Laporan fix (6 Juni 2014)
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of Laporan fix (6 Juni 2014)
BAB IPENDAHULUAN
1.1 Latar Belakang
Dalam perkembangan industri yang mengalami kemajuan
pesat dengan teknologi yang canggih serta sistem yang
efektif dan efisien, memberikan sebuah pemikiran kepada
perusahaan untuk terus bersaing dalam meningkatkan
kualitas dan mendapatkan keuntungan yang besar. Salah
satu cara untuk tetap bisa bertahan dalam persaingan
tersebut adalah dengan menganalisa, mengevaluasi, dan
memperbaiki sistem yang ada. CV Agrindo Cipta Mandiri
merupakan produsen keripik apel yang berpusat di
Sengkaling Dau, Malang. Untuk menganalisa sistem nyata
di CV Agrindo Cipta Mandiri yang cukup luas, tentunya
akan kesulitan dan menimbulkan resiko yang cukup besar.
Oleh karena itu, diperlukan model untuk menganalisa sistem
nyata ini dengan model yang sederhana. Model adalah
representasi dari sistem nyata, dalam gambaran yang
sederhana, serta mempunyai tingkat prosentase yang
bersifat menyeluruh. Model yang akan dibuat harus bisa
menggambarkan sistem yang sebenarnya dalam CV Agrindo
Cipta Mandiri.
Dalam menganalisa dan mengevaluasi model yang telah
dibuat, diperlukan suatu metode khusus. Salah satunya
yaitu metode simulasi, simulasi merupakan suatu
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
1
metodologi untuk melaksanakan percobaan dengan
menggunakan model dari suatu sistem nyata (Siagian,
1987). Software yang digunakan dalam mensimulasi sistem
produksi di CV Agrindo Cipta Mandiri ini adalah software
Arena Advanced, karena sudah memiliki modul-modul yang
lengkap dan sangat representatif.
Berdasarkan pengamatan yang telah dilakukan, maka
dapat diketahui bahwa sistem produksi dari CV Agrindo
Cipta Mandiri sering kali terdapat proses yang
membutuhkan waktu yang terlalu lama. Maka dengan
menggunakan pemodelan dengan aplikasi Arena Advance ini
diharapkan dapat memberi alternatif perbaikan terhadap
sistem produksi pembuatan keripik apel di CV Agrindo Cipta
Mandiri sehingga permasalahan yang ada dapat diatasi.
1.2 Tujuan
Tujuan dari praktikum ini adalah sebagai berikut :
1. Mengidentifikasi permasalahan yang terdapat pada
sistem produksi keripik apel di CV Agrindo Cipta
Mandiri.
2. Memodelkan sistem produksi pada CV Agrindo Cipta
Mandiri dengan Activities Cycle Diagram (ACD).
3. Memodelkan sistem produksi pada software Arena serta
mensimulasikannya.
4. Menganalisis hasil simulasi.
5. Memberikan skenario perbaikan pada permasalahan yang
muncul dalam sistem produksi dan menganalisisnya.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
2
1.3 Manfaat
Manfaat yang di dapatkan setelah praktikan mengikuti
praktikum ini adalah sebagai berikut :
1. Praktikan mampu mengidentifikasi permasalahan yang
terdapat pada sistem produksi keripik apel di CV
Agrindo Cipta Mandiri.
2. Praktikan mampu memodelkan sistem produksi pada CV
Agrindo Cipta Mandiri dengan Activities Cycle Diagram (ACD).
3. Praktikan mampu memodelkan sistem produksi pada software
Arena serta mensimulasikannya.
4. Praktikan mampu menganalisis hasil simulasi.
5. Praktikan mampu memberikan skenario perbaikan pada
permasalahan yang muncul dalam sistem produksi dan
menganalisisnya.
6. Praktikan mampu menentukan distribusi waktu dengan
input analyzer serta perhitungan secara statistik.
7. Praktikan mampu melakukan verifikasi dan
validasi
1.4 Batasan
Batasan yang digunakan dalam laporan ini adalah:
1. Untuk pengamatan pendahuluan data yang dikumpulkan
sebanyak 50 waktu untuk setiap proses.
2. Sistem produksi pembuatan keripik apel di CV Agrindo
Cipta Mandiri disimulasikan selama 7 hari.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
3
3. Sistem produksi yang diamati adalah sistem produksi
kripik apel kemasan 100 gram.
1.5 Asumsi
Dalam pengamatan ini asumsi yang digunakan sebagai
berikut:
1. Memiliki tingkat kepercayaan 95%
2. Tidak ada mesin yang rusak
3. Operator dalam keadaan normal
4. Satu entitas di dalam model Arena pada laporan ini
mewakili 1 kg apel.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
4
BAB IITINJAUAN PUSTAKA
2.1 Pengertian Sistem
Menurut Gordon B. Davis (1984), sebuah sistem
terdiri dari bagian-bagian yang saling berkaitan yang
beroperasi bersama untuk mencapai beberapa sasaran
atau maksud. Sedangkan, menurut Raymond Mcleod
(2001), sistem adalah himpunan dari unsur-unsur yang
saling berkaitan sehingga membentuk suatu kesatuan
yang utuh dan terpadu.
Karakteristik atau ciri-ciri sistem sebagai berikut :
1. Sistem terdiri dari berbagai elemen yang membentuk satu
kesatuan.
2. Adanya interaksi, saling ketergantungan dan kerjasama
antar elemen.
3. Sebuah sistem ada untuk mencapai tujuan tertentu.
4. Memiliki mekanisme / transformasi.
5. Memiliki lingkungan yang mengakibatkan dinamika sistem
Berikut klasifikasi sistem dari beberapa sudut pandang
beserta contoh penerapannya, antara lain:
1. Sistem abstrak (abstract sistem) dan sistem fisik (physical
sistem)
Sistem abstrak merupakan sistem yang berupa pemikiran
atau ide-ide yang tidak tampak secara fisik. Contohnya
seperti sistem teologis, yaitu sistem yang berupa
pemikiran-pemikiran hubungan manusia dengan Tuhan.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
5
Sedangkan sistem fisik adalah sistem yang nampak secara
fisik, contohnya adalah sistem komputer, sistem produksi,
dll.
2. Sistem alamiah (natural system) dan sistem buatan manusia
(human made system)
Sistem alamiah adalah sistem yang terjadi melalui proses
alam dan tidak dibuat oleh manusia, contohnya sistem
perputaran bumi. Sistem buatan manusia yang melibatkan
interaksi anatara manusia dengan mesin disebut dengan human
machine sistem atau ada yang menyebut dengan man-machine
system. Sistem informasi merupakan contoh man-machine system,
karena menyangkut penggunaan komputer yang berinteraksi
dengan manusia. Contohnya seperti sistem komputer.
3. Sistem tertentu (deterministik sistem) dan sistem tak
tentu (probabilistik sistem)
Sistem tertentu beroperasi dengan tingkah laku yang
sudah dapat diprediksi, interaksi bagian-bagiannya dapat
dideteksi dengan pasti sehingga keluarannya dapat
diramalkan. Contohnya sistem komputer melalui program.
Sedangkan sistem tak tentu adalah sistem yang kondisi masa
depannya tidak dapat diprediksi jarena mengandung unsur
probabilitas, contohnya seperti sistem antrian pada bank.
4. Sistem tertutup (closed system) dan sistem terbuka (open
system)
Sistem tertutup merupakan sistem yang tidak berhubungan
dengan lingkungan luarnya. Sistem ini bekerja secara
otomatis tanpa adanya turut campur tangan dari pihak
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
6
luarnya. Secara teoritis sistem ini ada, namun kenyataannya
tidak ada sistem yang benar-benar tertutup, hanya relatif
tertutup saja. Contoh sistem tertutup adalah Apple Inc.
Perusahaan ini selalau berinovasi tanpa adanya campur
tangan dari luar, ataupun survey terhadap konsumen, mereka
hanya berinovasi, kemudian menyerahkan penilaian produk
pada konsumen. Sistem terbuka adalah sistem yang terbuka
dan terpengaruh dengan lingkungan luaratau subsistem yang
lainnya. Karena sistem sifat terbuka dan terpengaruh oleh
sistem yang lain, maka suatu sistem terbuka harus memiliki
sistem pengendali yang baik. Contoh sistem terbuka adalah
Microsoft coorperation yang selalu mengikuti kebutuhan para
konsumen yang sudah disurvey oleh pihak perusahaan,
sehingga dapat berinovasi dan menciptakan produk sesuai
kebutuhan konsumen.
Gambar 2.1 Sistem terbuka dan tertutupSumber: Mcleod (2001)
2.2 Pengertian Model
Model adalah adalah rencana, representasi, atau
deskripsi yang menjelaskan suatu objek, sistem, atau
konsep, yang seringkali berupa penyederhanaan atau
idealisasi. Bentuknya dapat berupa model fisik (maket,
bentuk prototype), model citra (gambar, komputerisasi,
grafis dll), atau rumusan matematis. Ciri-ciri model adalah
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
7
merupakan pendekatan, yang dianggap perlu dan cukup, dan
dibuat berdasarkan (sejauh mungkin) pengetahuan yang telah
dimiliki.
2.3 Pengertian Simulasi
Simulasi merupakan suatu metodologi untuk melaksanakan
percobaan dengan menggunakan model dari suatu sistem
nyata (Siagian, 1987). Simulasi adalah model dari
suatu sistem nyata, dimana sistem tersebut dimodelkan
dengan menggunakan sebuah software yang berfungsi untuk
menirukan perilaku sistem nyata.
2.3.1 Elemen Simulasi
Suatu sistem dalam simulasi mencakup entities,
activities, resources, dan control. Elemen-elemen tersebut
mendefinisikan siapa, apa, dimana, kapan, dan bagaimana
suatu entity diproses. Berikut merupakan penjelasan elemen
dasar pemodelan:
1. Entities, adalah sesuatu yang menjadi objek dari suatu
proses. Entity dapat berupa part, produk, manusia atau
lembar kerja. Entitas memiliki karakteristik seperti
name dan speed.
2. Activity, yaitu kegiatan yang dilakukan di dalam sistem
yang mempengaruhi entitas baik secara langsung atau
tidak langsung.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
8
3. Resources adalah manusia, sebuah peralatan atau
perlengkapan lainnya yang digunakan/ bertugas untuk
mengantar sebuah entity.
4. Controls, yaitu segala sesuatu yang
menentukan bagaimana, kapan, dan dimana
aktivitas dijalankan.
Gambar 2.2 Elemen simulasiSumber: Mcleod (2001)
2.4 Definisi Arena Simulation Software
Arena adalah sebuah software simulasi interaktif
berdasarkan pemikiran yang berorientasi pada obyek dan
konsep pemodelan terstruktur. Software ini banyak digunakan
di manufaktur, layanan logistik dan rantai pasok, bidang
medis, militer dan lain-lain. Arena juga digunakan dalam
situasi yang berbeda di semua tingkat simulasi, termasuk
operasi produksi harian, berbagai jenis alokasi sumber
daya, perencanaan proses bisnis, performansi sistem dan
program penilaian hasil, prediksi resiko.
2.4.1 Modul Arena Simulation Software
Pada Arena Simulation Software berisikan module-module yang
digunakan untuk memodelkan simulasi sebuah sistem. Berikut
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
9
ini merupakan macam-macam module yang terdapat pada Arena
Simulation Software:
1. Create
Modul Create berfungsi untuk mengenerate kedatangan
entity ke dalam simulasi, pada modul Create terdapat Name
yang harus di isi nama produk, dan Entity Type. Sedangkan pada
Time Between Arrivals ada Type, Value dan Unit, Kemudian ada Entities
per Arrival, Max Arrivals, First Creation.
Gambar 2.3 Modul CreateSumber: Modul Praktikum Simulasi (2014:33)
Time between arrival type pada modul create adalah :
a) Random (Expo) : merupakan distribusi exponensial secara
acak
b) Shcedule : merupakan distribusi terjadwal.
c) Constant : merupakan distribusi tetap.
d) Exsperetion : merupakan distribusi.
2. Modul Station
Modul ini menggambarkan tempat dari seluruh
aktivitas baik proses maupun pergerakan entity dalam
sistem. Dalam modul ini terdiri dari :
Gambar 2.4 Modul StationSumber: Modul Praktikum Simulasi (2014:33)
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
10
a) Name : kolom ini berisi nama seperti nama jenis sepatu
b) Station type : mendefinisikan tipe dari modul Station,
Menggunakan set apabila terdiri dari beberapa station
(kumpulan station).
c) Station Name : mendefinisikan nama station yang menjadi
tujuan (destination) entitas. Pengisian nama ini harus
hati-hati karena bisa menjadi tujuan Route.
3. Modul Route
Modul Route digunakan untuk membuat route antar
stasiun, route dapat digunakan antara lain ketika membuat
waktu transfer dari satu stasiun ke stasiun lainnya. Route
terdapat pada Advanced Transfer. Modul ini juga
digunakan untuk menentukan arah pergerakan dari entity dalam
station tanpa menggunakan alat bantu seperti forklift, conveyor dan
sebagainya.
Gambar 2.5 Modul RouteSumber: Modul Praktikum Simulasi (2014:33)
Dalam modul Route ini terdiri dari :
a) Name : mengidentifikasi nama modul dan menunjukkan
bentuk dari modul
b) Route Time : perjalanan waktu dari lokasi entitas pada
tujuan (destination).
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
11
c) Units : merupakan waktu unit yang di gunakan Route Time,
dalam units ini ada seconds (digunakan pada waktu satuan
detik), minutes (digunakan pada waktu satuan menit), hours
(digunakan pada waktu satuan jam), Days (digunakan
pada waktu dibutuhkan Route Time dalam harian).
d) Station Name : mendefinisikan nama station yang
menjadi tujuan (destination) entitas.
e) Destination Type : metode untuk menentukan lokasi tujuan
entitas. Diseleksi dengan menentukan urutan (requines)
yang harus menempatkan nama urutan tersebut dan urutan
itu sendiri dijelaskan. Dalam destination type tardiri dari
Attribute (digunakan apabila mendefinisikan nama atribute pada
station name yang ber rute pada entitas), Exspression
(digunakan apabila menggunakan waktu route yang
berdistribusi tertentu), sequential (digunakan apabila
menggunakan waktu route dengan sebab-sebab tertentu),
Station (digunakan apabila mentransfer dari route yang satu
dengan yang lain).
4. Modul Process
Modul Process berfungsi untuk memproses entity dari
sistem, pada modul ini juga terdapat Name dan Type.
Kemudian ada Logic yang terdiri dari Action, selanjutnya
yaitu pada modul ini juga terdapat Resources, Delay Type,
Unit, Allocation, Minimum, Value (Most Likely), Maximum dan Report Statitics
yang harus di centang.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
12
Gambar 2.6 Modul ProcessSumber: Modul Praktikum Simulasi (2014:33)
Action pada modul proses ini terdiri :
a) Delay : merupakan proses menunggu akan tetapi tidak
diproses.
b) Seize Delay : merupakan proses menunggu kemudian
diproses tetapi tidak dilanjutkan.
c) Seize Delay Release : merupakan proses menunggu kemudian
diproses dan dilanjutkan.
d) Delay Release : merupaka proses menunggu kemudian
langsung dilanjutkan.
e) Unit berfungsi untuk menentukan waktu suatu proses
yang terdiri dari seconds (detik), minutes (menit), hours
(jam), days (hari).
Delay type : merupakan type menunggu dan terdiri dari :
a) a) Triangular: Distribusi ini di fungsikan dalam
situasi dari distribusi yang belum diketahui akan
tetapi di sedikan nilai-nilai yang memungkinkan
sedangkan nilai maximum dan minimumnya diperkirakan.
b) Exponential: Distribusi ini biasanya di fungsikan
untuk pemodelan pada rincian proses dan random kedatangan
c) Uniform : Distribusi ini berfungsi apabila nilai
nya dianggap memiliki kemungkinan yang sama dan
terbatas karena hal ini digunakan ketika ada informasi.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
13
Allocation : merupakan jenis aktivitas transfer yang
terjadi pada modul ini, dalam Allocation terdiri dari :
a) Value added : merupakan penambahan nilai dari
material input menjadi output pada prose yang dilakukan
.
b) Non value added : tidak terjadi proses penambahan nilai
dari material input menjadi output (misalkan kegiatan
inspeksi).
c) Transfer : waktu transfer dari satu tempat ke tempat lain.
d) Wait : waktu tunggu sebelum entity melakukan aktivitas
berikutnya.
e) Other.
5. Modul Assign
Modul Assign ini digunakan untuk memasukkan nilai
baru pada variable, entity atribute, entity type atau variable lain pada
sistem. Pada modul ini ada Name dan Assignments, kemudian
apabila di klik add maka akan tampil Assignments yang terdiri
dari Type, Attribut Name, New Value.
Gambar 2.7 Modul AssignSumber: Modul Praktikum Simulasi (2014:33)
Type modul Assign ini yaitu :
a) Variabel : merupakan suatu nilai yang tetap dari sistem
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
14
b) Attribute : merupakan bagian dari sistem seperti waktu
proses eyelet
c) Entity Type : merupakan inputan type dari entitas
d) Entity Picture : merupakan inputan gambar dari entitas.
e) Other.
6. Modul Decide
Modul Decide merupakan modul yang berfungsi untuk
membuat keputusan berdasarkan satu atau beberapa
kondisi, modul ini terletak pada Basic Process. Pada
modul ini ada juga Name, Type dan Percent True (0-100) yang
merupakan presentasi dari kebenaran.
Gambar 2.8 Modul DecideSumber: Modul Praktikum Simulasi (2014:33)
Type pada Decide ini mengidentifikasikan apakah keputusan
berdasarkan pada kondisi dan hal ini ada beberapa jenis,
yaitu:
a) 2-way : hal ini digunakan jika hanya untuk 1 kondisi
benar atau salah.
b) 2-way by chance : hal ini mendefinisikan satu atau lebih
presentase.
c) 2-way by condition : hal ini mendefinisikan satu atau
lebih kondisi.
d) N-way : digunakan untuk berapapun jumlah kondisi.
7. Modul Record LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA15
Modul Record digunakan untuk memunculkan data statistik
pada model simulasi, type data statistik yang dapat
dimunculkan seperti waktu antar kedatangan. Pada modulini
terdapat Name, Type, Value dan Counter Name.
Gambar 2.9 Modul RecordSumber: Modul Praktikum Simulasi (2014:33)
Type pada Record terdiri dari :
a) Count : menyatakan jumlah nilai.
b) Entity Statistics : merupakan inputan Statistics dari entitas.
c) Time Interval : menyatakan interval waktu yang digunakan.
d) Entity Picture : merupakan inputan gambar dari entitas.
e) Other.
8. Modul Dispose
Modul Dispose berfungsi untuk mengeluarkan entitas dari
sistem, pada modul ini terdapat Name dan ada Record Entity
Statistics yang harus di centang.
Gambar 2.10 Modul DisposeSumber: Modul Praktikum Simulasi (2014:33)
2.4.2 Input Analyzer
Input Analyzer merupakan bagian dari software Arena. Tools ini
digunakan untuk menentukan fungsi distribusi
probabilitas dari data input. Selain itu juga dapat
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
16
digunakan untuk mencocokkan fungsi spesifik dari
distribusi data file dan membandingkan fungsi distribusi
atau untuk menampilkan efek dari perubahan parameter
untuk distribusi yang sama. Input Analyzer menampilkan input
data acak tersebut yang kemudian dapat dianalisis
menggunakan fitur perangkat lunak fitting distribution untuk
mencari bentuk distribusi yang cocok menggambarkan
data tersebut. Data yang akan dimasukkan sebelumnya harus
disimpan dalam Notepad dengan format.txt karena Input Analyzer
Arena hanya dapat membaca masukan dari format.txt.
2.4.3 Process Analyzer
Process analyzer membantu dalam mengevaluasi alternatif
yang disajikan oleh eksekusi model simulasi scenario yang
berbeda. Hal ini berguna untuk pengembang model simulasi,
serta pembuatan keputusan dimana tidak dikenal dengan
model, namun akrab disebut dengan menangani solusi model
simulasi. Biasanya process analyzer untuk menentukan skenario
mana yang cocok sehingga bisa mendapatkan WIP yang
minimum.
2.5 Activity Cycle Diagram
Activity Cycle Diagram (ACD) adalah bahasa grafik/gambar yang
memodelkan sistem dengan menunjukkan hubungan interaksi
antar elemen dengan perubahan secara diskrit terhadapa
waktu. Entitas di ACD ada dua yaitu entitas permanen dan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
17
sementara. Sedangkan aktivitas pada ACD ada dua, pasif dan
aktif. Simbol-simbol yang dipergunakan pada ACD adalah:Tabel 2.1 Simbol-simbol Activity Cycle Diagram
Nama Simbol Keterangan Lambang
Generate
Merepresentasikanmenciptakan (create) ataumembangkitkan (generate)
entitas
Terminate Merepresentasikan membuang(dispose) atau memberhentikan
(terminate) entitas
Passive Merepresentasikan aktivitaspasif
Active Merepresentasikan aktivitasaktif
Panah (connect)
Merepresentasikan relasiurutan antar node yang
menunjukkan bahwastatus/aktivitas pendahuluberubah atau berlanjutmenjadi status/aktivitas
berikutnya.
Alternate
Merepresentasikan kondisi(condition)
pilihan dua alternatifkemungkinan yang perlu
diputuskan(decide)
Batch
Merepresentasikan aktivitasaktif yang
melibatkan dua entitas (ataulebih) dan bertransformasimenjadi satu entitas (lain)
Separate
Merepresentasikan aktivitasaktif yang
mentransformasikan satuentitas menjadi dua entitas
(atau lebih)
2.6 Distribusi Probabilitas
Mengenai distribusi data dan macam-macam distribusi data
terdapa pada mega project. LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA18
2.6.1 Distribusi Kontinyu
Salah satu macam distribusi probabiltas, yaitu model
matematika yang menghubungkan nilai variabel dengan
probabilitas terjadinya nilai itu. Distribusi Kontinyu
memiliki sifat kontinyu, data yang diamati berjalan secara
berkesinambungan dan tidak terputus.
2.6.1.1 Distribusi Uniform
Distribusi uniform pada umumnya digunakan variabel acak
seragam (uniform) umum digunakan karena tidak adanya
informasi tentang ditribusi yang mendasari yang
dimodelkan.
a. Probabi
Probability Density Function (pdf)
Using Maximum ConventionGambar 2.11 Distribusi Uniform PDF
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
1b−a
fora≤x≤b
0forx<a∨x>b (2-1)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
19
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.12 Distribusi Uniform CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
0forx<ax−ab−a
fora≤x<b (2-2)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
1forx≥bX=a+(b−a )UU diperoleh dari U=RN (0,1 ) (2-3)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.1.2 Distribusi Normal
Sebuah fungsi yang berbentuk lonceng dengan parameter
µ dan σ. Variabel acak normal digunakan untuk
memodelkan banyak fenomena acak yang dapat dinyatakan
sebagai jumlah variabel acak, berdasarkan central limit
theorem. Analisis harus berhati-hati dalam menggunakan
distribusi normal untuk model fenomena acak, yang tidak
dapat mengasumsikan nilai negatif. Distribusi normal
pada umumnya digunakan untuk menggambarkan proses.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
20
a. Probability Density Function (pdf)
Probability Density Function
Gambar 2.13 Distribusi Normal PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
f (x,μ,σ )= 1σx√2π
e(x−μx)
2
(2σx2) dt (2-4)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.14 Distribusi Normal CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
∫−∞
xf (t;μx,σx )dt=∫
−∞
x 1σx√2π
e(t−μx)
2
(2σx2) dt (2-5)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
21
2.6.1.3 Distribusi Triangular
Sebuah distribusi dengan batas bawah a, modus c dan
batas atas b. Variabel acak trianguler digunakan ketika
distribusi yang mendasari tidak diketahui, tetapi masuk
akal untuk mengasumsikan bahwa nilai berkisar dari berapa
nilai minimal, bentuk linear kurva PDF adalah cara
paling sederhana untuk mewakili jenis perilaku.
Variabel acak trianguler biasanya digunakan untuk
merepresentasikan proses.
a. Probability Density Function (pdf)
Probability Density Function
Gambar 2.15 Distribusi Triangular PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
0forx<a,2 (x−a )
(b−a) (c−a)fora≤x≤c,
2 (b−x )(b−a) (b−c)
forc<x≤b,
0forb<x (2-6)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
22
Gambar 2.16 Distribusi Triangular CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
0forx<a,
(x−a )2
(b−a) (c−a)fora≤x≤c,
1−(b−x)2
(b−a) (b−c)forc<x≤b, (2-7)
1forb<xSumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.1.4 Distribusi Eksponensial
Fungsi eksponensial adalah salah satu fungsi yang
paling penting dalam matematika. Biasanya fungsi
ini ditulis dengan notasi exp (x) atau ex, dimana
e adalah basis logaritma natural yang kira-kira
sama dengan 2.71828183. Variabel acak eksponensial
banyak digunakan untuk model “acak” waktu antar
kedatangan untuk waktu kontinyu. Variabel acak
eksponensial biasanya digunakan untuk mempresentasikan
interval pelanggan, banyaknya kegagalan, dan
sebagainya.a. Probability Density Function (pdf)
Probability Density Function
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
23
Gambar 2.17 Distribusi Eksponensial PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
λe−λx (2-8)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.18 Distribusi Eksponensial CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
1−e−λx (2-9)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.1.5 Distribusi Gamma
Nilai antara a dan b dimana a > b, dan probabilitas
dari semua nilai-nilai adalah sama.
a. Probability Density Function (pdf)
Probability Density Function
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
24
Gambar 2.19 Distribusi Gamma PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
xk−1exp (−x
θ)
Γ(k)θk(2-9)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function(cdf)
Cummulative Distribution Function
Gambar 2.20 Distribusi Gamma CDFSumber: Rahman. 2013. Distribusi Probabilitas.pp
γ(k, xθ
)
Γ(k)
(2-
10)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.1.6 Distribusi Weibull
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
25
Biasanya digunakan untuk menyelesaikan masalah-masalah
yang menyangkut lama waktu (umur) suatu objek yang mampu
bertahan hingga akhirnya objek tersebut tidak berfungsi
sebagaimana mestinya. Distribusi weibull pada umumnya
digunakan untuk mempresentasikan waktu kerusakan.
a. Probability Density Function (pdf)
Probability Density Function
Gambar 2.21 Distribusi Weibull PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
f (x )=kλ (xλ )
k−1
e−(xλ)
k
x≥0
0x<0 (2-11)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function(cdf)
Cummulative Distribution Function
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
26
Gambar 2.22 Distribusi Weibull CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
1−e−( xλ)
k
x≥00 x<0 (2-
12)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.1.7 Distribusi LognormalMerupakan distribusi probabilitas sebuah peubah
(variabel) acak yang logaritmanya tersebar secara normal.
a. Probability Density Function (pdf)
Probability Density Function
Gambar 2.23 Distribusi Lognormal PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
1x√2πσ
e−lnx−μ2
2μ2 (2-
13)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
27
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.24 Distribusi Lognormal CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt
12
+12erf[ lnx−μ
2σ ] (2-
14)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
Distribusi lognormal pada umumnya digunakan untuk
merepresentasikan waktu kerusakan.
2.6.2 Distribusi Diskrit
Distribusi dimana perubahnya secara teoritis
tidak dapat menerima sembarang nilai diantara dua
nilai yang diberikan. Sering lebih mudah bila semua
peluang suatu peubah acak x dinyatakan dalam suatu rumus.
Tetapi juga tidak menutupi kemungkinan apabila distribusi
diskrit dinyatakan dalam bentuk grafik ataupun dalam
bentuk label.
2.6.2.1 Distribusi Poisson
Merupakan limit dari distribusi binomial dengan
banyaknya percobaan n relatif besar. Distribusi poisson LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA28
pada umumnya digunakan untuk menggambarkan jumlah
kedatangan dalam satu satuan waktu.
a. Probability Mass Function (pmf)
Probability Mass Function
Gambar 2.25 Distribusi Poisson PMFSumber: Rahman. 2012. Distribusi.ppt
e−λλk
k! (2-
15)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.26 Distribusi Poisson CMFSumber: Rahman. 2012. Distribusi.ppt
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
29
Γ (⌊k+1⌋,λ )⌊k⌋! fork≥0 (2-
16)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.2.2 Distribusi Binomial
Setiap percobaan hasilnya dapat dibedakan dalam 2
macam kejadian: berhasil (probabilitas dinyatakan
dengan notasi p) atau tidak berhasil
(probabilitas dinyatakan dengan notasi q=1-p). Masing-
masing percobaan merupakan peristiwa yang bersifat
bebas yaitu peristiwa yang satu tidak mempengaruhi
peristiwa yang lain.a. Probability Mass Function (pmf)
Probability Mass Function
Gambar 2.27 Distribusi Binomial PMFSumber: Rahman. 2012. Distribusi.ppt
(nk)pk(1−p)n−k (2-
17)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
30
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.28 Distribusi Binomial CDFSumber: Rahman. 2012. Distribusi.ppt
I1−p(n−⌊k⌋,1+⌊k⌋) (2-
18)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.6.2.3 Distribusi GeometriPercobaan bebas dilakukan berulang, dapat
menghasilkan keberhasilan dengan probabilitas p dan kegagalan
dengan probabilitas q=1-p.
a. Probability Mass Function(pmf)
Probability Mass Function
Gambar 2.29 Distribusi Geometri PMF
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
31
Sumber: Rahman. 2012. Distribusi.ppt
(1−p)k−1p (2-
19)
Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
b. Cummulative Distribution Function (cdf)
Cummulative Distribution Function
Gambar 2.30 Distribusi Geometri CDFSumber: Rahman. 2012. Distribusi.ppt
1−(1−p)k (2-
20)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
2.7 Verifikasi dan Validasi
Verifikasi adalah proses mengevaluasi suatu model apakah
telah memenuhi kondisi seperti yang dirancang pada awal
pengembangan, dengan pemeriksaan program komputer.
Verifikasi dilakukan dengan membandingkan antara input yang
diberikan model dan animasi running simulasi.
Teknik verifikasi ada
4, yaitu:
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
32
1. Teknik 1: Dalam pengembangan model
simulasi, tuliskan program komputer terbagi dalam
beberapa modul/subprogram/routine.
2. Teknik 2: Perancangan program simulasi akan lebih
baik jika merupakan gabungan dari ide beberapa orang
yang tergabung dalam satu tim, agar model lebih
berkembang dan tidak terbatas oleh persepsi satu orang
saja (jalan di tempat, structure walk through)
3. Teknik 3: Jalankan simulasi dengan variasi masukan
parameter dan amati hasilnya, apakah beralasan dan
dapat diterima.
4. Teknik 4: Lakukan pemrosesan simulasi bertahap
(trace) untuk mengamati proses kejadian dan perubahan
nilai variabelnya.
Validasi adalah proses penentuan apakah model, sebagai
konseptualisasi atau abstraksi, merupakan representasi
berarti dan akurat dari sistem nyata (Hoover dan Perry,
1989). Validasi dilakukan dengan membandingkan output hasil
simulasi dengan kondisi aktual, dengan menggunakan uji T,
untuk mengetahui bahwa data dari model dan aktual berasal
dari distribusi yang sama, maka model dikatakan valid.
Macam-macam pengujian validasi yakni:1. Unit Test, merupakan pengujian difokuskan pada unit
terkecil dari suatu modul program.
2. Integration Test, merupakan pengujian terhadap unit-
unit program yang saling berhubungan (terintegrasi)
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
33
dengan fokus pada masalah interfacing. Dapat dilaksanakan
secara top-down integration atau bottom-up integration.
3. System Test, merupakan pengujian yang dilakukan
sepenuhnya pada sistem berbasis komputer. Terdiri
atas recovery testing (penanganan kegagalan), security testing
(mekanisme proteksi), stress testing (situasi tidak normal).
4. Acceptance Test, merupakan pengujian terakhir sebelum
sistem dipakai oleh user. Terdiri atas requirement test
(pemenuhan kebutuhan), black box test (uji keluaran yang
tidak berbeda signifikan), dan white box test (algoritma
representasi proses)
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
34
BAB IIIMETODOLOGI PRAKTIKUM
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
35
3.1 Diagram Aliran Flowchart
Berikut ini adalah diagram aliran prosedur praktikum.
Gambar 3.1 Flowchart praktikum
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
36
3.2 Prosedur Praktikum
Berikut ini adalah langkah-langkah praktikum yang perlu
dilakukan dakam praktikum.
a. Mulai
b. Studi Kepustakaan
Dalam studi kepustakaan dilakukan dengan mempelajari
berbagai referensi yang sesuai dengan materi praktikum.
c. Pengamatan Pendahuluan
Melakukan observasi di CV Agrindo Cipta Mandiri.
d. Penentuan Fokus Pengamatan
Menentukan fokus pengamatan mengenai pembuatan keripik
apel di CV Agrindo Cipta Mandiri.
2.7
2.8
2.9
e. Pengambilan Data
Melakukan pengambilan data di CV Agrindo Cipta Mandiri
di Sengkaling.
f. Pengolahan Data
Mengolah data yang telah didapatkan dari hasil
observasi.
g. Pemodelan Sistem dengan Activity Cycle Diagram (ACD)
Membuat Activity Cycle Diagram (ACD) untuk menganalisa
informasi penting mengenai struktur dan perilaku
dinamis dari sistem yang dimodelkan.
h. Penentuan Distribusi
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
37
Mencari distribusi waktu di setiap tahapan proses
produksi yaitu waktu proses pengupasan, proses
pembersihan, pemotongan, pendinginan, penggorengan,
penirisan, dan pengemasan.
i. Pemodelan Sistem dengan Arena
Memodelkan sistem dengan menggunakan Input Analyzer pada
software Arena.
j. Verifikasi
Verifikasi dilakukan dengan membandingkan model yang
telah dibuat dalam Arena dengan Activity Cycle Diagram (ACD)
berdasarkan sistem nyata.
k. Simulasi Sistem dalam Arena
Simulasi sistem merupakan proses membangun atau
membentuk sebuah model dari suatu sistem nyata dalam
bahasa formal tertentu. Simulasi ini dibuat dengan
memodelkan suatu proses menggunakan software Arena. Disini
dapat dilihat secara langsung hasilnya, serta dapat
diatur kecepatan proses sehingga dapat menghemat waktu
dalam simulasi ini.
l. Validasi
Validasi model adalah proses menentukan apakah model
konseptual merefleksikan sistem nyata dengan tepat.
m. Analisa dan Pembahasan
Analisa dan pembahasan dari sebelum simulasi dan hasil
setelah disimulasikan berupa input dan output data yang
diperoleh.
n. Skenario dengan Process Analyzer
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
38
Perbaikan yang harus dilakukan ketika sistem tidak
sesuai akan dilakukan skenario pada tool Process Analyzer.
o. Analisis dan Pembahasan Hasil Skenario
Analisa dan pembahasan hasil skenario dilakukan untuk
mengetahui apakah perbaikan yang diinginkan telah sesuai
dengan hasil eksperimen yang dilakukan.
p. Kesimpulan dan Saran
Kesimpulan dan saran memberikan rangkuman dari awal
proses hingga akhir dan melengkapi apa yang kurang pada
proses tersebut.
q. Selesai
3.2
3.3 Hasil Pengamatan Pendahuluan
Hasil dari pengamatan pendahuluan bahwa proses pembuatan
kripik apel di CV. Agrindo Cipta Mandiri meliputi
pengupasan apel segar kemudian apel dibersihkan dan
dirajang. Setelah itu, apel akan didinginkan selama 24 jam
untuk selanjutnya digoreng. Setelah digoreng selama 2 jam,
apel ditiriskan dan kemudian dimasukkan ke dalam kemasan
alumunium foil. Diketahui juga bahwa kondisi proses pembuatan
kripik apel menghasilkan WIP yang cukup tinggi dan waktu
tunggu entitas yang lama pada proses pendinginan yang
dikarenakan proses pendinginan membutuhkan waktu lama
dengan menggunakan mesin freezer yang jumlahnya kurang
mencukupi.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
39
BAB IVHASIL DAN PEMBAHASAN
4.1 Gambaran Sistem
Sistem yang dibuat merupakan sistem pembuatan kripik
apel di CV. Agroindustri Cipta Mandiri yang terletak di
Dau, Sengkaling, Kab. Malang. Pembuatan kripik apel ini
terdiri dari beberapa proses. Bahan baku apel segar datang
ke pabrik setiap 10 menit dengan jumlah kedatangan apel
sebesar 5 kg per kedatangan. Apel segar dikumpulkan menjadi
20 kg kemudian dibawa ke stasiun persiapan untuk dikupas
selama 0,5-1,5 menit. Selanjutnya apel dibersihkan selama
7-8 detik dan dipotong dengan ketebalan 0,5 cm selama 1,5-2
menit. Semua proses di stasiun persiapan dilakukan oleh 10
orang operator secara bergantian.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
40
Sebanyak 20 kg buah apel yang sudah dipotong kemudian
dibawa ke stasiun pendinginan dengan menggunakan kereta
dorong untuk dimasukkan ke lemari pendingin (freezer) selama
24 jam. Setelah itu apel yang sudah didinginkan dikumpulkan
per 15 kg dan dibawa oleh operator ke stasiun penggorengan
dengan waktu tempuh 10-12 detik untuk digoreng pada suhu
dan tekanan rendah menggunakan minyak sawit atau minyak
kelapa dengan mesin vacuum frying selama 1,5-2 jam. Lalu
ditiriskan menggunakan mesin peniris minyak (spinner) selama
20 menit. 5 kg kripik apel siap kemas dibawa ke stasiun
packaging oleh operator dengan waktu tempuh 12-15 detik
untuk dikemas dalam kemasan aluminium foil dengan berat 100
gram menggunakan continuous sealer selama 8 menit dan kemudian
disimpan di gudang.Tabel 4.1 Waktu Proses Pembuatan Keripik Apel CV Agrindo Cipta Mandiri
No
Pengupasan(detik)
Pembersihan
(detik)
Perajangan(menit
)
Pendinginan(jam)
Penggorengan
(jam)
Penirisan
(menit)
Packaging
(menit)
Pendinginake
Penggorengan(detik
)
Penggorenganke
Packaging
(detik)
1 51 9 1,6 24 2 20 8 10 152 73 8 1,8 24 2 20 8 11 133 72 9 1,8 24 2 20 8 11 134 51 8 1,5 24 2 20 8 11 155 55 9 1,7 24 2 20 8 11 136 68 10 1,7 24 2 20 8 11 147 59 8 1,6 24 2 20 8 10 138 66 10 1,7 24 2 20 8 12 149 44 8 1,9 24 2 20 8 10 15a.
Tabel 4.1 Waktu Proses Pembuatan Keripik Apel CV Agrindo CiptaMandiri (Lanjutan)
No Pengupasan
Pembersihan
Perajangan
Pendinginan
Penggoreng
Penirisan
Packaging
Pendingina
Penggorengan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
41
(detik) (detik) (menit
) (jam) an(jam)
(menit)
(menit)
kePenggorengan(detik
)
kePackaging
(detik)
10 66 10 1,6 24 2 20 8 10 1511 62 7 1,7 24 2 20 8 10 1412 66 9 1,8 24 2 20 8 10 1313 57 8 1,9 24 2 20 8 11 1414 31 10 1,7 24 2 20 8 11 1315 55 8 1,7 24 2 20 8 11 1316 59 9 1,9 24 2 20 8 12 1417 53 8 1,7 24 2 20 8 11 1318 74 7 1,7 24 2 20 8 10 1219 45 8 1,8 24 2 20 8 12 1320 30 9 1,8 24 2 20 8 11 1521 60 8 1,6 24 2 20 8 10 1422 55 7 1,9 24 2 20 8 10 1323 58 9 1,8 24 2 20 8 10 1424 53 9 1,9 24 2 20 8 10 1225 46 7 1,9 24 2 20 8 10 1426 60 8 1,7 24 2 20 8 11 1427 42 8 1,9 24 2 20 8 10 1428 54 8 1,6 24 2 20 8 11 1329 67 10 1,8 24 2 20 8 11 1330 44 9 1,7 24 2 20 8 10 1531 32 8 1,9 24 2 20 8 10 1532 62 8 1,8 24 2 20 8 11 1333 58 9 1,6 24 2 20 8 11 1234 72 10 1,7 24 2 20 8 10 1435 60 8 1,6 24 2 20 8 10 1436 44 8 1,7 24 2 20 8 11 1437 55 8 1,6 24 2 20 8 12 1238 61 7 1,6 24 2 20 8 10 1439 56 9 1,6 24 2 20 8 11 1240 81 8 1,7 24 2 20 8 11 1441 63 10 1,8 24 2 20 8 10 1442 73 9 1,6 24 2 20 8 12 1343 68 7 1,7 24 2 20 8 11 1244 64 7 1,6 24 2 20 8 11 1445 41 9 1,7 24 2 20 8 12 1346 79 9 2,0 24 2 20 8 11 1347 46 8 1,9 24 2 20 8 10 1348 64 8 1,8 24 2 20 8 10 1349 61 9 2,0 24 2 20 8 12 1450 66 9 2,0 24 2 20 8 11 14
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
42
4.2 Pengolahan Data
a.
4.2.1 Uji Keseragaman Data
Uji keseragaman data dilakukan untuk mengetahui, apakah
data yang seragam dan tidak ada data yang outlier. Uji
keseragaman data dilakukan dengan menghitung batas atas,
rata-rata, dan batas bawah data. Untuk kemudian dilakukan
menggunakan grafik dan dilakukan revisi apabila terdapat
data yang keluar kontrol.
Berikut ini adalah perhitungan keseragaman data pada
waktu proses pengupasan :
a. Rata-rata (X) = 51+73+72+….+61+6650 = 57,61
b. Standar deviasi =√∑ (xi−x [̅ )2n−1
=
√ (51−57,61)2+(73−57,61)2+(72+57,61)2+…+(61−57,61)2+(66−57,61)2
49
= 11,78
c. Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 57,61 + 2.11,78 =
81,17
BKB (Batas Kontrol Bawah) = X−kσ = 57,61 - 2.11,78 =34,05
d. Didapatkan grafik control chart sebagai berikut
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
43
0 2 4 6 8 10 120
2
4
6
8
10
12
Data waktu pengupasanBKABKB
Gambar 4.1 Control chart data waktu pengupasan
Berdasarkan grafik di atas, diketahui bahwa terdapat
data yang outlier sehingga perlu dilakukan revisi dengan
menghapus data yang outlier yakni data ke 14, k2 20 dan ke 31
sehingga perhitungannya menjadi:
a. Rata-rata (X) = 51+73+72+….+61+6647 = 59
b. Standar deviasi =√∑ (xi−x [̅ )2n−1
=
√ (51−57,61)2+(73−57,61)2+(72+57,61)2+…+(61−57,61)2+(66−57,61)2
46
= 9,93
c. Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 59 + 2.9,93 = 78,86BKB (Batas Kontrol Bawah) = X−kσ = 59 - 2.9,93 = 39,14Didapatkan grafik control chart sebagai berikut
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
44
0 2 4 6 8 10 120
2
4
6
8
10
12
data waktu pengupasan setelah revisiBKABKB
Gambar 4.2 Control Chart data waktu pengupasan
Berdasarkan grafik di atas, diketahui bahwa terdapat
data yang outlier sehingga perlu dilakukan revisi dengan
menghapus data yang outlier yakni data ke 37 sehingga
perhitungannya menjadi:
a. Rata-rata (X) = 51+73+72+….+61+6646 = 59
b. Standar deviasi =√∑ (xi−x [̅ )2n−1
=
√ (51−57,61)2+(73−57,61)2+(72+57,61)2+…+(61−57,61)2+(66−57,61)2
45
= 9,5
c. Dengan K = 2, maka:
BKA (Batas Kontrol Atas) = X+kσ = 59 + 2.9,5 = 78BKB (Batas Kontrol Bawah) = X−kσ = 59 - 2.9,5 = 40Didapatkan grafik control chart sebagai berikut
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
45
0 2 4 6 8 10 120
2
4
6
8
10
12
data hasil revisi 2BKABKB
Gambar 4.3 Control Chart data waktu pengupasan
Berdasarkan grafik di atas, diketahui bahwa tidak
terdapat data yang outlier sehingga data telah seragam.
4.2.2 Uji Kecukupan Data
Uji kecukupan data dilakukan untuk mengetahui apakah
data yang diambil telah cukup dan mampu mewakili populasi
berdasarkan sistem yang ada. Uji kecukupan data dihitung
menggunakan rumus berikut:
N'=(k /s√N∑ X2−(∑ X2)
∑X )2
(4-
1)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt
Dimana
N’ = Jumlah pengamatan yang seharusnya dilakukan
N = Jumlah pengamatan yang dilakukan
k = Indeks yang nilainya tergantung dari tingkat
kepercayaan (convidence level )
s = Derajat ketelitian (degree of accuracy)
x = Data hasil pengamatan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
46
Berdasarkan data yang telah diambil dapat dilakukan
perhitungan sebagai berikut
N'=( 20,05 √46x163302−7325635
7325635 )2
= 5,55 dibulatkan menjadi = 6
Karena nilai N ≥ N’ maka dapat disimpulkan bahwa data
yang diambil telah cukup dan telah mewakili populasi.
4.2.3 Uji Independensi Data
Uji independensi dilakukan untuk mengetahui apakah data
yang diambil tidak bergantung kepada variabel lain. Data
yang diuji keindependensiannya adalah data yang telah diuji
keseragamannya. 46 data tersebut dimasukkan ke dalam scatter
diagram untuk mengetahui ada atau tidaknya pola terhadap
data tersebut sehingga didapatkan grafik sebagai berikut
0 2 4 6 8 10 120
2
4
6
8
10
12
Data waktu pengupasan
Data waktu pengupasan
Gambar 4.4 Pola data waktu pengupasan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
47
Berdasarkan scatter diagram di atas diketahui bahwa data
tidak membentuk pola tertentu sehingga data dinyatakan
independen.
4.3 Penentuan Parameter Distribusi dengan Input Analyzer
Penentuan bilangan acak menggunakan software ARENA
dengan media Input Analyzer memiliki langkah-langkah sebagai
berikut.
1. Buka program ARENA
2. Pilih Menu Tools – Input Analyzer
3. Masukkan data waktu dalam Data Table. Setelah muncul
lembar kerja, klik File > data File > Use Existing > Pilih
lokasi dan nama file.
4. Kemudian akan muncul suatu grafik, klik Fit > Fit All
5. Untuk memindahkan espression, blok nilai expression, klik
Edit dan pilih copy expressions
6. Pindahkan nilai expression ke modul Arena yang sesuai.
Berikut tabel distribusi waktu masing-masing proses pada
sistem.Tabel 4.2 Distribusi Waktu Proses
No. Proses Distribusi
1 Pengupasan NORM(57.6, 11.6) detik
2 Pembersihan TRIA(6.5, 8.38, 10.5) detik
3 Perajangan TRIA(1.45, 1.79, 2) menit
4 Pendinginan Constant 24 jam5 Penggorengan Constant 2 jam6 Penirisan 20 menit7 Packaging 8 menit
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
48
8 Waktu tempuh pendinginan ke penggorengan
TRIA(9.5, 10.2, 12.5) detik
9 Waktu tempuh penggorengan kepackaging
TRIA(11.5, 13.6, 15.5) detik
4.4 Penentuan Parameter Distribusi Pembangkitan Bilangan
Acak
Penentuan distribusi menggunakan Microsoft Excel, dengan
cara membangkitkan bilangan acak berdasarkan parameter pada
masing-masing distribusi, dengan menggunakan Tool Random
Generation Number pada Microsoft Excel dengan langkah-
langkah sebagai berikut.
1. Buka program Microsoft Excel
2. Aktifkan Data Analysis pada Microsoft Excel
Gambar 4.5 Data Analysis
3. Masukkan data pada lembar kerja Microsoft Excel
4. Hitung parameter yang dibutuhkan pada distribusi yang
ingin dibangkitkan, sehingga pada Microsoft Excel juga
dilakukan pembangkitan bilangan yang berdistribusi
normal, yakni parameter rata-rata dan standar deiviasi.
Pada CV. Agrindo Cipta Mandiri yang akan dibangkitkan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
49
datanya menggunakan Data Analysis adalah data waktu pada
proses pengupasan dengan rata-rata= 59. dan standar
deviasi= 9,48544.
5. Ketikkan banyaknya variabel yang ingin dimunculkan dan
banyaknya data pada variabel tersebut sesuai data yang
telah seragam dan independent. Pada CV. Agrindo Cipta
Mandiri proses penguapan memiliki data sebanyak 46 pada
hasil input analyzer diketahui bahwa proses pengupasan
berdistribusi normal.
Gambar 4.6 Pengujian distribusi dan parameter
6. Kemudian akan muncul bilangan berdasarkan distribusi dan
parameter yang telah diatur sebelumnya.
7. Pada tabel 4.3 akan ditampilkan data hasil pengamatan
dan data hasil pembangkitan bilangan.
Tabel 4.3 Data Hasil Pengamatan dan Data Hasil Pembangkitan Bilangan
No. DataAsli
DataGenerate
No. DataAsli
DataGenerate
No. DataAsli
DataGenerate
1 4130,718
76 17 5555,136
71 33 6461,553
88
2 4230,718
76 18 5655,812
49 34 6662,241
31
3 4438,419
53 19 5755,879
97 35 6665,107
25
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
50
4 4440,677
81 20 5856,184
79 36 6665,513
77
5 44 43,01075 21 58 56,480
71 37 66 65,52296
6 45 45,63055 22 59 56,496
5 38 67 68,026
7 46 49,39337 23 59 56,770
48 39 68 68,51019
8 46 51,29833 24 60 57,264
47 40 68 69,14821
9 51 52,40238 25 60 57,870
82 41 72 69,29606
10 51 52,69229 26 60 58,277
68 42 72 71,149
11 53 52,73387 27 61 58,592
44 43 73 73,10659
12 53 53,5626 28 61 59,416
27 44 73 76,59114
13 54 53,95066 29 62 60,681
7 45 74 77,03983
14 55 53,95985 30 62 60,767
26 46 79 77,63682
15 55 54,22696 31 63 61,251
91
16 55 54,9904 32 64 61,379
75
4.5 Pengujian Distribusi
Pengujian distribusi dilakukan untuk mengetahui
kesesuaian antara hasil penentuan parameter menggunakan
input analyzer dan menggunakan Microsoft Excel/ berikut
adalah langkah-langkahnya:
1. Buka program Microsoft Excel
2. Urutkan data hasil pengamatan mulai yang terkecil hingga
yang terbesar
3. Urutkan data hasil pembangkitan bilangan manual mulai
yang terkecil hingga yang terbesar LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA51
4. Tentukan nilai tertinggi dan nilai terendah dari kedua
data tersebut
5. Hitung range dari kedua data tersebut, contoh
perhitungannya adalah sebagai berikut.
Nilai terendah = 41
Nilai tertinggi = 79
R = 79 – 41
= 38
6. Hitung banyak kelas yang ada pada distribusi data
tersebut. Berikut adalah contoh perhitungannya.
K = 1 + 3,3 log (n)
= 1 + 3,3 log (46)
= 1 + 5,487
= 6,487
Dibulatkan menjadi 7 kelas sehingga terdapat 7 kelas
data pada distribusi data tersebut.
7. Hitung range pada masing-masing kelas, berikut adalah
contoh perhitungannya
r = Rk
= 387
= 5,428571
Sehingga range tiap kelas adalah sebesar 5,428571
8. Hitung batas atas dan batas bawah untuk masing-masing
kelas, berikut adalah contoh perhitungan untuk kelas
pertama
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
52
a. Batas bawah (BB) = nilai terkecil pada keseluruhan
data = 41
b. Batas atas (BA) = BB + r
= 41 + 5,428571
9. Hitung frekuensi relatif dan frekuensi kumulatif pada
masing-masing kelas, pada data hasil pengamatan dan data
hasil pembangkitan bilangan, berikut adalah contoh
perhitungan untuk kelas ketiga untuk data hasil
pengamatan.
a. FR = 8
b. FC = FRn + FRn+1
= FR2 + FR1
= 2 + 8
= 10
10. Hitung nilai PR dan PC pada masing-masing kelas pada
data hasil pengamatan dan data hasil pembangkitan
bilangan, berikut adalah contoh perhitungan untuk kelas
ketiga data hasil pengamatan.
a. PR = FRn
= 846
= 0,17
b. PC = FCn
= 1046
= 0,22
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
53
Berikut merupakan tabel hasil perhitungan frekuensi dan
probabilitas pada masing-masing data.Tabel 4.4 Hasil Perhitungan Frekuensi dan Probabilitas
Kelas BB BADistribusi Data
AsliDistribusi Data
GenerateFR FC PR PC FR FC PR PC
1 41 46,42857 8 8 0,1
70,1
7 6 6 0,13 0,13
2 46,42857
51,85714 2 10 0,0
40,2
2 2 8 0,04 0,17
3 51,85714
57,28571 9 19 0,2
00,4
1 16 24 0,35 0,52
4 57,28571
62,71429 12 31 0,2
60,6
7 10 34 0,22 0,74
5 62,71429
68,14286 9 40 0,2
00,8
7 4 38 0,09 0,83
6 68,14286
73,57143 4 44 0,0
90,9
6 5 43 0,11 0,93
7 73,57143 79 2 46 0,0
41,0
0 3 46 0,07 1,00
11. Lakukan perhitungan square error dengan cara menghitung
selisih nilai PC data hasil pengamatan dan PC data hasil
pembangkitan bilangan. Berikut adalah contoh perhitungan
squar error untuk data pada kelas 3.
Square error = (PC data asli – PC data
generate)^2
= (0,41 – 0,52)^2
= 0,0118
12. Lakukan perhitungan nilai X, dengan membagi nilai
square error dengan PC data generate. Berikut adalah contoh
perhitungan untuk data pada kelas 3.
X = 0,01180,52
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
54
= 0,02264
13. Jumlahkan nilai X untuk memperoleh nilai chi square
hitung, berikut adalah perhitungannya.
Chi square hitung = 0,01449 + 0,01087 + 0,02264 +
0,00575 + 0,00229 + 0,00051 + 0
= 0,085052
Pada tabel 4.5 akan ditampilkan hasil perhitungan dari
langkah 11 hingga ke 13.
Tabel 4.5 Hasil Perhitungan Square Error, Nilai X, dan Chi Square HitungKelas
PCasli
PCteori
Sqrerror X
1 0,17 0,13 0,0019 0,01449
2 0,22 0,17 0,0019 0,01087
3 0,41 0,52 0,0118 0,02264
4 0,67 0,74 0,0043 0,00575
5 0,87 0,83 0,0019 0,00229
6 0,96 0,93 0,0005 0,00051
7 1,00 1,00 0,0000 0,00000
Jumlah 0,05656
14. Hipotesis
a.H0 = Data berdistribusi normal
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
55
H1 = data tidak berdistribusi normal
Syarat :
H0 diterima jika nilai chi square hitung ≤ nilai chi
square tabel. Dengan nilai tabel chi square yang
digunakan adalah nilai tabel dengan nilai α = 0,05.
b.Df = k – (p+1)
= 7 – (2+1)
= 4
15. Diketahui bahwa nilai tabel untuk distribusi Chi Square
df = 4 adalah 9,488. Dapat diketahui bahwa nilai chi
square hitung ≤ nilai chi square tabel. Maka H0 diterima,
dan dapat disimpulkan bahwa data berdistribusi normal
dan sesuai dengan jenis distribusi yang diperoleh pada
input analyzer.
4.6 Model Konseptual
Model konseptual merupakan model yang digunakan untuk
menggambarkan urutan proses yang akan dilakukan, antara
lain dengan menggunakan flowchart sistem dan ACD (Activity Cycle
Diagram).
4.6.1 Flowchart Sistem
Berikut ini merupakan flowchart dari sistem pembuatan
keripik apel di CV Agrindo Cipta Mandiri.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
56
Gambar 4.7 Flowchart system
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
57
4.6.2 Activity Cycle Diagram (ACD)
Berikut ini adalah activity cycle diagram pembuatan keripik
apel di CV Agrindo Cipta Mandiri.
Gambar 4.8 Activity cycle diagram
4.7 Pembuatan Model Sistem
Dalam pembuatan model sistem pembuatan keripik apel CV
Agrindo Cipta Mandiri langkah-langkah yang perlu dilakukan
antara lain:
1. Membuat dan menyusun modul-modul pada lembar kerja seperti pada Gambar 4.9.
Gambar 4.9 Tampilan awal modul sistem pada Arena
2. Mendefinisikan setiap modul yang telah dibuat dengan
memasukkan pendefinisian dan informasi sebagai berikut:
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
58
a. Modul Create
Pada modul create dilakukan pendefinisian seperti pada
tabel 4.6.
Tabel 4.6 Daftar Pendefinisian Modul CreateNamamodul Name Entity type Type Value Unit
Entitiesper
Arrival
Create 1 Kedatangan Apel Apel Segar Random (expo) 10 Minute
s 5
Create 2 Kedatangan Alumunium Foil
Alumunium Foil
Random (expo) 10 Minute
s 10
Tampilan pendefinisian modul create dapat dilihat pada
Gambar 4.10.
Gambar 4.10 Pendeskripsian Model Create
b. Modul Station
Pada modul station dilakukan pendefinisian seperti pada
Tabel 4.7.Tabel 4.7 Daftar Pendefinisian Modul Station
Nama modul Name Station Type Station NameStation 1 Station Awal Station Station AwalStation 2 Station Pendinginan Station Station PendinginanStation 3 Station Penggorengan Station Station PenggorenganStation 4 Station Packaging Station Station Packaging
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
59
Tampilan pendefinisian modul station dapat dilihat pada
Gambar 4.11.
Gambar 4.11 Pendeskripsian model station
c. Modul Separate
Pada modul separate dilakukan pendefinisian seperti
pada Tabel 4.8.
Tabel 4.8 Daftar Pendefinisian Modul SeparateNamamodul Name Type Cost to
Duplicate # of Duplicate
Separate 1 Separate Apel Rajang Split Existing Batch 50 1
Separate 2 Separate Apel hasil Goreng
Split Existing Batch 50 1
Separate 3 Separate Apel goreng Split Existing Batch 50 1
Separate 4 Dipisah per gram Duplicate Original 50 999
Tampilan pendefinisian modul separate dapat dilihat
pada Gambar 4.12.
Gambar 4.12 Pendeskripsian model separate
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
60
d. Modul Route
Pada modul route dilakukan pendefinisian seperti pada
Tabel 4.9.Tabel 4.9 Daftar Pendefinisian Modul Route
Namamodul Name Route Time Units Destination Type Station Name
Route 1
Angkut ke Stasiun Penggorengan
TRIA(9.5, 10.2, 12.5) Seconds Station Stasion penggorengan
Route 2Angkut ke Stasiun Packaging
TRIA(11.5, 13.6, 15.5) Seconds Station Station packaging
Tampilan pendefinisian modul route dapat dilihat pada Gambar
4.13.
Gambar 4.13 Pendeskripsian model route
e. Modul Match
Pada modul match dilakukan pendefinisian seperti pada
Tabel 4.10.Tabel 4.10 Daftar Pendefinisian Modul Match
Name Match Number to Match TypeMatch 1 Match Apel dan alumunium
foil2 Any Entities
Tampilan pendefinisian modul match dapat dilihat pada
Gambar 4.14.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
61
Gambar 4.14 Pendeskripsian model match
f. Modul Batch
Pada modul batch dilakukan pendefinisian seperti pada
Tabel 4.11.Tabel 4.11 Daftar Pendefinisian Modul Batch
Nama modul Name Type Batch Size SaveCriterion Rule
Batch 1 Dikumpulkan per 20 kg
Temporary 20 Last Any Entity
Batch 2 Dikumpulkan per 15 kg
Temporary 15 Last Any Entity
Batch 3 Dikumpulkan Per 5 kg
Temporary 5 Last Any Entity
Batch 4 Dikumpulkan per 100gram
Permanent 100 Last Any Entity
Batch 5 Batch Apel dan Alumunium Foil
Permanent 2 Last Any Entity
Tampilan pendefinisian modul batch dapat dilihat pada
Gambar 4.15.
Gambar 4.15 Pendeskripsian model batch
g. Modul Process
Pada modul process dilakukan pendefinisian seperti
pada Tabel 4.12.Tabel 4.12 Daftar Pendefinisian Modul Process
Name Action Resources Delay type Units value Expression
PengupasanSeize Delay Release 1 rows Expression Second
s 1TRIA(29.5, 61.9,81.5)
PembersihanSeize DelayRelease 1 rows Expression Second
s 1TRIA(6.5, 8.38, 10.5)
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
62
PerajanganSeize DelayRelease 1 rows Expression Minute
s 1TRIA(1.45, 1.79,2)
Pendinginan Seize DelayRelease 1 rows Constant Hours 24 1
Penggorengan Delay 1 rows Constant Hours 2 1
Penirisan Seize DelayRelease 1 rows Constant Minute
s 20 1
Packaging Seize DelayRelease 1 rows Constant Minute
s 8 1
Tampilan pendefinisian modul process dapat dilihat
pada Gambar 4.16.
Gambar 4.16 Pendeskripsian model process
h. Modul Signal
Pada modul Signal dilakukan pendefinisian seperti pada
Tabel 4.13.Tabel 4.13 Daftar Pendefinisian Modul Signal
Name Signal Value LimitSignal Apel siap kemas 1 1
Tampilan pendefinisian modul signal dapat dilihat pada
Gambar 4.17.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
63
Gambar 4.17 Pendeskripsian model signal
i. Modul Hold
Pada modul hold dilakukan pendefinisian seperti pada
Tabel 4.14.Tabel 4.14 Daftar Pendefinisian Modul Hold
Name Type Wait forValue Limit Queue Type Queue Name
Hold Alumunium Foil
Wait forSignal 1 1 Queue
Queue Alumunium Foil.Queue
Tampilan pendefinisian modul hold dapat dilihat pada
Gambar 4.18.
Gambar 4.18 Pendeskripsian model hold
j. Modul Request
Pada modul request dilakukan pendefinisian seperti pada
Tabel 4.15.Tabel 4.15 Daftar Pendefinisian Modul Request
Name Transporter Name
SelectionRule Priority Velocit
y Units QueueType
QueueName
Reques Transporte Cyclical High(1) 5 Per Queue Request
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
64
t 4 r 1 Minute 4.Queue
Tampilan pendefinisian modul request dapat dilihat
pada Gambar 4.19.
Gambar 4.19 Pendeskripsian model request
k. Modul Transport
Pada modul transport dilakukan pendefinisian seperti
pada Tabel 4.16.Tabel 4.16 Daftar Pendefinisian Modul Transport
Name Transporter Name DestinationType
StationName Velocity Units
Transport4 Transporter 1 Station
StasiunPendingi
nan5 Per
Minute
Tampilan pendefinisian modul transport dapat dilihat
pada Gambar 4.20.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
65
Gambar 4.20 Pendeskripsian model transport
l. Modul Free
Pada modul free dilakukan pendefinisian seperti pada
Tabel 4.17Tabel 4.17 Daftar Pendefinisian Modul Free
Name TransporterName
DestinationType
StationName Velocity Units
Transport 4 Transporter 1 StationStasiun
Pendinginan
5 Per Minute
Tampilan pendefinisian modul free dapat dilihat pada
Gambar 4.21
Gambar 4.21 Pendeskripsian model free
m. Modul Dispose
Pada modul Dispose dilakukan pendefinisian seperti
pada Tabel 4.18Tabel 4.18 Daftar Pendefinisian Modul Dispose
Nama Modul NameDispose 1 Ke gudang
Tampilan pendefinisian modul Dispose dapat dilihat
pada Gambar 4.22
Gambar 4.22 Pendeskripsian model dispose
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
66
3. Mendefinisikan setup waktu sistem dengan cara Run – Setup,
kemudian mendefinisikan number of replication 5 kali, replication
length 7 days dengan time unit days, dan hours per day 24 ours.
4.8 Perhitungan Jumlah Replikasi
Untuk mengurangi variansi maka simulasi harus dilakukan
sebanyak n kali replikasi. Untuk mendapatkan nilai n maka
perlu dilakukan replikasi awan n0 yaitu sebanyak 5 kali
replikasi. Hasil dari 5 replikasi tersebut terdapat dalam
tabel 4.19. Selanjutnya untuk mendapatkan nilain n’ (n
replikasi yang dibutuhkan) maka dilakukan perhitungan
sebagai berikut.
n = 5 (replikasi awal)
n-1 = 4
α = 0,05
tn-1;α/2 = t4;0,025 = 2,776Tabel 4.19 Jumlah Replikasi
Replikasi Number OutSimulasi
1 9982 9993 9994 9995 997
StandarDeviasi 0,894427
Rata-rata 998,4
Nilai half width dihitung dengan rumus :
hw=(tn−1,α/2)s
√n LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA67
Hw = 2,776x0,894427√5
= 2,4832,236
= 1,11
Dari perhitungan di atas didapat nilai half width sebesar
1,11 atau jika dihitung presentase error terhadap rata-rata
dari data adalah sebesar
= 1,11998,4 x 100%
= 0,11 %
Karena nilai error tersebut lebih kecil dari error yang
ditentukan di awal, yakni 5% maka nilai replikasi tersebut
dinyatakan telah cukup.
4.9 Verifikasi Model
Verifikasi dilakukan dengan tiga cara, yakni:
1. Ketika seluruh model Arena telah selesai dibuat,
dilakukan pengecekan satuan waktu yang ada pada masing-
masig modul, agar sesuai dengan satuan waktu pada sistem
nyata.
2. Menekan F4 ketika Jendela Arena masih aktif untuk
mengecek ada atau tidaknya error pada sistem pemodelan
tersebut.
3. Mencocokkan modul yang ada pada Arena dengan ACD sistem
produksi Kripik Apel yang telah dibuat sebelumnya.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
68
Pada ACD dijelaskan bahwa antrian terjadi pada saat
proses pengupasan, pemberihan, pemotongan, pendinginan,
penggorengan, penirisan, pengemasan dan pada proses
batch/pengelompokan apel.
Simulasi arena menunjukkan sistem nyata dari awal
entitas memasuki sistem sampai entitas keluar sistem.
Antrian terjadi pada saat proses pengupasan, pembersihan,
pemotongan, pendinginan, penggorengan, penirisan,
pengemasan, dan pada proses batch/pengelompokan entitas
apel. Hal ini sama dengan yang terjadi pada sistem nyata.
Maka dari itu, model atau program ini sudah terverifikasi
karena apa yang tergambar pada Arena sudah sesuai dengan
keadaan sistem nyata. Berikut adalah gambaran model pada
Arena.
Gambar 4.23 Verifikasi model arena
Berikut adalah gambaran model pada ACD.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
69
Gambar 4.24 Verifikasi model ACD
4.10 Validasi Model
Validasi model simulasi sistem produksi kripik apel pada
megeproject ini dilakukan dengan metode statistik yang
menggunakan software SPSS.
4.10.1 Validasi Model dengan SPSS
Proses validasi model simulasi pembuatan kripik apel
pada megaproject kali ini akan dilakukan dengan dua
validasi, yaitu validasi number out dan validasi waiting time.
Berikut adalah langkah-langkah pengujian validasi model
simulasi pembuatan kripik apel.
1. Buka program yang telah dibuat pada Arena
2. Run program dan pilih tampilkan hasil di akhir simulasi
program.
3. Setelah muncul Reprt Selection, pilih Category Replication.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
70
Gambar 4.25 Tampilan per replikasi
4. Bandingkan jumlah output dan waktu antri simulasi dengan
aktual dari 5 replikasi. Berikut adalah data dari 5
replikasi.Tabel 4.20 Data Number Out dan Waiting Time
Replikasi Number Out Waiting timePendinginan
Aktual Simulasi Aktual Simulasi1 1000 998 70 70,09362 970 999 72 70,02013 990 999 69,5 70,60544 1000 999 67 69,63135 980 997 70 70,3992
Selanjutnya dilakukan pengujian data yang terdapat pada
tabel 4.20 dengan menggunakan software SPSS. Pengujian
tersebut diawali dengan pengujian kenormalan data. Langkah-
langkah uji kenormalan pada software SPSS adalah sebagai
berikut.
1. Membuka SPSS dan membuat file baru
2. Klik Variable View, kemudian mengisi nama variabel dengan
Group, Waiting, dan Output.
3. Isikan data ke dalam Data View. LABORATORIUM SIMULASI DAN APLIKASI INDUSTRI
JURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA71
4. Klik analyze > Descriptive Statistic > Explore. Masukkan output dan
waiting ke dalam Dependent List, klik Plots centang Normality
Plots with test. Klik continue lalu klik OK.
Gambar 4.26 Langkah pengujian SPSS uji kenormalan
5.Akan muncul tabel output uji kenormalanTabel 4.21 Output Uji Kenormalan Data
Tests of NormalityKolmogorov-Smirnova Shapiro-Wilk
Statistic
df Sig. Statistic
df Sig.
Output ,344 10 ,001 ,709 10 ,001Waiting ,266 10 ,043 ,838 10 ,042a. Lilliefors Significance Correction
H0 : Data berdistribusi normal
H1 : Data tidak berdistribusi normal
H0 diterima jika nilai Asymp. Sig. (2-tailed) ≥ α/2, dan H0
ditolak jika nilai Asymp. Sig. (2-tailed) < α/2.
Dari tabel 4.21 yang menyajikan output uji kenormalan
untuk data number out dan waiting time dapat dilihat bahwa
1.Number Out
Nilai Asymp. Sig. (2-tailed) = 0,001/2 = 0,0005 < α/2
(0,025), maka H0 ditolak. Sehingga dapat disimpulkan
bahwa untuk data number out tidak berdistribusi normal.
2.Waiting Time Pendinginan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
72
Nilai Asymp. Sig. (2-tailed) = 0,043/2 = 0,0215 < α/2
(0,025), maka H0 ditolak. Sehingga dapat disimpulkan
bahwa untuk data waiting time tidak berdistribusi
normal.
Pengujian tersebut dapat dilakukan dengan menggunakan
software SPSS yang mengacu pada hasil uji kenormalan data.
Dimana jika data tidak berdistribusi normal menggunakan uji
nonparametrik yaitu uji Mann-Whitnry, sedangkan jika data
berdistribusi normal menggunakan uji parametrik yaitu
independent sample t-test. Berdasarkan uji kenormalan data, maka
pengujian validitas, baik untuk data number out dan waiting
time menggunakan uji Mann-Whitney. Berikut adalah langkah-
langkahnya.
1. Buka software SPSS dan membuat file baru.
2. Klik Variable View, kemudian mengisi kolom nama variabel
“Group”, “Output” untuk pengujian number out, DAN
“Waiting” untuk pengujian waiting time.
3. Klik Data View, kemudian inputkan data. Pada kolom Group
data terdiri dari dua jenis, yaitu 1 untuk data aktual
dan 2 untuk data simulasi.
4. Klik Analyze > non-parametric test > 2-Independents Samples.
5. Setelah itu akan muncul kotak dialog Two-Independent >
Samples Test. Masukkan variabel Output/Waiting pada Test
Variable List. Masukkan Group pada Grouping Variable. Klik Define
Group, masukkan 1 untuk group 1 dan 2 untuk group 2 klik
Continue.
6. Pilih Mann-Whitney U pada test type.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
73
7. Klik Option, kemudian centang descriptive dan pilih Exclude
Cases Test-by-Test, lalu klik Continue dan OK.
Gambar 4.27 Langkah-langkah uji Mann-Whitney
8. Akan muncul output seperti yang disajikan pada tabel
4.22 untuk number out, dan tabel 4.22 untuk waiting time.
Tabel 4.22 Output Uji Mann-Whitney data Number OutTest Statisticsa
OutputMann-Whitney U 10,000Wilcoxon W 25,000Z -,530Asymp. Sig. (2-tailed) ,596
Exact Sig. [2*(1-tailed Sig.)] ,690b
a. Grouping Variable: Groupb. Not corrected for ties.
Tabel 4.23 Output Uji Mann-Whitney data Waiting TimeTest Statisticsa
WaitingMann-Whitney U 7,000Wilcoxon W 22,000Z -1,152Asymp. Sig. (2-tailed)
,249
Exact Sig. [2*(1-tailed Sig.)]
,310b
a. Grouping Variable: Groupb. Not corrected for ties.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
74
H0 : tidak terdapat perbedaan antara data simulasi dengan
data aktual (valid)
H1 : terdapat perbedaan antara data simulasi dengan data
aktual (tidak valid)
H0 diterima jika nilai Asymp. Sig. (2-tailed) ≥ α/2, dan H0
ditolak jika nilai Asymp. Sig. (2-tailed) < α/2.
9. Kesimpulan
a.Data Number Out
Dari tabel 4.22, dapat dilihat bahwa nilai Assymp. Sig.
(2-tailed) = 0,596 > α/2 (0,025), maka H0 diterima.
Sehingga dapat dismpulkan bahwa untuk number out tidak
ada perbedaan antara data simulasi dengan data aktual
(valid).
b.Data Waiting Time Pendinginan
Dari tabel 4.23, dapat dilihat bahwa nilai Assymp. Sig.
(2-tailed) = 0,249 > α/2 (0,025), maka H0 diterima.
Sehingga dapat dismpulkan bahwa untuk waiting time tidak
ada perbedaan antara data simulasi dengan data aktual
(valid).
4.11 Analisis Hasil Simulasi
Berikut adalah hasil dari simulasi sistem pembuatan
produk kripik apel pada CV Agrindo Cipta Mandiri yaitu :Tabel 4.24 Analisis Number In
No. Faktor Deskripsi Replikasi
1 2 3 4 51. Number
InAluminium Foil
11.230
10.730
11.440
10.740
11.550
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
75
Apel Segar 126.425
126.440
126.530
126.235
126.409
1. Number in
Pada kelima replikasi, number in untuk keseluruhan proses
dari aluminium foil dan apel segar waktu kedatangan tidak
ada yang sama di setiap replikasi. Hal ini terjadi karena
waktu kedatangan dari tiap replikasinya tidak ada yang
konstan sehingga tidak ada nilai yang sama. Pada proses
apel segar nilai terbesar terletak pada replikasi ke-3 ,
yaitu sebesar 126.540. Untuk proses Aluminium Foil nilai
terbesar terletak pada replikasi ke-5, yaitu sejumlah
11.550.Tabel. 4.25 Analisis Number Out
No. Faktor Deskripsi Replikasi
1 2 3 4 5
2. Number Out
Aluminium Foil 1.996 1.998 1.998 1.998 1.994
Apel Segar 100.836
100.937
100.937
100.937
100.735
2. Number Out
Untuk number out, Aluminium Foil yang keluar dari sistem
memiliki nilai yang hampir sama, yaitu berkisar antara
1994 hingga 1998. Sedangkan pada apel segar nilai terbesar
adalah pada replikasi ke-1,2,dan3 yaitu sebesar 100.937.
Nilai yang keluar pada number out jumlahnya berbeda pada
nilai pada number in. Hal ini menunjukkan bahwa terdapat
entitas yang menunggu untuk diproses pada tiap replikasi.
Tabel. 4.26 Analisis WIP
No. Faktor Deskripsi Replikasi
1 2 3 4 5
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
76
3. WIP
Aluminium Foil
9.236
8.732 9.422 8.74
2 9.562
Apel Segar 39.485
39.375
39.486
38.234 39.438
3. WIP
Pada WIP, nilai WIP dari keseluruhan proses dan
keseluruhan replikasi menunjukkan waktu proses yang hampir
sama. WIP yang terbesar terletak pada apel segar dengan
nilai sebesar 39.485, hal ini terjadi karena proses
pemotongan apel segar merupakan yang terbanyak yang masih
ada di dalam sistem. Kejadian ini disebabkan oleh
pemotongan apel segar dengan jumlah sangat banyak yang
masih menggunakan tenaga manual. Sehingga menimbulkan waktu
proses yang lama.Tabel. 4.27 Analisis VA Time
No. Faktor Deskripsi Replikasi1 2 3 4 5
4. VA Time AluminiumFoil
4,0958
4,0931
4,0931
4,0931 4,0983
4. VA Time
Pada VA Time, untuk keseluruhan proses memberikan waktu
proses yang hampir sama yaitu berkisar antara 4,0931 hingga
4,0983 menit. Karena waktu proses aluminium foil ini hampir
konstan sehingga tidak ada perbedaan yang significant. Pada
VA, waktu terbesar terdapat pada replikasi ke-5 dengan lama
waktu 4,0983 menit.Tabel 4.28 Analisis Waiting Time
No Faktor Deskripsi Replikasi
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
77
. 1 2 3 4 5
5 Waitingtime
Batch Apel dan Aluminium Foil.Queue 0 0 0 0 0
Dikumpulkan per 100gr.Queue 0 0 0 0 0
Dikumpulkan per 15kg .Queue6,0000
6,0000
6,0000
6,0000
6.0000
Dikumpulkan per 20kg .Queue0,2751
0,2631
0,02621
0,2763
0.2776
Dikumpulkan per 5kg .Queue 0 0 0 0 0
Hold Aluminium Foil.Queue85,0269
82,1949
84,2637
82,4388
82.5074
Match Apel dan Aluminium Foil.Queue1 0 0 0 0 0
Match Apel dan Aluminium Foil.Queue2 0 0 0 0 0
Packaging.Queue17,2959
17,2998
17,2998
17,2999
17.2922
Pembersihan.Queue0,02337
0,02284
0,02465
0,02366
0.02213
Pendinginan.Queue70,0936
70,0201
70,6054
69,6313
70,3992
Penggorengan.Queue0,4999
0,4999
0,50000
0,5000
0,4999
Pengupasan.Queue0,02141
0,02142
0,02444
0,02022
0,02137
Penirisan.Queue 0 0 0 0 0
5. Waiting Time
Pada Waiting Time, dapat dilihat bahwa waktu antri proses
terbesar terletak pada proses Hold Aluminium yang mana
nilai terbesar terletak pada replikasi ke-1 dengan waktu
84,0269 menit. Pada proses pengumpulan per 15kg nilai
seluruh replikasi adalah sama yang berarti lamanya waktu
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
78
yang dihabiskan entitas untuk masuk pada proses ini adalah
konstan dengan waktu sebesar 6,0000 menit.
Pada tabel di atas, dapat dilihat bahwa waktu antri
terbesar dari keseluruhan proses adalah ketika proses Hold
Aluminium karena proses sebelumnya adalah proses
pengumpulan per 5kg yang jauh lebih singkat waktunya dari
pada waktu prosses Hold Aluminium, akibatnya lembaran
aluminium menumpuk dan memiliki waktu tunggu yang jauh
lebih lama.
Tabel 4.29 Analisis Number WaitingNo.
Faktor Deskripsi
Replikasi
1 2 3 4 5
6. Number
Waiting
Batch Apel dan Aluminium Foil.Queue 0 0 0 0 0
Dikumpulkan per 100gr.Queue 0 0 0 0 0
Dikumpulkan per 15kg .Queue4,2857
4,2857
4,2857
4,2857
4,2857
Dikumpulkan per 20kg .Queue8,2846
7,9404
8,0514
8,0130
8,3281
Dikumpulkan per 5kg .Queue 0 0 0 0 0
Hold Aluminium Foil.Queue4.568,8
4.190,4
4.604,9
4.287,74
4.622,37
Match Apel dan Aluminium Foil.Queue1 0 0 0 0 0
Match Apel dan Aluminium Foil.Queue2 0 0 0 0 0
Packaging.Queue126,35
126,55
126,53
126,53
126,25
Pembersihan.Queue0,7040
0,6901
0,7573
0,6867
0,6648
Pendinginan.Queue 123,08
121,69
127,93
115,63
122,18
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
79
Penggorengan.Queue0,0238
0,0238
0,0238
0,0238
0,0238
Pengupasan.Queue0,6450
0,6472
0,7508
0,5872
0,6420
Penirisan.Queue 0 0 0 0 0
6. Number Waiting
Menunjukkan banyaknya jumlah output yang menunggu di
tiap menitnya. Antrian yang memiliki waktu tunggu yang
paling lama adalah proses packaging karena prosesnya
membutuhkan waktu yang cukup lama. Number waiting pada proses
packaging yang terbesar terletak pada replikasi ke-2 yaitu
sebesar 126,55 dikarenakan waktu proses pada stasiun
sebelumnya memiliki perbedaan yang signifikan dengan waktu
proses packaging.Tabel. 4.30 Analisis Utilization
No.
Faktor DeskripsiReplikasi
1 2 3 4 5
7 Utilization
Mesin Continous Sealer
0,7925
0,7935
0,7934
0,7934
0,7920
Mesin Freezer 0,9969
0,9979
0,9978
0,9978
0,9964
Mesin Spinner 0,0158
0,0158
0,0158
0,0158
0,0158
Mesin Vacum Frying
0,0952
0,0952
0,0952
0,0952
0,0952
Resource 1 0,4784
0,4762
0,4844
0,4609
0,4750
Resource 2 0,4766
0,4796
0,4877
0,4592
0,4728
Resource 3 0,47 0,47 0,48 0,45 0,47
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
80
78 86 51 91 72
7. Utilization
Pada faktor Utilization, dapat diketahui bahwa utilisasi
pada sebgaian besar mesin memiliki tingkat utilisasi yang
dikatakan baik karena tidak mendekati 1. Namun hanya saja
pada mesin Freezer mendekati 1 yang memiliki tingkat
utilitas sebesar 0,9964 – 0,9979 yang berarti mesin Freezer
bekerja terlalu banyak dan maksimal sehingga dikhawatirkan
mesin tersebut akan down di tengah-tengah aktivitas yang
nantinya dapat menghambat proses keseluruhan produksi.
Sehingga perlu adanya penambahan mesin Freezer agar proses
produksi berjalan dengan baik.
4.12 Rancangan Perbaikan Sistem
Rancangan perbaikan sistem pada pembuatan keripik apel
di CV. Agrindo Cipta Mandiri dapat dilakukan dengan process
analyzer. Pada process analyzer, akan ada beberapa skenario yang
menyajikan alternatif-alternatif perbaikan yang nantinya
dipilih skenario yang memberikan alternatif terbaik untuk
sistem.
4.12.1 Rancangan Skenario dengan Process Analyzer
Berikut ini merupakan langkah-langkah penggunaan process
analyzer untuk pembuatan kripik apel.
1. Membuka software Arena
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
81
2. Setelah program terbuka, lalu klik Tools > klik process
analyzer
3. Membuat proyek baru dengan cara mengklik file > New.
Kemudian akan muncul tampilan seperti pada gambar 4.28
Gambar 4.28 Process Analyzer4. Menambahkan skenario
Klik dua kali pada daerah yang ditunjuk (double-click here to
add a new scenario), kemudian kotak dialog scenario properties
akan tampil. Pada program file, pilih model yang akan
diskenariokan dengan cara klik browse > pilih Kripik apel.p >
klik OK. Jika ingin menambahkan skenario lagi, ulangi
langkah yang sama.
5. Menambahkan control
Klik menu insert > klik control > muncul kotak dialog.
Kemudian memilih resources mesin continuous sealer, mesin
freezer, dan resourse 1. Ketiga jenis resource ini dipilih
karena ketiga jenis resource ini dinilai menyebabkan
terjadinya WIP dengan nilai yang cukup tinggi.
Gambar 4.29 Skenario
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
82
6. Menambahkan response
Menambahkan response dari menu insert > response, kemudian
akan muncul kotak dialog dan memilih response yang
diinginkan dari beberapa skenario. Response yang dipilih
yaitu : number out, WIP Apel segar, WIP Alumunium Foil,
waiting time Pendinginan, utilitas mesin continuous sealer, dan
utilitas mesin freezer.
7. Menjalankan skenario
Mengeblok keseluruhan scenario > klik Run > Go. Skenario
akan berjalan sebanyak 5 replikasi. Skenario yang
memiliki status dengan lambang bendera merupakan
skenario yang sudah selesai dijalankan.
8. Review The Result
Setelah keseluruhan skenario dijalankan, akan muncul
output dari masing-masing skenario. Pada gambar 4.30
adalah output dari keseluruhan skenario.
Gambar 4.30 Output keseluruhan scenario
4.12.1.1 Analisis dan Pembahasan Hasil Skenario
a. Analisis WIP Apel Segar
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
83
Gambar 4.31 WIP Apel Segar
Pada gambar 4.31 diketahui bahwa scenario paling baik
untuk WIP apel segar adalah scenario ke-3 karena pada
scenario tersebut memiliki nilai utilisasi paling rendah
jika dibandingkan dengan nilai scenario yang lain
b. WIP Aluminium Foil
Gambar 4.32 WIP Aluminium Foil
Pada gambar 4.32 diketahui bahwa scenario paling baik
untuk WIP Aluminium Foil adalah scenario ke-3 karena pada
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
84
scenario tersebut memiliki nilai utilisasi paling rendah
jika dibandingkan dengan nilai scenario yang lain
c. Utilisasi Mesin Continous Sealer
Gambar 4.33 Utilisasi Mesin Continous Sealer
Pada gambar diatas dapat diketahui bahwa utilisasi
terbaik ada pada scenario ke-4 karena memiliki nilai yang
paling rendah.
d. Number Out System
Gambar 4.34 Number Out System
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
85
Pada gambar 4.34 dapat dilihat bahwa Number Out untuk
scenario 3 dan 4 adalah yang terbesar dan memiliki nilai
yang sama yaitu sebanyak 2400.
e. Waiting Time Pendinginan
Gambar 4.35 Waiting Time Pendinginan
Pada gambar 4.35 dapat diketahui bahwa scenario paling
baik untuk Waiting Time Pendinginan adalah scenario ke 5
karena pada scenario tersebut nilainya paling rendah.
f. Utilisasi Mesin Freezer
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
86
Gambar 4.36 Utilisasi Mesin Freezer
Pada gambar 4.36 dapat dilihat bahwa utilisasi mesin
freezer memiliki kisaran nilai yang hampir sama.
Berdasarkan hasil yang didapatkan pada process analyzer,
dapat dibuat analisa untuk masing-masing scenario sebagai
berikut :
a. Skenario 1
Pada scenario satu jumlah Continous Machine, Mesin Freezer,
dan Resource adalah berjumlah 1. Dengan penggunaan 1
unit Continous Machine memunculkan nilai utilisas sebesar
0,793 dan tergolong masih tinggi. Sedangkan pada
utilitas mesin Freezer adalah sebesar 0,997 dan tergolong
sangat tinggi. Dan pada WIP pengupasan apel dengan
penggunaan 1 resource menghasilkan nilai sebesar
15456,165.
b. Skenario 2
Pada scenario dua jumlah Continous Machine adalah 2 unit,
Mesin Freezer sebanyak 3 unit, dan Resource yang berjumlah
2 orang. Dengan penggunaan 2 unit Continous Machine
memunculkan nilai utilisas sebesar 0,840 dan tergolong
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
87
tinggi. Sedangkan pada utilitas mesin Freezer adalah
sebesar 0,993 dan tergolong sangat tinggi. Dan pada WIP
pengupasan apel dengan penggunaan 2 resource memunculkan
nilai yang sangat tinggi yaitu sebesar 81855,973.
c. Skenario 3
Pada scenario ini digunakan Continous Machine dengan
jumlah 3 unit, Mesin Freezer sebanyak 2 unit, dan Resource
yang berjumlah 3 orang. Dengan penggunaan 3 unit
Continous Machine memunculkan nilai utilisas sebesar 0,635
dan merupakan nilai terbaik dari penggunaan scenario
yang lain. Sedangkan pada utilitas mesin Freezer adalah
sebesar 0,995 dan tergolong sangat tinggi. Dan pada WIP
pengupasan apel dengan penggunaan 1 resource
menghasilkan nilai sebesar 13349,693.
d. Scenario 4
Pada scenario keempat pengggunaan Continous Machine
sebanyak 3 unit , Mesin Freezer sebanyak 2 unit, dan
Resource adalah berjumlah 2 orang. Dengan penggunaan 3
unit Continous Machine memunculkan nilai utilisas
sebesar 0,635 dan merupakan nilai terbaik dari
penggunaan scenario yang lain. Sedangkan pada utilitas
mesin Freezer adalah sebesar 0,995 dan tergolong sangat
tinggi. Dan pada WIP pengupasan apel dengan penggunaan 2
resource menghasilkan nilai sebesar 13367,136.
e. Scenario 5
Pada scenario terakhir pengggunaan Continous Machine
sebanyak 2 unit , Mesin Freezer sebanyak 2 unit, dan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
88
Resource adalah berjumlah 3 orang. Dengan penggunaan 2
unit Continous Machine memunculkan nilai utilisas sebesar
0,841 dan tergolong masih tinggi. Sedangkan pada
utilitas mesin Freezer adalah sebesar 0,993 dan tergolong
sangat tinggi. Dan pada WIP pengupasan apel dengan
penggunaan 3 resource menghasilkan nilai sebesar
82000,319.
4.13 Pemilihan Skenario
Hasil eksperimen menunjukkan perbedaan hasil responses
dari setiap skenario. Dari chart setiap responses, dapat
diketahui bahwa skenario terbaik adalah skenario yang
paling banyak menjadi best scenario pada setiap chart dari
responses. Pada rancangan eksperimen yang dilakukan pada
sistem pembuatan kripik apel, dapat diketahui bahwa
skenario terbaik dari 5 skenario yang ada adalah skenario
3. Hal ini dikarenakan skenario 3 adalah skenario yang
memberikan perubahan yang paling banyak daripada skenario
lain.
Dari hasil dapat diketahui bahwa dalam skenario 3,
jumlah WIP alumunium foil adalah yang terkecil yaitu 4162,751.
Sedangkan untuk jumlah WIP Apel segar, hasil terkedil
dimiliki skenario 3 yaitu 13349,693. Dan untuk waktu tunggu
antrian di proses pendinginan pada skenario 3 sebesar
68,003. Selain itu, utilitas mesin comtinuous sealer adalah
sebesar 0,635 dan utilitas mesin freezer adalah sebesar
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
89
0,995. Dan hasilnya, skenario 3 mampu menghasilkan number
out sebesar 2400.
Oleh karena itu, dapat disimpulkan bahwa sistem pada
skenario 3 lebih baik dari sistem pada skenario asli
(original) sehingga hal ini dapat dijadikan rekomendasi untuk
perbaikan sistem bagi CV. Agrindo Cipta Mandiri dalam
pembuatan kripik apel 100 gram. Berikut ini merupakan
perbandingan dari skenario original dengan skenario yang
terbaik yaitu skenario 3.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
90
BAB VKESIMPULAN DAN SARAN
5.1 Kesimpulan
Kesimpulan dari penelitian simulasi diatas adalah
sebagai berikut :
1. Permasalahan yang terdapat pada sistem produksi keripik
apel di CV Agrindo Cipta Mandiri yaitu kondisi proses
pembuatan kripik apel menghasilkan WIP yang cukup tinggi
dan waktu tunggu entitas yang lama pada proses
pendinginan yang dikarenakan proses pendinginan
membutuhkan waktu lama dengan menggunakan mesin freezer
yang jumlahnya kurang mencukupi, karena tingkat utilitas
mesin freezer sebesar 0,9964 – 0,9979 mendekati angka 1,
yang berarti mesin freezer bekerja terlalu banyak dan
maksimal sehingga dikhawatirkan mesin tersebut akan down
di tengah-tengah aktivitas yang akan menghambat proses
keseluruhan produksi.
2. Model sistem produksi pada CV Agrindo Cipta Mandiri
dengan memakai Activities Cycle Diagram (ACD) dijelaskan pada
point 4.7. Dengan memakai model sistem produksi ACD,
pengamat dapat dengan mudah mengetahui hubungan
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
91
interaksi antar elemen dengan perubahan secara diskrit
terhadap waktu.
3. Model sistem produksi pada CV Agrindo Cipta Mandiri
dengan memakai software Arena dan mensimulasikannya
dijelaskan pada point 4.9. Dengan memakai software Arena
dan mesimulasikan sistem produksi di CV Agrindo Cipta
Mandiri, pengamat dapat mengetahui alur sistem,
mengetahui apa yang dibutuhkan dan mengetahui apakah
didalam sistem tersebut terdapat kekurangan dalam proses
produksi pembuatan keripik apel.
4. Analisa akhir dari hasil simulasi yang memakai software
Arena yaitu :
a.Number in untuk keseluruhan proses alumunium foil dan
apel segar waktu kedatangan tidak ada yang sama di
setiap replikasi, karena waktu kedatangan tiap
replikasi tidak ada yang konstan sehingga tidak ada
nilai yang sama.
b.Number out pada alumunium foil memiliki nilai yang
hampir sama, berkisar antara 1.994 hingga 1.998. Nilai
yang keluar jumlahnya berbeda dengan nilai number in.
Hal ini menunjukkan bahwa terdapat entitas yang
menunggu untuk diproses pada tiap replikasi.
c.Nilai WIP dari keseluruhan proses dan replikasi
menunjukkan waktu proses yang hampir sama. WIP
terbesar terletak pada apel segar, karena proses
pemotongan apel segar merupakan yang terbanyak di
dalam sistem. Disebabkan jumlah pemotongan apel segar
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
92
sangat banyak dan masih menggunakan tenaga manual,
sehingga membutuhkan waktu proses yang lama.
d.VA Time untuk keseluruhan proses memberikan waktu
proses yang hampir sama. Karena waktu proses alumunium
foil hampir konstan sehingga tidak ada perbedaan yang
significant.
e.Waiting Time dapat dilihat bahwa waktu antri proses
terbesar terletak pada proses Hold Aluminium karena
proses sebelumnya adalah proses pengumpulan per 5kg
yang jauh lebih singkat waktunya dari pada waktu
prosses Hold Aluminium, akibatnya lembaran aluminium
menumpuk dan memiliki waktu tunggu yang jauh lebih
lama.
f.Number Waiting yang memiliki waktu tunggu yang paling
lama adalah proses packaging karena prosesnya
membutuhkan waktu yang cukup lama. Waktu proses pada
stasiun sebelumnya memiliki perbedaan yang signifikan
dengan waktu proses packaging.
g.Utilization pada sebgaian besar mesin memiliki tingkat
utilisasi yang dikatakan baik karena tidak mendekati
1. Namun hanya saja pada mesin Freezer mendekati 1,
yang berarti mesin Freezer bekerja terlalu banyak dan
maksimal sehingga dikhawatirkan mesin tersebut akan
down di tengah-tengah aktivitas yang nantinya dapat
menghambat proses keseluruhan produksi.
5. Skenario perbaikan pada permasalahan yang muncul dalam
sistem produksi dan analisisnya terdapat pada point
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
93
4.13. Skenario perbaikan yang terbaik dari 5 skenario
adlah skenario 3. Hal ini dikarenakan skenario 3 adalah
skenario yang memberikan perubahan yang paling banyak
daripada skenario lain. Hasilnya diketahui bahwa dalam
skenario 3, jumlah WIP alumunium foil adalah yang terkecil
yaitu 4162,751. Sedangkan untuk jumlah WIP Apel segar,
hasil terkecil dimiliki skenario 3 yaitu 13349,693. Dan
untuk waktu tunggu antrian di proses pendinginan pada
skenario 3 sebesar 68,003. Selain itu, utilitas mesin
comtinuous sealer adalah sebesar 0,635 dan utilitas mesin
freezer adalah sebesar 0,995. Dan hasilnya, skenario 3
mampu menghasilkan number out sebesar 2400. Sehingga
dipilih skenario 3 untuk dijadikan rekomendasi perbaikan
sistem CV. Agrindo Cipta Mandiri dalam pembuatan keripik
apel 100 gram.
5.2 Saran
Sebaiknya sistem produksi di CV. Agrindo Cipta Mandiri
dirubah mengikuti sistem yang sudah kami rekomendasikan,
yaitu skenario 3 dengan menggunakan Continous Machine dengan
jumlah 3unit, Mesin Freezer sebanyak 2unit, dan Resource yang
berjumlah 3 orang. Dengan penggunaan 3 unit Continous Machine
memunculkan nilai utilisasi sebesar 0,635 dan merupakan
nilai terbaik dari penggunaan scenario yang lain. Sedangkan
pada utilitas mesin Freezer adalah sebesar 0,995 dan
tergolong sangat tinggi. Dan pada WIP pengupasan apel
dengan penggunaan 1 resource menghasilkan nilai sebesar
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
94
13349,693. Karena dapat membantu produksi lebih cepat dan
mesin tidak mudah mengalami kerusakan sehingga dapat
menghemat biaya pengeluaran untuk perawatan dan perbaikan
mesin dalam sistem produksi pembuatan keripik apel 100
gram.
LABORATORIUM SIMULASI DAN APLIKASI INDUSTRIJURUSAN TEKNIK INDUSTRI - UNIVERSITAS BRAWIJAYA
95