini ialah penghilangan sisik yang dilakukan secara manual oleh
operator menggunakan alat bantu berupa kikir khusus sisik. Setelah ikan
disisik kemudian dicelup dengan larutan klorin 50 ppm dan dibilas dengan
menggunakan air agar tidak ada sisik atau sisa kotoran yang menempel
pada ikan. Penggunaan larutan klorin bertujuan untuk meminimasi jumlah
bakteri yang ada pada tubuh ikan. Pada tahap ini bobot ikan akan
mengalami penyusutan sebesar ± 2 % akibat kehilangan sisik.
4. Stasiun Filleting
Stasiun filleting menerima bahan baku dari stasiun arahan produksi dan
stasiun penyisikan. Pada stasiun ini ikan yang diterima akan disayat
menjadi satu potongan utuh dari tiap sisi yang untuk memisahkan daging
ikan dari tulangnya. Hasil dari stasiun ini adalah berupa dua keping
potongan ikan dengan limbah berupa kepala, tulang dan buntut ikan.
Potongan ikan tersebut akan di proses ke stasiun selanjutnya, sedangkan
limbah akan dipindahkan ke ruang penanganan limbah. Rendemen yang
diperoleh dari hasil filleting ialah 45 - 58 % dari bobot bahan ikan dari
stasiun sebelumnya. Pada stasiun ini keahlian operator menjadi kunci
penting dalam menjaga kecepatan proses dan rendemen karena dibutuhkan
keterampilan khusus untuk menyayat ikan menjadi potongan dengan
bentuk yang baik.
41
5. Stasiun Trimming
Stasiun ini menerima bahan ikan yang berasal dari stasiun sebelumnya
yakni stasiun filleting. Terdapat beberapa proses pengerjaan yakni
deboning, deskinning dan trimming. Proses boning sendiri merupakan
proses penghilangan duri dari daging ikan, dengan menggunakan pinset
operator pada stasiun ini mencabut duri-duri ikan dari dalam daging. Proses
skinning dilakukan untuk produk fillet ikan skinless yakni daging ikan
dikuliti sehingga tidak ada kulitnya untuk produk ikan skin on tidak
dikuliti. Proses trimming merupakan proses perapihan bentuk daging ikan,
dengan menggunakan pisau, daging ikan yang diterima dibuang sisi-sisinya
yang tidak bagus sehingga menjadi baik tampilan dan bentuknya.
Rendemen yang diperoleh ialah 70 - 88 % dari bobot bahan ikan dari
stasiun sebelumnya.
6. Stasiun Washing
Setelah ikan melalui stasiun trimming ikan tersebut di cuci dengan
menggunakan larutan klorin 30 ppm di stasiun washing ini. Pencucian
dilakukan dengan cara merendam ikan di dalam larutan sambil dibersihkan
agar sisa duri maupun kotoran lainnya hilang.
7. Stasiun Sizing
Ikan yang telah dicuci, kemudian oleh stasiun sizing dipotong sesuai jenis
potongan yang ditentukan (portion cut,natural cut,one cut, finger) sesuai
dengan label arahan produksi. Setelah ikan di bentuk potongan tertentu
kemudian ikan di sortir sesuai ukurannya berdasarkan bobotnya. Standar
beratnya dapat dilihat pada Tabel 4.
Tabel 4. Bobot standar fillet
Ukuran Satuan
Finger Pieces
4 - 6 oz/pcs
6 - 8 oz/pcs
8 - 10 oz/pcs
42
8. Stasiun Panning
Setelah tersortasi ikan dengan label produksi non CO akan masuk ke
stasiun panning. Stasiun ini akan mencuci kembali ikan yang ada dengan
larutan klorin 20 ppm dan kemucian dicuci kembali dengan larutan klorin 0
ppm yang bertujuan untuk menghilangkan kadar klorin dalam tubuh ikan.
Setelah di cuci ikan akan dibungkus dengan plastik. Pembungkusan ini
terdapat dua tipe, yang pertama ialah tipe IWP (Individually Wrapping
Pack) dan yang kedua ialah dengan vacuum pack. Setelah daging ikan
dibungkus, daging ikan di susun ke dalam pan alumunium sesuai dengan
jenis produksinya, antar tumpukan ikan diberi pembatas (layer) dari plastik
untuk membedakan tiap jenis produk dan menghindari penempelen dengan
pan akibat pembekuan.
9. Stasiun Bagging
Ikan yang masuk ke stasiun ini ialah ikan dari stasiun sizing yang berlabel
produksi CO. Stasiun ini mencuci ikan yang masuk dengan larutan klorin
20 ppm dan kemucian dicuci kembali dengan air bersih yang bertujuan
untuk menghilangkan kadar klorin dalam tubuh ikan. Setelah itu setiap
potong ikan dimasukkan ke dalam sebuah kantong plastik, kemudian gas
CO diinjeksikan kedalam kantong tersebut hingga kantong penuh dengan
gas. Kantong yang telah terisi dengan gas akan di seal dengan sealer.
10. Stasiun Curing
Stasiun ini merupakan sebuah tempat penyimpanan ikan yang telah di
injeksi CO. Lama penyimpanan ialah lamanya sekitar satu hari dengan
suhu berkisar antara 0 sampai 5 oC. Penyimpanan ini dilakukan untuk
menunggu agar gas CO yang telah diinjeksi sebelumnya menyerap ke
dalam daging. Penyerapan CO pada daging ikan akan memberi efek
perubahan warna daging menjadi kemerahan. Kapasitas penyimpanan
stasiun curing adalah 20 ton.
11. Stasiun After Curing
Ikan yang berasal dari ruang curing di proses selanjutnya di stasiun after
curing ini. Stasiun ini mengeluarkan ikan dari kantong plastik CO dan
memeriksa keberhasilan penyerapan CO. Keberhasilan penyerapan di lihat
43
dari daging yang akan berwarna kemerahan, jika CO tidak terserap dengan
baik daging akan berwarna kehijauan. Ketika daging berwarna kehijauan
di bagian pinggir ikan maka ikan tersebut akan dirapihkan dengan cara
menghilangkan bagian tersebut menggunakan pisau (trimming). Daging
ikan yang sudah rapih kemudian dikemas dengan vacuum packing. Setelah
ikan selesai dibungkus ikan tersebut disusun kedalam pan alumunium,
antar tumpukan ikan di beri pembatas (layer) dari plastik untuk
membedakan tiap jenis produk dan menghindari penempelen dengan pan
akibat kondisi beku.
12. Stasiun Freezing
Fillet ikan yang telah disusun dalam pan akan masuk ke stasiun freezing
bersama-sama dengan produk selain fillet yang telah tersusun dalam pan.
Stasiun Freezing disini menggunakan alat pembekuan berjenis ABF (Air
Blast Freezer) yang bekerja dengan prinsip kerja yakni penukaran kalor
dengan cara menghembuskan udara dingin menggunakan kipas dan pipa
pendingin kecepatan tinggi. Stasiun freezing di PT. Global Tropical
Seafood ini mempunyai tiga ruang ABF dengan kapasitas masing-masing
6500, 6000, 5500 Kilogram. Proses pembekuan stasiun ini sendiri berjalan
dengan cara pan yang ada disusun dalam sebuah rak kemudian
dimasukkan ke dalam ruang ABF hingga kapasitas ruang ABF penuh.
Setelah ruang ABF terisi penuh maka alat tersebut baru di jalankan. Suhu
pembekuan di ruang ABF berkisar antara -30 sampai -40oC dengan lama
pembekuan selama 8 jam.
13. Stasiun Packing
Seluruh produk yang keluar dari stasiun Freezing akan diterima di stasiun
ini untuk dikemas sesuai pesanan. Stasiun ini mengemas sesuai label
produk arahan produksi untuk produk steak akan di glazing terlebih dahulu
sebelum dikemas dalam kantong dan di vacuum. Untuk produk fillet ikan
dari pan akan ditimbang ulang untuk mengetahui memeriksa ulang bobot
ikan yang akan dimasukkan ke dalam inner carton dan master carton.
Jenis kemasan disesuaikan dengan pesanan yang ada.
44
Jam kerja yang diterapkan oleh PT. Global Tropical Seafood untuk
semua lini produksi ialah mulai dari pukul 08.00 hingga 16.00 dengan waktu
istirahat satu jam yakni dari pukul 12.00 hingga 13.00 yang jika dijumlah
menjadi tujuh jam kerja efektif. Namun untuk stasiun kerja packing waktu
kerja dibuat menjadi tiga shift yang beroperasi selama 24 jam, dengan
pembagian shift sebagai berikut, Shift I bekerja dari pukul 08.00 hingga 16.00,
Shift II bekerja dari pukul 16.00 hingga 24.00, dan Shift III bekerja mulai
pukul 24.00 hingga 08.00. Shift II dan shift III merupakan shift tambahan yang
hanya diadakan jika dibutuhkan.
Shift tambahan itu diadakan sesuai kepentingan perusahaan dalam rangka
memenuhi permintaan pasar dan juga dapat disebabkan oleh karena adanya
produk yang selesai di bekukan pada waktu-waktu di luar jam kerja lini
produksi. Kebijakan untuk mengadakan shift tambahan ini dikendalikan oleh
manajer bagian perencanaan produksi. Untuk hari kerja sendiri perusahaan
menerapkan enam hari kerja dari hari senin hingga sabtu. Namun jika terdapat
bahan baku yang perlu diproses maka akan ada hari produksi tambahan di hari
minggu.
Di dalam setiap stasiun kerja terdapat seorang PJ (penanggung jawab)
yang bertanggung jawab terhadap kelancaran proses pada stasiun kerja yang
diawasinya. Tanggung jawb yang diberikan antara lain ialah mencatat jumlah
bahan yang terproses dan mengarahkan operator di stasiun kerja tersebut untuk
bekerja sesuai dengan yang diinginkan oleh perusahaan serta mengingatkan
para operator untuk tetap fokus pada pekerjaannya. PJ di dalam stasiun tersebut
tidak bekerja seperti operator, melainkan hanya mengawasi anggota kerja di
stasiun tersebut.
Seluruh stasiun kerja didalam lini produksi fillet ikan mempunyai urutan
yang tetap sesuai dengan tahapan proses yang dibuat. Untuk lebih jelasnya
pengurutan stasiun produksi lini produksi dan aliran bahan dalam lini produksi
fillet ikan beku ini dapat dilihat pada Gambar 10.
45
45
Produk Fillet SkinOn dan SkinLess Smoke
Produk Fillet SkinOn dan SkinLess SmokeProduk Fillet SkinOn dan SkinLess Non-Smoke
Produk Fillet SkinOn,SkinLess Smoke & Non Smoke
Stasiun Penyisikan(7 Org)
Supplyer
Stasiun Penerimaan(5 Org)
Stasiun Packing(3 Line @ 8 Org)
Freezing
Stasiun Filleting(5 Org)
Stasiun Trimming(2 Line @ 8 Org)
Stasiun Sizing (4 Org)
Stasiun Panning(6 Org)
Finished Product(Export)
Cold Storage
Raw Materials (Seluruh Produk)
Raw Materials (Seluruh Produk)
RM Produk Fillet SkinOn Smoke & Non Smoke
Stasiun Arahan Produksi(3 Org)
Supplyer
Supplyer
RM Produk Non-Fillet (Steak, WGGS, dsb)
Produk Fillet SkinOn Smoke & Non Smoke
Stasiun Bagging (2 Org)
CuringStasiun AfterCuring
(5 Org)
Produk Fillet Sk inOn dan SkinLess SmokeProduk Fillet SkinOn dan SkinLess Non-Smoke Produk Fillet SkinOn dan SkinLess Non-Smoke
Produk Non Fillet (WGGS, Kerang, Steak dsb)
Produk Fillet SkinLessSmoke & Non Smoke
Kett : Aliran ProdukFillet
Stasiun Washing(2 Org)
Produk Fillet SkinOn,SkinLess Smoke & Non Smoke
Produk Fillet SkinOn,SkinLess Smoke & Non Smoke
Batasan Sistem
Batasan Sistem
Gambar 10. Sistem Produksi Fillet Ikan Beku
46
B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku
Lini produksi di PT. Global Tropical Seafood secara umum merupakan
lini produksi yang bersifat dinamis oleh karena jenis bahan baku yang diterima
untuk diproses sesuai dengan jenis produk yang ada tidak selalu kontinu. Oleh
karena itu lini produksi yang terbentuk adalah berorientasi pada proses yang
akan dikerjakan. Lini produksi fillet ikan beku sendiri oleh perusahaan
dianggap sebagai lini produksi yang sifatnya kompleks oleh karena tidak
seperti lini produksi lainnya, lini produksi fillet ikan beku menghasilkan lebih
dari empat jenis varian produk sebagai akibat dari permintaan konsumen yang
beragam.
Kondisi aliran bahan di dalam lini produksi fillet ikan beku sesuai tata
letak yang diatur perusahaan ialah bahan yang bergerak dari stasiun ke stasiun
mempunyai waktu perpindahan yang sangat kecil, yakni dibawah dua detik.
Namun terdapat beberapa stasiun yang mempunyai waktu perpindahan bahan
yang lebih lama dari dua detik, seperti yang ditunjukkan oleh Tabel 5.
Tabel 5. Waktu perpindahan bahan antar stasiun
PengamatanKe -
Waktu Perpindahan Antar Stasiun (detik)StasiunPenyisikan KeStasiunFilleting
Stasiun AfterCuring & StasiunPanning KeStasiun Freezing
StasiunArahanProduksi KeStasiunFilleting
Stasiun ArahanProduksi KeStasiunPenyisikan
1 10,21 51,25 40,97 48,382 11,31 53,15 41,93 52,243 10,52 49,57 42,75 49,224 13,51 52,28 43,57 53,185 14,00 53,65 39,26 54,286 10,72 48,47 37,36 49,567 11,81 49,22 43,52 54,458 12,32 59,24 41,5 49,219 10,33 57,45 41,35 56,52
Rata- Rata 11,64 52,70 41,36 51,89
Gambaran ruang produksi di PT. Global Tropical Seafood dapat dilihat
pada lay out tata letak pabrik pada Lampiran 16.
Seperti yang telah diketahui sebelumnya jumlah stasiun kerja dalam
cakupan sistem produksi fillet ikan beku ialah sebanyak 13 stasiun kerja. Salah
47
satu stasiun kerja tersebut proses kerjanya berupa penyimpanan bahan. Stasiun
tersebut ialah stasiun curing, stasiun tersebut melakukan proses berupa
penyimpanan bahan yang dilakukan selama satu hari (waktu proses), sehingga
bahan yang dimasukkan pada hari ini akan diproses ke tahap selanjutnya pada
keesokannya.
Operator merupakan elemen penting yang menentukan waktu proses atau
pelayanan dalam stasiun tersebut. Jumlah operator dalam setiap stasiun tidak
berjumlah sama, oleh karena kebutuhan waktu pelayanan kerja yang berbeda,
kemampuan (skill) operator yang ada, serta jumlah peralatan yang tersedia.
Khusus untuk stasiun freezing dan stasiun curing tidak menggunakan operator,
melainkan mesin sehingga waktu pelayanan ditentukan oleh kapasitas mesin.
Selain jumlah operator dalam setiap stasiun kerja, terdapat elemen
kapasitas antrian di setiap stasiun kerja yang menentukan panjang antrian yang
diizinkan pada stasiun tersebut, jika panjang antrian melebihi kapasitas antrian
maka akan ada penolakan terhadap bahan distasiun tersebut. Namun oleh
karena sistem antrian disini merupakan sistem antrian produksi maka
penolakan tidak mungkin dilakukan karena bahan yang sudah masuk ke dalam
sistem antrian harus diproses hingga selesai, jika tidak dilakukan akan
menimbulkan kerugian biaya perusahaan akibat bahan baku yang terbuang
percuma. Penentuan kapasitas antrian setiap stasiun kerja didasarkan pada
kondisi fisik dalam sistem antrian tersebut. Selain kapasitas antrian, disiplin
antrian merupakan salah satu elemen penting yang diperhatikan dalam
membuat model yang berpengaruh pada pengaturan urutan bahan yang akan
masuk terlebih dahulu dalam setiap stasiun kerja. Untuk mengetahui jumlah
operator dalam setiap stasiun kerja secara detail beserta kapasitas dan disiplin
antrian dapat dilihat pada Tabel 6.
Faktor-faktor yang mempengaruhi terjadinya antrian dalam sebuah
sistem antrian ialah kecepatan pelayanan operator, kapasitas antrian, disiplin
antrian dan kecepatan kedatangan bahan baku. Sifat probabilitas kecepatan
kedatangan bahan dan kecepatan pelayanan operator merupakan faktor utama
yang menyebabkan terjadinya antrian pada lini produksi fillet ikan beku.
48
Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata
StasiunJumlah
line
Jumlah operator
per line (Orang)
Kapasitas antrian
per line (Kg)Disiplin antrian
Stasiun Penerimaan 1 5 21000 First In First Out
Stasiun Arahan Produksi 1 3 300 First In First Out
Stasiun Penyisikan 1 7 800 First In First Out
Stasiun Filleting 1 5 10700 First In First Out
Stasiun Trimming 2 8 100 First In First Out
Stasiun Washing 1 2 100 First In First Out
Stasiun Sizing 1 4 100 First In First Out
Stasiun Bagging 1 2 100 First In First Out
Stasiun Panning 1 6 100 First In First Out
Stasiun After Curing 1 5 100 First In First Out
Stasiun Freezing - - 5000 First In First Out
Stasiun Packing 3 8 500 First In First Out
Sifat probabilitas pada kecepatan pelayanan operator dalam sistem
antrian lini produksi fillet ikan beku dipengaruhi oleh karena operator
merupakan manusia yang kecepatan melayaninya dipengaruhi pada jenis bahan
yang masuk, perilaku produktif karyawan, motivasi kerja, kelelahan dan lain
sebagainya. Walaupun nilai tengah antara kecepatan pelayanan operator
dengan kecepatan kedatangan bahan sama, ketidakpastian dalam interaksi
antara kecepatan kedatangan bahan dengan kecepatan pelayanan operator
menimbulkan adanya antrian.
Antrian yang terjadi dapat menjadi sebuah kerugian akibat menambahnya
biaya dari pemakaian es yang lebih banyak, sebagai penjaga rantai dingin
dalam produksi. Saat ini harga es tersebut ialah Rp. 90/Kg dengan pemakaian
1:1 terhadap bahan baku dan lama pemakaian ideal selama sekitar satu jam.
Sistem antrian lini produksi fillet ikan beku di PT. Global Tropical
Seafood mengikuti pola antrian kombinasi jalur tunggal dan jalur ganda dengan
pelayanan pararel. Pola antrian lini produksi fillet ikan beku di PT. Global
Tropical Seafood secara umum dapat dilihat pada Gambar 11.
Kebijakan perusahaan saat ini dalam menentukan jumlah operator di
setiap stasiun kerja dilaksanakan secara dinamis oleh karena belum ada standar
baku yang dimiliki. Namun khusus untuk stasiun filleting jumlah operator
berkisar antara 4 hingga 5 orang, hal ini disebabkan pada stasiun tersebut
49
dibutuhkan keahlian khusus untuk memproses ikan, agar rendemen dan
kualitas potongannya baik. Saat ini beban kerja operator di setiap stasiun dapat
sewaktu-waktu dialihkan ke stasiun lain sesuai kebutuhan yang berkembang
saat kegiatan produksi berlangsung.
Dalam kegiatan produksinya pada stasiun kerja arahan produksi terdapat
pemisahan aliran bahan yakni bahan baku ikan untuk produksi fillet ikan beku
akan masuk ke lini produksi fillet ikan beku sedangkan bahan baku ikan
lainnya seperti kerang dan tenggiri akan masuk ke lini produksi masing-masing
sesuai produk yang ingin dibuat. Pembagian dibagi berdasarkan bahan yang
masuk ke lini produksi non fillet dan lini produksi fillet ikan beku.
Perbandingan yang ditetapkan oleh berdasarkan pengalaman produksi ialah 50
% akan masuk ke lini non fillet seperti lini produksi steak, WGGS, kerang,
butterfly dan lain sebagainya. Bahan baku yang akan masuk ke lini produksi
fillet ikan beku ialah sebanyak 50 % dari bahan yang keluar dari stasiun arahan
produksi.
Bahan baku yang masuk ke lini produksi fillet ikan beku sendiri juga
akan mengalami pemisahan, yakni untuk bahan baku jenis produk skin on
memerlukan proses penyisikan terlebih dahulu sehingga perlu diproses di
stasiun penyisikan terlebih dahulu sebelum masuk ke stasiun filleting dan
untuk bahan baku jenis skinless akan langsung masuk ke stasiun filleting.
Perbandingan bahan baku yang masuk ke stasiun penyisikan dengan ke stasiun
filleting langsung ialah 1 : 4. Jika dibandingkan dengan jumlah aliran bahan
baku yang keluar dari stasiun arahan produksi maka 50 % akan masuk ke lini
produksi non fillet, 40 % akan masuk ke lini produksi fillet ikan beku (stasiun
filleting), dan 10 % akan masuk ke lini produksi fillet ikan beku (stasiun
penyisikan).
Di dalam lini produksi fillet ikan beku sendiri terdapat pembagian aliran
bahan untuk produk fillet smoke (dengan injeksi CO) dan non smoke (tanpa
injeksi CO). Pembagian ini terjadi di stasiun stasiun sizing dengan proporsi 1 :
1 untuk bahan masuk ke stasiun panning (produk smoke) dan stasiun bagging
(produk non smoke).
50
Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. Global Tropical Seafood
Input OutputAntrian 1
Antrian 2
Antrian 3
Antrian j
Stasiun 1
Operator 1
Stasiun 2 Stasiun i
Operator 1 Operator 1
Operator 2 Operator 2 Operator 2
Operator 3
Operator n
Operator nOperator n
V. ANALISIS DAN PEMBAHASAN
A. Distribusi Data
Analisa distribusi data dilakukan untuk mengetahui sebaran peluang yang
akan terjadi di dalam sistem antrian. Waktu pelayanan dan waktu kedatangan
merupakan parameter yang diuji distribusi peluangnya untuk mengetahui
model antrian yang akan terbentuk. Sampel waktu kedatangan bahan dan
sampel waktu pelayanan operator diuji peluang distribusinya untuk mengetahui
peluang distribusi populasi sumber data. Waktu kedatangan bahan dan waktu
pelayanan operator di ambil dari kombinasi data pengamatan penulis dan data
historis perusahaan yang tercatat. Data yang ada diubah menjadi satuan dengan
basis yang sama, dalam penelitian ini basis yang diambil ialah Kilogram bahan
baku (RM), nilai konversi setiap stasiun kerja dapat dilihat pada Lampiran 3.
Data hasil pengamatan waktu kedatangan bahan dan waktu pelayanan operator
dapat dilihat pada Lampiran 1 dan Lampiran 2.
Hasil uji distribusi data tersebut akan menentukan metode yang tepat
untuk menyelesaikan permasalahan antrian yang terjadi. Ketika populasi data
memiliki distribusi peluang poisson atau eksponensial maka penyelesaian
masalah antrian di selesaikan dengan analisa model antrian baku. Apabila
populasi data memiliki distribusi selain poisson atau eksponensial maka analisa
antrian dilakukan dengan menggunakan teknik simulasi.
Sampel waktu kedatangan bahan dan waktu pelayanan operator yang
diambil dari data historis diuji distribusinya dengan menggunakan goodness of
fit test dengan metode Kolmogorov-Smirnov (K-S). Metode tersebut menguji
peluang distribusi data dengan cara membandingkan perbedaan dari fungsi
distribusi empiris data sampel dengan fungsi distribusi teoritis secara vertikal
(nilai statistik (Dn)). Ketika nilai statistik (Dn) lebih besar dari nilai kritis tabel
maka distribusi data tersebut akan dianggap tidak sama dengan distribusi data
teoritis yang diuji.
Analisa distribusi tersebut dilakukan dengan bantuan software Easyfit
3.2. Software tersebut mengurutkan kecocokan distribusi sampel data dengan
beberapa distribusi teoritis seperti poisson, eksponensial, normal, lognormal,
52
gamma, laplace, triangular, uniform, weibull, dan logistik. Contoh output dari
penggunaan software Easy Fit 3.2 dapat dilihat pada Lampiran 4. Selang
kepercayaan yang dipilih oleh penulis ialah sebesar 90 % ( = 10%). Seluruh
data yang diuji memiliki sebaran poisson atau eksponensial. Hasil uji
kesesuaian distribusi peluang data hasil pengukuran waktu kedatangan bahan
di setiap stasiun kerja dapat dilihat pada Tabel 7.
Tabel 7. Hasil Uji distribusi waktu kedatangan bahan
No. Nama Stasiun Jenis Distribusi Parameter1 Stasiun Penerimaan Weibull (3P) α=0.65549 β=9.5183 γ=0.16
2 Stasiun Penerimaan Jenis Proses 1 Weibull (3P) α=0.59931 β=5.5722 γ=0.6
3 Stasiun Penerimaan Jenis Proses 2 Weibull (3P) α=0.55653 β=2.9306 γ=1.25
4 Stasiun Penerimaan Jenis Proses 3 Weibull α=1.0393 β=1.1535
5 Stasiun Penerimaan Jenis Proses 4 Weibull (3P) α=0.57942 β=4.1059 γ=0.83
6 Stasiun Penyisikan Weibull α=3.6479 β=3.2566
7 Stasiun Filleting Gamma (3P) α=0.72012 β=4.4062 γ=1.99
8 Stasiun After Curing Gamma (3P) α=0.92224 β=10.394 γ=13.108
9 Stasiun Freezing Lognormal σ=1.7512 µ=1.2693
10 Stasiun Packing Weibull (3P) α=0.45189 β=18.623 γ=0.11
Untuk hasil uji kesesuaian distribusi peluang data hasil pengukuran
waktu pelayanan operator di setiap stasiun kerja dapat dilihat pada Tabel 8.
Tabel 8. Hasil Uji distribusi waktu pelayanan operator
No. Nama Stasiun Jenis Distribusi Parameter1 Stasiun Penerimaan Weibull (3P) α=0.86442 β=19.765 γ=3.63
2 Stasiun Penerimaan Jenis Proses 1 Weibull (3P) α=0.71844 β=20.551 γ=4.95
3 Stasiun Penerimaan Jenis Proses 2 Weibull (3P) α=0.5804 β=9.0434 γ=6.55
4 Stasiun Penerimaan Jenis Proses 3 Weibull α=3.1728 β=7.5644
5 Stasiun Penerimaan Jenis Proses 4 Weibull α=2.4041 β=23.808
6 Arahan Produksi Triangular µ=0.9 α=0.49066 β=1.7577
7 Stasiun Penyisikan Weibull (3P) α=0.83686 β=32.912 γ=53.92
8 Stasiun Filleting Weibull (3P) α=0.76051 β=15.188 γ=20.06
9 Stasiun Trimming Gamma (3P) α=1.4953 β=61.847 γ=56.811
10 Stasiun Washing Gamma (3P) α=1.5575 β=1.7432 γ=7.4394
11 Stasiun Sizing Gamma (3P) α=1.3072 β=12.491 γ=18.733
12 Stasiun Bagging Lognormal σ=0.22714 µ=4.0574
13 Stasiun Panning Gamma (3P) α=1.7571 β=39.055 γ=26.28
14 Stasiun After Curing Weibull α=2.7372 β=148.57
15 Stasiun Packing Gamma (3P) α=1.5989 β=85.768 γ=7.917
53
Stasiun Curing dan stasiun Freezing tidak mengalami perhitungan
distribusi waktu pelayanan. Hal itu dikarenakan pola pelayanan pada kedua
stasiun tersebut bersifat konstan, yakni pada stasiun Curing bahan disimpan
pada suhu maksimal 0 o C selama satu hari dan pada stasiun Freezing bahan
dibekukan selama 8 jam.
Hasil uji distribusi tersebut menunjukkan bahwa antrian yang terjadi
tidak mengikuti model baku yang telah ada, sehingga analisis antrian dilakukan
dengan cara membangun sebuah model simulasi.
B. Model Antrian
Pembentukan model antrian didasarkan pada kondisi nyata sistem
produksi fillet ikan beku di PT. Global Tropical Seafood. Dengan konfigurasi
yang sesuai dengan sistem produksi lini tersebut. Pembuatan model antrian
dilaksanakan dengan bantuan program QSS 1.0, program ini merupakan modul
data yang membantu penggunanya dalam mendefinisikan permasalahan antrian
kedalam model simulasi.
Model antrian yang dibentuk berisi komponen-komponen antrian seperti
distribusi kedatangan bahan, distribusi pelayanan operator, kapasitas antrian,
jumlah operator, dan variabel lain yang mendukung model tersebut. Selain
mengikuti konfigurasi sistem produksi nyata fillet ikan beku, digunakan
beberapa asumsi dalam membangun model dan menganalisis sistem antrian
dari lini produksi fillet ikan beku yakni :
1. Waktu perpindahan bahan antara stasiun diabaikan kecuali yang
memiliki nilai waktu perpindahan lebih besar dari dua detik, sehingga
waktu pelayanan suatu tahapan produksi akan menjadi waktu antar
kedatangan tahapan produksi berikutnya.
2. Kecepatan pelayanan operator sesuai dengan kondisi historis yang
diperoleh selama penelitian.
3. Kecepatan kedatangan bahan sesuai dengan kondisi historis yang
diperoleh selama penelitian.
Simulasi sistem antrian lini produksi fillet ikan beku diberi nama Sistem
Antrian Produksi Fillet Ikan Beku (SAPFIB). Sistem antrian tersebut
54
membentuk tiga buah model dengan empat buah sub model. Jumlah model
tersebut didasarkan pada konfigurasi yang ada pada sistem antrian lini produksi
fillet ikan beku.
Dalam membuat model dan sub model dalam rangka memudahkan input
data, setiap atribut dalam sistem antrian diberi kode penamaan yang spesifik.
Pendefinisian attribut antrian dalam simulasi SAPFIB dapat dilihat pada tabel
berikut.
Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB
No. Kode Penamaan Definisi Nyata Keterangan
1 BufferA Ruang Antrian Stasiun Kerja Penerimaan -
2 A(X) Unit Pelayanan Stasiun Kerja Penerimaan X = Nomor operator yang ada di dalam stasiunkerja tersebut.
3 BufferB Ruang Antrian Stasiun Arahan Produksi -
4 B(X) Unit Pelayanan Stasiun Arahan Produksi X = Nomor operator yang ada di dalam stasiunkerja tersebut.
5 BufferCA Ruang Antrian Stasiun Filleting -
6 CA(X) Unit Pelayanan Stasiun Filleting X = Nomor operator yang ada di dalam stasiunkerja tersebut.
7 BufferCB Ruang Antrian Stasiun Penyisikan -
8 CB(X) Unit Pelayanan Stasiun Penyisikan X = Nomor operator yang ada di dalam stasiunkerja tersebut.
9 BufferD(Y) Ruang Antrian Stasiun Trimming Y= Nomor lini antrian yang ada di dalamstasiun kerja tersebut
10 D(Y)(X) Unit Pelayanan Stasiun TrimmingX= Nomor Operator Yang ada di dalam LiniTersebut ,Y= Nomor lini antrian yang ada didalam stasiun kerja tersebut
11 BufferE Ruang Antrian Stasiun Washing -
12 E(X) Unit Pelayanan Stasiun Washing X = Nomor operator yang ada di dalam stasiunkerja tersebut.
13 BufferF Ruang Antrian Stasiun Sizing -
14 F(X) Unit Pelayanan Stasiun Sizing X = Nomor operator yang ada di dalam stasiunkerja tersebut.
15 Buffer GA Ruang Antrian Stasiun Panning -
16 GA(X) Unit Pelayanan Stasiun Panning X = Nomor operator yang ada di dalam stasiunkerja tersebut.
17 BufferGB Ruang Antrian Stasiun Bagging -
18 GB(X) Unit Pelayanan Stasiun Bagging X = Nomor operator yang ada di dalam stasiunkerja tersebut.
19 BufferGC Ruang Antrian Stasiun After Curing -
20 GC(X) Unit Pelayanan Stasiun After Curing X = Nomor operator yang ada di dalam stasiunkerja tersebut.
21 Buffer(Y) Ruang Antrian Y= Nomor lini antrian yang ada di dalamstasiun kerja tersebut (jika lebih dari satu)
22 Freezer(X) Unit Pelayanan Stasiun Freezing X= Nomor mesin yang ada di dalam stasiunkerja tersebut.
23 Operator(Y)(X) Unit PelayananX= Nomor Operator Yang ada di dalam LiniTersebut ,Y= Nomor lini antrian yang ada didalam stasiun kerja tersebut
21 KedatanganP Kedatangan Bahan Baku di Lini Produksi -
22 KedatanganAC Kedatangan Bahan di Stasiun After Curing -
23 KedItem(X) Kedatangan Bahan Baku X= Kode Jenis Bahan Baku
24 Kedatangan Kedatangan Bahan
55
Dengan berdasarkan konfigurasi sistem produksi fillet ikan beku pada
kondisi nyata dan dengan penggunaan asumsi model. Maka dibangun model
dengan kode komponen seperti yang telah disebutkan, menggunakan QSS 1.0
dengan hasil pemograman dalam bentuk matriks yang dapat dilihat pada
Gambar 12.
Model SAPFIB terdiri dari tiga buah model yang diberi nama model A,
model B dan model C. Model A merupakan model antrian yang
mensimulasikan sistem antrian dari stasiun penerimaan hingga stasiun panning
dan stasiun After Curing. Model B merupakan model antrian yang
mensimulasikan sistem antrian pada stasiun freezing. Model C merupakan
model antrian yang mensimulasikan sistem antrian pada stasiun Packing.
Pembagian SAPFIB menjadi tiga buah model disebabkan oleh karena
terdapat perbedaan waktu kerja dalam stasiun tersebut serta terdapat perbedaan
konfigurasi sistem antrian yang tidak dapat disimulasikan bersama ketika
seluruh stasiun disusun menjadi satu buah model. Prinsip anilisis data dalam
program QSS 1.0 dalam menampilkan hasil simulasi ialah mengadakan
observasi terhadap komponen-komponen yang terdapat dalam SAPFIB dan
mencatat kegiatan bahan yang masuk ke sistem hingga keluar dari sistem.
Tetapi seperti yang dijelaskan sebelumnya perbedaan konfigurasi sistem
antrian akan membuat program QSS 1.0 tidak akan mampu melakukan
observasi. Keterbatasan dalam melakukan simulasi model tersebut tidak akan
mampu memberikan analisis keseluruhan kinerja stasiun ketika digabung
menjadi satu buah model.
1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga Stasiun
Panning dan Stasiun After Curing (Model A)
Model A dibuat sesuai dengan keadaan sistem produksi yang berjalan
secara riil di perusahaan. Pada model A bahan mengalir dari stasiun
penerimaan hingga stasiun aftercuring untuk produk smoke dan stasiun
panning untuk produk non smoke. Terdapat dua buah komponen kedatangan
yakni KedatanganP dan KedatanganAC. Komponen kedatangan
KedatanganP merupakan kedatangan bahan baku yang diterima oleh stasiun
56
penerimaan dan mengalir hingga stasiun panning dan stasiun bagging.
Komponen kedatangan KedatanganAC menjadi kedatangan bahan di stasiun
After Curing, hal ini disebabkan output dari stasiun bagging masuk ke
stasiun curing selama satu hari, sehingga jika hal tersebut disimulasikan
selama jam kerja tidak mungkin akan ada bahan yang mengalir ke stasiun
After Curing sehingga menyebabkan simulasi aliran bahan akan terputus.
Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalambentuk matriks
Model yang telah dibuat kemudian disimulasikan selama 25200 detik
sesuai dengan jumlah jam kerja dalam satu hari yakni delapan jam kerja
dikurangi satu jam istirahat. Simulasi dilakukan sebanyak tiga kali ulangan
untuk mendapatkan hasil yang konsisten. Hasil simulasi dari SAPFIB
menghasilkan output antara lain berupa analisis kedatangan bahan,analisis
antrian, serta analisis tingkat utilitas pelayanan. Hasil simulasi kondisi nyata
model A dapat dilihat pada Lampiran 5.
57
Dari analisis kedatangan bahan output simulasi didapat informasi
bahwa terdapat penolakan bahan (balking) pada stasiun After Curing
sebanyak 23 kg bahan pada simulasi ulangan pertama, 52 kg pada simulasi
ulangan kedua, dan 4 kg pada simulasi ulangan ketiga. Sehingga jika dirata-
rata stasiun After Curing menolak bahan sebanyak 26,3 kg. Hal tersebut
berarti menunjukkan kedatangan bahan pada stasiun After Curing melebihi
kemampuan pelayanan stasiun tersebut. Walaupun dalam kondisi nyata
bahan tidak mungkin ditolak dalam proses produksi, kemungkinan yang
terjadi pada bahan tersebut ialah bahan diproses oleh operator dengan
tambahan waktu di luar jam kerja (lembur).
Untuk analisis stasiun pelayanan (server analysis) hasil simulasi
menunjukan tingkat utilitas operator secara rata-rata (overall) sebesar 32,51
% pada simulasi ulangan pertama, 35,75 % pada simulasi ulangan kedua
dan 34,12 % pada simulasi pada ulangan ketiga. Sehingga jika dirata-rata
utilitas operator berada pada tingkat 34,13 %. Hal tersebut menunjukan
bahwa operator mengalami banyak waktu idle dalam bekerja. Kondisi idle
tersebut saat ini dimanfaatkan perusahaan dengan menginstruksikan
operator melakukan pekerjaan lain seperti membersihkan ruang produksi
beserta peralatannya ataupun operator dipindahkan pada lini produksi
lainnya yang sedang mengalami kedatangan bahan baku dalam jumlah
besar. Satu hal lagi yang diperhatikan dalam kegiatan sehari-harinya ialah
proses produksi terkadang berhenti pada saat sebelum waktu kerja selesai
yakni sebelum pukul 16.00 hal itu akan membuat operator menjadi idle
dalam waktu yang panjang sesuai dengan pembacaan hasil simulasi.
Analisis kinerja sistem antrian dari hasil simulasi SAPFIB
menunjukan secara overall pada simulasi pertama jumlah bahan yang
menunggu ialah sebanyak 57,201 kg, pada simulasi kedua sebanyak
65,5649 kg dan pada simulasi ketiga sebanyak 51,6782 kg, sehingga jika di
rata-rata terjadi penumpukan bahan sebanyak 58,15 kg. Untuk waktu tunggu
yang terjadi (Wq) hasil simulasi pertama memberikan perhitungan secara
overall terjadinya antrian selama 146,4248 detik, simulasi kedua
memberikan waktu 153,2979 detik, dan simulasi ketiga sebesar 125,5244
58
detik. Jika dirata-rata waktu tunggu secara overall ialah 141,75 detik.
Berdasarkan pada hasil simulasi tersebut maka dapat disimpulkan terjadi
antrian bahan pada model A, namun porsi antrian tersebut terjadi yang pada
stasiun After Curing. Pada stasiun lain hampir dikatakan tidak mengalami
antrian. Hal tersebut dapat dilihat dari hasil simulasi pada Lampiran 5. Dari
output simulasi yang ditunjukkan pada Lampiran 5 ternyata tingkat utilitas
operator terendah terjadi di stasiun Arahan Produksi dengan tingkat utilitas
berkisar antara 2-3 %, sedangkan tingkat utilitas operator tertinggi terjadi
pada stasiun After Curing dengan tingkat utilitas operator diatas selalu
diatas 98 %. Perbedaan tingkat utilitas antara dua stasiun tersebut terlihat
tinggi, hal tersebut dapat menandakan bahwa sistem antrian di lini produksi
fillet ikan beku mengalami ketidakseimbangan tingkat pelayanan antara
tahapan produksi.
Analisis garbage collector merupakan analisis jumlah bahan yang
keluar dari sistem. Dalam SAPFIB model A ini bahan yang keluar dari
sistem merupakan bahan yang tidak masuk ke dalam lini produksi fillet ikan
beku. Jumlah customer collected merupakan jumlah bahan baku yang keluar
dari sistem antrian lini produksi fillet ikan beku.
Berdasarkan permasalahan di atas agar dapat membangun sebuah
sistem alternatif untuk model A yang lebih baik, dibutuhkan pemahaman
yang lebih mendalam mengenai sistem antrian tersebut. Pembuatan sub
model antrian dapat dilakukan untuk memberikan analisis yang lebih
mendalam terhadap sistem antrian lini produksi fillet ikan beku. Sub model
yang dibuat diharapkan dapat membantu memahami perilaku sistem secara
lebih rinci.
2. Kinerja Model Antrian Pada Stasiun Freezing (Model B)
Model B merupakan model sistem antrian yang terjadi pada stasiun
Freezing. Model ini dibuat karena pada dasarnya di stasiun Freezing
memiliki kedatangan tidak hanya dari lini produksi fillet ikan beku
melainkan dari seluruh lini produksi dari PT. Global Tropical Seafood serta
dari bahan baku yang perlu dibekukan.Waktu kerja stasiun Freezing tidak
59
seperti stasiun kerja lainnya yang bekerja selama 7 jam, melainkan dapat
bekerja selama 24 jam. Hal tersebut disebabkan unit pelayanan pada stasiun
Freezing berupa mesin yang melayani dengan waktu konstan dan dengan
pelayanan yang bersifat batch tidak seperti stasiun lainya yang unit
pelayanannya berupa tenaga manusia (operator).
Oleh karena bentuk pelayanan stasiun Freezing bersifat batch dan
tidak kontinyu, maka model antrian yang dibuat ialah model keseimbangan
antara jumlah bahan yang masuk dengan kapasitas pelayanan mesin
pendingin. Jumlah dan waktu kedatangan bahan pada stasiun Freezing dapat
dilihat pada Lampiran 1.
Simulasi penjadwalan waktu pelayanan pada stasiun freezing
dilakukan berdasarkan data pengamatan yang didapat selama melakukan
penelitian di PT. Global Tropical Seafood. Simulasi penjadwalan dilakukan
dengan berdasarkan ketentuan dan asumsi yang telah ditetapkan bersama
perusahaan. Ketentuan dan asumsi yang diterapkan dalam menyusun
simulasi penjadwalan pada stasiun freezing ialah sebagai berikut :
1. Penjadwalan waktu dan pemilihan mesin Freezer yang akan
dijalankan dilakukan berdasarkan sinkronisasi dengan penjadwalan
harian produksi.
2. Freezer dapat dijalankan ketika jumlah bahan di dalam mesin
mencapai 80 % kapasitas mesin, namun terdapat pengecualian
ketika produksi pada hari tersebut tidak memungkinkan untuk
mencapai 80% kapasitas mesin.
3. Waktu loading berkisar antara 30 menit hingga 120 menit untuk
setiap kedatangan bahan, loading dilakukan sesaat setelah bahan
tiba di stasiun Freezing.
4. Waktu unloading dan cleaning mesin adalah selama 3 jam untuk
setiap kali mesin dijalankan.
5. Prioritas jenis produk diabaikan.
6. Waktu downtime mesin diabaikan.
Berdasarkan ketentuan diatas dan data historis yang ada, maka dibuat
simulasi penjadwalan di stasiun Freezing. Hasil simulasi tersebut dapat
60
dilihat pada Lampiran 6. Antrian yang dimaksud dalam simulasi tersebut
ialah antrian sejumlah bahan yang disebabkan seluruh mesin pelayanan
sedang sibuk digunakan. Jumlah antrian maksimum per hari yang terjadi
selama simulasi antrian pada model B ini dapat dilihat pada Gambar 13.
Gambar 13. Grafik antrian maksimum pada stasiun Freezing
Dari hasil simulasi model B tersebut, dapat terlihat kinerja dari sistem
antrian pada kondisi nyata masih dapat di optimalkan. Antrian bahan
sebanyak tiga kali yakni 1589,3 kg, 7808,3 kg dan 7808,3 kg selama hasil
pengamatan memberi gambaran bahwa pada saat tertentu jumlah
kedatangan bahan dapat melampaui kapasitas kerja stasiun Freezing. Hal ini
tentunya ingin dihindari perusahaan oleh karena antrian yang terjadi pada
stasiun Freezing dapat menurunkan keluaran produk dari perusahaan.
3. Kinerja Model Antrian Pada Stasiun Packing (Model C)
Model C ini dibuat untuk memperlihatkan sistem antrian yang terjadi
di stasiun Packing. Berbeda dengan stasiun lainnya, stasiun Packing
mempunyai jam kerja selama 24 jam yang dibagi menjadi tiga shift kerja.
Kedatangan bahan dicatat berdasarkan output bahan dari stasiun freezing
yang berupa seluruh produk PT. Global Tropical Seafood. Hasil pengamatan
kedatangan stasiun Packing dapat dilihat pada Lampiran 1 dan Lampiran 2.
61
Jumlah operator sendiri diasumsikan perusahaan memakai jumlah yang
tetap yakni tiga kelompok kerja dengan jumlah setiap kelompok kerja
delapan orang operator dan seluruh shift kerja diadakan.
Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalambentuk matriks
Simulasi yang dilakukan selama 75600 detik (21 jam kerja) memberi
hasil berupa analisis kedatangan, utilitas kerja dan antrian yang dapat dilihat
pada Lampiran 7. Hasil analisis utilitas pelayanan menunjukan tingkat
utilitas operator secara overall selama tiga kali simulasi adalah sebesar
13,56 % , 13,54 % dan 13,38 % yang berarti jika di rata-rata utilitas server
pada stasiun ini adalah sebesar 13,48 %. Untuk analisis antrian sendiri rata-
rata waktu tunggu bahan secara overall ialah pada tiga kali ulangan simulasi
menunjukan nilai mendekati 0.
Kondisi nyata yang menyebabkan rendahnya utilitas operator ialah
karena laju kedatangan bahan baku lebih kecil dibanding dengan
kemampuan pelayanan pada stasiun Packing ini. Pada kondisi nyata jumlah
operator dan pengadaan shift di dalam stasiun Packing ini ditentukan
berdasarkan kebijakan perusahaan dalam mengadakan kegiatan
pengemasan.
62
C. Sub Model Antrian
Dalam membuat sub model antrian pemilihan sub model didasarkan pada
titik-titik unit pelayanan dalam model yang mempunyai kondisi kedatangan
yang unik. Unik disini artinya ialah memiliki kondisi yang berbeda secara
khusus dari kondisi model utama dalam sistem. Proses simulasi yang akan di
jalankan akan memakai beberapa asumsi untuk mendapatkan analisis terbaik.
Asumsi tersebut ialah kedatangan bahan pada sub model adalah kontinyu
dengan kondisi kedatangan pada saat puncaknya dan berada dalam keadaan
steady state. Selain itu jumlah operator dan kapasitas antrian tetap sesuai
dengan model utama yang ada.
1. Sub Model Penerimaan
Sub model penerimaan merupakan sub model yang menggambarkan
kondisi di stasiun penerimaan. Pada model utama stasiun penerimaan dibuat
dengan kedatangan bahan baku secara agregat dan waktu pelayanan secara
agregrat demi menyelaraskan kondisi antar stasiun kerja ke dalam satu
satuan kerja sehingga dapat tercipta model utama yang sinkron. Pada
kondisi riilnya kedatangan bahan baku terjadi dengan jenis yang beragam
sehingga dibutuhkan waktu pelayanan yang berbeda untuk setiap jenis
bahan baku yang masuk. Hal ini tercatat selama pengamatan seperti yang
dapat dilihat pada Lampiran 1 untuk waktu antar kedatangan, dan Lampiran
2 untuk waktu pelayanan.
Pemograman dalam pembuatan sub model penerimaan memanfaatkan
empat komponen kedatangan yang masing-masing komponen mewakili
kedatangan suatu jenis bahan baku pada kondisi riilnya. Bahan baku
tersebut di bagi menjadi empat jenis disesuaikan dengan perbedaan waktu
pelayanan, yakni jenis proses satu yang merupakan bahan baku jenis ikan
segar yang diterima dengan pelayanan di stasiun penerimaan berupa
pencucian, sortasi dan penimbangan; jenis proses dua yang merupakan
bahan baku berjenis selain ikan segar seperti kerang, bekutak dengan
pelayanan di stasiun penerimaan berupa pencucian dan penimbangan; jenis
proses tiga yang merupakan bahan baku ikan beku seperti tenggiri yang
63
diterima dengan pelayanan di stasiun penerimaan berupa penimbangan;
jenis proses empat yang merupakan bahan baku campuran dari ikan segar
dan non ikan segar seperti dengan pelayanan di stasiun penerimaan berupa
penyesuaian sesuai bahan baku.
Unit pelayanan dalam stasiun ini terdiri dari lima orang operator yang
dengan asumsi pelayanan pararel dengan distribusi waktu pelayanan sesuai
data historis sesuai dengan bahan baku yang diproses. Penulisan program
dalam bentuk grafis dapat dilihat pada gambar berikut.
Gambar 15. Penulisan model simulasi sub model penerimaan padaprogram QSS 1.0 dalam bentuk grafis
Hasil analisis simulasi dari sub model penerimaan secara lengkap
dapat dilihat pada Lampiran 8. Simulasi yang di jalankan pada sub model
penerimaan adalah simulasi selama 25200 detik, waktu simulasi selama
25200 detik digunakan untuk mengetahui kinerja stasiun tersebut pada saat
kedatangan bahan dalam kondisi steady state. Hasil simulasi analisis
kedatangan bahan baku menunjukan terjadi penolakan bahan baku (balking)
secara keseluruhan pada tiga kali ulangan simulasi sebesar 17398 kg, 16793
kg, 16771 kg sehingga jika di rata-rata terjadi balking sebanyak 16987,33
kg.
64
Hasil simulasi antrian menunjukan utilitas kerja operator di stasiun
tersebut secara overall pada tiga kali ulangan simulasi ialah sebesar 99,96 %
, 99,95 % dan 99,97 % sehingga jika di rata-rata utilitas operator adalah
sebesar 99,96 %. Nilai utilitas tersebut menunjukan bahwa operator bekerja
dengan waktu idle yang minimum.
Hasil simulasi analisis antrian menunjukan rata-rata waktu tunggu
secara overall ialah pada tiga kali ulangan simulasi ialah sebesar 7827,334
detik , 7873,6 detik dan 7920,789 detik sehingga jika di rata-rata waktu
tunggu adalah sebesar 7873,91 detik. Jumlah rata-rata bahan yang
menunggu pada tiga kali ulangan simulasi sendiri ialah sebesar 4427,497
kg, 4436,729 kg dan 4432,443 kg. Jika di rata-rata maka bahan yang
menunggu ialah sebanyak 4432,223 kg. Hal ini berbeda dengan hasil
simulai dari model utamanya, disebabkan asumsi yang digunakan ialah pada
simulasi sub model penerimaan ini bahan baku yang datang mempunyai
empat jenis penanganan yang berbeda dan lingkup simulasi dikhususkan
pada stasiun kerja penerimaan yang sedang menerima kedatangan bahan
baku pada kondisi puncaknya dan kontinyu.
Waktu tunggu dan jumlah bahan yang menunggu serta utilitas
operator memberikan informasi bahwa di stasiun penerimaan pada saat
sibuk membutuhkan penambahan sejumlah operator agar sistem produksi
berjalan secara efektif.
2. Sub Model Penyisikan
Sub model penyisikan merupakan sub model sistem antrian pada
stasiun penyisikan. Analisis parsial yang dilakukan pada stasiun ini
dilakukan karena pada dasarnya stasiun ini menerima kedatangan bahan
baku berdasarkan dari stasiun arahan produksi yang membagi kedatangan ke
stasiun lain (stasiun Filleting dan lini produksi lain) dan sewaktu-waktu
stasiun penyisikan dapat mengerjakan bahan dari penyimpanan bahan baku.
Kondisi nyata yang pernah terjadi di perusahaan, stasiun penyisikan sibuk
pada pagi hari yang membuat perusahaan mengalihkan sebagian besar
operator ke stasiun ini ketika bahan baku datang, namun ketika siang
65
harinya berhenti beroperasi oleh karena bahan baku untuk produk fillet skin
on sudah habis. Konfigurasi antrian sub model ini juga mengikuti model
utama.
Simulasi selama 25200 detik dilakukan untuk melihat kinerja stasiun
penyisikan pada keadaan sibuk (bahan baku kontinyu). Pengamatan
kedatangan pada stasiun ini pun dilakukan pada titik persis sebelum stasiun
bahan masuk ke stasiun penyisikan. Hasil pengamatan dapat dilihat pada
Lampiran 1. Untuk distribusi waktu pelayanan sendiri mengikuti data
historis seperti yang digunakan pada model utama.
Gambar 16. Penulisan model simulasi sub model penyisikan pada programQSS 1.0 dalam bentuk matriks
Analisis kedatangan bahan selama tiga kali ulangan simulasi pada
Lampiran 9, menunjukkan terjadi penolakan bahan (balking) sebesar 5777
kg, 5787 kg, dan 5804 kg sehingga jika di rata-rata terjadi penolakan sebesar
5789,33 kg. Hal tersebut menunjukan bahwa tingkat kedatangan di stasiun
tersebut melebihi kemampuan kapasitas antrian yang ada sehingga bahan
tidak terlayanani.
Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator
secara overall selama tiga kali simulasi adalah sebesar 99,67 % , 99,65 %
dan 99,76 % yang berarti jika di rata-rata utilitas server pada stasiun ini
adalah sebesar 99,69 %. Untuk analisis antrian sendiri rata-rata waktu
tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah
sebesar 7429,695 detik , 7456,611detik dan 7524,08 detik sehingga jika di
rata-rata waktu tunggu adalah sebesar 7470,13 detik. Data tersebut
menunjukan bahwa dalam keadaan sibuk stasiun penyisikan dapat
mengalami antrian, antrian bahan dapat memberikan kerugian bagi
66
perusahaan dari naiknya resiko kerusakan bahan. Untuk melihat hasil
simulasi secara lengkap dapat dilihat pada Lampiran 9.
3. Sub Model Filleting
Pembuatan sub model filleting didasari atas alasan yang sama dengan
pembuatan sub model penyisikan. Sub model filleting mengambil ruang
lingkup pada stasiun Filleting. Sub model ini akan menganalisis kinerja
stasiun Filleting secara parsial. Stasiun Filleting sendiri bagi perusahaan
merupakan stasiun yang membutuhkan operator dengan keahlian khusus
sehingga tidak sembarang orang yang ditempatkan di stasiun ini.
Konfigurasi sistem antrian ini mengikuti konfigurasi yang sama dengan
model utama.
Pengamatan kedatangan pada stasiun ini pun dilakukan pada titik
persis sebelum stasiun bahan masuk ke stasiun Filleting. Hasil pengamatan
dapat dilihat pada Lampiran 1. Untuk distribusi waktu pelayanan sendiri
mengikuti data historis seperti yang digunakan pada model utama.Simulasi
selama 25200 detik dilakukan untuk melihat kinerja stasiun Filleting pada
keadaan sibuk (bahan baku kontinu). Hasil simulasi tersebut dapat dilihat
pada Lampiran 10.
Gambar 17. Penulisan model simulasi sub model filleting pada programQSS 1.0 dalam bentuk matriks
Analisis kedatangan bahan selama tiga kali ulangan simulasi pada
Lampiran 10, menunjukkan terjadi penolakan bahan (balking) sebesar 185
kg, 282 kg, dan 91 kg sehingga jika di rata-rata terjadi penolakan sebesar
186 kg. Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator
secara overall selama tiga kali simulasi adalah sebesar 99,89 %, 99,86 %
dan 99,83 % yang berarti jika di rata-rata utilitas server pada stasiun ini
67
adalah sebesar 99,86 %. Untuk analisis antrian sendiri rata-rata waktu
tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah
sebesar 1157,14 detik , 1435,455 detik dan 1035,768 detik sehingga jika di
rata-rata waktu tunggu adalah sebesar 1209,45 detik. Data tersebut
menunjukan perlunya pengembangan model untuk meminimasi waktu
tunggu bahan yang jika adanya waktu tunggu bahan maka dapat
memberikan kerugian bagi perusahaan dari naiknya resiko kontaminasi
bahan. Hasil Simulasi sub model filleting dapat dilihat pada Lampiran 10.
4. Sub Model After Curing
Sub model After Curing merupakan bagian dari model A yakni
merupakan sub model yang menggambarkan keadaan stasiun After Curing.
Sub model After Curing ini dibuat oleh karena kedatangan bahan pada
stasiun ini selama waktu kerja tidak mengikuti kedatangan bahan baku pada
hari yang sama, kedatangan pada stasiun After Curing mengikuti pola
kedatangan sendiri yakni kedatangan dari stasiun Curing. Hal ini
disebabkan oleh karena stasiun Curing merupakan stasiun penyimpanan
yang waktu prosesnya adalah satu hari proses penyimpanan yang berarti
bahan yang masuk ke stasiun tersebut pada proses hari ini akan keluar pada
keesokan harinya. Selain itu selama proses produksi berlangsung stasiun ini
dapat bekerja sendiri tanpa ada dukungan stasiun lainnya, dengan kata lain
ketika tidak ada bahan baku yang datang pada hari ini yang membuat lini
produksi fillet ikan beku tidak beroperasi, stasiun After Curing masih dapat
beroperasi mengerjakan bahan baku yang didapat pada hari kemarin. Untuk
hasil pengamatan kedatangan bahan pada stasiun tersebut, dapat dilihat pada
Lampiran 1. Waktu pelayanan dan konfigurasi antrian adalah sama seperti
yang digunakan pada model utama.
Gambar 18. Penulisan model simulasi sub model after curing pada programQSS 1.0 dalam bentuk matriks
68
Simulasi dilakukan selama 25200 detik untuk melihat kinerja stasiun
After Curing pada keadaan sibuk (bahan baku kontinu). Output simulasi
dapat dilihat pada Lampiran 11 menunjukkan terjadi penolakan bahan
(balking) sebesar 3 kg, 16 kg, dan 0 kg sehingga jika di rata-rata terjadi
penolakan sebesar 6,3 kg. Hasil analisis utilitas pelayanan menunjukan
tingkat utilitas operator secara overall selama tiga kali simulasi adalah
sebesar 99,44 % , 99,40 % dan 99,17 % yang berarti jika di rata-rata utilitas
server pada stasiun ini adalah sebesar 99,34 %. Untuk analisis antrian
sendiri rata-rata waktu tunggu bahan secara overall ialah pada tiga kali
ulangan simulasi ialah sebesar 1249,751 detik, 1298,56 detik dan 849,8104
detik sehingga jika di rata-rata waktu tunggu adalah sebesar 1132,71 detik.
Hasil simulasi tersebut menunjukan pada kondisi sibuk stasiun after curing
dengan jumlah operator standar tidak mampu melayani bahan yang masuk
secara efektif, antrian pada bahan maka dapat memberikan kerugian bagi
perusahaan dari naiknya resiko kontaminasi bahan.
D. Pengembangan Model
Melihat hasil analisis sistem antrian pada sistem nyata, pengembangan
model antrian perlu dilakukan untuk memperoleh kinerja yang lebih baik.
Pengembangan model antrian dilakukan dengan dua buah skenario, skenario
pertama ialah pengembangan model antrian dilakukan dengan cara merubah
kecepatan kedatangan bahan atau tingkat kedatangan bahan, dan skenario
kedua ialah pengembangan model antrian dilakukan dengan cara merubah
kecepatan pelayanan antara stasiun dengan pengaturan jumlah operator di
setiap stasiun.
Hasil analisis model antrian pada sistem nyata menunjukan terjadinya
waktu idle yang tinggi pada operator. Hal tersebut dapat memberikan kerugian
pada perusahaan dalam hal nilai efisiensi penggunaan sumber daya perusahaan.
Waktu tunggu yang terjadi dapat memberikan kerugian berupa resiko yang
lebih tinggi terhadap kerusakan bahan. Naiknya jumlah kedatangan bahan baku
dapat memberikan beban kerja yang lebih banyak sehingga waktu idle operator
akan berkurang. Bertambahnya jumlah operator dan perubahan metode kerja
69
operator pada sebuah stasiun kerja akan memberikan kecepatan pelayanan
yang lebih tinggi. Hal tersebut terjadi karena beban kerja yang didistribusikan
pada setiap operator akan terbagi secara pararel dan kemampuan kerja operator
lebih terampil. Pendistribusian beban kerja akan membuat idle time setiap
operator semakin tinggi namun disamping itu juga dapat mengurangi waktu
tunggu akibat bahan yang masuk ke stasiun tersebut akan dengan lebih cepat
diproses.
1. Pengembangan Model Dengan Skenario Perubahan Tingkat
Kedatangan
Untuk mendapatkan kinerja yang lebih baik pada sistem antrian lini
produksi fillet ikan beku (SAPFIB) maka dilakukan simulasi skenario
berbagai tingkat kedatangan yakni dengan mengurangi ataupun menambah
jumlah bahan baku. Pengurangan jumlah bahan baku yang masuk dilakukan
apabila kecepatan waktu pelayanan unit pelayanan lebih rendah dari
kecepatan kedatangan bahan baku yang saat ini berlangsung di dalam sistem
antrian kondisi nyata. Kecepatan unit pelayanan yang lebih rendah dari
kecepatan kedatangan bahan dapat dilihat dari tingginya utilitas operator
dan terjadinya antrian serta balking. Penurunan jumlah kedatangan bahan
baku akan memberikan beban kerja yang lebih rendah sehingga dapat
menurunkan tingkat utilitas operator dan menghilangkan antrian serta
balking. Kecepatan kedatangan bahan yang lebih rendah dari kecepatan
pelayanan unit pelayanan akan menyebabkan tingkat utilitas operator relatif
rendah (idle time tinggi). Penambahan jumlah bahan baku yang masuk
memberikan beban kerja yang lebih tinggi, sehingga akan mengurangi
jumlah idle time operator. Namun perlu diingat kenaikan jumlah kedatangan
bahan juga akan memperbesar kemungkinan terjadinya antrian dan balking.
Pengembangan model dengan skenario perubahan tingkat kedatangan
dalam penerapannya dapat menemui kendala pada penyediaan bahan baku,
karena berkaitan dengan pasokan bahan baku yang bersifat stokastik. Sifat
stokastik itu adalah dikarenakan bahan baku yang digunakan merupakan
produk perikanan yang didapat dari hasil laut yang berkaitan dengan alam.
70
Usaha yang dapat dilakukan oleh perusahaan untuk menambah atau
mengurangi kedatangan bahan baku ialah dengan menjalin kerja sama yang
baik dengan para pemasok bahan baku.
Dalam mengembangkan model antrian dengan berbagai tingkat
kedatangan digunakan beberapa asumsi yaitu :
1. Sistem antrian bersifat steady state
2. Kecepatan unit pelayanan tetap sesuai data historis
3. Konfigurasi antrian mengikuti model pada kondisi nyata
a. Model A
Pada SAPFIB, model A terdapat dua buah komponen kedatangan
yakni komponen kedatangan KedatanganP dan komponen kedatangan
KedatanganAC. Komponen kedatangan KedatanganP akan memberikan
tingkat kedatangan bahan untuk stasiun penerimaan hingga stasiun
panning untuk produk non smoke dan stasiun bagging untuk produk
smoke. KedatanganAC akan menjadi tingkat kedatangan untuk stasiun
After Curing.
Jika melihat hasil output simulasi kondisi nyata pada model A pada
Lampiran 5, dapat dipahami bahwa idle time yang terjadi cukup tinggi
untuk stasiun kerja yang mendapatkan sumber kedatangan dari
komponen KedatanganP. Untuk stasiun kerja yang mendapat tingkat
kedatangan berdasarkan komponen KedatanganAC menunjukan utilitas
operator relatif tinggi hingga menimbulkan antrian dan balking. Kondisi
tersebut memberi kesimpulan bahwa pada komponen kedatangan
KedatanganP tingkat kedatangan bahannya lebih kecil dari tingkat
pelayanan stasiun kerja yang ada dan pada komponen KedatanganAC
tingkat kedatangan bahan lebih besar dari tingkat pelayanan stasiun kerja
yang ada.
Pengembangan model yang dilakukan pada komponen kedatangan
KedatanganP dilakukan dengan menaikkan tingkat kedatangan bahan
hingga memberikan tingkat utilitas operator yang tertinggi dengan
antrian yang minimum. Pengembangan model pada komponen
KedatanganAC dilakukan dengan menurunkan tingkat kedatangan bahan
71
hingga waktu antrian minimum dan tidak terjadi balking pada tingkat
utilitas operator yang maksimal.
Untuk menetapkan jumlah kenaikan dan penurunan tingkat
kedatangan dilakukan dengan metode trial and error yakni dengan
mengkalikan jumlah kedatangan bahan dari data historis dengan suatu
bilangan. Tabel 10 menunjukan hasil dari trial and error beserta
perbandingan perubahan kinerja dari sistem antrian pada model A dari
stasiun penerimaan hingga stasiun panning dan stasiun bagging. Tabel 11
menunjukan hasil dari trial and error beserta perbandingan perubahan
kinerja dari sistem antrian stasiun After Curing pada model A.
Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalammodel A
ParameterTingkat KedatanganKondisiHistoris
2x KondisiHistoris
3x KondisiHistoris
4x KondisiHistoris
5x KondisiHistoris
Rata-rata tingkat utilitas operator (%)1. Stasiun Penerimaan 37,17 72,71 99,63 99,82 99,83
2. Stasiun Arahan Produksi 2,59 5,05 7,01 6,99 7,08
3. Stasiun Penyisikan 9,26 18,23 24,90 24,76 27,52
4. Stasiun Filleting 27,35 55,89 74,89 73,83 75,09
5. Stasiun Trimming 33,92 67,66 92,16 89,18 91,71
6. Stasiun Washing 18,33 36,35 49,60 48,74 49,68
7. Stasiun Sizing 31,65 62,47 85,34 83,98 83,84
8. Stasiun Panning 29,37 56,04 91,45 88,46 90,30
9. Stasiun Bagging 51,37 97,13 98,40 98,54 98,75
10. Overall 26,77 52,39 69,26 68,26 69,31
Rata-rata waktu tunggu bahan (detik)1. Stasiun Penerimaan 1,49 19,44 1629,05 3799,88 6063,65
2. Stasiun Arahan Produksi 0,00 0,00 0,00 0,00 0,00
3. Stasiun Penyisikan 0,00 0,00 0,02 0,00 0,01
4. Stasiun Filleting 0,20 4,49 9,79 7,95 9,64
5. Stasiun Trimming 0,24 11,36 130,50 65,96 33,70
6. Stasiun Washing 0,25 0,87 1,42 1,44 1,41
7. Stasiun Sizing 0,46 4,28 11,92 11,73 12,28
8. Stasiun Panning 0,65 7,20 382,95 116,84 493,67
9. Stasiun Bagging 14,22 1065,53 2237,63 2283,40 2330,61
10. Overall 1,95 123,68 489,25 698,58 993,89Balking (kg)
1. Overall 0 0 0 0 0
72
Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun After Curing dalammodel A
ParameterTingkat KedatanganKondisiHistoris
0,5x KondisiHistoris
0,6x KondisiHistoris
0,75x KondisiHistoris
Rata-rata tingkat utilitas operator (%)1. Stasiun After Curing 99,38 58,07 65 83,26
Rata-rata waktu tunggu bahan (detik)1. Stasiun After Curing 1398,15 0,1919 0,871 13,71
Balking (kg)1. Overall 26,3 0 0 0
Berdasarkan hasil pengembangan model dengan berbagai skenario
tingkat kedatangan tersebut untuk mendapatkan kinerja sistem antrian
yang paling efisien dengan kriteria waktu tunggu minimum dan tingkat
utilitas operator maksimum, adalah apabila pabrik ini beroperasi dengan
volume atau kapasitas produksi 3 kali lebih besar dari volume produksi
yang ada pada saat dilakukan penelitian. Dengan kata lain efisiensi
penggunaan sumber daya yang maksimum terjadi jika jumlah bahan yang
diproduksi (input) atau tingkat kedatangan bahan di stasiun penerimaan
adalah sebanyak 3 kali dari jumlah bahan pada data historis selama
penelitian. Hal tersebut dinilai demikian oleh karena pada tingkat
kedatangan yang lebih tinggi tingkat utilitas operator tidak lagi naik
secara signifikan. Untuk pengembangan model A pada komponen
kedatangan di stasiun After Curing, tingkat kedatangan yang
menghasilkan penggunaan sumberdaya secara efektif dan efisien dengan
kriteria waktu tunggu minimum dan tingkat utilitas operator maksimum
serta tidak adanya balking, adalah apabila tingkat kedatangan bahan
sebanyak 0,75 kali lipat dari tingkat kedatangan historis selama
pengamatan penelitian. Hal tersebut didasari dari hasil simulasi yang
menunjukkan pada tingkat kedatangan tersebut tingkat utilitas operator
masih relatif tinggi, dengan waktu antrian minimum dan tidak ada
balking.
73
Gambar 19. Penulisan model simulasi A alternatif skenario perubahantingkat kedatangan bahan pada program QSS 1.0 dalambentuk matriks
Pengembangan model dengan skenario perubahan tingkat kedatangan
ini memang memberikan kinerja lebih baik untuk tingkat utilitas operator
dalam model tersebut namun jumlah bahan dan antrian yang terjadi ikut
meningkat, hal ini dapat dilihat pada hasil simulasi dalam Lampiran 12.
Kombinasi tingkat kedatangan tersebut secara keseluruhan dapat
meningkatkan kinerja dari sistem antrian, seperti yang ditunjukkan dalam
hasil simulasi pada Lampiran 12, tingkat utilitas operator selama tiga kali
ulangan simulasi adalah 76,43 %, 75,46 % dan 76,11 % sehingga jika
dirata-rata adalah 76 %. Namun seperti pada simulasi kondisi nyata
masih terjadi ketidakseimbangan tingkat utilitas operator antara stasiun
yakni pada stasiun Arahan Produksi tingkat utilitas operator berada pada
kisaran 7 % dan pada stasiun Penerimaan, Sizing, Trimming, Panning,
dan Bagging tingkat utilitas operator berada pada tingkat lebih besar dari
80 %. Hal tersebut juga yang menyebabkan naiknya waktu tunggu bahan
(antrian) seperti yang dilihat pada Lampiran 12, antrian yang sangat
padat terjadi pada stasiun penerimaan, namun hal ini tidak dirasakan pada
stasiun arahan produksi dan stasiun penyisikan.
74
b. Model B
Pada model B simulasi sistem antrian yang terjadi menunjukan
terjadinya antrian hanya pada saat tertentu saja ketika produksi hariannya
melebihi kapasitas mesin pendingin. Dalam model B ini pengembangan
model dengan skenario perubahan tingkat kedatangan bahan berarti
merubah tingkat kedatangan bahan agar sesuai dengan kapasitas
pelayanan mesin. Perhitungan kedatangan bahan pada stasiun freezing
dilakukan secara agregat dan dengan pola pelayanan konstan. Tingkat
kedatangan yang disarankan ialah maksimal per harinya sebesar 18.000
kg sesuai dengan kapasitas mesin pendingin.
Namun tingkat kedatangan tersebut hanya berlaku ketika pola
kedatangannya tetap seperti kondisi kedatangan historis selama
penelitian. Pada Lampiran 6, waktu idle rata-rata mesin setiap hari
produksi yakni 67,8 % untuk Freezer 1, 84,0 % untuk Freezer 2, dan
33,7 % untuk Freezer 3 menunjukkan bahwa freezer tersebut pada
dasarnya dapat melayani bahan pada kapasitas yang lebih besar dari
18.000 kg setiap harinya. Hal tersebut dapat terjadi dengan
mengembangkan pola kedatangan bahan pada stasiun Freezing.
Pengembangan pola kedatangan bahan di stasiun Freezing dapat
dilakukan dengan perbaikan sistem penjadwalan produksi dengan
memperhatikan waktu servis mesin, dan sinkronisasi produksi antar lini
produksi serta kapasitas penyimpanan bahan baku yang tidak di analisis
dalam penelitian khusus ini. Pengembangan model antrian dapat lebih
baik jika dilakukan juga dengan perbaikan pola kedatangan bahan yang
dilakukan dengan perubahan sistem penjadwalan.
c. Model C
Pengembangan model dengan skenario perubahan tingkat kedatangan
pada model C ini bertujuan untuk memperlihatkan pada tingkat
kedatangan seperti apa penggunaan sumber daya manusia sebagai unit
pelayanan dapat bekerja secara efektif dan efisien. Hasil output simulasi
dari model C memberikan gambaran bahwa terjadi idle time yang relatif
75
tinggi pada stasiun kerja Packing selama 24 jam waktu kerja dengan
komposisi operator seperti pada kondisi nyata.
Untuk mengurangi idle time sehingga operator di dalam stasiun
tersebut bekerja secara maksimal maka dibutuhkan kenaikan tingkat
kedatangan bahan dalam stasiun Packing. Tingkat kedatangan
ditingkatkan dengan cara mengkalikan jumlah kedatangan bahan pada
data historis selama penelitian dengan bilangan tertentu. Untuk
mensimulasikan hasil kenaikan tingkat kedatangan bahan, attribut waktu
antar kedatangan pada komponen kedatangan model C dirubah distribusi
kedatangannya mengikuti pola kedatangan bahan yang baru. Untuk
mendapatkan tingkat kedatangan yang terbaik digunakan teknik trial and
error. Perbandingan hasil uji coba pada beberapa tingkat kedatangan
dapat dilihat pada Tabel 12.
Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun Packing dalammodel C
Parameter
Tingkat Kedatangan
KondisiHistoris
3xKondisiHistoris
5xKondisiHistoris
6xKondisiHistoris
7xKondisiHistoris
8xKondisiHistoris
10xKondisiHistoris
Rata-rata tingkat utilitas operator (%)1. Stasiun Packing 13,49 39,17 66,04 80,35 90,61 99,70 99,63
Rata-rata waktu tunggu bahan (detik)1. Stasiun Packing 0,23 5,04 27,80 80,12 271,16 3197,37 6702,78
Balking (kg)1. Overall 0 0 0 0 0 0 1852
Perlu diingat bahwa stasiun Packing yang dianalisis ini menggunakan
asumsi stasiun Packing berkerja dalam tiga shift dengan komposisi
operator seusai standar yang ditetapkan yakni delapan orang untuk setiap
lini. Pada kondisi nyatanya perusahaan dapat saja meniadakan shift kerja
dan mengurangi jumlah operator yang aktif di stasiun Packing pada saat
kedatangan bahan atau beban kerja rendah. Berdasarkan hasil uji coba
berbagai tingkat kedatangan yang ditunjukkan pada Tabel 12, tingkat
utilitas operator tidak dapat mencapai utilitas 90 % tanpa menghindari
adanya antrian. Namun agar perusahaan dapat mengadakan waktu kerja
sebanyak tiga shift setiap harinya dan dengan komposisi operator yang
76
tetap secara efisien dan efektif, maka pabrik dapat meningkatkan
kedatangan bahan pada stasiun Packing sebesar 6x dari data historis
selama penelitian dilakukan.
Tingkat kedatangan sebesar 6x dari data historis selama penelitian
dilakukan direkomendasikan oleh karena pada tingkat kedatangan
tersebut tingkat utilitas operator relatif tinggi dengan waktu antrian yang
dapat ditoleransi. Pengembangan model antrian ini dapat didukung juga
dengan pengembangan sistem penjadwalan. Pengembangan sistem
penjadwalan tersebut dapat mewujudkan tingkat kedatangan yang
diinginkan beserta pengaturan komposisi operator dan shift kerja secara
dinamis, sehingga dapat memperoleh kinerja yang lebih baik pada stasiun
kerja Packing. Hasil simulasi pengembangan model C ini dapat dilihat
pada Lampiran 13.
Gambar 20. Penulisan model simulasi C alternatif skenario perubahantingkat kedatangan bahan pada program QSS 1.0 dalambentuk matriks
2. Pengembangan Model Dengan Skenario Perubahan Komposisi Unit
Pelayanan
Jika volume produksi atau tingkat kedatangan bahan baku ikan yang
diproses sesuai dengan keadaan selama penelitian ini dilaksanakan, maka
77
pengembangan model dengan skenario perubahan komposisi unit pelayanan
dapat dilakukan. Penempatan jumlah operator dalam setiap stasiun kerja
didasarkan pada tingkat utilitas operator dan rata-rata waktu antrian pada
stasiun tersebut. Orientasi perubahan komposisi operator pada tiap stasiun
kerja mengacu pada tingkat utilitas operator yang maksimal dengan waktu
tunggu yang minimal. Stasiun kerja yang memiliki waktu tunggu yang besar
dan tingkat utilitas operator yang tinggi akan ditambahkan jumlah
operatornya sehingga waktu tunggunya menjadi berkurang, sedangkan
stasiun kerja dengan waktu tunggu yang kecil dan tingkat utilitas operator
yang rendah akan dikurangi jumlah operatornya. Proses perubahan
komposisi jumlah operator ini diuji coba (trial and error) dan disimulasikan
hingga mendapatkan kinerja yang lebih baik dari model sebelumnya.
Dalam melakukan pengembangan model antrian ini digunakan
beberapa asumsi yakni :
1. Sistem antrian bersifat steady state
2. Model antrian dikembangkan untuk satu lini produk yakni fillet ikan
beku, dengan tahapan pengerjaan yang tetap
3. Kondisi kedatangan sama seperti data historis selama penelitian
4. Kecepatan pelayanan operator tetap seperti data historis selama
penelitian
5. Kondisi tata letak beserta kapasitas dan disiplin antrian menyesuaikan
dengan kondisi historis
Setelah dilakukan beberapa kali uji coba kombinasi jumlah operator
pada setiap model, komposisi operator dengan hasil terbaik untuk SAPFIB
ditunjukan pada Tabel 13.
78
Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja padapengembangan model antrian SAPFIB
No. Stasiun Jumlah Unit Pelayanan(Model Nyata)
Jumlah Unit Pelayanan(Model Aternatif)
1 Stasiun Penerimaan 5 Orang 4 Orang2 Stasiun Arahan Produksi 3 Orang 1 Orang3 Stasiun Penyisikan 7 Orang 2 Orang4 Stasiun Filleting 5 Orang 3 Orang5 Stasiun Trimming 16 Orang (2 Line) 10 Orang (2 Line)6 Stasiun Washing 2 Orang 1 Orang7 Stasiun Sizing 4 Orang 4 Orang8 Stasiun Bagging 2 Orang 2 Orang9 Stasiun Panning 6 Orang 6 Orang10 Stasiun Freezing 3 Unit 5 Unit11 Stasiun After Curing 5 Orang 7 Orang12 Stasiun Packing 24 Orang (3 Line) 12 Orang (3 Line)
Total Unit Pelayanan 82 Unit 57 Unit
Pengembangan model antrian untuk SAPFIB menunjukan bahwa pada
tingkat kedatangan yang sesuai dengan data historis selama penulis
melakukan penelitian jumlah operator yang diperlukan ialah seperti yang
ditunjukan pada model alternatif. Namun seperti yang diketahui tingkat
kedatangan bahan untuk produk perikanan tidak dapat dipastikan, sehingga
pengembangan model alternatif ini hanya berlaku ketika tingkat kedatangan
bahan baku sama seperti tingkat kedatangan hasil pengamatan penelitian.
a. Model A
Sesuai hasil uji coba perubahan komposisi operator pada model A,
pengurangan jumlah operator dilakukan pada stasiun penerimaan, arahan
produksi, penyisikan, Filleting, Trimming, Washing sedangkan pada
stasiun After Curing jumlah operator ditambahkan.
Pada model A ketika merubah komposisi operator dalam sistem
antrian tersebut, ternyata pada beberapa stasiun menunjukan setelah
pengembangan model antrian tingkat utilitas operator tidak dapat
mencapai nilai 90 %. Hal ini diperhatikan bahwa ketika sebuah stasiun di
beri jumlah operator minimal sehingga beban kerja untuk setiap operator
meningkat, hasil tingkat utilitas operator tetap menunjukan perubahan
79
yang relatif kecil. Hal ini terjadi karena tingkat kedatangan bahan pada
stasiun tersebut lebih kecil dari pada tingkat pelayanan stasiun tersebut.
Gambar 21. Penulisan model simulasi A alternatif skenario perubahankomposisi unit pelayanan pada program QSS 1.0 dalambentuk matriks
Perubahan komposisi operator pada model A ini ditunjukan agar
bahan baku yang datang ada dapat diolah secara maksimal, dengan
sumberdaya minimal. Pengembangan model A ini merupakan sistem
antrian dengan komposisi operator yang seimbang dalam menjaga tingkat
kedatangan dan tingkat pelayanan. Hasil simulasi pengembangan model
A dengan skenario komposisi unit pelayanan terbaik dapat dilihat pada
Lampiran 14.
b. Model B
Simulasi penjadwalan model B merupakan model sistem antrian yang
terjadi pada stasiun freezing. Pengembangan model dengan skenario
perubahan komposisi unit pelayanan pada model B dilakukan dengan
menentukan kapasitas pelayanan yang dibutuhkan dalam memenuhi
kedatangan bahan seperti pada kondisi historis. Namun perlu diingat unit
80
pelayanan stasiun freezing merupakan mesin produksi sehingga
penambahan atau pengurangan unit pelayanan freezing akan lebih bijak
jika tidak hanya dirubah berdasarkan analisis simulasi antrian saja, faktor
lain seperti kemampuan mesin, efiesiensi mesin, serta faktor biaya perlu
dipertimbangkan dalam menentukan jumlah unit pelayanan stasiun
tersebut. Model B tersebut tidak dapat memberikan informasi mengenai
kinerja stasiun tersebut secara spesifik oleh karena digunakan asumsi
tidak adanya downtime dan mesin bekerja secara terus menerus.
Sehingga jika terdapat downtime kemungkinan antrian terjadi akan lebih
besar.
Jika digunakan asumsi pola kedatangan bahan adalah sama dengan
pola kedatangan historis selama penelitian berlangsung, maka
berdasarkan hasil simulasi pada Lampiran 6 kapasitas mesin pendingin
perlu ditambahkan sebesar 7808,3 kg. Dengan menggunakan asumsi
kapasitas mesin freezer seperti yang ada saat ini di pabrik, penambahan
kapasitas pelayanan di stasiun Freezing yang dapat menggunakan dua
buah freezer dengan spesifikasi seperti mesin freezer 3. Dengan
menambakan mesin freezer tersebut, kapasitas pelayanan stasiun freezing
dalam satu hari dapat naik dari 18000 kg menjadi 29000 kg. Penggunaan
dua buah mesin freezer berkapasitas kecil akan lebih efisien dibanding
satu buah mesin freezer dengan kapasitas besar.
Seperti halnya pengembangan model B dengan skenario perubahan
tingkat kedatangan, pengembangan model B dengan skenario perubahan
jumlah unit pelayanan ini juga dapat didukung dengan perbaikan pola
pelayanan dari mesin freezer. Adanya idle time dalam simulasi
penjadwalan model B dan rendahnya frekuensi terjadinya antrian,
membuka peluang perbaikan sistem penjadwalan untuk waktu pelayanan
mesin. Perbaikan sistem penjadwalan dengan meminimasi idle time dapat
dilakukan untuk memperoleh kapasitas pelayanan yang paling efisien
dalam mengolah bahan baku yang masuk.
81
c. Model C
Pengembangan model C dilakukan untuk menentukan jumlah operator
yang optimal pada stasiun Packing. Oleh karena waktu tunggu pada
kondisi nyata telah mendekati 0 detik, maka pengembangan model C
dilakukan untuk memaksimalkan tingkat utilitas operator pada stasiun
tersebut. Hal ini dapat dilakukan dengan mengurangi jumlah operator
sebagai unit pelayanan.
Pengurangan jumlah unit operator akan di hentikan ketika hasil
analisis simulasi memberikan perubahan waktu tunggu rata-rata secara
overall diatas 14 detik. Waktu tersebut ditentukan berdasarkan waktu
proses bahan. Waktu proses rata-rata bahan pada stasiun Packing ini
berkisar antara 140 detik hingga 150 detik berdasarkan hasil simulasi
model C pada kondisi nyata. Penulis memberikan toleransi rata-rata
waktu tunggu yang boleh terjadi maksimal 10 % dari rata-rata waktu
proses bahan oleh karena pada taraf waktu tersebut peluang bahan rusak
akibat menunggu waktu proses relatif kecil.
Hasil uji coba pengurangan jumlah operator memberikan hasil
sebanyak 12 orang operator pada stasiun Packing dapat dikurangi
sehingga terdapat 12 orang yang melayani bahan yang datang. Pada
jumlah operator seperti yang disebutkan memberikan hasil simulasi
tingkat utilitas operator yang lebih tinggi dan rata-rata waktu tunggu
yang masih ditoleransi dari simulasi pada kondisi nyata selama tiga kali
ulangan simulasi seperti yang ditunjukan dalam Lampiran 15.
82
Gambar 22. Penulisan model simulasi C alternatif skenario perubahankomposisi unit pelayanan pada program QSS 1.0 dalambentuk matriks
Pengembangan ini dilakukan berdasarkan teori antrian dengan
mengambil pola kedatangan dan pelayanan secara agregat, sehingga
masih terdapat pengembangan model dengan cara lain seperti
menggunakan teknik penjadwalan untuk mendapatkan hasil yang lebih
optimal dengan kebijakan pengadaan shift kerja.
Hasil dari pengembangan model dengan skenario perubahan tingkat
kedatangan bahan baku maupun dengan skenario perubahan komposisi unit
pelayanan tersebut dapat diterapkan dengan memperhatikan seluruh asumsi
yang sebelumnya telah ditetapkan. Masing-masing model alternatif hasil
pengembangan mempunyai kelebihan dan kekurangan. Pengembangan model
dengan skenario perubahan tingkat kedatangan merupakan pengembangan
model yang merujuk pada jumlah bahan baku ideal untuk kemampuan produksi
perusahaan saat ini, kelemahan dari model tersebut ialah untuk menerapkan
tingkat kedatangan yang sesuai tersebut berkaitan dengan pihak ketiga sebagai
penyedia bahan baku yang terkadang tidak dapat dipaksakan. Pengembangan
model alternatif dengan skenario perubahan komposisi operator pada
perusahaan akan relatif lebih mudah diterapkan karena berkaitan dengan
pengelolaan internal perusahaan, namun kelemahan pengembangan model
83
alternatif tersebut adalah terdapat pengurangan jumlah karyawan, hal tersebut
merupakan isu sensitif yang berkaitan dengan pertimbangan sosial ekonomi
yang perlu dikaji lebih lanjut.
Ketika hasil pengembangan model diterapkan terdapat beberapa hal yang
perlu diberi perhatian yakni mengenai keahlian operator yang dialokasikan
pada stasiun tertentu, hal ini dapat diselesaikan dengan mengadakan pelatihan
singkat agar operator mampu menjadi unit pelayanan dalam sebuah stasiun
kerja. Selain itu penambahan peralatan kerja untuk penunjang kegiatan
pelayanan operator pada stasiun kerja juga perlu diperhatikan. Analisa
keuntungan dan kerugian finansial dari dampak pengembangan model
alternatif juga perlu di perhitungkan untuk mengetahui kesesuaian penerapan
model alternatif di lingkungan perusahaan.
E. Kinerja Sistem Antrian
Pengembangan model antrian pada sistem produksi fillet ikan beku di
PT. Global Tropical Seafood, diharapkan dapat memberikan dampak positif
dari segi peningkatan kinerja perusahaan. Dua buah model pengembangan
memberikan perbaikan kinerja masing-masing. Untuk model alternatif skenario
perubahan tingkat kedatangan bahan akan memberikan perubahan kinerja
terutama dari sisi tingkat utilitas operator, sedangkan model alternatif skenario
perubahan komposisi unit pelayanan merupakan pengembangan yang memberi
perbaikan kinerja terutama dari segi efisensi dan efektifitas sistem produksi
berserta keseimbangan lini produksi.
1. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan
Tingkat Kedatangan
Indikator perbaikan kinerja hasil pengembangan model dapat dilihat
dari hasil analisis simulasi, berdasarkan hasil pengembangan tersebut
perubahan kinerja pada pengembangan model dengan skenario perubahan
tingkat kedatangan, yakni :
84
a. Model A
(i) Jumlah bahan yang tidak terproses
Jumlah bahan yang tak terproses (balking) merupakan sebuah
indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.
Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di
proses pada hari tersebut namun dikerjakan dengan tambahan jam
kerja.
Diagram di bawah menunjukan bahwa pada model A kondisi nyata
terdapat material yang tidak terproses rata-rata sebanyak 26,33 kg
namun setelah dilakukan pengembangan model antrian, material yang
tidak terproses menjadi tidak ada. Pengembangan model ini mampu
memberikan perbaikan kinerja proses produksi saat ini.
Gambar 23. Diagram perbandingan jumlah bahan yang tidak terprosespada pengembangan model A dengan skenario perubahantingkat kedatangan
(ii) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1856,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
85
material yang terproses menjadi 3099,00 kg. Kenaikan jumlah material
yang terproses memberikan arti bahwa hasil pengembangan model
mampu memberikan output yang lebih besar dari model pada kondisi
nyata.
Gambar 24. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan tingkatkedatangan
(iii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi. Rendahnya waktu aliran bahan akan memberikan
keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga
selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan
adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan
keseimbangan kecepatan pelayanan di dalam sistem produksi.
86
Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahantingkat kedatangan
(iv) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model secara ekternal ini mampu memberikan tingkat
utilitas operator menjadi lebih tinggi 47,86 %, seperti yang ditunjukan
pada diagram berikut.
Meningkatnya utilitas operator memberikan gambaran kinerja yang
lebih baik, yakni dari segi pemanfaatan sumber daya manusia yang
tersedia. Idealnya nilai seratus persen pada tingkat utilitas unit
pelaanan memberikan arti bahwa unit pelayanan bekerja pada seluruh
waktu yang tersedia.
87
Gambar 26. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model A dengan skenarioperubahan tingkat kedatangan
(v) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model memberi perubahan jumlah rata-
rata bahan menunggu menjadi lebih besar. Hal ini menunjukan kinerja
sistem antrian yang buruk akibat tidak seimbangnya kecepatan
pelayanan antara stasiun kerja dalam model.
88
Gambar 27. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model A denganskenario perubahan tingkat kedatangan
(vi) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model antrian memberikan rata-rata waktu tunggu
bahan yang lebih lama dari kondisi nyata. Hal tersebut terjadi
dikarenakan pada pengembangan model ini, pengembangan dilakukan
dengan meningkatkan tingkat kedatangan agar lebih tinggi sehingga
dapat menimbulkan kepadatan dalam sistem antrian.
89
Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model A dengan skenarioperubahan tingkat kedatangan
(vii) Biaya tambahan penggunaan es
Untuk mempetahankan mutu bahan yang sedang diproses,
perusahaan menggunakan es sebagai sarana untuk menjaga rantai
dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang
sedang diproses pada kisaran tertentu dimana kerusakan bahan akan
menjadi minimum akibat degradasi waktu. Biaya tambahan yang
dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan
dari segi penghematan sumber daya.
Biaya tambahan yang dikeluarkan untuk penggunaan es dalam
sistem antrian akibat adanya antrian tersebut dapat dihitung dari
jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.
Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah
bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama
satu jam maka estimasi biaya tambahan yang dikeluarkan untuk
pemakaian es akibat antrian dapat dihitung dengan rumus berikut :
Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan
yang mengantri pada setiap stasiun kerja (kg) x Total maksimum
waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik
90
Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada
Lampiran 17. Seperti yang ditunjukan pada Gambar 29,
pengembangan model alternatif ini ternyata menambah biaya
tambahan penggunaan es akibat antrian yang terjadi, namun hal
tersebut bisa jadi tidak bermasalah oleh karena model alternatif ini
menghasilkan lebih banyak bahan yang terproses dengan tingkat
utilitas operator yang lebih tinggi dari model antrian sistem nyata.
Sehingga pendapatan perusahaan itu pun dapat meningkat.
Gambar 29. Diagram perbandingan biaya penggunaan es padapengembangan model A dengan skenario perubahantingkat kedatangan
91
b. Model B
Gambar 30. Grafik perbandingan jumlah bahan yang mengantri padastasiun freezing dengan skenario perubahan tingkatkedatangan
Kinerja dari model B ini dinilai dari satu sisi yakni dari jumlah
antrian maksimum yang terjadi. Hal tersebut dikarenakan model B
merupakan model analisa keseimbangan aliran bahan yang bertujuan
untuk mengetahui keseimbangan jumlah bahan yang harus di proses
dengan kemampuan kapasitas pelayanan.
Prinsip model keseimbangan aliran bahan adalah jumlah input
seimbang dengan kapasitas pelayanan. Skenario perubahan tingkat
kedatangan merupakan pengembangan model keseimbangan aliran
bahan dari segi input. Skenario pengembangan model aliran bahan,
seperti yang ditunjukan pada Gambar 30 menunjukan hilangnya
antrian pada stasiun freezing.
c. Model C
(i) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
92
nyata jumlah material yang terproses rata-rata sebanyak 1673,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 10118,67 kg. Kenaikan jumlah
material yang terproses memberikan arti bahwa hasil pengembangan
model mampu memberikan output yang lebih besar dari model pada
kondisi nyata. Dalam hal ini kenaikan output berarti naiknya volume
produksi yang apat memberikan keuntungan finansial.
Gambar 31. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan tingkatkedatangan
(ii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi. Rendahnya waktu aliran bahan akan memberikan
keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga
selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan
adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan
pola kecepatan pelayanan di dalam sistem produksi. Sehingga antrian
93
yang terjadi menjadi meningkat, menambahkan waktu aliran bahan
dalam sistem produksi.
Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan tingkatkedatangan
(iii) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.
94
Gambar 33. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model C dengan skenarioperubahan tingkat kedatangan Rata-rata jumlah bahanyang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model memberi perubahan jumlah rata-
rata bahan menunggu bahan menjadi lebih besar. Hal ini menunjukan
dampak dari naiknya tingkat kedatangan akan menyebabkan naiknya
jumlah bahan yang mengantri.
95
Gambar 34. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model C denganskenario perubahan tingkat kedatangan
(iv) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model memberikan waktu rata-rata antrian yang lebih
lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan
model ini, tingkat kedatangan yang lebih tinggi menimbulkan
kepadatan dalam sistem antrian.
96
Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model C dengan skenarioperubahan tingkat kedatangan
2. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan
Komposisi Unit Pelayanan
Beberapa indikator perbaikan kinerja hasil pengembangan model
dengan skenario perubahan komposisi operator dapat dilihat dari analisis
hasil simulasi seperti berikut :
a. Model A
(i) Jumlah bahan yang tidak terproses
Jumlah bahan yang tak terproses (balking) merupakan sebuah
indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.
Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di
proses pada hari tersebut namun dikerjakan dengan tambahan jam
kerja.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata terdapat material yang tidak terproses rata-rata sebanyak 26,33
kg namun setelah dilakukan pengembangan model antrian alternatif,
material yang tidak terproses menjadi tidak ada. Sehingga
pengembangan model ini mampu memberikan perbaikan kinerja proses
produksi saat ini.
97
Gambar 36. Diagram perbandingan jumlah bahan yang tidak terprosespada pengembangan model A dengan skenario perubahankomposisi operator
(ii) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1856,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 1991,67 kg. Kenaikan jumlah material
yang terproses memberikan arti bahwa hasil pengembangan model
mampu memberikan output yang lebih besar dari model pada kondisi
nyata.
98
Gambar 37. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahankomposisi operator
(iii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi. Rendahnya waktu aliran bahan akan memberikan
keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga
selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih cepat 703,88 detik.
99
Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahankomposisi operator
(iv) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.
Gambar 39. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model A dengan skenarioperubahan komposisi operator
(v) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model mampu memberi perubahan jumlah
rata-rata bahan menunggu bahan menjadi lebih kecil.
100
Gambar 40. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model A denganskenario perubahan komposisi operator
(vi) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model antrian mampu memberikan waktu tunggu yang
lebih kecil dibanding pada saat kondisi nyatanya.
Waktu menunggu yang lebih kecil dapat memberikan keuntungan
bagi perusahaan yakni dari segi minimasi kemungkinan bahan rusak
akibat menunggu dalam suhu ruang dan efisiensi kecepatan produksi
dari sistem.
101
Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model A dengan skenario perubahankomposisi operator
(vii) Biaya tambahan penggunaan es
Untuk mempetahankan mutu bahan yang sedang diproses,
perusahaan menggunakan es sebagai sarana untuk menjaga rantai
dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang
sedang diproses pada kisaran tertentu dimana kerusakan bahan akan
menjadi minimum akibat degradasi waktu. Biaya tambahan yang
dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan
dari segi penghematan sumber daya.
Biaya tambahan yang dikeluarkan untuk penggunaan es dalam
sistem antrian akibat adanya antrian tersebut dapat dihitung dari
jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.
Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah
bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama
satu jam maka estimasi biaya tambahan yang dikeluarkan untuk
pemakaian es akibat antrian dapat dihitung dengan rumus berikut :
Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan
yang mengantri pada setiap stasiun kerja (kg) x Total maksimum
waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik
102
Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada
Lampiran 18. Seperti yang ditunjukan pada Gambar 42,
pengembangan model antrian dapat memberikan penghematan biaya
penggunaan es selama sebulan sebesar Rp. 255.368,17 atau berkurang
86,27 % dari model antrian sistem nyata. Hal ini dapat terjadi sebagai
akibat konsekuensi dari berkurangnya waktu antrian.
Gambar 42. Diagram perbandingan biaya penggunaan es padapengembangan model A dengan skenario perubahankomposisi operator
b. Model B
Gambar 43. Grafik perbandingan jumlah bahan yang mengantri padastasiun freezing dengan skenario perubahan jumlah unitpelayanan
103
Prinsip model keseimbangan aliran bahan adalah jumlah input
seimbang dengan kapasitas pelayanan. Skenario perubahan unit
pelayan merupakan pengembangan model keseimbangan aliran bahan
dari segi kapasitas pelayanan. Skenario pengembangan model aliran
bahan, seperti yang ditunjukan pada Gambar 43 menunjukan hilangnya
antrian pada stasiun freezing.
c. Model C
(i) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1673,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 1667,00 kg. Jumlah material yang
terproses setelah hasil pengembangan ternyata tidak berubah secara
signifikan. Hal ini belum tentu berarti kinerja pengembangan model
tidak berubah, melainkan dapat saja lebih baik ketika jumlah bahan
terproses tetap namun tingkat utilitas operator meningkat beserta
penggunaan sumber dayanya berkurang.
104
Gambar 44. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahankomposisi operator
(ii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi. Rendahnya waktu aliran bahan akan memberikan
keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga
selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan yang mengalir dalam sistem
produksi tidak berubah terlalu signifikan hanya bertambah 8,33 detik.
Hal ini terjadi akibat pengembangan yang dilakukan adalah
berdasarkan tingkat kedatangan bahan tanpa memperhatikan pola
kecepatan pelayanan di dalam sistem produksi. Sehingga antrian yang
terjadi menjadi meningkat, menambahkan waktu aliran bahan dalam
sistem produksi.
Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahankomposisi operator
105
(iii) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.
Dengan jumlah penggunaan sumberdaya manusia yang lebih sedikit
dan utilitas yang lebih tinggi, berarti sistem produksi berjalan dengan
lebih efisien.
Perubahan nilai efisiensi dalam sistem produksi juga mengartikan
perubahan kinerja dari sistem produksi tersebut. Sistem produksi yang
memiliki nilai efisiensi yang lebih tinggi akan memiliki kinerja yang
lebih baik.
Gambar 46. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model C dengan skenarioperubahan komposisi operator
(iv) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
106
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model memberi perubahan jumlah rata-
rata bahan menunggu bahan menjadi lebih besar namun tidak
signifikan. Walaupun secara grafis tampak terjadi perubahan besar,
namun pada dasarnya rata-rata jumlah bahan yang mengantri tidak
mencapai satu kilogram.
Kondisi yang relatif tetap pada suatu titik yakni jumlah rata-rata
bahan yang menunggu dapat menyebabkan perubahan kinerja melalui
pengembangan nilai pada titik-titik lainnya.
Gambar 47. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model C denganskenario perubahan komposisi operator
(v) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model memberikan waktu rata-rata antrian yang lebih
lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan
model ini, tingkat kedatangan yang lebih tinggi menimbulkan
kepadatan dalam sistem antrian.
Namun kenaikan rata-rata waktu tunggu bahan masih dapat
ditoleransi sesuai dengan penentuan rata-rata waktu antrian
107
pengembangan model C dengan skenario perubahan komposisi
operator. Perbaikan kinerja dapat dicapai melalui perubahan nilai di
titik-titik tolak ukur lainnya yang ada.
Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model C dengan skenario perubahankomposisi operator
Hasil analisa kinerja yang dilakukan pada setiap pengembangan model
memberikan hasil yang berbeda-beda. Namun secara umum pengembangan
model dapat memberikan kinerja yang lebih baik dari sistem nyata. Kedua
model alternatif di atas memberikan perubahan kinerja berdasarkan kondisi
sistem antrian saat ini. Kinerja model alternatif skenario perubahan tingkat
kedatangan bahan memberikan tingkat kedatangan yang ideal untuk sumber
daya manusia yang saat ini ada dalam sistem antrian. Kinerja model alternatif
sekenario perubahan komposisi unit pelayanan memberikan komposisi
operator yang ideal untuk kondisi kedatangan sistem nyata pada saat penelitian.
F. Verifikasi dan Validasi Model
Untuk memastikan model telah dibangun sesuai dengan harapan,
dibutuhkan verifikasi dan validasi. Verifikasi model dilakukan dengan
mengamati hasil simulasi dan membandingkan dengan sistem nyata. Uji
kesamaan nilai tengah antara dua populasi dilakukan untuk mengetahui
validitas model yang dibangun. Kesamaan nilai tengah diambil dari data waktu
108
pelayanan hasil simulasi dengan data waktu pelayanan historis. Data tersebut
dipilih sebagai alat validitas oleh karena data historisnya tersedia.
Berikut merupakan tabel yang menunjukan hasil uji kesamaan nilai
tengah untuk model utama, model utama alternatif, sub model dan sub model
alternatif. Uji berikut menggunakan perhitungan dengan bantuan software
Minitab 11.
Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama kondisi nyata
No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,18 0,8582 Stasiun Arahan Produksi (Model A) 0,18 0,8573 Stasiun Penyisikan (Model A) -0,31 0,7564 Stasiun Filleting (Model A) 0,15 0,8785 Stasiun Trimming (Model A) -0,11 0,9166 Stasiun Washing (Model A) 0,07 0,9487 Stasiun Sizing (Model A) 0,00 0,9978 Stasiun Bagging (Model A) 0,52 0,6109 Stasiun Panning (Model A) -0,10 0,91810 Stasiun After Curing (Model A) 0,33 0,74511 Stasiun Packing (Model C) -0,170 0,868
Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian sub model kondisi nyata
No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan Jenis Proses 1 (Sub Model Penerimaan) -0,500 0,6242 Stasiun Penerimaan Jenis Proses 2 (Sub Model Penerimaan) 0,060 0,1213 Stasiun Penerimaan Jenis Proses 3 (Sub Model Penerimaan) 0,700 0,5024 Stasiun Penerimaan Jenis Proses 4 (Sub Model Penerimaan) 0,690 0,5035 Stasiun Penyisikan (Sub Model Penyisikan) 0,120 0,9096 Stasiun Filleting (Sub Model Filleting) 0,590 0,5607 Stasiun After Curing (Sub Model After Curing) 0,800 0,427
Hasil uji kesamaan nilai tengah dua populasi untuk waktu pelayanan
yang didapat dari hasil penelitian dengan waktu pelayanan hasil simulasi model
antrian menunjukan bahwa seluruh nilai P > 0,05 (α=5%). Hasil nilai P
tersebut menunjukan bahwa nilai tengah waktu pelayanan historis seragam
dengan waktu pelayanan hasil simulasi pada selang kepercayaan 95 %.
109
Keseragaman tersebut dapat dijadikan dasar untuk menyatakan model simulasi
tersebut valid digunakan.
Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan tingkat kedatangan
Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan komposisi operator
No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,05 0,9582 Stasiun Arahan Produksi (Model A) 0,19 0,8513 Stasiun Penyisikan (Model A) 0,22 0,8284 Stasiun Filleting (Model A) 0,17 0,8665 Stasiun Trimming (Model A) 0,15 0,8516 Stasiun Washing (Model A) 0,22 0,8277 Stasiun Sizing (Model A) -0,25 0,8218 Stasiun Bagging (Model A) 0,52 0,6049 Stasiun Panning (Model A) 0,01 0,990
10 Stasiun After Curing (Model A) 0,36 0,71811 Stasiun Packing (Model C) 0,11 0,910
No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,13 0,894
2 Stasiun Arahan Produksi (Model A) 0,14 0,888
3 Stasiun Penyisikan (Model A) 0,01 0,991
4 Stasiun Filleting (Model A) 0,11 0,9135 Stasiun Trimming (Model A) -0,14 0,885
6 Stasiun Washing (Model A) 0,20 0,841
7 Stasiun Sizing (Model A) 0,02 0,982
8 Stasiun Bagging (Model A) 0,58 0,564
9 Stasiun Panning (Model A) -0,06 0,95110 Stasiun After Curing (Model A) 0,31 0,75811 Stasiun Packing (Model C) 0,00 0,997
VI. KESIMPULAN DAN SARAN
A. Kesimpulan
Lini produksi fillet ikan beku pada PT. Global Tropical Seafood terdiri
dari 13 Stasiun kerja dengan 4 stasiun diantaranya merupakan stasiun bersama
yang mengolah bahan baku ataupun produk dari lini produksi lainnya. Sistem
antrian di lini produksi fillet ikan beku mengikuti pola antrian jalur pararel
dengan beberapa tahapan produksi dan unit pelayanan pararel. Waktu
pelayanan dan kedatangan bahan diambil berdasarkan hasil pengamatan selama
penelitian.
Faktor-faktor yang menyebabkan terjadinya antrian pada sistem antrian
produksi fillet ikan beku ialah adanya ketidakseimbangan proses produksi yang
terjadi akibat perbedaan kecepatan pelayanan operator dengan kecepatan
kedatangan bahan yang bersifat probabilistik. Sifat probabilistik dalam sistem
antrian adalah faktor utama yang menyebabkan terjadinya antrian dalam sistem
produksi fillet ikan beku. Walaupun nilai tengah antara kecepatan kedatangan
bahan dengan kecepatan operator sama, sistem antrian lini produksi fillet ikan
beku masih dapat mengalami antrian akibat ketidakpastian dalam interaksi
antara kecepatan pelayanan operator dengan kecepatan kedatangan bahan.
Konfigurasi sistem antrian pada lini produksi fillet ikan beku yang
dinamakan SAPFIB terdiri dari tiga buah model yakni model antrian sejak dari
stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),
model antrian pada stasiun freezing (Model B), dan model antrian pada stasiun
packing (Model C). Selain model utama tersebut, juga terdapat empat buah sub
model yang seluruhnya mendefinisikan sistem antrian pada kondisi nyata
dalam sistem produksi produk fillet ikan beku. Pembuatan model simulasi sub
model antrian dibuat untuk memahami perilaku sistem antrian secara lebih
rinci pada suatu keadaan dimana bahan baku datang pada kondisi puncaknya.
Berdasarkan hasil simulasi model utama pada kondisi nyata selama
25200 detik (7 jam kerja) untuk model A, 24 jam kerja untuk model B dan
75600 detik (21 jam kerja) untuk model C, kinerja sistem antrian fillet ikan
beku saat ini di perusahaan masih dapat dioptimalkan karena terdapat bahan
111
baku sebanyak 26,33 kg yang tidak terproses (balking) pada stasiun kerja After
Curing, tingkat utilitas operator secara keseluruhan pada model A sebesar
27,50 % yang berarti idle time operator tinggi, rata-rata waktu antrian bahan
secara keseluruhan 141,75 detik, rata-rata waktu bahan mengalir secara
keseluruhan 979,11 detik (16,3 menit), biaya tambahan penggunaan es akibat
adanya antrian Rp.296.020,03/bulan. Selain itu terjadi antrian pada stasiun
freezing maksimal sebesar 7808,3 kg. Pada stasiun Packing tidak terjadi antrian
namun tingkat utilitas operatornya relatif rendah yakni 13,49 %.
Hasil simulasi model antrian pada skenario tingkat kedatangan bahan
baku sebesar 6482,047 kg/jam (3 kali lipat dari data tingkat kedatangan historis
selama penelitian) pada stasiun Penerimaan, 129,44 kg/jam (0,75 kali lipat dari
data tingkat kedatangan historis selama penelitian) pada stasiun After Curing,
18000 kg per hari di stasiun Freezing dan 15308,29 kg/jam (6 kali lipat dari
data tingkat kedatangan historis selama penelitian) pada stasiun Packing
merupakan skenario terbaik untuk peningkatan kinerja sistem antrian. Hasil
simulasi menunjukkan skenario tersebut pada model A dapat menghilangkan
bahan yang tidak terproses menjadi 0 kg, jumlah bahan yang terproses menjadi
3099 kg, serta meningkatkan tingkat utilitas operator secara keseluruhan
menjadi 75,36 %. Pada model B antrian dapat dihilangkan. Pada model C
jumlah bahan yang terproses menjadi 10118,67 kg dan tingkat utilitas operator
menjadi 80,79 %
Hasil simulasi model antrian pada skenario perubahan jumlah operator
pada stasiun Penerimaan dari 5 orang menjadi 4 orang, stasiun Arahan
Produksi dari 3 orang menjadi 1 orang, stasiun Filleting dari 5 orang menjadi 3
orang, stasiun Penyisikan 7 orang menjadi 2 orang, stasiun Trimming dari 16
orang menjadi 10 orang, stasiun Washing dari 2 orang menjadi 1 orang, stasiun
After Curing dari 5 orang menjadi 7 orang, stasiun Freezing dari 3 unit menjadi
5 unit serta stasiun Packing dari 24 orang menjadi 12 orang, dan dengan
jumlah operator pada stasiun lainnya tetap memberikan kinerja yang lebih baik
pada sistem antrian. Hasil simulasi dengan skenario tersebut pada model A
dapat menghilangkan bahan yang tidak terproses menjadi 0 kg, jumlah bahan
yang terproses menjadi 1991,67 kg, mempercepat rata-rata waktu bahan
112
menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan
secara keseluruhan menjadi 4,42 detik serta meningkatkan tingkat utilitas
menjadi 42,75 %, selain itu biaya tambahan penggunaan es akibat antrian
menjadi Rp.40.651,86 /bulan. Pada model B pengembangan secara internal
maupun eksternal memberikan hasil berupa tidak adanya antrian dalam stasiun
Freezing. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas
operator meningkat menjadi 26,48 %.
Hasil uji kesamaan nilai tengah waktu pelayanan antara dua populasi
yakni dari data hasil simulasi dengan data historis selama penelitian
memberikan hasil berupa tidak terdapat perbedaan signifikan antara kedua data
tersebut. Hal tersebut membuktikan hasil simulasi valid untuk digunakan
sebagai model dari kondisi yang ada.
B. Saran
Jika perusahaan tetap mempertahankan jumlah operator pada komposisi
yang tetap mengikuti kondisi pada saat penelitian, sistem produksi akan lebih
efektif dan efisien jika jumlah kedatangan bahan baku diupayakan pada tingkat
kedatangan rata-rata perharinya 6482,047 kg/jam pada stasiun penerimaan,
129,44 kg/jam pada stasiun after curing dan 15308,29 kg/jam pada stasiun
Packing dengan pola kedatangan sesuai dengan kondisi penelitian.
Jika tingkat kedatangan bahan baku pada perusahaan berada pada tingkat
kedatangan rata-rata perharinya 2160,68 kg/jam sesuai kondisi penelitian,
maka agar sistem produksi berjalan secara efektif dan efisien maka jumlah
operator pada stasiun Penerimaan dapat dikurangi dari 5 orang menjadi 4
orang, stasiun Arahan Produksi dari 3 orang menjadi 1 orang, stasiun Filleting
dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2 orang,
stasiun Trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2
orang menjadi 1 orang, stasiun After Curing dari 5 orang menjadi 7 orang,
stasiun Freezing dari 3 unit menjadi 5 unit serta stasiun Packing dari 24 orang
menjadi 12 orang, jumlah operator pada stasiun lainnya tetap.
113
Perlu diadakan kajian lebih lanjut dengan menggunakan parameter biaya
agar dampak pemilihan skenario model antrian dapat diketahui kondisi yang
paling optimalnya untuk diterapkan.
Pihak manajemen dapat melakukan kajian serupa mengenai analisis
antrian pada lini produksi lainnya sehingga dapat meningkatkan kinerja sistem
produksi perusahaan secara keseluruhan.
Pihak manajemen perusahaan dapat melakukan kajian dan pelatihan
mengenai metode kerja yang efektif untuk karyawan sehingga tercapai efisiensi
gerakan kerja serta keseragaman kemampuan pelayanan setiap operator pada
setiap stasiun kerja.
Pihak manajemen dapat melakukan kajian sistem penjadwalan untuk
perbaikan kinerja sistem antrian pada stasiun freezing.
114
DAFTAR PUSTAKA
Aalto,S.2005.Introduction to Teletraffic Theory.Helsinski University ofTechnology.
Aminudin.2005.Prinsip-prinsip Riset Operasi.Erlangga, Jakarta.
Anonim.2001.Pedoman Penulisan Skripsi. Fakultas Teknologi Pertanian InstitutPertanian Bogor,Bogor.
Apple,J.M.1990.Tataletak Pabrik dan Pemindahan Bahan. Edisi KetigaPenerjemah Mardiono,N.M.T.Georgia Institute of Technology.Penerbit ITB.
Buffa,E.S.,dkk.1978.Essential of Management Science / Operations Research.John Wiley & Sons,New York.
Conover,W.J.1971. Practical Nonparametic Statistic.John Wiley and SonsInc.,New York.
Cooper,R.B.1981.Introduction to Queueing Theory.North Holland Oxford,NewYork.
Departemen Kelautan dan Perikanan.2002.Statistik Perikanan Tangkap Indonesia.Departemen Kelautan dan Perikanan. Direktorat Jenderal PerikananTangkap.Jakarta
Departemen Perindustrian.2007. Laporan Tahunan Volume Ekspor dan ImporKategori Perikanan. Jakarta. Departemen Perindustrian.
DSN.1992.Penanganan dan Pengolahan Fillet Kakap Beku. Standar NasionalIndonesia.SNI 01-2696.2-1992. Dewan Standarisasi Indonesia.
Gautney,L.D.1995.The Potensial for Expert System in Agricultural SystemManagement. ASAE Paper Np. 85-5035.Michigan State University,Michigan.
Gillet,B.E.1979.Introduction to Operations research: A computer OrientedAlgorithmic Approach. Tata McGraw-Hill Publishing Co., Ltd.,New Delhi.
Gordon,G.1980.System Simulation. Prentice Hall of India Privated Limited,NewDelhi.
Gottfrieed,B.S.1984. Elements of Stochastic Process Simulation. Prentice-Hall,Inc., Englewood cliffs,New Jersey.
Habibie,B.J,dkk.1993.Agroindustri Ikan Tuna dan Udang.Penerbit Bangkit,Jakarta
Hasan,M.I.2001.Pokok-Pokok Materi Statistik 2 (Statistik Infrensif).Bumi Aksara,Jakarta.
115
Heizer,J dan Render,B.2004.Operations Management Seventh Edition.PrenticeHall Inc.,New Jersey.
Henryardinanto,D.2003.Analisis Sistem Antrian Udang di PT. Dipasena citradarmaja, lampung).Skripsi.Fakultas Teknologi Pertanian IPB,Bogor.
Johanes,S.1988. Riset Operasi Untuk Pengambilan Keputusan.UI-Press,Jakarta.
Kusuma,H.2001.Perencanaan dan Pengendalian Produksi. Penerbit ANDI,Yogyakarta.
Law,A. M. dan W. David K.2000. Simulation Modelling and Analysis.3rd edition.The McGraw-Hill Companies, Inc.,New York.
Maarif,S.2006.Simulasi Sistem.diktat.Departemen Teknologi Industri PertanianIPB,Bogor.
Machfud.1999.Perencanaan dan Pengendalian Produksi.diktat.Jurusan TeknologiIndustri Pertanian IPB,Bogor.
Medhi,J.1991.Stocasthic Models in Queueing Theory.Academic Press,Inc.,London.
Pangestu,S.,dkk.1993.Dasar-dasar Riset Operasi.BPFE,Yogyakarta.
Perros,H.2003.Computer Simulation Techniques:The definitive introduction!.Computer Science Department NC State University Raleigh, NorthCarolina.
Russel,T dan Benard, T.1995.Production and Operation Management Focusing onQuality and Competitiveness.Prentice Hall Inc.,New Jersey.
Subagyo,P.A.,A. Marwan dan T.H. Handoko.1989.Dasar-dasar OperationResearch.Terjemahan.John Willey and Sons,New York.
Suparno.1992.Kumpulan Hasil-Hasil Penelitian Pasca Panen Perikanan. BadanPenelitian dan Pengembangan Pertanian.Pusat Penelitian danPengembangan Perikanan,Jakarta.
Sutalaksana, I. Z., Ruhana A. dan John H. T.1979.Teknik Tata Cara Kerja.Jurusan Teknik Industri ITB,Bandung.
Taha,H. A.2003.Operation Research An Introduction Seventh Edition. PrenticeHall Inc., New Jersey.
Usman,H dan Akbar, R. P. S.2003. Pengantar Statistik.Bumi Aksara,Jakarta.
Walpole,R. E.1992.Pengantar Statistik.PT Gramedia Pustaka Utama,Jakarta.
LAMPIRAN
116
Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan
1. Stasiun Penerimaan
Tanggal WaktuKedatangan
Waktu AntarKedatangan (Jam)
Jumlah(Kg)
Tingkat Kedatangan(Kg/Jam)
Waktu Antar Kedatangan(Detik/Kg)
14-Mar-07 08.00 - 9342,5 - -10.00 2,00 3515 1757,50 2,0510.30 0,50 3469,5 6939,00 0,5214.15 3,75 138,5 36,93 97,47
15-Mar-07 08.00 - 2495 - -08.30 0,50 2465 4930,00 0,7314.20 5,83 1257 215,61 16,7015.20 1,00 12404,5 12404,50 0,29
16-Mar-07 08.00 - 4106,5 - -13.00 5,00 3471 694,20 5,1914.30 1,50 572 381,33 9,44
17-Mar-07 08.00 - 4273 - -08.30 0,50 370 740,00 4,8612.30 4,00 4231,5 1057,88 3,4014.30 2,00 310 155,00 23,23
20-Mar-07 08.00 - 3245,5 - -08.20 0,30 96,5 321,67 11,1910.00 1,67 12937,5 7747,01 0,4614.00 3,00 6031,5 2010,50 1,7914.30 0,50 99 198,00 18,1816.00 1,50 97,5 65,00 55,38
21-Mar-07 08.00 - 4559 - -09.00 1,00 997 997,00 3,6112.00 3,00 320,5 106,83 33,7012.50 0,83 178 214,46 16,7913.00 0,17 3780 22680,00 0,16
22-Mar-07 08.00 - 0 - -10.00 2,00 2811,5 1405,75 2,5612.30 2,50 3853 1541,20 2,3413.30 1,00 283 283,00 12,7214.00 0,50 2242,5 4485,00 0,80
23-Mar-07 08.00 - 0 - -13.10 5,17 689 133,27 27,0113.30 0,33 2334 7002,00 0,5115.20 1,83 5855 3193,64 1,13
24-Mar-07 08.00 - 1888,5 1888,50 1,9112.00 4,00 1870 467,50 7,7015.10 3,17 1770 558,95 6,4415.20 0,17 202 1212,00 2,97
26-Mar-07 08.00 - 182 - -11.00 3,00 116 38,67 93,1012.45 1,75 1840,5 1051,71 3,4213.20 0,58 127 217,71 16,5413.30 0,17 925 5550,00 0,6514.30 1,00 253,5 253,50 14,20
27-Mar-07 08.00 - 0 - -11.45 3,75 1481 394,93 9,12
28-Mar-07 08.00 - 493 - -12.30 4,50 1602,5 356,11 10,11
117
Tanggal WaktuKedatangan
Waktu AntarKedatangan (Jam)
Jumlah(Kg)
Tingkat Kedatangan(Kg/Jam)
Waktu Antar Kedatangan(Detik/Kg)
13.45 1,25 2065 1652,00 2,1814.20 0,58 211 361,71 9,95
29-Mar-07 08.00 - 58 - -10.15 2,25 195 86,67 41,5411.00 0,75 1825 2433,33 1,4811.25 0,42 1033 2479,20 1,4512.30 0,92 1135 1238,18 2,9114.00 1,50 290 193,33 18,62
30-Mar-07 08.00 - 878,5 - -08.10 0,17 808 4752,94 0,7611.20 3,17 725 228,95 15,7213.15 1,92 222,5 116,09 31,0113.30 0,25 118 472,00 7,6314.35 1,17 389,5 333,86 10,78
2. Stasiun Penerimaan (Berdasarkan Jenis Proses)
Kedatangan RM Jenis Proses 1Tanggal Jam
KedatanganJumlah
(Kg)Kecepatan Kedatangan
(Kg/Jam)Waktu Antar
Kedatangan (Detik/Kg) Item RM
13-Mar-07 19.00-20.00 5001,5 5001,50 0,72 KM+WM14-Mar-07 10.00-11.00 3515 3515,00 1,02 KM+WM
15.00-16.00 138,5 138,50 25,99 KM+WM15-Mar-07 15.00-16.00 1257 1257,00 2,86 KM16-Mar-07 13.00-14.00 3471 3471,00 1,04 WM
15.00-16.00 572 572,00 6,29 KM+WM17-Mar-07 13.00-14.00 4231,5 4231,50 0,85 KM+WM20-Mar-07 09.00-10.00 96,5 96,50 37,31 KM
13.00-14.00 3958 3958,00 0,91 KM+WM14.00-15.00 6031,5 6031,50 0,60 KM+WM15.00-16.00 99 99,00 36,36 KM+WM16.00-17.00 97,5 97,50 36,92 KM17.00-18.00 4399,5 4399,50 0,82 KM+WM
21-Mar-07 13.00-14.00 3958 3958,00 0,91 KM+WM24-Mar-07 12.00-13.00 1870 1870,00 1,93 KM+WM26-Mar-07 04.00-05.00 182 182,00 19,78 KM+WM
14.00-15.00 1052 1052,00 3,42 KM+WM27-Mar-07 12.00-13.00 1481 1481,00 2,43 KM+WM28-Mar-07 13.00-14.00 1602,5 1602,50 2,25 KM+WM29-Mar-07 13.00-14.00 1135 1135,00 3,17 KM+WM
14.00-15.00 290 290,00 12,41 KM+WM30-Mar-07 12.00-13.00 725 725,00 4,97 KM+WM
15.00-16.00 389,5 389,50 9,24 KM
118
Kedatangan RM Jenis Proses 2Tanggal Waktu
KedatanganJumlah
(Kg)Tingkat Kedatangan
(Kg/Jam)Waktu Antar
Kedatangan (Detik/Kg) Item RM
14-Mar-07 18.00-19.00 130,5 130,50 27,59 Bekutak15-Mar-07 05.00-06.00 2364,5 2364,50 1,52 Kerang
09.00-10.00 2465 2465,00 1,46 Kerang16-Mar-07 05.00-06.00 2749,5 2749,50 1,31 Kerang
07.00-08.00 1357 1357,00 2,65 kerang17-Mar-07 05.00-06.00 2057 2057,00 1,75 Kerang
06.00-07.00 2077 2077,00 1,73 Kerang15.00-16.00 310 310,00 11,61 Bekutak
20-Mar-07 05.00-06.00 2888 2888,00 1,25 Kerang18.00-19.00 159,5 159,50 22,57 Bekutak
22-Mar-07 10.00-11.00 2811,5 2811,50 1,28 Kerang24-Mar-07 07.00-08.00 1888,5 1888,50 1,91 Kerang26-Mar-07 15.00-16.00 253,5 253,50 14,20 Bekutak30-Mar-07 14.00-15.00 340,5 340,50 10,57 Bekutak
Kedatangan RM Jenis Proses 3Tanggal Waktu
KedatanganJumlah
(Kg)Tingkat Kedatangan
(Kg/Jam)Waktu Antar Kedatangan
(Detik/Kg) Item RM
15-Mar-07 16.00-17.00 12404,5 12404,50 0,29 Tenggiri20-Mar-07 10.00-11.00 12937,5 12937,50 0,29 Tenggiri22-Mar-07 13.00-14.00 3853 3853,00 0,28 Tenggiri23-Mar-07 16.00-17.00 5855 5855,00 0,93 Tenggiri26-Mar-07 13.00-14.00 1840,5 1840,50 0,61 Tenggiri28-Mar-07 14.00-15.00 2065 2065,00 1,96 Tenggiri29-Mar-07 12.00-13.00 1033 1033,00 1,74 Tenggiri
Kedatangan RM Jenis Proses 4Tanggal Waktu
KedatanganJumlah
(Kg)Tingkat Kedatangan
(Kg/Jam)Waktu Antar
Kedatangan (Detik/Kg) Item RM
14-Mar-07 06.00-07.00 4341 4341,00 0,83 Kerang+Kerang+Kurisi+Bekutak
11.00-12.00 3469,5 3469,50 1,04 KM+Bekutak17-Mar-07 08.00-09.00 139 139,00 25,90 KM+Bekutak
09.00-10.00 370 370,00 9,73 Bekutak+Kurisi20-Mar-07 08.00-09.00 357,5 357,50 10,07 KM+Bekutak21-Mar-07 09.00-10.00 997 997,00 3,61 KM+Bekutak
12.00-13.00 320,5 320,50 11,23 KM+Bekutak22-Mar-07 14.00-15.00 2525,5 2525,50 1,43 KM+WM+Tenggiri23-Mar-07 14.00-15.00 3023 3023,00 1,19 KM+Kerang+Tenggiri24-Mar-07 16.00-17.00 1972 1972,00 1,83 KM+Bekutak+Tenggiri26-Mar-07 11.00-12.00 116 116,00 31,03 KM+Bekutak28-Mar-07 12.00-13.00 493 493,00 7,30 KM +WM+Bekutak
15.00-16.00 211 211,00 17,06 KM+Bekutak29-Mar-07 11.00-12.00 2020 2020,00 1,78 Kerang+Bekutak30-Mar-07 09.00-10.00 1686,5 1686,50 2,13 KM+WM+Bekutak
119
3. Stasiun Penyisikan
Tanggal WaktuKedatangan
Waktu AntarKedatangan (Menit)
Waktu AntarKedatangan (Jam)
JumlahBasis RM
(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
21-Mar-07 9:02:41 0 - 51 - -9:04:33 0:01:52 0,031 45 1446,43 2,499:07:11 0:02:38 0,044 60 1367,09 2,639:08:49 0:01:38 0,027 47 1726,53 2,099:09:50 0:01:01 0,017 53 3127,87 1,159:12:31 0:02:41 0,045 55 1229,81 2,939:14:31 0:02:00 0,033 63 1890,00 1,909:18:21 0:03:50 0,064 42 657,39 5,489:23:41 0:05:20 0,089 43 483,75 7,449:25:12 0:01:31 0,025 53 2096,70 1,729:28:03 0:02:51 0,048 50 1052,63 3,429:31:10 0:03:07 0,052 60 1155,08 3,129:33:12 0:02:02 0,034 55 1622,95 2,229:37:17 0:04:05 0,046 42 916,36 3,939:39:53 0:02:36 0,043 54 1246,15 2,899:41:23 0:01:30 0,025 47 1880,00 1,919:43:55 0:02:32 0,042 51 1207,89 2,98
22-Mar-07 11:12:23 0 - 51 - -11:14:55 0:02:32 0,042 53 1255,26 2,8711:16:32 0:01:37 0,027 45 1670,10 2,1611:19:05 0:02:33 0,043 52 1223,53 2,9411:21:35 0:02:30 0,042 48 1152,00 3,1311:25:52 0:04:17 0,049 47 955,93 3,7711:28:21 0:02:29 0,041 54 1304,70 2,7611:31:42 0:03:21 0,056 56 1002,99 3,5911:33:50 0:02:08 0,036 48 1350,00 2,6711:36:17 0:02:27 0,041 52 1273,47 2,8311:40:02 0:03:45 0,063 54 864,00 4,1711:42:42 0:02:40 0,044 47 1057,50 3,4011:45:23 0:02:41 0,045 46 1028,57 3,5011:48:03 0:02:40 0,044 52 1170,00 3,0811:50:04 0:02:01 0,034 58 1725,62 2,0911:52:28 0:02:24 0,046 49 1075,61 3,3511:55:21 0:02:53 0,048 46 957,23 3,76
4. Stasiun Filleting
Tanggal WaktuKedatangan
Waktu AntarKedatangan (Menit)
Waktu AntarKedatangan (Jam)
Jumlahbasis RM
(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
15-Mar-07 9:18:21 - - 41,5 - -9:21:19 0:02:58 0,049 72,4 1464,27 2,469:28:18 0:06:59 0,100 81,2 814,26 4,429:36:06 0:07:48 0,111 92,1 833,07 4,329:41:49 0:05:43 0,081 88,4 1086,14 3,319:43:49 0:02:00 0,033 42,3 1269,00 2,849:50:28 0:06:39 0,094 39,9 423,72 8,509:56:23 0:05:55 0,085 118,8 1402,23 2,57
120
9:59:38 0:03:15 0,088 48,1 549,71 6,5510:08:36 0:08:58 0,149 79,6 532,64 6,76
17-Mar-03 9:29:32 - - 22,9 - -9:31:27 0:01:55 0,032 25,11 786,05 4,589:34:43 0:03:16 0,054 20,23 371,57 9,699:39:18 0:04:35 0,076 43,69 571,94 6,299:40:36 0:01:18 0,022 30,73 1418,31 2,549:48:50 0:08:14 0,137 32,31 235,46 15,299:50:13 0:01:23 0,023 41,66 1806,94 1,99
5. Stasiun After Curing
Tanggal WaktuKedatangan
Waktu AntarKedatangan
(Menit)
Waktu antarKedatangan
(Jam)
Jumlah(Kg)
Jumlah basisRM (Kg)
TingkatKedatangan
(Kg/Jam)
WaktuAntar
Kedatangan(Detik/Kg)
30-Mar-07 8:30:15 0 7 17,28:35:23 0:05:08 0,0856 7 17,2 201,52 17,8648:43:31 0:08:08 0,1356 7 17,2 127,19 28,3048:48:18 0:04:47 0,0797 7 17,2 216,27 16,6469:00:32 0:12:14 0,2039 7 17,2 84,56 42,5729:08:48 0:08:16 0,1378 7 17,2 125,14 28,7689:13:46 0:04:58 0,0828 7 17,2 208,29 17,2849:17:32 0:03:46 0,0628 7 17,2 274,64 13,1089:26:42 0:09:10 0,1528 7 17,2 112,85 31,99:32:38 0:05:56 0,0850 7 17,2 202,84 17,748
*) Nilai Konversi Basis RM : 40,6 %
6. Stasiun Freezing
Tanggal WaktuKedatangan
WaktuAntar
Kedatangan(Jam)
Jumlah(Kg)
Jumlahbasis RM
(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
Item RMNilai
Konversi(%)
15-Mar-07 08.00 - - - - - - -08.30 0,5 2437,5 2437,50 4875,00 0,74 Kerang Bulu 10010.30 2 2539,5 2539,50 1269,75 2,84 Kerang Bulu 10013.00 2,5 1265,3 2705,95 1082,38 3,33 KM+WM 46,7613.30 0,5 12500 16666,67 33333,33 0,11 Tenggiri 7516.00 2,5 324 324,00 129,60 27,78 Bekutak 100
16-Mar-07 08.00 - - - - - - -08.30 0,5 2840,5 2840,50 5681,00 0,63 Kerang Bulu 10010.00 1,5 1403,5 1403,50 935,67 3,85 Kerang Bulu 10013.00 3 3501,5 7488,24 2496,08 1,44 KM+WM 46,7616.30 3,5 577 1233,96 352,56 10,21 KM+WM 46,76
17-Mar-07 08.00 - - - - - - -
08.20 0,3 141,9 233,08 776,94 4,63 Bekutak+KM+WM 60,88
11.00 2,6 2104 2104,00 809,23 4,45 Kerang Bulu 10014.30 3,5 105,5 105,50 30,14 119,43 Bekutak 10015.00 0,5 399 643,55 1287,10 2,80 Kurisi BTF 6216.00 1 2153,5 2153,50 2153,50 1,67 Kerang Bulu 100
17.30 1,5 4623 7593,63 5062,42 0,71 KM+WM+Tenggiri 60,88
20.30 3 33 33,00 11,00 327,27 Bekutak 10020-Mar-07 08.00 - - - - - - -
08.15 0,25 367,8 501,23 2004,91 1,80 KM+Bekutak 73,38
08.40 0,42 101 216,00 514,28 7,00 KM 46,7610.45 2,08 2980,5 2980,50 1432,93 2,51 Kerang Bulu 100
121
Tanggal WaktuKedatangan
WaktuAntar
Kedatangan(Jam)
Jumlah(Kg)
Jumlahbasis RM
(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
Item RMNilai
Konversi(%)
14.35 3,83 12955 17273,33 4510,01 0,80 Tenggiri 7516.30 1,92 5723,2 12239,52 6374,75 0,56 KM+WM 46,7620.30 4 101,9 217,92 54,48 66,08 KM+WM 46,7621.00 0,5 100,7 215,36 430,71 8,36 KM 46,7621.05 0,083 1414 3023,95 36433,16 0,10 KM+WM 46,7621.35 0,5 13,5 13,50 27,00 133,33 Bekutak 100
21-Mar-07 08.00 - - - - - - -
09.30 1,5 1015,8 1384,30 922,87 3,90 KM+Bekutak 73,38
13.15 3,75 325,5 443,58 118,29 30,43 KM+Bekutak 73,38
13.45 0,5 182,5 390,29 780,58 4,61 KM 46,76
14.10 0,42 3799,9 6241,62 14861,01 0,24 KM+WM+Tenggiri 60,88
16.00 1,83 44,5 95,17 52,00 69,23 KM 46,7622-Mar-07 08.00 - - - - - - -
09.00 1 2922,5 2922,50 2922,50 1,23 Kerang Bulu 10013.00 4 781 1041,33 260,33 13,83 Tenggiri 7514.00 1 3072 4096,00 4096,00 0,88 Tenggiri 75
16.00 2 291 477,99 238,99 15,06 KM+Tenggiri 60,88
16.30 0,5 2257,5 4827,84 9655,69 0,37 KM+WM 46,7623-Mar-07 08.00 - - - - - - -
09.00 1 699 1148,16 1148,16 3,14 Tenggiri+KM 60,88
11.00 2 2415 2415,00 1207,50 2,98 Kerang Bulu 10014.30 3,5 5854 7805,33 2230,10 1,61 Tenggiri 75
24-Mar-07 08.00 - - - - - - -08.30 0,5 1932 1932,00 3864,00 0,93 Kerang Bulu 10013.00 4,5 1654,5 3538,28 786,28 4,58 KM+WM 46,7615.30 2,5 1770 2360,00 944,00 3,81 Tenggiri 75
16.30 1 270 367,95 367,95 9,78 Bekutak+KM+WM 73,38
26-Mar-07 08.00 - - - - - - -08.05 0,083 185,5 396,71 4760,48 0,76 KM+WM 46,76
11.00 2,92 121 164,90 56,47 63,75 Bekutak+KM 73,38
13.03 2,05 133,3 285,07 139,06 25,89 KM+WM 46,7613.30 0,45 1840,5 2454,00 5453,33 0,66 Tenggiri 7515.30 2 939,8 2009,84 1004,92 3,58 KM+WM 46,7615.45 0,25 260,5 260,50 1042,00 3,45 Bekutak 100
27-Mar-07 08.00 - - - - - - -13.03 5 1505,5 3219,63 643,93 5,59 KM+WM 46,76
28-Mar-07 08.00 - - - - - - -
08.05 0,083 448,2 610,79 7329,52 0,49 KM+WM+Bekutak 73,38
13.05 5 1624 3473,05 694,61 5,18 KM 46,7613.38 0,55 2065 2753,33 5006,06 0,72 Tenggiri 7514.10 0,53 218,6 467,49 882,06 4,08 KM+WM 46,76
7. Stasiun Packing
Tanggal WaktuKedatangan
WaktuAntar
Kedatangan(Jam)
Jumlah(Kg)
JumlahbasisRM(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
Item RMNilai
Konversi(%)
15-Mar-07 22.00 0 2437,5 2437,50 - - Kerang Bulu 10022.30 0,5 1265,3 2705,95 5411,89 0,67 KM+WM 46,7622.30 0,5 12500 16666,67 33333,33 0,11 Tenggiri 7523.30 1 2539,5 2539,50 2539,50 1,42 Kerang Bulu 100
16-Mar-07 01.00 1,5 324 324,00 216,00 16,67 Bekutak 100
122
Tanggal WaktuKedatangan
WaktuAntar
Kedatangan(Jam)
Jumlah(Kg)
JumlahbasisRM(Kg)
TingkatKedatangan
(Kg/Jam)
Waktu AntarKedatangan(Detik/Kg)
Item RMNilai
Konversi(%)
22.00 21 2840,5 2840,50 135,26 26,62 Kerang Bulu 10017-Mar-07 00.00 2 4905 6684,38 3342,19 1,08 KM+WM+
Kerang Bulu 73,38
01.00 1 577 1233,96 1233,96 2,92 KM+WM 46,76
17.30 16,5 141,9 233,08 14,13 254,85 Bekutak+KM+WM 60,88
23.30 6 105,5 105,50 17,58 204,74 Bekutak 10018-Mar-07 00.00 0,5 2104 2104,00 4208,00 0,86 Kerang Bulu 100
01.30 1,5 399 643,55 429,03 8,39 Kurisi BTF 62
05.00 4,5 33 33,00 7,33 490,91 Bekutak 100
05.30 0,5 6776,5 8424,29 16848,58 0,21KM+WM+Tenggiri+Kerang Bulu
80,44
19-Mar-07 18.00 12,5 101 216,00 17,28 208,34 KM 46,76
19.00 1 367,8 501,23 501,23 7,18 KM+Bekutak 73,3820-Mar-07 01.00 6 15935,5 18212,00 3035,33 1,19 Tenggiri+
Kerang Bulu 87,5
04.30 3,5 5723,2 12239,52 3497,01 1,03 KM+WM 46,76
05.30 1 101,9 217,92 217,92 16,52 KM+WM 46,76
17.00 11,5 100,7 215,36 18,73 192,24 KM 46,76
19.00 2 1414 3023,95 1511,98 2,38 KM+WM 46,76
19.30 0,5 13,5 13,50 27,00 133,33 Bekutak 10021-Mar-07 19.30 24 1015,8 1384,30 57,68 62,41 KM+Bekutak 73,38
23.00 3,5 182,5 390,29 111,51 32,28 KM 46,76
23.30 0,5 325,5 443,58 887,16 4,06 KM+Bekutak 73,3822-Mar-07 00.30 1 44,5 95,17 95,17 37,83 KM 46,76
01.00 0,5 3799,9 6241,62 12483,25 0,29 KM+WM+Tenggiri 60,88
22.30 21,5 2922,5 2922,50 135,93 26,48 Kerang Bulu 100
23.30 1 781 1041,33 1041,33 3,46 Tenggiri 7523-Mar-07 01.00 1,5 3363 5523,98 3682,65 0,98 KM+Tenggiri 60,88
03.30 2,5 2257,5 4827,84 1931,14 1,86 KM+WM 46,76
19.00 15,5 699 1148,16 74,07 48,60 Tenggiri+KM 60,8824-Mar-07 00.00 5 2415 2415,00 483,00 7,45 Kerang Bulu 100
01.00 1 5854 7805,33 7805,33 0,46 Tenggiri 75
22.00 21 1932 1932,00 92,00 39,13 Kerang Bulu 10025-Mar-07 00.00 2 1654,5 3538,28 1769,14 2,03 KM+WM 46,76
01.30 1,5 270 367,95 245,30 14,68 Bekutak+KM+WM 73,38
02.00 0,5 1770 2360,00 4720,00 0,76 Tenggiri 7526-Mar-07 17.00 15 185,5 396,71 26,45 136,12 KM+WM 46,76
20.00 3 121 164,90 54,97 65,50 Bekutak+KM 73,38
22.00 2 133,3 285,07 142,54 25,26 KM+WM 46,7627-Mar-07 00.30 2,5 1840,5 2454,00 981,60 3,67 Tenggiri 75
02.00 1,5 939,8 2009,84 1339,89 2,69 KM+WM 46,7628-Mar-07 00.30 22,5 260,5 260,50 11,58 310,94 Bekutak 100
18.00 17,5 1505,5 3219,63 183,98 19,57 KM+WM 46,76
19.00 1 448,2 610,79 610,79 5,89 KM+WM+Bekutak 73,38
22.30 3,5 3907,6 6418,53 1833,87 1,96 KM+WM+Tenggiri 60,88
123
Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator
1. Stasiun Penerimaan
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerproses
basis RM (Kg)
JumlahOperator
Tingkat Pelayanan(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
14-Mar-07 07.00-09.50 2,8 5.001,5 5.001,5 5 357,25 10,0809.55-10.40 0,75 1.749,5 1.749,5 5 466,53 7,7210.30-10.50 0,3 390,5 390,5 5 260,33 13,8311.20-17.00 5,7 3.469,5 3.469,5 5 121,74 29,5713.45-14.45 1 2.201,0 2.201,0 5 440,20 8,1817.00-20.00 3 3.515,0 3.515,0 5 234,33 15,3619.45-20.05 0,3 138,5 138,5 5 92,33 38,9920.00-20.10 0,6 130,5 130,5 5 43,50 82,76
15-Mar-07 08.00-09.40 1,6 2.364,5 2.364,5 5 295,56 12,1809.45-10.45 1 2.465,0 2.465,0 5 493,00 7,3014.25-14.55 0,5 1.257,0 1.257,0 5 502,80 7,1615.30-18.00 2,5 12.404,5 12.404,5 5 992,36 3,63
16-Mar-07 08.00-09.00 1 2.749,5 2.749,5 5 549,90 6,5509.15-10.05 0,83 1.357,0 1.357,0 5 326,99 11,0113.10-15.00 1,83 3.471,0 3.471,0 5 379,34 9,4915.00-15.30 0,5 572,0 572,0 5 228,80 15,73
17-Mar-07 08.00-08.15 0,25 139,0 139,0 5 111,20 32,3708.45-10.00 1,25 2.057,0 2.057,0 5 329,12 10,9410.00-10.30 0,5 370,0 370,0 5 148,00 24,3210.30-12.00 1,5 2.077,0 2.077,0 5 276,93 13,0013.00-15.00 2 4.213,5 4.213,5 5 421,35 8,5415.15-15.30 0,25 31,0 31,0 5 24,80 145,16
20-Mar-07 08.05-08.30 0,4 357,5 357,5 5 178,75 20,1408.35-08.50 0,25 96,5 96,5 5 77,20 46,6309.00-10.30 1,5 2.888,0 2.888,0 5 385,07 9,3510.45-14.30 3,75 12.937,5 12.937,5 5 690,00 5,2214.50-16.30 1,66 6.031,5 6.031,5 5 726,69 4,9516.30-17.05 0,58 99,0 99,0 5 34,14 105,4517.10-17.40 0,5 97,5 97,5 5 39,00 92,3118.30-21.00 2,5 4.399,5 4.399,5 5 351,96 10,2321.00-21.30 0,5 159,5 159,5 5 63,80 56,43
21-Mar-07 09.10-10.00 0,83 997,0 997,0 5 240,24 14,9813.00-13.30 0,5 320,5 320,5 5 128,20 28,0813.30-13.50 0,3 178,0 178,0 5 118,67 30,3413.50-15.40 1,8 3.780,0 3.780,0 5 420,00 8,57
22-Mar-07 10.05-11.15 1,17 2.811,5 2.811,5 5 480,60 7,4913.00-14.30 1,5 3.853,0 3.853,0 5 513,73 7,0114.40-15.00 0,3 283,0 283,0 5 188,67 19,0815.00-16.10 1,17 2.242,5 2.242,5 5 383,33 9,39
23-Mar-07 13.15-13.45 0,5 689,0 689,0 5 275,60 13,0613.45-14.45 1 2.334,0 2.334,0 5 466,80 7,7115.30-17.30 2 5.855,0 5.855,0 5 585,50 6,15
24-Mar-07 08.30-09.30 1 1.888,5 1.888,5 5 377,70 9,5313.00-14.30 1,5 1.870,0 1.870,0 5 249,33 14,4415.15-16.00 0,75 1.770,0 1.770,0 5 472,00 7,6316.00-16.15 0,25 202,0 202,0 5 161,60 22,28
26-Mar-07 08.00-08.30 0,5 182,0 182,0 5 72,80 49,4511.00-11.30 0,5 116,0 116,0 5 46,40 77,5913.20-13.45 0,42 127,0 127,0 5 60,48 59,5313.00-14.00 1 1.840,5 1.840,5 5 368,10 9,7814.10-15.00 0,83 925,0 925,0 5 222,89 16,1515.00-15.30 0,5 253,5 253,5 5 101,40 35,50
27-Mar-07 13.00-13.40 0,6 1.481,0 1.481,0 5 493,67 7,2928-Mar-07 08.00-08.15 0,25 473,0 473,0 5 378,40 9,51
13.00-13.45 0,75 1.602,5 1.602,5 5 427,33 8,4213.45-14.30 0,75 2.065,0 2.065,0 5 550,67 6,5414.35-15.00 0,42 211,0 211,0 5 100,48 35,83
29-Mar-07 09.00-09.15 0,25 58,0 58,0 5 46,40 77,5910.20-10.35 0,25 195,0 195,0 5 156,00 23,0811.00-11.30 0,5 1.135,0 1.135,0 5 454,00 7,93
124
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerproses
basis RM (Kg)
JumlahOperator
Tingkat Pelayanan(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
11.30-12.50 1,3 1.825,0 1.825,0 5 280,77 12,8213.00-13.40 0,6 1.033,0 1.033,0 5 344,33 10,4514.30-15.15 0,75 270,0 270,0 5 72,00 50,00
30-Mar-07 08.00-08.25 0,42 378,5 378,5 5 180,24 19,9708.15-08.40 0,42 808,0 808,0 5 384,76 9,3613.00-13.30 0,5 725,0 725,0 5 290,00 12,4113.30-13.45 0,25 222,5 222,5 5 178,00 20,2213.45-14.00 0,25 118,0 118,0 5 94,40 38,1414.35-15.05 0,5 389,5 389,5 5 155,80 23,11
Nilai Konversi Basis RM : 100 %
2. Stasiun Penerimaan (Berdasarkan Jenis Proses)
Jenis Proses 1 (Pencucian, Sortasi, Penimbangan)
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
Jenis RM
WaktuPelayanan(Detik/Kg/
Orang)14-Mar-07 07.00-09.50 2,8 5.001,5 5.001,5 5 357,25 KM+WM 10,08
17.00-20.00 3 3.515,0 3.515,0 5 234,33 KM+WM 15,36
19.45-20.05 0,3 138,5 138,5 5 92,33KM+Kaci-Kaci 38,99
15-Mar-07 14.25-14.55 0,5 1.257,0 1.257,0 5 502,80 KM 7,1616-Mar-07 13.10-15.00 1,83 3.471,0 3.471,0 5 379,34 Lemadang 9,49
15.00-15.30 0,5 572,0 572,0 5 228,80 KM+WM 15,7317-Mar-07 13.00-15.00 2 4.213,5 4.213,5 5 421,35 KM+WM 8,5420-Mar-07 08.35-08.50 0,25 96,5 96,5 5 77,20 KM 46,63
14.50-16.30 1,66 6.031,5 6.031,5 5 726,69 KM+WM 4,9516.30-17.05 0,58 99,0 99,0 5 34,14 KM+WM 105,4517.10-17.40 0,5 97,5 97,5 5 39,00 KM 92,3118.30-21.00 2,5 4.399,5 4.399,5 5 351,96 KM+WM 10,23
21-Mar-07 13.30-13.50 0,3 178,0 178,0 5 118,67 KM 30,3413.50-15.40 1,8 3.780,0 3.780,0 5 420,00 KM+WM 8,57
22-Mar-07 15.00-16.10 1,17 2.242,5 2.242,5 5 383,33 KM+WM 9,3924-Mar-07 13.00-14.30 1,5 1.870,0 1.870,0 5 249,33 KM+WM 14,4426-Mar-07 08.00-08.30 0,5 182,0 182,0 5 72,80 KM+WM 49,45
13.20-13.45 0,42 127,0 127,0 5 60,48 KM+WM 59,5314.10-15.00 0,83 925,0 925,0 5 222,89 KM+WM 16,15
27-Mar-07 13.00-13.40 0,6 1.481,0 1.481,0 5 493,67 KM+WM 7,2928-Mar-07 13.00-13.45 0,75 1.602,5 1.602,5 5 427,33 KM+WM 8,4229-Mar-07 13.00-13.40 0,6 1.033,0 1.033,0 5 344,33 KM+WM 10,45
14.30-15.15 0,75 270,0 270,0 5 72,00 KM+WM 50,0030-Mar-07 13.00-13.30 0,5 725,0 725,0 5 290,00 KM+WM 12,41
14.35-15.05 0,5 389,5 389,5 5 155,80 KM+KSM 23,11
*) Nilai Konversi Basis RM : 100%
Jenis Proses 2 (Pencucian, Penimbangan)
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
JenisRM
WaktuPelayanan(Detik/Kg/
Orang)14-Mar-07 09.55-10.40 0,75 1.749,5 1.749,5 5 466,53 Kerang 7,72
13.45-14.45 1 2.201,0 2.201,0 5 440,20 Kerang 8,1820.00-20.10 0,16 130,5 130,5 5 163,13 Bekutak 22,07
15-Mar-07 08.00-09.40 1,6 2.364,5 2.364,5 5 295,56 Kerang 12,1809.45-10.45 1 2.465,0 2.465,0 5 493,00 Kerang 7,30
16-Mar-07 08.00-09.00 1 2.749,5 2.749,5 5 549,90 Kerang 6,5509.15-10.05 0,83 1.357,0 1.357,0 5 326,99 Kerang 11,01
17-Mar-07 08.45-10.00 1,25 2.057,0 2.057,0 5 329,12 Kerang 10,9410.30-12.00 1,5 2.077,0 2.077,0 5 276,93 Kerang 13,0015.15-15.30 0,25 310,0 310,0 5 248,00 Bekutak 14,52
20-Mar-07 09.00-10.30 1,5 2.888,0 2.888,0 5 385,07 Kerang 9,3521.00-21.30 0,5 159,5 159,5 5 63,80 Bekutak 56,43
22-Mar-07 10.05-11.15 1,17 2.811,5 2.811,5 5 480,60 Kerang 7,49
125
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
JenisRM
WaktuPelayanan(Detik/Kg/
Orang)23-Mar-07 13.45-14.45 1 2.334,0 2.334,0 5 466,80 Kerang 7,7124-Mar-07 08.30-09.30 1 1.888,5 1.888,5 5 377,70 Kerang 9,5326-Mar-07 15.00-15.30 0,5 253,5 253,5 5 101,40 Bekutak 35,5029-Mar-07 09.00-09.15 0,25 58,0 58,0 5 46,40 Kerang 77,59
10.20-10.35 0,25 195,0 195,0 5 156,00 Bekutak 23,0830-Mar-07 13.30-13.45 0,25 222,5 222,5 5 178,00 Bekutak 20,22
13.45-14.00 0,25 118,0 118,0 5 94,40 Bekutak 38,14*) Nilai Konversi Basis RM : 100 %
Jenis Proses 3 (Penimbangan)
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
JenisRM
WaktuPelayanan
(Detik/Kg/Orang)
15-Mar-07 15.30-18.00 2,5 12.404,5 12.404,5 5 992,36 Tenggiri 3,6310.45-14.30 3,75 12.937,5 12.937,5 5 690,00 Tenggiri 5,22
22-Mar-07 13.00-14.30 1,5 3.853,0 3.853,0 5 513,73 Tenggiri 7,0123-Mar-07 15.30-17.30 2 5.855,0 5.855,0 5 585,50 Tenggiri 6,1524-Mar-07 15.15-16.00 0,75 1.770,0 1.770,0 5 472,00 Tenggiri 7,6326-Mar-07 13.00-14.00 1 1.840,5 1.840,5 5 368,10 Tenggiri 9,7828-Mar-07 13.45-14.30 0,75 2.065,0 2.065,0 5 550,67 Tenggiri 6,5429-Mar-07 11.00-11.30 0,5 1.135,0 1.135,0 5 454,00 Tenggiri 7,93
11.30-12.50 1,3 1.825,0 1.825,0 5 280,77 Tenggiri 12,82*) Nilai Konversi Basis RM : 100 %
Jenis Proses 4 (Mix)
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)Jenis RM
WaktuPelayanan(Detik/Kg/
Orang)14-Mar-07 10.30-10.50 0,3 390,5 390,5 5 260,33 Kurisi+Bekutak 13,83
11.20-17.00 5,7 3.469,5 3.469,5 5 121,74 KM+Bekutak 29,5717-Mar-07 08.00-08.15 0,25 139,0 139,0 5 111,20 KM+Bekutak 32,37
10.00-10.30 0,5 370,0 370,0 5 148,00 Bekutak+Kurisi 24,3220-Mar-07 08.05-08.30 0,4 357,5 357,5 5 178,75 KM+Bekutak 20,1421-Mar-07 09.10-10.00 0,83 997,0 997,0 5 240,24 KM+Bekutak 14,98
13.00-13.30 0,5 320,5 320,5 5 128,20 KM+Bekutak 28,0822-Mar-07 14.40-15.00 0,3 283,0 283,0 5 188,67 KM+Tenggiri 19,0823-Mar-07 13.15-13.45 0,5 689,0 689,0 5 275,60 KM+Tenggiri 13,0624-Mar-07 16.00-16.15 0,25 202,0 202,0 5 161,60 KM+Bekutak 22,2826-Mar-07 11.00-11.30 0,5 116,0 116,0 5 46,40 KM+Bekutak 77,5928-Mar-07 08.00-08.15 0,25 473,0 473,0 5 378,40 KM+WM+
Bekutak 9,51
14.35-15.00 0,42 211,0 211,0 5 100,48 KM+Bekutak 35,8330-Mar-07 08.00-08.25 0,42 378,5 378,5 5 180,24 KM+WM+Bek
utak 19,97
08.15-08.40 0,42 808,0 808,0 5 384,76 KM+Bekutak 9,36*) Nilai Konversi Basis RM : 100 %
3. Stasiun Arahan Produksi
Tanggal Jam Durasi(Detik)
BahanTerproses
(kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
14-Mar-07 09.00-10.00 24,85 45,0 45,0 3 2173,04 1,6618,38 42,0 42,0 3 2742,11 1,3119,56 40,5 40,5 3 2484,66 1,4513,85 46,0 46,0 3 3985,56 0,9011,13 40,5 40,5 3 4366,58 0,8211,53 46,5 46,5 3 4839,55 0,7420,32 47,0 47,0 3 2775,59 1,3014,28 44,5 44,5 3 3739,50 0,96
126
Tanggal Jam Durasi(Detik)
BahanTerproses
(kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
11,00 39,0 39,0 3 4254,55 0,8516-Mar-07 09.00-10.00 8,62 48,0 48,0 3 6682,13 0,54
10,53 41,0 41,0 3 4672,36 0,7719,21 52,0 52,0 3 3248,31 1,1111,53 38,5 38,5 3 4006,94 0,9016,06 37,0 37,0 3 2764,63 1,3014,78 47,0 47,0 3 3815,97 0,94
8,53 23,5 23,5 3 3305,98 1,0912,59 41,0 41,0 3 3907,86 0,92
9,13 35,0 35,0 3 4600,22 0,7810,51 39,5 39,5 3 4509,99 0,80
9,24 21,5 21,5 3 2792,21 1,2920-Mar-07 09.00-10.00 12,23 23,5 23,5 3 2305,81 1,56
14,22 44,5 44,5 3 3755,27 0,9610,54 27,5 27,5 3 3130,93 1,1515,54 36,5 36,5 3 2818,53 1,2812,55 33,5 33,5 3 3203,19 1,1213,45 35,5 35,5 3 3167,29 1,1412,45 40,5 40,5 3 3903,61 0,9214,45 41,0 41,0 3 3404,84 1,06
9,54 34,0 34,0 3 4276,73 0,8418,23 42,0 42,0 3 2764,67 1,30
*) Nilai Konversi Basis RM : 100 %4. Stasiun Penyisikan
Tanggal Jam Durasi(Detik)
Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)01-Mar-07 07.00-10.00 - 3 583,8 610,0 7 29,05 123,93
08.30-16.00 - 6,5 817,2 853,9 7 18,77 191,8202-Mar-07 06.00-07.30 - 1,5 278,0 290,5 3 64,55 55,7703-Mar-07 06.00-08.00 - 2 662,4 692,2 8 43,26 83,2206-Mar-07 07.00-07.30 - 0,5 75,0 78,4 8 19,59 183,7408-Mar-07 07.00-09.30 - 2,5 760,0 794,1 7 45,38 79,3310-Mar-07 07.00-08.00 - 1 639,0 667,7 10 66,77 53,9212-Mar-07 14.30-16.00 - 2,5 304,0 317,7 4 31,77 113,3313-Mar-07 07.00-10.00 - 3 317,4 331,7 9 12,28 293,0721-Mar-07 06.00-09.30 - 3,5 1.026,0 1.072,1 6 51,05 70,5222-Mar-07 06.00-07.30 - 1,5 315,0 329,2 7 31,35 114,8422-Mar-07 09.00-10.00 46,16 - 0,65 0,68 1 52,97 67,96
68,00 - 0,65 0,68 1 35,96 100,1252,16 - 0,65 0,68 1 46,88 76,8042,12 - 0,65 0,68 1 58,05 62,0140,11 - 0,65 0,68 1 60,96 59,0539,56 - 0,65 0,68 1 61,81 58,2451,12 - 0,65 0,68 1 47,83 75,2645,32 - 0,65 0,68 1 53,95 66,7261,01 - 0,65 0,68 1 40,08 89,8367,02 - 0,65 0,68 1 36,48 98,6772,05 - 0,65 0,68 1 33,94 106,0865,10 - 0,65 0,68 1 37,56 95,85
23-Mar-07 09.30-10.30 52,35 - 0,65 0,68 1 46,71 77,0848,23 - 0,65 0,68 1 50,70 71,0145,56 - 0,65 0,68 1 53,67 67,0851,23 - 0,65 0,68 1 47,73 75,4342,23 - 0,65 0,68 1 57,90 62,1849,51 - 0,65 0,68 1 49,39 72,8954,53 - 0,65 0,68 1 44,84 80,2840,55 - 0,65 0,68 1 60,30 59,70
39,5 - 0,65 0,68 1 61,90 58,1649,42 - 0,65 0,68 1 49,48 72,7644,28 - 0,65 0,68 1 55,22 65,1938,53 - 0,65 0,68 1 63,46 56,73
*) Nilai Konversi Basis RM : 95,7 %
127
5. Stasiun Filleting
Tanggal Jam Durasi(Detik)
Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)01-Mar-07 08.00-08.20 - 0,3 73,9 141,8 3 157,60 22,8402-Mar-07 07.00-14.00 - 5 595,5 1.143,0 5 45,72 78,7403-Mar-07 07.00-11.30 - 4,5 1.858,7 3.567,6 5 158,56 22,7005-Mar-07 08.00-16.45 - 7,75 2.048,9 3.932,6 5 101,49 35,4706-Mar-07 07.00-15.30 - 7,5 1.608,5 3.087,3 5 82,33 43,7307-Mar-07 08.00-12.00 - 4 216,8 416,1 4 26,01 138,4209-Mar-07 08.00-15.30 - 6,5 984,2 1.889,1 4 72,66 49,5510-Mar-07 07.00-16.00 - 8 2.040,7 3.916,9 5 97,92 36,7612-Mar-07 07.00-16.00 - 8 2.567,1 4.927,3 5 123,18 29,2313-Mar-07 07.00-11.00 - 4 642,3 1.232,8 5 61,64 58,4014-Mar-07 08.00-15.00 - 6 2.133,5 4.095,0 5 136,50 26,3715-Mar-07 07.00-13.00 - 5,5 1.632,5 3.133,4 5 113,94 31,6016-Mar-07 08.00-15.30 - 6,5 879,0 1.687,1 5 51,91 69,3517-Mar-07 08.00-15.00 - 6 1.784,0 3.424,2 5 114,14 31,5418-Mar-07 07.00-14.00 - 6 448,0 859,9 3 47,77 75,3620-Mar-07 07.00-14.30 - 6,5 1.956,7 3.755,7 4 144,45 24,9221-Mar-07 07.00-15.30 - 7,5 2.116,6 4.062,6 4 135,42 26,5822-Mar-07 07.00-14.00 - 6 1.740,9 3.341,5 4 139,23 25,8623-Mar-07 07.00-15.00 - 7 1.878,4 3.605,4 4 128,76 27,9624-Mar-07 08.00-12.00 - 4 400,3 768,3 4 48,02 74,9726-Mar-07 08.00-15.30 - 6,5 1.097,9 2.107,3 2 162,10 22,2128-Mar-07 08.00-10.30 - 2,5 591,3 1.134,9 4 113,49 31,7229-Mar-07 08.00-11.00 - 3 1.032,7 1.982,1 4 165,18 21,7931-Mar-07 07.00-14.30 - 6,5 922,8 1.771,2 4 68,12 52,8514-Mar-07 10.00-11.00 25,03 - 0,65 1,25 1 179,44 20,06
27,19 - 0,65 1,25 1 165,18 21,7928,81 - 0,65 1,25 1 155,90 23,0927,31 - 0,65 1,25 1 164,46 21,8932,63 - 0,65 1,25 1 137,65 26,1549,13 - 1,00 1,92 1 140,64 25,6046,94 - 1,00 1,92 1 147,20 24,4652,16 - 1,00 1,92 1 132,47 27,1847,16 - 1,00 1,92 1 146,52 24,5753,39 - 1,00 1,92 1 129,42 27,82
*) Nilai Konversi Basis RM : 52,1 %6. Stasiun Trimming
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesBasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)
Produk
01-Mar-07 08.00-08.25 0,4 46,4 93,4 8 29,18 123,39 Skin On 15.15-16.50 1,6 361,9 728,2 8 56,89 63,28 Skin On 15.00-15.45 0,75 108,5 218,3 6 48,51 74,21 Skin On 15.10-15.50 0,7 75,8 152,5 6 36,31 99,14 Skin On
02-Mar-07 07.10-08.00 0,8 64,0 128,8 3 53,66 67,10 Skin On 07.10-07.50 0,7 51,1 102,8 3 48,96 73,53 Skin On 07.10-07.30 0,3 63,9 128,6 7 61,22 58,80 Skin On 09.30-10.30 1,9 109,3 297,0 8 19,54 184,24 SkinLess 13.20-14.15 09.30-10.40 2,4 103,3 280,7 7 16,71 215,46 SkinLess 13.20-14.30
03-Mar-07 07.00-08.20 1,3 184,8 371,8 8 35,75 100,69 Skin On 07.10-08.25 1,25 212,7 428,0 8 42,80 84,12 Skin On 07.20-08.45 1,4 86,5 174,0 7 17,76 202,71 Skin On 08.25-11.50 3,6 365,0 991,8 8 34,44 104,53 SkinLess 08.25-12.15 3,8 255,1 693,2 8 22,80 157,88 SkinLess 08.30-12.30 4 137,7 374,2 7 13,36 269,39 SkinLess
05-Mar-07 08.35-09.20 0,75 62,0 124,7 4 41,58 86,57 Skin On 08.35-09.35 1 44,3 89,1 3 29,71 121,16 Skin On 08.05-17.25 8,3 553,3 1.503,5 7 25,88 139,11 SkinLess
128
Tanggal Jam Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesBasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)
Produk
08.05-16.45 7,6 447,7 1.216,6 8 20,01 179,91 SkinLess 14.45-17.00 2,25 53,5 145,4 6 10,77 334,30 SkinLess
08-Mar-07 07.05-08.35 1,5 208,5 419,5 8 34,96 102,98 Skin On 07.05-08.35 1,5 206,5 415,5 9 30,78 116,97 Skin On 07.05-07.45 1,8 44,8 90,1 5 10,02 359,44 Skin On 08.35-15.15 5,7 264,6 719,0 8 15,77 228,31 SkinLess 08.35-15.15 5,75 239,0 649,5 9 12,55 286,86 SkinLess 09.00-16.00 6 123,2 334,8 5 11,16 322,60 SkinLess
12-Mar-07 13.00-14.00 1,5 118,8 322,8 6 35,87 100,36 SkinLess15-Mar-07 07.10-08.30 1,3 229,9 462,6 8 44,48 80,94 Skin On
07.10-08.15 1,08 146,8 295,4 8 34,19 105,30 Skin On 08.35-15.00 6,5 526,0 1.429,3 8 27,49 130,97 SkinLess 08.30-15.30 6,7 492,3 1.337,8 8 24,96 144,24 SkinLess
17-Mar-07 08.20-09.05 0,75 46,9 94,4 8 15,73 228,90 Skin On 08.20-09.30 1,2 68,5 137,8 4 28,71 125,37 Skin On 09.05-15.20 5,25 510,7 1.387,8 8 33,04 108,95 SkinLess 09.30-15.30 5,5 388,8 1.056,5 8 24,01 149,93 SkinLess
22-Mar-07 07.10-08.05 0,9 94,9 190,9 8 26,52 135,75 Skin On23-Mar-07 07.10-08.06 0,9 158,1 318,1 8 44,18 81,48 Skin On
08.10-14.30 5,3 496,8 1.350,0 8 31,84 113,07 SkinLess 08.10-15.00 5,8 475,9 1.293,2 8 27,87 129,17 SkinLess
24-Mar-07 07.15-07.45 0,5 53,3 107,2 7 30,64 117,49 Skin On 07.15-07.40 0,4 50,0 100,6 8 31,44 114,51 Skin On 07.15-08.00 0,75 55,7 112,1 7 21,35 168,64 Skin On 07.50-15.00 6,3 399,3 1.085,1 7 24,60 146,32 SkinLess 07.45-15.15 6,3 378,7 1.029,1 8 20,42 176,31 SkinLess 08.05-15.15 5,7 259,6 705,4 7 17,68 203,62 SkinLess
Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)
7. Stasiun Washing
Tanggal Jam Durasi(Detik)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang) Produk
15-Mar-07 14.00-15.00 122,00 11,3 30,7 2 453,05 7,95 SkinLess141,00 10,6 28,8 2 367,72 9,79 SkinLess132,00 10,5 28,5 2 389,08 9,25 SkinLess135,00 12,6 34,2 2 456,52 7,89 SkinLess150,00 10,4 28,3 2 339,13 10,62 SkinLess143,00 10,4 28,3 2 355,73 10,12 SkinLess
21-Mar-07 13.30-14.30 170,00 11,2 30,4 2 322,25 11,17 SkinLess160,10 10,1 27,4 2 308,57 11,67 SkinLess162,10 10,4 28,3 2 313,82 11,47 SkinLess159,50 12,3 33,4 2 377,20 9,54 SkinLess151,10 11,4 31,0 2 369,03 9,76 SkinLess130,10 11,1 30,2 2 417,32 8,63 SkinLess
23-Mar-07 14.00-15.00 133,00 12,1 24,3 2 329,50 10,93 Skin On154,00 13,1 26,4 2 308,08 11,69 Skin On164,00 10,2 20,5 2 225,25 15,98 Skin On142,00 11,5 23,1 2 293,31 12,27 Skin On178,00 11,2 22,5 2 227,88 15,80 Skin On
24-Mar-07 11.00-12.00 163,00 10,4 28,3 2 312,08 11,54 SkinLess136,00 11,6 31,5 2 417,20 8,63 SkinLess163,00 12,1 32,9 2 363,10 9,91 SkinLess154,00 13,4 36,4 2 425,61 8,46 SkinLess152,00 11,5 31,3 2 370,07 9,73 SkinLess175,00 11 29,9 2 307,45 11,71 SkinLess
28-Mar-07 13.30-14.30 162,00 13,1 35,6 2 395,53 9,10 SkinLess130,00 12,5 34,0 2 470,32 7,65 SkinLess126,00 12,3 33,4 2 477,48 7,54 SkinLess126,00 11,1 30,2 2 430,90 8,35 SkinLess
129
Tanggal Jam Durasi(Detik)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang) Produk
171,00 13,5 36,7 2 386,16 9,32 SkinLess153,00 11,5 31,3 2 367,65 9,79 SkinLess141,00 12,4 33,7 2 430,16 8,37 SkinLess
*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)
8. Stasiun Sizing
Tanggal Jam Durasi(Detik)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan
(Detik/Kg/Orang)Produk
21-Mar-07 14.30-15.30 154,80 10,35 28,1 4 163,52 22,02 SkinLess123,00 4,54 12,3 4 90,27 39,88 SkinLess117,00 9,08 24,7 4 189,80 18,97 SkinLess122,00 4,54 12,3 4 91,01 39,56 SkinLess201,00 4,5 12,2 4 54,75 65,75 SkinLess192,00 4,6 12,5 4 58,59 61,44 SkinLess
28-Mar-07 15.30-16.30 208,00 10,3 28,0 4 121,11 29,73 SkinLess258,00 9,2 25,0 4 87,21 41,28 SkinLess135,00 9,5 25,8 4 172,10 20,92 SkinLess212,00 10,2 27,7 4 117,67 30,59 SkinLess214,00 4,54 12,3 4 51,88 69,39 SkinLess225,00 10,5 28,5 4 114,13 31,54 SkinLess222,00 10,3 28,0 4 113,47 31,73 SkinLess
29-Mar-07 14.00-15.00 292,00 10,5 28,5 4 87,94 40,94 SkinLess154,00 10,2 27,7 4 161,98 22,22 SkinLess203,00 9,9 26,9 4 119,27 30,18 SkinLess203,00 9,7 26,4 4 116,86 30,81 SkinLess144,00 10,5 28,5 4 178,33 20,19 SkinLess195,00 10,5 28,5 4 131,69 27,34 SkinLess179,00 9,5 25,8 4 129,80 27,74 SkinLess120,00 4,9 13,3 4 99,86 36,05 SkinLess133,00 5,3 14,4 4 97,46 36,94 SkinLess203,00 9,5 25,8 4 114,45 31,45 SkinLess
31-Mar-07 13.30-14.30 152,00 9,5 25,8 4 152,85 23,55 SkinLess271,00 10,5 28,5 4 94,76 37,99 SkinLess221,00 10,5 28,5 4 116,20 30,98 SkinLess153,00 10,5 28,5 4 167,84 21,45 SkinLess255,00 5,5 14,9 4 52,75 68,25 SkinLess221,00 10,3 28,0 4 113,98 31,58 SkinLess265,00 10,3 28,0 4 95,06 37,87 SkinLess198,00 10,2 27,7 4 125,99 28,57 SkinLess
*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)
9. Stasiun Bagging
Tanggal Jam Durasi(Detik)
Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
03-Mar-07 08.00-14.00 - 5 1072,4 2482,41 6 82,75 43,5106-Mar-07 09.00-09.30 - 0,5 26 60,19 2 60,19 59,8207-Mar-07 09.00-09.30 - 0,5 35,1 81,25 2 81,25 44,3111-Mar-07 07.00-13.30 - 6 1329,3 3077,08 7 73,26 49,1412-Mar-07 13.00-18.00 - 5 662,2 1532,87 4 76,64 46,9713-Mar-07 08.00-16.00 - 7 776,4 1797,22 7 36,68 98,1514-Mar-07 09.00-20.00 - 9,5 1409 3261,57 6 57,22 62,9115-Mar-07 08.00-17.00 - 6,5 822 1902,78 4 73,18 49,1916-Mar-07 09.00-11.00 - 2 118 273,15 2 68,29 52,7221-Mar-07 08.00-17.00 - 8 843,8 1953,24 4 61,04 58,9824-Mar-07 08.30-09.00 - 1,5 98,4 227,78 2 75,93 47,4126-Mar-07 09.00-14.00 - 4 378,2 875,46 2 109,43 32,90
130
Tanggal Jam Durasi(Detik)
Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
28-Mar-07 11.00-12.00 12,78 - 0,142 0,33 2 46,21 77,909,28 - 0,142 0,33 2 63,64 56,56
13,31 - 0,142 0,33 2 44,37 81,1310,13 - 0,142 0,33 2 58,30 61,759,29 - 0,142 0,33 2 63,58 56,63
13,31 - 0,142 0,33 2 44,37 81,1310,13 - 0,142 0,33 2 58,30 61,759,29 - 0,142 0,33 2 63,58 56,63
11,93 - 0,142 0,33 2 49,51 72,7210,19 - 0,142 0,33 2 57,96 62,1113,94 - 0,142 0,33 2 42,37 84,97
29-Mar-07 11.00-12.00 15,23 - 0,198 0,46 2 54,29 66,3112,23 - 0,198 0,46 2 67,61 53,2512,51 - 0,198 0,46 2 66,10 54,4710,53 - 0,198 0,46 2 78,52 45,8511,32 - 0,198 0,46 2 73,04 49,2913,22 - 0,198 0,46 2 62,55 57,5612,56 - 0,198 0,46 2 65,83 54,68
*) Nilai Konversi Basis RM : 42,4 %10. Stasiun Panning
Tanggal Waktu Durasi(Detik)
Durasi(Jam)
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
WaktuPelayanan
(Detik/Kg/Orang)
01-Mar-07 08.30-16.00 - 6,5 817,2 1891,7 7 41,58 86,5902-Mar-07 08.00-16.00 - 6 483,6 1119,4 8 23,32 154,36
09.00-11.00 - 2 123,3 285,4 2 71,35 50,4503-Mar-07 14.00-15.00 - 1 97,4 225,5 3 75,15 47,9005-Mar-07 07.00-18.00 - 10 1644,6 3806,9 7 54,38 66,19
10.00-10.30 - 0,5 53,4 123,6 2 123,61 29,1206-Mar-07 08.00-17.00 - 8 947,4 2193,1 8 34,27 105,0607-Mar-07 08.00-14.00 - 5 544,0 1259,3 7 35,98 100,0608-Mar-07 08.00-17.00 - 8 805,1 1863,7 7 33,28 108,17
13.00-16.00 - 3 173,9 402,5 2 67,09 53,6609-Mar-07 08.00-17.00 - 8 443,9 1027,5 6 21,41 168,1710-Mar-07 08.00-15.00 - 6 255,2 590,8 7 14,07 255,9312-Mar-07 08.00-12.00 - 4 767,7 1777,1 8 55,53 64,8315-Mar-07 08.00-17.00 - 6 561,3 1299,3 5 43,31 83,1216-Mar-07 08.00-17.00 - 8 608,0 1407,4 8 21,99 163,7117-Mar-07 08.00-17.00 - 8 820,3 1898,8 8 29,67 121,3420-Mar-07 08.00-19.00 - 10 1078,2 2495,8 6 41,60 86,5421-Mar-07 08.00-17.00 - 8 874,6 2024,5 6 42,18 85,3522-Mar-07 08.00-17.00 - 8 1220,1 2824,3 7 50,43 71,3823-Mar-07 08.00-16.30 - 7,5 1095,4 2535,6 7 48,30 74,5424-Mar-07 08.00-12.00 - 4 203,4 470,8 7 16,82 214,0926-Mar-07 08.30-16.30 - 7 592,4 1371,3 6 32,65 110,2627-Mar-07 08.00-16.00 - 7 359,7 832,6 2 59,47 60,5328-Mar-07 08.00-14.00 - 5 466,9 1080,8 6 36,03 99,9329-Mar-07 09.00-16.00 - 6 554,4 1283,3 8 26,74 134,6516-Mar-07 15.00-16.00 65,60 - 1,361 3,15 2,00 86,43 41,65
70,00 - 1,361 3,15 2,00 81,00 44,45102,00 - 1,361 3,15 2,00 55,59 64,76
73,00 - 1,361 3,15 2,00 77,67 46,3585,00 - 1,361 3,15 2,00 66,70 53,97
*) Nilai Konversi Basis RM : 43,2 %
131
11. Stasiun After Curing
Tanggal Jam Durasi(Jam)
BahanTerproses (Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan
(Kg/Jam/Orang)
Waktu Pelayanan(Detik/Kg/Orang)
10-Mar-07 08.00-15.00 6 255,2 628,6 7 14,97 240,5211-Mar-07 06.00-13.00 6,5 1332,4 3281,8 7 72,13 49,9113-Mar-07 06.00-17.00 10 628,7 1548,5 6 25,81 139,4916-Mar-07 06.00-18.00 11 735,8 1812,3 6 27,46 131,1020-Mar-07 09.00-10.00 1 41,9 103,20 5 20,64 174,42
10.00-10.30 1 30 73,89 5 14,78 243,6010.30-11.00 0,5 29,1 71,67 5 28,67 125,5711.30-11.45 0,25 20,9 51,48 5 41,18 87,4211.45-12.00 0,25 12,2 30,05 5 24,04 149,7513.00-13.15 0,25 24,3 59,85 5 47,88 75,1914.00-14.15 0,25 22,7 55,91 5 44,73 80,4814.15-15.00 0,75 64,8 159,61 5 42,56 84,5815.00-15.30 0,5 20,6 50,74 5 20,30 177,38
21-Mar-07 09.00-09.30 0,5 49,7 122,41 7 34,98 102,9309.30-09.45 0,25 14,7 36,21 7 20,69 174,0009.45-10.00 0,25 31,4 77,34 7 44,19 81,4610.00-10.15 0,25 14,1 34,73 7 19,85 181,4010.15-11.00 0,75 69,4 170,94 7 32,56 110,5711.00-11.15 0,25 17,3 42,61 7 24,35 147,8511.15-11.45 0,5 29,9 73,65 7 21,04 171,09
22-Mar-07 06.00-19.30 12,5 865,9 2132,8 7 24,37 147,7024-Mar-07 06.00-16.30 9,5 888,1 2187,4 7 32,89 109,4427-Mar-07 07.00-13.00 7 341,4 840,9 7 17,16 209,7829-Mar-07 08.00-13.00 5 230,4 567,5 7 16,21 222,0330-Mar-07 08.30-08.45 0,25 13,1 32,27 6 21,51 167,36
08.45-09.00 0,25 15,6 38,42 6 25,62 140,5409.00-09.15 0,25 17,3 42,61 6 28,41 126,7309.15-09.30 0,25 29,9 73,65 6 49,10 73,3209.30-10.00 0,5 69,4 170,94 6 56,98 63,1810.00-10.15 0,25 28,9 71,18 6 47,45 75,86
*) Nilai Konversi Basis RM : 40,6 %12. Stasiun Packing
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)01-Mar-07 19.00-07.00 12 Steak @ 10 lbs 350 1589,00 2118,67 8 22,07 163,12
15.00-18.30 2 Steak @ 10 lbs 46 208,84 278,45 9 15,47 232,7120.31-23.00 2,5 Steak @ 10 lbs 100 454,00 605,33 9 26,90 133,8123.00-03.00 4 Steak @ 10 lbs 370 1120,00 1493,33 8 69,99 51,4323.00-01.30 2,5 Steak @10 lbs 264 1198,56 1598,08 8 79,90 45,05
02-Mar-07 07.30-11.00 3,5 Steak @ 10 lbs 192 870,90 1161,20 9 36,86 97,6613.00-15.00 2 Steak @ 10 lbs 246 1116,84 1489,12 9 82,73 43,5207.00-09.00 2 Steak @ 10 lbs 30 136,20 181,60 8 11,35 317,1809.00-12.00 3 Steak @ 10 lbs 42 190,68 254,24 8 10,59 339,8401.00-02.30 1,5 Steak @ 10 lbs 202 917,08 1222,77 9 67,93 52,9903.30-04.30 1 Steak @ 10 lbs 110 499,4 665,87 9 55,49 64,88
03-Mar-07 19.00-21.00 2 Steak @ 10 lbs 18 81,72 108,96 8 6,81 528,6321.00-24.00 3 Steak @ 10 lbs 30 136,2 181,60 8 7,57 475,7701.00-03.00 2 Steak @ 10 lbs 20 90,8 121,07 8 7,57 475,7703.00-05.00 2 Steak @ 10 lbs 15 68,1 90,80 8 5,68 634,3605.00-07.00 2 Steak @ 10 lbs 19 86,26 115,01 8 7,19 500,81
05-Mar-07 08.00-08.30 0,5 Steak @ 10 lbs 58 263,32 351,09 9 78,02 46,1424.00-02.00 2 Steak @ 10 lbs 186 844,44 1125,92 9 62,55 57,5507.00-12.00 5 Steak @ 20 lbs 51 463,08 617,44 8 15,44 233,2213.00-15.00 2 Steak @ 20 lbs 22 199,76 266,35 8 16,65 216,2619.30-23.00 3,5 Steak @ 10 lbs 32 145,15 193,53 6 9,22 390,63
06-Mar-07 15.00-16.30 1,5 Steak @ 10 lbs 11 49,94 66,59 7 6,34 567,6807-Mar-07 11.00-11.30 0,5 Steak @ 10 lbs 9 40,86 54,48 9 12,11 297,36
07.00-09.00 2 Steak @ 10 lbs 294 1333,56 1778,08 9 98,78 36,44
132
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)08-Mar-07 08.00-09.00 1 Steak @ 20 lbs 14 127,01 169,34 8 21,17 170,07
09.00-11.00 2 Steak @ 20 lbs 22 199,58 266,11 8 16,63 216,4511.00-12.00 1 Steak @ 20 lbs 15 136,08 181,44 8 22,68 158,7313.00-15.00 2 Steak @ 20 lbs 22 199,58 266,11 8 16,63 216,4509.00-12.00 3 Steak @ 20 lbs 128 1160,96 1547,95 11 35,18 102,3313.00-16.00 3 Steak @ 10 lbs 353 1601,18 2134,91 11 48,52 74,20
09-Mar-07 07.00-09.00 2 Steak @ 10 lbs 35 158,90 211,87 7 15,13 237,8909.00-11.00 2 Steak @ 10 lbs 40 181,60 242,13 7 17,30 208,1511.00-12.00 1 Steak @ 10 lbs 25 113,50 151,33 7 21,62 166,5213.00-15.00 2 Steak @ 10 lbs 38 172,52 230,03 7 16,43 219,1114.00-16.00 2 Steak @ 20 lbs 17 154,22 205,63 7 14,69 245,1016.00-21.00 4 Steak @ 20 lbs 27 244,94 326,58 7 11,66 308,65
12-Mar-07 07.30-14.30 6 Steak @ 10 lbs 120 544,311 725,75 8 15,12 238,1014.30-15.00 0,5 Steak @ 10 lbs 36 163,293 217,72 8 54,43 66,1415.00-23.00 7 Steak @ 5 lbs 400 907,185 1209,58 8 21,60 166,67
13-Mar-07 07.00-08.00 1,5 Steak @ 10 lbs 41 185,97 247,96 9 18,37 196,0008.30-15.00 5,5 Steak @ 10 lbs 260 1179,34 1572,45 9 31,77 113,3315.00-18.00 3 Steak @ 10 lbs 104 471,74 628,98 8 26,21 137,3619.00-21.00 2 Steak @ 10 lbs 87 394,63 526,17 8 32,89 109,4721.00-23.00 2 Steak @ 10 lbs 87 394,63 526,17 8 32,89 109,47
14-Mar-07 15.00-18.00 3 Steak @ 20 lbs 30 272,16 362,87 8 15,12 238,1019.00-21.00 2 Steak @ 20 lbs 20 181,44 241,92 8 15,12 238,1021.00-23.00 2 Steak @ 10 lbs 80 362,87 483,83 8 30,24 119,05
15-Mar-07 07.00-12.00 5 Steak @ 20 lbs 51 462,66 616,89 9 13,71 262,6113.00-15.00 2 Steak @ 10 lbs 114 517,10 689,46 9 38,30 93,9914.00-17.00 6 Steak @ 10 lbs 164 743,89 991,86 9 18,37 196,00
16-Mar-07 14.00-16.00 2 Steak @ 10 lbs 51 231,33 308,44 9 17,14 210,0916.00-18.00 2 Steak @ 10 lbs 54 244,94 326,59 9 18,14 198,4219.00-21.00 2 Steak @ 10 lbs 58 263,08 350,78 9 19,49 184,73
17-Mar-07 07.00-09.00 2 Steak @ 10 lbs 63 285,76 381,02 8 23,81 151,1708.00-12.00 4 Steak @ 10 lbs 355 1610,25 2147,00 9 59,64 60,3613.00-17.00 4 Steak @ 10 lbs 350 1587,57 2116,76 9 58,80 61,23
18-Mar-07 07.00-11.00 4 Steak @ 10 lbs 355 1610,25 2147,00 7 76,68 46,9520-Mar-07 09.00-12.00 3 Steak @ 10 lbs 107 485,34 647,13 8 26,96 133,51
13.00-15.00 2 Steak @ 10 lbs 104 471,74 628,98 8 39,31 91,5816.00-18.00 2 Steak @ 10 lbs 90 408,23 544,31 8 34,02 105,8218.30-19.00 0,5 Steak @ 10 lbs 25 113,40 151,20 8 37,80 95,2419.00-07.00 11 Steak @ 10 lbs 496 2249,82 2999,76 9 30,30 118,81
21-Mar-07 07.00-19.00 11 Steak @ 10 lbs 608 2757,84 3677,12 9 37,14 96,9203.00-04.00 1 Steak @ 10 lbs 43 195,04 260,06 9 28,90 124,5908.00-11.00 3 Steak @ 10 lbs 300 1360,78 1814,37 8 75,60 47,6214.00-18.00 4 Steak @ 20 lbs 37 335,66 447,54 8 13,99 257,40
22-Mar-07 18.00-19.00 1 Steak @ 20 lbs 11 99,79 133,05 8 16,63 216,4508.00-10.30 2,5 Steak @ 10 lbs 300 1360,78 1814,37 9 80,64 44,6407.00-09.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7309.00-12.00 3 Steak @ 10 lbs 127 576,06 768,08 8 32,00 112,4913.00-15.00 2 Steak @ 10 lbs 62 281,23 374,97 8 23,44 153,6115.00-17.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7317.00-19.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7319.00-02.00 6 Steak @ 10 lbs 221 1002,44 1336,59 9 24,75 145,4511.00-12.00 1 Steak @ 10 lbs 18 81,65 108,86 9 12,10 297,6213.00-15.00 2 Steak @ 10 lbs 183 830,07 1106,77 9 61,49 58,5515.00-17.00 2 Steak @ 10 lbs 50 226,80 302,39 9 16,80 214,29
23-Mar-07 07.00-10.00 3 Steak @ 10 lbs 286 1297,27 1729,70 9 64,06 56,1914.00-15.00 1 Steak @ 10 lbs 200 907,18 1209,58 9 134,40 26,7919.00-06.00 10 Steak @ 10 lbs 269 1220,16 1626,88 8 20,34 177,0302.00-07.00 5 Steak @ 10 lbs 166 752,96 1003,95 9 22,31 161,3607.00-09.00 2 Steak @ 10 lbs 42 190,51 254,01 7 18,14 198,4209.00-12.00 3 Steak @ 10 lbs 94 426,38 568,50 7 27,07 132,9813.00-15.00 2 Steak @ 10 lbs 40 181,44 241,92 7 17,28 208,3415.00-17.00 2 Steak @ 10 lbs 40 181,44 241,92 7 17,28 208,3417.00-18.30 1,5 Steak @ 10 lbs 30 136,08 181,44 7 17,28 208,3423.00-03.00 4 Steak @ 10 lbs 488 2213,53 2951,37 9 81,98 43,91
24-Mar-07 07.00-09.00 2 Steak @ 10 lbs 40 181,44 241,92 8 15,12 238,1009.00-11.00 2 Steak @ 10 lbs 56 254,01 338,68 8 21,17 170,07
133
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)11.00-12.00 1 Steak @ 10 lbs 28 127,01 169,34 8 21,17 170,0713.00-14.00 1 Steak @ 10 lbs 29 131,54 175,39 8 21,92 164,2101.00-07.00 5 Steak @ 10 lbs 444 2013,95 2685,27 7 76,72 46,92
25-Mar-07 09.30-12.00 3,5 Steak @ 10 lbs 74 335,66 447,54 7 18,27 197,0813.00-15.00 2 Steak @ 10 lbs 51 231,33 308,44 7 22,03 163,4015.00-18.00 3 Steak @ 10 lbs 113 512,56 683,41 7 32,54 110,6219.00-23.00 4 Steak @ 10 lbs 131 1188,41 1584,55 7 56,59 63,6108.00-10.30 2,5 Steak @ 10 lbs 218 988,83 1318,44 9 58,60 61,44
26-Mar-07 07.00-09.00 2 Steak @ 10 lbs 77 349,27 465,69 8 29,11 123,6909.00-12.00 3 Steak @ 10 lbs 40 362,87 483,83 8 20,16 178,5713.00-15.00 2 Steak @ 10 lbs 41 185,97 247,96 8 15,50 232,2915.00-17.00 2 Steak @ 10 lbs 65 294,84 393,11 8 24,57 146,5217.00-19.00 2 Steak @ 10 lbs 75 340,19 453,59 8 28,35 126,9919.00-07.00 11 Steak @ 10 lbs 432 1959,52 2612,69 9 26,39 136,4107.00-12.00 5 Steak @ 10 lbs 491 2227,14 2969,52 9 65,99 54,5513.00-16.30 3,5 Steak @ 10 lbs 425 1927,77 2570,36 9 81,60 44,12
27-Mar-07 10.00-11.00 1 Steak @ 10 lbs 69 312,98 417,30 8 52,16 69,0101.00-05.30 3,5 Steak @ 10 lbs 57 258,55 344,73 9 10,94 328,9507.00-09.00 2 Steak @ 10 lbs 64 290,30 387,07 8 24,19 148,8109.00-12.00 3 Steak @ 10 lbs 80 362,87 483,83 8 20,16 178,5713.00-16.30 3,5 Steak @ 10 lbs 87 394,63 526,17 8 18,79 191,5716.30-18.00 2,5 Steak @ 10 lbs 78 353,80 471,74 8 23,59 152,6318.30-19.00 0,5 Steak @ 10 lbs 33 149,69 199,58 8 49,90 72,1519.00-07.00 11 Steak @ 10 lbs 392 1778,08 2370,78 9 23,95 150,3307.00-09.00 2 Steak @ 10 lbs 58 263,08 350,78 8 21,92 164,21
28-Mar-07 09.00-12.00 3 Steak @ 10 lbs 111 503,49 671,32 8 27,97 128,7013.00-15.00 2 Steak @ 10 lbs 76 344,73 459,64 8 28,73 125,3215.00-18.30 3,5 Steak @ 10 lbs 69 312,98 417,30 8 14,90 241,5519.00-07.00 11 Steak @ 10 lbs 449 2036,63 2715,51 9 27,43 131,25
29-Mar-07 07.00-09.00 2 Steak @ 10 lbs 70 317,51 423,35 8 26,46 136,0609.00-12.00 3 Steak @ 10 lbs 82 371,95 495,93 8 20,66 174,2213.00-15.00 2 Steak @ 10 lbs 80 362,87 483,83 8 30,24 119,05
30-Mar-07 15.00-17.00 2 Steak @ 10 lbs 86 390,09 520,12 8 32,51 110,7417.00-19.00 2 Steak @ 10 lbs 84 381,02 508,02 8 31,75 113,3804.00-07.00 3 Steak @ 10 lbs 80 362,87 483,83 8 20,16 178,57
31-Mar-07 03.00-05.00 2 Steak @ 10 lbs 42 190,51 254,01 9 14,11 255,1105.00-06.30 1,5 Steak @ 10 lbs 43 195,04 260,06 9 19,26 186,8807.00-09.00 2 Steak @ 10 lbs 75 340,19 453,59 8 28,35 126,9909.00-11.00 2 Steak @ 10 lbs 85 385,55 514,07 8 32,13 112,0513.00-15.00 2 Steak @ 10 lbs 84 381,02 508,02 8 31,75 113,3815.00-18.00 3 Steak @ 10 lbs 80 362,87 483,83 8 20,16 178,5718.30-19.00 0,5 Steak @ 10 lbs 32 145,15 193,53 8 48,38 74,4119.00-07.00 11 Steak @ 10 lbs 517 2345,07 3126,76 9 31,58 113,9814.30-17.00 2,5 Steak @ 10 lbs 193 875,43 1167,24 10 35,02 102,8114.00-18.00 4 Steak @ 10 lbs 146 662,24 882,99 9 18,40 195,7010.00-12.00 2 Steak @ 10 lbs 143 648,64 864,85 8 40,54 88,8013.00-17.00 4 Steak @ 10 lbs 626 2839,49 3785,98 8 88,73 40,57
*) Nilai Konversi Basis RM : 75 %
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)02-Mar-07 13.00-15.00 2 Butterfly @ 18
lbs 15 122,47 194,40 8 12,15 296,30
15.00-19.00 3,5 Butterfly @ 18lbs 21 171,46 272,16 8 9,72 370,38
15.00-19.30 3,5 Butterfly @ 4lbs 31 56,234 89,26 6 4,25 846,96
16.30-23.00 5,5 Butterfly @ 18lbs 45 367,41 583,19 7 15,15 237,66
05-Mar-07 07.00-09.00 2 Butterfly @ 18lbs 12 97,98 155,52 9 8,64 416,67
09.00-11.00 2 Butterfly @ 18lbs 13 106,14 168,48 9 9,36 384,62
11.30-12.00 0,5 Butterfly @ 18 5 40,82 64,80 9 14,40 250,00
134
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)lbs
13.00-15.00 2 Butterfly @ 15lbs 15 102,00 161,90 9 8,99 400,24
06-Mar-07 07.00-08.00 1 Butterfly @ 18lbs 6 48,99 77,76 8 9,72 370,38
07.00-09.00 2 Butterfly @ 18lbs 13 106,14 168,48 8 10,53 341,89
09.00-12.00 3 Butterfly @ 18lbs 30 244,94 388,79 8 16,20 222,23
13.00-14.00 1 Butterfly @ 18lbs 10 81,65 129,60 8 16,20 222,23
07-Mar-07 07.00-07.30 0,5 Butterfly @ 18lbs 5 40,823 64,80 8 16,20 222,23
08-Mar-07 07.00-09.30 2,5 Butterfly @ 18lbs 23 187,79 298,07 7 17,03 211,36
10-Mar-07 14.00-14.30 0,5 Butterfly @ 8lbs 36 130,63 174,18 10 34,84 103,34
14.00-14.30 0,5 Butterfly @ 8lbs 5 18,15 24,20 7 6,91 520,66
15.30-16.30 1 Butterfly @ 4lbs 61 110,68 175,68 9 12,30 292,74
25-Mar-07 10.00-11.00 1 Butterfly @ 8lbs 43 156,04 247,68 10 15,60 230,72
13.00-13.30 0,5 Butterfly @ 4lbs 30 54,43 86,40 10 10,89 330,69
15.30-16.30 1 Butterfly @ 4lbs 64 116,12 184,32 9 20,48 175,78
13.00-16.00 3 Butterfly @ 8lbs 145 526,17 835,19 11 15,94 225,78
*) Nilai Konversi Basis RM : 63 %
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)01-Mar-07
07.30-10.00 2,5Fillet Smoke@ 10 lbs 72 326,88 754,92 9 14,53 247,80
10.00-11.00 1Fillet Reguler@ 30 lbs 12 163,44 477,89 9 18,16 198,24
13.00-14.00 1Fillet Reguler@ 30 lbs 17 254,49 744,12 9 28,28 127,31
02-Mar-0704.30-05.30 1
Fillet Smoke@ 10 lbs 20 90,8 209,70 9 10,09 356,83
09.00-10.00 1Fillet Mix @5,5 Kg 35 192,5 507,78 10 19,25 187,01
10.00-12.00 2Fillet Reguler@ 30 lbs 42 571,62 1671,40 10 28,58 125,96
13.00-14.00 1Fillet Reguler@ 30 lbs 11 149,71 437,75 10 14,97 240,46
05-Mar-0709.00-10.00 1
Fillet Mix @22 lbs 39 389,18 1026,60 10 38,92 92,50
08.00-09.00 1Fillet Mix @5,5 Kg 27 148,50 391,72 11 13,50 266,67
11.30-12.00 0,5 Fillet @ 20 lbs 18 163,29 477,46 5 65,32 55,1208-Mar-07
07.00-08.00 1Fillet WM @40 lbs 17 308,44 951,98 11 28,04 128,39
08.00-10.00 2Fillet Mix @5,5 Kg 230 1265,00 3336,85 11 57,50 62,61
16.00-17.00 1Fillet WM @40 lbs 49 889,04 2743,95 11 80,82 44,54
09-Mar-0708.00-09.00 1
Fillet Smoke@ 10 lbs 40 181,44 419,02 9 20,16 178,57
09.00-10.00 1Fillet Smoke@ 10 lbs 63 285,76 659,96 9 31,75 113,38
10.00-11.00 1Fillet Smoke@ 10 lbs 56 254,01 586,63 9 28,22 127,55
13.00-14.00 1Fillet Reguler@ 30 lbs 20 272,16 795,78 9 30,24 119,05
135
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)14.00-16.00 2 Fillet @ 20 lbs 25 249,48 729,46 9 13,86 259,74
12-Mar-0710.00-10.30 0,5
Fillet Mix @22 lbs 14 139,71 368,52 10 27,94 128,84
10.30-11.00 0,5Fillet Mix @22 lbs 29 289,39 763,37 10 57,88 62,20
11.00-12.00 1Fillet Mix @22 lbs 45 449,06 1184,53 10 44,91 80,17
13.00-13.30 0,5Fillet Smoke@ 10 lbs 91 412,77 953,28 10 82,55 43,61
13.30-14.30 1Fillet Smoke@ 10 lbs 61 276,69 639,01 10 27,67 130,11
16-Mar-0707.00-07.30 0,5
Fillet Smoke@ 10 lbs 60 272,16 628,53 9 60,48 59,52
11.00-12.00 1Fillet Mix @5,5 Kg 46 253,00 667,37 9 28,11 128,06
13.00-14.00 1Fillet Smoke@ 10 lbs 62 281,23 649,49 9 31,25 115,21
08.00-09.00 1Fillet Smoke@ 10 lbs 72 326,59 754,24 9 36,29 99,21
11.30-12.00 0,5Fillet Smoke@ 10 lbs 15 68,04 157,13 9 15,12 238,10
13.00-14.00 1Fillet Smoke@ 10 lbs 83 376,48 869,47 9 41,83 86,06
17-Mar-0708.00-09.30 1,5
Fillet Smoke@ 10 lbs 74 335,66 775,19 10 22,38 160,88
10.00-12.00 2Fillet Reguler@ 30 lbs 16 217,76 636,73 10 10,89 330,64
14.00-14.30 0,5Fillet WM @40 lbs 18 326,59 1007,98 10 65,32 55,12
14.30-16.30 2Fillet Reguler@ 30 lbs 32 435,45 1273,24 10 21,77 165,35
16.30-17.00 0,5Fillet Reguler@ 30 lbs 6 81,65 238,73 10 16,33 220,46
18-Mar-0708.00-09.30 1,5
Fillet Smoke@ 10 lbs 68 308,72 712,98 10 20,58 174,92
13.00-14.00 1Fillet Smoke@ 10 lbs 89 403,70 932,33 10 40,37 89,18
14.00-15.30 1,5Fillet WM @40 lbs 17 308,44 951,98 10 20,56 175,07
15.30-16.00 0,5Fillet Smoke@ 10 lbs 29 131,66 304,06 10 26,33 136,72
21-Mar-0707.00-08.00 1
Fillet Smoke@ 10 lbs 70 317,51 733,29 10 31,75 113,38
08.00-09.30 1,5Fillet Mix @22 lbs 64 638,72 1684,83 10 42,58 84,54
08.00-09.00 1Fillet Smoke@ 10 lbs 55 249,48 576,16 8 31,18 115,44
22-Mar-0708.00-09.00 1
Fillet Smoke@ 10 lbs 31 140,61 324,74 9 15,62 230,42
10.00-10.30 0,5 Fillet @ 20 lbs 18 163,29 477,47 9 36,29 99,21
10.30-11.00 0,5Fillet Reguler@ 30 lbs 6 81,65 238,73 9 18,14 198,42
11.00-12.00 1Fillet Reguler@ 30 lbs 19 258,55 755,99 9 28,73 125,32
14.00-15.00 1Fillet WM @40 lbs 19 344,73 1063,98 9 38,30 93,99
28-Mar-0709.00-11.00 2
Fillet Mix @5,5 Kg 124 682,00 1799,00 9 37,89 95,01
11.00-12.00 1Fillet WM @40 lbs 19 344,73 1063,98 9 38,30 93,99
14.30-16.00 1,5Fillet WM @40 lbs 40 725,75 2239,96 9 53,76 66,97
14.30-16.00 1,5Fillet Mix @22 lbs 12 119,75 315,88 10 21,06 170,95
29-Mar-0705.00-07.00 2
Fillet Smoke@ 10 lbs 114 517,56 1195,29 8 74,71 48,19
10.00-11.00 1 Fillet Smoke 47 213,38 492,79 10 49,28 73,05
136
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)@ 10 lbs
10.30-11.30 1Fillet WM @40 lbs 11 199,58 615,99 9 68,44 52,60
13.00-15.00 2Fillet WM @40 lbs 23 417,30 1287,98 9 71,55 50,31
30-Mar-0706.00-10.00 4
Fillet WM @40 lbs 54 979,76 3023,95 8 94,50 38,10
11.00-12.00 1Fillet WM @40 lbs 10 181,44 559,99 8 70,00 51,43
09.30-10.30 1Fillet WM @40 lbs 15 272,10 839,81 10 83,98 42,87
*) Nilai Konversi Basis RM : 43,3 % (Smoke) ; 34,2 % (Reguler) ; 32,4 % (WM) ; 37,91 % (Mix)
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)02-Mar-07 17.00-18.00 1 WG @ 10 Kg 437 4370,00 4698,92 11 397,27 9,06
16.00-20.00 4WGGS @39,6 Kg 59 2336,40 2567,47 11 53,10 67,80
16.30-17.30 1,5WGGS @ 9,9Kg 87 861,30 946,48 9 63,80 56,43
05-Mar-0710.30-11.30 1
WGGS @ 9,9Kg 74 732,60 805,05 5 146,52 24,57
10.30-11.00 0,5WGGS @ 9,9Kg 15 148,50 163,19 9 33,00 109,09
09-Mar-0708.30-10.00 1,5
WGGS @ 9,9Kg 100 990,00 1087,91 10 66,00 54,55
13.00-14.00 1WGGS @ 9,9Kg 58 574,20 630,99 10 57,42 62,70
21-Mar-0707.00-07.30 0,5
WGGS @ 9,9Kg 45 445,50 489,56 10 89,10 40,40
09.30-10.00 0,5WGGS @ 9,9Kg 24 216,00 237,36 10 43,20 83,33
10.00-12.00 2WGGS @ 9,9Kg 133 1316,70 1446,92 10 65,84 54,68
09.00-10.00 1WGGS @ 9,9Kg 56 554,40 609,23 9 61,60 58,44
23-Mar-0708.00-09.00 1
WGGS @ 9,9Kg 53 524,70 576,59 9 58,30 61,75
13.00-14.30 1,5WGGS @ 9,9Kg 59 584,10 641,87 9 43,27 83,20
03.00-04.30 1,5WGGS @ 9,9Kg 50 495,00 543,96 9 40,29 89,35
13.00-14.00 1WGGS @ 9,9Kg 40 396,00 435,16 8 54,40 66,18
29-Mar-0710.00-11.00 1
WGGS @ 9,9Kg 159 1574,10 1729,78 9 192,20 18,73
10.30-12.00 1,5WGGS @ 9,9Kg 88 871,20 957,36 10 63,82 56,40
13.00-16.00 3WGGS @ 9,9Kg 135 1336,50 1468,68 10 48,96 73,54
*) Nilai Konversi Basis RM : 91 % (WGGS) dan 93 % (WG)
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)
02-Mar-07 14.00-15.00 1CF WR @ 10Kg 29 290,00 290,00 10 29,00 124,14
05-Mar-0707.00-07.30 0,5
CF WR @ 10Kg 48 480,00 480,00 10 96,00 37,50
10.00-10.30 0,5CF WR @ 10Kg 17 170,00 170,00 9 37,78 95,29
11.00-11.30 0,5CF WR @ 10Kg 15 150,00 150,00 9 33,33 108,00
16-Mar-0709.30-10.00 0,5
CF WR @ 10Kg 26 260,00 260,00 8 65,00 55,38
08.30-09.00 0,5 CF WR @ 10 23 230,00 230,00 9 51,11 70,43
137
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)Kg
10.30-11.00 0,5CF WR @ 10Kg 17 170,00 170,00 10 34,00 105,88
11.00-12.00 1CF WR @ 10Kg 37 370,00 370,00 7 52,86 68,11
18-Mar-0710.30-11.00 0,5
CF WR @ 10Kg 53 530,00 530,00 9 117,78 30,57
13.00-14.00 1CF WR @ 20Kg 22 440,00 440,00 10 44,00 81,82
21-Mar-0710.00-10.30 0,5
Octopus WR@ 5 Kg 10 50,00 50,00 5 20,00 180,00
15.00-16.00 1Octopus WR@ 5 Kg 48 240,00 240,00 9 26,67 135,00
30-Mar-0713.00-16.00 3
Octopus WR@ 30 lbs 46 625,96 625,96 8 26,08 138,03
23.00-01.00 2CF WR @ 10Kg 53 530,00 530,00 9 29,44 122,26
*) Nilai Konversi Basis RM : 100 %
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)01-Mar-07
03.00-04.00 1Kerang Bulu@ 20 Kg 40 800,00 800,00 9 88,89 40,50
23.00-00.30 1,5Kerang Bulu@ 20 Kg 106 2120,00 2120,00 7 201,90 17,83
02-Mar-0700.30-01.00 0,5
Kerang Bulu@ 20 Kg 30 600,00 600,00 7 171,43 21,00
02.30-04.00 1,5Kerang Bulu@ 20 Kg 36 720,00 720,00 8 60,00 60,00
05-Mar-0701.00-03.00 2
Kerang Bulu@ 20 Kg 45 900,00 900,00 9 50,00 72,00
07.00-07.30 0,5Kerang Bulu@ 20 Kg 21 420,00 420,00 9 93,33 38,57
23.00-01.00 2Kerang Bulu@ 20 Kg 93 1860 1860,00 9 103,33 34,84
08-Mar-0708.00-09.00 1
Kerang Bulu@ 20 Kg 35 700 1860,00 10 70,00 51,43
07.00-09.00 2Kerang Bulu@ 20 Kg 92 1840,00 1860,00 10 92,00 39,13
13.30-14.00 0,5Kerang Bulu@ 20 Kg 16 320,00 320,00 10 64,00 56,25
10.00-12.00 2Kerang Bulu@ 20 Kg 92 1840,00 1840,00 11 83,64 43,04
12-Mar-0708.00-10.00 2
Kerang Bulu@ 20 Kg 100 2000,00 2000,00 10 100,00 36,00
07.30-08.00 0,5Kerang Bulu@ 20 Kg 25 500,00 500,00 9 111,11 32,40
16-Mar-0708.00-10.00 2
Kerang Bulu@ 20 Kg 106 2120,00 2120,00 9 117,78 30,57
09.00-11.00 2Kerang Bulu@ 20 Kg 327 6540,00 6540,00 9 363,33 9,91
07.30-08.00 0,5Kerang Bulu@ 20 Kg 22 440,00 1016,17 10 88,00 40,91
09.30-12.00 2,5Kerang Bulu@ 20 Kg 204 4080,00 4080,00 10 163,20 22,06
17-Mar-0707.00-08.00 1
Kerang Bulu@ 20 Kg 27 540,00 540,00 8 67,50 53,33
09.00-09.30 0,5Kerang Bulu@ 20 Kg 38 760,00 760,00 8 190,00 18,95
13.00-14.00 1Kerang Bulu@ 20 Kg 31 620,00 620,00 9 68,89 52,26
18-Mar-0703.00-04.00 1
Kerang Bulu@ 20 Kg 56 1120,00 1120,00 8 140,00 25,71
01.30-02.30 1Kerang Bulu@ 20 Kg 12 240,00 240,00 8 30,00 120,00
07.00-07.30 0,5 Kerang Bulu 20 400,00 401,00 9 89,11 40,40
138
Tanggal Jam Durasi(Jam) Produk Jumlah
MC
BahanTerproses
(Kg)
BahanTerprosesbasis RM
(Kg)
JumlahOperator
TingkatPelayanan(Kg/Jam/Orang)
WaktuPelayanan(Detik/Kg/
Orang)@ 20 Kg
15.10-15.30 0,3Kerang Bulu@ 20 Kg 11 132,00 132,00 9 48,89 73,64
23.00-24.00 1Kerang Bulu@ 20 Kg 82 1640,00 1640,00 9 182,22 19,76
21-Mar-07 09.00-10.30 1,5Kerang Bulu@ 20 Kg 76 1520,00 1520,00 9 112,59 31,97
22-Mar-07 07.00-10.00 3Kerang Bulu@ 20 Kg 131 2620,00 2620,00 10 87,33 41,22
23-Mar-0708.00-10.30 2,5
Kerang Bulu@ 20 Kg 209 4180,00 4180,00 10 167,20 21,53
13.00-14.00 1Kerang Bulu@ 20 Kg 46 920,00 920,00 7 131,43 27,39
25-Mar-0711.00-12.00 1
Kerang Bulu@ 20 Kg 30 600,00 600,00 8 75,00 48,00
13.00-14.00 1Kerang Bulu@ 20 Kg 24 480,00 480,00 9 53,33 67,50
26-Mar-0707.00-08.00 1
Kerang Bulu@ 20 Kg 53 1060,00 1060,00 9 117,78 30,57
10.30-12.00 1,5Kerang Bulu@ 20 Kg 91 1820,00 1820,00 9 134,81 26,70
27-Mar-07 08.00-09.30 1,5Kerang Bulu@ 20 Kg 55 1100,00 1100,00 10 73,33 49,09
*) Nilai Konversi Basis RM : 100 %
139
Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku
1. Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)
No. Jenis Ikan
StasiunPenerimaan
(%)Arahan
Produksi(%)
Scaling(%)
Filleting(%)
Trimming(%)
Sizing(%)
Panning(%)
Bagging +Injection CO (%)
AfterCuring(%)
AfterFreezing(%)
1 Kakap Merah SO 100 100 95 53 48 48 48 48 47 452 Kakap Merah SL 100 100 - 50 32 32 32 32 31 -3 Kakap Sawo Merah SO 100 100 95 56 50 50 50 50 49 514 Kakap Sawo Merah SL 100 100 - 54 48 48 48 48 47 495 Kakap Batu SO 100 100 97 46 41 41 41 41 40 -6 Kakap Batu SL 100 100 - 52 33 33 33 33 32 -7 Kakap Nunuk 100 100 - 61 54 54 54 54 53 -8 Kakap Batu Hitam 100 100 - 52 30 30 30 30 29 -9 Samge 100 100 - 46 26 26 26 26 25 -
10 Lencan 100 100 - 44 31 31 31 31 30 -11 Baramundi 100 100 - 60 53 53 53 53 52 -12 Kaci-Kaci 100 100 - 53 37 37 37 37 36 -13 Ngangas 100 100 - 50 32 32 32 32 31 -14 Jenaha 100 100 - 51 32 32 32 32 31 -15 Jarang Gigi 100 100 - 52 38 38 38 38 37 -16 Angkoli Merah 100 100 - 58 34 34 34 34 33 -17 Angkoli Perak 100 100 - 51 33 33 33 33 32 -18 Kerapu 100 100 - 49 36 36 36 36 35 -19 Gogokan 100 100 - 47 40 40 40 40 39 -20 Lemadang 100 100 - 62 46 46 46 46 45 -
*) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut
140
2. Konversi Bobot Produk Fillet Terhadap RM (Kg)
No. Jenis Produk After freezing (%)
1 Fillet Smoke 43,32 Fillet/Fillet Reguler 34,23 Fillet WM 32,44 Fillet Mix 37,915 Kerang Bulu 1006 Steak Tenggiri 757 WGGS 918 WG 939 WR 100
10 Butterfly 63
3. Rata-Rata Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)
No. Jenis Ikan
StasiunPenerimaan
(%)Arahan
Produksi(%)
Scaling(%)
Filleting(%)
Trimming(%)
Sizing(%)
Panning(%)
Bagging +Injection CO (%)
AfterCuring (%)
1 Skin On 100 100 95,7 51,7 49,7 49,7 49,7 49,7 45,32 Skinless 100 100 - 52,5 36,8 36,8 36,8 37,8 35,8
Total Rata-Rata 100 100 95,7 52,1 43,2 43,2 43,2 43,7 40,6 *) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut
141
Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2
Goodness of Fit - Summary
Kolmogorov-Smirnov
Sample SizeStatisticRank
500.0581
α 0.2 0.15 0.1 0.05 0.01
Critical Value 0.15132 0.16122 0.17253 0.19233 0.23052
Reject? No No No No No
# DistributionKolmogorov
Smirnov
Statistic Rank
1 Exponential 0.22148 6
2 Exponential (2P) 0.22828 8
3 Gamma 0.13166 5
4 Gamma (3P) 0.09014 4
5 Laplace 0.24618 10
6 Logistic 0.2254 7
7 Lognormal 0.07414 2
8 Normal 0.24157 9
9 Triangular 0.50616 12
10 Uniform 0.29568 11
11 Weibull 0.084 3
12 Weibull (3P) 0.058 1
# Distribution Parameters
1 Weibull (3P) α=0.65549 β=9.5183 γ=0.16
142
Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata
Customer Analysis for SAPFIB
07/07/2007 Result
Ulangan 1 Ulangan 2 Ulangan 3
KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall
1Total Number ofArrival
1791 1075 2866 1942 1078 3020 1880 1076 2956
2Total Number ofBalking
0 23 23 0 52 52 0 4 4
3Average Number inthe System (L)
14,97 61,894 76,87 17,30 69,996 87,303 16,15 56,21 72,361
4Maximum Numberin the System
32 105 137 37 105 142 31 105 136
5Current Number inthe System
15 104 119 18 102 120 12 102 114
6 Number Finished 848 948 1796 978 924 1902 902 970 1872
7Average ProcessTime
352,97 131,98 236,32 352,07 135,47 246,84355,14
6129,24 238,09
8Std. Dev. of ProcessTime
106,32 52,706 137,74 98,44 50,48 133,94 98,891 50,813 137,08
9Average WaitingTime (Wq)
6,52 1364,6 723,39 12,38 1614,5 790,69 11,10 1196,8 625,48
10Std. Dev. of WaitingTime
15,46 893,94 938,94 26,60 939,72 1034,6 22,91 724,14 789,28
11Average TransferTime
52,10 0 24,60 52,10 0 26,791 52,10 0 25,10
12Std. Dev. of TransferTime
0,42 0 26,015 0,4024 0 26,042 0,4096 0 26,03
13Average Flow Time(W)
411,6 1496,6 984,32 416,56 1750 1064,3 418,35 1326 888,67
14Std. Dev. of FlowTime
106,32 894,33 849,06 100,32 942,27 938,42 101,65 725,39 695,22
15 Maximum Flow Time 923,41 2819,6 2819,5 969,18 3033,5 3033,5 1201,0 2588,9 2588,9
Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021
Dengan contoh server analysis, queue analysis, dan garbage collector sebagaiberikut :
Server Analysis for SAPFIB07/07/2007 Server
NameServer
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 A1 33,92% 24,3552 24,9366 222,5518 0,00% 3512 A2 37,09% 27,4093 25,5161 138,7767 0,00% 3413 A3 34,33% 22,7062 23,9373 233,3418 0,00% 3814 A4 35,92% 25,5734 27,5108 230,1543 0,00% 3545 A5 36,25% 25,1621 25,0948 179,6074 0,00% 3636 B1 2,58% 1,0501 0,2555 1,7422 0,00% 6207 B2 2,56% 1,0345 0,2666 1,6885 0,00% 6248 B3 2,30% 1,0653 0,2666 1,7021 0,00% 5459 CA1 22,43% 35,114 18,0186 160,1115 0,00% 161
10 CA2 26,08% 39,3608 24,5539 142,0378 0,00% 16711 CA3 25,27% 37,4651 19,997 145,833 0,00% 17012 CA4 26,08% 34,7698 18,7676 151,9707 0,00% 18913 CA5 24,54% 36,5891 19,2152 124,4121 0,00% 16914 CB1 7,24% 91,2066 37,5099 179,793 0,00% 2015 CB2 5,09% 91,5872 40,1368 199,5986 0,00% 1416 CB3 11,71% 105,383 64,1267 363,584 0,00% 2817 CB4 9,65% 105,7068 46,9125 231,0107 0,00% 2318 CB5 10,97% 86,3596 38,1895 222,3811 0,00% 32
143
07/07/2007 ServerName
ServerUtilization
AverageProcess Time
Std. Dev.Process Time
MaximumProcess Time
BlockedPercentage
# CustomersProcessed
19 CB6 10,47% 114,6768 76,0569 321,1777 0,00% 2320 CB7 11,08% 87,256 40,3662 221,2354 0,00% 3221 D11 32,68% 132,8261 61,6137 338,6631 0,00% 6222 D12 30,35% 139,0681 55,1612 300,2556 0,00% 5523 D13 35,01% 152,1274 78,4017 429,9268 0,00% 5824 D14 36,54% 153,4643 76,8175 381,3281 0,00% 6025 D15 31,25% 131,2355 59,8339 455,666 0,00% 6026 D16 32,24% 147,7134 73,8658 354,9277 0,00% 5527 D17 33,64% 141,2947 56,1037 321,665 0,00% 6028 D18 29,42% 145,3937 68,4156 356,6545 0,00% 5129 D21 29,43% 172,4493 90,3898 496,3809 0,00% 4330 D22 30,18% 161,8284 90,6151 488,0918 0,00% 4731 D23 27,62% 158,1783 84,3835 415,8311 0,00% 4432 D24 26,37% 130,3123 65,0674 373,4308 0,00% 5133 D25 28,93% 165,6682 74,3646 395,1855 0,00% 4434 D26 28,24% 131,7654 52,7208 302,9316 0,00% 5435 D27 33,37% 161,7015 92,2298 579,582 0,00% 5236 D28 31,81% 145,7481 64,9893 317,168 0,00% 5537 E1 16,89% 9,9914 1,8231 18,5645 0,00% 42638 E2 17,18% 10,209 1,8788 21,7523 0,00% 42439 F1 29,27% 35,1254 14,2033 88,9297 0,00% 21040 F2 29,64% 34,2573 12,9035 93,193 0,00% 21841 F3 29,78% 36,2517 16,1964 122,6455 0,00% 20742 F4 31,07% 36,4121 15,1967 100,0498 0,00% 21543 GA1 29,81% 100,1748 47,0091 262,0508 0,00% 7544 GA2 29,40% 97,4693 61,2029 366,9053 0,00% 7645 GA3 26,70% 93,4666 43,937 230,6152 0,00% 7246 GA4 29,22% 95,6264 48,2352 222,6406 0,00% 7747 GA5 30,01% 93,3581 53,8823 274,9958 0,00% 8148 GA6 30,34% 98,0135 45,4493 252,3008 0,00% 7849 GB1 43,55% 58,0619 3,2876 67,1035 0,00% 18950 GB2 45,92% 57,8537 3,1577 66,4121 0,00% 20051 GC1 99,32% 131,7239 55,8828 285,0752 0,00% 19052 GC2 99,59% 129,3669 50,7785 251,1758 0,00% 19453 GC3 99,42% 128,4827 48,072 275,5313 0,00% 19554 GC4 98,88% 134,6841 54,3055 328,541 0,00% 18555 GC5 99,31% 136,0048 53,9557 273,7715 0,00% 18456 Overall 32,51% 50,3186 61,0623 579,582 0,00% 8954
Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021
Queue Analysis for SAPFIB07/07/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting (Wq)
Std. Dev.of Wq
MaximumofWq
1 BufferA 0,0991 0 8 1,3943 5,4181 57,22272 BufferB 0 0 1 0 0 03 BufferCA 0,0035 0 2 0,1033 1,2047 18,6084
4 BufferCB 0 0 1 0 0 05 BufferD1 0,0039 0 2 0,2096 1,8499 19,4844
6 BufferD2 0 0 1 0 0 07 BufferE 0,0078 0 2 0,2321 1,0617 9,71348 BufferF 0,0126 0 3 0,3729 2,2474 28,30579 BufferGA 0,0145 0 3 0,7926 5,5347 60,5029
10 BufferGB 0,1405 0 4 9,1011 18,9976 108,0322
11 BufferGC 56,9191 99 100 1371,06 895,9612 2647,73412 Overall 57,201 99 100 146,4248 513,3484 2647,734
Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021
144
Garbage Collector Analysis for SAPFIB07/07/2007 Garbage
Collector# Customers
CollectedAverage
Flow TimeStd. Dev.
Flow TimeMaximumFlow Time
AverageProcess Time
Std. Dev.Process Time
1 NonFillet 928 27,7128 25,2764 234,5059 26,024 24,3682Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021
145
Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B
Tanggal JamKedatangan
Jumlah BahanYang Datang
(kg)
Freezer 1(6000 kg)
Freezer 2(6500 kg)
Freezer 3(5500 kg) Waktu
JumlahAntrian Bahan
(kg)
Waktu Idle Freezer(%)
1 2 315-Mar-07
idle idle
idle
00.00 0
54,2 54,2 37,5
01.00 0
02.00 0
03.00 0
04.00 0
05.00 0
06.00 0
07.00 0
08.30 2437,5 08.00 0
Loading
09.00 0
10.30 2539,5 10.00 0
11.00 0
Runing(5017 kg)
12.00 0
13.00 1265,3 Loading Loading13.00 0
13.30 12500 14.00 0
Runing(6000 kg)
Runing(6500 kg)
15.00 1265,3
16.00 324 16.00 1589,3
17.00 1589,3
18.00 1589,3
19.00 1589,3
20.00 1589,3
Unloading& Cleaning
21.00 1589,3
22.00 1589,3
23.00 1589,316-Mar-07
Unloading& Cleaning
Unloading& Cleaning
Loading 00.00 0
37,5 91,6 12,5
Runing(1589,3 kg)
01.00 0
02.00 0
idle
idle
03.00 0
04.00 0
05.00 0
06.00 0
07.00 0
08.30 2840,5 08.00 0
Loading
09.00 0
10.00 1403,5Unloading& Cleaning
10.00 0
11.00 0
Runing(4244 kg)
12.00 0
13.00 3501,5 Loading13.00 0
14.00 0
idle 15.00 0
146
16.30 577 16.00 0
Loading17.00 0
18.00 0
Runing(4078,5 kg)
19.00 0
20.00 0
Unloading& Cleaning
21.00 0
22.00 0
23.00 017-Mar-07
idle
00.00 0
79,2 100 25
01.00 0
02.00 0
03.00 0
Unloading& Cleaning
04.00 0
05.00 0
06.00 0
idle07.00 0
08.20 141,9 08.00 0
Loading
09.00 0
10.00 0
11.00 2104 idle 11.00 0
12.00 0
idle13.00 0
14.30 105,5 14.00 0
15.00 399Loading
15.00 0
16.00 2153,5 16.00 0
17.30 4623 17.00 0
Loading
Runing(4903,9
Kg)
18.00 0
19.00 0
20.30 33 idle 20.00 0
Loading 21.00 0
Runing(4656 kg)
22.00 0
23.00 018-Mar-07 00.00 0
- - -
01.00 0
02.00 0
Unloading& Cleaning
03.00 0
04.00 0
idle 05.00 0
idle
06.00 0
Unloading& Cleaning
07.00 0
08.00 0
09.00 020-Mar-07 idle idle idle 00.00 0
147
idle idle
idle
01.00 0
58,3 58,3 37,5
02.00 0
03.00 0
04.00 0
05.00 0
06.00 0
07.00 0
08.15 367,8 08.00 0
08.40 101
Loading
09.00 0
10.45 2980,5 10.00 0
11.00 0
12.00 0
Runing(3449,3 kg)
13.00 0
14.35 12955Loading Loading
14.00 0
15.00 0
16.30 5723,2 16.00 0
Runing(6000 kg)
Runing(6500 kg)
17.00 6178,2
18.00 6178,2
19.00 6178,2
20.30 101,9 20.00 6178,2
21.00 100,7 21.00 6380,8
21.05 1414Unloading& Cleaning
22.00 7808,3
21.35 13,5 23.00 7808,321-Mar-07 00.00 7808,3
25 83,3 0
Loading01.00 2308,3
Unloading& Cleaning
Unloading& Cleaning
02.00 2308,3
Runing(5500 kg)
03.00 2308,3
04.00 2308,3
Loading
idle
05.00 0
06.00 0
idle
07.00 0
08.00 0
09.30 1015,8 09.00 0
Loading 10.00 0
Runing(3324,1 kg)
11.00 0
Unloading& Cleaning
12.00 0
13.15 325,5 13.00 0
13.45 182,5 14.00 0
14.10 3799,9
Loading
15.00 0
16.00 44,5 16.00 0
17.00 0
18.00 0
19.00 0
148
Unloading& Cleaning idle
Runing(4352,4 kg)
20.00 0
21.00 0
22.00 0
idle 23.00 022-Mar-07 00.00 0
100 50 37,5
01.00 0
02.00 0
03.00 0
idleUnloading& Cleaning
04.00 0
05.00 0
06.00 0
idle
07.00 0
08.00 0
09.00 2922,5 Loading09.00 0
idle 10.00 0
idle11.00 0
12.00 0
13.00 781Loading
13.00 0
14.00 3072 14.00 0
Loading
15.00 0
16.00 291
Runing(6500 kg)
16.00 0
16.30 2257,5 17.00 0
18.00 0
Runing(2824 kg)
19.00 0
20.00 0
21.00 0
22.00 0
23.00 023-Mar-07 00.00 0
58,3 87,5 16,7
Unloading& Cleaning
01.00 0
02.00 0
03.00 0
idle
Unloading& Cleaning
04.00 0
05.00 0
idle 06.00 0
idle07.00 0
08.00 0
09.00 699
Loading
09.00 0
10.00 0
11.00 2415 11.00 0
12.00 0
idle 13.00 0
14.30 5854 Loading Loading 14.00 0
149
idle
15.00 0
Runing(4568 kg)
Runing(4400 kg)
16.00 0
17.00 0
18.00 0
19.00 0
20.00 0
21.00 0
22.00 0
23.00 024-Mar-07
idle
00.00 0
33,3 100 87,5
Unloading& Cleaning
Unloading& Cleaning
01.00 0
02.00 0
03.00 0
idle
idle
04.00 0
05.00 0
06.00 0
07.00 0
08.30 1932 08.00 0
Loading09.00 0
10.00 0
idle11.00 0
12.00 0
13.00 1654,5
Loading
13.00 0
14.00 0
15.30 1770 15.00 0
16.30 270 16.00 0
17.00 0
Runing(5626,5 kg)
18.00 0
19.00 0
20.00 0
21.00 0
22.00 0
23.00 025-Mar-07
idle idle
00.00 0
- - -
01.00 0
02.00 0
Unloading& Cleaning
03.00 0
04.00 0
05.00 026-Mar-07
idle idle idle
00.00 0
01.00 0
02.00 0
03.00 0
150
idle idle
idle
04.00 0
100 100 37,5
05.00 0
06.00 0
07.00 0
08.05 185,5 Loading08.00 0
09.00 0
idle 10.00 0
11.00 121
Loading
11.00 0
12.00 0
13.03 133,3 13.00 0
13.30 1840,5 14.00 0
15.30 939,8 15.00 0
15.45 260,5 16.00 0
Runing(3480,6 kg)
17.00 0
18.00 0
19.00 0
20.00 0
21.00 0
22.00 0
23.00 027-Mar-07
idle idle
00.00 0
100 100 37,5
01.00 0
Unloading& Cleaning
02.00 0
03.00 0
04.00 0
idle
05.00 0
06.00 0
07.00 0
08.00 0
09.00 0
10.00 0
11.00 0
12.00 0
13.03 1505,5 Loading13.00 0
14.00 0
Runing(1505,5 kg)
15.00 0
16.00 0
17.00 0
18.00 0
19.00 0
20.00 0
21.00 0
22.00 0
151
idle idle 23.00 028-Mar-07
idle idle
Unloading& Cleaning
00.00 0
100 100 41,6
01.00 0
02.00 0
idle
03.00 0
04.00 0
05.00 0
06.00 0
07.00 0
08.05 448,2 Loading08.00 0
09.00 0
idle
10.00 0
11.00 0
12.00 0
13.05 1624Loading
13.00 0
13.38 2065 14.00 0
14.10 218,6 15.00 0
Runing(4355,8 kg)
16.00 0
17.00 0
18.00 0
19.00 0
20.00 0
21.00 0
22.00 0
23.00 029-Mar-07 00.00 0
- - -Unloading& Cleaning
01.00 0
Idle idle 02.00 0
03.00 0
Rata-rata 67,8 84,0 33,7
152
Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata
Customer Analysis for SAPFIB
07/07/2007 ResultUlangan 1 Ulangan 2 Ulangan 3
Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 1714 1663 16542 Total Number of Balking 0 0 03 Average Number in the System (L) 3,271 3,2611 3,21564 Maximum Number in the System 22 23 185 Current Number in the System 4 4 26 Number Finished 1710 1659 16527 Average Process Time 143,9224 148,034 146,9258 Std. Dev. of Process Time 97,4007 96,9142 96,01089 Average Waiting Time (Wq) 0,2353 0,4548 0,0128
10 Std. Dev. of Waiting Time 3,9887 4,4437 0,51911 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 144,1576 148,489 146,937714 Std. Dev. of Flow Time 97,4903 96,9457 96,000615 Maximum Flow Time 653,3008 710,8906 727,5
Data Collection: 0 to 75600 secondsCPU Seconds = 1,581
Dengan contoh server analysis dan queue analysis sebagai berikut :
Server Analysis for SAPFIB07/07/2007 Server Name Server
UtilizationAverageProcess
TimeStd. Dev.Process
Time
MaximumProcess
Time
BlockedPercentage
#CustomersProcessed
1 Operator11 14,16% 144,6908 77,8663 386,0098 0,00% 74
2 Operator12 13,45% 141,277 105,6131 596,8125 0,00% 72
3 Operator13 11,97% 139,2499 81,2949 361,0273 0,00% 65
4 Operator14 11,45% 137,4528 96,0066 539,3926 0,00% 63
5 Operator15 13,16% 142,1767 93,9713 396,5918 0,00% 70
6 Operator16 13,34% 150,5136 101,3868 468,1152 0,00% 67
7 Operator17 14,44% 138,1826 93,1916 403,9746 0,00% 79
8 Operator18 14,09% 140,198 96,8986 457,2891 0,00% 76
9 Operator21 11,91% 138,5434 82,4697 362,3242 0,00% 65
10 Operator22 15,84% 159,6305 115,7134 471,3203 0,00% 75
11 Operator23 10,71% 139,59 79,6908 429,4766 0,00% 58
12 Operator24 9,31% 110,0064 77,0984 383,7695 0,00% 64
13 Operator25 16,54% 152,5289 104,1262 540,3516 0,00% 82
14 Operator26 14,03% 136,0294 85,7951 454,6563 0,00% 78
15 Operator27 13,27% 156,7838 104,7038 521,5664 0,00% 64
16 Operator28 14,20% 157,9166 100,67 440,2969 0,00% 68
17 Operator31 14,73% 140,9689 88,6358 437,8516 0,00% 79
18 Operator32 17,00% 156,7187 117,1836 653,3008 0,00% 82
19 Operator33 13,88% 143,7402 92,1117 436,5938 0,00% 73
20 Operator34 13,35% 132,8123 77,1715 363,0273 0,00% 76
21 Operator35 13,70% 156,9278 111,1676 652,877 0,00% 66
22 Operator36 11,55% 134,3493 97,11 543,8418 0,00% 65
23 Operator37 14,73% 146,4836 120,106 634,0586 0,00% 76
24 Operator38 14,69% 152,1603 96,0898 419,5273 0,00% 73
Overall 13,56% 143,9223 97,4008 653,3008 0,00% 1710Data Collection: 0 to 75600 secondsCPU Seconds = 1,581
153
Queue Analysis for SAPFIB07/07/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
MaximumQ.Length
AverageWaiting (Wq)
Std. Dev.of Wq
Maximum ofWq
1 Buffer1 0,0009 0 2 0,1205 2,1563 46,63282 Buffer2 0,0039 0 2 0,5272 6,4073 108,92293 Buffer3 0,0005 0 1 0,0692 1,682 40,9238
Overall 0,0053 0 2 0,2347 3,984 108,9229Data Collection: 0 to 75600 secondsCPU Seconds = 1,581
154
Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata
Contoh Customer Analysis, Server Analysis dan Queue Analysis adalah sebagai berikut :
Customer Analysis for SAPFIB08/19/2007 Result KedItem1 KedItem2 KedItem3 KedItem4 Overall
1 Total Number of Arrival 2831 4189 22291 3443 327542 Total Number of Balking 1559 2179 11737 1923 173983 Average Number in the System (L) 363,7529 578,7405 3035,697 452,6462 4430,8364 Maximum Number in the System 448 682 3480 546 51565 Current Number in the System 383 655 3454 508 50006 Number Finished 889 1355 7100 1012 103567 Average Process Time 32,3066 20,8162 6,7855 20,605 12,16268 Std. Dev. of Process Time 38,611 24,3815 2,3139 9,3357 17,01079 Average Waiting Time (Wq) 7748,398 7776,993 7783,005 8252,784 7825,155
10 Std. Dev. of Waiting Time 4122,343 4069,736 4133,045 4096,925 4122,78811 Average Transfer Time 0 0 0 0 012 Std. Dev. of Transfer Time 0 0 0 0 013 Average Flow Time (W) 7780,704 7797,801 7789,772 8273,387 7837,30314 Std. Dev. of Flow Time 4122,858 4069,838 4133,037 4097,456 4122,97715 Maximum Flow Time 12532,26 12615,22 12474,51 12487,38 12615,22
Data Collection: 0 to 25200 SecondsCPU Seconds = 17,641
Server Analysis for SAPFIB08/19/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.Process
Time
MaximumProcess Time
BlockedPercentage
# CustomersProcessed
1 Operator1 99,98% 12,3809 16,7473 300,6152 0,00% 20352 Operator2 99,97% 12,0764 17,2635 376,8223 0,00% 20863 Operator3 99,95% 11,9425 15,928 228,5762 0,00% 21094 Operator4 99,97% 12,4464 17,8025 296,4551 0,00% 20245 Operator5 99,96% 11,9842 17,2744 314,4727 0,00% 21026 Overall 99,96% 12,1626 17,0107 376,8223 0,00% 10356
Data Collection: 0 to 25200 Seconds
CPU Seconds = 17,641
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev. ofWq
MaximumofWq
1 Buffer 4427,497 4995 4995 7827,334 4122,986 12465,55Data Collection: 0 to 25200 SecondsCPU Seconds = 17,641
155
Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata
Customer Analysis for SAPFIB
08/19/2007 ResultUlangan 1 Ulangan 2 Ulangan 3
Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 8557 8563 85762 Total Number of Balking 5777 5787 58043 Average Number in the System (L) 755,8208 756,8305 757,50744 Maximum Number in the System 807 807 8075 Current Number in the System 807 807 8076 Number Finished 1973 1969 19657 Average Process Time 89,1147 89,2727 89,55778 Std. Dev. of Process Time 43,201 42,616 44,41849 Average Waiting Time (Wq) 7418,831 7446,156 7514,397
10 Std. Dev. of Waiting Time 3362,571 3399,669 3363,63111 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 7507,952 7535,425 7603,9514 Std. Dev. of Flow Time 3363,759 3401,414 3363,97915 Maximum Flow Time 10702,3 10950,41 10622,01
Data Collection: 0 to 25200 SecondsCPU Seconds = 7,283
Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :
Server Analysis for SAPFIB08/19/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 Operator1 99,80% 91,1201 43,6099 310,8818 0,00% 2762 Operator2 99,67% 81,545 31,334 236,8535 0,00% 3083 Operator3 99,82% 94,2085 49,1219 392,1992 0,00% 2674 Operator4 99,35% 89,0995 45,4505 426,569 0,00% 2815 Operator5 99,82% 89,8339 47,0563 432,6816 0,00% 2806 Operator6 99,43% 88,5382 46,3299 437,8174 0,00% 2837 Operator7 99,83% 90,4966 36,7918 209,7129 0,00% 2788 Overall 99,67% 89,1148 43,2009 437,8174 0,00% 1973
Data Collection : 0 to 25200 Seconds
CPU Seconds = 7,283
Queue Analysis for SAPFIB08/19/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
Maximum Q.Length
AverageWaiting
(Wq)
Std. Dev. ofWq
Maximumof Wq
1 Buffer 748,829 800 800 7429,695 3361,574 10521,08Data Collection : 0 to 25200 SecondsCPU Seconds = 7,283
156
Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata
Customer Analysis for SAPFIB
08/19/2007 ResultUlangan 1 Ulangan 2 Ulangan 3Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 3949 3947 38822 Total Number of Balking 185 282 913 Average Number in the System (L) 174,6569 207,9195 158,58994 Maximum Number in the System 255 255 2555 Current Number in the System 250 252 2536 Number Finished 3514 3413 35387 Average Process Time 35,8167 36,8651 35,55328 Std. Dev. of Process Time 20,7418 22,1549 20,04819 Average Waiting Time (Wq) 1156,372 1434,993 1034,858
10 Std. Dev. of Waiting Time 610,0334 533,1451 585,643111 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 1192,188 1471,856 1070,41214 Std. Dev. of Flow Time 610,4509 532,832 585,600615 Maximum Flow Time 2162,838 2092,631 1905,484
Data Collection: 0 to 25200 SecondsCPU Seconds = 3,2
Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :
Server Analysis for SAPFIB08/19/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed
1 Operator1 99,93% 36,3902 22,78 298,0098 0,00% 6922 Operator2 99,97% 36,8837 22,1161 211,8984 0,00% 6833 Operator3 99,90% 35,1586 19,7473 167,8564 0,00% 7164 Operator4 99,90% 35,4087 19,4988 163,3604 0,00% 7115 Operator5 99,75% 35,3051 19,3814 164,6602 0,00% 7126 Operator6 99,89% 35,8167 20,7416 298,0098 0,00% 3514
Data Collection : 0 to 25200 Seconds
CPU Seconds = 3,2
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev. ofWq
MaximumofWq
1 Buffer 169,6601 245 250 1157,14 609,9396 2027,309
CPU Seconds = 3,327
157
Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata
Customer Analysis for SAPFIB
08/19/2007 ResultUlangan 1 Ulangan 2 Ulangan 3Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 1066 1072 10602 Total Number of Balking 3 16 03 Average Number in the System (L) 57,7885 59,2795 41,61274 Maximum Number in the System 105 105 935 Current Number in the System 104 104 936 Number Finished 959 952 9677 Average Process Time 130,6447 131,5535 129,22488 Std. Dev. of Process Time 51,7198 53,6314 50,78269 Average Waiting Time (Wq) 1243,358 1291,826 842,725
10 Std. Dev. of Waiting Time 589,1537 857,9369 566,73211 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 1374,004 1423,38 971,9514 Std. Dev. of Flow Time 592,1654 860,7341 573,693215 Maximum Flow Time 2668,25 2863,359 2420,309
Data Collection: 0 to 25200 SecondsCPU Seconds = 0,903
Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :
Server Analysis for SAPFIB08/19/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 Operator1 99,22% 133,7142 51,0549 272,6387 0,00% 1872 Operator2 99,86% 127,7398 51,7636 264,0327 0,00% 1973 Operator3 99,76% 130,931 51,4608 254,1133 0,00% 1924 Operator4 99,33% 129,6958 51,3879 258,082 0,00% 1935 Operator5 99,00% 131,3102 52,7247 283,0273 0,00% 1906 Operator6 99,44% 130,6447 51,72 283,0273 0,00% 959
Data Collection : 0 to 25200 Seconds
CPU Seconds = 0,903
Queue Analysis for SAPFIB08/19/2007 Queue
NameAverage Q.Length (Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev. ofWq
MaximumofWq
1 Buffer 52,8004 99 100 1249,751 594,2574 2502,693Data Collection : 0 to 25200 SecondsCPU Seconds = 0,903
158
Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan
Customer Analysis for SAPFIB
07/07/2007 Result
Ulangan 1 Ulangan 2 Ulangan 3
KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall
1Total Number ofArrival 5686 797 6483 5685 807 6492 6004 788 6792
2Total Number ofBalking 0 0 0 0 0 0 0 0 0
3Average Number inthe System (L) 505,94 4,5558 510,5 426,92 4,7012 431,62 687,01 4,568 691,57
4Maximum Numberin the System 897 10 907 765 10 775 1223 13 1236
5Current Number inthe System 896 3 899 764 6 770 1214 6 1220
6 Number Finished 2303 794 3097 2320 801 3121 2297 782 3079
7Average ProcessTime 359,73 133,16 301,64 357,87 132,74 300,09 359,18 131,31 301,30
8Std. Dev. of ProcessTime 104,23 52,302 136,26 106,62 52,293 137,19 103,25 52,02 135,94
9Average WaitingTime (Wq) 2546,3 11,296 1896,4 2199,3 14,494 1638,6 3362,6 15,179 2512,4
10Std. Dev. of WaitingTime 1510,8 22,724 1709,5 1409,2 24,347 1545,0 1798,0 28,179 2129,6
11Average TransferTime 52,107 0 38,748 52,113 0 38,738 52,103 0 38,870
12Std. Dev. of TransferTime 0,3428 0 22,753 0,3494 0 22,764 0,3403 0 22,681
13Average Flow Time(W) 2958,2 144,45 2236,8 2609,3 147,23 1977,4 3773,9 146,49 2852,6
14Std. Dev. of FlowTime 1505,5 57,082 1787,6 1396,8 57,731 1614,8 1795,1 59,002 2213,1
15 Maximum Flow Time 6464,6 372,87 6464,6 5919,5 351,13 5919,5 7238,6 345,58 7238,6
Data Collection: 0 to 25200 SecondsCPU Seconds = 33,218
Dengan contoh server analysis, queue analysis, dan garbage collector sebagaiberikut :
Server Analysis for SAPFIB07/10/2007 Server
NameServer
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 A1 99,83% 25,0572 23,9244 200,7271 0,00% 10042 A2 99,81% 25,076 24,2978 164,5977 0,00% 10033 A3 99,86% 25,7312 24,8549 190,2437 0,00% 9784 A4 99,93% 25,4873 24,4169 178,0547 0,00% 9885 A5 99,79% 25,9237 26,6339 164,6133 0,00% 9706 B1 6,83% 1,0544 0,2646 1,7227 0,00% 16327 B2 6,96% 1,0487 0,2669 1,7344 0,00% 16728 B3 6,88% 1,0575 0,2683 1,7246 0,00% 16399 CA1 73,47% 38,977 25,8716 211,9536 0,00% 475
10 CA2 73,97% 37,5816 21,8016 156,9121 0,00% 49611 CA3 74,00% 37,9775 25,4176 198,9897 0,00% 49112 CA4 73,89% 39,616 27,1615 212,4316 0,00% 47013 CA5 76,07% 37,6626 21,9605 180,4863 0,00% 50914 CB1 24,94% 88,515 40,4078 245,6289 0,00% 7115 CB2 24,28% 89,9807 50,3956 339,1387 0,00% 68
159
07/10/2007 ServerName
ServerUtilization
AverageProcess Time
Std. Dev.Process Time
MaximumProcess Time
BlockedPercentage
# CustomersProcessed
16 CB3 23,30% 102,9955 46,8212 228,1074 0,00% 5717 CB4 22,42% 88,2845 29,4957 178,2656 0,00% 6418 CB5 22,29% 86,4096 36,1934 214,0999 0,00% 6519 CB6 30,81% 97,0498 53,604 338,6855 0,00% 8020 CB7 25,46% 91,638 42,8256 206,4683 0,00% 7021 D11 88,80% 149,178 74,4688 439,9934 0,00% 15022 D12 91,04% 150,9328 66,1045 406,4336 0,00% 15223 D13 91,43% 155,6766 77,1641 500,1582 0,00% 14824 D14 90,95% 147,8704 65,4637 500,8545 0,00% 15525 D15 89,80% 146,9499 66,9009 369,5322 0,00% 15426 D16 90,84% 154,6796 80,0571 616,9385 0,00% 14827 D17 90,67% 155,4363 85,0696 423,4512 0,00% 14728 D18 89,41% 147,2703 74,3155 491,5918 0,00% 15329 D21 90,92% 149,7445 73,4916 577,6697 0,00% 15330 D22 89,42% 147,2854 82,5258 525,7869 0,00% 15331 D23 88,87% 144,4903 76,6771 439,2798 0,00% 15532 D24 92,54% 154,4339 76,9707 427,1206 0,00% 15133 D25 87,56% 148,0914 64,8814 367,9648 0,00% 14934 D26 89,02% 152,6113 72,1446 438,3516 0,00% 14735 D27 90,19% 154,6099 79,2953 481,7432 0,00% 14736 D28 89,61% 143,8308 75,0191 463,1953 0,00% 15737 E1 48,11% 10,1275 1,9329 25,0176 0,00% 119738 E2 49,38% 10,1824 1,888 20,9648 0,00% 122239 F1 86,20% 34,9798 13,7209 101,3047 0,00% 62140 F2 84,09% 35,8573 15,6473 120,7095 0,00% 59141 F3 84,47% 35,7763 14,6104 125,6572 0,00% 59542 F4 84,41% 35,0999 14,5628 126,7778 0,00% 60643 GA1 90,97% 101,4396 51,9542 285,6938 0,00% 22644 GA2 90,85% 95,7911 42,6768 271,5859 0,00% 23945 GA3 89,77% 90,4847 41,7675 261,0137 0,00% 25046 GA4 91,45% 92,1855 43,7442 273,7715 0,00% 25047 GA5 91,74% 94,7451 52,3427 524,8013 0,00% 24448 GA6 91,69% 97,0832 45,8503 332,3213 0,00% 23849 GB1 98,12% 57,7707 3,051 67,7012 0,00% 42850 GB2 98,15% 57,7917 3,1209 66,1484 0,00% 42851 GC1 84,08% 136,705 53,2185 255,4063 0,00% 15552 GC2 83,57% 136,7561 52,7878 286,3828 0,00% 15453 GC3 84,27% 134,4105 52,2356 258,3965 0,00% 15854 GC4 82,77% 130,3657 51,8347 251,3499 0,00% 16055 GC5 84,85% 128,0329 50,9183 253,4941 0,00% 16756 Overall 74,63% 44,6828 57,7575 616,9385 0,00% 23150
Data Collection: 0 to 25200 SecondsCPU Seconds = 33,218
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage Q.Length (Lq)
CurrentQ. Length
MaximumQ. Length
AverageWaiting (Wq)
Std. Dev.of Wq
MaximumofWq
1 BufferA 358,9954 738 744 1586,867 946,006 3311,0612 BufferB 0 0 1 0,0002 0,0068 0,37353 BufferCA 0,8128 0 13 8,3737 14,827 104,44634 BufferCB 0 0 1 0 0 05 BufferD1 4,0671 0 18 84,3543 88,958 352,21396 BufferD2 5,4841 6 28 112,982 121,938 495,49717 BufferE 0,1417 0 5 1,4759 3,1783 24,83898 BufferF 1,3059 2 11 13,6045 18,3082 96,26569 BufferGA 13,254 3 49 229,85 208,624 701,3125
10 BufferGB 80,0014 99 100 2188,342 985,4507 2921,02911 BufferGC 0,3559 0 5 11,2535 22,6918 133,152312 Overall 464,4183 848 744 447,1012 865,861 3311,061
Data Collection: 0 to 25200 SecondsCPU Seconds = 33,218
160
Garbage Collector Analysis for SAPFIB07/10/2007 Garbage
Collector# Customers
CollectedAverage
Flow TimeStd. Dev.
Flow TimeMaximumFlow Time
AverageProcess
Time
Std. Dev.Process
Time1 NonFillet 2487 1627,885 946,9225 3393,592 26,4311 24,3873
Data Collection: 0 to 25200 SecondsCPU Seconds = 33,218
161
Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan
Customer Analysis for SAPFIB
07/07/2007 ResultUlangan 1 Ulangan 2 Ulangan 3
Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 9672 10500 102492 Total Number of Balking 0 0 03 Average Number in the System (L) 27,5856 34,7563 30,15634 Maximum Number in the System 80 107 965 Current Number in the System 38 11 266 Number Finished 9634 10489 102237 Average Process Time 145,575 146,5685 142,60898 Std. Dev. of Process Time 96,746 98,3584 95,40939 Average Waiting Time (Wq) 70,3169 103,7679 80,1195
10 Std. Dev. of Waiting Time 93,1684 119,9022 108,153911 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 215,8913 250,3368 222,728314 Std. Dev. of Flow Time 134,4138 153,7667 144,507915 Maximum Flow Time 918,2598 1173,403 968,418
Data Collection: 0 to 75600 SecondsCPU Seconds = 16,109
Dengan contoh server analysis dan queue analysis sebagai berikut :
Server Analysis for SAPFIB07/10/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 Operator11 80,21% 145,0673 95,6935 540,9609 0,00% 4182 Operator12 78,41% 144,573 90,157 578,0977 0,00% 4103 Operator13 79,92% 147,7159 95,0032 589,3188 0,00% 4094 Operator14 78,72% 152,9875 104,4024 784,6436 0,00% 3895 Operator15 79,59% 144,2948 99,0454 603,4673 0,00% 4176 Operator16 80,76% 149,6474 97,1676 631,6738 0,00% 4087 Operator17 80,11% 149,9069 101,368 809,6025 0,00% 4048 Operator18 81,27% 140,9105 94,1257 644,375 0,00% 4369 Operator21 75,46% 144,0594 97,2176 706,4746 0,00% 396
10 Operator22 76,52% 143,1921 97,856 527,4727 0,00% 40411 Operator23 76,59% 152,3764 104,5744 610,2656 0,00% 38012 Operator24 76,89% 140,0718 99,8663 763,1582 0,00% 41513 Operator25 74,78% 142,0529 92,5552 491,418 0,00% 39814 Operator26 75,39% 139,0058 94,0633 543,2773 0,00% 41015 Operator27 76,30% 144,2127 89,4642 435,375 0,00% 40016 Operator28 76,98% 147,7117 93,1943 525,0654 0,00% 39417 Operator31 75,57% 148,0147 92,6186 639,1367 0,00% 38618 Operator32 77,10% 149,4464 103,2516 593,875 0,00% 39019 Operator33 77,09% 147,543 97,0429 743,8301 0,00% 39520 Operator34 76,47% 152,5453 103,6651 720,1797 0,00% 37921 Operator35 74,90% 143,7262 95,4736 551,4531 0,00% 39422 Operator36 75,50% 149,0238 99,2238 491,4336 0,00% 38323 Operator37 74,02% 134,508 93,3599 557,167 0,00% 41624 Operator38 76,56% 143,6304 87,9123 509,5508 0,00% 40325 Overall 77,30% 145,5745 96,7464 809,6025 0,00% 9634
Data Collection: 0 to 75600 SecondsCPU Seconds = 16,109
162
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage
Q. Length(Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev.of Wq
MaximumofWq
1 Buffer1 3,5668 9 28 81,5214 98,9353 451,98442 Buffer2 2,9397 3 31 69,2973 96,891 520,35553 Buffer3 2,4999 2 21 59,9044 81,1658 449,0938
4 Overall 9,0064 14 31 70,4054 93,214 520,3555
Data Collection: 0 to 75600 SecondsCPU Seconds = 16,109
163
Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Komposisi Operator
Customer Analysis for SAPFIB
07/07/2007 Result
Ulangan 1 Ulangan 2 Ulangan 3
KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall KedatanganP
KedatanganAC
Overall
1Total Number ofArrival
1973 1069 3042 1893 1067 2960 1816 1112 2928
2Total Number ofBalking
0 0 0 0 0 0 0 0 0
3Average Number inthe System (L)
17,34 5,6375 22,97 17,306 5,8864 23,193 16,555 6,4331 22,988
4Maximum Numberin the System
36 11 47 40 14 54 36 12 48
5Current Number inthe System
21 4 25 11 5 16 16 9 25
6 Number Finished 933 1065 1998 927 1062 1989 885 1103 1988
7Average ProcessTime
346,41 129,46 230,77 351,12 131,24 233,72 351,69 134,77 231,33
8Std. Dev. of ProcessTime
101,29 52,122 134 100,99 52,717 135,16 96,335 53,095 131,59
9Average WaitingTime (Wq)
31,75 3,7624 16,835 34,746 8,1297 20,534 32,218 11,411 20,674
10Std. Dev. of WaitingTime
55,59 10,501 41,199 50,987 19,202 39,809 48,146 20,662 37,091
11Average TransferTime
52,09 0 24,328 52,096 0 24,280 52,121 0 23,202
12Std. Dev. of TransferTime
0,4039 0 25,993 0,4025 0 25,989 0,429 0 25,904
13Average Flow Time(W)
430,27 133,22 271,93 437,97 139,37 278,53 436,03 146,18 275,21
14Std. Dev. of FlowTime
114,01 52,781 171,80 112,83 56,971 172,78 107,95 56,896 166,53
15 Maximum Flow Time 1013,2 297,67 1013,2 901,38 338,62 901,38 996,25 319,95 996,25
Data Collection: 0 to 25200 SecondsCPU Seconds = 13,749
Dengan contoh server analysis, queue analysis, dan garbage collector sebagaiberikut :
Server Analysis for SAPFIB07/10/2007 Server
NameServer
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 A1 46,71% 25,4769 26,1245 222,5234 0,00% 4622 A2 47,51% 23,6128 21,3881 133,469 0,00% 5073 A3 49,56% 24,6798 25,2425 175,4063 0,00% 5064 A4 49,79% 25,2967 25,1568 170,668 0,00% 4965 B1 8,31% 1,0627 0,2588 1,7284 0,00% 19706 CA1 46,07% 38,6999 25,6098 269,3633 0,00% 3007 CA2 49,79% 38,9628 25,5491 189,7773 0,00% 3228 CA3 47,80% 36,8373 24,665 180,9358 0,00% 3279 CB1 30,61% 82,9454 28,964 164,3848 0,00% 93
10 CB2 29,41% 88,2294 34,8818 209,9287 0,00% 8411 D11 54,30% 141,0697 73,737 498,8555 0,00% 9712 D12 55,31% 140,7917 68,0297 458,7461 0,00% 9913 D13 50,11% 143,5021 70,3 458,5084 0,00% 8814 D14 57,68% 156,281 84,0942 494,0762 0,00% 9315 D15 53,42% 141,7141 70,974 391,2051 0,00% 95
164
07/10/2007 ServerName
ServerUtilization
AverageProcess Time
Std. Dev.Process Time
MaximumProcess Time
BlockedPercentage
# CustomersProcessed
16 D21 51,46% 139,4464 73,9568 409,1689 0,00% 9317 D22 56,08% 139,9151 68,9726 452,4414 0,00% 10118 D23 55,90% 148,2937 85,3419 497,7695 0,00% 9519 D24 49,00% 132,7873 61,1686 382,6553 0,00% 9320 D25 51,73% 149,8411 73,451 374,7715 0,00% 8721 E1 37,82% 10,1279 1,9001 20,0254 0,00% 94122 F1 32,40% 35,3419 13,719 124,8545 0,00% 23123 F2 32,56% 35,5193 14,9586 109,5684 0,00% 23124 F3 33,04% 34,9783 14,4693 107,9023 0,00% 23825 F4 33,44% 35,1086 13,8064 94,4219 0,00% 24026 GA1 30,87% 93,7175 55,4175 322,858 0,00% 8327 GA2 28,96% 102,795 48,4952 276,0321 0,00% 7128 GA3 31,32% 98,6473 55,554 326,7578 0,00% 8029 GA4 27,53% 91,2672 45,7431 264,0898 0,00% 7630 GA5 31,40% 96,4836 46,7468 252,1536 0,00% 8231 GA6 31,04% 89,8994 37,937 193 0,00% 8732 GB1 54,12% 58,0387 2,9434 67,2168 0,00% 23533 GB2 50,57% 58,186 3,3255 66,3253 0,00% 21934 GC1 76,62% 136,9412 54,8434 283,4258 0,00% 14135 GC2 81,20% 125,5344 53,325 297,6699 0,00% 16336 GC3 76,66% 123,0492 49,313 247,0957 0,00% 15737 GC4 76,07% 125,2871 48,4266 266,334 0,00% 15338 GC5 79,85% 133,2598 55,7332 278,3451 0,00% 15139 GC6 79,38% 134,2512 53,2501 296,3711 0,00% 14940 GC7 77,34% 129,0717 48,0354 243,1545 0,00% 15141 Overall 48,57% 49,5157 59,7091 498,8555 0,00% 9887
Data Collection: 0 to 25200 SecondsCPU Seconds = 13,749
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage
Q. Length(Lq)
CurrentQ. Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev.of Wq
MaximumofWq
1 BufferA 0,365 0 11 4,6614 11,2655 75,07892 BufferB 0,0038 0 2 0,0483 0,1998 2,09473 BufferCA 0,2099 0 7 5,5729 13,853 109,57234 BufferCB 0,0318 0 2 4,5247 13,615 99,50785 BufferD1 0,1013 0 5 5,376 15,8551 89,54446 BufferD2 0,3908 0 13 20,7783 61,3121 357,19147 BufferE 0,1078 0 4 2,8863 5,0655 308 BufferF 0,0072 0 3 0,1939 1,909 33,0019 BufferGA 0,0063 0 3 0,3298 2,6541 30,3425
10 BufferGB 0,1601 1 4 8,8477 17,1211 106,948211 BufferGC 0,159 0 4 3,7492 10,4836 72,792612 Overall 1,543 1 13 3,9242 16,9569 357,1914
Data Collection: 0 to 25200 Seconds
CPU Seconds = 13,749
Garbage Collector Analysis for SAPFIB07/10/2007 Garbage
Collector# Customers
CollectedAverage
Flow TimeStd. Dev.
Flow TimeMaximumFlow Time
AverageProcess Time
Std. Dev.Process Time
1 NonFillet 1019 30,0781 25,471 171,4395 25,4452 22,9425
Data Collection: 0 to 25200 SecondsCPU Seconds = 13,749
165
Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Komposisi Operator
Customer Analysis for SAPFIB
07/07/2007 ResultUlangan 1 Ulangan 2 Ulangan 3
Kedatangan Kedatangan Kedatangan
1 Total Number of Arrival 1644 1706 16642 Total Number of Balking 0 0 03 Average Number in the System (L) 3,361 3,5894 3,29774 Maximum Number in the System 23 39 185 Current Number in the System 7 1 56 Number Finished 1637 1705 16597 Average Process Time 145,9099 144,0245 142,31938 Std. Dev. of Process Time 97,6673 95,6743 93,06389 Average Waiting Time (Wq) 8,836 15,1295 7,7888
10 Std. Dev. of Waiting Time 29,8451 53,1869 28,27311 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 154,7457 159,1541 150,10814 Std. Dev. of Flow Time 102,9206 109,2152 97,41215 Maximum Flow Time 729,9688 803,7949 608,666
Data Collection: 0 to 75600 SecondsCPU Seconds = 16,109
Dengan contoh server analysis dan queue analysis sebagai berikut :
Server Analysis for SAPFIB07/10/2007 Server Name Server
UtilizationAverage
Process TimeStd. Dev.
Process TimeMaximum
Process TimeBlocked
Percentage# Customers
Processed1 Operator11 25,01% 146,5475 102,7939 567,0898 0,00% 1292 Operator12 25,03% 143,332 96,0451 573,5234 0,00% 1323 Operator13 26,45% 150,3674 100,5854 470,9727 0,00% 1334 Operator14 26,66% 143,9611 93,6235 526,8008 0,00% 1405 Operator21 26,43% 147,9962 101,8333 552,3535 0,00% 1356 Operator22 25,40% 147,7049 101,9582 729,9688 0,00% 1307 Operator23 25,85% 148,0497 104,7033 719,0625 0,00% 1328 Operator24 25,87% 137,751 96,0324 532,2148 0,00% 1429 Operator31 28,02% 144,0867 86,1434 393,2289 0,00% 147
10 Operator32 26,66% 153,8634 102,3631 619,6484 0,00% 13111 Operator33 26,21% 154,8067 96,6392 553,2539 0,00% 12812 Operator34 28,36% 135,697 88,7396 502,749 0,00% 15813 Overall 26,33% 145,9099 97,6673 729,9688 0,00% 1637
Data Collection: 0 to 75600 SecondsCPU Seconds = 2,517
Queue Analysis for SAPFIB07/10/2007 Queue
NameAverage
Q. Length(Lq)
Current Q.Length
MaximumQ. Length
AverageWaiting
(Wq)
Std. Dev.of Wq
MaximumofWq
1 Buffer1 0,0669 0 5 9,4489 33,2072 230,17872 Buffer2 0,0565 0 6 7,9224 27,9159 209,75783 Buffer3 0,0683 2 4 9,05 28,0788 187,7914 Overall 0,1917 2 6 8,8098 29,8034 230,1787
DataCollection : 0 to 75600 SecondsCPU Seconds = 3,327
166
Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood
167
Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Tingkat Kedatangan
Waktu tunggu maksimum padasimulasi model antrian sistem nyata
Stasiun Ulangan 1(detik)
Ulangan 2(detik)
Ulangan 3(detik)
BufferA 63,3506 27,0757 54,6863
BufferB 0,1699 0 0
BufferC 15,0469 18,9064 28,6094
BufferC1 0 0 0
BufferD1 13,2793 73,416 76,1465
BufferD2 0 74,1699 118,699
BufferE 10,0234 12,457 14,1826
BufferF 15,3086 40,5566 30,2715
BufferGA 102,1367 93,2593 189,8848
BufferGB 50,2949 36,1172 21,7998
BufferGD 2681,688 2618,102 2701,943
Total 2951,2983 2994,0601 3236,2229
Rata-rata 3060,5271
Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem nyata
Stasiun Ulangan 1(Kg)
Ulangan 2(Kg)
Ulangan 3(Kg)
BufferA 6 9 11
BufferB 1 1 1
BufferC 2 3 3
BufferC1 1 1 1
BufferD1 4 1 2
BufferD2 4 1 4
BufferE 3 2 3
BufferF 3 3 5
BufferGA 4 4 7
BufferGB 2 3 2
BufferGD 100 100 100
Total 130 128 139
Rata-rata 132,3333333
Waktu tunggu maksimum padasimulasi model antrian sistem alternatif
Stasiun Ulangan 1(detik)
Ulangan 2(detik)
Ulangan 3(detik)
BufferA 3311,061 2608,949 4174,348
BufferB 0,3735 0,6074 0
BufferCA 104,4463 103,8477 101,9785
BufferCB 0 0 11,1748
BufferD1 352,2139 281,1699 626,2754
BufferD2 495,4971 874,2646 469,8398
BufferE 24,8389 17,9941 34,126
BufferF 96,2656 85,9434 66,6582
BufferGA 701,3125 439,6094 1476,815
BufferGB 2921,029 2928,492 2928,308
BufferGC 133,1523 154,6426 186,0771
Total 8140,19 7495,5201 10075,601
Rata-rata 8570,437
Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem alternatif
Stasiun Ulangan 1(Kg)
Ulangan 2(Kg)
Ulangan 3(Kg)
BufferA 744 576 949
BufferB 1 1 1
BufferCA 13 13 16
BufferCB 1 1 2
BufferD1 18 15 34
BufferD2 28 39 24
BufferE 5 4 6
BufferF 11 9 10
BufferGA 49 30 100
BufferGB 100 100 100
BufferGC 5 5 8
Total 975 793 1250
Rata-rata 1006
168
Biaya Tambahan Penggunaan Es(Rp) = {Total maksimum bahan yangmengantri pada setiap stasiun kerja(Kg) x Total maksimum waktumenunggu bahan (detik) x harga es(Rp/Kg)} : 3600 detik
Perhitungan biaya penggunaan espada model antrian sistem nyata
Biaya Tambahan Penggunaan Es
= { 132,33 Kg x 3060,5271 detik x
Rp. 90/ Kg } : 3600 detik
= Rp. 10.125 (per hari)
Biaya Tambahan Penggunaan Es per
bulan = Rp. 10.125 x 30 hari
= Rp.303.749,66 (per bulan)
Biaya Tambahan Penggunaan Es(Rp) = {Total maksimum bahan yangmengantri pada setiap stasiun kerja(Kg) x Total maksimum waktumenunggu bahan (detik) x harga es(Rp/Kg)} : 3600 detik
Perhitungan biaya penggunaan espada model antrian sistem alternatif
Biaya Tambahan Penggunaan Es
= { 1006 Kg x 8570,437 detik x
Rp. 90/ Kg } : 3600 detik
= Rp. 215.456 (per hari)
Biaya Tambahan Penggunaan Es per
bulan = Rp. 215.456 x 30 hari
= Rp.6.466.394,72 (per bulan)
169
Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Komposisi Operator
Waktu tunggu maksimum padasimulasi model antrian sistem nyata
Stasiun Ulangan 1(detik)
Ulangan 2(detik)
Ulangan 3(detik)
BufferA 63,3506 27,0757 54,6863
BufferB 0,1699 0 0
BufferC 15,0469 18,9064 28,6094
BufferC1 0 0 0
BufferD1 13,2793 73,416 76,1465
BufferD2 0 74,1699 118,699
BufferE 10,0234 12,457 14,1826
BufferF 15,3086 40,5566 30,2715
BufferGA 102,1367 93,2593 189,8848
BufferGB 50,2949 36,1172 21,7998
BufferGD 2681,688 2618,102 2701,943
Total 2951,2983 2994,0601 3236,2229
Rata-rata 3060,5271
Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem nyata
Stasiun Ulangan 1(Kg)
Ulangan 2(Kg)
Ulangan 3(Kg)
BufferA 6 9 11
BufferB 1 1 1
BufferC 2 3 3
BufferC1 1 1 1
BufferD1 4 1 2
BufferD2 4 1 4
BufferE 3 2 3
BufferF 3 3 5
BufferGA 4 4 7
BufferGB 2 3 2
BufferGD 100 100 100
Total 130 128 139
Rata-rata 132,3333333
Waktu tunggu maksimum padasimulasi model antrian sistem alternatif
Stasiun Ulangan 1(detik)
Ulangan 2(detik)
Ulangan 3(detik)
BufferA 3311,061 2608,949 4174,348
BufferB 0,3735 0,6074 0
BufferCA 104,4463 103,8477 101,9785
BufferCB 0 0 11,1748
BufferD1 352,2139 281,1699 626,2754
BufferD2 495,4971 874,2646 469,8398
BufferE 24,8389 17,9941 34,126
BufferF 96,2656 85,9434 66,6582
BufferGA 701,3125 439,6094 1476,815
BufferGB 2921,029 2928,492 2928,308
BufferGC 133,1523 154,6426 186,0771
Total 8140,19 7495,5201 10075,601
Rata-rata 8570,437
Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem alternatif
Stasiun Ulangan 1(Kg)
Ulangan 2(Kg)
Ulangan 3(Kg)
BufferA 744 576 949
BufferB 1 1 1
BufferCA 13 13 16
BufferCB 1 1 2
BufferD1 18 15 34
BufferD2 28 39 24
BufferE 5 4 6
BufferF 11 9 10
BufferGA 49 30 100
BufferGB 100 100 100
BufferGC 5 5 8
Total 975 793 1250
Rata-rata 1006
170
Biaya Tambahan Penggunaan Es(Rp) = {Total maksimum bahan yangmengantri pada setiap stasiun kerja(Kg) x Total maksimum waktumenunggu bahan (detik) x harga es(Rp/Kg)} : 3600 detik
Perhitungan biaya penggunaan espada model antrian sistem nyata
Biaya Tambahan Penggunaan Es
= { 132,33 Kg x 3060,5271 detik x
Rp. 90/ Kg } : 3600 detik
= Rp. 10.125 (per hari)
Biaya Tambahan Penggunaan Es per
bulan = Rp. 10.125 x 30 hari
= Rp.303.749,66 (per bulan)
Biaya Tambahan Penggunaan Es(Rp) = {Total maksimum bahan yangmengantri pada setiap stasiun kerja(Kg) x Total maksimum waktumenunggu bahan (detik) x harga es(Rp/Kg)} : 3600 detik
Perhitungan biaya penggunaan espada model antrian sistem alternatif
Biaya Tambahan Penggunaan Es
= { 1006 Kg x 8570,437 detik x
Rp. 90/ Kg } : 3600 detik
= Rp. 215.456 (per hari)
Biaya Tambahan Penggunaan Es per
bulan = Rp. 215.456 x 30 hari
= Rp.6.466.394,72 (per bulan)