USULAN PENJADWALAN PREVENTIVE

MAINTENANCE PADA MESIN DUPLEX DI PABRIK

KERTAS

Oleh

Ganjar Setiaji

NIM: 004201405107

Diajukan untuk Memenuhi Persyaratan Akademik

Mencapai Gelar Sarjana Strata Satu

pada Fakultas Teknik

Program Studi Teknik Industri

2018

ABSTRAK

Aktivitas maintenance merupakan aset penting untuk kelangsungan proses

produksi. Pabrik tersebut merupakan perusahaan manufaktur yang bergerak

dibidang pembuatan kertas kemasan. Semakin tingginya angka kerusakan pada

equipment maka akan berakibat meningkatnya breakdown mesin. Salah satu

dampak buruk dari breakdown adalah banyaknya material yang digunakan untuk

penggantian dan sangat berpengaruh terhadap cost pemakaian equipment. Untuk

meminimalkan kerusakan yang sering terjadi maka perlu adanya preventive

maintenance. Tujuan dari adanya preventive adalah mengurangi dampak

kerusakan dan menjaga life time atau umur suatu mesin.. Penelitian ini mencoba

untuk menerapkan perawatan preventif terhadap mesin yang di gunakan oleh

perusahaan yaitu mesin Duplex. Metode yang akan digunakan untuk menentukan

komponen kritis yaitu konsep diagram pareto. Menentukan Mean Time to Failure

(MTTF), cost of Failure ( Cf ), tingkat keandalan, serta biaya perawatan preventif

(Cp) dilakukan untuk mengetahui selang waktu dalam penggantian komponen

dengan biaya yang rendah. Setelah dilakukan penerapan preventive maintenance

untuk tiga komponen tersebut mengalami penurunan biaya perawatan. Komponen

bearing mengalami penurunan 8,30% dengan tingkat keandalan 61%, komponen

rantai 15,60% tingkat keandalan 62% dan komponen unwinder mengalami

penurunan 10,70% tingkat keandalan 61% . Penurunan biaya ini akan

berpengaruh besar untuk profit yang didapat perusahaan karena menghemat

pengeluaran biaya perawatan.

Kata Kunci: breakdown, preventive maintenance, life time, pareto diagram, biaya,

keandalan

BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Keberadaan mesin-mesin dalam perusahaan sangat penting untuk menghasilkan

produk industri yang memenuhi standar kualitas yang diinginkan. Jika mesin-

mesin berjalan dengan kondisi yang baik maka perusahaan tersebut akan mampu

untuk menghasilkan produk-produk dengan tingkat cacat (defect) yang rendah.

Perusahaan ini adalah produsen kertas kemasan terkemuka di Indonesia dengan

kapasitas terpasang 1.550.000 metrik ton per tahun dan berbagai produk yang

meliputi Kraft Liner Board dan Corrugated Medium Paper untuk kemasan karton

dan Coated Duplex Board untuk kemasan display. Salah satu proses produksi

yaitu pada mesin Duplex. Mesin ini beroperasi untuk kertas jenis Coated Duplex

Board (CDB). Mesin Duplex menjadi salah satu mesin dengan persentase

kerusakan yang tinggi yaitu sebesar 22,81% dari semua mesin yang ada. Adapun

komponen yang sering mengalami kerusakan meliputi komponen Bearing, v-belt,

unwinder, rantai, pipa sealing, cutter, conveyor, dan kopling.

Berdasarkan dari data mesin Duplex Bulan Agustus 2015 sampai dengan Mei

2017 terjadi breakdown selama 1.627 jam dengan jumlah jam operasi selama

14.421 jam atau sekitar 11,28 persen. Total frekuensi terjadinya kerusakan

sebanyak 125 kali kerusakan selama 22 bulan. Beberapa penyebab adanya

breakdown adalah kurangnya kontrol terhadap mesin seperti jadwal pengecekan

maupun penggantian komponen yang belum terstruktur.

Diagram pareto akan digunakan untuk mengetahui tingkat kritis komponen-

komponen yang mengalami kerusakan pada mesin Duplex. Terdapat 3 komponen

tertinggi yang mengalami kerusakan yaitu komponen unwinder, bearing, dan v-

belt. Ketiga komponen ini akan diganti dengan yang baru jika terjadi kerusakan

karena tidak bisa direpair kembali. Jika komponen bearing, Unwinder, maupun

rantai terjadi kerusakan maka proses produksi akan terganggu yang

mengakibatkan produktivitas mesin menurun dan mengeluarkan biaya

maintenance untuk perbaikan.

Untuk meminimalkan kerusakan yang sering terjadi maka perlu adanya preventive

maintenance. Menurut Ebeling (1997), preventive maintenance merupakan

kegiatan perawatan yang dilakukan secara terjadwal dan umumnya dilakukan

secara periodik. Preventive maintenance bertujuan untuk meningkatkan

reliability, mencegah timbulnya kerusakan mesin secara mendadak, serta dapat

mengurangi downtime mesin (Assauri,2008).

1.2. Rumusan Masalah

Dalam penelitian ini akan dirumuskan suatu permasalahan, yaitu “Bagaimana

menjadwalkan perawatan secara preventive maintenance mesin Duplex agar biaya

perawatan relatif rendah dengan tingkat keandalan yang sesuai?”

1.3.Tujuan Penelitian

Tujuan dari penelitian ini adalah menekan biaya perawatan dengan tingkat

keandalan mesin yang layak dengan metode penjadwalan secara preventive

maintenance.

1.4. Batasan Masalah

Karena adanya keterbatasan waktu dalam melakukan penelitian, akan ada

beberapa ruang lingkup dalam pengamatan sebagai berikut :

Pengambilan data dilakukan hanya pada periode Agustus 2015 sampai Mei

2017

Penelitian ini di lokasi Paper Machine 1 khususnya mesin duplex

1.5. Asumsi

Beberapa asumsi dari penelitian ini adalah :

Waktu breakdown mulai dihitung dari mesin rusak, diperbaiki, ditutup dan

sampai siap untuk beroperasi kembali..

Data komponen yang digunakan sudah terinstal dan berfungsi di mesin

produksi.

Kemampuan operator untuk perawatan dianggap sama

Spare part selalu tersedia.

Semua mesin Duplex identik dengan mesin lainnya.

1.6. Sistematika Penulisan

Laporan ini ditulis secara sistematik yang akan dibagi menjadi 5 pokok bab

pembahasan, yaitu :

BAB I PENDAHULUAN

Bab pendahuluan ini terdiri dari latar belakang penelitian, rumusan

masalah sebagai hal yang harus diselesaikan, tujuan penelitian yang

dicapai, ruang lingkup sebagai batasan, dan asumsi untuk

menyelesaikan penelitian, dan garis besar penelitian.

BAB II KAJIAN PUSTAKA

Bab ini terdiri dari dijelaskan tentang pemeliharaan, jenis

perawatan, dan perawatan terpusat yang reliabel sebagai teori dasar

penelitian ini dalam pengolahan data untuk melakukan pemecahan

permasalahan yang ditemukan di Pabrik Kertas. Teori-teori yang

digunakan berkaitan dengan maintenance yaitu distribusi normal,

lognormal, tingkat keandalan, MTTF, MTTR.

BAB III METODOLOGI PENELITIAN

Bab ini menjelaskan alur penelitian ini dan menjelaskan setiap

langkah untuk melakukan penelitian ini. Dimulai dari observasi

awal sampai menganalisa data yang terkumpul dengan perbaikan

dan rekomendasi untuk penelitian lebih lanjut.

BAB IV PENGOLAHAN DATA DAN ANALISIS

Bab ini menjelaskan tentang mengolah data dan menganalisa data

sampai didapatkan hasil penelitian yang diperoleh. Hasil data yang

diperoleh digunakan untuk waktu interval perawatan dan

penghematan biaya perawatan secara prefentif.

BAB V SIMPULAN DAN SARAN

Bab terakhir memberikan kesimpulan penelitian dan pemecahan

masalah serta rekomendasi untuk bahan pertimbangan sebagai

solusi pemecahan masalah yang terjadi di pabrik kertas.

Kesimpulannya akan terdiri dari komponen kritis yang

menyebabkan kegagalan mesin, waktu interval penggantian

komponen, dan penghematan biaya dengan menggunakan

perawatan secara preventive mantenance berdasarkan perhitungan

yang telah dilakukan sebelumnya.

BAB II

LANDASAN TEORI

2.1 Definisi Maintenance

Pemeliharaan atau perawatan dapat diartikan sebagai suatu kegiatan pemeliharaan

fasilitas maupun peralatan di perusahaan dan melakukan jadwal perbaikan dan

penyesuaian/penggantian yang diperlukan. Tujuannya supaya terdapat suatu

keadaan operasi produksi yang memuaskan dan mesin berjalan dengan baik tanpa

adanya hambatan sesuai dengan apa yang direncanakan menurut Sofyan (2004).

Maintenance merupakan suatu kegiatan dalam suatu industri manufaktur yang

sangat penting seperti halnya dengan produksi. Hal ini dikarenakan apabila suatu

perusahaan mempunyai mesin atau peralatan yang digunakan sebagai modal

utama dalam pelaksanaan produksi, biasanya perusahaan tersebut selalu berusaha

untuk tetap menjaga performa mesin agar dapat mempergunakan mesin atau

peralatan sehingga kegiatan produksi tetap dapat berjalan dengan lancar. Dalam

usaha untuk terus menggunakan mesin atau peralatan secara bagus agar

kontinuitas produksi dapat terjamin harus dilakukan kegiatan pemeliharaan dan

perawatan, baik secara rutin ataupun pemeliharaan berkala dan secara menyeluruh

atau pada setiap titik-titik rawan rusak pada komponen mesin.

Dalam sistem perawatan menurut Anthony (1988) beberapa istilah yang seing

digunakan diantaranya:

a. Perawatan (maintenance)

Merupakan tindakan yang diperlukan untuk mempertahankan atau

mengembalikan peralatan, mesin, atau sistem ke kondisi pengoperasian

yang sesuai untuk mencapai masa keandalan yang maksimal. Perawatan

tersebut dapat dilakukan sesuai jadwal yang sudah diatur oleh perusahaan.

b. Perawatan darurat (emergency maintenance)

Merupakan perawatan yang dilakukan karena alasan yang mendadak seperti

halnya mesin berhenti beroperasi dan harus dilakukan perawatan. Dalam

perawatan darurat bisa juga dilakukan perawatan yang sifatnya mencegah

kerusakan yang lebih serius, seperti jadwal pelumasan diperpendek untuk

menjaga umur komponen sampai waktu overhaul.

c. Perawatan terencana (planning maintenance)

Merupakan tindakan perawatan yang sudah direncanakan jauh hari.

Perawatan secara terencana ini mampu menekan biaya yang dikeluarkan

dalam perawatan karena kondisi mesin dapat terpantau dan sesuai planing

untuk dilakukan perawatan. Perawatan yang sudah terencana sangat

berpengaruh terhadap keberlangsungan proses produksi karena mampu

menekan angka breakdown menjadi lebih kecil.

d. Rusak (breakdown)

Merupakan kerusakan yang terjadi dari suatu komponen mesin sehingga

menghilangkan atau mengurangi kegunaan serta keandalan mesin tersebut.

Akibat yang ditimbulkan dari breakdown sangat fatal dan berpengaruh

terhadap hasil produksi maupun cost yang dikeluarkan.

e. Perawatan pencegahan (preventive maintenance)

Merupakan tindakan perawatan untuk mencegah kegagalan yang terjadi

secara tiba-tiba dalam suatu mesin. Preventive maintenance dilakukan

pada jadwal perawatan yang direncanakan dengan baik dan juga rencana

produksi yang lebih tepat. Preventive maintenance banyak diterapkan di

perusahaan karena tujuannya untuk menekan angka breakdown dan

pengeluaran biaya yang diluar budget.

f. Perawatan jalan (running maintenance)

Perawatan ini dilakukan tanpa menghentikan operasi mesin karena bisa

dikerjakan saat mesin berjalan. Perawatan ini bersifat flexible seperti

pelumasan, pengecekan, maupun menganalisa kondisi secara fisik.

g. Perawatan berhenti (shutdown maintenance)

Perawatan ini dilakukan saat mesin berhenti beroperasi. Dalam jangka

waktu tertentu perusahaan akan memberikan jadwl untuk melakukan

overhaul sebagai penggantian komponen yang mengalami kerusakan.

Menurut Siagian(2013), dalam melakukan penghitungan untuk biaya perbaikan

secara corrective (Cp) menggunakan Persamaan (2-1) sebagai berikut:

Cp = Harga Komponen + ( waktu penggantian x upah per jam ) + ( kapasitas per

jam x waktu penggantian x production loss ) (2-1)

2.2 Jenis Pemeliharaan

Secara garis besar pemeliharaan terbagi menjadi 2 golongan yaitu:

1. Pemeliharaan Tidak Terencana

2. Pemeliharaan Terencana

2.2.1 Pemeliharaan Tidak Terencana (Unscheduled Maintenance)

Pemeliharaan tidak terencana adalah perawatan yang dilakukan secara mendadak

karena kondisi mesin yang sudah tidak memungkinkan untuk beroperasi.

Pemeliharaan tidak terencana ini biasa disebut breakdown atau emergency case.

Dikenal sebagai jenis pemeliharaan yang paling tua. Seringkali terjadi jika

perbaikan dilakukan setelah adanya kerusakan tanpa adanya perawatan atau

pemeliharaan yang dilakukan. Aktivitas ini juga dikenal dengan sebutan

unschedule maintenance. Ciri-ciri pemeliharaan ini adalah kebiasaan

menggunakan alat atau mesin secara terus menerus tanpa melihat kondisi yang

terjadi. Apabila terjadi kerusakan barulah mekanik melakukan perbaikan untuk

penggantian komponen yang rusak tersebut.

Keuntungan perawatan ini yaitu mudah dilakukan karena hanya melakukan

perbaikan dan tidak perlu melakukan penjadwalan pemeliharaan.

Kelemahannya :

Mengakibatkan tidak tercapainya target produksi karena kegagalan mesin

yang tidak bisa beroperasi secara normal.

Waktu yang dibutuhkan untuk perbaikan bisa lebih lama jika spare part

tidak tersedia atau ternyata susah untuk didapatkan.

Karena perawatan ini sifatnya terjadi tiba-tiba, dalam tugasnya bagian

mekanik akan bekerja dibawah tekanan oleh bagian produksi yang akan

berakibat :

1. Menurunnya efektifias dan efisiensi operator

2. Tidak optimalnya hasil pekerjaan perbaikan dan pemeliharaan

3. Biaya yang dikeluarkan cenderung lebih besar.

2.2.2 Pemeliharaan Terencana (Scheduled Maintenance)

Pemeliharaan Terencana adalah perawatan yang terorganisasi. Pengendalian dan

pencatatan data sesuai dengan rencana yang telah ditentukan dan dilakukan

dengan memikirkan hasil jangka panjang,

Schedule maintenance terdiri dari 3 pokok yaitu Pemeliharaan

Korektif (Corrective Maintenance), Pemeliharaan Pencegahan (Preventive

Maintenance) , dan Predictive Maintenance.

1. Preventive Maintenance

Preventive maintenance mempunyai tujuan untuk dapat mengurangi downtime,

dan meningkatkan reliability, mencegah kerusakan mesin yang terjadi secara tiba-

tiba, (Assauri, 2008). Sedangkan menurut Ebeling (1997), preventive maintenance

merupakan perawatan yang dilakukan secara terjadwal umumnya secara periodik.

Preventive Maintenance adalah tindakan dan analisa secara cepat pada

ketidaknormalan komponen suatu mesin sebelum terjadi kerusakan atau

kegagalan mesin. Dua aktivitas dasar pada preventive maintenance adalah:

1. Pengecekan secara berkala pada peralatan/komponen.

2. Perbaikan yang terencana sesuai jadwal pada kerusakan

Preventive Maintenance adalah suatu kegiatan pemeliharaan yang dilakukan

untuk menjaga dan mencegah setiap alat/komponen agar berjalan sesuai dengan

kondisi yang diharapkan agar produktifitas serta keandalan mesin tetap terjaga

yaitu melalui pemeriksaan serta analisa dan pencegahan kerusakan yang terjadi

secara tiba-tiba (breakdown). Jika mesin beroperasi sampai rusak maka akan

terjadi breakdown dan produksi akan terganggu yang mengakibatkan target tidak

tercapai. Jika pemeliharaan dilakukan secara terjadwal maka target produksi akan

maksimal dan mesin berjalan dengan normal dengan keandalan yang terjamin

serta biaya perawatan menjadi lebih murah.

Dalam prakteknya, perawatan preventif yang dijalankan oleh beberapa perusahaan

dapat dibagi menjadi dua macam, perawatan rutin dan perawatan berkala.

Pemeliharaan rutin adalah kegiatan perawatan yang dilakukan secara rutin seperti

setiap hari. Contoh perawatan rutin adalah membersihkan peralatan atau fasilitas,

pelumasan atau pengecekan minyak, dan mungkin pemanasan beberapa mesin

selama beberapa menit. Sementara itu, perawatan berkala adalah kegiatan

perawatan yang dilakukan secara berkala atau dalam waktu interval tertentu

seperti seminggu sekali, sebulan sekali, atau bahkan setahun sekali. Pemeliharaan

berkala juga bisa dilakukan dengan menggunakan jam kerja mesin seperti setiap

seratus jam waktu kerja mesin. Biasanya, aktivitas yang dilakukan dalam

perawatan berkala jauh lebih sulit daripada perawatan routing. Sebagai contoh

perawatan periodik ini adalah pembongkaran suction, sealing strip, piston, dan

lain-lainnya. Berdasarkan hal tersbut dimungkinkan untuk mengembangkan

jadwal perawatan yang direncanakan dengan baik.

Untuk preventive maintenance sendiri terbagi menjadi beberapa jenis kegiatan

diantaranya sebagai berikut.

1. Inspeksi, yaitu melakukan pengecekan terhadap kondisi mesin dan

komponen, bisa berupa cek list atau tindakan minor perawatan. Sebagai

contoh melakukan penyetelan dan pelumasan.

2. Dengar, lihat dan Rasakan, meliputi pemeriksaan kondisi mesin dan

komponen yang terkait terkait secara fisik dengan cara pendengaran,

penglihatan, dan perasaan.

3. Pemeliharaan jalan, yaitu tindakan yang berupa pemeliharaan tanpa

menghentikan proses produksi atau kinerrja dari mesin tersebut, contohnya

mengecek vibrasi komponen bearing.

4. Penggantian komponen minor, berupa penggantian beberapa komponen

kecil dalam mesin dan peralatan yang mengalami kondisi abnormal atau

kerusakan.

Pemeliharaan berhenti, tindakan pemeliharaan yang dilakukan pada saat peralatan

atau mesin sedang tidak beroperasi atau berhenti.

Keuntungan Preventive Maintenance:

Preventive Maintenance adalah kegiatan antisipasi. maka bagian produksi

dan mekanik dapat membuat schedule pemeliharaan yang lebih baik dan

pekerjaan pembuatan peramalan (forecasting).

Akan meminimalisasi waktu perbaikan yang akan berakibat mengganggu

kegiatan produksi.

Preventive Maintenance memperbaiki kondisi dan fungsi atas komponen-

komponen mesin.

Preventive Maintenance dapat mengurangi pekerjaan

emergency/mendadak

Kerugian :

Preventive Maintenance mengurangi umur suatu komponen mesin

karena komponen tersebut harus diganti sebelum rusak total.

Lebih membutuhkan banyak operator mekanik

Jika dibandingkan metode predictive maintenance, biaya pemeliharaan

preventive maintenance lebih tinggi.

2. Corrective Maintenance

Pemeliharaan Corrective adalah tindakan pemeliharaan untuk memperbaiki suatu

komponen dalam mesin yang telah rusak dan memenuhi syarat untuk dilakukan

perbaikan. Kegiatan corrective maintenance sendiri terbagi menjadi beberapa

kegiatan diantaranya:

Reparasi minor, yaitu pemeliharaan untuk rencana jangka pendek yang timbul

diantara pengecekan serta suatu kegiatan pemeliharaan berupa perbaikan

ringan suatu komponen.

Overhaul, yaitu tindakan pemeliharaan berupa penggantian komponen mesin

keseluruhan sesuai jadwal dan waktu yang sudah diberikan oleh manajemen

perusahaan. Misalnya rencana overhaul bulanan, tahunan, atau waktu

periodik lainnya.

3. Predictive Maintenance

Pemeliharaan prediktif adalah teknik perawatan yang dilakukan pemeriksaan aset

peralatan atau fasilitas untuk memprediksi kegagalan yang akan terjadi.

Pemeliharaan ini membutuhkan data kinerja mesin, teknik pengujian mesin, dan

juga inspeksi visual mesin. Analisis kondisi mesin akan dipakai untuk

mengembangkan perencanaan dan penjadwalan pemeliharaan sebelum terjadi

kegagalan. Tipe pemeliharan jenis ini lebih modern dibandingkan dengan 2 tipe

sebelumnya.

2.3. Pengertian keandalan

Keandalan didefinisikan sebagai probabilitas bahwa perangkat, mesin atau sistem

akan melakukan fungsi tertentu dalam batas yang diberikan, di bawah lingkungan

yang diberikan kondisi, untuk waktu tertentu (Stapelberg, 2009). Keandalan

adalah salah satu karakteristik yang menentukan kualitas. Keandalan didefinisikan

oleh berbagai definisi, namun secara umum reliabilitas adalah kemampuan suatu

produk berlaku sesuai dengan fungsi tertentu di lingkungan desain atau operasi

kondisi tertentu. Keandalan dapat dinyatakan dalam beberapa cara seperti tingkat

kegagalan, fungsi reliabilitas, dan fungsi kepadatan probabilitas. Keandalan dapat

dinyatakan dalam beberapa cara seperti tingkat kegagalan, fungsi reliabilitas, dan

fungsi kepadatan probabilitas (Sodikin, 2010).

Uji keandalan menggunakan nilai dari Cronbach’s Alpha. Cronbach’s Alpha

adalah sebuah ukuran tingkat keandalan yang memiliki nilai berkisar 0 sampai 1.

Berikut merupakan tabel angka tingkat keandalan menurut Cronbach’s Alpha.

Tabel 2.1 Tingkat Keandalan Cronbach’s Alpha

Nilai Cronbach’s Alpha Tingkat Keandalan

0,0 – 0,20 Kurang Andal

>0,20 – 0,40 Agak Andal

>0,40 – 0,60 Cukup Andal

>0,60 – 0,80 Andal

>0,80 – 1,00 Sangat Andal

Sumber : Hair dkk, 2010, 125

Berdasarkan tabel diatas dapat dilihat bahwa suatu mesin dalam kondisi sangat

andal jika memiliki tingkat keandalan dalam rentang 0,80 sampai 1,00. Sedangkan

mesin dikatakan andal jika memiliki nilai keandalan 0,60 sampai 0,80. Keadaan

mesin dikatakan cukup andal dengan kriteria rentang 0,40 sampai 0,60. Dalam

kondisi seperti cukup andal ini, suatu mesin harus segera dijadwalkan untuk

penggantian beberapa komponen yang dinilai sudah saatnya untuk diganti.

Berdasarkan tabel cronbach’s Alpha tersebut angka minimal mesin yang

direkomendasikan adalah 0,60. Jadi tingkat keandalan suatu mesin harus selalu

dipantau agar terhindar dari menurunnya keandalan yang akan mengakibatkan

terganggunya proses produksi. Masa pakai mesin atau umur suatu mesin yang

digunakan adalah penggunaan mesin agar bisa bekerja optimal. Semua dari mesin

memiliki tingkat keletihan yang berbeda. Gambar 2.1 di bawah menunjukkan

kurva reliabilitas waktu sebuah mesin yang telah digunakan untuk jangka waktu

tertentu akan menunjukkan penurunan kinerja yang akan menyebabkan

menurunnya kehandalan.

Gambar 2.1 Kurva Keandalan R(t) vs Waktu (t)

2.4. Distribusi Kerusakan

Variabel acak digunakan untuk menentukan reliabilitas dalam sistem. Distribusi

yang sering digunakan dalam menentukan tingkat keandalan dalam suatu sistem

adalah distribusi normal, distribusi weibull, distribusi lognormal dan distribusi

eksponensial. Berikut adalah deskripsi masing-masing distribusi yang digunakan.

2.4.1. Distribusi Lognormal

Distribusi lognormal merupakan distribusi yang menggambarkan distribusi

kegagalan yang memiliki begitu banyak variasi bentuk, sehingga terkadang data

yang sesuai untuk distribusi pada Weibull juga akan sesuai dengan distribusi

Lognormal. Distribusi ini menggunakan 2 parameter yakni parameter bentuk

(shape parameter) yang menunjukkan standar deviasi dan juga tmed yang

menunjukkan parameter lokasi ( location parameter) yang juga menunjukkan

R(t)

t

nilai tengah dari data yang termasuk ke dalam distribusi ini. Gambar 2.2

menunjukkan contoh pola distribusi Lognormal.

Sumber : wikipedia.org/lognormal-distribution

Gambar 2.2 Contoh Pola Distribusi Lognormal

Beberapa fungsi yang akan digunakan pada distribusi lognormal yaitu:

1. Probability Density Function (PDF)

Adapun rumus probability density function dapat dilihat pada Persamaan (2-2)

𝒇(𝒕) = 𝟏

𝒔𝒕√𝟐𝝅𝒆

[𝟏

𝟐𝒔𝟐(𝐥𝐧𝒕

𝒕𝒎𝒆𝒅)

𝟐] (2-2)

For t ≥ 0

Dimana :

t : Interval Waktu

tmed : Waktu Median dari data

s : Scale Parameter

π : Mean of the Data

e : Natural Logarithm (e = 2.71828)

2. Cumulative Distribution Function (CDF)

Adapun rumus Cumulative Distribution Function pada persamaan (2-3)

𝑭(𝒕) = ɸ (𝟏

𝒔𝐥𝐧

𝒕

𝒕𝒎𝒆𝒅) (2-3)

3. Reliability Function (keandalan)

Rumus menghitung tingkat keandalan menggunakan persamaan (2-4)

𝑹(𝒕) = 𝟏 − 𝑭(𝒕) (2-4)

4. Failure Rate Function

Untuk Failure Rate Function menggunakan rumus persamaan (2-5)

𝝀(𝒕) = 𝑭(𝒕)

𝒔𝒕𝑹(𝒕) (2-5)

5. Mean Time To Failure (MTTF)

Untuk menghitung MTTF menggunakan persamaan (2-6)

𝑴𝑻𝑻𝑭 = 𝒕𝒎𝒆𝒅 . 𝒆(

𝒔𝟐

𝟐) (2-6)

6. Variance

Adapun menghitung variance menggunakan rumus persamaan (2-7)

𝝈𝟐 = 𝒕𝒎𝒆𝒅𝟐𝒆𝒔𝟐[𝒆𝒔𝟐

− 𝟏] (2-7)

2.4.2. Distribusi Normal

Distribusi normal adalah distribusi yang memiliki bentuk seperti kurva bel dengan

dua parameter pembentuk yaitu mean () dan standar deviasi (). Distribusi ini

sering digunakan di berbagai analisis statistik. Parameter yang digunakan disini

berupa mean (μ) dan standar deviasi (σ). Karena jenis distribusi ini berhubungan

dengan distribusi Lognormal, Distribusi Normal juga dapat digunakan untuk

menghitung dan menganalisis distribusi Lognormal. Distribusi normal juga sering

disebut sebagai distribusi Gaussian. Bentuk dari kurva distribusi normal simetris

terhadap nilai mean rata-rata.

Gambar 2.3 merupakan contoh gambar distribusi Normal.

Gambar 2.3 Contoh Pola Distribusi Normal

Beberapa fungsi yang akan digunakan perhitungan pada distribusi normal yaitu:

1. Probability Density Function (PDF)

Adapun rumus yang digunakan adalah menggunakan persamaan (2-8)

𝒇(𝒕) = 𝟏

𝝈√𝟐𝝅𝒆

[(𝒕−µ)

𝟐𝝈𝟐

𝟐] (2-8)

Dimana,

t : Waktu

µ : Mean of Data

𝜎 : Standar Deviasi

e : Natural Logarithm (e = 2,71828)

2. Cumulative Distribution Function (CDF)

Sedangkan untuk menghitung CDF menggunakan rumus persamaan (2-9)

𝑭(𝒕) = ɸ (𝒕−µ

𝝈) (2-9)

3. Reliability Function (keandalan)

Perhitungan keandalan menggunakan rumus persamaan (2-10)

𝑹(𝒕) = 𝟏 − 𝑭(𝒕) (2-10)

4. Failure Rate Function

Untuk menghitung Failure Rate Function menggunakan persamaan (2-11)

𝝀(𝒕) = 𝑭(𝒕)

𝝈𝑹(𝒕) (2-11)

5. Mean Time To Failure (MTTF)

Rumus untuk menghitung MTTF adalah menggunakan persamaan (2-12)

𝑴𝑻𝑻𝑭 = µ (2-12)

2.4.3 Distribusi Weibull

Distribusi Weibull biasanya digunakan untuk menyelesaikan masalah-masalah

yang menyangkut umur atau usia suatu objek yang mampu bertahan hingga

akhirnya objek tersebut tidak berfungsi sebagaimana mestinya (rusak atau mati).

Dalam distribusi Weibull ada dua parameter yang digunakan yaitu parameter

skala (scale parameter) dan parameter bentuk (shape parameter). Parameter

bentuk menentukan kegagalan laju data. Nilai parameter bentuk yang

menunjukkan tingkat kegagalan dapat dilihat pada Tabel 2.2 di bawah ini

(Stapelberg, 2009).

Tabel 2.2 Nilai Shape Parameter (β) pada Distribusi Weibull

Values Failure rate

0< β <1 Decreasing Failure Rate (DFR)

β =1 Constant Failure Rate (CFR)

Exponential Distribution

1< β <2 Increasing Failure Rate (IFR)

Concave-shaped curve

Values Failure rate

β =2 Linier Failure Rate (LFR)

Reyleigh Distribution

β >2 Increasing Failure Rate (IFR)

Convex-shaped curve

3≤ β ≤4 Increasing Failure Rate (IFR)

Symmetric-shaped curve

Normal Distribution

Jika parameter bentuk mempengaruhi bentuk kurva (apakah kegagalan tingkat

meningkat atau menurun), maka scale parameter akan mempengaruhi rata-rata

data. Meningkatnya scale parameter menyebabkan kenaikan dari tingkat

keandalan dan kegagalan.

Parameter yang dipakai dalam distribusi weibull adalah θ yang mana disebut scale

parameter dan β yang disebut shape parameter. Gambar 2.4 merupakan pola dari

distribusi Weibull.

Sumber = http://www.weibull.com/hotwire/issue14/relbasics14.htm

Gambar 2.4 Weibull Distribution

Beberapa fungsi yang biasanya digunakan dalam distribusi Weibull :

Probability Density Function (PDF)

Adapun rumus yang digunakan menggunakan persamaan (2-13)

𝑓(𝑡) =𝛽

𝜃(

𝑡

𝜃)

𝛽−1

𝑒(𝑡

𝜃)

𝛽

(2-13)

Dimana,

t : Waktu

θ : Scale Parameter

β : Shape Parameter

e : Natural Logarithm (e = 2,71828)

Cumulative Distribution Function (CDF)

Sedangkan rumus menghitung CDF adalah menggunakan persamaan 2-14

𝐹(𝑡) = 1 − 𝑒−(𝑡

𝜃)

𝛽

(2-14)

Reliability Function (keandalan)

Tingkat keandalan dihitung menggunakan rumus persamaan (2-15)

𝑅(𝑡) = 𝑒−(𝑡

𝜃)𝛽

(2-15)

Failure Rate Function

Untuk Failure Rate Function menggunakan rumus persamaan (2-16)

λ(t) =𝛽

𝜃(

𝑡

𝜃)

𝛽−1

(2-16)

Mean Time To Failure in Weibull Distribution

MTTF dihitung menggunakan rumus persamaan (2-17) dan (2-18)

𝑀𝑇𝑇𝐹 = (𝜃)(Γ) (1 +1

𝛽) (2-17)

Γ(x) = (x − 1)Γ(x − 1) (2-18)

Which Γ(x) = Gamma Function

Variance

Untuk mencari variance menggunakan rumus persamaan (2-19)

𝜎2 = (𝜃)2 {Γ (1 +2

𝛽) − [Γ (1 +

1

𝛽)]

2

} (2-19)

Fungsi gamma merupakan eksistensi atau perluasan dari fungsi faktorial. Fungsi

ini merupakan fungsi yang istimewa karena sering muncul dalam persamaan

statistika. Fungsi gamma didefinisikan untuk semua bilangan kompleks, kecuali

bilangan bulat negatif dan nol. Berikut merupakan tabel fungsi gamma yang akan

digunakan sebagai perhitungan dalam penelitian.

Tabel 2.3 Fungsi Gamma

X Γ(x) X Γ(x) X Γ(x) X Γ(x)

1,01 0,99433 1,51 0,88659 2,01 1,00427 2,51 1,33875

1,02 0,98884 1,52 0,88704 2,02 1,00862 2,52 1,3483

1,03 0,98355 1,53 0,88757 2,03 1,01306 2,53 1,35798

1,04 0,97844 1,54 0,88818 2,04 1,01758 2,54 1,36779

1,05 0,9735 1,55 0,88887 2,05 1,02218 2,55 1,37775

1,06 0,96874 1,56 0,88964 2,06 1,02687 2,56 1,38784

1,07 0,96415 1,57 0,89049 2,07 1,03164 2,57 1,39807

1,08 0,95973 1,58 0,89142 2,08 1,0365 2,58 1,40844

1,09 0,95546 1,59 0,89243 2,09 1,04145 2,59 1,41896

1,1 0,95153 1,6 0,89352 2,1 1,04649 2,6 1,42962

1,11 0,9474 1,61 0,89468 2,11 1,05161 2,61 1,44044

1,12 0,94359 1,62 0,89592 2,12 1,05682 2,62 1,4504

1,13 0,93993 1,63 0,89724 2,13 1,06212 2,63 1,46251

1,14 0,93642 1,64 0,89864 2,14 1,06751 2,64 1,47377

1,15 0,93304 1,65 0,90012 2,15 1,073 2,65 1,48519

1,16 0,9298 1,66 0,90167 2,16 1,07857 2,66 1,49677

1,17 0,9267 1,67 0,9033 2,17 1,08424 2,67 1,50851

1,18 0,92373 1,68 0,905 2,18 1,09 2,68 1,5204

1,19 0,92089 1,69 0,90678 2,19 1,09585 2,69 1,53246

1,2 0,91817 1,7 0,90864 2,2 1,1018 2,7 1,54469

1,21 0,91558 1,71 0,91057 2,21 1,10785 2,71 1,55708

1,22 0,91311 1,72 0,91258 2,22 1,11399 2,72 1,56964

1,23 0,91075 1,73 0,91467 2,23 1,12023 2,73 1,58237

1,24 0,90852 1,74 0,91683 2,24 1,12657 2,74 1,59528

1,25 0,9064 1,75 0,91906 2,25 1,133 2,75 1,60836

1,26 0,9044 1,76 0,92137 2,26 1,13954 2,76 1,62162

1,27 0,9025 1,77 0,92376 2,27 1,14618 2,77 1,63506

1,28 0,90072 1,78 0,92623 2,28 1,15292 2,78 1,64868

1,29 0,89904 1,79 0,92877 2,29 1,15976 2,79 1,66249

1,3 0,89747 1,8 0,93138 2,3 1,16671 2,8 1,67649

1,31 0,896 1,81 0,93408 2,31 1,17377 2,81 1,69068

1,32 0,89464 1,82 0,93685 2,32 1,18093 2,82 1,70506

1,33 0,89338 1,83 0,93969 2,33 1,18819 2,83 1,71963

1,34 0,89222 1,84 0,94261 2,34 1,19557 2,84 1,73441

1,35 0,89115 1,85 0,94561 2,35 1,20305 2,85 1,74938

1,36 0,89018 1,86 0,94869 2,36 1,21065 2,86 1,76456

1,37 0,88931 1,87 0,95184 2,37 1,21836 2,87 1,77994

1,38 0,88854 1,88 0,95507 2,38 1,22618 2,88 1,79553

1,39 0,88785 1,89 0,95838 2,39 1,23412 2,89 1,81134

1,4 0,88726 1,9 0,96177 2,4 1,24217 2,9 1,82736

1,41 0,88676 1,91 0,96523 2,41 1,25034 2,91 1,84359

Tabel 2.4 Fungsi Gamma (Lanjutan)

X Γ(x) X Γ(x) X Γ(x) X Γ(x)

1,42 0,88636 1,92 0,96877 2,42 1,25863 2,92 1,86005

1,43 0,88604 1,93 0,9724 2,43 1,26703 2,93 1,87673

1,44 0,88581 1,94 0,9761 2,44 1,27556 2,94 1,89363

1,45 0,88566 1,95 0,97988 2,45 1,28421 2,95 1,91077

1,46 0,8856 1,96 0,98374 2,46 1,29298 2,96 1,92814

1,47 0,88563 1,97 0,98769 2,47 1,30188 2,97 1,94574

1,48 0,88575 1,98 0,99171 2,48 1,31091 2,98 1,96358

1,49 0,88595 1,99 0,98581 2,49 1,32006 2,99 1,98167

1,5 0,88623 2 1 2,5 1,32934 3 2

2.4.4 Distribusi Exponensial

Distribusi eksponensial digunakan untuk menggambarkan keandalan dari waktu

ke waktu kegagalan komponen atau mesin jika tingkat kegagalannya konstan.

Distribusi ini memiliki tingkat kegagalan konstan dari waktu ke waktu, di lain

waktu peluang atau probabilitas kegagalan tidak tergantung pada usia komponen

atau mesin. Parameter yang digunakan pada distribusi eksponensial adalah λ, yang

berarti kedatangan rata-rata kegagalan yang terjadi.

Beberapa fungsi yang digunakan untuk perhitungan dalam distribusi exponensial:

Probability Density Function (PDF)

Rumus yang digunakan untuk menghitung PDF menggunakan (2-20)

𝑓(𝑡) = λ𝑒(−𝜆.𝑡) (2-20)

Dimana,

t : Waktu

e : Natural Logarithm (e = 2,71828)

λ : Rate Parameter

Cumulative Distribution Function (CDF)

Sedangkan menghitung CDF menggunakan rumus persamaan (2-21)

𝐹(𝑡) = 1 − 𝑒(−𝜆.𝑡) (2-21)

Reliability Function (keandalan)

Rumus menghitung keandalan adalah persamaan (2-22)

𝑅(𝑡) = 𝑒(−𝜆.𝑡) (2-22)

Failure Rate Function

Adapun menghitung Failure Rate Function menggunakan rumus (2-23)

λ(t) =f(t)

𝑅(𝑡)= 𝜆 (2-23)

Mean Time To Failure in Exponential Distribution

Menghitung MTTF menggunakan rumus persamaan (2-24)

𝑀𝑇𝑇𝐹 =1

𝜆 (2-24)

Variance (σ2)and standard deviation (σ)

Menghitung variance dan standar deviasi menggunakan rumus (2-25)

𝜎2 =1

𝜆2 (2-25)

𝜎 =1

𝜆 (2-26)

2.5 Mean Time to Repair (MTTR)

Dalam melakukan penelitian tentang maintenance pasti ada kaitannya dengan

waktu untuk melakukan kegiatan perbaikan. Waktu yang dibutuhkan untuk

perbaikan mulai dari komponen tersebut mengalami kerusakan sampai dengan

perbaikan dan mesin tersebut jalan kembali itulah yang disebut dengan Mean

Time to Repair (MTTR). Agar produktifitas produksi bagus maka divisi mekanik

harus sebisa mungkin menekan angka MTTR lebih rendah. Nilai MTTR yang

rendah menunjukkan bahwa diperusahaan tersebut mempunyai solusi yang tepat

dan menunjukkan tingkat efisiensi yang tinggi.

2.6 Mean Time to Failure (MTTF)

Berbanding terbalik dengan MTTR, disini nilai penting yang harus dilihat adalah

semakin besar nilai MTTF yang didapat maka kualitas pekerjaan terlihat bagus,

dibuktikan dengan tingkat kerusakan dan jarak waktu sejak mesin berjalan sampai

mesin tersebut rusak kembali memiliki jarak waktu yang lama. Hal ini akan

mempunyai keuntungan yang lebih seperti tingkat produktivitas yang tinggi,

angka breakdown dan downtime yang rendah serta kualitas pekerjaan yang baik.

Mean Time to Failure mempunyai arti rata-rata waktu kerusakan dari sejak mesin

berjalan sampai terjadinya mesin rusak kembali. Meningktnya nilai MTTF

menunjukkan bahwa metode perawatan dan pemeliharaan mesin berjalan dengan

baik dan sesuai dengan panduan yang benar.

2.7 Probability Density Function (PDF)

Probability Density Function adalah bentuk frekuensi relatif yang

menggambarkan secara kontinu kurva, f(t). Probabilitas kegagalan dari suatu

mesin atau komponen ditentukan dengan fungsi kepadatan probabilitas (Rusavel,

2015). Bila PDF digambarkan secara grafis, area di bawah kurva akan

menunjukkan interval di mana variabel akan turun. Luas total dalam interval

grafik ini sama dengan probabilitas terjadinya variabel acak kontinyu. Contoh

probabilitas kurva fungsi kepadatan dapat dilihat pada Gambar 2.5

Sumber = http://www.itl.nist.gov/div898/handbook

Gambar 2.5 Probability Density Function

2.8 Commulative Distribution Function (CDF)

Menurut Ebeling (1997), Commulative Distribution Function adalah fungsi yang

menggambarkan probabilitas atau peluang jika terjadi kegagalan sebelum waktu

(t). Probabilitas suatu sistem atau peralatan untuk memiliki kegagalan saat

beroperasi sebelum waktu (t), yang merupakan fungsi waktu dapat dinyatakan

secara matematis sebagai berikut:

𝐹(𝑡) = 𝑃(𝑥 < 𝑡) (2-27)

Atau,

𝐹(𝑡) = ∫ 𝑓(𝑡)𝑑𝑡𝑡

0; which t ≥ 0 (2-28)

Dimana:

F(t) = Cumulative distribution function

f(t) = Probability density function

Rentang nilai dari cumulative distribution function antara 0 ≤ F(t) ≤ 1; dimana jika

nilai dari t ∞, kemudian F(t) = 1

Gambar 2.6 adalah gambar dari distribusi normal Commulative Distribution

Function

Sumber = http://www.itl.nist.gov/div898/handbook

Gambar 2.6 Comulative Distribution Function

2.9 Cummulative Hazard Function

Cummulative Hazard Function adalah integral dari hazard function. Sedangkan

Hazard Function sendiri dikenal sebagai tingkat kegagalan, tingkat bahaya, atau

kekuatan mortalitas. Simbolnya adalah H(t). Gambar 2.7 menunjukkan

Commulative Hazard Function

Sumber = http://www.mathwave.com/help/easyfit

Gambar 2.7 Commulative Hazard Function

2.10 Total Productive Maintenance

Dalam industri, total productive maintenance (TPM) adalah sistem pemeliharaan

dan peningkatan integritas sistem produksi dan kualitas melalui mesin, peralatan,

proses, dan karyawan yang menambahkan nilai bisnis ke organisasi. Total

Productive Maintenance berfokus untuk menjaga semua peralatan dalam kondisi

kerja terbaik agar tidak terjadi kerusakan dan penundaan proses manufaktur.

Tujuan melakukan Total Productive Maintenance adalah dengan memiliki Zero

Accident, Breakdown, Crisis, and Defect (Zero ABCD). Secara umum, total

pemeliharaan produktif terdiri dari:

Total Effective

Memaksimalkan efektifitas peralatan.

Total System

Mengembangkan sistem mulai dari desain peralatan sampai peralatan tidak

digunakan lagi

Total Involvement

Melibatkan semua divisi (setidaknya divisi mekanik dan produksi)

Total Participation

Berpartisipasi untuk memulai sistem operator terendah sampai top

management

Total Effort

Setiap pekerja berusahan untuk melaksanakan producttive maintenance

dengan semangat.

Total Productive Maintenance (TPM) adalah suatu pendekatan pembaharuan di

bidang pemeliharaan yang mengoptimalkan efektifitas seluruh peralatan,

mengurangi kerusakan dan peningkatan pemeliharaan mandiri operator melalui

aktivitas sehari-hari yang mencakup seluruh pekerja di semua departemen dari

segala tingkatan (Smith, 1996). Sasaran dari Total productive maintenance adalah

K3C nol, yaitu Kecelakaan nol, Kerusakan nol, Krisis nol, dan Cacat nol.

Menerapakan preventive maintenance menurut Gross (2002) yang koprehensif

sepanjang umur alat. Jika TPM dilakukan dengan baik dalam perusahaan maka

hasil yang akan didapat akan bagus salah satunya produktivitas perusahaan

meningkat serta kondisi mesin stabil dengan keandalan yang sesuai karena

perawatan yang maksimal untuk hasil yang maksimal pula.

Gambar 2.8 Pilar dari TPM

2.11 Maintenance Interval Time

Dalam menentukan interval waktu perawatan, data kegagalan berikut harus sesuai

distribusi tertentu. Kemudian, semua fungsi yang berhubungan dengan distribusi

digunakan untuk menentukan interval waktu perawatan. Probability density

function, cummulative density function, reliability function and hazard or failure

rate harus dihitung. Biaya per unit waktu juga harus dihitung. Persamaan itu

digunakan dalam menghitung biaya pemeliharaan dinyatakan sebagai berikut:

𝐶(𝑡) =𝑡𝑜𝑡𝑎𝑙 𝑐𝑜𝑠𝑡 𝑖𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 [0,𝑡]

𝑡𝑖𝑚𝑒 𝑜𝑓 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙 (2-29)

Kemudian

𝐶(𝑡) =𝐶𝑝+𝐶𝑓.𝐻(𝑡)

𝑡 (2-30)

Dimana,

C(t) = Cost per unit of time

Cp = Cost of preventive maintenance

Cp = Harga komponen + (waktu penggantian (jam) x gaji operator per jam) +

(kapasitas produksi x waktu penggantian x production loss)

Cf = Cost of corrective maintenance

Cf = harga komponen + (downtime (hours) x salary of mechanic per hours) +

(production capacity x downtime x loss of production)

H(t) = Cumulative hazard function in the interval of t

Gambar 2.9 merupakan contoh hubungan antara C(t) dan R(t)

Sumber = thesis of Rheza Adiprabowo,2014 (President University)

Gambar 2.9 Komparasi Harga C(t) vs Realibility R(t)

1000

1100

1200

1300

1400

1500

1600

5 0 6 0 6 1 6 2 6 3 6 4 6 5 6 6 6 7 6 8 6 9 7 0 8 0 9 0 1 0 0 1 1 0

BAB III

METODOLOGI PENELITIAN

Metodologi penelitian perlu dilakukan secara sistematis untuk mempermudah

penyelesaian permasalahan yang dihadapi. Dengan ini , langkah yang dilakukan

untuk memecahkan

permasalahan yang ada dalam

penelitian ini adalah sebagai

berikut :

Gambar 3.1 Diagram Metodologi Penelitian

Studi pendahuluan:

Mencari data kerusakan dan perbaikan

komponen mesin pada bulan Agustus 2015-

Mei 2017.

Memahami metode dalam penanganan

kerusakan mesin.

Memilih masalah di area yang dijadikan

penelitian

Identifikasi masalah:

Observasi sistem perawatan yang sedang

berjalan.

Observasi sistem perawatan dimesin Duplex

Menentukan tujuan yang harus dicapai

Mendefinisikan batasan masalah, asumsi yang

digunakan dalam penelitian

Landasan teori:

Mencari referensi literatur seperti buku, jurnal,

situs web yang terkait untuk konsep keandalan,

tingkat kegagalan dan distribusi, distribusi

parameter, interval waktu pemeliharaan, dan

penjadwalan sistem perawatan.

Data dan analisis:

Menjelaskan kondisi terkini dari perusahaan

Mengumpulkan data kerusakan mesin Duplex

Menghitung Realibility setiap komponen

Menghitung MTTF untuk penjadwalan

perawatan komponen mesin.

Analisis biaya perawatan mesin.

Simpulan dan saran:

Menyimpulkan dan memberikan rekomendasi

Simpulan

Dan Saran

Data Dan

Analisis

Landasan Teori

Identifikasi

Masalah

Studi

Pendahuluan

3.1 Metodologi Penelitian

3.1.1. Studi Pendahuluan

Langkah awal yang dilakukan pada penelitian ini adalah observasi perusahaan.

Pada tahap ini, dilakukan dengan observasi langsung ke perusahaan yang

bersangkutan dan melakukan wawancara dengan Atasan di perusahaan beserta

semua jajaran yang terkait termasuk kepala produksi hingga operator untuk

mendapatkan informasi keadaan perusahaan saat ini. Terdapat banyak mesin yang

beroperasi dan akan dipilih mesin yang mengalami kegagalan dengan rasio lebih

tinggi. Tidak terorganisirnya perawatan membuat beberapa kondisi mesin

mengalami kerusakan yang terjadi.

3.1.2. Identifikasi Masalah

Identifikasi masalah perlu dilakukan untuk mengetahui permasalahan yang

dihadapi perusahaan berdasarkan pengamatan awal. Dalam identifikasi masalah,

hal pertama yang harus dilakukan adalah mendefinisikan pernyataan masalah.

Problem statement menjadi sangat penting karena akan membantu memberi arah

dimana penelitian ini akan dibawa. Tanpa penjelasan yang jelas dan tepat tentang

pernyataan masalah, penelitian akan dilakukan tanpa tujuan. Dalam identifikasi

masalah, hal pertama yang harus dilakukan adalah mendefinisikan pernyataan

masalah. Soal pernyataan menjadi sangat penting karena akan membantu memberi

arah dimana penelitian ini akan dibawa. Tanpa penjelasan yang jelas dan tepat

tentang pernyataan masalah, penelitian akan dilakukan tanpa tujuan. Dalam

penelitian ini masalah yang seing muncul di mesin Duplex adalah kerusakan pada

beberapa komponen yang frekuensinya banyak.

3.1.3. Landasan Teori

Setelah identifikasi masalah secara jelas dan terperinci, langkah selanjutnya

adalah memiliki studi literatur yang lengkap sebagai referensi dan pedoman untuk

memecahkan masalah. Studi literatur harus dilakukan sebelum tahap

pengumpulan data dan juga tahap analisis dan pengembangan data. Selain itu,

sangat susah untuk menganalisa data tanpa adanya cukup banyak sumber tentang

alat yang akan digunakan untuk melakukannya. Dengan demikian, studi literatur

akan mengarahkan pada apa yang perlu dianalisis dan bagaimana

mengembangkan analisisnya. Pada tahapan ini, literatur utama yang berguna

untuk studi analisis adalah konsep keandalan, waktu untuk memperbaiki dan

konsep waktu kegagalan, distribusi kegagalan dan parameternya, interval waktu

pemeliharaan, perawatan preventif, distribusi normal, lognormal, tingkat

keandalan, MTTF, MTTR dll

3.1.4. Data dan Analisis

Dalam pengumpulan dan analisis data, hal pertama yang harus dilakukan adalah

mengumpulkan beberapa data yang berkaitan dengan penelitian. Data yang

dikumpulkan disini berasal dari mesin Duplex yang menjadi objek penelitian ini.

Terjadinya jumlah kegagalan mesin serta downtime mesin selama bulan Agustus

2015 sampai dengan Mei 2017. Setiap kegagalan mesin perlu dijelaskan secara

umum untuk menentukan komponen mana yang dikategorikan sebagai komponen

penting yang akan diamati lebih dalam penelitian ini. Setelah data di dapat maka

dilakukan proses analisa data tersebut. Data diolah sesuai kebutuhan dan dengan

metode yang tepat untuk mendapatkan hasil yang diinginkan.

Untuk analisis data, berdasarkan perhitungan waktu interval dalam melakukan

penggantian komponen sebelumnya. Bagian ini akan menjelaskan manfaat sistem

perawatan pencegahan daripada sistem perawatan saat ini. Langkah pertama

dalam analisis ini adalah mengembangkan jadwal untuk sistem perawatan

preventif. Setelah itu, manfaat sistem pemeliharaan preventif ditunjukkan pada

perbandingan biaya perawatan yang akan dikeluarkan oleh perusahaan. Dalam

analisis data, tidak hanya untuk menganalisis efek dari perawatan preventif itu

sendiri tetapi juga menganalisa setiap perhitungan yang dilakukan dalam

perhitungan data secara bertahap. Karena penelitian ini hanya diusulkan, maka

hasilnya hanya dapat dilihat berdasarkan perhitungan yang dikembangkan.

3.1.5. Simpulan dan Saran

Setelah analisa selesai maka akan didapat kesimpulan, apakah hasil analisis dan

tahap pengembangan tercapai atau tidak. Dari situ, diyakini bahwa hal itu akan

membuat pemahaman baru tentang masalah itu sendiri dan bagaimana

mengatasinya. Setelah disimpulkan, penelitian tidak berhenti sampai disitu.

Karena penelitian hanya untuk tujuan, beberapa rekomendasi yang dapat

diterapkan untuk perusahaan dan penelitian masa depan juga disampaikan dengan

tujuan untuk mendapatkan keuntungan perusahaan.

3.2 Kerangka Penelitian

Gambar 3.2 di bawah ini menunjukkan kerangka penelitian terperinci untuk

penelitian ini. Dalam gambar di bawah, rincian setiap langkah dalam

menyelesaikan penelitian tersebut sudah dijelaskan langkah yang dilakukan dalam

perhitungan dan analisis data tersebut. Data kegagalan mesin digunakan untuk

mengetahui mesin mana yang kritis dan perlu diselidiki lebih lanjut. Mesin

dengan yang paling sering terjadi kegagalan menunjukkan bahwa mesin memiliki

keandalan yang rendah. Oleh karena itu, penelitian akan dilakukan fokus pada

mesin yang dipilih. Diagram pareto digunakan untuk mengidentifikasi kerusakan

paling sering pada komponen berdasarkan data yang sudah diperoleh. Pada bagian

ini akan diambil 3 komponen yang paling sering terjadi kerusakan pada mesin

tersebut.

Data kerusakan yang digunakan dalam penelitian ini diambil dari Agustus 2015

sampai Mei 2017. Setelah mendapatkan semua data yang dibutuhkan, langkah

selanjutnya adalah menentukan waktu untuk gagal (TTF) dan waktu perbaikan

(TTR). Kemudian, distribusi yang sesuai dengan data ditentukan. Setelah

mengetahui distribusi yang digunakan, maka parameter distribusi diperlukan

untuk menghitung , Mean Time to Failure (MTTF) dan Mean Time to Repair

(MTTR). Interval perawatan digunakan untuk mengatur interval jadwal

perawatan. Pada interval kegagalan jenis distribusi harus diketahui sebelumnya

untuk menentukan interval waktu perawatan Jadwal perawatan yang diusulkan

adalah berdasarkan target realibilitas untuk mesin yang ditetapkan oleh

perusahaan. Di akhir penelitian, akan ada perbandingan yang berkaitan dengan

realibilitas dan biaya untuk mengetahui dampak dari perbaikan. Karena itu, akan

ada perawatan preventif jadwal dari Januari 2018 sampai Juni 2018 ketika sistem

yang diusulkan terbukti memiliki dampak positif terhadap perusahaan. Berikut

merupakan detail framework dari penelitian.

Gambar 3.2 Detail Framework penelitian

Untuk analisis data, langkah pertama sebelum menghitung interval waktu hal

yang penting adalah melakukan uji goodness of fit yang bertujuan unuk menguji

keselarasan data atau kecocokan data. Dalam penelitian ini uji Goodness of Fit

menggunakan metode Anderson Darling. Anderson-Darling (Stephens, 1974)

digunakan untuk menguji apakah sampel data berasal dari populasi. Dengan

distribusi tertentu berdasarkan perhitungan waktu interval dalam melakukan

penggantian komponen sebelumnya. Setelah mendapatkan nilai yang tepat secara

harga dan tingkat keandalan maka langkah selanjutnya adalah membuat jadwal

perawatan. Bagian ini akan menjelaskan manfaat sistem perawatan pencegahan

daripada sistem perawatan saat ini.

Langkah pertama dalam analisis ini adalah mengembangkan jadwal untuk sistem

perawatan preventif. Setelah itu, manfaat sistem pemeliharaan preventif

ditunjukkan pada perbandingan biaya perawatan yang akan dikeluarkan oleh

perusahaan. Dalam analisis data, tidak hanya untuk menganalisis efek dari

perawatan preventif itu sendiri tetapi juga menganalisa setiap perhitungan yang

dilakukan dalam perhitungan data secara bertahap. Karena penelitian ini hanya

diusulkan, maka hasilnya hanya dapat dilihat berdasarkan perhitungan yang

dikembangkan. Dengan melakukan perhitungan di atasnya, masalah kerusakan

seharusnya tidak sering terjadi karena komponen yang rusak karena perawatan

pencegahan baru dijadwalkan mengikuti perhitungan interval waktu penggantian

komponen yang tepat. Seberapa besar efek penurunan jumlah breakdown ini

sangat tergantung pada orang yang mengimplementasikan jika sudah berjalan.

Kelebihan atau kekurangan lainnya juga bisa diketahui meski tidak langsung

diperhitungkan dalam penelitian ini.

BAB IV

DATA DAN ANALISIS

4.1 Observasi Awal

Pada bab ini akan dilakukan pembahasan tentang jumlah kerusakan yang terjadi

pada mesin Duplex dalam rentang waktu Agustus 2015 sampai Mei 2017. Data

tersebut akan digunakan untuk dasar dalam menentukan usulan jadwal perbaikan

prefentif maupun korektif.

4.1.1. Proses Produksi

Berikut ini adalah gambaran proses produksi kertas di PT FSW secara singkat

yang dapat dilihat pada Gambar 4.1.

Gambar 4.1 Proses Produksi Kertas

Dari Gambar 4.1 di atas maka proses produksi kertas dapat dijelaskan sebagai

berikut:

1. Collection

Merupakan proses pengumpulan material utama pembuatan kertas yaitu dari

kertas bekas hasil dari penggunaan oleh end user . Kertas bekas tersebut di

pasok oleh suplier kertas, baik dari dalam negri maupun impor.

2. Re Pulping

Adalah proses peleburan kembali material kertas bekas menjadi buburan

kertas.

3. Screening & cleaning

Adalah proses pemisahan buburan kertas dari material yang tidak diperlukan

seperti kotoran dan lainnya.

4. Headbox

Pada tahap ini kertas di alirkan melalui suatu bidang pada mesin masih dalam

bentuk buburan.

5. Press & Dryer Section

Pada proses ini buburan kertas yang melewati bagian press akan dikurangi

kadar airnya kemudian akan dikeringkan pada dryer section.

6. Pope Rell

Setelah melewati dryer section kertas jadi akan digulung di bagian pope rell

dalam ukuran jumbo roll.

7. QC Check

Merupakan proses pengecekan kualitas kertas apakah sesuai standar kualitas

dan layak masuk proses selanjutnya.

8. Rewinder

Kertas jadi yang sudah memenuhi standar kualitas selanjutnya melalui proses

rewind yaitu kertas dipotong dalam ukuran lebih kecil dan di packing di

mesin finishing sampai siap dikirim ke customer.

4.1.2. Data Mesin Rusak

Berdasarkan data yang diperoleh dari Agustus 2015 sampai dengan bulan Mei

2017 dapat dilihat bahwa banyak terjadi kerusakan ditiap-tiap mesin. Tabel 4.1

merupakan data jumlah kerusakan yang terjadi disetiap mesin.

Tabel 4.1 Data Kerusakan Mesin

No Nama Mesin Jumlah Kerusakan Persentase

1 Duplex 125 22,81 %

2 Simplex 1,8 41 7,48 %

3 Simplex 2,6 41 7,48 %

4 Simplex 2,8 116 21,17 %

5 Wrapping 1 80 14,60 %

6 Wrapping 2 109 19,89 %

7 Rewinder 36 6,57 %

Total 548 100 %

Gambar 4.2 Data Kerusakan Mesin

4.1.3. Data Mesin Duplex

Berikut merupakan data yang akan diambil sebagai berikut :

1. Data Perbaikan Corrective pada Mesin Duplex

Data perbaikan corrective adalah data yang diambil tentang kerusakan atau

kegagalan yang terjadi selama periode Agustus 2015 sampai dengan Mei 2017.

Tabel 4.2 menunjukkan jumlah frekuensi kerusakan yang terjadi.

Tabel 4.2 Data Frekuensi Kerusakan Mesin Duplex

NO Bulan Frekuensi

1 Agustus 2015 4

2 September 2015 5

3 Oktober 2015 0

4 November 2015 2

5 Desember 2015 3

6 Januari 2016 4

7 Februari 2016 6

0

20

40

60

80

100

120

140

Tabel 4.3 Data Frekuensi Kerusakan Mesin Duplex (Lanjutan)

No Bulan Frekuensi

8 Maret 2016 14

9 April 2016 10

10 Mei 2016 5

11 Juni 2016 9

12 Juli 2016 13

13 Agustus 2016 8

14 September 2016 4

15 Oktober 2016 12

16 November 2016 2

17 Desember 2016 6

18 Januari 2017 4

19 Februari 2017 5

20 Maret 2017 1

21 April 2017 5

22 Mei 2017 3

Total 125

Berikut Gambar 4.3 merupakan grafik dari frekuensi kerusakan bulanan pada

Mesin Duplex periode Agustus 2015 sampai Mei 2017.

Gambar 4.3 Frekuensi Kerusakan Mesin Duplex

Dari gambar di atas dapat dilihat bahwa frekuensi kerusakan paling banyak terjadi

pada bulan Maret 2016 dengan terjadi kerusakan sebanyak 14 kali dan kerusakan

paling sedikit dibulan Oktober 2015 dengan tidak adanya kerusakan yang terjadi.

2. Data Jenis Kerusakan Mesin Duplex

Data jenis kerusakan pada mesin Duplex adalah jenis-jenis kerusakan yang

terjadi pada mesin. Data yang dapat diambil adalah kerusakan pada Bearing,

02468

10121416

Agu

st-1

5

Sep

-15

Okt

-15

No

vem

be

r 2

01

5

De

s-1

5

Jan

-16

Feb

-16

Mar

-16

Ap

r-1

6

Me

i-1

6

Jun

-16

Jul-

16

Agu

st-1

6

Sep

-16

Okt

-16

No

vem

be

r 2

01

6

De

s-1

6

Jan

-17

Feb

-17

Mar

-17

Ap

r-1

7

Me

i-1

7

Frekuensi

Rantai, V-belt, Cutter, Conveyor, Unwinder, Pipa sealing, dan Kopling. Tabel

4.4 merupakan frekuensi jenis kerusakan yang terjadi.

Tabel 4.4 Frekuensi Jenis Kerusakan Mesin Duplex

No Jenis

Kerusakan

Jumlah

Kerusakan

Persentase

(%)

(%)

komulatif

1 Bearing 30 24 24

2 Rantai 26 20,8 44,8

3 Unwinder 20 16 60,8

4 V-Belt 12 9,6 70,4

5 Cutter 10 8 78,4

6 Conveyor 12 9,6 88

7 Pipa Sealing 5 4 92

8 Kopling 10 8 100

Total 125 100

Dari tabel diatas akan dibuat diagram pareto dimana 3 komponen paling atas

yang merupakan jenis kerusakan yang paling sering terjadi dan perlu ditangani

terlebih dahulu. Gambar 4.4 merupakan diagram pareto dari jenis kerusakan.

Gambar 4.4 Pareto Chart Frekuensi Jenis Kerusakan

Berdasarkan dari data diatas menunjukkan bahwa ada beberapa jenis kerusakan

yang terjadi dengan urutan paling banyak. Dengan kontribusi kerusakan paling

banyak adalah Bearing dan kerusakan paling sedikit adalah Pipa Sealing.

Dalam penelitian ini akan diambil 3 komponen teratas untuk lebih difokuskan

dalam penelitian yaitu Bearing, Rantai, dan Unwinder.

0

10

20

30

40

50

60

70

80

90

100

0

5

10

15

20

25

30

35

Jumlah Kerusakan

(%) komulatif

3. Data Jam Operasi Mesin Duplex

Data ini merupakan data keseluruhan waktu operasi mesin Duplex dalam

periode tertentu dalam satuan jam. Tabel 4.5 merupakan data jam operasi

mesin duplex dalm kurun waktu Agustus 2015 sampai dengan Mei 2017.

Tabel 4.5 Data Jumlah Jam Operasi Mesin Duplex

No Bulan Jumlah Hari Jumlah Jam

Overhaul

Jumlah Jam

Opererasi (Jam)

1 Agustus 2015 31 48 696

2 September 2015 30 24 690

3 Oktober 2015 31 36 708

4 November 2015 30 48 670

5 Desember 2015 31 48 696

6 Januari 2016 31 80 664

7 Februari 2016 28 45 627

8 Maret 2016 31 24 720

9 April 2016 30 79 641

10 Mei 2016 31 48 696

11 Juni 2016 30 29 691

12 Juli 2016 31 101 643

13 Agustus 2016 31 33 711

14 September 2016 30 24 696

15 Oktober 2016 31 399 345

16 November 2016 30 25 695

17 Desember 2016 31 112 632

18 Januari 2017 31 312 432

19 Februari 2017 28 28 644

20 Maret 2017 31 28 716

21 April 2017 30 28 692

22 Mei 2017 31 28 716

TOTAL 669 1627 14421

Perhitungan jam operasi mesin Duplex

Mesin beroperasi selama 24 jam sehari dan 7 hari dalam 1 minggu

Contoh : Bulan Mei 2017

24(jam) x 31(hari) = 744 Jam, dikurangi waktu overhaul 28 jam . Jadi

waktu jam operasi selama bulan Mei 2017 adalah 744 – 28 = 716 jam.

4.1.4 Data Waktu Kerusakan Komponen Mesin Duplex

Data waktu kerusakan komponen ini merupakan data waktu saat mulai terjadi

kerusakan pada komponen sampai dengan waktu selesai perbaikan oleh pihak

maintenance. Berikut adalah data yang diambil berdasarkan kerusakan yang akan

dibahas.

1. Bearing

Berikut merupakan data kerusakan bearing yang terangkum dalam Tabel 4.6 .

Tabel 4.6 Data Kerusakan Bearing pada Mesin Duplex

No Work

order Tanggal

Waktu

Kerusakan

Waktu Selesai

Perbaikan

1 90794230 23-Agust-15 0:12 5:31

2 90802966 01-Sep-15 13:21 17:33

3 90810206 10-Sep-15 10:56 14:33

4 90891698 12-Des-15 20:03 23:45

5 90954586 21-Feb-16 11:34 15:47

6 90981310 20-Mar-16 15:45 21:34

7 90998018 08-Apr-16 17:22 21:11

8 91051594 09-Jun-16 2:37 6:55

9 91061161 18-Jun-16 9:14 14:55

10 91065779 22-Jun-16 4:21 8:57

11 91015270 25-Jul-16 9:56 15:22

12 91092738 26-Jul-16 7:33 12:09

13 90953679 27-Jul-16 14:39 19:00

14 91096319 30-Jul-16 16:39 21:23

15 91120399 23-Agust-16 18:22 22:45

16 91137721 11-Sep-16 11:57 17:22

17 91167186 14-Okt-16 15:38 20:57

18 91182681 31-Okt-16 8:34 13:01

19 91203525 23-nov-2016 16:15 22:45

20 91221663 10-Des-16 13:17 17:37

21 91211381 12-Jan-17 20:07 23:01

22 91249478 30-Jan-17 9:52 14:28

23 91223867 15-Feb-17 13:47 19:35

24 91261020 01-Feb-17 17:37 21:35

25 91263247 03-Feb-17 3:55 7:55

26 91314835 02-Apr-17 9:29 14:11

27 91314856 12-Apr-17 13:46 17:30

28 91332341 25-Apr-17 15:27 19:37

29 91350251 15-Mei-17 19:47 0:03

30 91353289 24-Mei-17 11:44 16:38

2. Rantai

Berikut merupakan data kerusakan pada komponen Rantai dalam Tabel 4.7

Tabel 4.7 Data Kerusakan Komponen Rantai

No Work

order Tanggal

Waktu

Kerusakan

Waktu

Selesai

Perbaikan

1 90860815 08-nov-15 11:00 12:47

2 90899771 19-Des-15 16:30 18:12

3 90918651 10-Jan-16 23:07 0:45

4 90937511 02-Feb-16 13:44 15:55

5 90945507 12-Feb-16 8:31 10:03

6 90946490 12-Feb-16 20:45 22:23

7 90974417 14-Mar-16 8:44 10:32

8 90974418 14-Mar-16 21:39 22:56

9 90982575 22-Mar-16 5:30 7:14

10 90982718 23-Mar-16 8:23 10:39

11 91003028 14-Apr-16 9:41 11:26

12 91015187 28-Apr-16 2:13 4:49

13 91019135 03-Mei-16 9:20 10:30

14 91033130 18-Mei-16 12:35 14:26

15 91033663 19-Mei-16 16:37 17:56

16 91007222 12-Jun-16 13:45 15:09

17 91065782 23-Jun-16 7:57 9:24

18 90992476 25-Jul-16 4:35 6:21

19 91094605 27-Jul-16 17:23 18:43

20 91096313 30-Jul-16 18:27 20:43

21 91109239 12-Agust-16 21:11 23:13

22 91167244 14-Okt-16 11:30 13:45

23 91178913 28-Okt-16 12:51 14:30

24 91181639 31-Okt-16 15:32 17:17

25 91190540 26-Des-16 19:29 21:34

26 91246246 12-Jan-17 10:38 12:31

3. Unwinder

Berikut merupakan data kerusakan Unwinder dalam Tabel 4.8.

Tabel 4.8 Data Kerusakan Unwinder pada Mesin Duplex

No Work order Tanggal Waktu

Kerusakan

Waktu

Selesai

Perbaikan

1 90785839 14-Agust-15 22:00 0:30

2 90905897 28-Des-15 17:20 21:10

3 90926693 19-Jan-16 13:45 17:30

4 90942571 06-Feb-16 18:39 22:41

Tabel 4.9 Data Kerusakan Unwinder pada Mesin Duplex (Lanjutan)

No Work order Tanggal Waktu

Kerusakan

Waktu

Selesai

Perbaikan

5 90970184 08-Mar-16 17:56 21:16

6 90974336 13-Mar-16 0:46 4:21

7 90974347 13-Mar-16 21:33 0:12

8 90979736 18-Mar-16 16:21 20:33

9 90990647 31-Mar-16 9:25 13:10

10 90994260 05-Apr-16 11:57 15:30

11 91043064 29-Mei-16 9:32 12:42

12 91002058 22-Jun-16 14:15 18:10

13 91091857 24-Jul-16 6:44 10:02

14 91092010 26-Jul-16 7:21 12:01

15 91109432 14-Agust-16 18:29 22:17

16 90994263 21-Agust-16 20:39 23:55

17 91199057 17-nov-16 13:51 16:34

18 91247828 12-Jan-17 21:33 23:12

19 91252506 05-Feb-17 9:33 12:53

20 91310291 29-Mar-17 10:56 13:47

4.2 Pengolahan Data

4.2.1 Perhitungan Time to Repair (TTR) dan Time to Failure (TTF)

Dalam perhitungan nilai time to failure (TTF), mesin Duplex yang beroperasi

selama 24 jam dalam sehari dan 7 hari dalam satu minggu. Sedangkan

perhitungan nilai Time to Repair (TTR) dihitung dari mulainya kerusakan sampai

selesai perbaikan. Sedangkan waktu antar kerusakan/kegagalan komponen (TTF)

dihitung mulai dari beroperasinya mesin sampai terjadi kegagalan atau kerusakan

kembali.

4.2.1.1 Perhitungan TTR dan TTF Komponen Bearing

Tabel 4.10 merupakan data perhitungan Time to Repair (TTR) dan Time to

Failure (TTF).

Tabel 4.10 Tabel Nilai TTR dan TTF untuk Komponen Bearing

No Tanggal Waktu

Kerusakan

Waktu

Selesai

Perbaikan

TTR

(jam) TTF (jam)

1 23-Agust-15 0:12 5:31 5,317 0,000

2 01-Sep-15 13:21 17:33 4,200 223,083

3 10-Sep-15 10:56 14:33 3,617 209,383

4 12-Des-15 20:03 23:45 3,700 2237,500

5 21-Feb-16 11:34 15:47 4,217 1691,816

6 20-Mar-16 15:45 21:34 5,817 671,966

7 08-Apr-16 17:22 21:11 3,817 475,799

8 09-Jun-16 2:37 6:55 4,300 1493,432

9 18-Jun-16 9:14 14:55 5,683 218,316

10 22-Jun-16 4:21 8:57 4,600 85,433

11 25-Jul-16 9:56 15:22 5,433 792,983

12 26-Jul-16 7:33 12:09 4,600 16,183

13 27-Jul-16 14:39 19:00 4,350 26,500

14 30-Jul-16 16:39 21:23 4,733 69,650

15 23-Agust-16 18:22 22:45 4,217 570,983

16 11-Sep-16 11:57 17:22 5,417 444,200

17 14-Okt-16 15:38 20:57 5,317 790,000

18 31-Okt-16 8:34 13:01 4,450 395,616

19 23-Nov-2016 16:15 22:45 6,500 555,233

20 10-Des-16 13:17 17:37 4,333 398,533

21 12-Jan-17 20:07 23:01 2,900 794,500

22 30-Jan-17 9:52 14:28 4,600 418,850

23 15-Feb-17 13:47 19:35 5,800 383,316

24 01-Feb-17 17:37 21:35 3,967 334,033

25 03-Feb-17 3:55 7:55 4,000 30,333

26 02-Apr-17 9:29 14:11 4,700 1393,566

27 12-Apr-17 13:46 17:30 3,733 239,583

28 25-Apr-17 15:27 19:37 4,167 309,950

29 15-Mei-17 19:47 0:03 4,267 480,166

30 24-Mei-17 11:44 16:38 4,900 227,683

Contoh perhitungan untuk nilai Time to Failure (TTF)

Mesin beroperasi selama 24 jam sehari dan 7 hari dalam seminggu

Contoh yang diambil tanggal 24 mei 2017 dimana terjadi kerusakan pada

jam 11:44

15 mei 2017 00:03 sampai 24:00 23,95

jam

15mei – 24 mei 8 hari kerja X 24 192 jam

24 mei 2017 00:00 sampai 11:44

11,733 jam

Nilai TTF = 227,683 jam

4.2.1.2. Perhitungan TTR dan TTF Komponen Rantai

Tabel 4.11 merupakan data nilai TTR dan TTF dari komponen Rantai.

Tabel 4.11 Data nilai TTF dan TTR Komponen Rantai

No Tanggal Waktu

Kerusakan

Waktu

Selesai

Perbaikan

TTR

(jam)

TTF

(jam)

1 08-nov-15 11:00 12:47 1,783 0,000

2 19-Des-15 16:30 18:12 1,700 987,716

3 10-Jan-16 23:07 0:45 1,633 532,916

4 02-Feb-16 13:44 15:55 2,183 564,983

5 12-Feb-16 8:31 10:03 1,533 232,600

6 12-Feb-16 20:45 22:23 1,633 10,700

7 14-Mar-16 8:44 10:32 1,800 706,350

8 14-Mar-16 21:39 22:56 1,283 11,116

9 22-Mar-16 5:30 7:14 1,733 174,566

10 23-Mar-16 8:23 10:39 2,100 25,150

11 14-Apr-16 9:41 11:26 1,750 527,033

12 28-Apr-16 2:13 4:49 2,600 326,783

13 03-Mei-16 9:20 10:30 1,167 124,516

14 18-Mei-16 12:35 14:26 1,850 362,083

15 19-Mei-16 16:37 17:56 1,317 26,183

16 12-Jun-16 13:45 15:09 1,400 571,816

17 23-Jun-16 7:57 9:24 1,450 256,800

18 25-Jul-16 4:35 6:21 1,767 763,183

19 27-Jul-16 17:23 18:43 1,333 59,033

20 30-Jul-16 18:27 20:43 2,267 71,733

21 12-Agust-16 21:11 23:13 2,033 312,466

22 14-Okt-16 11:30 13:45 2,250 1260,283

23 28-Okt-16 12:51 14:30 1,650 335,100

24 31-Okt-16 15:32 17:17 1,750 73,033

25 26-Des-16 19:29 21:34 2,083 1346,200

26 12-Jan-17 10:38 12:31 1,883 397,066

Contoh perhitungan untuk nilai TTF (Time to Failure)

Mesin beroperasi selama 24 jam sehari dan 7 hari dalam seminggu

Contoh yang diambil tanggal 12 Januari 2017 dimana terjadi kerusakan

pada jam 10:38

26 Desember 2016 21:34 sampai 24:00 2,433 jam

26 Des – 12 Jan 16 hari kerja X 24 384 jam

12 Januari 2017 00:00 sampai 10:38 10,633 jam

Nilai TTF = 397,633 jam

4.2.1.3. Perhitungan TTR dan TTF Komponen Unwinder

Tabel 4.12 merupakan data TTR dan TTF dari komponen Unwinder. Data diambil

dari awal mula kerusakan sampai selesai perbaikan (TTR) dan periode setelah

mesin beroperasi sampai terjadi kerusakan kembali (TTF)

Tabel 4.12 Data Nilai TTR dan TTR pada Komponen Unwinder

No Tanggal Waktu

Kerusakan

Waktu

Selesai

Perbaikan

TTR

(jam)

TTF

(jam)

1 14-Agust-15 22:00 0:30 2,500 0,000

2 28-Des-15 17:20 21:10 3,833 3280,833

3 19-Jan-16 13:45 17:30 3,750 520,583

4 06-Feb-16 18:39 22:41 4,033 433,150

5 08-Mar-16 17:56 21:16 3,333 715,250

6 13-Mar-16 0:46 4:21 3,583 99,500

7 13-Mar-16 21:33 0:12 2,650 17,200

8 18-Mar-16 16:21 20:33 4,200 136,150

9 31-Mar-16 9:25 13:10 3,750 276,866

10 05-Apr-16 11:57 15:30 3,550 118,783

11 29-Mei-16 9:32 12:42 3,167 1290,033

12 22-Jun-16 14:15 18:10 3,917 577,550

13 24-Jul-16 6:44 10:02 3,300 756,566

14 26-Jul-16 7:21 12:01 4,667 45,316

15 14-Agust-16 18:29 22:17 3,800 462,466

16 21-Agust-16 20:39 23:55 3,267 166,366

17 17-nov-16 13:51 16:34 2,717 2101,933

18 12-Jan-17 21:33 23:12 1,650 1348,983

19 05-Feb-17 9:33 12:53 3,333 562,350

20 29-Mar-17 10:56 13:47 2,850 1246,050

Contoh perhitungan untuk nilai TTF (Time to Failure)

Mesin beroperasi selama 24 jam sehari dan 7 hari dalam seminggu

Contoh yang diambil tanggal 29 Maret 2017 dimana terjadi kerusakan

pada jam 10:56

05 Februari 2017 12:53 sampai 24:00 11,116 jam

05 Feb – 29 Maret 51 hari kerja X 24 1224 jam

29 Maret 2017 00:00 sampai 10:56 10,933 jam

Nilai TTF = 1246,049 jam

4.2.2 Identifikasi Pola Distribusi dan Parameter

Setelah mendapatkan hasil angka Time to Repair (TTR) dan Time to Failure

(TTF), langkah selanjutnya mencari pola distribusi yang paling tepat untuk

melakukan penelitian. Pola distribusi tersebut dicari menggunakan bantuan

software. Untuk software yang akan digunakan adalah statistika. Dalam penelitian

menggunakan statistika ini untuk melakukan uji kesesuaian data atau Goodness of

Fit Test untuk mendapatkan nilai Anderson Darlling (AD) dan nilai P-Value

dalam beberapa distribusi. Jika nilai AD semakin kecil makapola distribusi akan

semakin baik. Penentuan distribusi yang tepat berdasarkan nilai AD terkecil.

4.2.2.1 Identifikasi Pola Distribusi dan Parameter TTR

Pengujian menggunakan software statistika akan didapatkan pola distribusi yang

cocok dari ketiga komponen yang dilakukan penelitian. Identifikasi pola distribusi

ini akan digunakan sebagai dasar untuk mencari perhitungan dalam penelitian.

Berikut merupakan hasil dari ketiga komponen yang sudah didapatkan melalui

software statistika.

Untuk penentuan distribusi yang digunakan dalam penelitian akan dicek nilai

Andersen Darling (AD) dan P-value dengan hipotesis sebagai berikut

H0: Data fit untuk distribusi tertentu

H1: Data tidak fit untuk distribusi tertentu

α : 0,05

Teori sebagai acuan pengambilan keputusan:

Terima H0 : jika P-Value > α

Tolak H1 : jika P-Value < α

1. Bearing

Dari Gambar 4.5 dapat dilihat dari ploting data bahwa distribusi yang dihasilkan

adalah Normal dengan nilai AD 0,52 kemudian Exponential dengan nilai AD

9,705 . Untuk distribusi weibull nilai AD 0,766 dan yang terakhir nilai distribusi

lognormal nilai AD adalah 0,351.

Gambar 4.5 Distribusi TTR Komponen Bearing

1. Rantai

Dari Gambar 4.6 dapat dilihat dari ploting data bahwa distribusi yang dihasilkan

adalah Normal dengan nilai AD 0,272 kemudian Exponential dengan nilai AD

7,915 . Untuk distribusi weibull nilai AD 0,405 dan yang terakhir nilai distribusi

lognormal nilai AD adalah 0,238.

Gambar 4.6 Distribusi TTR Komponen Rantai

2. Unwinder

Dari Gambar 4.7 dapat dilihat dari ploting data bahwa distribusi yang dihasilkan

adalah Normal dengan nilai AD 0,314 kemudian Exponential dengan nilai AD

6,032. Untuk distribusi weibull nilai AD 0,213 dan yang terakhir nilai distribusi

lognormal nilai AD adalah 0,691.

Gambar 4.7 Distribusi TTR Komponen Unwinder

Setelah diketahui nilai distribusi dari masing-masing komponen maka dapat

ditentukan distribusi yang cocok untuk melakukan penelitian ini. Tabel 4.13

merupakan hasil dari identifikasi nilai distribusi berdasarkan nilai Anderson

Darling (AD).

Tabel 4.13 Pola Distribusi dan Nilai Anderson Darling (AD) TTR

No Komponen Distribusi Nilai

AD P-Value Result

1 Bearing

Normal 0,52 0,172 OK

Eksponential 9,705 <0,003 NOT OK

Weibull 0,766 0,042 NOT OK

Lognormal 0,351 0,446 OK

2 Rantai

Normal 0,272 0,641 OK

Eksponential 7,915 <0,003 NOT OK

Weibull 0,405 >0,250 NOT OK

Lognormal 0,238 0,759 OK

3 Unwinder

Normal 0,314 0,518 OK

Eksponential 6,032 <0,003 NOT OK

Weibull 0,213 >0,250 OK

Lognormal 0,691 0,06 OK

Berdasarkan hasil perhitungan yang didapat maka untuk komponen Bearing

menggunakan pola distribusi Lognormal karena menghasilkan nilai AD terkecil

yaitu 0,351. Kemudian untuk pola distribusi TTR dari komponen Rantai adalah

Lognormal dengan nilai AD 0,238 .Sedangkan untuk komponen Unwinder

menggunakan pola distribusi Weibull dengan nilai AD sebesar 0,213.

Setelah didapatkan pola distribusi yang cocok dari masing-masing komponen

maka langkah selanjutnya adalah melakukan perhitungan untuk mencari Mean

Time To Repair (MTTR) dengan memperhatikan nilai scale parameter dan

median. Tabel 4.14 merupakan Tabel parameter Distribusi.

Tabel 4.14 Parameter Distribusi Komponen

Komponen Parameter

Scale Median

Bearing 0,17175 4,4

Rantai 0,19612 1,75

Unwinder 3,65451 3,44167

Hasil perhitungan menggunakan software statistika menunjukkan nilai disetiap

komponen yang dihitung. Untuk komponen bearing yaitu scale parameter

bernilai 0,17175, mean 4,58833, standar deviasi 0,787792, dan median 4,4. Untuk

distribusi lognormal. Kemudian untuk komponen rantai yaitu scale parameter

bernilai sebesar 0,19612, mean nilainya sebesar 1,76667, standar deviasi

0,345511, dan median didapat 1,75 untuk distribusi lognormal.

Sedangkan komponen unwinder diantaranya scale parameter bernilai 3,65451,

mean 3,3925, standar deviasi 0,682712, dan median 3,44167 untuk distribusi

Weibull.

4.2.2.2 Identifikasi pola Distribusi dan Parameter TTF (Time to Failure)

Untuk mengidentifikasi pola distribusi TTF masing-masing komponen dengan

menggunakan bantuan software statistika.

1. Bearing

Untuk memilih distribusi yang cocok untuk digunakan dalam perhitungan, maka

untuk membantu memudahkan yaitu menggunakan bantuan software statistika.

Hasil yang dipilih yaitu distribusi yang memiliki nilai Anderson Darling (AD)

paling kecil. Gambar 4.8 merupakan hasil perhitungan komponen bearing

menggunakan software statistika.

Gambar 4.8 Identifikasi Pola Distribusi TTF Bearing

Dari gambar diatas dapat disimpulkan bahwa distribusi yang digunakan yaitu

distribusi normal dengan nilai AD 1,928. Untuk distribusi Exponential

mempunyai nilai AD 0,419. Untuk distribusi Weibull mempunyai nilai AD 0,39

dan untuk distribusi lognormal mempunyai nilai AD 0,88.

2. Rantai

Berikut hasil perhitungan untuk komponen rantai yang terdapat pada Gambar 4.9.

Gambar 4.9 Identifikasi Pola Distribusi TTF Rantai

Dari Gambar 4.9 diatas dapat disimpulkan bahwa distribusi yang digunakan yaitu

distribusi normal dengan nilai AD 0,933. Untuk distribusi Exponential

mempunyai nilai AD 0,385. Untuk distribusi Weibull mempunyai nilai AD 0,345

dan untuk distribusi lognormal mempunyai nilai AD 0,81.

3. Unwinder

Berikut hasil perhitungan untuk komponen rantai yang terdapat pada gambar 4.10.

Gambar 4.10 Identifikasi Pola Distribusi TTF Unwinder

Dari gambar di atas dapat disimpulkan bahwa distribusi yang digunakan yaitu

distribusi normal dengan nilai AD 1,321. Untuk distribusi Exponential

mempunyai nilai AD 0,247. Untuk distribusi Weibull mempunyai nilai AD 0,17

dan untuk distribusi lognormal mempunyai nilai AD 0,32.

Setelah diketahui nilai distribusi dari masing-masing komponen maka dapat

ditentukan distribusi yang cocok untuk melakukan penelitian ini. Tabel 4.15

merupakan hasil dari identifikasi nilai distribusi berdasarkan nilai Anderson

Darling (AD).

Tabel 4.15 Pola Distribusi dan Nilai Anderson Darling TTF

No Komponen Distribusi Nilai

AD P-Value Result

1 Bearing

Normal 1,928 <0,005 NOT OK

Eksponential 0,419 0,594 OK

Weibull 0,39 >0,250 OK

Lognormal 0,88 0,021 NOT OK

2 Rantai

Normal 0,933 0,015 NOT OK

Eksponential 0,385 0,655 OK

Weibull 0,345 >0,250 OK

Lognormal 0,81 0,031 NOT OK

3 Unwinder

Normal 1,321 <0,005 NOT OK

Eksponential 0,247 0,888 OK

Weibull 0,17 >0,250 OK

Lognormal 0,32 0,508 OK

Berdasarkan hasil perhitungan yang didapat maka untuk komponen Bearing

menggunakan pola distribusi Weibull karena menghasilkan nilai AD terkecil yaitu

0,39. Kemudian untuk pola distribusi TTF dari komponen Rantai adalah Weibull

dengan nilai AD 0,345 .Sedangkan untuk komponen Unwinder menggunakan

pola distribusi Weibull dengan nilai AD sebesar 0,17.

Setelah didapatkan pola distribusi yang cocok dari masing-masing komponen

maka langkah selanjutnya yaitu melakukan perhitungan Mean Time To Failure

(MTTF) dengan memperhatikan nilai scale parameter dan median. Tabel 4.16

merupakan parameter Distribusi.

Tabel 4.16 Parameter Distribusi Setiap Komponen

Komponen Parameter

Distribution Scale Mean Std. Deviation Median

Bearing Weibull 564,0592 550,986 533,559 398,533

Rantai Weibull 396,1011 402,376 376,654 326,783

Unwinder Weibull 718,0463 745,049 824,19 520,583

Berdasarkan hasil perhitungan nilai TTF menggunakan software statistika

menunjukkan beberapa data untuk masing-masing komponen. Untuk komponen

bearing yaitu scale parameter 564,0592, mean 550,986, standar deviasi 533,559,

dan median bernilai sebesar 398,533 untuk distribusi weibull. Kemudian untuk

komponen rantai yaitu scale parameter didapatkan 396,1011, mean 402,376,

standar deviasi 376,654, dan median bernilai 326,783 untuk distribusi weibull.

Lalu pada komponen unwinder diantaranya scale parameter 718,0463, mean

745,049, standar deviasi 824,19, dan median bernilai sebesar 520,583 untuk

distribusi weibull.

4.2.3 Menghitung MTTR (Mean Time To Repair)

Mean time to repair (MTTR) didefinisikan sebagai waktu rata-rata yang

dibutuhkan untuk perbaikan. MTTR menunjukkan nilai availability dan bukan

reliability. Semakin tinggi nilai MTTR maka akan semakin buruk. Tabel 4.17

merupakan perhitungan nilai MTTR.

Tabel 4.17 Tabel Nilai MTTR Komponen Bearing, Rantai dan Unwinder

Komponen Distribusi Scale

(𝜃)

Shape

(β) Tmed

Gamma

(Ѓ) MTTR

Bearing Lognormal 0,17175 6,15267 4,4 - 4,465

Rantai Lognormal 0,19612 5,48878 1,75 - 1,784

Unwinder Weibull 3,65451 6,07537 3,44167 0,92980 3,398

Cara menghitung MTTR

1. Bearing :

𝑴𝑻𝑻𝑹 = 𝒕𝒎𝒆𝒅 . 𝒆(

𝒔𝟐

𝟐)

𝑴𝑻𝑻𝑹 = 𝟒, 𝟒 . 𝒆(

(𝟎,𝟏𝟕𝟏𝟕𝟓)𝟐

𝟐)

= 𝟒, 𝟒𝟔𝟓 2. Rantai :

𝑴𝑻𝑻𝑹 = 𝒕𝒎𝒆𝒅 . 𝒆(

𝒔𝟐

𝟐)

𝑴𝑻𝑻𝑹 = 𝟏, 𝟕𝟓 . 𝒆(

(𝟎,𝟏𝟗𝟔𝟏𝟐)𝟐

𝟐)

= 𝟏, 𝟕𝟖𝟒

3. Unwinder :

𝑴𝑻𝑻𝑹 = (𝜽)(𝚪) (𝟏 +𝟏

𝜷)

Which Γ(x) = Gamma Function

𝑴𝑻𝑻𝑹 = (𝟑, 𝟔𝟓𝟒𝟓𝟏)(𝚪) (𝟏 +𝟏

𝟔,𝟎𝟕𝟓𝟑𝟕) = (𝟑, 𝟔𝟓𝟒𝟓𝟏)(𝚪 𝟏, 𝟏𝟔𝟒) = 3,398

4.2.4 Menghitung MTTF (Mean Time To Failure)

Mean time to failure merupakan rata-rata waktu antara kegalalan atau kerusakan.

Berikut tabel 4.18 merupakan nilai MTTF dari setiap komponen.

Tabel 4.18 Tabel MTTF Komponen Bearing, Rantai, dan Unwinder

Komponen Distribusi Scale

(𝜃) Shape (β)

Gamma

(Ѓ) MTTF

Bearing Weibull 564,0592 1,06112 0,97610 550,578

Rantai Weibull 396,1011 0,96247 1,01758 403,064

Unwinder Weibull 718,0463 0,92534 1,03650 744,255

Cara menghitung MTTF dengan distribusi Weibull

1. Bearing

𝑴𝑻𝑻𝑭 = (𝜽)(𝚪) (𝟏 +𝟏

𝜷)

Which Γ(x) = Gamma Function

𝑴𝑻𝑻𝑭 = (𝟓𝟔𝟒, 𝟎𝟓𝟗𝟐)(𝚪) (𝟏 +𝟏

𝟏,𝟎𝟔𝟏𝟏𝟐) = (𝟓𝟔𝟒, 𝟎𝟓𝟗𝟐)(𝚪 𝟏, 𝟗𝟒𝟐) = 550,578

2. Rantai

𝑴𝑻𝑻𝑭 = (𝜽)(𝚪) (𝟏 +𝟏

𝜷)

Which Γ(x) = Gamma Function

𝑴𝑻𝑻𝑭 = (𝟑𝟗𝟔, 𝟏𝟎𝟏𝟏)(𝚪) (𝟏 +𝟏

𝟎,𝟗𝟔𝟐𝟒𝟕) = (𝟑𝟗𝟔, 𝟏𝟎𝟏𝟏)(𝚪 𝟐, 𝟎𝟒) = 𝟒𝟎𝟑, 𝟎𝟔𝟒

3. Unwinder

𝑴𝑻𝑻𝑭 = (𝜽)(𝚪) (𝟏 +𝟏

𝜷)

Which Γ(x) = Gamma Function

𝑴𝑻𝑻𝑭 = (𝟕𝟏𝟖, 𝟎𝟒𝟔𝟑)(𝚪) (𝟏 +𝟏

𝟎, 𝟗𝟐𝟓𝟑𝟒) = (𝟕𝟏𝟖, 𝟎𝟒𝟔𝟑)(𝚪 𝟐, 𝟎𝟖)

= 𝟕𝟒𝟒, 𝟐𝟓𝟓

4.2.5 Repair Time Data (Tf) dan Preventive Maintenance Time Data (Tp)

Repair time adalah keseluruhan waktu yang dibutuhkan untuk bagian

maintenance melakukan perbaikan suatu komponen atau mesin yang rusak.

Repair time dihitung dari mulainya mesin tersebut mengalami kerusakan pada

komponennya sampai dengan maintenance selesai melakukan perbaikan dan

mesin beroperasi seperti semula. Repair time (Tf) adalah waktu perbaikan

sebelum adanya preventive maintenance yaitu MTTR yang sudah dihitung pada

tabel diatas untuk setiap komponen. Sedangkan preventime maintenance time

adalah total waktu yang dibutuhkan untuk mengganti komponen yang mengalami

kerusakan setelah adanya waktu penjadwalan. Perbedaannya terletak pada waktu

perbaikan. Jika saat Tf maka acuan waktu yang digunakan adalah perbaikan

secara mendadak yang menimbulkan idle time antara waktu mulai mesin rusak

dengan waktu mulai perbaikan sehingga waktu yang dibutuhkan saat perbaikan

lebih lama. Tabel 4.19 merupakan waktu perbaikan Tf dan Tp.

Tabel 4.19 Repair Time Data (Tf) dan Preventive Maintenance Time Data (Tp)

Komponen Mean Time To Repair

(hours)

Mean time To Preventive

Maintenance (hours)

Bearing 4,465 4

Rantai 1,784 1,5

Unwinder 3,398 3

4.2.6 Perhitungan Hasil Produksi

Perhitungan hasil produksi diperlukan untuk mengetahui secara aktual kapasitas

produksi perhari dan per jam. Data output produksi diambil selama 5 hari mulai

tanggal 8 Mei 2017 sampai 12 Mei 2017. Tabel 4.20 berikut merupakan tabel

yang menggambarkan output produksi.

Berdasarkan tabel dibawah dapat dilihat bahwa rata-rata output yang dihasilkan

oleh mesin Duplex adalah 16,43ton/jam. Hasil tersebut juga merupakan output

ideal dan akan digunakan untuk menghitung maintenance cost..

Tabel 4.20 Aktual Output Produksi

08-Mei 09-Mei 10-Mei 11-Mei 12-Mei Rata-rata

Production output

per day(ton) 432,6150 426,222 381,285 329,068 402,369 394,3118

Production output

per shift(ton) 144,205 142,074 127,095 109,6893 134,123 131,4373

Production output

per hour (ton) 18,02563 17,75925 15,88688 13,71117 16,76538 16,42966

Reject 5,385 11,778 56,715 52,932 1,369 25,6358

Reject Ratio per

day 1,24% 2,76% 14,87% 16,09% 0,34% 6,50%

4.2.7 Perhitungan Biaya Maintenance

Untuk menghitung biaya perbaikan komponen diperlukan beberapa data yang

dapat mendukung untuk digunakan dalam perhitungan. Berikut data pendukung

yang digunakan.

1. Aktual output produksi mesin duplex yaitu 16,43 ton/jam

2. Production loss jika terjadi kerusakan pada komponen Rp 10.000/ton

3. Harga untuk komponen bearing Rp 201.700/pcs

4. Harga untuk komponen Rantai (connecting link) adalah Rp 5.000/pcs

5. Harga untuk komponen unwinder adalah Rp 54.700/pcs

6. Gaji untuk mekanik Rp 3.950.000/bulan (UMK Kab.Bekasi) Diasumsikan

bahwa mekanik kerja 26 hari dalam sebulan yang mana 8jam/hari. Jadi

gaji maintenance untuk 1jam kerja adalah RP 18.990/jam.

4.2.7.1 Menghitung Biaya Corrective Maintenance (Cf)

Biaya corrective maintenance (Cf) adalah biaya yang dibutuhkan dalam

kegagalan mesin dengan biaya yang digunakan untuk penggantian komponen

tersebut. Corrective maintenance juga merupakan biaya yang timbul diakibatkan

oleh kerusakan yang secara mendadak atau tiba-tiba. Rumus yang akan digunakan

untuk menghitung biaya corrective maintenance.

Cf = Harga Komponen + (waktu downtime X gaji per jam) + (kapasitas

produksi X downtime X production loss)

Berikut perhitungan untuk masing-masing komponen

Bearing

Cf = Rp 201.700 + (4,465 x Rp 18.990) + (16,43 x 4,465 x Rp

10.000)

= Rp 201.700 + Rp 84.790,32 + Rp 733.599,5

= Rp 1.020.089,82

Jadi untuk biaya corrective maintenance komponen bearing adalah Rp.

1.020.089,82

Rantai

Cf = Rp 5.000 + (1,784 x Rp 18.990) + (16,43 x 1,784 x Rp

10.000)

= Rp 5.000 + Rp 33.878,16 + Rp 293.111,2

= Rp 331.989,36

Jadi untuk biaya corrective maintenance komponen rantai adalah Rp 331.989,36

Unwinder

Cf = Rp 54.700 + (3,398 x Rp 18.990) + (16,43 x 3,398 x Rp

10.000)

= Rp 54.700 + Rp 64.528,02 + Rp 558.291,4

= Rp 677.519,42

Jadi untuk biaya corrective maintenance komponen unwinder adalah Rp

677.519,42

4.2.7.2 Menghitung Biaya Preventive Maintenance (Cp)

Biaya preventive maintenance (Cp) merupakan biaya yang akan timbul

diakibatkan oleh perbaikan komponen yang terjadwal. Waktu yang akan

digunakan hanya satu untuk penggantian komponen. Jadi tidak ada waktu tunggu

mekanik yang akan datang karena sudah terjadwal dan komponennya akan diganti

pada waktu yang tepat yang sudah ditentukan. Berikut rumus yang digunakan

untuk menghitung biaya preventive maintenance .

Cp = Harga Komponen + (waktu penggantian X gaji per jam) + (kapasitas

produksi X waktu penggantian X production loss)

Berikut perhitungan untuk masing-masing komponen

Bearing

Cp = Rp 201.700 + (4 x Rp 18.990) + (16,43 x 4 x Rp 10.000)

= Rp 201.700 + Rp 75.960 + Rp 657.200

= Rp 934.860

Jadi untuk biaya corrective maintenance komponen bearing adalah Rp. 934.860

Rantai

Cp = Rp 5.000 + (1,5 x Rp 18.990) + (16,43 x 1,5 x Rp 10.000)

= Rp 5.000 + Rp 28.485 + Rp 246.450

= Rp 279.935

Jadi untuk biaya corrective maintenance komponen rantai adalah Rp 279.935

Unwinder

Cp = Rp 54.700 + (3 x Rp 18.990) + (16,43 x 3 x Rp 10.000)

= Rp 54.700 + Rp 56.970 + Rp 492.900

= Rp 604.570

Jadi untuk biaya corrective maintenance komponen unwinder adalah Rp 604.570

4.2.8 Menghitung Interval Penggantian Komponen

Dalam perhitungan interval penggantian komponen sangat penting untuk

mengetahui distribusi yang digunakan. Pada kasus ini distribusi yang didapat

melalui software statistika yaitu dari ketiga komponen bearing, rantai, dan

unwinder menggunakan distribusi weibull.

Berikut perhitungan dengan menggunakan distribusi weibull :

1. Bearing

Probability Density Function (PDF)

𝑓(𝑡) =𝛽

𝜃(

𝑡

𝜃)

𝛽−1

𝑒(𝑡

𝜃)

𝛽

f(550)= 1,06112

564,0592(

550

564,0592)

1,06112−1

𝑒(

550

564,0592)

1,06112

f(550) = 0,0007695

Cumulative Distribution Function (CDF)

𝐹(𝑡) = 1 − 𝑒−(𝑡

𝜃)

𝛽

𝐹(550) = 1 − 𝑒−(

550

564,0592)

1,06112

F(550) = 0,62227

Reliability Function (keandalan)

𝑅(𝑡) = 𝑒−(𝑡𝜃

)𝛽

𝑅(550) = 𝑒−(

550564,0592

)1,06112

R(550) = 0,377

Commulative Hazard Function

𝐻(𝑡) = (𝑡

𝜃)

𝛽

H(550) = (550

564,0592)

1,06112

H(550) = 0,9736

Cost per unit of time Ct

𝐶(𝑡) =𝐶𝑝 + (𝐶𝑓 x 𝐻(𝑡))

𝑡

𝐶(550) =934.860 + (1.020.089,82 x 0,9736)

550

C(550) = Rp 3505,49

Berikut merupakan hasil perhitungan dari komponen bearing

Tabel 4.21 Perhitungan Interval Penggantian Komponen Bearing

t f(t) F(t) R(t) H(t) C(t)

150 0,001358 0,217491 0,782509 0,24525 7900,244

170 0,001321 0,24428 0,75572 0,280084 7179,828

190 0,001284 0,270335 0,729665 0,31517 6612,432

210 0,001247 0,295653 0,704347 0,350484 6154,213

230 0,001211 0,320232 0,679768 0,386003 5776,6

250 0,001174 0,344077 0,655923 0,421712 5460,178

Tabel 4.22 Perhitungan Interval Penggantian Komponen Bearing (Lanjutan)

t f(t) F(t) R(t) H(t) C(t)

270 0,001138 0,367197 0,632803 0,457597 5191,296

290 0,001103 0,389602 0,610398 0,493644 4960,074

310 0,001068 0,411303 0,588697 0,529844 4759,189

330 0,001034 0,432314 0,567686 0,566187 4583,096

350 0,001 0,452649 0,547351 0,602665 4427,521

370 0,000967 0,472323 0,527677 0,63927 4289,117

390 0,000936 0,491351 0,508649 0,675997 4165,225

410 0,000904 0,50975 0,49025 0,712839 4053,707

430 0,000874 0,527535 0,472465 0,749791 3952,824

450 0,000845 0,544723 0,455277 0,786849 3861,147

470 0,000816 0,56133 0,43867 0,824007 3777,492

490 0,000788 0,577372 0,422628 0,861262 3700,866

510 0,000761 0,592865 0,407135 0,89861 3630,437

530 0,000735 0,607825 0,392175 0,936048 3565,496

550 0,00071 0,622269 0,377731 0,973572 3505,438

Berdasarkan perhitungan Tabel 4.21 dan 4.22 dapat dilihat bahwa interval waktu

perawatan memiliki hubungan dengan biaya. Bila waktu interval perawatan

semakin pendek maka biayanya semakin besar. Kondisi ini dapat dilihat pada

Gambar 4.11. Itu contohnya adalah untuk interval waktu 290 jam mesin memiliki

61 % reliabilitas dan biayanya Rp 4.960. Jika waktu jeda semakin pendek menjadi

190 jam, maka biaya dan keandalan mesin akan meningkat. Keandalan mesin

menjadi 73% sedangkan biaya Rp 6.612. Informasi rinci dapat dilihat di Tabel 4.21

dan 4.22. Berikut gambar 4.11 hubungan antara R(t), C(t), dan t.

Gambar 4.11 Komparasi Keandalan, Biaya, dan Interval Waktu Komponen Bearing

78% 76% 73% 70% 68% 66% 63% 61% 59% 57% 55% 53% 51% 49% 47% 46% 44% 42% 41% 39% 38% 0

100

200

300

400

500

600

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

C(t)

R(t)

t

2. Rantai

Probability Density Function (PDF)

𝑓(𝑡) =𝛽

𝜃(

𝑡

𝜃)

𝛽−1

𝑒(𝑡

𝜃)

𝛽

𝑓(400) =0,96247

396,1011(

400

396,1011)

0,96247−1

𝑒(

400396,1011

)0,96247

F(400) = 0,00088514

Cumulative Distribution Function (CDF)

𝐹(𝑡) = 1 − 𝑒−(𝑡

𝜃)

𝛽

𝐹(400) = 1 − 𝑒−(

400396,1011

)0,96247

F(400) = 0,6356

Reliability Function (keandalan)

𝑅(𝑡) = 𝑒−(𝑡𝜃

)𝛽

𝑅(400) = 𝑒−(

400396,1011

)0,96247

R(400) = 0,3644

Commulative Hazard Function

𝐻(𝑡) = (𝑡

𝜃)

𝛽

𝐻(400) = (400

396,1011)

0,96247

H(400) = 1,0095

Cost per unit of time

𝐶(𝑡) =𝐶𝑝 + (𝐶𝑓 x 𝐻(𝑡))

𝑡

𝐶(400) =279.935 + (331.989,36 x 1,0095)

400

C(400) = Rp 1537,69

Berikut merupakan hasil perhitungan yang didapat

Tabel 4.23 Perhitungan Interval Penggantian Komponen Rantai

Mission (t) f(t) F(t) R(t) H(t) C(t)

100 0,001961 0,233443 0,766557 0,265846 3681,929

120 0,001851 0,271552 0,728448 0,316839 3209,353

140 0,00175 0,307546 0,692454 0,367514 2871,04

160 0,001655 0,341582 0,658418 0,417916 2616,742

180 0,001567 0,373798 0,626202 0,468082 2418,518

200 0,001485 0,404312 0,595688 0,518038 2259,591

220 0,001408 0,433233 0,566767 0,567808 2129,278

240 0,001335 0,460659 0,539341 0,617407 2020,448

260 0,001267 0,486678 0,513322 0,666851 1928,164

280 0,001203 0,511372 0,488628 0,716153 1848,893

300 0,001142 0,534816 0,465184 0,765323 1780,046

320 0,001085 0,557081 0,442919 0,814369 1719,678

340 0,001031 0,578232 0,421768 0,863301 1666,299

360 0,00098 0,59833 0,40167 0,912124 1618,752

380 0,000931 0,617431 0,382569 0,960846 1576,12

400 0,000885 0,635589 0,364411 1,009472 1537,672

Berdasarkan perhitungan Tabel 4.23 dapat dilihat bahwa interval waktu perawatan

memiliki hubungan dengan biaya. Bila waktu interval perawatan semakin pendek

maka biayanya semakin besar. Kondisi ini dapat dilihat pada Gambar 4.12. Itu

contohnya adalah untuk interval waktu 400 jam mesin memiliki 36 % reliabilitas

dan biayanya Rp 1.537. Jika waktu jeda semakin pendek menjadi 100 jam, maka

biaya dan keandalan mesin akan meningkat. Keandalan mesin menjadi 76%

sedangkan biaya Rp 3.681.

Sdlanjutnya, informasi rinci dapat dilihat di Tabel 4.23. Berikut gambar hubungan

antara R(t), C(t), dan t. Tabel di atas menunjukkan waktu interval perbaikan untuk

komponen rantai. Waktu untuk kegagalan komponen rantai untuk perbaikan /

penggantian aktivitas menerima distribusi weibull. Hasil yang tertulis pada tabel

di atas diperoleh dengan menggunakan rumus untuk distribusi weibull . Untuk

komponen rantai, interval perawatan yang akan digunakan adalah di interval

waktu 180 jam karena mengacu pada tingkat keandalan minimal yaitu 60%.

Dengan waktu 180 jam tersebut berada ditingkat keandalan sebesar 62% dan

biaya Rp 2.418. Sedangakan Gambar 4.12 menunjukkan R(t), C(t), dan t.

Gambar 4.12 Komparasi Keandalan, Biaya, dan Interval Waktu Komponen Rantai

3. Unwinder

Probability Density Function (PDF)

𝑓(𝑡) =𝛽

𝜃(

𝑡

𝜃)

𝛽−1

𝑒(𝑡

𝜃)

𝛽

𝑓(745) =0,92534

718,0463(

745

718,0463)

0,92534−1

𝑒(

745718,0463

)0,92534

f(745) = 0,000456

Cumulative Distribution Function (CDF)

𝐹(𝑡) = 1 − 𝑒−(𝑡

𝜃)

𝛽

𝐹(745) = 1 − 𝑒−(

745718,0463

)0,92534

F(745) = 0,644

Reliability Function (keandalan)

𝑅(𝑡) = 𝑒−(𝑡𝜃

)𝛽

𝑅(745) = 𝑒−(

745718,0463

)0,92534

R(745) = 0,355

Commulative Hazard Function

77% 73% 69% 66% 63% 60% 57% 54% 51% 49% 47% 44% 42% 40% 38% 36% 0

50

100

150

200

250

300

350

400

450

0

500

1000

1500

2000

2500

3000

3500

4000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

R(t)

C(t)

Mission (t)

𝐻(𝑡) = (𝑡

𝜃)

𝛽

𝐻(745) =(745

718,0463)

0,92534

𝐻(745) = 1,0347

Cost per unit of time

𝐶(𝑡) =𝐶𝑝 + (𝐶𝑓 x 𝐻(𝑡))

𝑡

𝐶(745) =604.570 + (677.519,42 x 1,0347)

745

C(745) = Rp 1752,48

Berdasarkan perhitungan Tabel 4.24 dapat dilihat bahwa interval waktu perawatan

memiliki hubungan dengan biaya. Bila waktu interval perawatan semakin pendek

maka biayanya semakin besar. Kondisi ini dapat dilihat pada Gambar 4.13. Itu

contohnya adalah untuk interval waktu 750 jam mesin memiliki 35 % reliabilitas

dan biayanya Rp 1.746. Jika waktu jeda semakin pendek menjadi 210 jam, maka

biaya dan keandalan mesin akan meningkat. Keandalan mesin menjadi 72%

sedangkan biaya Rp 3.913.

Informasi rinci dapat dilihat di Tabel 4.24. Berikut gambar hubungan antara R(t),

C(t), dan t. Tabel di atas menunjukkan waktu interval perbaikan untuk komponen

rantai. Waktu untuk kegagalan komponen rantai untuk perbaikan / penggantian

aktivitas menerima distribusi weibull. Hasil yang tertulis pada tabel di atas

diperoleh dengan menggunakan rumus untuk distribusi weibull . Untuk komponen

unwinder menggunakan interval waktu 330 jam sebagai acuan perawatan dengan

keandalan 61% dan biaya Rp 2.831. Sedangakan Gambar 4.13 menunjukkan R(t),

C(t), dan t.

Tabel 4.24 Perhitungan Interval Penggantian Komponen Unwinder

t f(t) F(t) R(t) H(t) C(t)

210 0,001025 0,274269 0,725731 0,320575 3913,172

230 0,00099 0,294416 0,705584 0,34873 3655,832

250 0,000957 0,313879 0,686121 0,376702 3439,171

270 0,000925 0,332694 0,667306 0,404507 3254,19

290 0,000895 0,350894 0,649106 0,432159 3094,365

310 0,000866 0,368507 0,631493 0,459668 2954,852

330 0,000839 0,385561 0,614439 0,487046 2831,978

350 0,000813 0,402081 0,597919 0,514299 2722,908

370 0,000788 0,418088 0,581912 0,541437 2625,416

390 0,000764 0,433606 0,566394 0,568465 2537,733

470 0,000677 0,491147 0,508853 0,675596 2260,211

490 0,000657 0,504484 0,495516 0,702157 2204,683

510 0,000638 0,517433 0,482567 0,728636 2153,403

530 0,00062 0,530008 0,469992 0,755039 2105,893

550 0,000602 0,54222 0,45778 0,781367 2061,748

570 0,000585 0,554084 0,445916 0,807624 2020,616

590 0,000568 0,56561 0,43439 0,833812 1982,193

610 0,000552 0,57681 0,42319 0,859934 1946,216

630 0,000537 0,587695 0,412305 0,885992 1912,455

650 0,000522 0,598275 0,401725 0,911988 1880,707

670 0,000507 0,608561 0,391439 0,937925 1850,794

690 0,000493 0,618561 0,381439 0,963804 1822,559

710 0,000479 0,628284 0,371716 0,989626 1795,861

730 0,000466 0,637741 0,362259 1,015395 1770,575

750 0,000454 0,646938 0,353062 1,041111 1746,591

Gambar 4.13 Komparasi Keandalan, Biaya, dan Interval Waktu Komponen

Unwinder

73% 71% 69% 67% 65% 63% 61% 60% 58% 57% 55% 54% 52% 51% 50% 48% 47% 46% 45% 43% 42% 41% 40% 39% 38% 37% 36% 35% 0

100

200

300

400

500

600

700

800

0

500

1000

1500

2000

2500

3000

3500

4000

4500

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

R(t)

C(t)

t

4.3 Analisis Data

Dalam analisis data terdapat semua hasil perhitungan dari penelitian diatas.

4.3.1 Analisis Time to Repair (TTR) dan Time to Failure (TTF)

Setelah menentukan komponen kritis pada mesin duplex melalui analisis diagram

pareto maka langkah selanjutnya adalah menghitung waktu time to repair dan

time to failure. Time to repair (TTR) adalah waktu yang dibutuhkan oleh

maintenance untuk melakukan perbaikan kerusakan komponen sedangkan time to

failure adalah waktu interval antara mesin selesai diperbaiki sampai mesin tersbut

mengalami kerusakan kembali. Di sini, kegagalan mesin harus berasal dari

komponen yang sama. Hal ini juga penting untuk memiliki informasi tentang

tanggal kegagalan dan juga waktu yang tepat bahwa kegagalan mesin terjadi,

mulai dari saat rusak sampai diperbaiki. Perhitungan waktu ini untuk perbaikan

dan waktu kegagalan dilakukan dari data perusahaan mulai Agustus 2015 sampai

dengan Mei 2017.

Perhitungan waktu untuk memperbaiki adalah total waktu yang dibutuhkan oleh

bagian maintenance untuk memperbaiki, mengecek, dan mengganti komponen

sampai mesin bisa beroperasi seperti biasa. Waktu menunggu maintenance untuk

datang juga termasuk waktu untuk memperbaiki. Perhitungan waktu untuk

perbaikan memiliki satuan waktu jam. Sementara perhitungan waktu gagal hanya

didapat dari saat mesin beroperasi. Waktu kegagalan masing-masing komponen

tidak selalu sama, hal ini karena tergantung pada beberapa faktor seperti jenis

kegagalan, tingkat kegagalan, dan kemampuan maintenance untuk memperbaiki

suatu kerusakan. Faktor-faktor tersebut dapat mempengaruhi keandalan

komponen itu sendiri yang juga berimbas pada kegagalan waktu.

Dari perhitungan menggunakan salah satu software statistika maka bisa dilihat

bahwa distribusi yang paling cocok untuk penentuan perhitungan Time to Failure

(TTF) dan Time to Repair (TTR) seperti pada Tabel 4.25.

Tabel 4.25 Distribusi yang dipakai dalam perhitungan

NO Komponen Distribusi

1

TTR

Bearing Lognormal

2 Rantai Lognormal

3 Unwinder Weibull

4

TTF

Bearing Weibull

5 Rantai Weibull

6 Unwinder Weibull

4.3.2 Analisis Mean Time to Repair (MTTR) dan Mean Time to Failure

(MTTF)

Mean time to repair (MTTR) merupakan waktu rata-rata yang dibutuhkan untuk

perbaikan. MTTR menunjukkan nilai availability dan bukan reliability. Semakin

tinggi nilai MTTR maka akan semakin buruk. Jika waktu MTTR terlalu lama

maka dampaknya tidak hanya tentang waktu perbaikan melainkan kerugian

perusahaan karena produksi terganggu dan output produksi mengalami penurunan

dan hasil yang akan didapat tidak sesuai dengan planning.

Dari hasil perhitungan menggunakan salah satu software statistika maka hasil

perhitungan dapat dilihat pada Tabel 4.26.

Tabel 4.26 Tabel Nilai MTTR Komponen Bearing, Rantai dan Unwinder

Komponen Distribusi Scale

(𝜃)

Shape

(β) Tmed

Gamma

(Ѓ) MTTR

Bearing Lognormal 0,17175 6,15267 4,4 - 4,465

Rantai Lognormal 0,19612 5,48878 1,75 - 1,784

Unwinder Weibull 3,65451 6,07537 3,44167 0,92980 3,398

Sedangkan Mean time to failure (MTTF) merupakan rata-rata waktu antara

kegalalan atau kerusakan. Berikut merupakan hasil perhitungan yang didapat

(lihat Tabel 4.27).

Tabel 4.27 Tabel MTTF Komponen Bearing, Rantai, dan Unwinder

Komponen Distribusi Scale

(𝜃) Shape (β)

Gamma

(Ѓ) MTTF

Bearing Weibull 564,0592 1,06112 0,97610 550,578

Rantai Weibull 396,1011 0,96247 1,01758 403,064

Unwinder Weibull 718,0463 0,92534 1,03650 744,255

4.3.3 Analisis Waktu Interval Penggantian Komponen

Penggantian komponen dilakukan untuk menghindari kerusakan secara mendadak

yang tidak diharapkan yang berpengaruh terhadap proses produksi yang sedang

berjalan. Interval komponen pengganti akan menunjukkan waktu yang tepat untuk

mengurangi risiko dimana kegagalan dapat terjadi dengan mempertimbangkan

biaya dan keandalan minimal 60% yang akan dikeluarkan. Dengan demikian,

Tabel 4.28 menunjukkan waktu yang tepat untuk penggantian komponen.

Tabel 4.28 Interval Perawatan Komponen

Komponen MTTF Keandalan Interval

Perawatan

Keandalan

Bearing 550 jam 37 % 290 jam 61 %

Rantai 403 jam 36 % 180 jam 62 %

Unwinder 744 jam 35 % 330 jam 61 %

Dari tabel diatas dapat dilihat bahwa masing-masing komponen mempunyai

waktu interval yang cocok karena perhitungan melihat dari resiko kerusakan dan

biaya yang dikeluarkan.

4.3.4 PerbandinganBiaya Perbaikan Corrective dan Preventive

Perbaikan secara corrective merupakan perbaikan yang dilakukan setelah adanya

kerusakan jadi perbaikan ini berarti perbaikan yang dilakukan secara mendadak.

Maka untuk menjaga agar mesin beroperasi dengan baik dan menghasilkan

produk yang bagus maka disarankan untuk melakukan perbaikan secara

preventive. Biaya yang akan dikeluarkan melalui perbaikan secara preventive akan

lebih kecil daripada perbaikan secara mendadak.

Tabel 4.29 Perbandingan Perbaikan Corrective dan Preventive

Komponen (Cf) Corrective

Maintenance

(Cp) Preventive

Maintenance Costdown

Bearing Rp. 1.020.089,82 Rp. 934.860 Rp. 85.229,82 8,3%

Rantai Rp. 331.989,36 Rp. 279.935 Rp. 52.054,36 15,6%

Unwinder Rp. 677.519,42 Rp. 604.570 Rp. 72.949,42 10,7%

Rumus :

Cf (Corrective) = Harga Komponen + (waktu downtime X gaji per jam) +

(kapasitas produksi X downtime X production loss)

Cp (Preventive) = Harga Komponen + (waktu penggantian X gaji per jam) +

(kapasitas produksi X waktu penggantian X production loss)

Gambar 4.14 Perbandingan Biaya Perbaikan Corrective dan Preventive Komponen

Bearing

Dari gambar 4.14 dapat dilihat bahwa terdapat penurunan biaya perawatan sebesar

8,30% untuk komponen bearing. Biaya saat perbaikan corrective sebesar Rp.

1.020.089,82 dan perbaikan dengan preventive sebesar Rp. 934.860.

Gambar 4.15 Perbandingan Biaya Perbaikan Corrective dan Preventive Komponen

Rantai

Dari gambar 4.15 dapat dilihat bahwa terdapat penurunan biaya perawatan sebesar

15,60% untuk komponen bearing. Biaya saat perbaikan corrective sebesar Rp.

331.989,36 dan perbaikan dengan preventive sebesar Rp. 279.935.

Gambar 4.16 Perbandingan Biaya Perbaikan Corrective dan Preventive Komponen

Unwinder

Dari gambar 4.16 dapat dilihat bahwa terdapat penurunan biaya perawatan sebesar

10,70% untuk komponen bearing. Biaya saat perbaikan corrective sebesar Rp.

677.519,42 dan perbaikan dengan preventive sebesar Rp. 604,570.

4.3.5 Usulan Jadwal Penggantian Komponen Tingkat Keandalan 60%

Setelah mendapatkan nilai perhitungan interval penggantian komponen dengan

biaya yang terendah maka untuk menekan cost yang dikeluarkan akibat kerusakan

yang terjadi secara mendadak akan dibuatkan usulan jadwwal penggantian

komponen sesuai dengan waktu optimal yang sudah didapat. Untuk komponen

Bearing penggantian perawatan secara berkala dilakukan sesuai interval 290 jam,

untuk komponen rantai 180 jam dan untuk komponen unwinder 330 jam. Interval

dari masing-masing komponen tersebut sebagai acuan untuk pengecekan secara

visual dan penggantin komponen akan dilakukan saat overhaul bulanan yang akan

disediakan waktu 1 hari dalam 1 bulan. Berikut rencana usulan jadwal dalam

kurun waktu percobaan selama 6 bulan dari Januari 2018 sampai Juni 2018.

Gambar 4.17 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan

Januari 2018

Dari Gambar 4.17 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12 dan 24 Januari, Untuk komponen rantai ditanggal 7,14,21,28

Januari dan untuk pengecekan komponen unwinder pada tanggal 13 dan 26

Januari. Sedangkan untuk penggantian komponen di mesin duplex dijadwalkan

ditanggal 31 Januari pada saat overhaul. Jadwal pengecekan tersebut digunakan

untuk acuan dan dasar sebagai kelayakan untuk penggantian komponen.

Gambar 4.18 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan

Februari 2018

Dari Gambar 4.18 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12 dan 24 Februari, Untuk komponen rantai ditanggal

7,14,21,28 Februari dan untuk pengecekan komponen unwinder pada tanggal 13

dan 26 Februari. Sedangkan untuk penggantian komponen di mesin duplex

dijadwalkan ditanggal 28 Februari pada saat overhaul. Jadwal pengecekan

tersebut digunakan untuk acuan dan dasar sebagai kelayakan untuk penggantian

komponen.

Gambar 4.19 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan Maret

2018

Dari gambar 4.19 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12,24 maret, Untuk komponen rantai ditanggal 7,14,21,28

maret dan untuk pengecekan komponen unwinder pada tanggal 13 dan 26 maret.

Sedangkan untuk penggantian komponen di mesin duplex dijadwalkan ditanggal

31 maret pada saat overhaul. Jadwal pengecekan tersebut digunakan untuk acuan

dan dasar sebagai kelayakan untuk penggantian komponen.

Gambar 4.20 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan April

2018

Dari gambar 4.20 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12,24 April, Untuk komponen rantai ditanggal 7,14,21,28 April

dan untuk pengecekan komponen unwinder pada tanggal 13,26 April. Sedangkan

untuk penggantian komponen di mesin duplex dijadwalkan ditanggal 30 april

pada saat overhaul. Jadwal pengecekan tersebut digunakan untuk acuan dan dasar

sebagai kelayakan untuk penggantian komponen.

Gambar 4.21 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan Mei

2018

Dari gambar 4.21 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12 dan 24 Mei, Untuk komponen rantai ditanggal 7,14,21,28

Mei dan untuk pengecekan komponen unwinder pada tanggal 13 dan 26 Mei.

Sedangkan untuk penggantian komponen di mesin duplex dijadwalkan ditanggal

31 Mei pada saat overhaul. Jadwal pengecekan tersebut digunakan untuk acuan

dan dasar sebagai kelayakan untuk penggantian komponen.

Gambar 4.22 Usulan Jadwal Pengecekan dan Penggantian Komponen Bulan Juni

2018

Dari gambar 4.22 dapat dilihat bahwa untuk jadwal pengecekan komponen

bearing ditanggal 12,24 Juni, Untuk komponen rantai ditanggal 7,14,21,28 Juni

dan untuk pengecekan komponen unwinder pada tanggal 13 dan 26 Juni.

Sedangkan untuk penggantian komponen di mesin duplex dijadwalkan ditanggal

30 Juni pada saat overhaul. Jadwal pengecekan tersebut digunakan untuk acuan

dan dasar sebagai kelayakan untuk penggantian komponen.

4.4. Strategi Maintenance Menggunakan Decision Tree

Decision Tree merupakan suatu diagram alir yang bentuknya menyerupai pohon

yang mana setiap internal node menyatakan pengujian terhadap suatu atribut,

setiap cabang menyatakan output dari pengujian tersebut. Dalam kaitannya

dengan Maintenance ini, menggunakan Decision Tree dapat membantu

menyelesaikan beberapa permasalahan dalam komponen kritis. Berikut

merupakan gambar 4.23 dari decion tree untuk komponen bearing.

Ga

mb

ar

4.2

3 A

nali

sa K

om

pon

en K

riti

s B

eari

ng M

enggu

na

ka

n D

ecis

ion

Tre

e

Dari gambar diatas dapat dilihat bahwa terdapat analisa untuk menyelesaikan

beberapa masalah untuk komponen bearing khususnya. Berbagai analisa yang

nantinya dapat membantu memecahkan masalah, misal dengan adanya

pengecekan secara visual ataupun menggunakan alat akan berbeda hasilnya.

Kesimpulan dari hasil yang didapatkan bisa berupa strategi perawatan secara

Preventive Maintenance dan Predictive Maintenance. Kedua strategei tersebut

dinilai lebih baik untuk mengatasi permasalahan komponen kritis.

4.5. Analisis Pemilihan Strategi

Mesin Duplex merupakan mesin yang berada di area Paper Machine 1 (PM1)

lebih tepatnya di divisi Finising. Mesin ini sudah beroperasi sejak perusahaan

mulai produksi untuk pertama kali yaitu sekitar tahun 1992. Umur mesin ini

berarti sudah mencapai kurang lebih 26 tahun. Dengan umur mesin yang sudah

tua maka beberapa pilihan metode untuk melakukan perawatan pun akan berbeda

pula. Dalam masa kerjanya, suatu komponen atau sistem mengalami berbagai

kerusakan. Kerusakan – kerusakan tersebut akan berdampak pada performa kerja

dan efisiensinya.

Kerusakan – kerusakan tersebut apabila dilihat secara temporer, maka ia memiliki

suatu laju tertentu yang berubah – ubah. Laju kerusakan (failure rate) dari suatu

komponen atau sistem merupakan dinamic object dan mempunyai performa yang

berubah terhadap waktu t ( sec, min, hour, day, week, month and year). Keandalan

komponen / mesin erat kaitannya dengan laju kerusakan tiap satuan waktu.

Hubungan antara kedua hal tersebut ditunjukan apabila pada saat t = 0

dioperasikan sebuah komponen kemudian diamati banyaknya kerusakan pada

komponen tersebut maka akan didapat bentuk kurva seperti pada gambar 4.24

berikut:

Gambar 4.24 Grafik Laju Kerusakan Terhadap Waktu (Kurva Bathub)

Grafik diatas yang sering disebut sebagai Bathub Curve, terbagi menjadi tiga

daerah kerusakan yaitu :

1. Burn In Zone (Early Life)

2. Useful Life Time Zone

3. Wear Out Zone

Jika dilihat dari kurva maka mesin duplex yang sudah berumur kurang lebih 25

tahun masuk kedalam kategori 3 yaitu Wear Out Zone. Maka sistem perawatan

yang dipakai haruslah sesuai dengan kondisi mesin.

Adapula perawatan yang digunakan meliputi :

1. Corrective Maintenance

Strategi perawatan secara korektif dinilai tidak bagus karena beberapa alasan

seperti kondisi mesin yang sudah tua yakni 26 tahun, sistem perawatan yang tidak

terjadwal, maupun biaya yang dikeluarkan relatif lebih tinggi. Dalam kondisi

mesin yang sudah tua maka perlu adanya pendekatan dan analisa yang tepat untuk

mencegah terjadinya kerusakan yang lebih parah. Dengan begitu strategi secara

korektif dinilai kurang layak untuk menjadi solusi perawatan mesin.

2. Preventive Maintenance

Preventive maintenance adalah tindakan pemeliharaan yang dilakukan secara

berkala sesuai dengan anjuran pada instruction manual atau pengalaman

crew maintenance terhadap equipment tersebut. Misalnya, penggantian oli yang

dilakukan setiap 6 bulan atau penggantian grease setiap 8000 running hours,

penggantian Bearing setiap 300 jam, dan lain sebagainya. Jadi parameter

Mesin Duplex

pengendalinya hanya waktu atau jam operasi dari suatu equipment. Strategi

dengan prefentif/pencegahan sangat membantu akan tetapi masih punya

kekurangan dalam hasil yang didapat. Hal ini karena prefentif berbasis pada

waktu rutin tanpa mengamati kondisi mesin secara aktual.

3. Predicitive Maintenance

Predictive maintenance adalah salah satu metode pemeliharaan yang didasarkan

pada kondisi equipment yang sedang dicheck. Teknik perawatan ini merupakan

prediksi yang dilakukan dengan pemeriksaan secara aktual yang membutuhkan

bantuan berupa data kinerja mesin, teknik pengujian mesin, dan juga inspeksi

visual mesin.

Predictive maintenance membutuhkan bantuan alat-alat presisi seperti Vibration

Analyzer, Oil Analysis, Ultrasonic, dll. Dengan memakai Vibration Analyzer, kita

misalnya bisa mengetahui gejala kerusakan pada bearing, looseness, unbalance

pada kondisi yang paling dini, sehingga kita bisa melakukan persiapan untuk

shutdwon dengan lebih terencana. Pembelian atau pembuatan spare parts,

manpower, tools dapat dipersiapkan lebih awal sehingga kalaupun kita

melakukan shutdwon akan membutuhkan waktu dan biaya yang jauh lebih sedikit.

4.5.1 Perbandingan Predictive Maintenance (PdM) VS Preventive

Maintenance (PM)

Ada dua pandangan dalam melihat Preventive Maintenance (PM) dan Predictive

Maintenance (PdM). Ada yang melihat Preventive Maintenance (PM) dan

Predictive Maintenance (PdM) sebagai dua hal yang berbeda sama sekali, namun

dalam pandangan maintenance management modern ada yang memasukan maka

Predictive Maintenance (PdM) ini sebagai bagian dari Preventive Maintenance

(PM).

Jadi jika dilihat dari aktifitas perbaikan nya PdM adalah termasuk

pekerjaan yang dieksekusi setelah melalui perencanaan dengan baik

berdasar kondisi mesin dan tidak semata-mata karena telah di schedulkan. Dan

dari sisi aktifitas perbaikan maka PM konservatif adalah aktifitas yang di eksekusi

karena telah dischedulkan (planned and scheduled). Maintenance yang baik tentu

akan menurunkan jumlah emergency shutdown untuk repair dengan cara

menaikkan repair PM dan repair PdM yang berarti kedua jenis aktifitas itu telah

direncanakan.

Inti dari PdM adalah pemantauan kondisi mesin (Condition Monitoring),

hal ini bisa berupa pemantauan getaran mesin, pemantauan kondisi oli,

pemantauan parameter proses mesin, dll. Dalam kondisi normal, aktifitas

pemantauan kondisi ini dapat dischedulkan secara rutin seperti halnya kegiatan

PM rutin lainnya. Dalam penelitian ini difokuskan menggunakan strategi

Preventive Maintenance (PM) dikarenakan data yang diperoleh berupa data

kegagalan yang terjadi. Jika menggunakan Predictive Maintenance (PdM)

dibutuhkan banyak data secara detail dan dibutuhkan alat khusus untuk membantu

analisa setiap komponen seperti alat cek Vibration Analysis Bearing, Oil Analysis,

Ultrasonic, dan lain-lain. Maka dari itu biaya untuk investasi membeli alat

tersebuut juga relatif mahal. Strategi menggunakan PdM merupakan alat prediksi

yang sudah modern.

4.5.2 Predictive Maintenance Interval

Dari data yang sudah dihitung didapatkan nilai Mean Time to Failure (MTTF)

dalam tabel 4.30 sebagai berikut :

Tabel 4.30 Interval Perawatan

Komponen

Interval

Perawatan

(MTTF)

Keandalan

Interval

Perawatan

60%

Keandalan

Interval

Perawatan

75%

Keandalan

Bearing 550 jam 37% 290 jam 61 % 170 jam 75 %

Rantai 400 jam 36% 180 jam 62 % 100 jam 76%

Unwinder 745 jam 35% 330 jam 61 % 210 jam 73 %

Tabel diatas merupakan perbandingan untuk mencari interval perawatan

berdasarkan waktu dan tingkat keandalan. Untuk menentukan interval perawatan

secara predictive , maka dicari interval waktu yang diprediksi dalam ketiga

komponen tersebut terjadi kerusakan secara bersama-sama atau biasa disebut

Kelipatan Persekutuan Terkecil (KPK). Berikut merupakan KPK dari setiap

komponen. Tabel dibawah akan dikonversikan kehitungan hari.

1. Berdasarkan interval awal atau hasil dari perhitungan MTTF

Tabel 4.31 menunjukkan KPK dari interval peritungan MTTF. Bearing 550jam ,

Rantai 400jam, Unwinder 745jam. Tabel dibawah dikonversikan dari jam ke hari.

Tabel 4.31 Interval Perawatan Berdasarkan KPK MTTF

Bearing (hari) Rantai (hari) Unwinder (hari)

23 17 31

46 34 62

69 51 93

92 68 124

115 85 155

138 102 186

161 119 217

184 136 248

207 153 279

230 170 310

253 187 341

276 204 372

299 221 403

322 238 434

345 255 465

368 272 496

Dari tabel diatas dapat dilihat bahwa interval perbaikan dapat dilakukan secara

bersama-sama pada saat ketiga komponen tersebut telah berooperasi selama kira-

kira 185 hari. Dari hasil tersebut dapat digunakan sebagai acuan dasar untuk

melakukan perawatan secara predictive.

2. Berdasarkan Interval Waktu Keandalan 60%

Tabel 4.32 merupakan KPK dari perhitungan interval perawatan dengan

keandalan 60%

Tabel 4.32 Interval Perawatan Berdasarkan Keandalan 60%

Bearing

(hari)

Rantai

(hari)

Unwinder

(hari)

12 7 14

24 14 28

36 21 42

48 28 56

60 35 70

72 42 84

84 49 98

Tabel 4.33 Interval Perawatan Berdasarkan Keandalan 60% (Lanjutan)

Bearing

(hari)

Rantai

(hari)

Unwinder

(hari)

96 56 112

108 63 126

120 70 140

132 77 154

144 84 168

156 91 182

168 98 196

180 105 210

192 112 224

Dari tabel diatas dapat dilihat bahwa interval perbaikan dapat dilakukan secara

bersama-sama pada saat ketiga komponen tersebut telah berooperasi selama kira-

kira 84 hari. Dari hasil tersebut dapat digunakan sebagai acuan dasar untuk

melakukan perawatan secara predictive.

3. Berdasarkan Interval Waktu Keandalan 75%

Tabel 4.34 merupakan KPK dari perhitungan interval perawatan dengan

keandalan 75%

Tabel 4.34 Interval Perawatan Berdasarkan Keandalan 75%

Bearing

(hari)

Rantai

(hari)

Unwinder

(hari)

7 4 9

14 8 18

21 12 27

28 16 36

35 20 45

42 24 54

49 28 63

56 32 72

63 36 81

70 40 90

77 44 99

84 48 108

91 52 117

98 56 126

105 60 135

112 64 144

Dari tabel diatas dapat dilihat bahwa interval perbaikan dapat dilakukan secara

bersama-sama pada saat ketiga komponen tersebut telah berooperasi selama kira-

kira 28 hari. Dari hasil tersebut dapat digunakan sebagai acuan dasar untuk

melakukan perawatan secara predictive.

4.5.3 Analisa Predictive Maintenance

Setelah dilakukan perhitungan interval secara predictive, maka hasil yang didapat

adalah interval perbaikan cenderung lebih lama yaitu sebagai berikut:

Tabel 4.35 Predictive Maintenance Interval

Komponen

Interval

Perawatan

(MTTF)

Interval

Perawatan

60%

Interval

Perawatan

75%

Bearing 184 hari 84 hari 28 hari

Rantai 187 hari 84 hari 28 hari

Unwinder 186 hari 84 hari 27 hari

Jika dilihat dari tabel diatas maka dapat disumpulkan bahwa perawatan secara

prediktif tidak dapat dilakukan untuk mesin Duplex karena umur mesin tersebut

sudah tidak lagi muda yaitu lebih dari 25 tahun. Penjadwalan perawawatan secara

prediktif akan efektif jika kondisi mesin masih baru dibawah 5 tahun, maka dari

itu penelitian ini akan menentukan bahwa perawatan secara Preventive menjadi

alternatif untuk diaplikasikan sebagai strategi untuk menjaga kondisi mesin agar

tetap berjalan dengan baik.

4.6 Perbandingan Keandalan 60% dan 75%

Tingkat keandalan suatu mesin sangat berpengaruh terhadap proses kelancaran

produksi. Maka untuk mendapatkan hasil yang lebih baik maka dibuatlah kriteria

dasar untuk menentukan interval perawatan sesuai tingkat keandalan. Berikut

tabel 4.36 perhitungan yang didapat.

Tabel 4.36 Perhitungan Interval Perawatan Bearing

T f(t) F(t) R(t) H(t) C(t)

150 0,001358 0,217491 0,782509 0,24525 7900,244

170 0,001321 0,24428 0,75572 0,280084 7179,828

190 0,001284 0,270335 0,729665 0,31517 6612,432

210 0,001247 0,295653 0,704347 0,350484 6154,213

230 0,001211 0,320232 0,679768 0,386003 5776,6

Tabel 4.37 Perhitungan Interval Perawatan Bearing (Lanjutan)

T f(t) F(t) R(t) H(t) C(t)

250 0,001174 0,344077 0,655923 0,421712 5460,178

270 0,001138 0,367197 0,632803 0,457597 5191,296

290 0,001103 0,389602 0,610398 0,493644 4960,074

310 0,001068 0,411303 0,588697 0,529844 4759,189

330 0,001034 0,432314 0,567686 0,566187 4583,096

350 0,001 0,452649 0,547351 0,602665 4427,521

370 0,000967 0,472323 0,527677 0,63927 4289,117

390 0,000936 0,491351 0,508649 0,675997 4165,225

410 0,000904 0,50975 0,49025 0,712839 4053,707

430 0,000874 0,527535 0,472465 0,749791 3952,824

450 0,000845 0,544723 0,455277 0,786849 3861,147

470 0,000816 0,56133 0,43867 0,824007 3777,492

490 0,000788 0,577372 0,422628 0,861262 3700,866

510 0,000761 0,592865 0,407135 0,89861 3630,437

530 0,000735 0,607825 0,392175 0,936048 3565,496

550 0,00071 0,622269 0,377731 0,973572 3505,438

Dari tabel diatas dapat diliat bahwa untuk mendapatkan nilai keandalan 61%

maka interval perawatan berkisar 290 jam dengan biaya Rp 4960, sedangkan

untuk keandalan 75% maka digunsksn interval waktu 170 jam dengan biaya Rp

7179. Semakin besar nilai keandalan maka semakin besar pula biaya yang

dikeluarkan. Berikut gambar 4.25 komparasi antara keandalan, waktu, dan biaya.

Gambar 4.25 Komparasi keandalan, Waktu, dan Biaya Komponen Bearing

Tabel 4.38 merupakan hasil perhitungan untuk komponen rantai.

78% 76% 73% 70% 68% 66% 63% 61% 59% 57% 55% 53% 51% 49% 47% 46% 44% 42% 41% 39% 38% 0

100

200

300

400

500

600

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

C(t)

R(t)

t

Tabel 4.38 Perhitungan Interval Perawatan Rantai

Mission (t) f(t) F(t) R(t) H(t) C(t)

100 0,001961 0,233443 0,766557 0,265846 3681,929

120 0,001851 0,271552 0,728448 0,316839 3209,353

140 0,00175 0,307546 0,692454 0,367514 2871,04

160 0,001655 0,341582 0,658418 0,417916 2616,742

180 0,001567 0,373798 0,626202 0,468082 2418,518

200 0,001485 0,404312 0,595688 0,518038 2259,591

220 0,001408 0,433233 0,566767 0,567808 2129,278

240 0,001335 0,460659 0,539341 0,617407 2020,448

260 0,001267 0,486678 0,513322 0,666851 1928,164

280 0,001203 0,511372 0,488628 0,716153 1848,893

300 0,001142 0,534816 0,465184 0,765323 1780,046

320 0,001085 0,557081 0,442919 0,814369 1719,678

340 0,001031 0,578232 0,421768 0,863301 1666,299

360 0,00098 0,59833 0,40167 0,912124 1618,752

380 0,000931 0,617431 0,382569 0,960846 1576,12

400 0,000885 0,635589 0,364411 1,009472 1537,672

Dari tabel diatas dapat diliat bahwa untuk mendapatkan nilai keandalan 62%

maka interval perawatan berkisar 200 jam dengan biaya Rp 2418, sedangkan

untuk keandalan 76% maka digunsksn interval waktu 100 jam dengan biaya Rp

3681. Semakin besar nilai keandalan maka semakin besar pula biaya yang

dikeluarkan. Berikut gambar 4.26 komparasi antara keandalan, waktu, dan biaya.

Gambar 4.26 Komparasi keandalan, Waktu, dan Biaya Komponen Rantai

77% 73% 69% 66% 63% 60% 57% 54% 51% 49% 47% 44% 42% 40% 38% 36% 0

50

100

150

200

250

300

350

400

450

0

500

1000

1500

2000

2500

3000

3500

4000

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

R(t)

C(t)

Mission (t)

Tabel 4.39 merupakan hasil perhitungan untuk komponen rantai.

Tabel 4.39 Perhitungan Interval Perawatan Unwinder

T f(t) F(t) R(t) H(t) C(t)

210 0,001025 0,274269 0,725731 0,320575 3913,172

230 0,00099 0,294416 0,705584 0,34873 3655,832

250 0,000957 0,313879 0,686121 0,376702 3439,171

270 0,000925 0,332694 0,667306 0,404507 3254,19

290 0,000895 0,350894 0,649106 0,432159 3094,365

310 0,000866 0,368507 0,631493 0,459668 2954,852

330 0,000839 0,385561 0,614439 0,487046 2831,978

350 0,000813 0,402081 0,597919 0,514299 2722,908

370 0,000788 0,418088 0,581912 0,541437 2625,416

390 0,000764 0,433606 0,566394 0,568465 2537,733

410 0,000741 0,448652 0,551348 0,59539 2458,434

430 0,000719 0,463247 0,536753 0,622217 2386,358

450 0,000697 0,477406 0,522594 0,64895 2320,548

470 0,000677 0,491147 0,508853 0,675596 2260,211

490 0,000657 0,504484 0,495516 0,702157 2204,683

510 0,000638 0,517433 0,482567 0,728636 2153,403

530 0,00062 0,530008 0,469992 0,755039 2105,893

550 0,000602 0,54222 0,45778 0,781367 2061,748

570 0,000585 0,554084 0,445916 0,807624 2020,616

590 0,000568 0,56561 0,43439 0,833812 1982,193

610 0,000552 0,57681 0,42319 0,859934 1946,216

630 0,000537 0,587695 0,412305 0,885992 1912,455

650 0,000522 0,598275 0,401725 0,911988 1880,707

670 0,000507 0,608561 0,391439 0,937925 1850,794

690 0,000493 0,618561 0,381439 0,963804 1822,559

710 0,000479 0,628284 0,371716 0,989626 1795,861

730 0,000466 0,637741 0,362259 1,015395 1770,575

750 0,000454 0,646938 0,353062 1,041111 1746,591

Dari tabel diatas dapat diliat bahwa untuk mendapatkan nilai keandalan 61%

maka interval perawatan berkisar 330 jam dengan biaya Rp 2831, sedangkan

untuk keandalan 73% maka digunakan interval waktu 210 jam dengan biaya Rp

3913. Semakin besar nilai keandalan maka semakin besar pula biaya yang

dikeluarkan. Berikut gambar 4.27 komparasi antara keandalan, waktu, dan biaya.

Gambar 4.27 Komparasi keandalan, Waktu, dan Biaya Komponen Unwinder

4.7 Skenario Penjadwalan Realibility 75%

Tabel 4.40 merupakan perbandingan keandalan 60% dan 75% sebagai acuan

untuk melakukan penjadwalan.

Tabel 4.40 Perbandingan Interval Perawatan Komponen

Komponen Interval

Perawatan 60% Keandalan

Interval

Perawatan 75% Keandalan

Bearing 290 jam 61 % 170 jam 75 %

Rantai 180 jam 62 % 100 jam 76%

Unwinder 330 jam 61 % 210 jam 73 %

Berikut merupakan schedule perawatan dengan tingkat keandalan sekitar 75%.

Gambar 4.28 Schedule Perawatan Bulan Januari

73% 71% 69% 67% 65% 63% 61% 60% 58% 57% 55% 54% 52% 51% 50% 48% 47% 46% 45% 43% 42% 41% 40% 39% 38% 37% 36% 35% 0

100

200

300

400

500

600

700

800

0

500

1000

1500

2000

2500

3000

3500

4000

4500

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

R(t)

C(t)

t

Gambar 4.29 Schedule Perawatan Bulan Februari

Gambar 4.30 Schedule Perawatan Bulan Maret

Gambar 4.31 Schedule Perawatan Bulan April

Gambar 4.32 Schedule Perawatan Bulan Mei

Gambar 4.33 Schedule Perawatan Bulan Juni

Dari tabel penjadwalan diatas terdapat jadwal/schedule selama 6 bulan, untuk

perawatan masing-masing komponen berbeda, dalam satu bulan terdapat

perawatan yang bersifat pengecekan yaitu untuk komponen Bearing pengecekan

dilakukan per 7 hari, untuk komponen Rantai pengecekan dilakukan per 4 hari

dan untuk komponen Unwinder pengecekan dilakukan per 9 hari. Sedangkan

interval untuk penggantian dilakukan secara bersama diakhir bulan.

BAB V

SIMPULAN DAN SARAN

5.1 Simpulan

Perbaikan secara corrective pada mesin Duplex ternyata menimbulkan biaya yang

lebih besar dibandingkan dengan perawatan secara preventive dikarenakan oleh

penambahan biaya waktu tunggu baik waktu tunggu kedatangan komponen

maupun waktu administrasi perbaikan. Maka dari itu perlu adanya penjadwalan

penggantian dan perawatan yang baik agar menekan cost untuk biaya perawatan.

Berdasarkan penelitian diatas didapatkan penurunan biaya yang cukup signifikan

setelah adanya perubahan dari metode perawatan corrective menjadi preventive.

Terjadi penurunan biaya sebesar 8,30% untuk komponen bearing dari Rp

1.020.089,82 menjadi Rp 934.860. Untuk komponen rantai terjadi penurunan

sebesar 15,60 % dari Rp 331.989,36 menjadi Rp 279.635. Sedangkan untuk

komponen unwinder terjadi penurunan biaya sebesar 10,70 % dari Rp 677.519,42

menjadi Rp 604.570. Tingkat keandalan dari tiap komponen akan menentukan

interval penggantian/perawatan sebagai berikut.

Tabel 4.41 Interval Perawatan Berdasarkan Tingkat Keandalan

Komponen

Interval

Perawatan

(MTTF)

Keandalan

Interval

Perawatan

60%

Keandalan

Interval

Perawatan

75%

Keandalan

Bearing 550 jam 37% 290 jam 61 % 170 jam 75 %

Rantai 400 jam 36% 180 jam 62 % 100 jam 76%

Unwinder 745 jam 35% 330 jam 61 % 210 jam 73 %

5.2 Saran

Berdasarkan penelitian diatas dan didapatkan hasil yang cukup baik maka

disarankan untuk penjadwalan preventive maintenance digunakan sebagai acuan

untuk melakukan penelitian lebih lanjut dan dapat diterapkan dalam proses

produksi dan perawatan mesin-mesin yang ada dalam perusahaan.

DAFTAR PUSTAKA

Adiprabowo, Rhiza, Schedulling Preventive Maintenance System to Reduce

Maintenance Cost in Toys Manufacturer, Final Assignment, Industrial

Engineering Department, President University, West Java, 2014.

Assauri, S. Manajemen Produksi dan Operasi. Jakarta: Lembaga Penerbit

Fakultas Ekonomi Universitas Indonesia, 2004

Corder, Antony S., Maintenance Management Techniques, McGraw Hill Ltd,

English,1988

Devi Costania Siagian, H. N. Usulan Perawatan Mesin Berdasarkan Keandalan

Spare Part Sebagai Solusi Penurunan Biaya Perawatan pada PT. XYZ. e-jurnal

Teknik Industri FT USU Vol 3, 2013 ,47-52.

Ebelling, Charles E. An Introduction to Reliability and Maintainability

Engineering. New York: McGraw-Hill. 1997

Gross , John M., Fundamentals Of Preventive Maintenance , AMACOM ,New

York, 2002.

Hair, J.F, dkk, Multivariate Data Analysis. (7th edition). New Jersey: Pearson

Education Inc. 2010

Rusavel, A.N., Perencanaan Aktivitas Pemeliharaan Peralatan Bongkar Muat

Peti Kemas PT. Pelabuhan Indonesia II Cabang Teluk Bayur, Final Assignment,

Industrial Engineering Department, Andalas University, West Sumatra, 2015

Smith, Spencer B,. Computer-Based Production and Inventory Contro, Prentice-

Hall, Inc., Englewood Cliffs, New Jersey, 1996.

Sodikin, Imam., Analisis Penentuan Waktu Perawatan dan Jumlah Persediaan

Suku Cadang Rantai Garu yang Optimal, Industrial Engineering Department, IST

AKPRIND, Jogjakarta, 2010, Vol. 3, No.1, pp 44-52.

Stapelberg, R.F., Handbook of Reliability, Availability, Maintainability and Safety

in Engineering Design, 1st ed, Springer-Verlag London, 2009