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.


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.


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.


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.


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


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


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.


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


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)


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).


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.


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.


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


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


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


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


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


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)


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.


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)




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)



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.



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




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)



23

Gambar 2.17 Distribusi Eksponensial PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt

λe−λx (2-8)Sumber: Rahman. 2013. Distribusi Probabilitas.ppt



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.




24

Gambar 2.19 Distribusi Gamma PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt

xk−1exp (−x

θ)

Γ(k)θk(2-9)


b. Cummulative Distribution Function(cdf)


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


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.



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)


b. Cummulative Distribution Function(cdf)



26

Gambar 2.22 Distribusi Weibull CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt

1−e−( xλ)

k

x≥00 x<0 (2-


2.6.1.7 Distribusi LognormalMerupakan distribusi probabilitas sebuah peubah

(variabel) acak yang logaritmanya tersebar secara normal.



Gambar 2.23 Distribusi Lognormal PDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt

1x√2πσ

e−lnx−μ2

2μ2 (2-



27



Gambar 2.24 Distribusi Lognormal CDFSumber: Rahman. 2013. Distribusi Probabilitas.ppt

12

+12erf[ lnx−μ

2σ ] (2-


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


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-




Gambar 2.26 Distribusi Poisson CMFSumber: Rahman. 2012. Distribusi.ppt


29

Γ (⌊k+1⌋,λ )⌊k⌋! fork≥0 (2-


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)


Gambar 2.27 Distribusi Binomial PMFSumber: Rahman. 2012. Distribusi.ppt

(nk)pk(1−p)n−k (2-

17)



30



Gambar 2.28 Distribusi Binomial CDFSumber: Rahman. 2012. Distribusi.ppt

I1−p(n−⌊k⌋,1+⌊k⌋) (2-


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)


Gambar 2.29 Distribusi Geometri PMF


31

Sumber: Rahman. 2012. Distribusi.ppt

(1−p)k−1p (2-

19)




Gambar 2.30 Distribusi Geometri CDFSumber: Rahman. 2012. Distribusi.ppt

1−(1−p)k (2-


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:


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)


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)


34

BAB IIIMETODOLOGI PRAKTIKUM


35

3.1 Diagram Aliran Flowchart

Berikut ini adalah diagram aliran prosedur praktikum.

Gambar 3.1 Flowchart praktikum


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


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


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.


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.


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


41

http://situsmesin.com/mesin-pengemas/item/98-continuous-sealer

(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


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


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


=

√ (51−57,61)2+(73−57,61)2+(72+57,61)2+…+(61−57,61)2+(66−57,61)2

46

= 9,93


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


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


=

√ (51−57,61)2+(73−57,61)2+(72+57,61)2+…+(61−57,61)2+(66−57,61)2

45

= 9,5


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


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-


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


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


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


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


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


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


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


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


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


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


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.


56

Gambar 4.7 Flowchart system


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:


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


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


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.


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


Batch 3 Dikumpulkan Per 5 kg


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)


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.


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


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.


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


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


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.


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.


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.


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


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


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.


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.


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


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


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


1 2 3 4 5


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


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


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


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


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


4,2857

4,2857

4,2857

4,2857


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



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


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


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


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


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


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


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


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


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


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


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


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.


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


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


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


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


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.


95

Laporan fix (6 Juni 2014)

Documents

Transcript of Laporan fix (6 Juni 2014)