LAPORAN TUGAS AKHIR (Studi Kasus Dipo Lokomotif ...

i

LAPORAN TUGAS AKHIR

STRATEGI PEMELIHARAAN LOKOMOTIF DAN KERETA REL

DIESEL (KRD) BERJANGKA DENGAN METODE MARKOV CHAIN

UNTUK MEMINIMALKAN ANGGARAN MAINTENANCE

(Studi Kasus Dipo Lokomotif Semarang Poncol)

Laporan Tugas Akhir Disusun SebagaikSalahkSatulSyarat

Untuk MemperolehlGelar Sarjana S1kPadagProgramuStudiyTeknikfIndustri

UniversitasoIslamqSultanoAgung

DisusunpOleh:

FERDY KUSUMAWARDANA

NIMo31601700042

PROGRAMiSTUDItTEKNIKTINDUSTRI

FAKULTAS9TEKNOLOGI7INDUSTRI

UNIVERSITAS1ISLAM2SULTAN8AGUNG

SEMARANG0

2021

ii

FINAL PROJECT

LOCOMOTIVEkMAINTENANCEhSTRATEGYgANDHDIESEL

MULTIPLE UNITg(DMU)hWITHgTHEgMARKOVhCHAIN

METHODkTOgMINIMIZEjMAINTENANCEgCOSTS

(Case Study of Semarang Poncol Locomotive Depot)

This Final report Submitted to Undergraduate Faculty of Industrial Engineering

in Partial Fulfillment of The Requirements for the Degree of Bachelor of

Engineering in Universitas Islam Sultan Agung

Arrenged by:

FERDY KUSUMAWARDANA

NIM 31601700042

DEPARTMENT OF3INDUSTRIAL5ENGINEERING7

FACULTY6OFfINDUSTRIALaTECHNOLOGY

UNIVERSITASoISLAMiSULTANuAGUNGr

SEMARANGI

2021

iii

LEMBARoPENGESAHANqPEMBIMBING

LaporankTugasyAkhirudenganejudul. ”Strategi Pemeliharaan Lokomotif Dan Kereta

Rel Diesel (KRD) Berjangka Dengan Metode Markov Chain untuk Meminimalkan

Anggaran Maintenance (Studi Kasus Dipo Lokomotif Semarang Poncol)”.

inirdisusuneoleh :

Namat : Ferdy Kusumawardana

NIMy : 31601700042

ProgramoStudi : Teknik Industri

Telahidisahkan dan disetujui olehodosenzpembimbingrpada :

Hario :

Tanggall :

Pembimbing 1 Pembimbing II

Ir. Irwan Sukendar,ST,MT,IPM,ASEAN Eng Akhmad Syakhroni, ST., M.Eng

NIP/NIK :210-600-022 NIP/NIK :210-603-031

Mengetahui,

Ketua Program Studi Teknik Industri

Nuzulia Khoiriyah, ST.,MT

NIP/ NIK :210-603-029

v

LEMBAR PERNYATAANiKEASLIANiTUGASaAKHIR

Yang bertanda tangan dibawah ini :

Namai : Ferdy Kusumawardana

NIMi : 31601700042

JudulvTugasjAkhir : “Strategi Pemeliharaan Lokomotif Dan Kereta

Rel Diesel (Krd) Berjangka Dengan Metode Markov Chain Untuk

Meminimalkan Anggaran Maintenance (Studi Kasus Dipo lokomotif

Semarang Poncol)”

Dengan bahwa ini saya menyatakan bahwa judul dan isi Tugas Akhir yang

saya buat dalam rangka menyelesaikan Pendidikan Strata Satu (S1) Teknik Industri

tersebut adalah asli dan belum pernah diangkat, ditulis ataupun dipublikasikan oleh

siapapun baik seluruh maupun sebagian, kecuali yang tertulis diacu dalam naskah

ini dan disebutkan dalam daftar pustaka, dan apabila dikemudian hari ternyata

terbukti bahwa judul Tugas akhir tersebut pernah diangkat ,ditulis maupun

dipublikasikan, maka saya bersedia dikenakan sanksi akademis. Demikian surat

pernyataan ini saya buat dengan sadar dan penuh tanggung jawab.

ISemarang, 20 Agustus 2021

Ferdy Kusumawardana

vi

i

HALAMAN PERSEMBAHAN

Alhamdu‘lillahi rabbil 'alamin

Sembah sujud dan rasa syukur saya panjatkan kepada Allah SWT yang telah

memberika nikmat dan kasih sayangnya terhadap saya sehingga saya dapat

menyelesaikan laporan tugas akhir ini. Sholawat serta salam saya haturkan kepada

junjungan Nabi Muhammad SAW semoga kita semua mendapat syafa’at beliau di

hari kiamat nanti aamiin. Laporan Tugas Akhir ini saya persembahka kepada orang

tua saya yang saya cintai dan sayangi yaitu ibu Lasmini dan bapak Rustam. Sebagai

wujud rasa terimakasih saya atas doa dan motivasi yang sangat luar biasa dalam

menyelesaikan tugas akhir ini.

Selesainya tugas akhir ini merupakan capaian awal yang bisa saya berikan

untuk mengukir senyum di wajah Bapak Ibu saya. Saya tau hal ini tidak ada apa-

apanya dibanding seluruh peluh bapak dan ibu saya selama ini, tetapi saya akan

terus berusaha membuat bapak dan ibu bahagia. Terima kasih atas seluruh kerja

keras bapak dan ibu, untuk seluruh untaian do’a yang tak henti-hentinya

dilantunkan untuk kesuksesan saya, saya hanya bisa membalasnya dengan terima

kasih yang tak terhingga , do’a yang tak putus untuk bapak dan ibu, semoga allah

membalas segala kebaikan kalian aamiin.

Dan yang terakhir terimakasih teman-teman atas semangat dan motivasinya

dan TA ini saya persembahkan untuk kalian.

vi

ii

HALAMAN MOTTO

“Yang bisa mengalahkan saya adalah diri saya sendiri”

(Ferdy Kusumawardana)

“Tentukan Pilihan-Mu, jangan pernah lihat ke belakang”

“Allah menganugerahkan hikmah kepada siapa yang dikehendaki-Nya. Dan

barangsiapa yang dianugerahi hikmah, ia benar-benar telah dianugerahi karunia

yang banyak. Dan hanya orang-orang yang berakallah yang dapat mengambil

pelajaran (dari firman Allah).” (QS. Al Baqarah 2:269)”

ix

KATAiPENGANTAR

Assalamuallaikum Wr. Wb.

Pujiqsyukur atas Keberadaan AllahqSWTiyangutelah memberikan

rahmatidan hidayah–Nyaqkepada Penyusun sehinggaibisa menyelesaikane

penelitian dan sekaligus laporan tugas akhir yang berjudul “Strategi Pemeliharaan

Lokomotif CC201, CC203 Dan Kereta Rel Diesel (Krd) Berjangka Dengan Metode

Markov Chain Untuk Meminialkan Anggaran Maintenance (Studi Kasus Dipo

Lokomotif Semarang Poncol)” dengan sebaik – baiknya, sholawat1sertapsalam

senantiasa tercurahxkepada Nabi besar junjunganvkita Nabi MuhammaddSAW.

Laporan tugas akhir merupakan salah satu syarat bagi mahasiswa untuk

meraih gelar sarjana (S1) di Fakultas Teknologi Industri, Jurusan Teknik Industri,

Universitas Islam Sultan Agung Semarang. Dalam penyusunan laporan tugasoakhir

ini tidak lepas mendapat bantuan dari berbagai pihak. Dengan rasa setulus hati,

penulis ingin menyampaikan banyak terima kasih kepada :

1. Allah SWT yang telah memberikan rahmat dan ridhonya serta memberikan

kelapangan hati dan pikiran dalam menimba ilmu.

2. Kedua orang tua saya, Bapak Rustam dan Ibu Lasmini yang telah

memberikan banyak kasih sayang, motivasi, semangat, dukungan material

maupun non material dan tidak pernah berhenti mendo’akan disetiap

sujudnya.

3. Terima kasih kepada Dosen Pembimbing saya bapak Ir. Irwan

Sukendar,ST,MT,IPM,ASEAN.Eng dan bapak Akhmad Syakhroni, ST.,

M.Eng. yang telah membantu dan membimbing dengan sabar sampai laporan

tugas akhir ini terselesaikan.

4. Ibu Dr. Novi Marlyana, ST., MT, selaku Dekan di Fakultas Teknologi

Industri beserta jajarannya.

5. Ibu Nuzulia Khoiriyah, ST.,MT., selaku Ketua Jurusan Teknik Industri.

6. Bapak dan Ibu Dosen jurusan Teknik Industri yang telah memberikan ilmu

selama dibangku kuliah.

x

7. Staff dan Karyawan Fakultas Teknologi Industri yang sudah membantu

dalam segala urusan tugas akhir mulai dari surat permohonan penelitian

sampai sidang.

8. Terima kasih kepada kakak-kakak ku tercinta yang telah membantu,

menyemangati, memotivasi sampai saya dapat menyelesaikan masa studi S1

dan meraih gelar sarjana ini.

9. Terima kasih kepada saudara-saudara saya terutama pakde dan bude yang

telah memberi dukungan dan do’a serta perhatian yang amat sangat berharga

sehingga saya dapat menyelesaikan laporan tugas akhir ini.

10. Terima kasih kepada pihak Dipo Lokomotif Semarang Poncol terutama

Bapak Arif yang telah memberikan izin untuk saya melakukan penelitian.

11. Terima kasih kepada teman seperjuangan saya yang saya sayangi dan cintai

keluarga Team Nongki, Dewi Kurniawati, Afifah, Byan rano, Fredi Hendra

yang telah memberikan semangat, nasehat dan dukungan dalam

menyelesaikan laporan tugas akhir ini.

12. Terima kasih kepada teman – teman yang telah membantu menyelesaikan

dan memberi semangat dalam mengerjakan laporan tugas akhir ini Mas Rizka

Fajar, dan lain sebagainya yang tidak mampu saya sebutkan satu persatu.

13. Terima kasih kepada teman-teman seperjuangan Teknik Industri 2017

terutama Teman – teman kelas A yang sering menghibur dalam setiap

candaanya .

14. Terima kasih kepada teman saya Fredi hendra, Dewi K, Afifah, Byan rano

dan Sedulur teman-teman kos sahari yang sering menjadi tempat curhat saya

yang telah memberikan semangat dan dukungan dalam penyusunan laporan

tugas akhir ini.

15. Dan terima kasih kepada pihak – pihak yang telah membantu dan memberi

semangat pada saat penyelesaian laporan tugas akhir ini.

xi

DAFTAR ISI

SAMPUL COVER………………………………………………………………………..i

LEMBARiPENGESAHANnPEMBIMBING ............................................................... iii

LEMBARiPENGESAHANnPENGUJI ......................................................................... iv

LEMBAR PERNYATAANxKEASLIANqTUGASyAKHIR ........................................ v

PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH ........................... vi

HALAMANiPERSEMBAHAN ..................................................................................... vii

HALAMANiMOTTO ...................................................................................................viii

DAFTARpISI ................................................................................................................. ixi

DAFTARgTABEL ........................................................................................................ xiv

DAFTARrGAMBAR .................................................................................................... xvi

DAFTARpLAMPIRAN ................................................................................................ xix

ABSTRAKi ..................................................................................................................xviii

BABiI aPENDAHULUAN .............................................................................................. i1

p 1.1 LatariBelakangoMasalah .................................................................................... 1

f 1.2 RumusanhMasalah .............................................................................................. 5

1.3 Pembatasan Masalah ........................................................................................... 5

1.4 Tujuan Penelitian ................................................................................................ 6

1.5 Manfaat Penelitian .............................................................................................. 6

h 1.6 Sistematika Penulisan ......................................................................................... 6

BABoII pTINJAUANiPUSTAKAoDANsLANDASANjTEORI ................................... 8

2.1 TinjauancPustaka ................................................................................................ 8

i 2.2.1 Pemeliharaan Atau Maintenance mesin ................................................... 15

2.2.2 Jenis-Jenis Pemeliharaan ......................................................................... 16

2.2.3 Klasifikasi Kondisi Kerusakan ................................................................. 19

2.2.4 Markov Chain (Rantai Markov) ............................................................... 20

2.2.5 Proses Markov Chain ............................................................................... 23

2.2.6 Keputusan Markov ................................................................................... 25

2.2.7 Perencanaan Pemeliharaan Markov Chain .............................................. 31

2.2.8 Analisa Anggaran ..................................................................................... 34

2.3 Hipotesa dan Kerangka Teoritis ........................................................................ 36

2.3.1 Hipotesa ................................................................................................... 36

2.3.2 Kerangka Teoritis ..................................................................................... 37

BAB III METODE PENELITIAN............................................................................... 40

xi

i

3.11 PengumpulankData ........................................................................................... 40

3.2 TeknikmPengumpulanoData ............................................................................. 41

3.3 PengujianjHipotesa ........................................................................................... 41

3.4 MetodeaAnalisis ............................................................................................... 42

3.5 Pembahasann .................................................................................................... 42

3.6 Penarikan Kesimpulan ...................................................................................... 42

3.7 Diagram Alir ..................................................................................................... 43

3.7.1 Studi Pendahuluan .................................................................................... 45

3.7.2 Studi Lapangan ......................................................................................... 45

3.7.3 Studi Literatur .......................................................................................... 45

3.7.4 Identifikasi dan Perumusan masalah ......................................................... 45

3.7.5 Tujuan Penelitian ...................................................................................... 45

3.7.6 Pengumpulan Data ................................................................................... 45

3.7.7 Pengolahan Data ....................................................................................... 46

3.7.8 Analisa dan Interpretasi ............................................................................ 47

3.7.9 Pembuktian Hipotesa ................................................................................ 47

3.7.10 Kesimpulan dan Saran .............................................................................. 47

BABIIVIHASILhPENELITIANkDANhPEMBAHASANi ........................................ i48

4.1, Gambaran Umum Perusahaan ........................................................................... 48

4.1.1.r Profil Perusahaan ...................................................................................... 48

4.1.2 Visi dan Misi ............................................................................................ 49

4.1.3 Lokomotif yang Dilakukan Maintenance Di Dipo Lokomotif ................. 49

4.1.4 Pengumpulan Data ................................................................................... 52

4.2 Pengolahan Data ............................................................................................. 114

4.2.1.5 PerhitunganxProbabilitascTransisigStatusgMesin .................................. 115

4.2.2.4 PerhitungangMatrikiProbabilitas’Transisi yang DiusulkaniIilokomotif 118

4.2.3.7 PerhitunganfMatrik ProbabilitasgTransisi yang Diusulkan UsulanjII..... 123

4.2.4 Perhitungan Anggaran Pemeliharaan ..................................................... 144

4.2.5 Penghematan Anggaran Maintenance..................................................... 149

4.2.6.9 Perencanaan9PenjadwalanvPemeliharaanhlokomotifhMenggunakan

MetodedMarkov Chain ........................................................................... 150

4.3 Analisa ............................................................................................................ 153

4.4 Pembuktian Hipotesa ...................................................................................... 158

BABpVqKESIMPULANyDANxSARAN ................................................................... 159

5.1.4.79.Kesimpulanu .................................................................................................. 159

xi

ii

5.2 Saran ............................................................................................................... 160

DAFTAR PUSTAKA ................................................................................................... 162

LAMPIRAN

xi

v

DAFTAR TABEL

Tabel 1.1 Data Ragam dan KuantitasLokomotif dan Kereta Rel Diesel (KRD) ................ 3

Tabel 1.2 Data kerusakan selama 1 tahun (Desember 2018- November 2019) .................. 3

Tabel 2.1 Study Literature Penelitian………………………………………………….…19

Tabelu2.2 StatusodanlKondisipKerusakan ...................................................................... 33

Tabelo2.3 Jenis Keputusan .............................................................................................. 34

Tabelp2.4 Probabilitas Transisi N-Langkah .................................................................... 42

Tabeli2.5 Kriteria Kondisi Lokomotif ............................................................................. 44

Tabel 2.6 Jenis Keputusan ............................................................................................... 44

Tabel 2.7 Kebijaksanaan Pemeliharaan .......................................................................... 45

Tabel 2.8 Probabilitas Kerusakan .................................................................................... 46

Tabelp2.9 ProbabilitasnTransisi;Item]Bulan’Januari/2020-dDesember 2020 ................ 47

Tabel 2.10 Matrik Transisi Satu Langkah Item – 0.......................................................... 48





Tabel 4. 1 Data Ragam dan KuantitasLokomotif dan kereta rel diesel ............................ 70

Tabel 4.2 Data Anggaran Perawatan ............................................................................... 72

Tabel 4.3 Data Total Waktu Pemeliharaan ..................................................................... 72

Tabel 4.4 Klasifikasi Kondisi Mesin ............................................................................... 73

Tabel 4.5 Tindakan keputusan dan tindakan yang dilakukan........................................... 73

Tabel 4.6 kebijakan Perawatan…………………………………………………………...74

Tabel 4.7 Klasifikasi Kondisi Status Lokomotif Berdasarkan Total Anggaran

Perbaikan ......................................................................................................................... 75

Tabel 4.8 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan

Lokomotif CC201 ............................................................................................................ 75


Lokomotif CC203 ............................................................................................................ 75


Kereta Rel Diesel ............................................................................................................. 76

Tabel 4.11 Data perubahan status Lokomotif CC 201 ..................................................... 76

Tabel 4.12Data Perubahan Status lokomotif CC 203 ...................................................... 78

Tabel 4.13 Data Perubahan Status Kereta Rel Diesel (KRD) .......................................... 79

x

v

Tabel 4.14 Data Perubahan Status Lokomotif CC201 ..................................................... 80

Tabel 4.15 Data Perubahan Status Lokomotif CC203 ..................................................... 81

Tabel 4.16 Data Perubahan Status kereta rel diesel ......................................................... 82

Tabel 4.17 Matriks Probabilitas Transisi (P0) lokomotif CC201 ..................................... 83

Tabel 4.18 Matriks Probabilitas Transisi (P0) lokomotif CC203 ..................................... 84

Tabel 4.19 Matriks Probabilitas Transisi (P0) Kereta Rel Diesel .................................... 86

Tabel 4.20 Probabilitas Steady State Lokomotif.............................................................. 88

Tabel 4.21 Matrik Probabilitas Usulan P1 lokomotif CC201 .......................................... 89






Tabel 4.27 Matrik Probabilitas Usulan P1 kereta rel diesel (Krd) ................................... 98

Tabel 4.28 Matrik Probabilitas Usulan P2 Kereta rel diesel ............................................ 99

Tabel 4.29 Matrik Probabilitas Usulan P3 Kereta rel diesel ......................................... 101

Tabel 4.30 Matrik Probabilitas Usulan P4 Kereta rel diesel .......................................... 102

Tabel 4.31 Probabilitas Steady State lokomotif CC201 ................................................. 104


Tabel 4.33 Probabilitas Steady State Kereta rel diesel................................................... 107

Tabel 4.34 Penghematan Anggaran Pemeliharaan ........................................................ 107

Tabelg4.35 DatagWaktu PemeliharaankMonthlyiCheck ............................................... 107

Tabeli4.36jDatahUsulan I setiap lokomotif ................................................................... 114

Tabel 4.37 Data Usulan II setiap lokomotif ................................................................... 115



Tabel 4.40 Probabilitas Steady State kereta rel diesel (KRD)……………….…119

Tabel 4.41 Metode anggaran perusahaan....................................................................... 123

Tabel 4.42 Metode Markov Chain ................................................................................. 123

Tabel 4.43 Penghematan Anggaran Pemeliharaan ........................................................ 124

Tabel 4.44 Penjadwalan Pemeliharaan dari beberapa Usulan ....................................... 124

x

vi

DAFTAR GAMBAR

Gambar 1.1 Proses perawatan di lihat dari tingkatan tipe lokomotif................................. 2

Gambar 2.1 Proses Stokastik Rantai Markov .................................................................. 20

Gambar 2.1 Kerangka Teoritis........................................................................................ 39

Gambar 3.1 Metodologi Penelitian ................................................................................. 43

Gambar 3.2 Metodologi Penelitian (lanjutan) ................................................................. 44

Gambar 4.1 Lokomotif CC201 ...................................................................................... 50

Gambar 4.2 Lokomotif CC203 ...................................................................................... 51

Gambar 4.3 Kereta Rel Diesel Kedung Sepur ................................................................ 52

x

vi

i

DAFTAR LAMPIRAN

Lampiran 1 Data Maintenance Lokomotif CC201.......................................... 130

Lampiran 2 Data Maintenance Lokomotif CC203.......................................... 144

Lampiran 3 Data Maintenance Lokomotif KRD............................................. 158

x

vi

ii

ABSTRAK

Dipo Lokomotif Semarang Poncol merupakan bengkel perawatan dan perbaikan skala kecil

dan sedang lokomotif. Perawatan dan perbaikan di Dipo lokomotif ini memiliki sistem

manajemen perawatan berupa pengecekan harian sebelum dan sesudah dinas (Daily

Check) dan perawatan atau perbaikan bulanan (Monthly check).Pada proses perbaikannya

lokomotif, perbaikan tersebut dilakukan di Dipo lokomotif Semarang poncol terdapat

lokomotif tipe CC201, CC203 dan KRD (Kereta Rel Diesel) yang di lakukan maintenance

secara berlaka sesuai jadwal. Permasalahan yang dihadapi oleh dipo lokomotif adalah

belum sesuainya jadwal kegiatan Pemeliharaan lokomotif sehingga dalam proses

penerapan di lokomotif untuk Pemeliharaan masih mengakibatkan tingginya anggaran

Pemeliharaan yang dikeluarkan perusahaan. Dari hasil perhitungan Dari hasil perhitungan

Kebijakan yang di diterapkan untuk Strategi perencanaan perawatan lokomotif dan Kereta Rel

Diesel adalah Usulan I dengan penerapan Pemeliharaan korektif di Status 4 (kerusakan berat).

Untuk masing-masing lokomotif seperti lokomotif CC201 anggaran Pemeliharaan sebesar Rp

21.162.537.821,574, lokomotif CC203 anggaran Pemeliharaan sebesar Rp 18.753.472.609,2 dan

kereta rel diesel anggaran Pemeliharaan sebesar Rp 8.737.300.564. Penghematan yang dihasilkan

setelah menghitung ekspektasi anggaran Pemeliharaan apabila dibandingkan dengan anggaran dipo

lokomotif, Ekspektasi anggaran Pemeliharaan Usulan I sebesar Rp. 48.653.310.995 jika

dibandingkan anggaran dana dari pabrik yaitu Rp. 281.557.638.194,66 maka penghematan

anggarannya sebesar Rp. 232.904.327.201 (11%),Ekspektasi anggaran Pemeliharaan Usulan II

sebesar Rp. 25.750.971.489 jika dibandingkan anggaran dana dari pabrik yaitu Rp.

281.557.638.194,66 maka penghematan anggarannya sebesar Rp. 255.750.971 (10,9%). Untuk

kebijakan penjadwalan detail setiap bulannya ditetapkan bahwa dengan menerapkan Usulan I

memberikan penjadwalan masing masing lokomotif dan Kereta Rel Diesel tiap bulannya sebagai

berikut : untuk lokomotif CC201 per 1 bulannya akan kembali ke dipo untuk melakukan

pemeliharaan korektif di hari ke 27,375 (setelah beroperasi sekitar 657 jam/ 59.130 Kilometer).

Untuk lokomotif CC203 per 1 bulannya akan kembali ke dipo untuk melakukan pemeliharaan

korektif di hari ke 12,1667 (setelah beroperasi sekitar 292,1 jam/26.289 Kilometer). Untuk Kereta

Rel Diesel per 1 bulannya akan kembali ke dipo untuk melakukan pemeliharaan korektif di hari ke

21,2917 (setelah beroperasi sekitar 511 jam/ 45.990 Kilometer).

Kata Kunci : Dipo Lokomotif Semarang Poncol, Perawatan Lokomotif, Markov Chain

xi

x

ABSTRACT

Semarang Poncol Locomotive Depot is a small and medium scale locomotive maintenance and

repair workshop. Maintenance and repair at this locomotive depot has a maintenance management

system in the form of daily checks before and after service (Daily Check) and monthly maintenance

or repairs (Monthly check). In the process of repairing the locomotive, the repair was carried out

at the Semarang Poncol Locomotive Depot, there were locomotives of type CC201, CC203 and KRD

(Diesel Multi Unit) which were carried out regularly according to schedule. The problem faced by

the locomotive depot is that the locomotive maintenance schedule does not match the schedule so

that in the process of implementing the locomotive for maintenance it still results in high

maintenance budgets issued by the company. From the calculation results. From the results of the

calculation, the policy applied to the locomotive and Diesel Multi Unit maintenance planning

strategy is Proposal I with the implementation of corrective maintenance in Status 4 (heavy

damage). For each locomotive such as the CC201 locomotive, the maintenance budget is Rp.

21,162,537,821,574, the CC203 locomotive, the maintenance budget is Rp. 18,753,472,609.2 and

the Diesel Multi Unit, the maintenance budget is Rp. 8,737,300,564. The savings generated after

calculating the expected maintenance budget when compared to the dipo locomotive budget, the

estimated maintenance budget of the proposed I is Rp. 48,653,310,995 when compared to the factory

budget, which is Rp. 281,557,638,194.66 then the budget savings is Rp. 232,904,327,201 (11%),

Expected budget for Maintenance of Proposed II of Rp. 25,750,971,489 when compared to the

factory budget, which is Rp. 281,557,638,194.66 then the budget savings is Rp. 255,750,971

(10.9%). For the detailed scheduling policy every month, it is determined that by implementing

Proposal I, the scheduling of each locomotive and Diesel Multi Unit each month is as follows: for

the CC201 locomotive per 1 month it will return to the depot to carry out corrective maintenance

on the 27,375 day (after operating for about 657 hours). / 59,130 Kilometers). For the CC203

locomotive per 1 month it will return to the depot to carry out corrective maintenance on the 12.1667

day (after operating around 292.1 hours / 26.289 Kilometers). For the Diesel Multi Unit per 1 month

it will return to the depot to carry out corrective maintenance on the 21,2917 day (after operating

for about 511 hours/ 45,990 Kilometers).

Keywords : Dipo Lokomotif Semarang Poncol, Lokomotive Maintenance, Markov

Chain

1

BABhI

yPENDAHULUANp

1.1? Latar.Belakang|Masalah

Daerah Operasi IV Semarang atau disingkat dengan Daop 4 Semarang &

Daop IV SM adalah salah satu daerah operasi perkeretaapian Indonesia, di bawah

lingkungan PT Kereta Api Indonesia (Persero) yang berada di bawah Direksi PT

Kereta Api Indonesia dipimpin oleh seorang Executive Vice President (EVP) yang

berada di bawah dan bertanggung jawab kepada Direksi PT Kereta Api Indonesia.

Sistem KAI Daop IV terbagi menjadi beberapa macam yaitu pelayanan transportasi

massal dalam sarana perkeretaapian nasional, dengan berfokus dengan memberikan

pelayanan terbaik untuk masyarakat Indonesia. Pelayanan jasa PT KAI Daop IV

Semarang terbagi menjadi beberapa macam yaitu pelayanan perjalanan angkutan

penumpang dan angkutan barang. Pelayanan transportasi ini juga di tunjang dengan

perawatan dan perbaikan sarana. Sarana perbaikan dibagi menjadi beberapa macam

yaitu perawatan atau perbaikan jalur operasional, perawatan sarana Lokomotif dan

KRDI, perawatan sarana kereta dan gerbong. Dipo Lokomotif Semarang Poncol

merupakan bengkel perawatan dan perbaikan skala kecil dan sedang. Perawatan dan

perbaikan di Dipo lokomotif ini memiliki sistem manajemen perawatan berupa

pengecekan harian sebelum dan sesudah dinas (Daily Check) dan perawatan atau

perbaikan bulanan (Monthly check). Ketentuan pengecekan harian (Daily Check)

berupa pengecekan awal setelah beroperasi dan sebelum beroperasi. Ketentuan

pengecekan harian (Daily Check) bertujuan untuk mengecek apakah lokomotif

setelah beroperasi terjadi kerusakan kecil atau tidak dan sebelum berdinas

dilakukan cek kembali apakah sistem lokomotif dan mesin sesuai dengan kinerja

lokomotif sebelum beroperasi atau dinas. Ketentuan pada pengecekan lokomotif

diperhatikan atas dasar kinerja beban kerja lokomotif itu sendiri, semisal pada

lokomotif CC201 sering digunakan pada rangkaian gerbong peti kemas (Katimas)

CC203 melayani angkutan penumpang seperti argo muria eksekutif (Jakarta

Gambir-Semarang Tawang PP) dan KRD sendiri melayani angkutan penumpang

lintas wilayah DAOP 4 (KA Commuter lokal ). Pada proses perbaikannya

2

lokomotif, perbaikan tersebut dilakukan di Dipo lokomotif Semarang poncol

terdapat lokomotif tipe CC201, CC203, CC206 dan KRD (Kereta Rel Diesel) yang

dilakukan maintenance secara berlaka sesuai jadwal. Terkhusus lokomotif CC206

penjadwalan perbaikan terbatas karena ketersediaannya lokomotif di daop 4

semarang, dikarenakan berdinas jauh dan jumlah lokomotif yang sangat sedikit

menyebabkan jarangnya lokomotif ini ke dipo. Gejala gejala umum yang sering

terjadi di lokomotif berupa motor diesel sering bermasalah, kompresor rusak ringan

hingga sedang dan kelistrikan, untuk Kereta Rel Diesel (KRD) sama gejalanya yang

terjadi dengan kasus lokomotif (motor diesel sering bermasalah, kompresor rusak

ringan hingga sedang dan kelistrikan). Kendalanya selanjutnya adalah melesetnya

jadwal perbaikan dikarenakan lokomotif sedang berada di luar kota dan untuk

proses maintenance nya harus dilakukan di dipo semarang poncol untuk lokomotif

khusus daop 4 semarang. Untuk proses perbaikan lokomotif yang ada di Dipo

lokomotif semarang sebagai berikut:

Gambar 1.1 Proses perawatan di lihat dari tingkatan tipe lokomotif

Pada perawatan pertama yaitu tipe lokomotif tipe CC201. Tipe lokomotif ini

sering digunakan lintas provinsi dan biasanya digunakan untuk Kereta api gerbong

peti kemas (KaGetimas), untuk tipe lokomotif CC201 ini dilakukan preventive

maintenance per 1 bulan sekali. Untuk tipe CC201 ini tipe perawatannya berupa

penggantian part Shield heat engine, pengecekan Turbocharger , Pengecekan

motor diesel, pengecekan kompresor, Gardan, dan kelistrikan.. Kemudian untuk

roda atau boogie pengecekan apakah sudah haus ulir rodanya atau belum. Untuk

sistem keselamatan lokomotif juga dilakukan pengecekan diantaranya air horn.

Pada perawatan kedua yaitu tipe lokomotif tipe CC203. Tipe lokomotif ini

sering digunakan lintas provinsi untuk mengaangkut gerbong penumpang (KA

CC201 CC203 KRD

3

Argo Muria, Argo sindoro, Menoreh, Kaligung dan lain-lain). Untuk tipe lokomotif

CC201 ini dilakukan preventive maintenance per – 1 bulan sekali. perawatannya

berupa penggantian penggantian part Shield heat engine, pengecekan

Turbocharger , Pengecekan motor diesel, pengecekan kompresor, Gardan, dan

kelistrikan. Kemudian untuk roda atau boogie pengecekan apakah sudah haus ulir

rodanya atau belum. Untuk sistem keselamatan lokomotif juga dilakukan

pengecekan diantaranya air horn.

Pada perawatan ketiga yaitu tipe kereta Kereta Rel Diesel (KRD). Tipe

lokomotif ini sering digunakan lintas wilayah DAOP 4 (Semarang, Demak,

Purwodadi, Blora, cepu) untuk tipe kereta Kereta Rel Diesel (KRD) ini dilakukan

preventive maintenance per 1 bulan sekali. Untuk tipe KRD ini tipe perawatannya

Pengecekan motor diesel, pengecekan kompresor, Gardan, dan kelistrikan,

pengecekan rem udara, dynamic brake. Kemudian untuk roda atau boogie

pengecekan apakah sudah haus ulir rodanya atau belum.

Tabel 1.1 Data Ragam dan Kuantitas Lokomotif dan Kereta Rel Diesel (KRD)

No Jenis Lokomotif Jumlah Dalam Satuan

1 CC201 8 Lokomotif

2 CC203 3 Lokomotif

3 KRD 6 Kereta

Sumber : Dipo Lokomotif Semarang poncol DAOP 4 Semarang

Pada penelitian ini lokomotif yang dijadikan penelitian adalah lokomotif

CC201, CC203 dan Kereta Rel Diesel (KRD), untuk CC206 tidak dilakukan

penelitian dikarenakan pembatasan data dari perusahaan dan keterbatasan

lokomotif CC206 itu sendiri dikarenakan jarang dilakukan perawatan di dipo

lokomotif Semarang Poncol. Dari segi kegunaan sangat berbeda satu sama lain,

untuk menunjang kelancaran pelayanan transportasi di wilayah DAOP 4 Semarang.

Lokomotif harus dalam keadaan siap dan prima maka dari itu perlunya

Pemeliharaan secara rutin. Maintenance tersebut itu Akan berpengaruh ke anggaran

downtime dan anggaran pencegahan. Mesin yang sering digunakan apabila

4

memiliki Pemeliharaan yang buruk akan sering mengalami kerusakan dan dapat

mengganggu proses dinas. Pemeliharaan mesin itu harus menggunakan metode

yang baik supaya terhindar dari anggaran perawatan yang sangat tinggi.

Berdasarkan data historis dalam proses perawatan memiliki beberapa Lokomotif

antara lain :CC201, CC203, KRD. Berikut ini merupakan data historis total

downtime Maintenance selama 1 tahun dimulai dari bulan Januari 2020 sampai

bulan Desember 2020 :

Tabel 1.2 Data kerusakan selama 1 tahun (Desember 2018- November 2019)

Nama Mesin Bulan Total Downtime Anggaran (Rp)

CC201 Januari 2020 s/d

Desember 2020 25308 jam 315,057,680

CC203 Januari 2020 s/d

Desember 2020 17505 jam 179,414,474

KRD Januari 2020 s/d

Desember 2020 54960 jam 162,830,817

Jumlah 97773 jam Rp. 657,302,971

Sumber : Dipo Lokomotif Semarang Poncol

Dari data di atas lokomotif CC201 memiliki total downtime maintenance

sebesar 25308 jam dan total anggaran Rp. 315,057,680, lokomotif CC203 memiliki

total downtime maintenance sebesar 17505 jam dengan total anggaran

Pemeliharaan sebesar Rp. 179,414,474 dan total downtime KRD sebesar 54960

jam dan total anggaran Rp. 162,830,817. Dari data historis maintenance

perusahaan dapat dilihat bahwa lokomotif CC201 merupakan lokomotif yang

paling kritis dan riskan akan terjadi kerusakan, namun jarak kerusakan antara

lokomotif CC201, CC203 dan KRD tidak begitu banyak, oleh karena itu untuk

mengatasi ketiga lokomotif ini akan dilakukan perencanaan kebijakan

Pemeliharaan karena lokomotif tersebut memiliki tingkat kerusakan yang tinggi.

Dari ketiga jenis lokomotif ini kerusakan lokomotifnya selalu berubah-ubah tiap

bulannya. Hal ini dikarenakan terlalu seringnya lokomotif itu digunakan terutama

5

pada bulan-bulan di awal tahun yang selalu banyak orderan menarik kereta barang

maupun kereta penumpang. Apabila tidak dilakukan perawatan, lokomotif tersebut

akan mengalami kerusakan, tapi jika terlalu sering dilakukan perawatan maka akan

mengakibatkan terjadinya pembengkakan anggaran yang harus dikeluarkan

perusahaan. Anggaran Pemeliharaan jika semakin tinggi akan menyebabkan

kerugian bagi perusahaan, untuk itu perusahaan ingin meminimalkan anggaran

Pemeliharaan . Setidaknya anggaran Pemeliharaan dapat turun antara 15% - 25%

dari anggaran sebelum dilakukan penjadwalan. Kategori kerusakan lokomotif

dibedakan menjadi 3 yaitu kondisi rusakan ringan, kondisi menengah, dan berat.

Pada kondisi ringan Lokomotif masih bisa berdinas dengan paripurna, tetapi

kemungkinan ada kerusakan kecil. Untuk kondisi sedang biasanya lokomotif masih

bisa beroperasi tetapi dalam keadaan mengkhawatirkan dan perlu pergantian Part.

Sedangkan Kerusakan Berat lokomotif tidak dapat beroperasi secara paripurna

karena tidak berdinas dan akan berhenti. Dan untuk kerusakan berat lokomotif

secepat mungkin dibawa ke balai yasa karena untuk klasifikasi berat pihak

berwenang untuk membongkar lokomotif hanya balai yasa .

Perawatan lokomotif berguna untuk meminimalkanr kerusakan yang akan

terjadi secara tiba-tiba dan nantinya dapat menjamin lokomotif tersebut tetap

bekerja tanpa mengalami penurunan performa. Oleh sebab itu, pentingnya strategi

perencanaan Pemeliharaan lokomotif yang dilaksanakan secara terjadwal nantinya

akan mengurangi kegagalan lokomotif pada saat dinas. Untuk memberikan Usulan

perbaikan kebijakan Pemeliharaan lokomotif, harus menggunakan perhitungan

yang tepat dimana perhitungan tersebut dapat memperkirakan perubahan yang

kemungkinan akan terjadi dimasa mendatang. Perhitungan dengan metode yang

tepat diharapkan dapat memberikan solusi perencanaan Pemeliharaan lokomotif

yang teratur dan terorganisir sehingga perawatan dapat berjalan dengan lancar dan

dapat menekan anggaran maintenance.

1.2 Rumusan Masalah

Setelah melihat latar belakang permasalahan sudah dipaparkan sebelumnya,

maka didapat perumusan masalah sebagai berikut yaitu bagaimana memperbaiki

6

waktu pemeliharaan dan tindakan pemeliharaan lokomotif yang sesuai sehingga

dapat merancang strategi Pemeliharaan yang tepat agar penjadwalan maintenance

tepat sesuai jadwal serta dapat meminimalkan anggaran perawatan?

1.3 Pembatasan Masalah

Pembatasan masalah dalam penelitian ini sebagai berikut :

1. Penelitian berfokus pada Usulan penjadwalan Pemeliharaan untuk

meminimalkan anggaran Pemeliharaan

2. Pembahasan hanya dilakukan pada bagian perawatan lokomotif CC201,

CC203 dan KRD

3. Perminimalan anggaran lokomotif didasarkan pada penjadwalan dan

dilakukan pada saat lokomotif tidak berdinas atau sedang dilakukan

pengecekan .

4. Penelitian berfokus pada gejala-gejala perawatan harian (daily Check) dan

perawatan bulanan (monthly check) permasalahan perbaikan lokomotif yang

terjadi di dipo lokomotif semarang poncol. Serta gejala tersebut terdiri dari

gejala perbaikan ringan dan gejala perbaikan sedang.

1.4 Tujuan Penelitian

Berdasarkan permasalahan yang telah di uraikan diatas, maka penelitian ini

memiliki tujuan sebagai berikut :

Dapat menentukan Strategi perencanaan perawatan lokomotif yang tepat

sesuai , meminimalkan anggaran perawatan lokomotif dan memberi solusi terhadap

gejala gejala perbaikan Lokomotif di dipo Lokomotif semarang poncol dan

memberikan penjadwalan detail setiap lokomotif di setiap bulannya .

1.5. ManfaatpPenelitian

berikut manfaat;darilpenelitian;ini<adalah :

1. Untuk mahasiswa yang melakukan penelitian mendapat pengetahuan yang

langka dikarenakan langsung terjun kelapangan dan dapat

mengaplikasikannya maklumat penelitian yang diperoleh tentang

Pemeliharaan lokomotif yang sesuai agar meminimalkan anggarannya.

7

2. Bagi perusahaan untuk mengetahui jadwal perawatan lokomotif yang lebih

baik sehingga pada saat lokomotif berdinas terganggu akibat adanya

kerusakan lokomotif, serta dapat meminimalkan anggaran Pemeliharaan

lokomotif itu sendiri.

3. Bagi universitas menambah koleksi buku di perputakaan khususnya di

bidang teknologi industri mengenai maintenance dan mendorong

terwujudnya budaya penelitian kajian keilmuan.

1.6 Sistematika Penulisan

Berikut adalah sistematika penulisan dari observasi :

BAB”I PENDAHULUANq

Di bab?I beisi latar]belakang, rumusanemasalah, pembatasandmasalah,

tujuanlpenelitian di Dipo Lokomotif Semarang Poncol, tujuan

pembuatan laporan, dan Sistematika penulisan laporan.

BABpII LANDASAN TEORIjDANjTINJAUANpPUSTAKA

Di babkII beisi teori1-teori sebagai landasan dalam pengambilan

keputusan sehingga dapat memberikan solusi dari permasalahan dan

dapat menjadi dasar dalam membuat hipotesis. Pada bab ini juga terdapat

uraian singkat dari beberapa observasi terdahulu yang nantinya dapat

digunakan sebagai acuan dalam observasi yang akan dilakukan, sehingga

nantinya permasalahan yang ada dapat terpecahkan solusinya.

BAB III METODELOGI PENELITIAN

Di bab III beisi langkah-langkah yang diambil untuk memecahkan

masalah sesuai dengan tujuan observasi. Langkah-langkah yang diambil

berupa cara pengambilan data, cara perhitungan atau pengolahan data,

cara menganalisa hasil dari pengolahan data, dan penarikan kesimpulan.

Semua langkah-langkah yang ada digambarkan dengan menggunakan

bagan supaya dapat mempermudah dalam penafsiran dan

pengaplikasiannya.

8

BAB=IVpHASIL2PENELITIAN5DANsPEMBAHASAN

DitBablIV mempresentasikan pandangan penelitian di Dipo lokomotif

semarang poncol yaitu strategi Pemeliharaan lokomotif CC201, CC203

dan Kereta Rel diesel (KRD) berjangka dengan metode markov chain

untuk meninimalkan anggaran maintenance.

BAB V PENUTUP (KESIMPULANdDANvSARAN)

Di bab’V beisi kesimpulan-dan,saran, keduanya didapatkan dari hasil

pengolahan data yang dilakukan di bab IV. Kesimpulan merupakan

uraian singkat mengenai hasil dari pengolahan dan proses analisa yang

dituang dalam kalimat yang mudah dipahami pembaca. Saran merupakan

pendapat yang akan diberikan ke pihak yang bersangkutan dibuat dengan

dasar penemuan terbaru yang belum pernah dilakukan observasi untuk

digunakan sebagai acuan dalam pengambilan keputusan yang akan

dilakukan pihak perusahaan.

9

oBAB II1

TINJAUANePUSTAKAjDAN]LANDASANtTEORI

2.1keriTinjauanlPustaka

Dalam:kurung waktu tertentu industri seringkali menjumpai sebuah kasus

Pemeliharaan dengan penjadwalan yang tidak sesuai. Penyebab pembengkakan

biaya pendayagunaan mesin industri seringkali terjadi karena penjadwalan yang

masih tidak kondusif. Ditinjau dari observasi lainnya dilakukan oleh Indra Irdianto

& Suhartini (I Irdianto & Suhartini, 2019) dengan judul penelitian “Penggunaani

MetodemMarkovqChainmDalamkPenjadwalanmPerawatan mesin Untuk

MeminimalkanqAnggaran KerusakanumesinjDanyPerawatankmesinsMillf303 Di

PT.hSteelpPipekIndustrytOfeIndonesiaqUnitt3” hasil yang diperoleh dari

penelitian ini adalah Perencanaan perawatan lokomotif Mill 303 pada kondisi

lokomotif dalam kerusakan sedang dan berat membutuhkan rata-rata anggaran

Pemeliharaan perusahaan sebesar Rp. 548.437.272. Anggaran Pemeliharaan

Usulan lokomotif Mill 303 pada kondisi kerusakan ringan adalah Rp.175.499.992,-

dengan selisih dari anggaran Pemeliharaan perusahaan sebesar Rp 372,937,335

(68%). Pada kondisi kerusakan sedang adalah Rp.241.312.393,- dengan selisih dari

anggaran Pemeliharaan perusahaan sebesar Rp 307.124,864 (56%). Pada kondisi

kerusakan berat adalah Rp.76.781.215,- dengan selisih dari anggaran Pemeliharaan

perusahaan sebesar Rp 471,656,042 (86%). Selisih antara anggaran ratarata

perawatan perusahaan dan anggaran yang di Usulan ke perusahaan yang bernilai

besar akan acuan untuk perusahaan dalam melakukan perawatan pada periode

berikutnya. Berdasarkan hasil dari perhitungan Markov Chain dapat dijadwalkan

bahwa Preventive Maintenance yang diusulkan yaitu setiap 0,4 bulan selama 1

tahun, sedangkan penjadwalan perawatan Usulan dapat diasumsikan tersedianya

spare part pada saat dibutuhkan.

Dari observasi berikutnya yang dilakukan oleh Dimas Surya Maulana

(Maulana, 2002) penelitian Peryempurnaan Perawatan mesinmdengan

MenggunakannMetodekMarkovxChainadivPT. Karyamitra Budisentosa Pandaan.

Hasil yang diperoleh dari penelitian ini adalah diperoleh Pemeliharaan lokomotif

10

stitching yang diusulkan berada di P3 yaitu perawatan perbaikan pada situasi berat

(status 4) serta perawatan pencegahan pada situasi mudah dan kondisi kerusakan

sedang (status 2 dan 3) dengan penghematan anggaran perawatan mesin Stitching

sebesar Rp 678.600 atau 4,9% dari anggaran perawatan yang dilakukan perusahaan

yaitu dari Rp 13.759.000 / 6 bulan menjadi Rp 13.080.600 / 6 bulan.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan oleh

Bambang Praimbodo (Priambodo, 2016) dengan judul Minimalisasi Anggaran

Maintenance Lift Menggunakan Metode Markov Chain Di PT. Panji Teknologi

Services. hasil yang diperoleh dari penelitian ini adalah Dari hasil analisa yang

didapat berdasarkan anggaran rata-rata ekspektasi maintenance Usulan P1 memiliki

anggaran paling rendah dibanding Usulan lainnya yaitu sebesar Rp 10.023.194,- .

Jadi untuk meminimalkan anggaran maintenance maka dilakukan tindakan

maintenance Usulan P1 yaitu maintenance korektif pada situasi kerusakan padanan

(perkakas rusak tidak bisa dijalankan) dan maintenance preventive pada situasi

menengah (perkakas rusak masih bisa dijalankan). Dimana meminimalkan

anggaran berdasarkan anggaran rata-rata ekspektasi sebesar Rp 3.484.252,- atau

25.8 % dalam jangka waktu 1 tahun.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Alfianita S.

Sholeh, Ika D. Anna, Trisita Novianti, dan Weny Findiastuti (Sholeh et al., 2018)

dengan judul Penjadwalan Maintenance Mesin Dd10 Memanfaatkan teknik

Markov Chain. hasil diperoleh mengenai penelitian tersebut adalah Dimana dengan

adanya downtime dapat mempengaruhi perfomansi mesin DD10. Dengan adanya

permasalahan tersebut maka dilaksanakan. pemakaian teknik markov chain,

diperoleh skenario penjadwalan maintenance yang terbaik yaitu skenario 4

(maintenance perbaikan di status 4 serta penangkalan di status 3 dan 2). Dengan

menggunakan skenario tersebut dapat melakukan penghematan anggaran kegiatan

maintenance sebesar Rp. 404,653.00 dengan interval penjadwalan maintenance

pencegahan dilakukan setiap 3 hari.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan I.G. Surya

Subaga, I.B.G. Manuaba, I.W. Sukerayasa (Subaga et al., 2019) dengan judul

Transformator Menggunakan Metode Markov. hasil yang diperoleh dari penelitian

11

ini adalah Dari hasil perhitungan pada analisis ini diperoleh nilai keandalan

transformator dalam 30 hari adalah 0,886, maka peluang penurunan nilai keandalan

setiap bulannya adalah sebesar 11,4%. Serta nilai ketersediaan pada transformator

adalah sebesar 0,803 atau sama dengan 293 hari. Berdasarkan analisis tersebut

dalam satu tahun transformator beroperasi dengan baik selama 293 hari sedangkan

72 hari transformator berada pada kondisi yang kurang baik. Sehingga

Pemeliharaan sebaiknya dilakukan dalam 293 hari agar kondisi transformator tetap

terjaga dengan baik. Penelitian selanjutnya adalah penelitian yang pernah dilakukan

I.G. Surya Subaga, I.B.G. Manuaba , I.W. Sukerayasa dengan judul Transformator

Menggunakan Metode Markov. hasil yang diperoleh dari penelitian ini adalah Dari

hasil perhitungan pada analisis ini diperoleh nilai keandalan transformator dalam

30 hari adalah 0,886, maka peluang penurunan nilai keandalan setiap bulannya

adalah sebesar 11,4%. Serta nilai ketersediaan pada transformator adalah sebesar

0,803 atau sama dengan 293 hari. Berdasarkan analisis tersebut dalam satu tahun

transformator beroperasi dengan baik selama 293 hari sedangkan 72 hari

transformator berada pada kondisi yang kurang baik. Sehingga Pemeliharaan

sebaiknya dilakukan dalam 293 hari agar kondisi transformator tetap terjaga dengan

baik.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Suntono

(Suntono, 2012) dengan judul Analisis Aplikasi Markov Chain Guna Menghemat

Anggaran Pemeliharaan Sarana Produksi. hasil yang diperoleh dari penelitian ini

adalah Dari hasil perhitungan pada analisis ini diperoleh Ada empat Usulan

Pemeliharaan yaitu: Dari keempat Usulan Pemeliharaan tersebut dipilih

perencanaan Pemeliharaan dengan anggaran terkecil. Total penghematan anggaran

yang terjadi sebesar 15.32% yang terdiri atas: Pompa Vertical Turbine sebesar

4,3%, Pompa Centrifugal sebesar 41,61%, Instalasi Listrik sebesar 14,72%, dan

Genset sebesar 13,78%.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Nofi Erni,

Benny Wijaya (Erni & Wijaya, 2011) dengan judul Usulan Penerapan Teori

Markov Dalam Pengambilan Keputusan Perawatan Tahunan Pada Pt. Pupuk

Kujang. hasil yang diperoleh dari penelitian ini adalah didapatkan bahwa

12

keputusan terbaik yang diambil perusahaan ialah melakukan perawatan tahunan

selama 5 periode (1 periode = 18 bulan). Hasil produksi yang hilang hanya berkisar

antara 1,1% sampai 3,4% yang berarti lebih kecil dibanding jika tidak dilakukan

perawatan tahunan yang hilang sampai dengan 40%. Untuk mengurangi hasil

produksi yang hilang, dapat dilakukan dengan mengurangi waktu shutdown mesin

selama perawatan tahunan yang menyebabkan hilangnya sejumlah produksi

menjadi lebih kecil. Cara ini dapat dilakukan dengan beberapa cara seperti

menggunakan tenaga ahli, mengurangi waktu tempuh antar mesin yang mengalami

kerusakan dan persedian komponen perbaikan sehingga tidak perlu menunggu

kedatangan komponen terlebih dahulu. Untuk itu, permasalahan yang dihadapi oleh

PT. Pupuk Kujang dalam mengambil keputusan dalam melakukan perawatan

tahunan dapat terselesaikan dengan keputusan yang baik.

Penelitian selanjutnya adalah penelitian yang pernah Hafidh Munawir, Siti

Nandiroh dan Rudi Tri Hartanto (Munawir et al., 2014) dengan perencanaan.

Pemeliharaan=mesinrpompa1gilinganrsausymenggunakan teknik markovxchain

guna minimasidanggaran penggunaan mesin (studigkasus : industri

Lombokugandaria,eunit7maintenance). Hasil dari penelitian ini menunjukan

bahwa komponen seal pada mesin pompa gilingan saus merupakan komponen yang

paling sering mengalami kerusakan karena faktor komponen aus,cairan saus panas

dan beban kerja pompa. Perawatan korektif status agak berat menjadi perawatan

yang baik dan tepat untuk mesin pompa gilingan saus. Perencanaan perawatan

mesin pompa gilingan saus dilakukan setiap 1 bulan dengan penghematan anggaran

sebesar Rp. 23.897,-

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Puspa

Puspitasari, Ahmad Juang Pratama (Puspitasari & Pratama, 1978) dengan judul

Spinning Machine Maintenance Scheduling And Cost Planning Unit Using Markov

Chains Method At Argo Pantes. hasil yang diperoleh dari penelitian ini adalah

didapatkan Hasil penelitian menunjukkan bahwa anggaran Pemeliharaan

perusahaan sebesar Rp 284.605.484 sedangkan anggaran Pemeliharaan setelah

menggunakan rantai Markov Rp. 170 891 389. Menghasilkan penghematan sebesar

USD 77714.095 atau sebesar 31%. Menyatakan teknik rantai Markov Chain

13

digunakan sebagai meminimalkan anggaran perawatan perkakas yang ada di

industri. penanganan preventive pada proses carding mesin yang diusulkan adalah

Pemeliharaan preventive pada mesin type finitex direncanakan 2 agenda sekali,

untuk perkakas mesin direncanakan 2 agenda sekali, untuk perkakas nitto

direncanakan 2 bulan sekali, untuk jenis mesin CN dilakukan setiap 2 agenda, dan

perkakas crossroll direncanakan 1 agenda.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Marsetio,

Supartono, Amarulla Octavian, Ahmadi, Rajab Ritonga dan Rudiyanto dengan

judul (Marsetio et al., 2017) hasil yang diperoleh dari penelitian ini adalah

Pemeliharaan berbasis waktu tunda diterapkan dikombinasikan dengan pola

kebijakan dalam operasi dan pengamatan, dengan menggunakan Proses Keputusan

Markov. Dengan menerapkan kebijakan preventive berbasis time delay, dapat

disimpulkan bahwa pola kebijakan 1, 2, dan 3 dalam penelitian ini dapat

meminimalkan anggaran operasional dan Pemeliharaan pada saat KRI mengalami

breakdown secara umum.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Dieulle, L.

Bérenguer, C. Grall, A. Dan Roussignol, M. dengan judul (Dieulle et al., 2003)

hasil yang diperoleh dari penelitian ini adalah pengembangan metode probabilistik

baru berdasarkan sifat semi-regeneratif dari proses evolusi untuk menghitung

perkiraan anggaran jangka panjang per unit waktu. Kami menggunakan hasil

terbaru yang menggeneralisasi teorema terkenal yang biasanya digunakan yang

mengatakan bahwa kriteria anggaran sama dengan rasio anggaran yang diharapkan

pada siklus pembaruan selama durasi siklus yang diharapkan. Percobaan numerik

menunjukkan bahwa terdapat sekumpulan parameter (ambang kritis dan parameter

fungsi penjadwalan Pemeliharaan ) yang menghasilkan anggaran minimal.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Yarmuch,

Juan Epstein, Rafael Cancino, Raúl Peña dan Juan Carlos (Yarmuch et al., 2017)

dengan judul Evaluating crusher system location in an open pit mine using Markov

chains. hasil yang diperoleh dari penelitian ini adalah mengevaluasi dua

konfigurasi lokasi alternatif menggunakan probabilitas stasioner model rantai

Markov dan hasilnya divalidasi dengan model simulasi waktu-diskrit. Indikator

14

kesesuaian menunjukkan kesesuaian model untuk menggantikan model simulasi

untuk menghitung tingkat produktivitas konfigurasi. Selain berhasil memecahkan

masalah keputusan, model Markov menghasilkan wawasan ke dalam hubungan

antara variabel relevan yang simulasi waktu diskrit tidak dapat menyediakan, dan

melakukannya tanpa anggaran yang lebih besar dan kompleksitas pemodelan,

penyelesaian dan kalibrasi. . Metodologi diterapkan di Chuquicamata pada tahun

2010 untuk memilih konfigurasi lokasi yang optimal berdasarkan konfigurasi

sistem crusher yang sudah ada dan data perusahaan.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Hyeon-Shik

Baik, Hyung Seok David Jeong dan Dulcy M. Abraham (Baik et al., 2006) dengan

judul Estimating Transition Probabilities in Markov Chain-Based Deterioration

Models for Management of Wastewater Systems. Hasil yang diperoleh dari

penelitian ini Model yang diusulkan diterapkan dan dievaluasi menggunakan data

kondisi pipa saluran pembuangan yang dikelola oleh Departemen Air Limbah

Metropolitan Kota San Diego. Model yang dikembangkan menyajikan beberapa

keuntungan dalam mengestimasi probabilitas transisi atas pendekatan yang

dikembangkan di masa lalu, termasuk pendekatan berbasis optimasi nonlinier,

dalam hal keserbagunaan dalam implementasi, ketepatan estimasi data, dan

kesesuaian asumsi dalam model. Makalah ini menyimpulkan bahwa pendekatan

model probit yang dipesan adalah metode statistik yang sehat dan kuat; namun,

untuk mendapatkan akurasi yang lebih baik dalam pemodelan deteriorasi,

diperlukan penilaian berkala terhadap sistem air limbah dengan lebih banyak tipe

data.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Bernard

Roble`s, Manuel Avila, Florent Duculty, Pascal Vrignat, Stephane Be´got dan

Fre´de´ric Kratz (Roblès et al., 2014) dengan judul Hidden Markov model

framework for industrial maintenance activities. Hasil yang diperoleh dari

penelitian ini memecahkan kode observasi Pemeliharaan industri (juga disebut ''

simbol ''). Simbol diproduksi dengan tingkat degradasi yang sesuai (juga disebut ''

negara ''). 2-tupel (simbol, status) ini dikenal sebagai rantai Markov, juga disebut ''

tanda tangan. '' Oleh karena itu, berbagai 2-tupel ini diimplementasikan dalam

15

topologi yang diusulkan dengan menggunakan algoritma pembelajaran Baum-

Welch (decoding dengan variabel maju ) dan pembelajaran K-means segmental

(decoding oleh Viterbi). Kami menilai kerangka kerja yang berbeda (topologi,

algoritma pembelajaran dan decoding, distribusi) dengan pengukuran relevansi

pada keluaran model. Kemudian, kami menentukan kerangka kerja yang paling

relevan untuk digunakan dalam aktivitas Pemeliharaan . Setelah itu, kami mencoba

memperkecil ukuran data pembelajaran. Jadi, kita bisa mengevaluasi model dengan

menggunakan data '' jendela geser ''. Akhirnya, aplikasi industri dikembangkan dan

dibandingkan dengan kerangka kerja ini. Tujuan kami adalah untuk meningkatkan

keselamatan pekerja, kebijakan Pemeliharaan , keandalan proses, dan mengurangi

emisi CO2 di sektor industri.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Charles-

Antoine Robelin and Samer M. Madanat (Robelin & Madanat, 2007) dengan judul

History-Dependent Bridge Deck Maintenance and Replacement Optimization with

Markov Decision Processes s. Hasil yang diperoleh dari penelitian ini

mengembangkan kerangka kerja untuk optimalisasi Pemeliharaan jembatan

menggunakan model deterioration yang mempertimbangkan aspek sejarah kondisi

dan Pemeliharaan jembatan, sekaligus memungkinkan penggunaan teknik optimasi

yang efisien. Model Markovian banyak digunakan untuk merepresentasikan

kerusakan komponen jembatan. Pada model Markovian yang ada, state adalah

kondisi komponen jembatan, dan sejarah kondisi tersebut tidak diperhitungkan,

yang dipandang sebagai suatu batasan. Makalah ini menjelaskan metode untuk

merumuskan model kerusakan dek jembatan yang bergantung pada sejarah yang

realistis sebagai rantai Markov, dengan tetap mempertahankan aspek sejarah

kerusakan dan Pemeliharaan sebagai bagian dari model. Model ini kemudian

digunakan untuk merumuskan dan memecahkan masalah optimasi Pemeliharaan

jembatan berbasis kehandalan sebagai proses pengambilan keputusan Markov.

Studi parametrik dilakukan untuk membandingkan kebijakan yang diperoleh dalam

penelitian ini dengan kebijakan yang diturunkan menggunakan model Markovian

yang lebih sederhana.

16

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Yao Li dan

Frank PA Coolen (Li & Coolen, 2019) dengan judul Time-dependent reliability

analysis of wind turbines considering load-sharing using fault tree analysis and

Markov chainss. Hasil yang diperoleh dari penelitian ini pembagian beban pada

keandalan sistem. Keandalan seluruh sistem dievaluasi secara kuantitatif

menggunakan analisis pohon kesalahan dan metode rantai Markov. Setelah itu,

optimasi masalah alokasi redundansi dengan mempertimbangkan pembagian beban

dilakukan untuk memaksimalkan keandalan sistem dan mengurangi total anggaran

sistem sesuai dengan anggaran dan ruang sistem yang tersedia. Hasil yang

dihasilkan oleh metodologi ini dapat menunjukkan penilaian keandalan yang

realistis dari seluruh turbin angin dari sudut pandang kuantitatif. Penilaian

keandalan yang realistis dapat membantu merancang sistem yang hemat anggaran

dan lebih andal serta secara signifikan mengurangi anggaran turbin angin.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Jasper A.

Vrugt, Cajo J. F. ter Braak Martyn P. Clark James M. Hyman dan Bruce A. Robinso

(Vrugt et al., 2008) dengan judul Treatment of input uncertainty in hydrologic

modeling: Doing hydrology backward with Markov chain Monte Carlo simulation.

Hasil yang diperoleh dari penelitian ini efisien memperkirakan fungsi kepadatan

probabilitas posterior parameter model hidrologi dalam masalah pengambilan

sampel yang kompleks dan berdimensi tinggi. Skema MCMC ini secara adaptif

memperbarui skala dan orientasi distribusi proposal selama pengambilan sampel

dan menjaga keseimbangan dan ergodisitas yang terperinci. Kemudian ditunjukkan

bagaimana DREAM dapat digunakan untuk menganalisis kesalahan data paksa

selama kalibrasi model DAS menggunakan model curah hujan-limpadan lima

parameter dengan data aliran sungai dari dua daerah tangkapan yang berbeda.

Perlakuan eksplisit atas kesalahan curah hujan selama kalibrasi model hidrologi

tidak hanya menghasilkan batasan ketidakpastian prediksi yang lebih sesuai tetapi

juga secara signifikan mengubah distribusi parameter model DAS di posterior. Ini

memiliki implikasi yang signifikan untuk studi regionalisasi. Pendekatan ini juga

menyediakan cara-cara baru yang penting untuk memperkirakan curah hujan DAS

rata-rata kawasan, informasi yang paling penting untuk menguji teori hidrologi,

17

mendiagnosis kesalahan struktural dalam model, dan mengukur perangkat

pengukuran curah hujan dengan tepat.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Joaquim AP

Braga dan Anto´ nio R Andrade (Braga & Andrade, 2019) dengan judul

Optimizing maintenance decisions in railway wheelsets: A Markov decision process

approach. Hasil yang diperoleh dari penelitian ini peran Rel roda kereta api

disediakan, serta beberapa latar belakang tentang standar teknis yang memandu

keputusan Pemeliharaan . Sebuah contoh praktis dieksplorasi dengan estimasi

matriks transisi Markov untuk kondisi kondisi berbeda yang bergantung pada

diameter roda, jarak tempuh sejak aksi belok terakhir (atau pembaruan) dan

terjadinya kerusakan. Mengingat semua tindakan Pemeliharaan yang mungkin,

strategi yang optimal dicapai, memberikan peta tindakan terbaik tergantung di

Status perangkat roda saat ini.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Akhmad

Syakhroni, Rizka Fajar Adi Darmawan , dan Novi Marlyana (Syakhroni et al.,

2021) dengan judul Machine Maintenance Design using Markov Chain Method to

Reduce Maintenance Costs. Hasil yang diperoleh dari penelitian ini untuk

perusahaan adalah untuk proposal I dibutuhkan waktu 49,78 jam = 50 jam dengan

biaya Rp. 16.984.605, penghematan biaya sebesar Rp. 73.545.395 (81,24%).

Jadwal setiap mesin seperti wheel loader setiap 14.009 jam, mesin batching plant

setiap 16.604 jam, mesin truck mixer setiap 19.168 jam. Penjadwalan proposal

kedua akan memakan waktu 26,62 jam = 27 jam dengan biaya Rp. 9.080.664,

penghematan biaya sebesar Rp. 81.449.336 (89,97%). Jadwal untuk setiap mesin

seperti wheel loader setiap 7.490 jam, mesin batching plant setiap 8.877 jam, mesin

truk mixer setiap 10.248 jam. Dilihat dari hasil yang diperoleh, maka rekomendasi

yang diberikan adalah 3 (perawatan korektif pada status 4 dan perawatan preventif

pada status 2, 3).

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Irwan

Sukendar, Akhmad Syakhroni, Muhammad Reza Prawira (Irwan Sukendar et al.,

2020) dengan judul Analysis of the Age Replacement Method to Reduce Tool

Downtime. Hasil yang diperoleh dari penelitian ini Untuk mengatasi masalah

18

tersebut maka perlu dilakukan penjadwalan penggantian pahat dengan

menggunakan metode Age Replacement, dimana metode ini untuk menentukan

jadwal penggantian pahat dengan downtime yang paling sedikit. Setelah itu

dilakukan perhitungan dengan menggunakan metode Availability, dimana semakin

tinggi nilai Availability suatu alat maka semakin baik kondisi alat tersebut untuk

beroperasi sesuai fungsinya. Dan terakhir perhitungan dilakukan dengan

menggunakan metode Reliability, dimana semakin tinggi nilai reliability suatu alat

maka semakin kecil kemungkinan akan terjadi kerusakan pada alat tersebut.

Penelitian selanjutnya adalah penelitian yang pernah dilakukan Reza

Muhammad Tifani, Andre Sugiyono wiwiek Fatmawati, (Tifani et al., 2020)

dengan judul Analisa Efektifitas Mesin Air Jet Loom (Ajl) Guna Mengurangi

Breakdown Dengan Metode Overall Equipment Effectivenees (Oee) Dan Six Big

Losess Di Pt.Primatexco Indonesia. Hasil yang diperoleh dari penelitian ini Usulan

rekomendasinya antara lain lebih memberikan insentif untuk mendorong kinerja

operator, selalu berkomunikasi dengan setiap bagian QC (Quality Control), selalu

berkomunikasi dengan KARU (kepala regu) fokus saat bekerja, melakukan

pembersihan mesin bagian weaving setelah atau akan memulai bekerja, melakukan

perawatan secara rutin, pengecekan oiling greesing pada mesin, selalu mengecek

gear belt pada mesin sebelum menyalakan, menganalisa sebab kerusakan kemudian

arsip data kerusakan, pengecekan komponen pada mesin apakah dalam kondisi baik

serta melakukan pergantian komponen jika kondisinya tidak dalam keadaan baik.

Dari study literature yang sudah dijelaskan metode yang tepat adalah metode

markov chain. Karena dengan menggunakan metode ini peneliti dapat

menjadwalkan Pemeliharaan mesin sesuai dengan penghitungan masing-masing

Usulan dan sekaligus dapat menghitung minimasi anggaran yang dikeluarkan

apabila perusahaan menerapkan sistem penjadwalan Pemeliharaan lokomotif

sesuai dengan yang diperhitungkan menggunakan metode markov chain, dimana

hasil dari minimasi anggaran langsung dapat dilihat karena sudah diperhitungkan

juga apabila penjadwalannya diterapkan di perusahaan. Sebagai perbandingan

dikutip dari jurnal (Siswanti, 2011) metode RCM dapat membentuk Preventive

Maintenance dan tugas yang berhubungan yang dapat mengembalikan kehandalan

19

dan keamanan pada levelnya semula pada saat terjadinya penurunan kondisi

peralatan atau sistem dengan anggaran minimal. Dengan didapatnya pengaturan

aktivitas. Jadi untuk metode markov chain ini tepat sebagai metode penelitian

dikarenakan mengolahan data anggaran kerusakan mesin untuk mengatahui

penjadwalan terbaik untuk lokomotif.

20

Tabel 2.1 Study Literature Penelitian

No. Penulis Judul Sumber Masalah Metode Hasil

1 Indra Irdianto &

Suhartini

Penggunaan5MetodeMark

ovmChainiDalamkPenjad

walaniPerawatanimesingU

ntuk..Meminimalkan,Angg

aran;Kerusakan’mesinrDa

nlPerawatanlmesin/Millf30

3gDimPT.,Steel#PipehInd

ustryiOffIndonesiafUnitj3

Journal Of Industrial And

Systems Optimization Volume

2, Nomor 1, 2019

Perusahaan ingin meminimalkan anggaran

kerusakan pada mesin mill 303 dan

merencanakan perawatan mesin mill 303

sehingga dapat mengurangi anggaran

Pemeliharaan .

Markov Chain Perencanaan perawatan mesin Mill 303 pada

kondisi mesin dalam kerusakan sedang dan

berat membutuhkan rata-rata anggaran

Pemeliharaan perusahaan sebesar Rp.

548.437.272. Anggaran Pemeliharaan

Usulan mesin Mill 303 pada kondisi

kerusakan ringan adalah Rp.175.499.992,-

dengan selisih dari anggaran Pemeliharaan

perusahaan sebesar Rp 372,937,335 (68%).

Pada kondisi kerusakan sedang adalah

Rp.241.312.393,- dengan selisih dari

anggaran Pemeliharaan perusahaan sebesar

Rp 307.124,864 (56%). Pada kondisi

kerusakan berat adalah Rp.76.781.215,-

dengan selisih dari anggaran Pemeliharaan

perusahaan sebesar Rp 471,656,042 (86%).

Selisih antara anggaran ratarata perawatan

perusahaan dan anggaran yang di Usulan ke

perusahaan yang bernilai besar akan acuan

untuk perusahaan dalam melakukan

perawatan pada periode

berikutnya.Berdasarkan hasil dari

perhitungan Markov Chain dapat

dijadwalkan bahwa Preventive Maintenance

yang diusulkan yaitu setiap 0,4 bulan selama

1 tahun, sedangkan penjadwalan perawatan

Usulan dapat di asumsikan tersedianya spare

part pada saat dibutuhkan. (Indra Irdianto,

2019)

2 Dimas Surya Maulana Perencanaan

PerawatanhMesinyDengan

iMenggunakan

MetodeeMarkov

ChainlDiuPt.iKaryamitrak

BudisentosasPandaan

Jurnal Teknik Industri,

ejournal.itn.ac.id, 2018

Permasalahan yang terjadi pada

perusahaan yaitu seringnya mesin

mengalami downtime sehingga

mengakibatkan pembengkakan anggaran

untuk perbaikan mesin. Hal ini

dikarenakan kurang terjadwalnya

perawatan mesin di PT. Karyamitra Budisentosa. Tujuan dari penelitian ini

adalah untuk menentukan perencanaan

Markov Chain Dari hasil penelitian, diperoleh Pemeliharaan

lokomotif stitching yang diusulkan berada di

P3 yaitu perawatanokorektiffpada kondisii

kerusakanyberat (status 4) sertai perawatan

pencegahanypada

kondisidkerusakanmringan dan kondisi

kerusakan sedang (status 2 dan 3) dengan penghematan anggaran perawatan lokomotif

Stitching sebesar Rp 678.600 atau 4,9% dari

21

penjadwalan perawatan mesin yang tepat

serta menghitung anggaran Pemeliharaan

mesin produksi untuk mencapai tingkat

anggaran pemeliharaan yang optimal.

Maka dari itu, metode yang digunakan

dalam penelitian ini adalah Markov Chain

anggaran perawatan yang dilakukan

perusahaan yaitu dari Rp 13.759.000 / 6

bulan menjadi Rp 13.080.600 / 6 bulan.

(Maulana, 2002)

3 Bambang Priambodo Minimalisasi Anggaran

Maintenance Lift

Menggunakan Metode

Markov chain

Jurnal Teknik Industri

ejournal.itn.ac.id, 2016

Permasalahan yang ada diperusahaan

tersebut adalah meningkatnya anggaran

maintenance pada lift yang telah

melampaui anggaran standar maintenance

perusahaan Tujuan penelitian ini adalah

untuk meminimalkan anggaran

maintenance lift tersebut.

Markov Chain Dari hasil analisa yang didapat berdasarkan

anggaran rata-rata ekspektasi maintenance

Usulan P1 memiliki anggaran paling rendah

dibanding usulan lainnya yaitu sebesar Rp

10.023.194,- . Jadi untuk meminimalkan

anggaran maintenance maka dilakukan

tindakan maintenance Usulan P1 yaitu

maintenance korektif pada

kondisi9kerusakanyberatm(mesin rusak

tidakndapathberoperasi) dan maintenance

preventive pada

kondisiikerusakanhsedangf(mesin rusak

masih dapathberoperasi). Dimana

meminimalkan anggaran berdasarkan

anggaran rata-rata ekspektasi sebesar Rp

3.484.252,- atau 25.8 % dalam jangka waktu

1 tahun.(Priambodo, 2016)

4 Endang Pudji,W

&iFahmapIlma

PerencanaanePemeliharaan

kMesindDengan

MenggunakaniMetodedMa

rkovvChaineUntukbMengu

rangiiAnggaranjPemelihar

aan

Di1Pt.wPhilipseIndonesia

Jurnal Teknik Industri

ejournal.upnjatim.ac.id, 2016

Permasalahan yang ada diperusahaan

tersebut adalah Ketiga jenis mesin tersebut

memegang peranan penting dalam

memproduksi komponen- komponen

lampu sehingga diperlukan suatu metode

yang paling baik agar terhindar dari

seringnya terjadi kerusakan, Pemeliharaan

tersebut dapat meliputi Pemeliharaan

corrective yaitu kegiatan Pemeliharaan

setelah mesin rusak dan Pemeliharaan

preventive yaitu kegiatan Pemeliharaan

mesin untuk mencegah terjadinya

kerusakan. Dengan demikian hal tersebut

dapat mengurangi anggaran Pemeliharaan

.

Markov Chain Pada kondisi riil perusahaan anggaran

Pemeliharaan sebesar Rp 19.392.792.536,-

dan setelah menggunakan metode Markov

Chain menjadi Rp 15.354.301.376,-

sehingga terjadi penghematan sebesar Rp

4.038.491.159 atau presentase sebesar

(20,82%). Hal ini membuktikan bahwa

metode Markov Chain memang dapat

dipakai untuk meminimalkan anggaran

Pemeliharaan mesin- mesin di

perusahaan.(Pudji & Ilma, 2012)

5 Sholeh, Alfianita

Savitri

Anna, Ika Deefi

Novianti, Trisita

Penjadwalan Maintenance

Mesin Dd10 Dengan

Menggunakan Metode

Markov Chain

Tekmapro : Journal of

Industrial Engineering and

Management (2018) 13(2)

66-74

Studi ini mengembangkan perencanaan

penjadwalan maintenance mesin den-gan

menggunakan metode markov chain untuk

Markov Chain Dengan menggunakan metode markov

chain, diperoleh skenario penjadwalan

maintenance yang terbaik yaitu skenario 4

(maintenance korektif di Status 4 serta

Tabel 2.1 Study Literature Penelitian (Lanjutan)

22

Findiastuti, & Weny optimalisasi anggaran maintenance untuk

mesin produksi filter.

pencegahan di Status 3 dan 2). Dengan

menggunakan skenario tersebut dapat

melakukan penghematan anggaran kegiatan

maintenance sebesar Rp. 404,653.00 dengan

interval penjadwalan maintenance pen-

cegahan dilakukan setiap 3 hari.(Sholeh et

al., 2018)

6 Subaga, I G Surya

Manuaba, I B G

& Sukerayasa, I W

Analisis Prediktif

Pemeliharaan Minyak

Transformator

Menggunakan Metode

Markov

Jurnal SPEKTRUM Vol. 6,

No. 4 Desember 2019

Studi ini mengembangkan Kerusakan pada

minyak isolasi

transformator seringkali menjadi

penyebab kegagalan

transformator. Kerusakan minyak

transformator sangat sulit diprediksi, oleh

karena itu pemantauan kondisi minyak

transformator sangat penting untuk

dilakukan. Salah satu metode untuk

mengetahui kondisi minyak transformator

adalah Dissolved Gas Analysis (DGA),

dimana metode ini dapat menganalisis

kondisi transformator berdasarkan

konsentrasi gas yang terlarut dalam

minyak. Pemeliharaan pada minyak

transformator secara berkala dapat

mencegah minyak transformator

mengalami kerusakan atau kegagalan

isolasi.

Markov Dengan menggunakan metode markov

Dalam analisis ini dilakukan perhitungan

nilai keandalan dan ketersediaan

berdasarkan nilai Total Dissolved

Combustible Gas (TDCG) yang kemudian

diolah dengan metode Markov untuk

mengetahui kemungkinan-kemungkinan

waktu Pemeliharaan yang tepat. Dari hasil

perhitungan pada analisis ini diperoleh nilai

keandalan transformator dalam 30 hari

adalah 0,886, maka peluang penurunan nilai

keandalan setiap bulannya adalah sebesar

11,4%. Serta nilai ketersediaan pada

transformator adalah sebesar 0,803 atau

sama dengan 293 hari. Berdasarkan analisis

tersebut dalam satu tahun transformator

beroperasi dengan baik selama 293 hari

sedangkan 72 hari transformator berada pada

kondisi yang kurang baik. Sehingga

Pemeliharaan sebaiknya dilakukan dalam

293 hari agar kondisi transformator tetap

terjaga dengan baik.(Subaga et al., 2019)

7 Suntono Analisis Aplikasi Markov

Chain Guna Menghemat

Anggaran Pemeliharaan

Sarana Produksi

JURNAL ILMU-ILMU

TEKNIK - SISTEM , Vol. 11

No. 3

Studi ini mengembangkan kegiatan

Pemeliharaan terhadap sarana produksi

untuk menjaga tingkat kesiapan sarana

produksi yang menunjang kelancaran

suatu proses produksi. Kegiatan

Pemeliharaan yang belum dilakukan

secara optimal, berdampak pada

kelangsungan proses produksi, serta

menyebabkan meningkatnya anggaran

Pemeliharaan .

Markov Chains Ada empat Usulan Pemeliharaan yaitu: Dari

keempat Usulan Pemeliharaan tersebut

dipilih perencanaan Pemeliharaan dengan

anggaran terkecil. Total penghematan

anggaran yang terjadi sebesar 15.32% yang

terdiri atas: Pompa Vertical Turbine sebesar

4,3%, Pompa Centrifugal sebesar 41,61%,

Instalasi Listrik sebesar 14,72%, dan Genset

sebesar 13,78%.(Suntono, 2012)

8 Nofi Erni,

& Benny Wijaya.

Analisis Aplikasi Markov

Chain Guna Menghemat

JURNAL ILMU-ILMU

TEKNIK - SISTEM , Vol. 11

No. 3

Perusahaan membutuhkan suatu sistem

perawatan fasilitas produksi untuk

mengurangi kerugian karena karena

Markov Chain Ada empat Usulan Pemeliharaan didapatkan

bahwa keputusan terbaik yang diambil

perusahaan ialah melakukan perawatan


23


Sarana Produksi

ANALISIS kegagalan kinerja mesin produksi.

Perawatan tahunan yang diterapkan pada

perusahaan memiliki kendala yakni mesin

harus dimatikan selama beberapa hari

sehingga produksi menjadi berkurang

1.725 ton/hari. Berdasarkan kondisi

tersebut, perusahaan menjadi ragu dalam

penerapan sistem ini. Apakah benar

melakukan perawatan tahunan merupakan

sistem terbaik? Penelitian ini bertujuan

untuk membantu perusahaan untuk

mengevaluasi keputusan perawatan mesin

mengunakan metode Markov. Kondisi

mesin dibagi menjadi 3 state yakni baik,

rusak sedang dan rusak berat. Alternatif

tahunan selama 5 periode (1periode = 18

bulan). Hasil produksi yang hilang hanya

berkisar antara 1,1% sampai 3,4% yang

berarti lebih kecil dibanding jika tidak

dilakukan perawatan tahunan yang hilang

sampai dengan 40%. Untuk mengurangi

hasil produksi yang hilang, dapat dilakukan

dengan mengurangi waktu shut down mesin

selama perawatan tahunan yang

menyebabkan hilangnya sejumlah produksi

menjadi lebih kecil. Cara ini dapat dilakukan

dengan beberapa cara seperti menggunakan

tenaga ahli, mengurangi waktu tempuh antar

mesin yang mengalami kerusakan dan

persedian komponen perbaikan sehingga

tidak perlu menunggu kedatangan komponen

terlebih dahulu. Untuk itu, permasalahan

yang dihadapi oleh PT. Pupuk Kujang dalam

mengambil keputusan dalam melakukan

perawatan tahunan dapat terselesaikan

dengan keputusan yang baik.(Erni & Wijaya,

2011)

9 Hafidh Munawir, Siti

Nandiroh, Rudi

Tri.Hartanto

PerencanaaniPemeliharaan

mmesinupompagilinganrsa

us@dengandmetode%mar

kovichainkuntukuminimasi

anggaranuPemeliharaan

Naskah publikasi ilmiah

teknik jurusan teknik industri

fakultas teknik universitas

muhammadiyah surakarta

(2014)

http://eprints.ums.ac.id/2887

9/

Masalah yang terjadi perusahaan adalah

adanya intensitas kerusakan yang tinggi.

Perawatan pencegahan menjadi pilihan

utama dalam mengatasi masalah

kerusakan tersebut.

Markov chain Hasil dari penelitian ini menunjukan bahwa

komponen seal pada mesin pompa gilingan

saus Merupakan komponen yang paling

sering mengalami kerusakan karena faktor

komponen aus,cairan saus panas dan beban

kerja pompa. Perawatan korektif status agak

berat menjadi perawatan yang baik dan tepat

untuk mesin pompa gilingan saus.

Perencanaan perawatan mesin pompa

gilingan saus dilakukan setiap 1 bulan

dengan penghematan anggaran sebesar rp.

23.897,-.(Munawir et al., 2014)

10 Puspitasari, Puspa

Pratama, Ahmad

Juang

Spinning Machine

Maintenance Scheduling

And Cost Planning Unit

Using Markov Chains

Method At Argo Pantes

Proceeding 8th International

Seminar on Industrial

Engineering and

Management

This study focuses on the process of

spinning unit that functions as a unit of

spinning cotton into yarn, based on the

results of AHP according three experts

who responsible for carding machine

where the machine including

ucontrolvactivities,urepairiandureplacem

entooffsparefpartsdusingdMarkovhchain.

Markov Chain The results showed that the maintenance of

the company cost about Rp 284 605 484.

while the maintenance costs after using

Markov chain Rp. 170 891 389. resulting in

af savings of USD 77714.095 or by 31%. of

machines - machines in the company.

Planning preventive maintenance on the

machine carding process proposed is


24

preventive maintenance on the engine type

finitex performed every 2 months, to the type

of machine meikin performed every 2

months, to the type of machine nitto

performed every 2 months, to the type of

machine CN performed every 2 months, of

the kind crossroll engine performed every 1

month.(Puspitasari & Pratama, 1978)

11 Supartono Marsetio,

Amarulla

Octavian, , Ritonga

Ahmadi

,Rajab, Rudiyanto

Optimization of Time Delay

based Preventive

Maintenance using Markov

Decision Process

nternational Journal of

Signal Processing, Image

Processing and Pattern

Recognition

To support the reliability-based

maintenance system, an analysis is

required to determine the exact breakdown

rate and the state of the system based on

time delay. In time-delay-based

maintenance, before experiencing a

breakdown, the system will show a decline

in performance.

Markov However, time-delay-based maintenance is

difficult to apply in the field since it requires

the appropriate data to form the model. In

this study, time-delay-based maintenance is

applied in combination with policy patterns

in the operation and observation, using

Markov Decision Process. By applying time-

delay-based preventive policy, it can be

concluded that the policy pattern 1, 2, and 3

in this study can minimize operational and

maintenance expenses when KRI

experiences a breakdown in

general.(Marsetio et al., 2017)

12 Dieulle, L.

Bérenguer, C.

Grall, A.

Roussignol, M.

Sequential condition-based

maintenance scheduling for

a deteriorating system

European Journal of

Operational Research

The system is considered as failed if its

condition jumps above a pre-set failure

level. Two types of replacement can take

place at each inspection date depending on

whether the current system state is above

a pre-set critical threshold but not failed

or in the failed state. This paper is focused

on the development of a new probabilistic

method based on the semi-regenerative

property of the evolution process in order

to calculate the long-time expected cost

per unit of time

Markov result generalizing the well-known theorem

usually used which says that the cost

criterion is equal to the ratio of the expected

cost on a renewal cycle over the expected

cycle duration. Numerical experiments show

that there exists a set of parameters (the

critical threshold and the parameters of the

maintenance scheduling function) which

lead to a minimal cost. © 2002 Elsevier

Science B.V. All rights reserved.(Dieulle et

al., 2003)

13 Yarmuch, Juan

Epstein, Rafael

Cancino, Raúl

Peña, Juan Carlos

Evaluating crusher system

location in an open pit mine

using Markov chains

Department of Industrial

Engineering, University of

Chile

The proposed approach determines which

location alternative exhibits the minimum

capital and operating costs when

equipment failure probability is

considered. Two alternative location

configurations are evaluated using the

stationary probabilities of a Markov chain

model, and the results are validated with a

discrete-event simulation model.

Markov chains result The Markov model generates insights

into the relationships between the variables

that a discrete-event simulation cannot

provide, and does so without the latter’s

greater costs and complexities of modelling,

solving and calibration.(Yarmuch et al.,

2017)


25

14 Baik, Hyeon-Shik

Jeong, Hyung Seok

Abraham, Dulcy M.

Estimating Transition

Probabilities in Markov

Chain-Based Deterioration

Models for Management of

Wastewater Systems

Journal of Water Resources

Planning and Management ·

January 2006

Accurate prediction of the current and

future conditions of wastewater systems

using available assessment data is crucial

for developing appropriate proactive

maintenance and rehabilitation strategies

for an aging wastewater collection and

conveyance system. This paper proposes a

method to estimate the transition

probabilities of different condition states

in Markov chain-based deterioration

models for wastewater systems using an

ordered probit model. The proposed model

is applied and evaluated using the

condition data of sewer pipes managed by

the City of San Diego’s Metropolitan

Wastewater Department..

Markov chains The developed model presents some

advantages in estimating transition

probabilities over the approaches developed

in the past, including the nonlinear

optimization-based approach, in terms of

versatility in the implementation, precision

of the estimated data, and appropriateness of

the assumptions in the model. The paper

concludes that the ordered probit model

approach is a statistically sound and robust

method; however, in order to gain greater

accuracy in deterioration modeling, periodic

assessment of the wastewater systems with

more data types is desirable.(Baik et al.,

2006)

15 Robelin, Charles-

Antoine

Madanat, Samer M.

History-Dependent Bridge

Deck Maintenance and

Replacement Optimization

with Markov Decision

Processes

JOURNAL OF

INFRASTRUCTURE

SYSTEMS © ASCE /

SEPTEMBER 2007

Bridge maintenance and replacement

optimization methods use deterioration

models to predict the future condition of

bridge components. The purpose of this

paper is to develop a framework for bridge

maintenance optimization using a

deterioration model that takes into

account aspects of the history of the bridge

condition and maintenance, while

allowing the use of efficient optimization

techniques. Markovian models are widely

used to represent bridge component

deterioration. In existing Markovian

models, the state is the bridge component

condition, and the history of the condition

is not taken into account, which is seen as

a limitation.

Markov describes a method to formulate a realistic

history-dependent model of bridge deck

deterioration as a Markov chain, while

retaining aspects of the history of

deterioration and maintenance as part of the

model. This model is then used to formulate

and solve a reliability-based bridge

maintenance optimization problem as a

Markov decision process. A parametric

study is conducted to compare the policies

obtained in this research with policies

derived using a simpler Markovian

model(Robelin & Madanat, 2007)

16 Robelin, Charles-

Antoine

Madanat, Samer M.

Treatment of input

uncertainty in hydrologic

modeling: Doing hydrology

backward with Markov

chain Monte Carlo

simulationMarkov

Decision Processes

JOURNAL OF

INFRASTRUCTURE

SYSTEMS © ASCE /

SEPTEMBER 2007

There is increasing consensus in the

hydrologic literature that an appropriate

framework for streamflow forecasting and

simulation should include explicit

recognition of forcing and parameter and

model structural error.

Markov chain

Monte Carlo

(MCMC)

It is then demonstrated how DREAM can be

used to analyze forcing data error during

watershed model calibration using a five-

parameter rainfall-runoff model with

streamflow data from two different

catchments. Explicit treatment of

precipitation error during hydrologic model

calibration not only results in prediction

uncertainty bounds that are more


26

appropriate but also significantly alters the

posterior distribution of the watershed model

parameters. This has significant implications

for regionalization studies. The approach

also provides important new ways to

estimate areal average watershed

precipitation, information that is of utmost

importance for testing hydrologic theory,

diagnosing structural errors in models, and

appropriately benchmarking rainfall

measurement devices. Citation:(Vrugt et al.,

2008)

17 Li, Yao

Coolen, Frank P. A.

Time-dependent reliability

analysis of wind turbines

considering load-sharing

using fault tree analysis

and Markov chains

Yao

Proc IMechE Part O:

J Risk and Reliability 1–12 Ó

IMechE 2019 Article reuse

guidelines:

sagepub.com/journals-

permissions DOI:

10.1177/1748006X19859690

journals.sagepub.com/home/

pio

Due to the high failure rates and the high

cost of operation and maintenance of wind

turbines, not only manufacturers but also

service providers try many ways to

improve the reliability of some critical

components and subsystems. In reality,

redundancy design is commonly used to

improve the reliability of critical

components and subsystems. The load

dependencies and failure dependencies

among redundancy components and

subsystems are crucial to the reliability

assessment of wind turbines

Markov chain However, the redundancy components are

treated as a parallel system, and the load

correlations among them are ignored in

much literature, which may lead to the wrong

system’s reliability and much higher costs.

For this reason, this article explores the

influences of load-sharing on system

reliability. The whole system’s reliability is

quantitatively evaluated using fault tree

analysis and the Markov-chain method.

Following this, the optimisation of the

redundancy allocation problem considering

the load-sharing is conducted to maximise

the system reliability and reduce the total

cost of the system subjecting to the available

system cost and space. The results produced

by this methodology can show a realistic

reliability assessment of the entire wind

turbine from a quantitative point of view. The

realistic reliability assessment can help to

design a cost-effective and more reliable

system and significantly reduce the cost of

wind turbines.(Li & Coolen, 2019)

18 Roblès, Bernard

Avila, Manuel

Duculty, Florent

Vrignat, Pascal

Bégot, Stephane

Kratz, Frédéric

Hidden Markov model

framework for industrial

maintenance activities

Proc IMechE Part O:

J Risk and Reliability 2014, Vol.

228(3) 230–242 Ó IMechE 2014

Reprints and permissions:

sagepub.co.uk/journalsPermissio

ns.nav DOI:

10.1177/1748006X14522458

The process is seen as a discrete event

system. We propose different structures

based on Markov automata, called

topologies. A synthetic hidden Markov

model is designed in order to match to a

real industrial process. The models are

intended to decode industrial maintenance

Model Markov We assess different frameworks (topology,

learning and decoding algorithm,

distribution) by relevancy measurements on

model outputs. Then, we determine the most

rele- vant framework for use in maintenance

activities. Afterward, we try to minimize the

size of the learning data. Thus, we could


27

observations (also called ‘‘symbol’’).

Symbols are produced with a

corresponding degradation level (also

called ‘‘state’’). These 2-tuple (symbol,

state) are known as Markov chains, also

called ‘‘a signature.’’ Hence, these

various 2-tuple are implemented in the

proposed topologies by using the Baum–

Welch learning algorithm (decoding by

forward variable) and the segmental K-

means learning (decoding by Viterbi)

evaluate the model by using ‘‘sliding

windows’’ of data. Finally, an industrial

application is developed and compared with

this framework. Our goal is to improve

worker safety, maintenance policy, process

reliability and reduce CO2 emis- sions in the

industrial sector. (Roblès et al., 2014)

19 Syakhroni, Akhmad

Fajar, Rizka

Darmawan, Adi

Marlyana, Novi

Machine Maintenance

Design using Markov

Chain Method to Reduce

Maintenance Costs

https://lamintang.org/journal/

index.php/ijeste/article/view/

224

PT. XYZ is a company that focuses on

construction with ready mix concrete

product (cast). The problem faced by the

company is that the schedule is not

suitable for machine maintenance

activities so that it still results in high

maintenance costs incurred by the

company. By using the markov chain

method can plan maintenance time in

order to reduce downtime so as to

minimize maintenance costs.

Markov Chain The results obtained by the proposal for the

company are for proposal I it takes 49.78

hours = 50 hours at a cost of Rp. 16,984,605,

the cost savings of Rp. 73,545,395 (81.24%).

Schedule for each machine such as wheel

loaders every 14,009 hours, batching plant

machines every 16,604 hours, truck mixer

machines every 19,168 hours. Scheduling the

second proposal will take 26.62 hours = 27

hours at a cost of Rp. 9,080,664, the cost

savings of Rp. 81,449,336 (89.97%).

Schedule for every machine such as wheel

loaders every 7,490 hours, batching plant

machines every 8,877 hours, mixer truck

machines every 10,248 hours. Judging from

the results obtained, the recommendation

given is ??3 (corrective maintenance at

status 4 and preventive maintenance at

status 2, 3).(Syakhroni et al., 2021)

20 Irwan Sukendar

Syakhroni, Akhmad

Prawira, Muhammad

Reza

Analysis of the Age

Replacement Method to

Reduce Tool Downtime

https://

http://lamintang.org/jour

nal/index.php/ijeste/articl

e/view/41

A manufacturing company engaged in the

manufacturing of diesel engines in

Indonesia has a problem with high

downtime.

Age

Replacement

Method

The most frequent replacement frequency is

in the cylinder liner line which in April - June

2018 has 1254 units of replacements, besides

that the cylinder liner line also has the

highest downtime of 7243.94 minutes. To

overcome this problem, it is necessary to

schedule tool replacement using the Age

Replacement method, where this method is to

determine the tool replacement schedule

with the least downtime. After that the

calculation is done using the Availability

method, where the higher the Availability


28

value of a tool, the better the condition of the

tool to operate according to its function. And

finally the calculation is done using the

Reliability method, where the higher the

value of the reliability of a tool, the less likely

the damage will occur to the tool.(Irwan

Sukendar et al., 2020)

21 Tifani, R M

Sugiyono, A

Fatmawati, W

Analisa Efektifitas Mesin

Air Jet Loom (Ajl) Guna

Mengurangi Breakdown

Dengan Metode Overall

Equipment Effectivenees

(Oee) Dan Six Big Losess

Di Pt.Primatexco

Indonesia

http://lppm-

unissula.com/jurnal.unissula.

ac.id/index.php/kimueng/arti

cle/view/8705/3984

Ada beberapa faktor yang mengakibatkan

proses produksi terganggu diantaranya

adalah sering terjadi seperti putusnya

benang pakan, Ganti beam (kehabisan

beam / benang lusi), Kirikae (setting mesin

kembali sesuai pola permintaan dari PPC),

Mobil hozen (rusaknya kelainan pada

mesin,mengecek rpm mesin dan cacat

yang terjadi, mengganti spare part pada

mesin yang rusak), Kikae hozen

(kerusakan ringan seperti benang

dobel,lusi dobel pakan jarang,

memperbaiki cacat kain yang dihasilkan

dari mesin), dan masih banyak faktor-

faktor lain, Dari permasalahan tersebut

diperlukan metode usulan metode TPM

(Total Productive Maintenance) guna

mengurangi downtime pada mesin AJL

(Air Jet Loom) untuk mengurangi tingkat

efektifitas pada mesin produksi yaitu

Metode TPM (Total Productive

Maintenance) dan OEE (Overall Euipment

Effectiveness), sedangkan untuk

mengidentifikasi mesin tersebut

menggunakan metode Six Big Losses.

Metode TPM

(Total

Productive

Maintenance)

dan OEE

(Overall

Euipment

Effectiveness)

Dari hasil OEE (Overall Euipment

Effectiveness) setelah dilakukan perhitungan

availability rate, performance rate dan rate of

quality dengan mengetahui tingkat

keefektifan pada mesin AJL terdapat

beberapa mesin yang tidak memenuhi

standar yaitu mesin AJL 1, mesin AJL 2,

mesin AJL 3, dan mesin AJL 4, maka pada

analisa Six Big Losses dilakukan

perhitungan lanjutan yaitu identifikasi dan

perhitungan Six Big Losses dengan 6

kategori dari metode tersebut didapatkan

eliminasi yang terpilih 3 penyebabnya yaitu

Breakdown Losses, idling and minor

stoppage losses, dan reduce speed losses

usulan rekomendasi sebagai pemilihan nilai

yang terbesar diantara 3 penyebab kerugian

bagi perusahaan, maka dilakukan analisa

pendekatan TPM (Total Productive

Maintenance) dengan 8 pilar yaitu

Autonomus Maintenance, Kaizen,Early

Equipment management, Training, Sefety

health and environment dan Office TPM

(kantor TPM)(Tifani et al., 2020)


29

2.2 Landasan Teori

Berikut ini landasan teori dari tugas akhir :

2.2.1 Pemeliharaan Atau Maintenance mesin

Menurut Maulana (2002) pengertian Pemeliharaan adalah kegiatan untuk

memelihara atau menjaga fasilitas/peralatan pabrik dan mengadakan perbaikan atau

penyesuaian/penggantian yang diperlukan agar terdapat suatu keadaan operasi

produksi yang memuaskan sesuai yang direncanakan. Di dalam manajemen

perawatan mesin,

Markov Chain dapat digunakan sebagai suatu metode untuk menganalisa

kemungkinan transisi status mesin dari kondisi baik, rusak ringan, rusak sedang,

sampai dengan rusak berat di masa mendatang. Markov Chain memiliki kelebihan

dibandingkan dengan metode Pemeliharaan mesin lain yaitu akan didapatkan

anggaran Pemeliharaan yang lebih optimal dan sistem penjadwalan teratur

Pemeliharaan mesin dapat diketahui. Dalam proses operasinyarsuatu sistem

akanJmengalamidbeberapaxkemungkinanctransisiystatusiyangaberubah1darivsatu

statuswkeLstatusmyangzlain. Misalnya, jikalperbaikanlitemibaruqdilakukan

setelahgitemwtersebutimengalamikkerusakaniberat, maka untuk status12,1dan83

tetap[dibiarkanLsaja.iTetapipseandainyazkebijaksanaannituldirubahadihmanaoPe

meliharaankdilakukanfapabilakitemaberadakdiuStatusp2,p3, dan 4 sehingga

menjadilstatusk1 juga2bisaqdilakukan. Keputusan-0keputusan7yangtdiambil

dalamrmenentukan4perawatan5dapat dituliskan sebagai7berikut :

Tabeli2.2lStatus dandKondisiYKerusakan

[Status; uKondisii

516 mBaikn

r2f dKerusakanjringank

63j uKerusakangsedangf

y46 ,KerusakanjBerath

Sumberi: (Maulana, 2002)

Keputusanbyangjdiambiludalamkmenentukanhperawatanbadalahfsebagaivberikut:

30

iTabelk2.3pJenisgKeputusan

bKeputusank gTindakanoyangkdilakukan

1 Tidakadilakukannyahtindakani

2 DilakukankPemeliharaan

pencegahanl(Sistemhkembali

kemstatusnsebelumnya)

3 Pemeliharaan5korektif8(sistem

kembali0kekstatus91)

Sumberu: (Maulana, 2002)

Jika suatu item berada pada status kerusakan ringan dan kerusakan sedang,

maka item tersebut tidak akan mengalami transisi ke status baik, dengan kata lain

bahwa suatu item yang berada pada status kerusakan ringan dan kerusakan sedang

akan tetap berada pada status kerusakan ringan dan kerusakan sedang atau hanya

akan beralih ke status berat. Dan jika item berada pada status kerusakan berat atau

dengan kata lain suatu item yang memburuk akan tetap memburuk sampai selang

pemeriksaan berikutnya, atau bila tidak item akan mengalami kerusakan berat

selama selang tersebut akan diperbaiki pada selang pemeriksaan berikutnya. Pada

dasarnya perawatan mesin atau peralatan kerja memerlukan beberapa kegiatan

seperti dibawah ini :

1. Kegiatanhpemeriksaanf(checking).

2. Kegiatangpembersihanf(cleaning).

3. Kegiatanvpelumasan (lubrication).

4. Kegiatangperbaikanvatauhreparasigpadafkerusakang(repairing).

5. Kegiatanhpenggantiangsukuhcadanggatauxkomponenf(replacement).

6. Kegiatangkalibrasifmesingperkakas.

2.2.2 Jenisi-JenispPemeliharaan

1. Preventive maintenance

Menurut (Pudji & Ilma, 2012) Pekerjaan pemeliharaan yang dilakukan

untuk memperbaiki dan meningkatkan kondisi fasilitas sehingga

mencapai standart yang dapat diterima.Sebuah fasilitas atau peralatan

produksi akan termasuk dalam golongan "Critical Unit" apabila:

31

- Kerusakan fasilitas / peralatan tersebut akan membahayakan

kesehatan dan keselamatan para pekerja.

- Kerusakan fasilitas ini akan mempengaruhi status produk yang

dihasilkan

- Kerusakan fasilitas tersebut menyebabkan kemacetan seluruh proses

produksi.

- Modal yang ditanamkan dalam fasilitas tersebut atau harga dari

fasilitas tersebut adalah cukup besar atau mahal.

Kelebihan:

- Pengaturan jelas terhadap penyimpanan komponen cadangan dan

anggaran.

- Kerusakan mesin kecil.

- Jalan produksi tidak terganggu.

- Perawatan dilakukan pada waktu yang sudah ditentukan dan

dipersiapkan.

- Kerusakakan fatal berkurang.

Kekurangan :

- Mesin terlalu sering diperbaiki bahkan pada saat dimana mesin itu

sebenarnya tidak mengalami masalah sama sekali.

- Tindakan masalah perawatan seringkali menambah masalah dari

pada mengurangi.

- Masih terjadi unscheduled breakdowns.

2. Corrective maintenance

Pekerjaan pemeliharaan yang dilakukan untuk memperbaiki dan

meningkatkan kondisi fasilitas sehingga mencapai standart yang dapat

diterima.

Kelebihan :

- Anggaran murah.

- Mesin tidak dirawat secara berlebihan.

Kekurangan :

- Tidak ada persiapan terhadap terjadinya kerusakan mesin (downtime)

32

- Kerusakan akan menyebar kekomponen lain dan bias terjadi

kerusakan fatal sehingga akan mahal.

- Kerugian produksi besar.

3. Pemeliharaan Berjalan

Pemeliharaan yang dilakukan pada saat mesin/peralatan dalam keadaan

bekerja.

4. Predictive Maintenance

Predictive maintenance dilakukan untuk mengetahui terjadinya

perubahan atau kelainan dalam kondisi fisik maupun fungsi dari sistem

pemeliharaan.

Kelebihan :

- Dapat mengurangi anggaran yang diakibatkan perbaikan tidak

terjadwal akibat kegagalan mesin.

- Dapat mengoptimalkan ketersediaan (availability) dari mesin-mesin

proses dan secara drastis mengurangi anggaran Pemeliharaan .

- Pengguna Predictive Maintenance dapat memperbaiki status produk,

produktivitas dan keuntungan pabrik manufaktur.

- Program ini dapat mengidentifikasi masalah-masalah mesin sebelum

menjadi lebih serius.

- Dapat meminimalisasi breakdown yang tidak terjadwal dari seluruh

peralatan mekanikal di pabrik dan menjamin perbaikan peralatan

pada kondisi mekanikal yang dapat diterima.

Kekurangan :

- Program Predictive Maintenance yang menyeluruh menggunakan

peralatan peralatan mahal.

5. BreakdowniMaintenance

Cara perawatan yang direncanakan untuk memperbaiki kerusakan.

Pekerjaan perawatan ini dilakukan setelah terjadi kerusakan dan untuk

memperbaikinya harus disiapkan suku cadang, material, alat-alat, dan

tenaga kerjanya.

Kelebihan :

33

- Pemeliharaan hanya bereaksi jika terjadi kerusakan.

- Perusahaan tidak perlu mengeluarkan anggaran untuk keperluan

Pemeliharaan mesin.

Kekurangan :

- Mesin yang dibiarkan sampai rusak akan mengalami kegagalan atau

hilangnya produksi.

2.2.3 Klasifikasi Kondisi Kerusakan

Klasifikasi Kondisi Kerusakan, untuk menghitung nilai probabilitas transisi

dari suatu proses Markov Chain dalam masalah ini, maka sistem mesin akan

dikelompokkan sesuai dengan kondisi kerusakannya. Kondisi disini adalah tingkat

kesiapan mesin saat dilakukan pemeliharaan periodik terhadap mesin tersebut.

Untuk menentukan tingkat kondisi ini, sistem diperiksa secara berkala. Setelah

dilakukan pemeriksaan kondisi mesin dapat digolongkan menjadi 4 yaitu :

1. iKondisihbaik

Suatu mesin dikatakan dalam keadaan baik apabila suatu mesin tersebut dapat

digunakan untuk operasi dengan ketentuan-ketentuan yang telah disetujui

(baik), seperti keadaan mesin baru. Pemeliharaan pencegahan dan

pemeriksaan rutin dilakukan supaya mesin dapat beroperasi dengan baik.

Selanjutnya kondisi semacam ini disebut sebagai status 1.

2. iKondisiikerusakanhringan

Suatu mesin dikatakan dalam kondisi kerusakan ringan apabila mesin tersebut

dapat beroperasi dengan baik, tetapi kadang-kadang terjadi kerusakan kecil.

3. iKondisijkerusakanpsedang

Suatuomesin dikatakankdalamkkondisiikerusakannsedangkapabila mesin

tersebutkdapatbberoperasittetapiddalamkkeadaanyyangmmengkhawatirkan.

4. uKondisiukerusakanbberat

Suatu mesin dikatakan dalam kondisi kerusakan berat apabila mesin tersebut

tidak dapat digunakan untuk beroperasi sehingga proses produksi

terhenti.(Pudji & Ilma, 2012)

34

2.2.4 Markov Chain (Rantai Markov)

DenganprantaimMarkovddapathdiprediksiilangkah-langkahk(gerakan) dari

keadaanhsatufkehkeadaanbberikutnyaadenganpprobabilitas.

Gambar 2.1 Proses Stokastik Rantai Markov

Makaaapabilaitoo< t1 <1...o<8tn9(n=0,11,9...)umenyatakaniitik-titik waktu,

kumpulanvvariabelrrandomk{ x(tn) }yadalahssuatupproses markov jika memenuhi

sifattberikut ini :

P { x(tn) = xn | x(tn-1) = xn-1, ... , x(t0) = x0 }=

P { x(tn) = xn | x(tn-1) = xn-1}

Untuksseluruhhhargaix (t0), x (t1), ... , x (tn)

ProbabilitasiP xn-1, xn = P { x (tn) = xn|̀ x(tn-1) = xn-1 }ddisebutssebagai

probabilitasstransisi. Probabilitasttransisiiinimmenyatakanpprobabilitas bersyarat

(conditionalpprobability)ddarissistemyyangbberadaddalamxxnnpadaksaatltn jika

diketahuiubahwassistemiinikberadaddalam xn-1hpada saat tn-1.

Definisikann:

Pij = P { x(tn) = j | x(t tn-1) = i }

Sebagaioprobabilitasttransisifdaripstatepipadaotn-1pkesstatejpadassaatiotn ,

danaasumsikanbbahwapprobabilitasfiniktetapssepanjangiwaktu. Maka probabilitas

transisiadarisstatessiikedstatessjiiniaakanolebihpmudahjjikaddisusunddalam suatu

bentukkmatriksssebagaibberikut :

MatriksiPodisebuttmatriksttransisiihomogeni(homogeneousmtransition)

ataummatrikshstohastikl(stocastiskmatrix),ukarenamsemua probabibitasmtransisi

P00 P01 P02 P03 ...

P10 P11 P12 P13 ...

P20 P21 P22 P23 ...

P30 P31 P32 P33 ...

P=

35

p…1adalahhtetapddaniindependenddariwwaktu.pprobabilitassp…hharusimemenu

hi kondisi

∑ Pijj = 1, untuk semua i

Pij ≥ 0, untuk semua i dan j

Matriks transisi P bersama-sama dengan probabilitas inisial {aj} yang

berkaitan dengan state sj inilah yang disebut sebagai rantai markov (markov chain).

Berdasarkan {aj} dan P dari suatu rantai Markov, maka probabilitas absolut dari

sistem yang telah menjalani sejumlah transisi ditentukan sebagai berikut : Jika {aj}

adalah probabilitas absolut dari sistem setelah n transisi, yaitu pada saat tn, maka

secara umum {aj(𝑛)} dapat dinyatakan sebagai :

aj(1) = ai(0) P1j + ai(0)} P2j + ai(0)} P3j + ...

= ∑ ai(0)pij

Demikian juga

aj(2) = ∑ ai(1)pij = ∑ (∑ ak(0)pki) pij

= (∑ ak(0)(∑pki pij) = (∑ ak(0)pkj(2)

Dimana pki(2)= ∑pki pij adalah probabilitas transisi dua langkah atatu probabilitas

transisi order kedua, yaitu probabilitas dari state k ke state j dalam dua transisi.

Maka secara umum, untuk seluruh i dan j :

pij(0)= ∑pik(𝑛−𝑚)pkj(𝑚), 0 <m <n

Berikut ciri-ciri analisis MARKOV :

- Bila diketahui status suatu kondisi awal, maka pada kondisi periode

berikutnya merupakan suatu proses random yang dinyatakan dalam

probabilitas, yang disebut dengan probabilitas transisi.

- Probabilitas transisi tidak akan berubah untuk selamanya

- Probabilitas transisi hanya tergantung di Status awal

Dalam perhitungan probabilitas yang terus berulang tersebut, akan ditemui

pada periode tertentu bahwa probabilitas hasil perhitungan kedua matriks itu

bernilai sama/tetap/tidak berubah apabila dihitung untuk periode-periode

selanjutnya. Kondisi ini disebut dengan probabilitas keadaan tetap (steady state

36

probability). Langkah yang dikerjakan untuk menemukan steady state probability

adalah sama seperti langkah untuk menghitung probabilitas pada kondisi tertentu.

Nilai probabilitas pada periode-periode selanjutnya setelah bertemu dengan

steady state probability ini akan sama. Karenanya, probabilitas ini bisa digunakan

sebagai prediksi jumlah dalam keadaan tetap, dengan cara mengalikan steady state

probability dengan jumlah yang terkait dengan permasalahan yang sedang

dihadapi.

Untuk mendapatkan analisa rantai MARKOV ke dalam suatu kasus, ada

beberapa syarat yang harus dipenuhi yaitu sebagai berikut :

1. Jumlah probabilitas transisi untuk suatu keadaan awal dari system sama

dengan 1.

2. Probabilitas-probabilitas tersebut berlaku untuk semua partisipan dalam

sistem.

3. Probabilitas transisi konstan sepanjang waktu.

4. Kondisi merupakan kondisi yang independen sepanjang waktu.

Penerapan analisa MARKOV bisa dibilang cukup terbatas karena sulit

menemukan masalah yang memenuhi semua syarat yang diperlukan untuk analisa

MARKOV, terutama persyaratan bahwa probabilitas transisi harus konstan

sepanjang waktu.

o2.2.5 ProsespMarkovlChain

Suatu proses stokastik dikatakan sebagai proses Markov Chain bila

perkembangannya dapat disebut sebagai deretan peralihan-peralihan diantara nilai-

nilai tertentu yang disebut sebagai status probabilitas yang mempunyai sifat bahwa

bila diketahui proses berada pada status tertentu, maka kemungkinan

berkembangnya proses dimasa yang akan datang hanya tergantung pada status saat

ini dan tidak tergantung dari cara-cara bagaimana proses itu mencapai status

tersebut.

Prosespstokastikk{Xt}0ddikatakanfmempunyai sifat Markovian jika

P{Xt+1=j| X0 = k0, X1 = k1, ..., Xt - 1 = kt - 1, Xt = i}= P{Xt + 1 = j| Xt = i} untuk

t = 0, 1, 2,…. dan setiap urutan i, j, k0, k1, ...., kt-1.

37

Oleh karena itu, probabilitas transisi n-langkah Pij(𝑛) hanyalah merupakan

probabilitas bersyarat sehingga sistem akan berada pada state j tepat setelah n

langkah (satuan waktu), jika state tersebut bermula pada state i pada waktu t kapan

pun. Ketika n = 1, perhatikan bahwa Pij(𝑛) = Pij (untuk n = 0, Pij(𝑛) adalah hanya

jika P{X0 = j | X0 = i} dan itu adalah 1 ketika i = j dan 0 ketika i ≠ j.

OlehhkarenaiPij(n)fadalahkprobabilitasmbersyarat, probabilitas tersebut

harusknonnegatif, dandolehhkarenapprosesnyahharus[membuat;perubahanmke

state;lainmmakaaprobabilitasstersebuthharusmmemenuhissifat.

Pij(𝑛) > 0, untuk semua i dan j; dan n = 0,1,2,...

dan

∑ Pij(𝑛) = 1𝑀𝑗=0 untuk semua i, n = 0, 1, 2, ...

Caraamudahiuntukamenunjukkanxsemuavprobabilitasmtransisign-langkahdadalah

dalamebentuknmatrik.

Tabel 2.4 Probabilitas Transisi N-Langkah

State 0 1 ..... M

0 Pij(𝑛) Pij(𝑛) ..... Pij(𝑛)

1 Pij(𝑛) Pij(𝑛) ..... Pij(𝑛)

. . . .....

. . . .....

M Pij(𝑛) Pij(𝑛) ..... Pij(𝑛)

untuknnm=l0,a1,b2, ... katau,kekuivalenmdenganrmatriksrtransisipn-

langkah

sState 09 010 3... M1

eP(𝑛) =

0 P00(𝑛) P01(𝑛) ... P0m(𝑛)

1 P10(𝑛) P11(𝑛) ... P1m(𝑛)

... ... ... ... ...

M Pm0(𝑛) Pm1(𝑛) ... Pmm(𝑛)

P(𝑛) =

38

UntukksetiaporantaieMarkovyergodikkirreduciblek, lim𝑛→∞

Pij(𝑛)adamdan

independenfterhadapmi. Lebihmlanjuttlagi, lim𝑛→∞

Pij(𝑛)= πj > 0, dimana πj

memenuhi persamaan steady state berikut :

πj= ∑ πi pij,𝑀𝑖=0 untuk j = 0, 1, ..., m

∑𝑚 πj = 1

atau dapat ditunjukkan dalam bentuk matrik,

π0m=3π0P009+6π1P01m+g.....f+i8πMPM1p

π18 =iπ0P01m+rπ1P11t1+1.....e+6πMPM28

....u= ......... mi+u.........ki+y.....1+ .........54

πM5=6π0P0Mu+7π1P1M8+8.....i+9πMPMM3

1 6= π0kljljkj+gπ1jkaha+......kui+ πMilj

2.2.6 Keputusan0Markovii

Keputusan tertentu yang dibuat untuk suatu periode yang jikalau

digabungkan dengan keadaan sebenarnya akan menghasilkan suatu harga yang

dinamakan kriteria. Setelah dilakukan serangkaian pemeriksaan, kondisi lokomotif

ini dicatat dan diklasifikasikan ke dalam salah satu dari tiga keadaan (state) berikut

ini:

Tabelt2.5 KriteriazKondisi Lokomotif

pStatusd kKondisik

r1r bBaikk

222 kKerusakanrRingann

333 kKerusakansSedangg

444 kKerusakanbBeratt

π0

π1

...

πm

= [π1;π2’...[π4]

P00 P01 .... P0m

P00mP01n....nP0m.

.... .... .... ....

P00hP013....fP0m,

11 50 70 m0

39

Keputusannyangddiambilddalammmenentukanpperawatannadalahssebagai berikut

:

tTabell2.6kJeniskKeputusan

kKeputusani Tindakanyyanggdilakukan

1 Tidakkdilakukanqtindakan

2 DilakukanpPemeliharaankpencegahank(sistem

kembalikkesstatusssebelumnya

3 Pemeliharaankkorektif (sistemkkembaliikeestatus

1

sSumberr: (Hartono & Mas’udin, 2002)

Tabel 2.7 Kebijaksanaan Pemeliharaan

Kebijakan

pemeliharaan

Analisis id1(P), 4d2(P)9 ;d3(P)T Gd4(P)k

P1 sebagai

usulan I0

Pemeliharaanpkorektif8dikStatus44 dan

PemeliharaancpencegahanxdizStatus 37

31 51 22 63

P2 sebagai

usulan II0

Pemeliharaanhkorektif di Status 33dan 24,

Pemeliharaanapencegahangdi Status 2

16 52 13 03

P3 sebagai

usulan II0

Pemeliharaankkorektif di Status 4,

Pemeliharaan pencegahan di Status 2 dan 3

17 62 72 93

P4 sebagai

usulan II0

Pemeliharaankkorektif di Status 3fdang4 19 91 63 83

Sumberk: (Hartono & Mas’udin, 2002)

P1, P2, P3 dan P4 adalah usulan yang didapat dari perubahan pada matrik

awal sesuai dengan tindakan yang dilakukan. Darimuraianktersebut didapat

skematismhimpunanktertutupk(ClosesSet)kdankperalihankstatusosebagaikberikut

:

40

fGambarc2.2xSkematiskHimpunanoTertutupj(ClosefSet)

Analisis :

1. Menyatakanvstatusm1n(baik).l

2.kMenyatakankstatus12k(kerusakan;ringan).m

3.jMenyatakanzstatusk3q(kerusakanksedang).s

4.nMenyatakan4status34i(kerusakanmberat).,

Bertitik tolak pada asumsi di atas maka dapat diungkapkan bahwa suatu

lokomotif mempunyai probabilitas transisi Pij, yang menyatakan bahwa suatu

lokomotif berada pada status i maka pada selang waktu berikutnya akan beralih

pada status j. Dalam bentuk matrik, probabilitas-probabilitas transisi tersebut diatas

dapat dinyatakan sebagai berikut :

1Tabel42.8 ProbabilitasdKerusakan

Status akhir (j)

Status awal (i)

1j(j) 2j(j) 3t(j) 4y(j)

516 P111 P122 P135 P148

2 0 P223 P236 P249

3 0 0 P331 P340

4 1 0 0 0

Analisis: 1 → jika dilakukan perbaikan

0 → jika tidak dilakukan perbaikan

Dengan menentukan probabilitas status akan ditentukan dulu besarnya

probabilitas transisi yang dapat dihitung dari proporsi jumlah komponen-komponen

41

dari lokomotif yang mengalami transisi status, selanjutnya dibentuk matrik transisi

awal yang merupakan pemeliharaan usulan perencanaan pemeliharaan (P0).

uTabelm2.9eProbabilitassTransisi;ItemxBulanbJanuari:2020-gDesemberh2020

1Bulan82

1Status2

P113 P125 P137 P149 P228 P238 P249 P332 P345 P445

Jan 20

Feb20

Mar20

Apr20

Mei20

Jun20

Jul20

Agst20

Sept20

Okt20

Nov20

Des 20

Jumlah

Analisis :

P11 = Kondisikbaik ke kondisikbaik

P12 = Kondisinbaikvkeckondisifkerusakanzringanm

P13 = Kondisinbaikfke kondisi kerusakangsedangk

P14 = Kondisicbaikgke kondisi kerusakankberatf

P22 = Kondisivkerusakanfringan ke kondisilkerusakanlringan

P23 = Kondisibkerusakangringan ke kondisikkerusakanksedang

P24 = Kondisickerusakanvringan ke kondisifkerusakankberat

42

P33 = Kondisibkerusakangsedang ke kondisilkerusakangsedang

P34 = Kondisifkerusakanhsedang ke kondisifkerusakangberat

P44 = Kondisigkerusakankkerusakan beratgkefkondisikfbaik

Matrik transisi satu langkah item – i yang merupakan usulan perencanaan

pemeliharaan adalah:

Tabel 2.10 MatrikgTransisifSatukLangkahfItem – 0

j

ii

1 2 3 4

1 P113 P128 P139 P140

2 0 P220 P239 P245

3 0 0 P331 P346

4 1 0 0 0

1πj7>505

6πj = ∑ wπjPijquntuk j5 = 61, 2, 3, 4u 4𝑗=1

∑ rπjt = 514𝑗=1

∑ πj = 14𝑗=[𝑧]1

Catatan : π1 + π2 +π3 +π4 = 1

Maka akan didapat persamaan sebagai berikut:

π14 2+3 rπ2y 6+6 7π38 9+8 6π48 = 1

P113π17+ kahakP41 π4u = π1

P126π17+y P22hπ2r = π2

P0 =

π1

π2

π3

π4

= [π1 π2 π3 π4]

P11 P12 P13 P14

0 P22 P23 P24

0 0 P33 P34

P41 0 0 0

43

P13yπ18+ P235π2 3+4 5P33 π38 = π3

P14 π1 + P24 π2 + P34 π3 = π4

2.2.7 Perencanaan Pemeliharaan Markov Chain

DarikkeempatmUsulandtersebuthyangfakangdipilihbadalahwUsulan yang

mempunyaivanggaranfekspektasikterkecil.

1. Pemeliharaanbkorektif di Status 4sdangPemeliharaanmpencegahan di Status

3.iMatrikitransisinyaksebagaivberikut:

Tabel 2.11 MatrikvTransisixSatudLangkahfItem – 1

j

ip

1 2 36 4.

112 P115 P12w P135 P14y

t2t 8005 5P227 8P237 6P248

737 708 1 0 0

4 P41 0 0 0

Dengankmenggunakanfpersamanhsertadhasildmatrik transisi tersebut,idalam

jangkappanjangoprobabilitassterjadixkerusakankdan;dalampkeadaan mapan

(steadyhstate) dapat dituliskan sebagai berikut :

Catatan : 6π17+8π29+π37+π42 = 15

Makapakan;didapatlpersamaan1sebagaikberikut :

π16 + π2 + π3 + π4iu = 1

P11 π1y+ π4 = π1

P12yπ1m+mP22kπ2 + π3 = π2

P13hπ1y+yP23uπ2t y= π37

P1 =

π1

π2

π3

π4

= [π1 π2 π3 π4]

P11 P12 P13 P14

0 P22 P23 P24

0 0 0 0

1 0 0 0

44

P14yπ1w+6P24rπ2 =yπ4q

2. Pemeliharaan korektif di Status 37dan 49danjPemeliharaankpencegahan di

Statusy2. Matrikktransisinyapadalahusebagaikberikut :

Tabelp2..12 Matrik Transisi Satu Langkah Item – 2.

j

iy

1 2 3 4

1 P112 P125 P137 P14k

2 1 0k 0k 0

3 1 0x 0 0z

4 1 0 0 0

(steadykstate)pdapatkdituliskanksebagaipberikut :

Catatan : π1 + π2 +π3 +π4 = 1

makakakanddidapatkpersamaanhsebagaihberikut :

π1t t+7 qπ2 0+6 5π3 4+7 9π40 =61

P115π1 + π2 + π3 + π46 =7π1

P12mπ1 + =uπ2

P13mπ18+ =9π3

P148π1 + = π4

3. Pemeliharaan korektif di Status 4 dan Pemeliharaan pencegahan di Status

2 dan 3. Matrik transisinya adalah sebagai berikut :

Tabel 2.13 Matrik Transisi Satu Langkah Item – 3

j

i

1 2 536 746

415 P114 P126 P136 P146

π1

.π2

,π3

π4

=y[π1.π2;π3.π4]

,

P11 P12 P13 P14

405 607 607 709

0 0 0 0

1 0 0 0

P2 =

P3 =

45

24 1 0 0 0

3 1 0 0 0

4 1 0 0 0

(steadypstate)kdapatkdituliskangsebagaikberikut :

Catatan : π1 + π2 +π3 +π4 = 1

makahakankdidapatdpersamaansebagai berikut :

π14 5+7 7π26 5+8 7π39 + 8π49 =81

P115π15 + π2 + 7π47 =7π1

P127π1 8+ π3 =6π2

P136 π1 y+ =8π3

P146 π14 + = π4

4. Pemeliharaan korektif di Status 3pdan0statusl4. Matrik9transisinya adalah

Sebagai9berikut:

Tabel92.14 MatrikyTransisi Satu Langkah Item – 4;.

rj

ix

16 25 30 4e

r13 P117 P125 P136 P141

720 407 8P228 6P239 8P249

630 1 609 0 0

4 1 0 0 0

(steady state) dapat dituliskan sebagai berikut :

P4 =

π1

π2

π3

π4

= [π1 π2 π3 π4]

P11 P12 P13 P14

1 0 0 0

0 1 0 0

1 0 0 0

46

Catatan : π1 + π2 + π3 + π4 = 1

maka akan didapat persamaan sebagai berikut :

π1 + π2 + π3 + π4 = 1

P11 π1 + π3 + π4 = π1

P125 π1n+ P22 π2j = π2

P13mπ1 + P238π2 =9π3

P148 π11 + P24 π29 =-π4

2.2..8 Analisa Anggaran

Penentuan biaya pemeliharaan meliputi biaya pemeliharaan pencegahan dan

pemeliharaan korektif yang dilakukan pada saat mesin berhenti dan hanya

menitikberatkan pada biaya downtime yang terjadi. HalJinilahmyang menjadi

tujuanmutama dariksistemkPemeliharaani. Dalam analisi anggaran ini antara lain :

1. Anggaran Downtimey

Elemen-elementanggaran yangmmenentukankanggaran downtime adalahi

anggaran operatorm mesin, hilangnyaksebagiankoutputgproduksi,aataukumumnya

dinyatakanjdalammprofithperhsatuankwaktu;yangdhilang.i(Hartono & Mas’udin,

2002)

2. Anggaran Kerusakan atau Anggaran PerawatankKorektif

Jikajanggaran perawatangkorektifdini dihlambangkangdengankC2ikuntuk

setiaphitemdke- I, makamdapatddiknyatakanksebagaikberikut :

C2i = (waktu rata-rata kerusakan perbulan X anggaran downtime per-jam)

3. Anggaran PenyelenggaraanmPemeliharaankPencegahana

Anggaran penyelenggaraan ditetapkan sebagai jumlah anggaran downtime

yang timbul karena Pemeliharaan pencegahan. Selain itu juga anggaran tetap

π1

π2

π3

π4

= [π1 π2 π3 π4]

P11 P12 P13 P14

0 P22 P23 P24

1 0 0 0

1 0 0 0

47

Pemeliharaan untuk masing masing mesin. Jika anggaran Pemeliharaan pencegaha

item dilambang dengan C1i, dapat dinyatakan sebaga berikut :

C1i = (waktu rata-rata kerusakan perbulan X anggaran downtime per-jam)

4. Anggaran Rata- RatakEkspektasi

Probabilitasestatusddalamkkeadaannmapanh(steadyostate)kpada jangka

panjangymaka akan didapatkan anggaran rata-rata ekspektasi ( anggaran rata-rata

yang diharapkan)yuntukxmasing-masingkPemeliharaan .

qE = ∑ πj Cj∞𝑗=0

= π1 (....) + π2 (....) + .... (...) + πM (....)

2.3 Hipotesa dan Kerangka Teoritis

2.3.1 Hipotesa

Disetiap perusahaan manufaktur pada umumnya membutuhkan evaluasi

kinerja lokomotif, hal ini dikarenakan proses produksi yang semakin meningkat dan

persaingan segmen padar yang dituju sehingga perusahaan dituntut untuk memberi

produk yang berstatus. Dengan penggunaan mesin yang canggih proses

produksinya akan berjalan dengan lancar, dari kelancaran proses produksi yang

tanpa hambatan ini biasanya perusahaan akan mendapatkan profit atau mendapat

keuntungan yang memuaskan. Oleh karena itu perusahaan harus menggunakan

mesin-mesin yang berteknologi sehingga proses produksi akan berjalan lancar

tanpa hambatan apapun. Penggunaan lokomotif yang terus-menerus pada proses

produksi mengakibatkan lokomotif tersebut mengalami penurunan performa, dari

penurunan performa itu mesin akan mengalami kerusakan apabila terus dipaksakan

bekerja, padahal perusahaan dituntut untuk tidak berhenti produksi supaya dapat

memenuhi kebutuhan konsumen. Kerusakan mesin dapat mengakibatkan

terkendalanya proses produksi, selain itu dapat mengakibatkan pembengkakan

anggaran maintenance. Dari uraian tersebut, maka dari itu dibutuhkan perencanaan

penanggulangan perkakas menggunakan teknik Markov Chain meminimalkan

anggaran perawatan. Seperti yang dilakukan oleh Penelitian sebelumnya adalah

penelitian yang pernah dilakukan oleh Indra Irdianto & Suhartini dengan judul

penelitian “PenggunaanmMetodeiMarkovnChainuDalamyPenjadwalan Perawatan

48

Lokomotif UntukkMeminimalkan Anggaran Kerusakan9mesin0DanuPerawatan

Lokomotif Mill9303 Di PT.9Steel8Pipe9Industry0Of Indonesia9Unit63” hasil

yang diperoleh dari penelitian ini adalah Perencanaan perawatan lokomotif Mill 303

pada kondisi lokomotif dalam kerusakan sedang dan berat membutuhkan rata-rata

anggaran Pemeliharaan perusahaan sebesar Rp. 548.437.272. Anggaran

Pemeliharaan Usulan lokomotif Mill 303 pada kondisi kerusakan ringan adalah

Rp.175.499.992,- dengan selisih dari anggaran Pemeliharaan perusahaan sebesar

Rp 372,937,335 (68%). Pada kondisi kerusakan sedang adalah Rp.241.312.393,-

dengan selisih dari anggaran Pemeliharaan perusahaan sebesar Rp 307.124,864

(56%). Pada kondisi kerusakan berat adalah Rp.76.781.215,- dengan selisih dari

anggaran Pemeliharaan perusahaan sebesar Rp 471,656,042 (86%). Selisih antara

anggaran rata-rata perawatan perusahaan dan anggaran yang di Usulan ke

perusahaan yang bernilai besar akan acuan untuk perusahaan dalam melakukan

perawatan pada periode berikutnya. Berdasarkan hasil dari perhitungan Markov

Chain dapat dijadwalkan bahwa Preventive Maintenance yang diusulkan yaitu

setiap 0,4 bulan selama 1 tahun, sedangkan penjadwalan perawatan Usulan dapat

di asumsikan tersedianya spare part pada saat dibutuhkan (Indra Irdianto, 2019).

Ditinjau dari Study Literature, maka penggunaan metode Markov Chain dapat

menyelesaikan permasalahan penjadwalan perawatan kereta dengan anggaran

perawatan lebih rendah atau efisien, Serta melakukan perencanaan Pemeliharaan

terencana sekaligus dapat digunakan untuk menghitung minimum anggaran yang

dihasilkan apabila penjadwalan Pemeliharaan di terapkan, sehingga penggunaan

metode ini sangat di ajurkan karena dengan menggunakan metode tersebut dapat

menjadwalkan Pemeliharaan perawatan kereta yang nantinya dapat meminimalkan

anggaran perawatan.

2.3.2 Kerangka Teoritis

Pada penelitian ini akan membahas tentang perencanaan waktu

Pemeliharaan lokomotif memanfaatkan teknik Markov Chain guna meminimalkan

anggaran perawatan, adapun kerangka teoritis dari penelitian ini :

49

1. Mengumpulkan bukti perusahaan diantaranya yaitu data jenis lokomotif dan

jumlah lokomotif, data-data kerusakan lokomotif selama kurun waktu 12

bulan, data anggaran Pemeliharaan .

2. Melakukan pengumpulan data lebih lanjut melalui tahapan wawancara pada

bagian maintenance untuk mengetahui status kondisi lokomotif di akhir

bulan.

3. Melakukan pengolahan data dengan membuat tabel status lokomotif.

4. Melakukan perhitungan probabilitas transisi lokomotif sampai melakukan

perhitungan probabilitas transisi perawatan Usulan.

5. Menghitung analisa anggaran berupa anggaran preventive maintenance dan

anggaran corrective maintenance dari perusahaan.

6. Menghitung analisa anggaran berupa anggaran preventive maintenance dan

anggaran corrective maintenance dari Usulan

7. Mengidentifikasi dan melakukan perbandingan anggaran perusahaan dan

Usulan.

8. Menentukan perencanaan penjadwalan Pemeliharaan mesin berdasarkan

metode markov chain.

9. Menganalisa dan mengevaluasi perencanaan penjadwalan Pemeliharaan .

:

Untuk merencanakan waktu pemeliharaan supaya dapat meminimumkan biaya perawatan

lokomotif menggunakan metode markov chain dengan tujuan dapat menghitung dan menentukan

penjadwalan waktu pemeliharaan supaya meminimalisir kerusakan lokomotif sehingga dapat

meminimumkan biaya perawatan.

Perusahaan belum melakukan penjadwalan pemeliharaan lokomotif yang sesuai dan masalah

biaya pemeliharaan yang terlalu banyak. Untuk itu perusahaan ingin merencanakan waktu

pemeliharaan yang sesuai supaya dapat meminimumkan biaya perawatan mesin.

A

50

Gambar 2.1 Kerangka Teoritis

Analisa dan evaluasimperencanaanupenjadwalanvmesin

menggunakan1metode2Markov5Chain

Usulan perbaikan penjadwalan pendayagunaan perkakas dengan

menggunakanjmetodehMarkovyChainmsupaya dapatmmeminimumkan

biayadperawatan

A

Langkah-langkah :

- Menentukan transisi status mesin:

- Menentukanpprobabilitas3transisieawal

- Menentukanuprobabilitasttransisioperawatanhusulan

- Menentukanobiayaurata-rataiperawatankmesin

- Menentukan biayaxpreventivegmaintenanceodanpcorrectivekmaintenanceyperusahaanl

- Menentukan biayaopreventivemmaintenancekdanbcorrectivefmaintenancezusulan

- Menentukan perencanaanmpenjadwalankpreventivefmaintenancekdan corrective

maintenance berdasarkan metode markov chain

51

BAB III

METODE PENELITIAN

Metode penelitian merupakan tindakan penelitian saat sebuah observasi atau

pencarian solusi dari masalah/gejala gejala yang timbul sehingga dapat mencari

jalan keluar dan dapat berjalan dengan terstruktur, sistematis dan mempermudah

dalam pengambilan kesimpulan dari hasil penelitiani.

3.1lucuPengumpulan3Data

Pengumpulanodata pada penelitiantini dengan datang untuk melihat

langsung dan wawancara di Dipo Lokomotif Semarang Poncol. Ini merupakan

langkah untuk mengumpulkan data sebagai bahan awal dalam penelitian, sehingga

peneliti mempunyai gambaran awal dan info perusahaan tentang perbaikan

lokomotif dan anggaran yang dikeluarkan oleh dipo lokomotif semarang poncol.

Data yang digunakan dibagi menjadi 2 sumber yaitu :

a. Data Primer

Data primer merupakan data yang diperoleh dari sumber asli (tanpa

melalui media perantara). Data primer dapat berupa opini subjek (orang)

secara individual atau kelompok, hasil observasi terhadap suatu benda

(fisik), kejadian atau kegiatan hasil pengujian. Data ini didapat dari

metode-metode wawancara kepada pihak-pihak yang kompeten di Dipo

Lokomotif Semarang Poncol .

b. Data Sekunder

Data sekunder merupakan data yang diperoleh peneliti secara tidak

langsung. Data sekunder tersebut biasanya berbentuk dokumen, file, arsip

atau catatan-catatan perusahaan. Data ini diperoleh melalui dokumentasi

perusahaan dan literatur yang berhubungan dengan penelitian selama

periode tertentu. Data sekunder di observasi ini yaitu bukti jenis, total

lokomotif, bukti ubah lokomotif, data waktu Pemeliharaan preventive dan

korektif, bukti anggaran pendayagunaan.

52

3.2 Teknik Pengumpulan Data

Teknik tahapan pengumpulan data penelitian ini yaitu mengumpulkan

informasi dan dapat menduga, memperkirakan dan menguraikan apa yang sedang

menjadi masalah dalam perusahaan dengan mengamati langsung di lapangan, studi

pustaka dengan kajian dari literasi dan identifikasi masalah. Identifikasi masalah

dalam penelitian ini terdiri dari:

a. Observasi Lapangan

Tahapan ini bertujuan untuk mengetahui kondisi real yang ada pada

perusahaan, dengan diperolehnya gambaran tersebut diharapkan dapat

mengetahui kriteria-kriteria apa saja yang sesuai dengan standar

perusahaan.

b. Studi Pustaka

Studi pustaka dilakukan dengan mencari referensi dari beberapa sumber

berupa buku-buku, jurnal, artikel ilmiah, dan lain-lain yang dapat

mendukung dalam penelitian dan kemudian dapat digunakan untuk

menyelesaikan masalah sesuai dengan topik.

c. Perumusan Masalah dan Tujuan Penelitian

Perumusan masalah pada penelitian ini adalah mengidentifikasi

penurunan performa lokomotif, menentukan kebijakan terbaik dalam

jadwal Pemeliharaan lokomotif agar meminimalkan anggaran

Pemeliharaan dan menentukan tujuan dari penelitian ini.

3.3 Pengujian Hipotesa

Pada tahap pengujian hipotesa dengan studi kasus di Dipo Lokomotif

Semarang Poncol yang berfokus pada strategi Pemeliharaan lokomotif cc201,

cc203 dan kereta Rel diesel (krd) berjangka dengan metode markov chain untuk

meminimalkan anggaran maintenance.

Dari penelitian terdahulu penggunaan metode ini sudah banyak dilakukan

dan terbukti untuk mengatasi masalah yang serupa yaitu perencanaan jadwal

Pemeliharaan dan untuk meminimalkan anggaran Pemeliharaan . Maka

berdasarkan studi literatur terdahulu, Usulan penyelesaian permasalahan yang

53

sesuai dengan studi kasus pada Dipo Lokomotif Semarang Poncol adalah

menggunakan metode Markov Chains yang diharapkan dapat memberikan Usulan

penjadwalan perbaikan lokomotif sehingga dapat meminimalkan anggaran

Pemeliharaan .

3.4 Metode Analisis

Pemakaian metode Markov Chains untuk menentukan Usulan perencanaan

penjadwalan Pemeliharaan lokomotif guna meminimalkan anggaran maintenance.

Usulan yang diberikan merupakan Usulan waktu penjadwalan Pemeliharaan

lokomotif dan kebijakan perawatan masing-masing lokomotif dan kereta Rel diesel

(KRD) saat melakukan Pemeliharaan atau maintenance.

3.5 Pembahasan

Dalam tahap pembahasan penelitian ini, peneliti berfokus membahas

strategi perencanaan penjadwalan yang tepat guna meminimalkan anggaran

Pemeliharaan . Penjadwalan waktu Pemeliharaan masing masing lokomotif dan

Kereta Rel diesel (KRD) yang sesuai dan Usulan kebijakan yang harus diterapkan

pada lokomotif dan kereta Rel diesel (KRD) ketika sedang dilakukannya proses

maintenance. Hasil dari pengolahan data tersebut sesuai dengan pengumpulan data

yang ada dan sesuai dengan tujuan awal penelitian.

3.6 Penarikan Kesimpulan

Untuk tahapan penarikan kesimpulan, peneliti dapat menyimpulkan

berdasarkan pembahasan dan klarifikasi data guna menjawab hasil dari penelitian

dengan memberikan solusi rekomendasi saran atau Usulan penjadwalan perawatan

yang sesuai dengan prosedur perusahaan. Tahap ini merupakan tahap terakhir dari

penelitian dengan menghasilkan kesimpulan untuk memberikan gambaran dari apa

yang sudah dikaji oleh peneliti yang hasilnya dapat secara keseluruhan yang

kemudian bisa sebagai perbandingan oleh Dipo Lokomotif Semarang Poncol

sebagai Literatur kebijakan perawatan lokomotif.

54

3.7 Diagram Alir

Diagramaalir merupakan langkah – langkah sistematis dalam pemecahan

masalah padaasuatu penelitian. Berikut adalah diagram alir penelitian ini :

Gambar 3.1 Metodologi Penelitian

Mulai

Tujuan Penelitian

1. Mengetahui kinerja lokomotif sehingga dapat melihat di kondisi seperti apa

lokomotif mengalami penurunan performansi.

2. Dapat mengetahui penjadwalan pemeliharaan lokomotif agar dapat

meminimumkan biaya.

Pengumpulan petunjuk bukti

- data raga dan kuantitas lokomotif

- data perubahan lokomotif

- data periode pendayagunaan

- data anggaran pendayagunaan

A

Studi Literatur

Studi Pendahuluan

- Observasi

- Wawancara

- Tinjaun lapangan

Perumusan Masalah

Identifikasi

55

Gambar 3.2 Metodologi Penelitian (lanjutan)

3.7.1 Studi Pendahuluan

Studi pendahuluan merupakan studi tahap yang dilakukan yang berguna

mencari permasalahan yang terjadi pada objek penelitian. Dalam penelitian ini,

peneliti melakukan studi pendahuluan dengan datang ke objek penelitian,

Analisa dan Interpretasi Hasil

- Analisa transisi perawatan usulan

- Analisa biaya rata-rata perawatan usulan

- Analisa jadwal perencanaan pemeliharaan

Selesai

Kesimpulan Dan Saran

Pengolahan data

- Menentukan transisi status lokomotif

- Menentukan probabilitas transisi awal

- Menentukan probabilitas transisi perawatan usulan

A

Tidak

Iya

Validasi Hasil

Steady State

- Menentukankbiayafrata-ratajperawatanglokomotif

- Menentukan biayakpreventivexmaintenancmdanfcorrectivevmaintenancelperusahaan

- Menentukan biayalpreventivekmaintenancemdanFcorrectivecmaintenance>usulan

- Mengidentifikasi dan melakukan perbandingan biaya perusahaan dan usulan.

- Menentukan persiapan pemberdayagunaan perkakas berdasarkan teknik markov chain

56

mengamati status gejala gejala yang terjadi di lapangan dan melakukan wawancara

pada salah satu staff di dipo lokomotif semarang poncol untuk mendapatkan

informasi terkait gejala-gejala yang terjadi apabila lokomotif yang akan dilakukan

perawatan berkala , sehingga didapatkan solusi dan penentuan masalah untuk objek

penelitian.

3.7.2 Studi Lapangan

Untuk mengetahui gejala/kondisi yang terjadi, dilakukan studi lapangan

terlebih dahulu. Pada penelitian ini yang menjadi objek adalah perawatan lokomotif

dan kereta Rel diesel (KRD) karena belum sesuai penjadwalan pemeliharaan yang

sesuian dengan kebijakan perusahaan.

3.7.3 Studi Literatur

Studi literatur merupakan tahapan peneliti untuk memperoleh sumber-

sumber teori maupun sumber-sumber literatur. Penelitian terdahulu, jurnal, buku

dan procedure yang berhubungan dengan topik penelitian yang akan dilakukan.

3.7.4 Identifikasi dan Perumusan masalah

Berdasarkan pendahuluan dan literatur, hal utama dalam penelitian ini

adalah gejala apa yang terjadi pada lokomotif sebelum masuk dipo yang akan

dilakukan perawatan berkala dan sesudah masuk dipo setelah dilakukannya

perawatan berkala dan jenis kerusakan apa yang terjadi karena belum sesuainya

jadwal perawatan sesuai dengan kebijakan perusahaan. Sehingga penelitian dapat

menentukan rumusan masalah untuk dipecahkan dengan menggunakan metode

yang sesuai dengan permasalahan yang dijelaskan di awal.

3.7.5 Tujuan Penelitian

Tujuan penelitian merupakan arah yang akan didapat oleh peneliti selama

melaksanakan penelitian guna mencapai arah dan maksud yang sesuai.

3.7.6 Pengumpulan Data

Pengumpulan data pada penelitian ini dengan datang untuk melihat

langsung dan wawancara di Dipo Lokomotif Semarang Poncol. Ini merupakan

langkah untuk mengumpulkan data sebagai bahan awal dalam penelitian, sehingga

peneliti mempunyai gambaran awal dan info perusahaan tentang perbaikan

57

lokomotif dan anggaran yang dikeluarkan oleh dipo lokomotif semarang poncol.

Data yang digunakan dibagi menjadi 2 sumber yaitu :

c. Data Primer

Data primer merupakan data yang diperoleh dari sumber asli (tanpa

melalui media perantara). Data primer dapat berupa opini subjek (orang)

secara individual atau kelompok, hasil observasi terhadap suatu benda

(fisik), kejadian atau kegiatan hasil pengujian. Data ini didapat dari

metode-metode wawancara kepada pihak-pihak yang kompeten di Dipo

Lokomotif Semarang Poncol .

d. Data Sekunder

Data sekunder merupakan data yang diperoleh peneliti secara tidak

langsung. Data sekunder tersebut biasanya berbentuk dokumen, file, arsip

atau catatan-catatan perusahaan. Data ini diperoleh melalui dokumentasi

perusahaan dan literatur yang berhubungan dengan penelitian selama

periode tertentu. Data sekunder diobservasi ini yaitu data ragam dan

kuantintas lokomotif, data perubahan lokomotif, data periode

pemberdayaan preventive dan korektif, data anggaran pemberdayaan

3.7.7 Pengolahan Data

Skema kuantitatif digunakan sebagai pengolahan data penelitian ini yaitu

skema yang lebih mengarah pada data angka-angka dengan metode tertentu. Data

yang diolah sebagai berikut:

a. Menentukan transisi status lokomotif dan kereta Rel diesel (KRD)

b. Menentukan probabilitas transisi awal

c. Menentukan probabilitas transisi perawatan awal

d. Validasi hasil steady state antara pengolahan data dengan cara manual

dan pengolahan data menggunakan aplikasi POM

e. Menentukan anggaran rata-rata perawatan lokomotif dan kereta Rel

diesel (KRD)

f. Menentukan anggaran Preventive maintenance dan corrective

maintenance yang dikeluaran

58

g. Mengidentifikasi dan melakukan perbandingan anggaran perusahaan

dan Usulan

h. Menentukan perencanaan dan penjadwalan Pemeliharaan lokomotif

dan kereta Rel diesel berdasarkan metode markov chains.

i. Menganalisa dan mengevaluasi perencanaan penjadwalan

Pemeliharaan lokomotif dan kereta Rel diesel (KRD).

3.7.8 Analisa dan Interpretasi

Pada tahapan ini bertujuan untuk mendalami hasil yang didapatkan dan

menafsirkan data yang digunakan pada awal penelitian

3.7.9 Pembuktian Hipotesa

Tahapan ini dilakukan sebagai pembuktian hipotesa guna melihat apakah

penelitian selaras dengan hipotesa awal yang sudah ditetapkan.

3.7.10 Kesimpulan dan Saran

Kesimpulan dari hasil penelitian dipaparkan oleh peneliti pada tahap ini.

Peneliti menyampaikan kesimpulan observasi dan serta menyampaikan Usulan

yang didapatkan dari observasi yang dilakukan. Dengan maksud dan tujuan supaya

memberikan manfaat dan perbaikan untuk dijadikan sebagai acuan/ pertimbangan

kebijakan yang akan dilakukan oleh perusahaan pada masa yang akan datang.

59

qBAB IVf

HASIL?PENELITIAN;DAN’PEMBAHASAN

4.1j Gambaran Umum Perusahaan

14.1.1 Profil Perusahaan

PT Kereta Api Indonesia (Persero) yang selanjutnya disingkat

sebagai KAI atau “Perseroan” adalah Badan Usaha Milik Negara yang

menyediakan, mengatur, dan mengurus jasa angkutan kereta api di

Indonesia Daerah Operasi IV Semarang atau disingkat dengan Daop 4

Semarang atau Daop IV SM adalah salah satu daerah operasi

perkeretaapian Indonesia, di bawah lingkungan PT Kereta Api Indonesia

(Persero) yang berada di bawah Direksi PT Kereta Api Indonesia dipimpin oleh

seorang Executive Vice President (EVP) yang berada di bawah dan bertanggung

jawab kepada Direksi PT Kereta Api Indonesia.

Sistem KAI Daop IV terbagi menjadi beberapa macam yaitu pelayanan

transportasi massal dalam sarana perkeretaapian nasional, dengan berfokus dengan

memberikan pelayanan terbaik untuk masyarakat nasional dan internasional.

Pelayanan jasa PT KAI Daop IV Semarang terbagi menjadi beberapa macam yaitu

pelayanan perjalanan angkutan penumpang dan angkutan barang. Pelayanan

transportasi ini juga ditunjang dengan perawatan dan perbaikan sarana. Sarana

perbaikan dibagi menjadi beberapa macam yaitu perawatan atau perbaikan jalur

operasional, perawatan sarana Lokomotif dan KRDI, perawatan sarana kereta dan

gerbong. Dipo Lokomotif Semarang Poncol merupakan bengkel perawatan dan

perbaikan skala kecil dan sedang. Perawatan dan perbaikan di Dipo lokomotif ini

memiliki sistem manajemen perawatan berupa pengecekan harian sebelum dan

sesudah dinas (Daily Check) dan perawatan atau perbaikan bulanan (Monthly

check). Ketentuan pengecekan harian (Daily Check) berupa pengecekan awal

setelah beroperasi dan sebelum beroperasi. Ketentuan pengecekan harian (Daily

Check) bertujuan untuk mengecek apakah lokomotif setelah beroperasi terjadi

kerusakan kecil atau tidak dan sebelum berdinas dilakukan cek kembali apakah

sistem lokomotif dan mesin sesuai dengan kinerja lokomotif sebelum beroperasi

60

atau dinas. Pada proses perbaikannya lokomotif, perbaikan tersebut dilakukan di

Dipo lokomotif Semarang poncol terdapat lokomotif tipe CC201, CC203 dan KRD

(Kereta Rel Diesel) yang di lakukan maintenance secara berlaka sesuai jadwal.

Gejala gejala umum yang sering terjadi di lokomotif berupa motor diesel sering

bermasalah, kompresor rusak ringan hingga sedang dan kelistrikan, untuk Kereta

Rel Diesel (KRD) sama gejalanya yang terjadi dengan kasus lokomotif (motor

diesel sering bermasalah, kompresor rusak ringan hingga sedang dan kelistrikan).

Dipo lokomotif semarang poncol berfokus dalam bidang perawatan

lokomotif (Lokomotif maintenance) guna meningkatkan kinerja lokomotif ketika

berdinas nanti. Dipo lokomotif semarang poncol merupakan bagian dari perusahaan

PT KAI DAOP 4 Semarang yang bergerak di bidang sarana. Untuk perbaikan

sarana bukan hanya lokomotif saja, gerbong penumpang kereta Rel diesel (KRD)

bisa dilakukan perawatan di dipo lokomotif semarang poncol.

4.1.2 Visi dan Misi

Visi dan misi merupakan cita-cita dan amanat tugas sebagai pedoman dan

dilaksanakan perusahaan, adapun visi dan misi PT KAI DAOP 4 Semarang dapat

dijelaskan sebagai berikut :

a. Visi perusahaan

- Menjadi solusi ekosistem transportasi terbaik untuk Indonesia

b. Misi perusahaan

- Untuk menyediakan sistem

transportasi yang aman, efisien, berbasis digital, dan berkembang

pesat untuk memenuhi kebutuhan pelanggan.

- Untuk mengembangkan solusi

transportasi massal yang terintegrasi melalui investasi dalam

sumber daya manusia, infrastruktur, dan teknologi.

- Untuk memajukan pembangunan

nasional melalui kemitraan dengan para pemangku kepentingan,

termasuk memprakarsai dan melaksanakan pengembangan

infrastruktur-infrastruktur penting terkait transportasi.

61

4.1.3 Lokomotif yang Dilakukan Maintenance Di Dipo Lokomotif

Sistem perbaikan dan pengecekan lokomotif di Dipo Lokomotif Semarang

Poncol menggunakan sistem setelah dinas dan sebelum dinas untuk pengecekan

harian, 1 bulan, 2 bulan, 3 bulan, 6 bulan, dan 1 tahun. Sistem ini diterapkan untuk

menjaga status lokomotif itu sendiri, baik setelah dinas maupun sebelum dinas. Jika

lokomotif sudah menempuh jarak 325.000 km atau 2 tahun maka lokomotif tersebut

masuk balaiyasa untuk dilakukan Semi-Pemeliharaan Akhir (SPA) dan jika

lokomotif sudah menempuh jarak 650.000 km atau 4 tahun maka lokomotif tersebut

masuk balaiyasa untuk dilakukan Pemeliharaan akhir (PA). lokomotif atau kereta

Rel Diesel yang dilakukan Pemeliharaan di dipo lokomotif semarang poncol antara

lain :

a. Lokomotif CC201

Lokomotif CC201 adalah lokomotif diesel elektrik milik PT Kereta Api

Indonesia (KAI) yang diproduksi oleh General Electric Transportasi asal

Amerika Serikat dengan model U18C. Lokomotif CC 201 mempunyai

konstruksi yang ramping dengan berat 84 ton dengan daya mesin 1.950 HP

(Horse Power). Lokomotif ini memiliki susunan gandar Co’Co yang berarti

memiliki 2 bogie yang digerakan masing masing 3 gandar dengan total 6

motor traksi, sehingga lokomotif ini dapat dioperasikan pada lintas datar

maupun pegunungan. Lokomotif CC201 mampu berlari sampai kecepatan

120 km/jam, meskipun kecepatan kereta api saat ini dibatasi maksimal 90

km/jam.

Gambar 4.1 Lokomotif CC201

62

b. Lokomotif CC203

Lokomotif CC203 adalah lokomotif diesel elektrik milik PT Kereta Api

Indonesia (KAI) yang diproduksi oleh General Electric Transportasi asal

Amerika Serikat dengan model U20C. Lokomotif CC 203 mempunyai

konstruksi yang ramping dengan berat 84 ton dengan daya mesin 2.150 HP

(Horse Power). Yang membedakan antara lokomotif CC201 dengan

lokomotif CC2013 adalah menggunakan motor diesel dengan dua tingkat

turbocharger sehingga daya mesin meningkat sebesar 2.150 hp.

Gambar 4.2 Lokomotif CC203

c. Kereta Rel Diesel (KRD) “KedungSepur”

merupakan layanan kereta api komuter yang dioperasikan oleh PT Kereta

Api Indonesia Daerah Operasi 4 (DAOP 4) Semarang untuk melayani lintas

Semarang Poncol–Ngrombo dan sebaliknya. Kereta Rel Diesel ini dibuat

dan dirakit oleh Nippon Sharyo Co.,LTD dengan tipe KRD MCW 302.

Nama "KedungSepur" merupakan singkatan dari beberapa nama wilayah di

eks Karesidenan Semarang, yakni Kendal, Demak, Ungaran, Salatiga,

Semarang, dan Purwodadi. Kereta Rel Diesel (Diesel Multiple Unit) adalah

unit kereta api yang terdiri dari beberapa gerbong didukung oleh satu atau

lebih mesin diesel on-board (terpadang). Disebut pula sebagai railcar atau

railmotor, di beberapa negara. Pada KRD yang menggunakan konstruksi

hidrolik, mesin diesel (yang terletak di bagian bawah sasis) berhubungan

langsung dengan penggerak roda secara mekanik. Sistem ini memiliki

beberapa keuntungan, di antaranya adalah dapat menerobos rel yang

tergenang banjir yang tidak dapat dilewati KRL, dan tidak membutuhkan

63

perawatan secara elektris, namun kereta ini memiliki kekurangan, yaitu

getaran lebih besar dan lebih bising dari KRL atau KRDE, karena pada KRD

satu mesin hanya dapat digunakan untuk satu gerbong. KRD ini

menggunakan dinding dari bahan stainless steel dan memiliki bentuk khas

mirip dengan bus sehingga dapat dikategorikan sebagai bus rel (railbus).

Dengan karakteristik transmisi hidrolik dari Voith dan motor diesel sebesar

215 HP (horse power), KRD ini hanya sesuai untuk angkutan penumpang

di lintas datar. KRD ini memiliki berat 32 ton dan panjang 18690 mm. KRD

ini mampu melaju hingga kecepatan maksimum 90 km/jam.

Gambar 4.3 Kereta Rel Diesel Kedung Sepur

4.1.4 Pengumpulan Data

a. Data Ragam dan Kuantitas Lokomotif

Berikut Data Ragam dan Kuantitas lokomotif yang ada di Dipo Lokomotif

Semarang Poncol.

Tabel 4.1 Data Ragam dan Kuantitas Lokomotif dan Kereta Rel Diesel (KRD)

No Jenis Lokomotif Jumlah Dalam satuan

1 CC201 8 Lokomotif

2 CC203 3 Lokomotif

3 KRD 6 Gerbong

Sumber : Dipo Lokomotif Semarang poncol DAOP 4 Semarang

b. Perawatan Lokomotif di Dipo Lokomotif Semarang Poncol

Perawatan di Dipo Lokomotif Semarang Poncol didasarkan pada perawatan

Berkala saat lokomotif telah berdinas dan lokomotif sebelum berdinas.

Corrective maintenance dan preventive maintenance menjadi salah satu

pilihan mengatasi masalah tersebut, berikut ini Pemeliharaan yang

dilakukan di perusahaan :

64

- Kebijakan Preventive (Daily Check)

Pemeliharaan preventive pada lokomotif yaitu melakukan pengecekan

atau perbaikan komponen atau part yang masih bisa diperbaiki.

- Kebijakan Corrective (Monthly Check)

Pemeliharaan Corrective lokomotif kegiatannya berupa pengantian part

(bila diperlukan) pengecekan secara visual dan penambahan kegiatan

berupa cuci lokomotif (bila di rasa diperlukan).

c. Data Kerusakan Mesin

Data kerusakan mesin ini diperoleh dari bagian maintenance melalui

database dan hasil wawancara oleh salah satu pekerja di bagian

maintenance yang bernama pak Windu dan pak Arif. Berdasarkan kebijakan

perawatan yang ada di dipo kerusakan lokomotif dilihat berikut ini :

1. Data Pemeliharaan Lokomotif CC201

Berikut data Pemeliharaan yang terjadi pada Lokomotif CC201 dalam

kurun waktu 1 tahun ( Januari 2020 – Desember 2020). Berdasarkan data

kerusakan dibawah ini pada bagian yang tidak berwarna merupakan jenis

Pemeliharaan preventive (pencegahan)/DC (Daily Check) sedangkan yang

berwarna biru merupakan jenis perawatan lokomotif corrective / MC

(Monthly Check). Untuk data pemeliharaan lihat di bagian lampiran

halaman 124.

2. Data Pemeliharaan Lokomotif CC203

Berikut data Pemeliharaan yang terjadi pada Lokomotif CC203 dalam






halaman 139.

3. Data Pemeliharaan Lokomotif KRD

Berikut data Pemeliharaan yang terjadi pada Lokomotif KRD dalam


Tabel 4. 2 Data Pemeliharan lokomotif CC201 (lanjutan)

Tabel 4. 3 Data Kerusakan Mesin Wheel Loader

65





halaman 159.

d. Data Total Anggaran Perawatan

Data ini menunjukan data anggaran Pemeliharaan periodik Maintenance

dan pencegahan Maintenance untuk periode selama 1 tahun

Tabel 4.2 Data Anggaran Perawatan

Jenis Mesin CC201 (Rp) CC203 (Rp) KRD (Rp)

Corrective

Maintenance 264.497.272

170.865.010 77.462.505

Preventive

Maintenance

50.560.408 39.499.298 87.166.505

Jumlah 315,057,680 210.364.308 164.629.010

Untuk data anggaran perawatan corrective maintenance dan preventive

maintenance diperoleh dari data perawatan mesin di tabel 4.2 – tabel 4.4,

dimana untuk anggaran perawatan corrective maintenance diperoleh dari

penjumlahan anggaran perawatan corrective di masing-masing mesin

sedangkan untuk anggaran preventive maintenance diperoleh dari

penjumlahan anggaran perawatan preventive.

e. Data Total Waktu Pemeliharaan .

Berikut data total waktu corrective maintenance dan preventive

maintenance untuk periode 1 periode.

Tabel 4.3 Data Total Waktu Pemeliharaan

Jenis Mesin CC201 CC203 KRD

Corrective Maintenance 375,1 143,75 288

Preventive Maintenance 76 148 628

Jumlah 451,1 jam 291,75 jam 916 jam

Untuk total waktu diperoleh dari penjumlahan waktu perawatan corrective

maintenance dan preventive maintenance di masing-masing mesin pada

tabel 4.2 - 4.4.

Tabel 4. 4 Data Pemeliharan KRD (Lanjutan)

Tabel 4. 4 Data Kerusakan Mesin Wheel Loader

66

f. Klasifikasi Kondisi Lokomotif

Data Maintenance yang digunakan merupakan data maintenance

lokomotif CC 201, CC203, dan Kereta Rel Diesel (KRD). Pada kerusakan

kondisi lokomotif diklasifikasikan menjadi 4 kerusakan ketentuannya yaitu:

Tabel 4.4 Klasifikasi Kondisi Mesin

Kode Kondisi (Status) Kerusakan

B Baik

(Status 1)

Lokomotif bisa beroperasi dengan kondisi prima.

RR Rusak Ringan

(Status 2)

Lokomotif masih bekerja dengan baik, namun kadang – kadang

terjadi kendala kecil yang nantinya berdampak pada proses

dinas.

RS Rusak Sedang

(Status 3)

Lokomotif dapat beroperasi, tetapi keadaan mengkhawatirkan

dan dapat menyebabkan kerusakan parah jika terus dijalankan .

RB Rusak Berat

(Status 4)

Lokomotif tidak bisa digunakan sehingga proses dinas terhenti.

Sumber : (Pudji & Fahma, 2012)

g. Kebijakan Perawatan Usulan

Berikut Usulan-Usulan Pemeliharaan (merujuk pada tabel 2.5) yang

telah didiskusikan dengan pembimbing lapangan yaitu senior teknisi pada

divisi sarana dan perawatan lokomotif mengenai Usulan yang mungkin

dapat diterapkan oleh dipo lokomotif Semarang poncol dan untuk

perhitungannya pemeliharaan preventive didapatkan dari jumlah anggaran

korektif dikurangi dengan jumlah keseluruhan anggaran dari pemeliharaan

korektif dan preventive. Untuk perihal penjadwalan pemeliharaan perlu

diketahui untuk pemeliharaan berkala tiap harinya di dipo lokomotif

semarang poncol diterapkan Daily check (preventif maintenance) dimana

setiap harinya di cek tehadap pendeteksian kerusakan tiap harinya dan untuk

pemeliharaan “general overhaul” diadakan Monthly Check (corrective

maintenance) dengan tujuan diadakan pemeriksaan bulanan apakah ada

perbaikan atau ada pergantian part terhadap setiap bagian-bagian alat yang

tidak layak pakai selama beroperasi 1 bulan penuh. Untuk tindakan

keputusan didapatkan tindakan sebagai berikut :

67

Tabel 4.5 Tindakan keputusan7danptindakanjyanghdilakukan

keputusank TindakanhyanglDilakukan Anggaran

1 Tidak melakukan tindakan k-

2 Melakukan Pemeliharaan preventive atau

perbaikan (Status kembali ke status

sebelumnya)

- CC201= Rp 44.615.030

- CC203= Rp 39.499.298

- KRD= Rp 87.166.505

3 Dilakukan Pemeliharaan korektif (Status

Mesin Kembali ke status 1)

- CC201= Rp291.320.419

- CC203= Rp 170.865.010

- KRD =Rp 177.462.505

Berikut adalah kebijakan Usulan perawatan mesin beserta keputusan yang

dilakukan sesuai dengan status atau kondisi mesin yang merujuk ditabel 4.8.

Tabel 4.6 Kebijakan Pemeliharaan

Usulan Kebijakan

Pemeliharaan Analisis sd1(P)f xd2(P)v zd3(P)m gd4(P)f

I P0h Pemeliharaan corrective di Status 4 1 1 1 3

II P1 Pemeliharaan corrective pada status 4

dan Pemeliharaan preventive di Status 3

1 1 2 3

II P2 Pemeliharaan corrective di Status 3, 4

dan Pemeliharaan preventive di Status 2

1 2 3 3

II P3 Pemeliharaan corrective di Status 4 dan

Pemeliharaan preventive di Status 2,3

1 2 2 3

II P4 Pemeliharaan corrective di Status 3 dan

4

1 1 3 3

Analisis :

P0, P1, P2, P3, P4 merupakan tindakan Usulan Pemeliharaan yang akan

dilakukan.

d1(P) = Keputusan yang dilakukan terhadap mesin saat mesin

dalam kondisi baik.


dalam kondisi rusak ringan.


dalam kondisi rusak sedang.


dalam kondisi rusak berat.

68

h. Klasifikasi Kondisi Status Lokomotif Berdasarkan Total Anggaran

Perbaikan

Dikutip dari tabel 4.7 klasifikasi kondisi lokomotif berdasarkan total

anggaran yang telah didiskusikan dengan pembimbing lapangan yaitu senior

teknisi pada divisi sarana dan perawatan lokomotif di dapatkan klasifikasi

kondisi status mesin sebagai berikut :

Tabel 4.7 Klasifikasi Kondisi Status Lokomotif Berdasarkan Total Anggaran Perbaikan

Kode Kondisi (Status) Anggaran Perbaikan

B Baik

(Status 1)

< Rp.12.000.000,000

RR Rusak Ringan

(Status 2)

Rp.12.000.000,000-

Rp.20.000.000,000

RS Rusak Sedang

(Status 3)

Rp.20.000.000,000-

Rp.28.000.000,000

RB Rusak Berat

(Status 4)

>Rp.28.000.000,000

Tabel 4.8 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan Lokomotif

CC201

Bulan Anggaran Kondisi (Status)

Januari 2020 Rp 25.904.774 Rusak sedang

Februari 2020 Rp 30.353.108 Rusak Berat

Maret 2020 Rp 11.450.000 Baik

April 2020 Rp 20.669.936 Rusak Sedang

Mei 2020 Rp 9.944.843 Baik

Juni 2020 Rp 18.051.066 Rusak Ringan

Juli 2020 Rp 34.718.079 Rusak Berat

Agustus 2020

Rp 4.885.751 Baik

September 2020 Rp 19.962.515 Rusak ringan

Oktober 2020 Rp 17.372.645 Rusak ringan

November 2020 Rp 25.008.619 Rusak Sedang

Desember 2020 Rp 115.835.296 Rusak berat

Tabel 4.9 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan Lokomotif

CC203


Januari 2020 29.147.744 Rusak Berat

Februari 2020 14.960.799 Rusak Ringan

69

Maret 2020 1.124.402 Baik

April 2020 24.004.792 Rusak Sedang

Mei 2020 1.233.243 Baik

Juni 2020 21.936.477 Rusak Sedang

Juli 2020 11.993.825 Baik

Agustus 2020 18.115.091 Rusak Ringan

September 2020 16.488.652 Rusak Ringan

Oktober 2020 18.614.639 Rusak Ringan

November 2020 28.426.219 Rusak Berat

Desember 2020 24.318.445 rusak Ringan

Tabel 4.10 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan Kereta Rel

Diesel


Januari 2020 10.075.500 Baik

Februari 2020 10.268.528 Baik

Maret 2020 9.649.686 Baik

April 2020 17.957.315 Rusak Ringan

Mei 2020 5.933.424 Baik

Juni 2020 13.453.546 Rusak Ringan

Juli 2020 8.860.394 Baik

Agustus 2020 8.377.700 Baik

September 2020 25.420.413 Rusak Sedang

Oktober 2020 29.931.414 Rusak Berat

November 2020 13.795.284 Rusak Ringan

Desember 2020 24.701.090 Rusak Sedang

i. Data Lokomotif mutlak Mendapati PerubahankStatus

1. kData Lokomotif yangkmengalamihperubahanxstatus dari

bulanKJanuari 2020- jDesember 2020, penentuan ini di rujuk dari

hasil kesepakatan dikusi di tabel 4.11- 4.13.

a. Lokomotif CC 201

Tabel 4.11 Data perubahan status Lokomotif CC 201

Bulan Kondisi (9status0)

B/B9 B/r1 B/s6 B/b3 r/r. r/s: r/b, ,s/s .s/b ‘b/B

Januari 607 709 709 608 007 80e 0 3 5 0

Februari 6 506 705 =0; 0 d0q 0 607 807 2

Maret 1 3 3 1 0 0 0 0 0 0

70

gApril k0 s0 h0 f0 z0 u0 D0 6 2 S0

gMei 2 5 1 h0 g0 d0 j0 k0 f0 c0

gJuni k0 a0 s0 0 g0 8 j0 a0 d0 d0

fJuli 5 f0 g0 h0 0 0 0 0 0 3

Agustus y0 f0 f0 z0 j0 k0 j0 4 4 t0

September g0 d0 v0 k0 5 p0 3 o0 s0 p0

Oktober jr0 h0 k0 f0 k0 h0 -0 7 1 g0

November k0 d0 b0 ;0 10 g0 k0 2 6 l0

Desember 1 0 0 0 0 0 0 0 0 7

Jumlah 15 8 4 1 5 8 3 22 18 12

Analisis:

- Kondisi (status)

- B/B : Lokomotif dari kondisi baik di akhir bulan kemarin masih tetap

berada di kondisi baik di akhir bulan ini.

- B/r : Keadaan Lokomotif dari akhir bulan kemarin berstatus baik

berubah ke rusak ringan di akhir bulan ini.

- B/s : Keadaan lokomotif dari akhir bulan kemarin berstatus baik

berubah ke rusak sedang di akhir bulan ini.

- B/b : Keadaan lokomotif dari akhir bulan kemarin berstatus baik

berubah ke rusak berat di akhir bulan ini.

Untuk Analisis berikutnya sesuai dengan diatas tinggal menyesuaikan

kondisi (status) mesin.

- Arti angka di tabel (Lokomotif CC201 berjumlah 8 unit (tabel 4.14))

- B/B Januari = 0(Lokomotif CC201 pada kondisi B/B berjumlah 0

lokomotif).

- B/r Januari = 0(Lokomotif CC201 pada kondisi B/r berjumlah 0

lokomotif).

- B/s Januari = 0(Lokomotif CC201 pada kondisi B/r berjumlah 0

lokomotif).

- B/b Januari = 0 (Lokomotif CC201 pada kondisi B/r berjumlah 0

mesin).

- r/r Januari = 0 (Lokomotif CC201 pada kondisi r/r berjumlah 0

lokomotif).

71

- r/s Januari = 0 (Lokomotif CC201 pada kondisi r/r berjumlah 0

lokomotif).

- r/b Januari = 1(Lokomotif CC201 pada kondisi r/b berjumlah 1

lokomotif).

- s/s Januari = 3 (Lokomotif CC201 pada kondisi s/s berjumlah 3

lokomotif).

- s/s Januari = 5 (Lokomotif CC201 pada kondisi s/s berjumlah 5

lokomotif).

- b/B Januari = 0 (Lokomotif CC201 pada kondisi b/B berjumlah 0

lokomotif).

Untuk bulan berikutnya Analisisnya sama dan menyesuaikan dengan kondisi

lokomotif.

b. Lokomotif CC203

Tabel 4.12 Data Perubahan Status lokomotif CC 203

Bulan Kondisi (lstatusr)

B/Bk B/ry B/su B/b8 r/r9 r/s7 r/b8 s/s7 s/b6 b/B8

Januari 1 07 07 30 60 70 0 e0 s0 2

Februari z0 c0 f0 g0 71 1 1 90 70 60

Maret 1 2 r06 506 507 909 y08 507 609 0

0 1April s0 t0 g0 0 i0 o0 90 2 1 i0

23Mei 30 40 1 2 80 70 90 90 90 30

78Juni k0 60 v0 f0 1 d0 2 i0 d0 h0

9Juli f0 t0 h0 v0 g0 90 60 41 2 j0

Agustus 0 0 0 0 2 1 0 0 0 0

September 0 0 0 0 0 2 1 0 0 0

Oktober 0 0 0 0 1 0 2 0 0 0

November 2 0 0 0 0 0 0 0 0 1

Desember 0 0 0 0 1 2 0 0 0 0

Jumlah 4 2 1 2 6 6 6 3 3 3

Analisis tabel sama dengan tabel 4.14 dengan menyesuaikan jumlah lokomotif dan

kondisi lokomotif.

c. Kereta Rel Diesel (KRD)

Tabel 4.13 Data Perubahan Status Kereta Rel Diesel (KRD)


72

B/B; B/rg B/sd B/be r/rq r/sf r/bc s/s, s/bc b/Bv

Januari 6 0t 0q c0 x0 d0 d0 q0 a0 l0

Februari 2 1 2 1 0 0 0 0 0 0

Maret 1 1 3 1 0 0 0 0 0 0

0April k0 70 70 60 5 f0 1 g0 z0 d0

1Mei 3 2 g0 1 b0 z0 m0 x0 b0 v0

8Juni 60 s0 ,0 ;0 p1 1 4 c0 v0 d0

9Juli 1 2 1 2 v0 h0 j0 v0 h0 b0

Agustus g0 h0 1 5 x0 g0 h0 j0 k0 b0

September -0 v0 x0 ,0 z0 ]0 ‘0 2 4 l0

Oktober 2 t0 k0 l0 l0 ;0 ]0 -0 ;0 4

November =0 n0 90 k0 4 2 /0 [0 [0 g0

Desember 00 l0 80 m0 90 y0 ‘0 5 1 p0

Jumlah 15 7 7 10 9 6 5 7 5 4

Analisis tabel sama dengan tabel 4.14 dengan menyesuaikan jumlah lokomotif dan

kondisi Lokomotif.

4.2 Pengolahan Data

Sesuai informasi dari perusahaan, proses berikutnya adalah melakukan

pengolahan data untuk mendapatkan solusi dari permasalahan.

4.2.1asfPerhitungangProbabilitascTransisikStatuslMesin

Dari data yang didapat sesuai dengan tabel 4.14 - 4.16, didapatlah

probabilitas status Lokomotif.

1. Lokomotif CC201

Tabel 4.14 Data Perubahan Status Lokomotif CC201

Bulan Kondisi (zstatusf)

B/Bt B/ri B/sc B/bx r/rz r/sv r/bx s/si s/bq b/Bi

Januari e0 0f 0f 0p 0x 0, 0; 3/40 5/40 0

Februari 6/28 0 0 0 0 0 0 0 0 2/12

Maret 1/28 3/28 3/28 1/28 0 0 0 0 0 0

April 0 0 0 0 0 0 0 6/40 2/40 0

Mei 2/28 5/28 1/28 0 0 0 0 0 0 0

Juni 0 0 0 0 0 8/16 0 0 0 0

Juli 5/28 0 0 0 0 0 0 0 0 3/12

Agustus 0 0 0 0 0 0 0 4/40 4/40 0

September 0 0 0 0 5/16 0 3/16 0 0 0

73

Oktober 0 0 0 0 0 0 0 7/40 1/40 0

November 0 0 0 0 0 0 0 2/40 6/40 0

Desember 1/28 0 0 0 0 0 0 0 0 7/12

Jumlah 0,535714286 0,285714286 0,142857143 0,035714286 0,3125 0,5 0,1875 0,55 0,45 1

Analisis :

s/b Januari : perubahan status pada mesin (tabel 4.14)

∑ mesin pada kondisi, s/s . s/b

= 6

3+6+4+7+2+5+2+4+1+6 = 6/40

b/B Februari : perubahan status pada mesin (tabel 4.14)

∑ mesin pada kondisi b/B

= 2

2+3+7 = 2/12

B/B Februari : perubahan status pada mesin (tabel 4.14)

∑ mesin pada kondisi Bi By Bi/ro Be/sj 𝐁𝐳/𝐛𝐥⁄

= 6

6+1+2+5+1+3+5+3+1+1 = 6/28

UntukhselanjutnyagAnalisisnya sama.

dProbabilitasgTransisiyItemv1 kondisi7baik7(B/r), Maret =81/28 =y0,03

Probabilitas8TransisilItemt1fkondisiysedang (s/s), April = 6/40 = 0,15

Probabilitas Transisi Item 1 kondisihbaiky(B/b)8 Juli = 5/28 =l0,178

ProbabilitaslTransisiuItemi1 kondisi baik (B/B), Februari + maret+mei+ Juli+

desember = 6/28 +1/28+ 5/28+1/28 = 0,535

Untuk Analisis berikutnya sesuai dengan diatas.

2. Lokomotif CC203

Tabel 4.15 Data Perubahan Status Lokomotif CC203

Bulan Kondisi (ustatusp)

B/Bp B/rb B/s1 B/b8 r/r’ r/sg r/bx s/s’ s/b] b/B!

Januari 1/9 60 ;0 [0 20 60 90 -0 \0 2/3

Februari X0 V0 X0 F0 21/18 1/18 1/18 0 0 0

Maret 1/9 2/9 0 0 0 0 0 0 0 0

April 0 0 0 0 0 0 0 2/6 1/6 0

Mei 0 0 1/9 2/9 0 0 0 0 0 0

Juni 0 0 0 0 1/18 0 2/18 0 0 0

Juli 0 0 0 0 0 0 0 1/6 2/6 0

Agustus 0 0 0 0 2/18 1/18 0 0 0 0

September 0 0 0 0 0 2/18 1/18 0 0 0

Oktober 0 0 0 0 1/18 0 2/18 0 0 0

74

November 2/9 0 0 0 0 0 0 0 0 1/3

Desember 0 0 0 0 1/18 2/18 0 0 0 0

Jumlah 0,444444444 0,222222222 0,111111 0,222222 0,333333333 0,333333 0,333333 0,5 0,5 1

Analisis :

B/B Januari : perubahan status pada mesin (tabel 4.15)

∑ mesin pada kondisi BB B.⁄ ,B1 r⁄ ,′ B3 sF⁄ ,B2 𝐛𝟎⁄

= 1

1+1+2+2+1+2 = 1/9

B/r Maret : perubahan status pada mesin (tabel 4.15)

∑ mesin pada kondisi BA BJ⁄ ,B; r.⁄ ,B2 sF⁄ ,BE 𝐛𝟔⁄

= 2

1+1+2+2+1+2 = 2/9

Untukyselanjutnya Analisisnya8sama0.

ProbabilitasfTransisi8Item01 kondisi sedang (s/s), April = 2/69=f0.3

ProbabilitasoTransisikItemd1 kondisi ringan (r/b), Februari+

Juni+September+Oktober = 1/18 + 2/18+1/18+2/18 = 0,3

Probabilitas Transisi Item 1 kondisi sedang (s/b), Juli= 2/6 = 0,3

Probabilitas Transisi Item 1 kondisi baik (b/B), Januari = 2/3= 0,6


3. Kereta Rel Diesel

Tabel 4.16 Data Perubahan Status kereta rel diesel


B/B( B/r0 B/s. B/bG r/r1 r/s; r/b’ s/s] s/b= b/BT

Januari 6/39 0p 80 &0 40 +0 70 10 80 0

Februari 2/39 1/39 2/39 1/39 0 0 0 0 0 0

Maret 1/39 1/39 3/39 1/39 0 0 0 0 0 0

April 0 0 0 0 5/20 0 1/20 0 0 0

Mei 3/39 2/39 0 1/39 0 0 0 0 0 0

Juni 0 0 0 0 1/20 1/20 4/20 0 0 0

Juli 1/39 2/39 1/39 2/39 0 0 0 0 0 0

Agustus 0 0 1/39 5/39 0 0 0 0 0 0

September 0 0 0 0 0 0 0 2/12 4/12 0

Oktober 2/39 0 0 0 0 0 0 0 0 4/4

November 0 0 0 0 4/20 2/20 0 0 0 0

75

Desember 0 0 0 0 0 0 0 5/12 1/12 0

Jumlah 0,674 0,152 0,109 0,065 0,350 0,350 0,300 0,667 0,333 1

Analisis :

s/s Desember : perubahan status pada mesin (tabel 4.16)

∑ mesin pada kondisi s s⁄ ,s b⁄

= 5

2+5+4+1 = 5/12

s/b september : perubahan status pada mesin (tabel 4.16)

∑ mesin pada kondisi s s⁄ ,s b⁄

= 4

2+5+4+1 = 4/12

r/r pada bulan April : perubahan status pada mesin (tabel 4.16)

∑ mesin di Status r r⁄ ,r s⁄ ,r b⁄

= 5

5+1+4+1+2+1+4 = 5/20

gUntukuselanjutnya Analisisnya samat.

gProbabilitasuTransisiyItem71 kondisiybaiku(B/B), Januari + Februari + Maret

+iMei+ Juli+Oktober = 6/39 + 2/39 + 1/39 + 2/39 = 0,674

Probabilitas Transisi Item 1 kondisi8baikx(B/b), Agustus = 5/39 =f0,128

Probabilitas Transisi Item 1 kondisi baik (B/r), Juli = 2/39 = 0,076


4.2.2asPerhitungan Matrik ProbabilitasoTransisiuUsulanpI Lokomotif

Matriks probabilitasltransisikUsulan0I (P0) pendayagunaan Monthly Check

(MC) pada kondisi 4 (penentuan Usulan I ini merujuk pada tabel 4.9), dimana nilai

probabilitasnya merujuk pada tabel 4.17- 4.19 disesuaikan dengan Lokomotif yang

ada.

1. Lokomotif CC201

Tabel 4.17 Matriks Probabilitas Transisi (P0) lokomotif CC201

j0 617 628 439 548

517 0,536; -0,286- .0,143 >0,036

e2u s0a =0,313[ +0,500 +0,188

i.,

76

937 -0 -0 -0,550 -0,450

z4k -1 =0 =0 30

Catatan : π1 + π2 +π3 +π4 = 1

Persamaannya sebagai berikut :

π1 + π2 + π32 o+ π4 = 1

0.,536 π1D+ π4 = π1

0.,286 π1g+ 10,313 π2 + = π2

0.,143 π1h+ 40,500 π2 + p0,550 π3 = π3

0.,036 π1l+ 60,188 π2 + 0,450 π3 = π4

Penyelesaian persamaan di atas adalah :

0,536 π1p+ uπ4 = iπ1p

π48 =9π1 – 0,236pπ61

π4 =70,464 π1d

0i,286 π1p++0,313 π2 =-π2

0i,286 π1- = π2 - 0,313 π2

0p,286 π1 =p0,687 π2

-0,286 π1 //0,687 = π2

90,416 π1 = π2

;0,143 π1l+o0,500pπ2 + 0,550π3 = π3

;0,143 π1;+ 0,500k(0,5 π1) = 1 - 0,500 π3

‘0,143 π1p+y0,208pπ1 = 0,45 π3

i0, 351 π1 = 0,45;π3

0, 351 π1 //0,45=-π3

-0, 78-π1 = π3

0,536 0,286 0,143 0,036

10 0,313 0,500 0,188

0 0 0,550 0,450

1 0 0 0

π1.

π2,

π3:

π4,

= [π1{π2:π3]π4]

77

π1i+0π28+yπ3y+7π4y=21

π18+p0,416 π1=+90,78 π1y+r0,464 π18= 1

2,66 π1 = 1

π1 = 1 / 2,66 = 0,375

π1r=y0,375 π2r=e0,157 π3r= 0,293 π4p=-0,174

Dari perhitungan matriks probabilitas transisi Usulan I (P0) pada Lokomotif

CC201 didapatkan hasil kemungkinan Lokomotif CC201 dalam keadaan baik (π1)

0,375, kemungkinan lokomotif terjadi rusak ringan (π2) 0,157, kemungkinan

lokomotif terjadi rusak sedang (π3) 0,293 dan kemungkinan lokomotif terjadi rusak

berat (π4) 0,174.

2. Lokomotif CC203 Tabel 4.18 Matriks Probabilitas Transisi (P0) lokomotif CC203

j 1 2 3 4

1 0,444 0,222 0,111 0,222

2 0 0,333 0,333 0,333

3 0 0 0,500 0,500

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1

Persamaannya sebagai berikut :

π1 + π2 + π3 + 1π4 = 1

0,444 π1 + π4 = π1

0,222 π1 = π2

0,111 1π1 o+1 90,3339π2 4+6 40,500 π36 = π3

0,444 0,222 0,111 0,222

l0 d0,333 =0,333 .0,333

0 -0 0,500 .0,500

1 =0 -0 0

i

π1

π2

π3

π4

= [π1,π2.π3’π4]

78

i0,222 iπ1 6+8 90,333 6π2 9+6 30,500 π3 = π4


0,444 π1 + π4 = π2

wπ4 = 1 - 0,444 π1

8π4 = 0,556eπ1q

‘0,111 iπ1 9+8o0,333pπ2p = π2

0,111 π1 = 1 - 0,333 π2

i0,111pπ1 = 0,667 π2

y0, 111 π1 /p0,667 = π2

0,332 π1 = π2

0,111 π1 + 0,333 π1 + 0,500uπ3 = pπ3

0i,111 π1p+o0,333 (i0,332 π1i) = eπ3 -10,500 π3

y0, 221pπ1m= p0,5[π3

e0, 221uπ1/0,5o=pπ3

y0,442tπ1= π3

π19+9π2;+eiπ38+iπ4m=e1

π1d+i0,332iπ1l+i 0,442eπ1+i 0,556iπ1=i1

2,33iπ1i= 1

π11=i1 / 2,33 = 0,429

π1e=i0,429 π2e= 0,142 π3i=i0,189 π4i=e0,238

Dari perhitungan matriks probabilitas transisi Usulan I (P0) pada Lokomotif

CC203 didapatkan hasil kemungkinan Lokomotif CC203 dalam keadaan baik (π1)

0,429, kemungkinan lokomotif terjadi rusak ringan (π2) 0,142, kemungkinan

lokomotif terjadi rusak sedang (π3) 0,189 dan kemungkinan lokomotif terjadi rusak

berat (π4) 0,238.

3. Kereta Rel Diesel

Tabel 4.19 Matriks Probabilitas Transisi (P0) Kereta Rel Diesel

1j 21 32 53 64

5.1 60,3846 ;0,1795 .0,1795 .0,2564

.2 ,0 ,0,45 ,0,3 ,0,25

ii

79

.3 .0 .0 .0,5833 .0,4167

.4 .1 .0 .0 .0

Catatan : π1 + π2 +π3 +π4 = 1

Persamaanya sebagai berikut :

π1.. +. π2. +. π3, +1, ,π4. = 1

0,3846.π1+ π4 = π1

0,1795.π1+ ,0,45.π2 = π2

,0,1795.π1+ .0,3 π2 + 0,5833iπ3 = π3

,0,2564.π1+ ,0,25 π2 .+ 10,4167 π3 = π4


0,3846 π1 + π4 = π1

π4 = 1 - 0,3846 π1

π4 = 0,614 π1

0,1795 π11+10,45 π2 = π2

10,1795 π1p=11 - 0,45 π2

20,1795 π1u= u0,554π2

1π2 =10,1795 π1/ 0,55

6π2 =10,326 π1

10,1795 π1-+-0,31π2 +-0,5833-π3 =-π3

20,1795 π1-+,-0,3 π2 (0,326-π1) =-1=--0,5833=π3

30,1795 π15+-0,097-π1 =-0,41671π3

10,276 π1 =-0,4167-π3

0,191 π1 /-0,4167 = π3

-0,662 π1 =-π3

0,3846 0,1795 0,1795 0,2564

0 0,45 0,3 0,25

0 0 0,5833 0,4167

1 0 0 0

jπ1

π2

π3

π4

= [π1 π2 π3 π4]

80

π1-+-π2-+-π31+1π40=21

π1-+-0,3260π1-+-0,574 π1-+90,614 π1-= 1

2,602 π1-=-1

π1-=-1 / 2,602 = 0,384

π1-=10,384 π21=-0,125 π3-=-0,254 π4-=10,235

Dari perhitungan matriks probabilitas transisi Usulan I (P0) pada Kereta Rel

Diesel didapatkan hasil kemungkinan Kereta Rel Diesel dalam keadaan baik (π1)

0,384, kemungkinan Kereta Rel Diesel terjadi rusak ringan (π2) 0,125,

kemungkinan Kereta Rel Diesel terjadi rusak sedang (π3) 0,254dan kemungkinan

Kereta Rel Diesel terjadi rusak berat (π4) 0,235.

zTabelf4.20 ProbabilitasjSteadyiState Lokomotif

Kegiatan

Pemeliharaan

(Usulan I)

Probabilitas P0 (manual)

uBaiks gRingang cSedangh oBerat;

CC201 y0,375 70,157 j0,293 p0,174

CC203 h0,429 0,142 k0,189 80,238

KRD v0,384 0,125 0,254 0,235

Ditabel 4.20 adalah tabel probabilitas steady state, dimana (P0) merupakan

kegiatan Pemeliharaan monthly check (MC) pada kondisi rusak berat (status 4).

kemungkinan lokomotif CC201 di kondisi baik 0,375, kemungkinan terjadi rusak

ringan 0,157, kemungkinan lokomotif CC201 terjadi rusak sedang 0,293,

kemungkinan lokomotif CC203 terjadi rusak berat 0,174. Selanjutnya, probabilitas

steady state, dimana (P0) merupakan kegiatan Pemeliharaan monthly check (MC)

pada kondisi rusak berat (status 4) lokomotif CC203. kemungkinan lokomotif

CC203 di kondisi baik 0,429, kemungkinan terjadi rusak ringan 0,142,

kemungkinan lokomotif CC201 terjadi rusak sedang 0,189, kemungkinan

lokomotif CC203 terjadi rusak berat 0,238. Dan yang terakhir, probabilitas steady

state, dimana (P0) merupakan kegiatan Pemeliharaan monthly check (MC) pada

kondisi rusak berat (status 4) Kereta Rel Diesel (KRD). kemungkinan KRD di

81

kondisi baik 0,384, kemungkinan terjadi rusak ringan 0,125, kemungkinan KRD

terjadi rusak sedang 0,259, kemungkinan KRD terjadi rusak berat 0,235.

4.2.3abPerhitungan Matrik Probabilitas9Transisi8Usulan7II

Perhitungan Usulan II ini bertujuan untuk memperoleh jadwal pemeliharaan

yang lebih baik, dimana untuk Usulan II ini nantinya dibagi menjadi P1, P2, P3, P4

dengan tindakan yang dilakukan di sesuaikan kondisi Lokomotif, penentuan Usulan

II ini merujuk pada tabel 4.9.

1. Lokomotif CC201

1. P1 (Pemeliharaan monthly check (MC) di Status 4 dan daily check (DC) di

Status 3)

Tabel 4.21 Matrik Probabilitas Usulan P1 lokomotif CC201

j 1 2 3 4

1 0,536 0,286 0,143 0,036

2 0 0,313 0,500 0,188

3 0 1 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π1 + π2 + wπ3 + π4 = 1

10,536 π1i+ π4 = π1

20,286 π1i+ ,0,313 π2 + 4π3 = π2

30,143π1u+ .0,500π2 + = π3

40,036π1p+ 0,188 π2 = π4

0,536 0,286 0,143 0,036

0 0,313 0,500 0,188

0 1 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1 π2 π3 π4]

82


0,536 π11+2π46= π1

8π4 =3π1 - 0,536+π1

9π4 =40,464+π1

,0,036π1 + <0,188-π2 = π4

0,188-π2 = 0,464 - 0,036π1

.0,188 π2 = 0,036π1

π2 = 0,500 π1/ 0,188

π2 = 2,276-π1

-0,286 π1+ 0,313 π2 + π3 = π2

10,286 π1+90,313 (2,276 π1) + π3 = 2,276 π11

30,250 π1 +00,712 π1 + 91π3 = 2,276 π1

10,998 π1 +1π3 = 2,276 π1

π3 = 2,276 – 1,25 π1

π3 = 1,278 π12

π1p+uπ2E+Iπ33+5π41=31

1π1 + 2,276oπ11+1,278 π11+30,464 π12=11

4,018 π11=11

π12=i1/ 4,018 = 0,248

π1i=e0,248 π2e=i0,564 π3a=p0,316 π43=90,115

sesuai dengan hasil yang didapat dari Usulan II (P1) pada Lokomotif CC201

didapatkan hasil kemungkinan Lokomotif CC201 dalam keadaan baik (π1) 0,248,

kemungkinan Lokomotif CC201 terjadi rusak ringan (π2) 0,564, kemungkinan

Lokomotif CC201 terjadi rusak sedang (π3) 0,316 dan kemungkinan Lokomotif

CC201 rusak berat (π4) 0,115.

2. 𝑃2 (Pemeliharaan monthly check (MC) di Status 3, 4 dan daily check

(DC)di Status 2)


j 1 2 3 4

1 0,536 0,286 0,143 0,036

i

83

2 1 0 0 0

3 1 0 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1

Maka didapatkan persamaan sebagai berikut :

π1 + π2 + π3 + π4 = 1

0,536 π1 + π2 + π3 + π4 =1π1

0,286 π1 =3π2

0,143 π1 =4π3

0,036 π1 =7π4


0,536 π1 = π2

0,286 π1 =0π34

10,1433π1 = π4

π13+4π25+6π39+7π46=41

π19+70,536 π19+90,286 π19+p0,143 π1 =61

1,465 π18 =91

π12 =41 / 1,465

π1 = 0,682

π12= 0,682 π23= 0,195 π39= 0,097 π49= 0,465

sesuai dengan hasil yang didapatkan dari Usulan II (P2) pada Lokomotif

CC201 didapatkan hasil kemungkinan mesin Lokomotif CC201 dalam keadaan

.0,536 ;0,286 ‘0,143 p0,036

1 0 0 0

1 0 0 0

1 0 0 0

,π1

,π2

,π3

π4

= [π1,π2,π3,π4]

84

baik (π1) 0,622, kemungkinan Lokomotif CC201 terjadi rusak ringan (π2) 0,195,

kemungkinan Lokomotif CC201 terjadi rusak sedang (π3) 0,097 dan kemungkinan

Lokomotif CC201 terjadi rusak berat (π4) 0,465 .

3. 𝑃3 (Pemeliharaan monthly check (MC) di Status 4 dan daily check (DC)

di Status 2, 3)


j 1 2 3 4

1 0,536 0,286 0,143 0,036

2 1 0 0 0

3 0 1 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1

Maka didapat persamaan sebagai berikut :

π12 +1 π2F 1+ 9π3 +l 5π4 =91

10,5361π1 + π2 + 1π4 = π1

20,2865π1 + π3 =4π2

0,143 π1 =z π3

0,036 π1 = π4


0,143 π1 = π3

0,036 π1 = π4

0,286 π1 + iπ34 = π2

00,286 π1 i+ 90,143 π1 = π2

90,4291π1 = π2

0,536 0,286 0,143 0,036

1 0 0 0

0 1 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1 π2 π3 π4]

85

π11+ π24+ π36+ π46= 1

π18+90,429 π19+90,143 π18+90,036 π15 = 1

41,6087π1 = 1

8π1 = 1 / 1,608

π1 = 0,622

π18= 0,622 π29= 0,266 π38= 0,088 π48= 0,022

sesuai dengan hasil yang didapatkan dari Usulan II (P3) pada Lokomotif

CC201 didapatkan hasil kemungkinan mesin Lokomotif CC201 dalam keadaan

baik (π1) 0,622, kemungkinan Lokomotif CC201 terjadi rusak ringan (π2) = 0,266,

kemungkinan Lokomotif CC201 terjadi rusak sedang (π3) 0,088 dan kemungkinan

Lokomotif CC201 terjadi rusak berat (π4) 0,022 .

4. 𝑃4 (Pemeliharaan monthly check (MC) di Status3, 4)


j 1 2 3 4

1 0,536 0,286 0,143 0,036

2 0 0,313 0,500 0,188

3 1 0 0 0

4 1 0 0 0

1.

Catatan : π1 + π2 +π3 +π4 = 1

Didapat persamaan sebagai berikut :

π1 + π2 + π3 + π4 = 1

0,536 π1 + π3 π4 = π1

0,286 π1 + 0,313 π2 = π2

10,143 π19+80,5001π2 = π3

0,536 0,286 0,143 0,036

0 0,313 0,500 0,188

1 0 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1 π2 π3 π4]

86

30,036 π19+ C0,188 π2 = π4


0,286 π19+90,313 π27=Eπ2

10,286 π1F = π2 - 0,313 π2

20,286 π1v = 0,687 π2

30,286 π1 /d0,687 = π2

f0,414 π1 = π2

0,143 π1f+d0,500dπ23 = π3

q0,143 π1r+c0,500 (0,414 π1c) = π3

20,143 π1 +d0,207 π1 = π3

x0,35dπ1 = π3

0,036 π1f+d0,188dπ2d = π4

n0,036 π1c+x0,188 (0,35 π1k) = π4

m0,077 π1 = π4

π13+4π2r+xπ3x+zπ4z=s1

π1z+z0,414 π1z+z0,35 π1z+s0,077xπ1 = 1

x1,841sπ1 = 1

π1z=z1 / 1,841

π1 = 0,543

π1d=x0,543 π2s=,0,222 π3d=d0,167 π4d=x0,167

sesuai dengan hasil yang didapat dari Usulan II (P4) pada lokomotif CC201

didapatkan hasil kemungkinan lokomotif CC201 dalam keadaan baik (π1) 0,444,

kemungkinan lokomotif CC201 terjadi rusak ringan (π2) 0,222, kemungkinan

lokomotif CC201 terjadi rusak sedang (π3) 0,167 dan kemugkinan lokomotif

CC201 terjadi rusak berat (π4) 0,167.

2. Lokomotif CC203

1. P1 (Pemeliharaan monthly check (MC) di Status 4 dan daily check (DC) di

Status 3)


j 1 2 3 4

i

87

1 0,444 0,222 0,111 0,222

2 0 0,333333 0,333333 0,333333

3 0 1 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π1 + π2 + π3 + π4 = 1

0,444 π1+ π4 = π1

0,222 π14+ s0,333333 π2d+ π3 = π2

x0,111 π15+ s0,333333 π2x+ = π3

z0,222 π16+ s0,333333 π2 + = π4


0,444 π1+ π4 = π1

π4 = 1 - 0,444 π1

π4 = 0,556 π1

0,222 π1r+ d0,333333 π2d = π4

x0,222 dπ1+ 0,333333 π2f = π4v

d0,333333 π2 =d0,556 π1d- 0,222 dπ1

d0,333333 π2d=d0,334 π1

π2 =d0,334xπ1/ 0,333333

π2 = 1.0003xπ1

20,222 π1a+ s0,333333 π2 + π3s = π2

30,222 π1s+ 0,333333 (1.0003 π1) + π3 = 1.0003 π1

0,444 0,222 0,111 0,222

x0 0,333333 0,333333 0,333333

0 1 0 0

1 0 0 0

π1

,π2

,π3

,π4

= [π1.π2.π3.π4]

88

50,222 π1w+ c0,333333 π1 + π3 = 1.0003 π1

0,555 π1 + π3 =s0,5xπ1

π3d =s0,5 π1 -s0,555 π1a

π3xv = 0,4453 π12

π1 + π2r+ π3r+ π4a = 12

π1s+ 1.0003 π1i+x0,4453 π1+s0,556 π1a= 1

a3,0043 π1s=a1

π1z=z1 /x3,0043 = 0,332

π1a= 0,332 π2x= 0,332 π3x= 0,147 π4x= 0,184



kemungkinan lokomotif CC203 terjadi rusak ringan (π2) ,332, kemungkinan

lokomotif CC203 terjadi rusak sedang (π3) 0,147dan kemungkinan lokomotif

CC203 terjadi rusak berat (π4) 0,184. monthly check (MC) daily check (DC)

2. P2 (Pemeliharaan monthly check (MC) di Status 3, 4 dan daily check (DC)

di Status 2)


j 1 2 3 4

1 0,444 0,222 0,111 0,222

2 1 0 0 0

3 1 0 0 0

4 1 0 0 0

0,444 0,222 0,111 0,222

1 0 0 0

1 0 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1 π2 π3 π4]

89

Catatan : π1 + π2 +π3 +π4 = 1


π11 + π2w 1+ π31 +3 cπ4 =s1

10,444 π1d+ π2 + π3 + fπ4 = π13

10,222 π13 = π2r

0,111 π1 = π3

0,222 π1 = π4


0,222 π1 = π2

0,111 π1 = π3r

30,222 π1d= π4

π14+4π24+5π3 +8π4t=51

π1r+d0,222 π1f+d0,111 π1d+d0,222 π1d =r1

1,587 π14 = 1

π15 =d1 / 1,587

π1d =f0,630

π1f= 0,630 π2f= 0,139 π3d= 0,090 π4 =d0,396




lokomotif CC203 terjadi rusak sedang (π3) 0,090 dan kemungkinan lokomotif


3. 𝑃3 (Pemeliharaan monthly check (MC) di Status4 dan daily check (DC)

di Status2, 3)


j 1 2 3 4

1 0,444 0,222 0,111 0,222

2 1 0 0 0

i

90

3 0 1 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π13 + d π2x d+ π3d d+f fπ43 = 1

0,444 π1i+s π23 i+i π44 = π1

10,222 π1 + π3 = π2

0,111 π1 = π3

0,222 π1 = π4


0,111 π1 = π3

0,222 π1 = π4

0,222 π1+ π3 = π2

0,222 π1+ 0,111 π1 = π2

0,333 π1 = π2

π14+5π26+ π36+ π47 =41

π16+d0,333 π15+60,111 π16+r0,222 π14 =51

1,666 π14 =d1

π1f = 1 / 1,666

π1f =f0,666

π15=g0,666 π25=g0,199 π3d= 0,066 π4 =f0,133




0,444 0,222 0,111 0,222

1 0 0 0

0 1 0 0

1 0 0 0

π1

π2

π3

π4

= [π1 π2 π3 π4]

91

lokomotif CC203 terjadi rusak sedang (π3) 0,066 dan kemungkinan lokomotif


4. 𝑃4 (Pemeliharaan monthly check (MC) di Status 3, 4)


j 1 2 3 4

1 0,444 0,222 0,111 0,222

2 0 0,333333 0,333333 0,333333

3 1 0 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π12 +1 π23 4+ 6π3 6+ 8π4 = 1

0,444 π15 + π3 π45 = π15

40,222 π1u +1 40,333tπ2 = π2

0,111 π1 + g0,333 π2 = π3

0,222 π1 + 0,333 π2 = π4


0,222 π1f+t0,333tπ2 =fπ2

50,222fπ1 =fπ2f-k0,333 π2

30,222 rπ1 =f0,667gπ2

f0,222vπ1/c0,667 π2 = π2

π2 = 0,332

0,111 π1b+d0,333fπ2c = π3

0,444 0,222 0,111 0,222

0. .0,333333 .0,333333 .0,333333

1 .0 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1,π2.π3,π4]

92

10,111 π1 + 0,333 (0,332 π1) = π3

20,111 π1 +d0,110 π1 = π3

0,221 π1 = π3

0,222 π1f+d0,667fπ25 = π4

20,222 π1t+f0,667 (0,332 π1) = π4

40,222 π1f+g0,110 π1 = π4

0,332 π1 = π4

π1f+fπ2d+gπ3d+xπ4x=d1

π1r+g0,332 π1h+f0,221 π1g+ 0,332 π1a =d1

1,885 fπ1 = c1

π1f =b1 / 1,885

π1v =g0,530

π1d=f0,530 π2f=d0,332 π3d= 0,221 π4f= 0,332




lokomotif CC203 terjadi rusak sedang (π3) 0,221dan kemungkinan lokomotif


3. Kereta Rel Diesel (KRD).

1. P1 (Pemeliharaan monthly check (MC) di Status 4 dan daily check (DC)

di Status 3)

Tabel 4.29 Matrik Probabilitas Usulan P1 kereta rel diesel (Krd)

j 1 2 3 4

1 0,3846 0,1795 0,1795 0,2564

2 0 0,45 0,3 0,25

3 0 1 0 0

4 1 0 0 0

i

93

Catatan : π1 + π2 +π3 +π4 = 1


π1 + π2 + π34 + π4 = 1

10,675 π1d+ π4 = π1

30,152 π1f+r0,350 π2 + eπ3 = π2

50,109 π1v+m0,350 π2 + = π3

70,065 π1b+v0,300 π2 + = π4


0,675 π1v+fπ4 =gπ1

π4R =hπ1 - 0,675 π1

π46 =t0,326 π1

10,065 π13+50,3005π2 = π4

10,065 π1T+ T0,300 π2 =60,326 π1G

0,300 π2 =80,326 π1 -f0,065mπ1

0,300 π2 =30,261fπ1

π2 =10,261 π1/l0,300

π2 =10,87 π1x

20,152 π1u+k0,350uπ2 + π3 = π2

30,152 π1k+v0,350 (0,87 π1) + π3 = π2

0,152 π1 + 0,304 π1+ π3 =g0,87dπ1

π3 =d0,87 π1k-h0,456 π1d

π3 = 0,414fπ1

π1k+dπ2g+fπ3k+dπ4h=h1

π1x+d0,87 π1v+k0,414fπ1v+k0,326 π1h= 1

2,61 π1f = 1

fπ1 =.1 / 2,61 = 0,383

0,3846 0,1795 0,1795 0,2564

0 0,45 0,3 0,25

0 1 0 0

1 0 0 0

π1

π2

π3

π4

= [π1 π2 π3 π4]

94

π1.=.0,383 .π2.=,0,333 π3.=.0,159 π4I=.0,125

sesuai dengan hasil yang didapat dari Usulan II (P1) pada Kereta rel diesel

didapatkan hasil kemungkinan Kereta rel diesel dalam keadaan baik (π1) 0,383,

kemungkinan Kereta rel diesel terjadi rusak ringan (π2) 0,333, kemungkinan Kereta

rel diesel terjadi rusak sedang (π3) 0,159 dan kemungkinan Kereta rel diesel terjadi

rusak berat (π4) 0,125.

2. 𝑃2 (Pemeliharaan monthly check (MC) di Status 3, 4 dan daily check

(DC) di Status 2).

Tabel 4.30 Matrik Probabilitas Usulan P2 Kereta rel diesel

j 1 2 3 4

1 0,3846 0,1795 0,1795 0,2564

2 1 0 0 0

3 1 0 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π1 + π2 + π3 + π4 = 1

0,3846 π1>+ π2B +v π3n j+g π4r =tπ1

r0,1795 π16 = π2

g0,1795 π1g = π3

0,2564 π1 = π4


0,1795 π1= π2

.0,3846 .0,1795 .0,1795 .0,2564

1 0 0 0

1 0 0 0

1 0 0 0

i

.π1

,π2

.π3

π4

= [π1,π2;π3]π4]

95

0,1795 π1= π3g

10,2564 π11= π4

π1k+5π2f+kπ3k+gπ4h=k1

π1-+k0,1795π1 +h0,1795kπ1j+f0,2564 π1e = 1

y1, 6154hπ1k = 1

π1g = 1 / 1,6154

π1 = 0,619

π1g=l0,619 π2j=c0,111 π3f=y0,111 π40=v0,158

sesuai dengan hasil yang didapat dari Usulan II (P2) pada Kereta rel diesel





3. 𝑃3 (Pemeliharaan monthly check (MC) di Status4 dan daily check (DC)

di Status 2, 3)


j 1 2 3 4

1 0,3846 0,1795 0,1795 0,2564

2 1 0 0 0

3 0 1 0 0

4 1 0 0 0

Catatan : π1 + π2 +π3 +π4 = 1


π14 5+ π26 8+9 π38 9+0 π49 =81

0,3846 0,1795 0,1795 0,2564

1 0 0 0

0 1 0 0

1 0 0 0

i

π1

π2

π3

π4

= [π1 π2 π3 π4]

96

50,3846 π1 + π2 + π4f =gπ1

80,1795kπ1lf + π3 =vπ2

0,1795 π1 = π3

0,2564 π1 = π4


0,1795 π1 = π3

0,2564 π1 = π4

0,1795 π1 + π3 = π2

0,1795 π1+ 0,1795 π1 = π2

0,359 π16 = π2

π1t+ π2k+kπ3h+pπ4p = 1

π19+80,3599π1-+j0,1795 π1h+i0,1795pπ1u =g1

1,794 π1a =c1

π1k =j1 / 1,794

π1j =.0,557

π1f=x0,557 π2h= 0,199 π3f= 0,099 π4 =-0,142

Sesuai dengan hasil yang didapat dari Usulan II (P3) pada Kereta rel diesel





4. 𝑃4 (Pemeliharaan monthly check (MC) di Status3, 4)


j 1 2 3 4

1 0,385 0,1795 0,1795 0,2564

2 0 0,45 0,3 0,25

3 1 0 0 0

4 1 0 0 0

i

97

Catatan : π1 + π2 +π3 +π4 = 1


π12 -+- iπ2 *+& 7π30 9+- π4f = 1

0,385 π1f+ + π3 + π4 = π1

e0,1795 π1 + 0,45 π2c = π2h

f0,1795 π1u+v0,3 π2f = π3

k0,2564 π1d+x0,25 π2 = π4


0,1795 π1y+ 0,450π2 =rπ2

30,1795 π1eg =z1!-^ 0,45”π2

40,1795 π1zl =v0,45.π2

0,1795 π1 /g0,55 = π2

π2 ==0,326 π1

10,1795 π1u+t0,3 π2 = π3

30,1795 π1 +h0,3 (0,326 π1) = π3

0,1795 π1 + 0,0978π1 = π3

0,277 π1 = π3

0,2564 π1 + 0,25 π2 = π4

0,2564 π1 + 0,300 (0,326 π1) = π4

0,2564 π1 + 0,0815 π1 = π4

0,337 π1 = π4

π1f+kπ2l+jπ3f+fπ4 =d1

π1?+x0,326zπ1;+00,277 π11+p0,337iπ1u =i1

1,94 π1r = 1

0,385 0,1795 0,1795 0,2564

0 0,45 0,3 0,25

1 0 0 0

1 0 0 0

π1

π2

π3

π4

= [π1 π2 π3 π4]

98

π13 =u1 / 1,94

π1f = 0,515

π1f=v0,515 π2c=k0,167 π3c=p0,142 π4x=i0,173

sesuai dengan hasil yang diperoleh dari Usulan II (P4) pada kereta rel diesel

didapatkan hasil kemungkinan kereta rel diesel dalam keadaan baik (π1) 0,515,

kemungkinan kereta rel diesel terjadi rusak ringan (π2) 0,167, kemungkinan kereta

rel diesel terjadi rusak sedang (π3) 0,142 dan kemungkinan mesin terjadi rusak berat

(π4) 0,173.

Tabel64.33 Probabilitas9Steady8State lokomotif CC201

1Kegiatan2

Pemeliharaan

(Usulan II)7

Probabilitas (manual)

6Baik8 fRinganh uSedangy iBeratf

P1 g0,248 t0,564 u0,316 h0,115

P2 0,682 s0,195 k0,097 d0,465

P3 0,622 0,266 0,088 0,022

P4 0,543 0,224 0,190 0,041

Tabel94.34oProbabilitas9SteadyiState lokomotif CC203

Kegiatan

Pemeliharaan

(Usulan II)


5Baik6 5Ringan6 6Sedang5 5Berat5

P1 x0,332 a0,332 g0,147 90,184

P2 i0,630 y0,139 l0,090 50,396

P3 0,666 0,199 0,066 0,133

P4 0,530 0,332 0,221 0,332

Tabelk4.35xProbabilitasiSteadykState Kereta rel diesel

Kegiatan

5Pemeliharaan

(Usulan II)7


6Baik7 7Ringan8 6Sedang8 0Berat6

99

P1 60,383 80,333 90,159 20,125

P2 40,619 40,111 100,111 40,158

P3 0,557 0,199 0,099 0,142

P4 0,515 0,167 0,142 0,173

Ditabel 4.32 adalah tabel steady state Lokomotif CC201 dimana P1

merupakan kegiatan Pemeliharaan monthly check (MC) pada status 4 dan

Pemeliharaan daily check (DC) di Status3. kemungkinan lokomotif dalam kondisi

baik 0,248, kemungkinan terjadi rusak ringan 0,564, kemungkinan terjadi rusak

sedang 0,316, kemungkinan mesin terjadi rusak berat 0,115. Selanjutnya steady

state Lokomotif CC201 untuk P2 merupakan kegiatan Pemeliharaan monthly check

(MC) pada status 3,4 dan Pemeliharaan daily check (DC) di Status2. kemungkinan

lokomotif dalam kondisi baik 0,682, kemungkinan terjadi rusak ringan 0,195,

kemungkinan terjadi rusak sedang 0,097, kemungkinan lokomotif terjadi rusak

berat 0,465. Selanjutnya steady state Lokomotif CC201 untuk P3 merupakan

kegiatan Pemeliharaan monthly check (MC) pada status 4 dan Pemeliharaan daily

check (DC) di Status2 dan 3. kemungkinan lokomotif dalam kondisi baik 0,622,

kemungkinan terjadi rusak ringan 0,266, kemungkinan terjadi rusak sedang 0,088,

kemungkinan lokomotif terjadi rusak berat 0,115. Selanjutnya terakhir untuk

steady state Lokomotif CC201 P4 merupakan kegiatan Pemeliharaan monthly

check (MC) pada status 3 dan 4. kemungkinan lokomotif dalam kondisi baik 0,543,

kemungkinan terjadi rusak ringan 0,224, kemungkinan terjadi rusak sedang 0,190,

kemungkinan lokomotif terjadi rusak berat 0,041. Penjelasan untuk lokomotif

CC230 dan kereta rel diesel sama seperti pada penjelasan Lokomotif CC201.

4.2.4 Perhitungan Anggaran Pemeliharaan

Untuk proses anggaran maintenance membutuhkan data waktu periodic

maintenance, preventive maintenance dan data anggaran corrective maupun

pencegahan maintenance.

1. Kondisi Perusahaan (𝑇𝑐1)

100

Anggaran yang dikeluarkan perusahaan untuk Monthly check (MC) maupun

daily Check/ DC (𝑇𝑐1) bulan Januari 2020 sampai dengan bulan Desember

2020 di masing-masing lokomotif yang diidentifikasi.

a. Lokomotif CC201

- Anggaran rata-rata kerusakan Monthly check (MC) : Rp. 264.497,272

- Anggaran rata-rata kerusakan daily Check ( DC): Rp. 50.560.480

- anggaran Monthly check (MC) = waktu Monthly check (MC) maintenance

x anggaran Monthly check (MC)

= 7459,83 jam/tahun X Rp. 264.497,272

= Rp. 121.623.780.583,76

- Anggaran daily Check ( DC) = waktu daily Check ( DC) x anggaran daily

Check ( DC) maintenance

= 23,3 jam/tahun X Rp. 50.560.480

= Rp. 1.178.059.184

- Total anggaran maintenance perusahaan

- = anggaran Monthly check (MC) maintenance + Anggaran anggaran daily


= Rp. 121.623.780.583,76+ Rp. 1.178.059.184

= Rp. 122.801.839.767,76

b. Lokomotif CC203

- Anggaran rata-rata kerusakan Monthly check (MC): Rp. 170.865.000

- Anggaran rata-rata kerusakan daily Check ( DC) : Rp. 39.499.298


X anggaran Monthly check (MC)

= 461,16 jam/tahun X Rp. 170.865.000

= Rp. 78.796.103.400 Rp. 1.760.878.704,84



= 44,58 jam/tahun X Rp. 39.499.298

= Rp. 1.760.878.704,84


101



= Rp. 78.796.103.400+ Rp. 1.760.878.704,84

= Rp. 80.556.982.104,84

c. Kereta Rel Diesel

- Anggaran rata-rata kerusakan Monthly check (MC): Rp. 77.462.505

- Anggaran rata-rata kerusakan daily Check ( DC) : Rp. 87.166.505


X anggaran Monthly check (MC)

= 480jam/tahun X Rp. 77.462.505

= Rp. 37.180.002.400



= 470,58 jam/tahun X Rp. 87.166.505

= Rp. 41.018.813.922,9




= Rp. 37.180.002.400+ Rp. 78.198.816.322,9

= Rp. 78.198.816.322,9

Jadi total keseluruhan anggaran pemeliharaan 3 lokomotif yang dikeluarkan

dipo lokomotif selama bulan Januari 2020- Desember 2020 adalah Rp.

122.801.839.767,76 + Rp. 80.556.982.104,84 + Rp. 78.198.816.322,9 = Rp.

281.557.6638.194,66

2. Pemeliharaan Usulan I (𝑇𝑐2)

Anggaran rata-rata ekspektasi Usulan I (Pemeliharaan Monthly check

(MC) di Status4) dengan metode markov chain.

Anggaran rata-rata ekspektasi Usulan I = probabilitas steady state x anggaran

Pemeliharaan Monthly check (MC).

a. Lokomotif CC 201

Po = 0,375 (0) + 0,156 (0) + 0,293 (0) + 0,174( Rp. 122.801.839.767,76)

102

Po = Rp 21.162.537.821.574

b. Lokomotif CC203

Po = 0,429 (0) + 0,142 (0) + 0,189 (0) + 0,238(Rp. 80.556.982.104,84)

Po = Rp 18.753.472.609,2


Po = 0,384 (0) + 0,125 (0) + 0,254 (0) +0,235(Rp. 78.198.816.322,9)

Po = Rp 8.737.300.564

Total anggaran maintenance Usulan I

= CC201 + CC203 + KRD

= Rp 21.162.537.821.574 + Rp 18.753.472.609,2+ Rp 8.737.300.564

= Rp 48.653.310.995

Setelah dilakukan penjumlahan dari ketiga lokomotif didapatkan total

anggaran maintenance perusahaan Rp 48.653.310.995.

3. Pemeliharaan Usulan II (𝑇𝑐3)

Setelah dilakukan perhitungan dan didapatkan hasil steady state langkah

selanjutnya adalah melakukan perhitungan anggaran Pemeliharaan Usulan

II.

a. Lokomotif CC201

𝑃1 (Pemeliharaan Monthly check (MC) di Status4 dan Pemeliharaan

daily Check ( DC) di status 3)

= 0,248 (0) + 0,564 (0) + 0,316 (Rp. 1.178.059.184) + 0,115 (Rp.

122.801.839.767,76)

= Rp 14.359.001.469

𝑃2 (Pemeliharaan Monthly check (MC) di Status3, 4 dan daily

Check ( DC) di Status2)

= 0,571 (0) + 0,143 (Rp. 1.178.059.184) + 0,143 (Rp.

122.801.839.767,76) + 0,143 (Rp. 122.801.839.767,76)

= Rp 68.582.286.230

𝑃3 (Pemeliharaan Monthly check (MC) di Status4 dan Pemeliharaan

daily Check ( DC) status 2, 3)

103

= 0,5 (0) + 0,25 (Rp. 1.178.059.184) + 0,125 (Rp. 1.178.059.184) +

0,125 (Rp. 122.801.839.767,76)

= Rp 3.092.756.124

𝑃4 (Pemeliharaan Monthly check (MC) di Status3 dan 4)

= 0,543 (0) + 0,224 (0) + 0,190 (Rp. 122.801.839.767,76) + 0,041

(Rp. 122.801.839.767,76)

= Rp 28.095.093.315

Sesuai dengan hasil yang didapatkan di atas, anggaran yang paling

sedikit adalah pada Usulan P3 dimana tindakan yang dilakukan

adalah Pemeliharaan Monthly check (MC) di Status4 dan

Pemeliharaan daily Check ( DC) status 2 dan 3 dengan anggaran Rp

3.092.756.124 .

b. Lokomotif CC 203

𝑃1 (Pemeliharaan Monthly check (MC) di Status4 daily Check ( DC)

di Status3)

= 0,248 (0) + 0,564 (0) + 0,316 (Rp. 1.760.878.704,84) + 0,115 (Rp.

78.796.103.400)

= Rp 14.757.332.196



= 0,630 (0) + 0,139 (Rp. 1.760.878.704,84) + 0,090 (Rp.

78.796.103.400) + 0,396 (Rp. 78.796.103.400)

= Rp 38.539.668

𝑃3 (Pemeliharaan Monthly check (MC) di Status4 dan daily Check

( DC) di Status2, 3)

= 0,600 (0) + 0,199 (Rp. 1.760.878.704,84) + 0,066 (Rp.

1.760.878.704,84) + 0,133 Rp. (78.796.103.400)

= Rp 10.946.514.609

𝑃4 (Pemeliharaan Monthly check (MC ) di Status3 dan 4)

= 0,530 (0) + 0,175 (0) + 0,117 (78.796.103.400) + 0,175

(78.796.103.400)

104

= Rp 23.008.462.193


sedikit adalah pada Usulan P3 dimana tindakan yang dilakukan adalah

Pemeliharaan Monthly check (MC) di Status4 dan daily Check ( DC)

di Status2, 3 dengan anggaran Rp 10.946.514.609.


𝑃1 (Pemeliharaan Monthly check (MC ) di Status4 dan daily Check

( DC) di Status3)

= 0,273 (0) + 0,392 (0) + 0,156 (Rp. 41.018.813.922,9) + 0,235 (Rp.

37.180.002.400)

= Rp 15.546.423.675



= 0,754 (0) + 0,115 (Rp. 41.018.813.922,9) + 0,082 (Rp.

37.180.002.400) + 0,049 (Rp. 37.180.002.400)

= Rp 14.554.508.990

𝑃3 (Pemeliharaan Monthly check (MC) di Status4 dan

Pemeliharaan daily Check ( DC) di Status2,3)

= 0,557 (0) + 0,199 (Rp. 41.018.813.922,9) + 0,099 (Rp.

41.018.813.922,9) + 0,142 (Rp. 37.180.002.400)

= Rp 17.503.166.890

𝑃4 (Pemeliharaan Monthly check (MC) di Status3 dan 4)

= 0,515 (0) + 0,167 (0) + 0,142 (Rp. 37.180.002.400) + 0,173 (Rp.

37.180.002.400)

= Rp 11.711.700.756


sedikit adalah pada Usulan P4 dimana tindakan yang dilakukan adalah

Pemeliharaan Pemeliharaan Monthly check (MC) di Status3 dan 4

dengan anggaran Rp 11.711.700.756.

Jumlah keseluruhan anggaran maintenance Usulan II

= Lokomotif CC 201+ Lokomotif CC203 + KRD

105

= Rp 3.093.756.124 + Rp 10.946.514.609 + Rp 11.711.700.756

= Rp 25.750.971.489

Sesuai dengan perhitungan total anggaran maintenance perusahaan

adalah Rp 25.750.971.489

4.2.5 Penghematan Anggaran Maintenance

Setelah dilakukan perhitungan anggaran maintenance kondisi perusahaan

(𝑇𝑐1) , anggaran rata-rata ekspektasi maintenance Usulan I (𝑇𝑐2), dan

anggaran rata-rata ekspektasi maintenance Usulan II (𝑇𝑐3) kemudian akan

diidentifikasi penghematannya sebagai berikut:

Tabel 4.36 Penghematan Anggaran Pemeliharaan

Total anggaran

Pemeliharaan (CC201,

CC203,KRD) Penghematan (dari kondisi

beberapa Usulan)


Kondisi Perusahaan (TC 1) Rp 281.557.638.196

Ekspektasi anggaran

Pemeliharaan Usulan I (TC2) Rp 48.653.310.995 Rp.232.904.327.201 (11%)

Ekspektasi anggaran

Pemeliharaan Usulan II (TC3) Rp 25.750.971.489 RP. 255.750.971.489 (10,9%)

Sesuai dengan hasil yang diperoleh dapat dilihat penghematan anggaran

maintenance adalah Rp 73.545.395 dan Rp 81.449.336 penghematan tersebut

didapat dari proses sebagai berikut :

Penghematan pada Usulan I

Rp281.557.638.196 − Rp.48.653.310.995

Rp.281.557.638.196 X 100% = 11%

Penghematan pada Usulan II

Rp281.557.638.196 − Rp.25.750.971.489

Rp.281.557.638.196 X 100% = 10,9%

Karena 𝑇𝑐2 (Usulan I) < 𝑇𝑐1 (kondisi perusahaan), dan 𝑇𝑐3 (Usulan II) <

𝑇𝑐2 (Usulan I) maka diperoleh kesimpulan bahwa Usulan II lebih efektif dan efisien

106

yang nantinya dapat digunakan untuk memberi Usulan ke perusahaan sebagai

bahan pertimbangan.

4.2.6 Penjadwalan Pemeliharaan lokomotif dengan Teknik Markov Chain

Maintenance Lokomotif CC201, CC 203 dan Kereta Rel Diesel di Dipo

dalam 12 bulan membutuhkan waktu 806,85 jam yang diperoleh dengan cara

menjumlah total waktu monthly check (MC) Lokomotif CC 201, lokomotif CC203

dan KRD. Selain itu, memerlukan anggaran Pemeliharaan sebesar Rp .

281.557.638.196.

Tabel 4.37 Data Waktu corrective Maintenance (jam/tahun)

No Jenis Lokomotif corrective (jam/tahun)

1 CC201 375,1

2 CC203 143,75

3 KRD 288

Jumlah 806,85

Waktu yang diperlukan untuk maintenance Usulan I diperoleh dari

perhitungan data sebagai berikut :

= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan I

∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒

=Rp 48.653.310.995

Rp 281.557.638.196 X 806,85 jam

= 139,4 jam = 139 jam

Maka untuk maintenance mesin-mesin memerlukan waktu 139 jam dan

memerlukan anggaran Rp. 48.653.310.995

Untuk perencanaan maintenance masing-masing Lokomotif :

a. CC 201:



=Rp 48.653.310.995

Rp 281.557.638.196 X 375,1 jam

= 64,8 jam

Jadi maintenance lokomotif CC201 dilakukan setiap 64,8 jam

b. Lokomotif CC 203.


∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaans X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒

107

=Rp 48.653.310.995

Rp 281.557.638.196 X 143,75 jam

= 24,84 jam

Jadi maintenance lokomotif CC 203 dilakukan setiap 24,84 jam

c. Kereta Rel Diesel.

= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 sUsulan I


=Rp 48.653.310.995

Rp 281.557.638.196 X 288 jam

= 49,76 jam

Jadi maintenance Kereta Rel Diesel dilakukan setiap 49,76 jam

Tabel 4.38 Data Usulan I Setiap Lokomotif

No Jenis Lokomotif

Waktu Dilakukan

Maintenance Anggaran Usulan 1

1 CC201 64,8 jam

Rp48.653.310.995 2 CC203 24,84 jam

3 KRD 49,76 jam

Waktu yang diperlukan untuk maintenance Usulan II diperoleh dari

perhitungan sebagai berikut :

= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan II


= Rp 25.750.971.489

Rp 281.557.638.196 X 806,85 jam

= 73,79 jam = 74 jam

Maka untuk maintenance keseluruhan mesin memerlukan waktu 74 jam dan

memerlukan anggaran Rp 25.750.971.489

a. Lokomotif CC 201:



= Rp 25.750.971.489

Rp 281.557.638.196 X 375,1 jam

= 34,3 jam

Jadi Pemeliharaan Lokomotif CC 201 dilakukan setiap 34,3 jam

b. Lokomotif CC 203.



108

= Rp 25.750.971.489

Rp 281.557.638.196 X 143,75 jam

= 13,147 jam

Jadi Pemeliharaan dilakukan lokomotif CC 203 dilakukan setiap 13,147

jam.

c. Kereta Rel Diesel (KRD)



= Rp 25.750.971.489

Rp 281.557.638.196 X 143,75 jam

= 26,3 jam

Jadi Pemeliharaan Kereta Rel Diesel dilakukan setiap 26,3 jam

Tabel 4.39 Data Usulan II Setiap Lokomotif

No Jenis Lokomotif

Waktu Dilakukan

Maintenance

Anggaran Usulan

1I

1 CC201 34,3 jam

Rp25.750.971.489 2 CC203 13,147 jam

3 KRD 26,3 jam

4.3 Analisa

Berdasarkan hasil pengolahan data menghasilkan Probabilitas steady state

sebagai berikut :

1. Lokomotif CC201

Tabel94.40 Probabilitas0Steady2State lokomotif CC201

F3Kegiatanwa

Pemeliharaan

Probabilitas

Usulan I

4Baik4f F6Ringan6g F5Sedang7v Cberat8f

P0 y0,375 700,156 670,293 670,174

Probabilitas

Usulan II

F3Kegiatanwa

Pemeliharaan

4Baik4f F6Ringan6g F5Sedang7v Cberat8f

P1 90,248 9x0,564 900,316 650,115

P2 0,682 0,195 0,097 0,465

P3 0,622 0,266 0,088 0,022

P4 0,543 0,224 0,190 0,041

109

Dari tabel diatas dimana (𝑃𝑜) atau Usulan I dengan tindakan yang dilakukan

adalah dilakukan monthly check (MC) di status 4 menghasilkan kemungkinan

lokomotif CC201 di keadaan baik 0,375, kemungkinan terjadi rusak ringan

0,156, kemungkinan terjadi rusak sedang 0,293, kemungkinan terjadi rusak berat

0,174. Anggaran anggaran yang dikeluarkan berdasarkan keputusan dan

tindakan yang dilakukan pada P0 sebesar Rp 21.162.537.821,574. Sedangkan

untuk P1, P2, P3, P4 adalah termasuk Usulan II. Kebijakan yang dilakukan di

P1 adalah melakukan monthly check (MC) di status 4 dan daily check (DC) di

status 3, 4 didapatkan hasil kemungkinan lokomotif CC201 di keadaan baik

0,248, kemungkinan terjadi rusak ringan 0,564, kemungkinan terjadi rusak

sedang 0,316, kemungkinan terjadi rusak berat 0,115. Anggaran anggaran yang

dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P1

sebesar Rp 14.359.001.469. selanjutnya untuk kebijakan yang dilakukan di P2

adalah melakukan monthly check (MC) di status3, 4 dan daily check (DC) di

status 2 didapatkan hasil kemungkinan lokomotif CC201 di keadaan baik 0,682,

kemungkinan terjadi rusak ringan 0,195, kemungkinan terjadi rusak sedang

0,097, kemungkinan terjadi rusak berat 0,465. Anggaran anggaran yang


sebesar Rp 68.582.286.230. Kebijakan yang dilakukan di P3 adalah melakukan

monthly check (MC) di status 4 dan dan daily check (DC) di status 2, 3

didapatkan hasil kemungkinan lokomotif CC201 di keadaaan baik 0,622,




sebesar Rp 3.092.756.124. Selanjutnya terakhir untuk Kebijakan yang dilakukan

di P4 adalah melakukan monthly check (MC)di status 3, 4 didapatkan

kemungkinan lokomotif CC201 di keadaan baik 0,543, kemungkinan terjadi

rusak ringan 0,224, kemungkinan terjadi rusak sedang 0,190 kemungkinan

terjadi rusak berat 0,041. Anggaran anggaran yang dikeluarkan berdasarkan

keputusan dan tindakan yang dilakukan sebesar Rp. 28.095.093.315. Dari

110

pengolahan Usulan II diperoleh bahwa anggaran ekspektasi paling sedikit berada

di Usulan P3 dengan anggaran Rp 3.092.756.124.

2. lokomotif CC203

Tabelg4.41 Probabilitas9SteadyjState lokomotif CC203

kegiatan7he

Pemeliharaan

Probabilitas

Usulan I

E8Baik9gf jRingan7f 8Sedangg FBerat0f

P0 E70,429 F50,142 F40,189 B70,238

Probabilitas

Usulan II

kegiatan7he

Pemeliharaan

E8Baik9gf jRingan7f 8Sedangg FBerat0f

P1 F70,332 G50,332 D20,147 K80,184

P2 0,630 0,139 0,090 0,396

P3 0,600 0,199 0,066 0,133

P4 0,530 0,175 0,117 0,175



lokomotif CC203 di keadaan baik 0,429, kemungkinan terjadi rusak ringan

0,142, kemungkinan terjadi rusak sedang 0,189, kemungkinan terjadi rusak berat

0,238. Anggaran anggaran yang dikeluarkan berdasarkan keputusan dan

tindakan yang dilakukan pada P0 sebesar Rp 18.753.472.609,02. Sedangkan

untuk P1, P2, P3, P4 adalah termasuk Usulan II. Kebijakan yang dilakukan di

P1 adalah melakukan monthly check (MC) di status 4 dan daily check (DC) di

status 3, 4 didapatkan hasil kemungkinan lokomotif CC203 di keadaan baik

0,332, kemungkinan terjadi rusak ringan 0,332, kemungkinan terjadi rusak

sedang 0,147, kemungkinan terjadi rusak berat 0,184. Anggaran anggaran yang


sebesar Rp 14.757.332.196. selanjutnya untuk kebijakan yang dilakukan di P2

adalah melakukan monthly check (MC) di status3, 4 dan daily check (DC) di

status 2 didapatkan hasil kemungkinan lokomotif CC203 di keadaan baik 0,630,




111

sebesar Rp 38.539.668.392. Kebijakan yang dilakukan di P3 adalah melakukan

monthly check (MC) di status 4 dan dan daily check (DC) di status 2, 3

didapatkan hasil kemungkinan lokomotif CC203 di keadaaan baik 0,600,




sebesar Rp 10.946.514.609. Selanjutnya terakhir untuk Kebijakan yang

dilakukan di P4 adalah melakukan monthly check (MC) di status 3 dan 4

didapatkan kemungkinan lokomotif CC203 di keadaan baik 0,530, kemungkinan

terjadi rusak ringan 0,175, kemungkinan terjadi rusak sedang 0,117

kemungkinan terjadi rusak berat 0,175. Anggaran anggaran yang dikeluarkan

berdasarkan keputusan dan tindakan yang dilakukan sebesar Rp.

23.008.462.193. Dari pengolahan Usulan II diperoleh bahwa anggaran

ekspektasi paling sedikit berada di Usulan P3 dengan anggaran Rp

10.946.514.609.

3. Kereta Rel Diesel (KRD)

Tabel 4.42 Probabilitas Steady State kereta rel diesel (KRD)

Kegiatan

Pemeliharaan

Probabilitas

Usulan I

qBaikd gRingana xSedangd eBerats

P0 l0,384 50,125 60,254 d0,235

Probabilitas

Usulan II

Kegiatan

Pemeliharaan

qBaikd gRingana xSedangd eBerats

P1 k0,273 h0,392 g0,166 o0,235

P2 0,619 0,111 0,111 0,158

P3 0,557 0,199 0,099 0,142

P4 0,515 0,167 0,142 0,173



112

kereta rel diesel di keadaan baik 0,384, kemungkinan terjadi rusak ringan 0,125,

kemungkinan terjadi rusak sedang 0,259, kemungkinan terjadi rusak berat 0,235.

Anggaran anggaran yang dikeluarkan berdasarkan keputusan dan tindakan yang

dilakukan pada P0 sebesar Rp 8.737.300.564. Sedangkan untuk P1, P2, P3, P4

adalah termasuk Usulan II. Kebijakan yang dilakukan di P1 adalah melakukan

monthly check (MC) di status 4 dan daily check (DC) di status 3, 4 didapatkan

hasil kemungkinan kereta rel diesel di keadaan baik 0,273, kemungkinan terjadi

rusak ringan 0,392, kemungkinan terjadi rusak sedang 0,166, kemungkinan

terjadi rusak berat 0,235. Anggaran anggaran yang dikeluarkan berdasarkan

keputusan dan tindakan yang dilakukan pada P1 sebesar Rp 15.546.423.675.

selanjutnya untuk kebijakan yang dilakukan di P2 adalah melakukan monthly

check (MC) di status3, 4 dan daily check (DC) di status 2 didapatkan hasil

kemungkinan kereta rel diesel di keadaan baik 0,619, kemungkinan terjadi rusak

ringan 0,111, kemungkinan terjadi rusak sedang 0,111, kemungkinan terjadi

rusak berat 0,158. Anggaran anggaran yang dikeluarkan berdasarkan keputusan

dan tindakan yang dilakukan pada P2 sebesar Rp 14.554.508.990. Kebijakan

yang dilakukan di P3 adalah melakukan monthly check (MC) di status 4 dan dan

daily check (DC) di status 2, 3 didapatkan hasil kemungkinan kereta rel diesel di

keadaaan baik 0,557, kemungkinan terjadi rusak ringan 0,199, kemungkinan

terjadi rusak sedang 0,099, kemungkinan terjadi rusak berat 0,142. Anggaran

anggaran yang dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan

pada P3 sebesar Rp 17.503.166.890. Selanjutnya terakhir untuk Kebijakan yang

dilakukan di P4 adalah melakukan monthly check (MC) di status 3 dan 4

didapatkan kemungkinan kereta rel diesel di keadaan baik 0,515, kemungkinan

terjadi rusak ringan 0,167, kemungkinan terjadi rusak sedang 0,142

kemungkinan terjadi rusak berat 0,173. Anggaran anggaran yang dikeluarkan

berdasarkan keputusan dan tindakan yang dilakukan sebesar Rp.

11.711.700.756. Dari pengolahan Usulan II diperoleh bahwa anggaran

ekspektasi paling sedikit berada di Usulan P4 dengan anggaran Rp.

11.711.700.756. Untuk total keseluruhan anggaran perawatan Usulan I

didapatkan dari penjumlahan total anggaran Pemeliharaan lokomotif CC201,

113

CC203 dan kereta rel diesel adalah sebagai berikut Rp. 48.653.310.995,

sedangkan total keseluruhan anggaran perawatan Usulan II didapatkan dari

penjumlahan total anggaran Pemeliharaan lokomotif CC201, CC203 dan kereta

rel diesel dengan catatan yang dijumlahkan adalah hasil kebijakan yang memiliki

anggaran Pemeliharaan yang terendah dengan hasil sebagai berikut Rp.

25.750.971.489. Dibandingkan dengan anggaran yang dikeluarkan oleh

perusahaan selama ini dalam jangka waktu 12 bulan sebesar Rp.

281.557.638.196. Untuk ekspektasi anggaran Pemeliharaan Usulan I Rp.

48.653.310.995 apabila dibandingkan sama anggaran yang dikeluarkan

perusahaan penghematanya Rp 232.904.327.201 (11%) sedangkan untuk

ekspektasi anggaran Pemeliharaan Usulan II Rp. 25.750.971.489 apabila

dibandingkan sama anggaran yang dikeluarkan perusahaan penghematanya Rp

255.750.91.489 (10,9%). Penjadwalan Pemeliharaan mesin setelah dilakukan

pengolahan data untuk Usulan I butuh waktu 139 jam dan butuh anggaran dana

Rp 48.653.310.995. Jadwal masing-masing mesin seperti lokomotif CC201

setiap 0,9 bulan, lokomotif CC203 setiap 0,4 bulan, kereta rel diesel setiap 0,7

bulan. Untuk penjadwalan Usulan II butuh waktu 74 jam dan butuh anggaran

dana Rp. 25.750.971.489. Jadwal masing-masing mesin seperti lokomotif

CC201 setiap 0,5 bulan, lokomotif CC203 setiap 0,2 bulan, kereta rel diesel

setiap 0,4 bulan. Diperoleh hasil yang bisa dipakai untuk acuan dalam

mengambil tindakan untuk melakukan penjadwalan Pemeliharaan lokomotif di

dipo lokomotif.

4.4 Perbandingan Metode penjadwalan maintenance perusahaan dengan

penjadwalan baru setiap lokomotif dari beberapa Usulan.

Pada penjadwalan baru setiap lokomotif, peneliti berpatok kepada data

analisa setiap lokomotif. Data tersebut bertujuan menjadwalkan kembali setiap

lokomotif berdasarkan dari perhitungan Usulan 1 dan Usulan 2. Diharapkan dari

penjadwalan baru ini, untuk waktu Pemeliharaan bisa tepat sasaran dalam

114

mencegah terjadinya kerusakan yang ada di lokomotif. Berikut data anggaran dan

data total waktu perbaikan dan penjadwalan baru dari beberapa Usulan :

Tabel 4.43 Metode anggaran perusahaan

jenis lokomotif kegiatan Pemeliharaan

anggaran rata rata

ekspetasi

Lokomotif CC201 Pemeliharaan pencegahan di Status4 Rp 21.162.537.822

Lokomotif CC203 Pemeliharaan pencegahan di Status4 Rp 18.753.472.609

Kereta Rel Diesel

(KRD) Pemeliharaan pencegahan di Status4 Rp 48.653.310.995

Tabel 4.44 Metode Markov Chain

Jenis lokomotif kegiatan Pemeliharaan

anggaran rata-rata

ekspetasi

Lokomotif CC201 Pemeliharaan korektif di Status3,4 Rp 3.092.756.124

lokomotif CC203 Pemeliharaan pencegahan di Status2,3

Rp 10.946.514.609 dan Pemeliharaan korektif di Status4

Kereta Rel Diesel

(KRD) Pemeliharaan korektif di Status3, 4

Rp 11.711.700.756

Tabel 4.45 Penghematan anggaran Pemeliharaan

No Analisis Anggaran Persen

Penghematan

1


Metode

Rp 232.904.327.201 11%

Markov Chain

Penghematan Rp 48.653.310.995

2


Metode

Rp 255.750.971.489 10,90%

Perusahaan

Penghematan Rp 25.750.971.489

Tabel 4.46 Penjadwalan Pemeliharaan Dari Usulan 1 dan Usulan 2

No Keterangan Anggaran Penghematan

Pemeliharaan

Penjadwalan Pemeliharaan

CC 201 CC203 KRD

1 Usulan 1 Rp 48.653.310.995

27,375 hari

(per 1 bulan)

12,1667 hari

(per 1 bulan)

21,2917 hari

(per 1 bulan)

2 Usulan 2 Rp 25.750.971.489

15,2083 hari

(per 1 bulan)

6,083 hari (per

1 bulan)

12,1667 hari

(per 1 bulan)

Dari tabel diatas menunjukan bahwa metode Usulan yang di lakukan

penelitian menunjukan bahwasannya untuk metode usulan ada 2 Usulan yaitu

Usulan pertama dengan anggaran Rp. 48.653.310.995 didapatkan untuk

penjadwalan ulang setiap lokomotif dilakukan maintenance (perbulan) untuk

115

maintenance lokomotif CC201 sebesar 0,9 bulan (per 27,375 hari di satu bulan),

lokomotif CC203 sebesar 0,4 bulan (per 12,1667 hari di satu bulan) dan Kereta Rel

diesel sebesar 0,4 bulan (per 21,2917 hari di satu bulan). Berikutnya untuk Usulan

kedua dengan anggaran Rp. 25.750.971.489 didapatkan untuk penjadwalan ulang

setiap lokomotif dilakukan maintenance (perbulan) untuk maintenance lokomotif

CC201 sebesar 0,5 bulan (per 15,2083 hari di satu bulan), lokomotif CC203 sebesar

0,2 bulan (per 6,083 hari di satu bulan ) dan Kereta Rel diesel sebesar 0,4 bulan (per

12,1667 hari di satu bulan). Hasil penelitian ini bisa dijadikan acuan sebagai

langkah strategis untuk penjadwalan kembali jadwal perbaikan dan anggaran

perbaikan. Mengingat dari perusahaan sendiri untuk analisa anggaran maintenance

dan penjadwalan maintenance lokomotif menggunakan Reliability Centered

Maintenance 2 (RCM 2). Untuk cara kerja analisa Reliability Centered

Maintenance 2 (RCM 2) supaya mesin lokomotif itu reliable atau dengan kata lain

digunakan terus menerus agar mesin lokomotif tidak shutdown. Hal ini berbanding

terbalik jika yang terjadi dilapangan, bahwasanya ketika lokomotif itu ketika selesai

melakukan dinas hal yang dilakukan adalah mematikan mesin. Maka dari itu

peneliti berharap penggunaan metode markov chain ini bisa menjadikan acuan oleh

perusahaan agar lebih baik dalam analisa anggaran dan penjadwalan maintenance

lokomotif. Keunggulan olah data menggunakan metode markov chain adalah data

perubahan status mesin, untukdata hasil status mesin itu dihasilkan dari beberapa

banyak pengeluaran dan seberapa besar kerusakan yang terjadi, untuk memberikan

status mesin tersebut harus dilakukannya diskusi terhadap pihak perusahaan

dengan bagian maintenance.

4.5 Pembuktian Hipotesa

Pada hipotesa awal menunjukkan bahwa penelitian yang dilakukan dengan

menggunakan metode markov chain mampu mengatasi permasalah yang ada, yaitu

berkaitan dengan perencanaan penjadwalan Pemeliharaan lokomotif. Setelah

dilakukan proses pengolahan dan analisa, ternyata dengan metode markov chain

benar-benar mampu menyelesaikan masalah yang ada dengan hasil berupa

rancangan jadwal Pemeliharaan mesin disertai dengan tindakan yang harus

116

dilakukan sesuai kondisi lokomotif, sehingga dari pengolahan data menggunakan

metode markov chain ini mampu mendapatkan saran perbaikan untuk melakukan

penjadwalan Pemeliharaan lokomotif agar dapat meminimalkan anggaran

Pemeliharaan di Dipo lokomotif Semarang Poncol

117

BAB Vl

KESIMPULANoDANpSARAN

5.1rtyuKesimpulan

Berikut kesimpulan dari hasil penelitian di Dipo Lokomotif Semarang

Poncol :

1. Kebijakan yang di diterapkan untuk Strategi perencanaan perawatan

lokomotif dan Kereta Rel Diesel adalah Usulan I dengan penerapan

Pemeliharaan korektif di Status 4 (kerusakan berat). Untuk masing-masing

lokomotif seperti lokomotif CC201 anggaran Pemeliharaan sebesar Rp

21.162.537.821,574, lokomotif CC203 anggaran Pemeliharaan sebesar Rp

18.753.472.609,2 dan kereta rel diesel anggaran Pemeliharaan sebesar Rp

8.737.300.564

2. Penghematan yang dihasilkan setelah menghitung ekspektasi anggaran

Pemeliharaan apabila dibandingkan dengan anggaran dipo lokomotif

sebagai berikut :

- Ekspektasi anggaran Pemeliharaan Usulan I sebesar Rp. 48.653.310.995

jika dibandingkan anggaran dana dari pabrik yaitu Rp.

281.557.638.194,66 maka penghematan anggarannya sebesar Rp.

232.904.327.201 (11%)

- Ekspektasi anggaran Pemeliharaan Usulan II sebesar Rp.

25.750.971.489 jika dibandingkan anggaran dana dari pabrik yaitu Rp.

281.557.638.194,66 maka penghematan anggarannya sebesar Rp.

255.750.971 (10,9%).

3. Untuk kebijakan penjadwalan detail setiap bulannya ditetapkan bahwa

dengan menerapkan Usulan I memberikan penjadwalan masing masing

lokomotif dan Kereta Rel Diesel tiap bulannya sebagai berikut : untuk

lokomotif CC201 per 1 bulannya akan kembali ke dipo untuk melakukan

pemeliharaan korektif di hari ke 27,375 (setelah beroperasi sekitar 657 jam/

59.130 Kilometer (untuk mencari jarak tempuh didapatkan nilai median

yaitu 90 KM/h untuk kecepatan rata rata lokomotif. Sumber: Dipo

118

118

Lokomotif Semarang Poncol)). Untuk lokomotif CC203 per 1 bulannya

akan kembali ke dipo untuk melakukan pemeliharaan korektif di hari ke

12,1667 (setelah beroperasi sekitar 292,1 jam/26.289 Kilometer (untuk

mencari jarak tempuh didapatkan nilai median yaitu 90 KM/h untuk

kecepatan rata rata lokomotif, Sumber: Dipo Lokomotif Semarang Poncol)).

Untuk Kereta Rel Diesel per 1 bulannya akan kembali ke dipo untuk

melakukan pemeliharaan korektif di hari ke 21,2917 (setelah beroperasi

sekitar 511 jam/ 45.990 Kilometer (untuk mencari jarak tempuh didapatkan

nilai median yaitu 70 KM/h untuk kecepatan rata rata Kereta Rel Diesel,

Sumber: Dipo Lokomotif Semarang Poncol)).

5.2 Saran

Setelah dilakukan penelitian, dibawah ini merupakan saran yang akan

diajukan oleh peneliti, antara lain :

1. Setelah melakukan berbagai perhitungan pengolahan data Usulan yang akan

diberikan ke dipo lokomotif adalah Usulan I karena memiliki ekspektasi

anggaran Pemeliharaan terkecil (Rp. 48.653.310.995) dan memiliki

penghematan anggaran apabila di bandingkan dengan anggaran dipo

lokomotif (Rp. 281.557.638.194,66) Usulan II memiliki penghematan yang

terbesar yakni (Rp. 232.904.327.201 (11%)) dengan kebijakan perawatan

mesin yaitu 𝑃0 (Pemeliharaan monthly check (MC) di Status 4. Dengan

penjadwalan masing-masing lokomotif seperti lokomotif CC201 setiap 0,9

bulan, lokomotif CC203 setiap 0,4 bulan, kereta rel diesel setiap 0,7 bulan

2. Berdasarkan hasil penelitian kebijakan yang harus dilakukan agar dapat

memenuhi syarat untuk estimasi anggaran, perusahaan harus melakukan

Pemeliharaan monthly check (MC) di Status4 dimana dipo harus segera

mengganti komponen atau spare part apabila lokomotif mengalami

kerusakan berat selain itu dipo harus melakukan tindakan Pemeliharaan

preventive atau pencegahan apabila lokomotif mengalami kerusakan ringan

dan sedang supaya mesin tidak berubah kondisi status kerusaknnya menjadi

kerusakan berat.

119

3. Usulan yang diajukan ke Dipo Lokomotif Semarang Poncol bisa digunakan

sebagai acuan pada perencanaan penjadwalan Pemeliharaan mesin agar

dapat meminimalkan anggaran Pemeliharaan .


120

DAFTAR PUSTAKA

Baik, H.-S., Jeong, H. S., & Abraham, D. M. (2006). Estimating Transition Probabilities

In Markov Chain-Based Deterioration Models For Management Of Wastewater

Systems. Journal Of Water Resources Planning And Management, 132(1), 15–24.

Https://Doi.Org/10.1061/(Asce)0733-9496(2006)132:1(15)

Braga, J. A. P., & Andrade, A. R. (2019). Optimizing Maintenance Decisions In Railway

Wheelsets: A Markov Decision Process Approach. Proceedings Of The Institution Of

Mechanical Engineers, Part O: Journal Of Risk And Reliability, 233(2), 285–300.

Https://Doi.Org/10.1177/1748006x18783403

Dieulle, L., Bérenguer, C., Grall, A., & Roussignol, M. (2003). Sequential Condition-Based

Maintenance Scheduling For A Deteriorating System. European Journal Of

Operational Research, 150(2), 451–461. Https://Doi.Org/10.1016/S0377-

2217(02)00593-3

Erni, N., & Wijaya, B. (2011). Usulan Penerapan Teori Markov Dalam Pengambilan

Keputusan Perawatan Tahunan Pada Pt . Pupuk Kujang. 56–63.

Hartono, M., & Mas’udin, I. (2002). Perencanaan Perawatan Mesin Dengan Metode

Markov Chain Guna Menurunkan Biaya Perawatan.

Irdianto, I, & Suhartini, S. (2019). Penggunaan Metode Markov Chain Dalam Penjadwalan

Perawatanmesin Untuk Meminimalkan Biaya Kerusakan Mesin Dan Perawatan ….

Jiso: Journal Of Industrial And …, 2(September 2017), 11–17. Https://E-

Journal.Umaha.Ac.Id/Index.Php/Jiso/Article/View/430

Irdianto, Indra. (2019). Penggunaan Metode Markov Chain Dalam Penjadwalan

Perawatanmesin Untuk Meminimalkan Biaya Kerusakan Mesin Dan Perawatan

Mesin Mill 303. 2(September 2017), 11–17.

Irwan Sukendar, Syakhroni, A., & Prawira, M. R. (2020). Analysis Of The Age

Replacement Method To Reduce Tool Downtime. International Journal Of

Education, Science, Technology, And Engineering, 3(1), 1–12.

Https://Doi.Org/10.36079/Lamintang.Ijeste-0301.41

Li, Y., & Coolen, F. P. A. (2019). Time-Dependent Reliability Analysis Of Wind Turbines

Considering Load-Sharing Using Fault Tree Analysis And Markov Chains.

Proceedings Of The Institution Of Mechanical Engineers, Part O: Journal Of Risk

And Reliability, 233(6), 1074–1085. Https://Doi.Org/10.1177/1748006x19859690

Marsetio, Supartono, Octavian, A., Ahmadi, Ritonga, R., & Rudiyanto. (2017).

Optimization Of Time Delay Based Preventive Maintenance Using Markov Decision

Process. International Journal Of Signal Processing, Image Processing And Pattern

Recognition, 10(8), 125–134. Https://Doi.Org/10.14257/Ijsip.2017.10.8.11

Maulana, D. S. (2002). Metode Markov Chain Di Pt . Karyamitra Budisentosa.

Perencanaan Perawatan Mesin Dengan Menggunakan Metode Markov Chain Di Pt.

Karyamitra Budisentosa Pandaan Dimas Jurnal Teknik Industri 2018,

Ejournal.Itn.Ac.Id, 30–33.

Munawir, H., Nandiroh, S., & Hartanto, R. T. (2014). Jurusan Teknik Industri Fakultas

Teknik Universitas Muhammadiyah Surakarta 2014. Naskah Publikasi Ilmiah Teknik

Jurusan Teknik Industri Fakultas Teknik Universitas Muhammadiyah Surakarta

(2014) Http://Eprints.Ums.Ac.Id/28879/.

Priambodo, B. (2016). Minimalisasi Biaya Maintenance Lift Menggunakan Metode

Markov. Minimalisasi Biaya Maintenance Lift Menggunakan Metode Markov

Https://Ejournal.Itn.Ac.Id/.

Pudji, E., & Fahma, I. (2012). Perencanaan Pemeliharaan Mesin Dengan Menggunakan

Metode Markov Chain Untuk Mengurangi Biaya Pemeliharan Di Pt. Philips

120

121

Indonesia.

Pudji, E., & Ilma, F. (2012). Perencanaan Pemeliharaan Mesin Dengan Menggunakan

Metode. Perencanaan Pemeliharaan Mesin Dengan Menggunakan Metode Markov

Chain Untuk Mengurangi Biaya Pemeliharaan Di Pt. Philips Indonesia

Ejournal.Upnjatim.Ac.Id, November.

Puspitasari, P., & Pratama, A. J. (1978). Spinning Machine Maintenance Scheduling And

Cost Planning. 88–93.

Robelin, C.-A., & Madanat, S. M. (2007). History-Dependent Bridge Deck Maintenance

And Replacement Optimization With Markov Decision Processes. Journal Of

Infrastructure Systems, 13(3), 195–201. Https://Doi.Org/10.1061/(Asce)1076-

0342(2007)13:3(195)

Roblès, B., Avila, M., Duculty, F., Vrignat, P., Bégot, S., & Kratz, F. (2014). Hidden

Markov Model Framework For Industrial Maintenance Activities. Proceedings Of

The Institution Of Mechanical Engineers, Part O: Journal Of Risk And Reliability,

228(3), 230–242. Https://Doi.Org/10.1177/1748006x14522458

Sholeh, A. S., Anna, I. D., Novianti, T., & Findiastuti, W. (2018). Penjadwalan

Maintenance Mesin Dd10 Dengan Menggunakan Metode Markov Chain. Tekmapro :

Journal Of Industrial Engineering And Management, 13(2), 66–74.

Https://Doi.Org/10.33005/Tekmapro.V13i2.43

Siswanti, E. (2011). Sparepart Dengan Metode Reliability Centered Maintenance ( Rcm )

Di Pt . X. Jurnal Teknik Industri Issn: 1411-6340, 25–30.

Subaga, I. G. S., Manuaba, I. B. G., & Sukerayasa, I. W. (2019). Analisis Prediktif

Pemeliharaan Minyak Transformator Menggunakan Metode Markov. 6(4), 96–101.

Suntono. (2012). Analisis Aplikasi Markov Chain Guna Menghemat Biaya Pemeliharaan

Sarana Produksi. Ilmu - Ilmu Teknik, 11(3), 46–57.

Syakhroni, A., Fajar, R., Darmawan, A., & Marlyana, N. (2021). Machine Maintenance

Design Using Markov Chain Method To Reduce Maintenance Costs. International

Journal Of Education, Science, Technology And Engineering, Volume. 4(Issue. 1).

Https://Doi.Org/10.36079/Lamintang.Ijeste-0401.224

Tifani, R. M., Sugiyono, A., & Fatmawati, W. (2020). Analisa Efektifitas Mesin Air Jet

Loom (Ajl) Guna Mengurangi Breakdown Dengan Metode Overall Equipment

Effectivenees (Oee) Dan …. … Unissula (Kimu) Klaster …, 547–555.

Http://Jurnal.Unissula.Ac.Id/Index.Php/Kimueng/Article/View/8705

Vrugt, J. A., Ter Braak, C. J. F., Clark, M. P., Hyman, J. M., & Robinson, B. A. (2008).

Treatment Of Input Uncertainty In Hydrologic Modeling: Doing Hydrology

Backward With Markov Chain Monte Carlo Simulation. Water Resources Research,

44(12), 1–15. Https://Doi.Org/10.1029/2007wr006720

Yarmuch, J., Epstein, R., Cancino, R., & Peña, J. C. (2017). Evaluating Crusher System

Location In An Open Pit Mine Using Markov Chains. International Journal Of

Mining, Reclamation And Environment, 31(1), 24–37.

Https://Doi.Org/10.1080/17480930.2015.1105649

122

LAMPIRAN-LAMPIRAN

Lampiran 1 Data CC201

Tanggal Analisis Downtime (Menit) Total (Rp) Analisis pergantian part

06 januari 2020 MC 1800 18.572.108

Detergen kemasan (@1kg)

Kain lap/majun

Bendera merah 350x700mm, tiang 1000mm

Amplas no, 1000

Electrical contact cleaner

Jok kursi masinis

Grendel pintu bordes standart

Switch;toggle:dpst;250vac;10a;4 screwed

Baut mur 6 x 12-1/2mm

Electrical contact cleaner non-flammable

Ultima 603

Ring veer dia 3/8in

Baut mur 3/8 x 1in

Air suling

Fuel filter 6-1/2in x 30in

Test spray wd 40

Red silicone 650

Red insulating varnish

Kabel ties 8x640mm

Ring plat 1/2in x 3mm

Ring veer dia 1/2in

Amplas no, 240

Masri rg 68

123

Gulf gear grease lm

07 Januari 2020 DC 45 508.861 -

09 Januari 2020 DC 90 1.295.701 -

11 Januari 2020 DC 105 1.188.156 -

13 Januari 2020 DC 110 1.188.156 -

15 Januari 2020 DC 120 1.079.694 -

16 Januari 2020 DC 50 883.942 -

17 Januari 2020 DC 65 1.188.156 -

Jumlah Anggran di bulan Januari 2020 (pemeliharaan daily

dan monthly cek) 25.904.774

07 Februari 2020 dc 55 500.108 -

16 Februari 2020 mc 1440 29.853,000

KAIN LAP/MAJUN

GRENDEL BESAR 6IN

BUSA 6X100X200CM

ELECTRICAL CONTACT CLEANER

FILTER COMPRESOR; BT267

SEAL TAPE

MUR LOCK NUT SELANG AIR BRAKE; 1,5 INCH

SET SCREW; 1X2876

RING PLAT TEMBAGA M 12

DOUBLE NEEPLE KUNINGAN;3/8 INCH(CINCIN)

TURALIK 52

AIR FILTER ELEMENT; 3X1343

ADHESIVE FILMCOR; 900684

SEAL FUEL FILTER CC201/203

SILICONE SEALANT @300GR

COOLANT INHIBITOR; TR81160

DILOKA 448X

ALVANIA GREASE EP 2

124

LEM MULTIFUNGSI

LEM SINTETIS

BAUT MUR 1/4IN X 30MM

BAUT MUR 6X30MM

SKUN KABEL 8X25MM

AMPLAS NO, 1000

AMPLAS NO, 120

CONTACT; 6712788P1

SPACER; 124X1006

SWITCH;TOGGLE:DPST;250VAC;10A;4 SCREWED

ULTIMA 603

SWITCH;TOGGLE:DPST;250VAC;10A;4 SCREWED

STOP BLOCK BAHAN KAYU JATI

MASRI RG 68

GULF GEAR GREASE LM

REM BLOK KOMPOSIT V 804

THINNER


THINNER

Jumlah Anggran di bulan februari 2020 (pemeliharaan daily

dan monthly cek)

30.353.108

01 Maret 2020 DC 50 500.108 -

13 Maret 2020 DC 45 318,33 -

17 Maret 2020 DC 25 500.108 -

19 Maret 2020 DC 30 500.108 -

20 Maret 2020 DC 55 952.093 -

26 Maret 2020 mc 1600 12.536.014


Kain lap/majun

Set screw; 1x2876

125

Bendera kuning 400x500mm, lkp tiang


Adhesive film cor; 900684

Neeple grease gardan;uk 14 mm

Seal tape


Adhesive filmcor; 900684

Silicone hitam

Baut mur 3/8 x 1in

Electric motor cleaner non flamable

Amplas no, 0

Amplas no, 1000

Skun kabel 4mm


Kabel ties 8x640mm

Kuas 1-1/2in

Masri rg 68

Gulf gear grease lm

Jumlah Anggran di bulan maret 2020 (pemeliharaan daily

dan monthly cek)

11.036.656

01 April 2020 DC 85 625.135 -

22 April 2020 DC 180 1.054.216 -

23 April 2020 MC 2240 18.169.016


Kain lap/majun

Set screw; 1x2876

Bendera kuning 400x500mm, lkp tiang


Adhesive film cor; 900684


126

Seal tape



Silicone hitam

Baut mur 3/8 x 1in

Electric motor cleaner non flamable

Amplas no, 0

Amplas no, 1000

Skun kabel 4mm


Kabel ties 8x640mm

Kuas 1-1/2in

Masri rg 68

Gulf gear grease lm

30 April 2020 DC 30 821.569 Selonsong (conduit)

Jumlah Anggran di bulan april 2020 (pemeliharaan daily

dan monthly cek)

20.669.936

13 Mei 2020 dc 45 2.135.000

20 Mei 2020 MC 1350 7.809.843

Kain lap/majun

Klem dia 4in

Kleman slang 5in

Maco ban kain


Skun kabel 4mm

Kabel nyaf 14 silikon merah

Spacer; 124x1006

Kabel ties uk, 300x5mm

Test spray wd 40

Masri rg 68

127

Gulf gear grease lm

Jumlah Anggran di bulan mei 2020 (pemeliharaan daily dan

monthly cek) 9.944.843

12 Juni 2020 DC 95 455.621 -

13 Juni 2020 DC 115 633.634 -

14 Juni 2020 DC 100 455.621 -

15 Juni 2020 DC 80 650.959 -

16 Juni 2020 DC 70 482.161 -

18 Juni 2020 MC 1,44 10.923.940

Kain lap/majun


Grendel pintu bordes standart

Baut mur 6x30mm

Ultima 603

Amplas no, 1000

Contact cleaner (seyton 1026)

Air suling

Kabel ties 400mm

Gasket, exhaust pipe to turbo

Baut mur 1/2 x 3in

Test spray wd 40

Brake coupling:620 mm

19 Juni 2020 DC 70 482.161 -

20 Juni 2020 DC 60 455.621 -

21 Juni 2020 DC 45 482.161 -

22 Juni 2020 DC 30 455.621 -

23 Juni 2020 DC 35 429.081 -

24 Juni 2020 DC 55 482.161 -

25 Juni 2020 DC 65 554.108 -

128

28 Juni 2020 DC 75 554.108 -

30 Juni 2020 DC 90 554.108 -

Jumlah Anggran di bulan juni 2020 (pemeliharaan daily dan


02 Juli 2020 DC 130 625.135

04 Juli 2020 DC 150 3.222.093 Auxillary lokomotif

10 Juli 2020 DC 120 608.108 -

17 Juli 2020 MC 4320 30.262.743

Kain lap/majun

Sandaran jok masinis

Kit 3 bulanan lok cc 201; 190x1254-1

Grendel besar 6in

Busa 6x100x200cm


Filter compresor; bt267

Seal tape

Mur lock nut selang air brake; 1,5 inch

Stop cock lh3 - 1 in l

Set screw; 1x2876

Ring plat tembaga m 12

Double neeple kuningan;3/8 inch(cincin)

Turalik 52

Air filter element; 3x1343


Seal fuel filter cc201/203

Silicone sealant @300gr

Coolant inhibitor; tr81160

Diloka 448x

Alvania grease ep 2

Lem multifungsi

129

Lem sintetis

Baut mur 1/4in x 30mm

Baut mur 6x30mm

Skun kabel 8x25mm

Amplas no, 1000

Amplas no, 120

Contact; 6712788p1

Spacer; 124x1006


Ultima 603


Stop block bahan kayu jati

Masri rg 68

Gulf gear grease lm

Rem blok komposit v 804

Thinner

Mata gerinda dia 4in

Jumlah Anggran di bulan juli 2020 (pemeliharaan daily dan


12 Agustus 2020 DC 125 554.108 -

14 Agustus 2020 Mc 48 Rp16.362.912

Kain Lap/Majun

Silicone Hitam

Electrical Contact Cleaner

Pasir Silika

Turalik 52

Fuel Filter 6-1/2in X 30in

Adhesive Filmcor; 900684

130

Test Spray Wd 40

Tee, Cable 150mm

Ultima 603

Electrical Contact Cleaner Non-Flammable

Kabel Ties 400mm

Spacer; 124x1006

Kabel Ties Uk. 300x5mm

Kuas 2in

Gulf Gear Grease Lm

Sebana Hp

Rem Blok Komposit V 804

Mata Gerinda Potong Dia 4in

Kabel Ties 8x640mm

Ring Veer Dia 1/2in

17 Agustus 2020 DC 140 679.135 -

21 Agustus 2020 DC 115 554.108 -

23 Agustus 2020 DC 130 679.135 -

25 Agustus 2020 DC 140 625.135 -

27 Agustus 2020 DC 100 679.135 -

29 Agustus 2020 DC 95 784.397 -

31 Agustus 2020 DC 85 330.598 -

Jumlah Anggran di bulan juli 2020 (pemeliharaan daily dan


01 September

2020 DC 90 508.712 -

131

02 September

2020 DC 45 482.168 -

03 September

2020 DC 30 455.625 -

04 September

2020 DC 55 455.625 -

05 September

2020 DC 35 455.625 -

06 September

2020 DC 40 455.625 -

07 September

2020 DC 55 455.625 -

08 September

2020 DC 120 508.712 -

14 September

2020 MC 1,82 16.693.510


Kain lap/majun

Klem dia 4in

Baut mur 1/2 x 1in

Ring veer dia 5/16in

Baut mur 1/4in x 30mm



Multi purpose cleaner



Lem multifungsi

Amplas no, 1000

Ultima 603

Kuas 2in


Double side tape

Sikat baja kuningan

132

Tee, cable 200mm

Isolasi warna hitam lebar 19mm

Isolasi scoth 33

Air suling

Bolt 8,8 1-8 x 5-1/2in

Ring veer dia 1in

Split pen 3x50mm

Ring veer dia 3/4in

Kabel ties 8x640mm

Gulf gear grease lm

Sebana hp

Alvania grease ep 2

Split pen 4x70mm

Jumlah Anggran di bulan september 2020 (pemeliharaan

daily dan monthly cek) 19.962.515

14 Oktober 2020 MC 1500 16.693.510

Kain lap/majun

Silicone hitam


Pasir silika

Turalik 52



Test spray wd 40

Tee, cable 150mm

Ultima 603


Kabel ties 400mm

Spacer; 124x1006


133

Kuas 2in

Gulf gear grease lm

Sebana hp


Mata gerinda potong dia 4in

Kabel ties 8x640mm

Ring veer dia 1/2in

Baut mur 1/2 x 2in

Ring plat 1-1/4in

Ring plat 2in

Split pen 5x50mm

21 Oktober 2020 DC 110 679.135 -

Jumlah Anggran di bulan oktober 2020 (pemeliharaan daily

dan monthly cek)

17.372.645

17 November

2020 MC 2880 24.199.484

Kain lap/majun


Bendera warna merah uk 60x40cm

O-ring 31x3

Packing seal

Gasket dia 2-1/2in

Gasket dia 6in

Carbon brush exc,; 6727520p1

Oring 2x42x50mm

Packing cup; 1073-2031839-01

Turalik 52



Skun kabel dia 25,4 - 90mm

Water seal radiator; rbmw

134

Pegas lwp dd 187 1x18x30

Rbmp 6 inch

Skun kabel tm cc201

Dog cam; ge562303

Tutup tm atas

Contact; 4709859p1

Check valve; 499a924crp3

Hose over speed link cc201

Pegas lop dd 186 1x18x30

Ring plat 7/16in

Diloka 448x

Ultima 603



Amplas no, 1000

Air suling

Suppression module; 41a264834g1

Tutup bawah tm, besar

Diaphragm, spacer to cap; 136x1734-1

O-ring seal teflon mu

Rubber seal; 1211sm10099

Silicone tape, 0,015in thick, 1in wide

Gasket victaulic dia 6in


Baut mur 12x50mm

Baut mur 7/8 x 2-1/2in

Ring veer dia 1-1/2in

Baut mur 16x40mm

135

Baut mur 3/4 x 1-1/2in

Gulf gear grease lm

Sebana hp


Sebana hp

Gulf gear grease lm

18 November

2020 DC 65 388.054

19 November

2020 DC 75 421.081



10 Desember 2020 DC 85 421.081

16 Desember 2020 MC 7200 108.607.251

DETERGEN KEMASAN (@1KG)

KAIN LAP/MAJUN

KIT 6 BULANAN LOK CC 201; 190X1255-2

SANDARAN JOK MASINIS

STOP KRAN DIA 1/4IN

SEAL TAPE

LEM MULTIFUNGSI

BAUT MUR 5/16 X 1IN

SEAL FILTER BAHAN BAKAR

DILOKA 448X


DEGREASER DAN CLEANER

AMPLAS NO, 1000

ELECTRICAL CONTACT CLEANER NON-FLAMMABLE


ULTIMA 603

DOUBLE SIDE TAPE

136

KABEL TIES UK, 300X5MM


ULTIMA 603

SIKAT BAJA KUNINGAN

AIR SULING

THERMOSTAT COLOUR SENSOR SUHU 70-80-90C

RING VEER DIA 1IN

SPLIT PEN 6X70MM

SPLIT PEN 5X70MM

BAUT MUR 1/2 X 1IN

BAUT MUR 3/8 X 1IN

SEBANA HP


BAUT MUR 5/16 X 1IN


KAIN LAP/MAJUN

KUAS 2IN

TEST SPRAY WD 40

RING PLAT 1/2IN X 3MM

BAUT MUR 1/2 X 1-1/2IN

AQUAPROOF (@1KG)

TEE, CABLE 150MM

GULF GEAR GREASE LM

19 Desember 2020 Pengecekan

Part 145 4.619.751 Radiator

20 Desember 2020 Pemansangan

Part 210 2.187.213

Selang Radiator

Air Radiator



137

Jumlah 28990 Rp 315,057,680

Lampiran 2 Data CC203

Tanggal Analisis Downtime

(Menit) Total (Rp) Analisis pergantian part

02 Januari 2020 DC 45 508.861 -

04 Januari 2020 DC 55 811.994 -

16 Januari 2020 MC 1540 27.826.889


BENDERA WARNA KUNING UK 60X40CM

BENDERA WARNA MERAH UK 60X40CM

SEMBOYAN 21

JAMUR KACA

KAIN BLACU DOUBLE BREED

STOP BLOCK STANDARD

KAIN LAP/MAJUN


DIAPHRAGM / MEMBRAN SULING PENDEK

SEAL DRAIN VALVE 8X21X6MM

PIPA TEMBAGA;UK 1/4 INCH

SAKLAR HEAD LIGHT

AIR FILTER ELEMENT; 3X9910

TURALIK 52


FUEL FILTER 6-1/2IN X 30IN

138

GASKET SET SCREW; 1X2664

DILOKA 448X

RED INSULATING VARNISH

POWER SOURCE KIT CC 201, CC 203, CC 204

SWITCH; 497A911P1

POTENSIO VR 100-5000 HM/2W

AMPLAS NO, 1000

INNER MOTOR CLEANER NON FLAMMABLE S,250A


RING VEER DIA 1IN

KARET TUTUP GEAR BOX

BAUT MUR 5/8 X 1IN

PLAT MANGAN 250X100X5MM

AMPLAS NO, 1000

BAUT GEAR BOX VERTIKAL + RING

SPLIT PEN 3X50MM

RING VEER DIA 3/4IN


SIKAT BAJA KUNINGAN

THINNER

RING PLAT 7/16IN

BAUT MUR 3/8 X 1IN

BAUT MUR 3/8 X 6IN

MASRI RG 68

GULF GEAR GREASE LM

Jumlah Anggran di bulan januari 2020

(pemeliharaan daily dan monthly cek) 29.147.744

11 Februari 2020 DC 75 804.162 -

139

13 Februari 2020 DC 55 508.701 -

15 Februari 2020 MC 4320 12.968.781

KAIN LAP/MAJUN




INNER MOTOR CLEANER NON FLAMMABLE S.250A

AMPLAS NO. 0

SIKAT BAJA KUNINGAN

DOUBLE SIDE TAPE

AMPLAS NO. 1000

BAUT MUR 1/2 X 2IN

BENDERA MERAH 350X700MM, TIANG 1000MM

BAUT MUR 7/16 X 1IN

BAUT MUR 10X50MM

BAUT MUR 3/8 X 1IN


MASRI RG 68

GULF GEAR GREASE LM

MASRI RG 68

18 Februari 2020 DC 40 679.135 -

Jumlah Anggran di bulan februari 2020


01 Maret 2020 DC 110 811.834 -

03 Maret 2020 DC 25 312.568 -

Jumlah Anggran di bulan maret 2020


05 April 2020 MC 2880 23.325.657

KAIN LAP/MAJUN



O-RING 31X3

140

PACKING SEAL

GASKET DIA 2-1/2IN

GASKET DIA 6IN

CARBON BRUSH EXC,; 6727520P1

ORING 2X42X50MM

PACKING CUP; 1073-2031839-01

TURALIK 52



SKUN KABEL DIA 25,4 - 90MM

WATER SEAL RADIATOR; RBMW

PEGAS LWP DD 187 1X18X30

RBMP 6 INCH

SKUN KABEL TM CC201

DOG CAM; GE562303

TUTUP TM ATAS

CONTACT; 4709859P1

CHECK VALVE; 499A924CRP3

HOSE OVER SPEED LINK CC201

PEGAS LOP DD 186 1X18X30

RING PLAT 7/16IN

DILOKA 448X

ULTIMA 603



AMPLAS NO, 1000

AIR SULING

SUPPRESSION MODULE; 41A264834G1

TUTUP BAWAH TM, BESAR

141

DIAPHRAGM, SPACER TO CAP; 136X1734-1

O-RING SEAL TEFLON MU

RUBBER SEAL; 1211SM10099

SILICONE TAPE, 0,015IN THICK, 1IN WIDE

GASKET VICTAULIC DIA 6IN


BAUT MUR 12X50MM


RING VEER DIA 1-1/2IN

BAUT MUR 16X40MM


GULF GEAR GREASE LM

SEBANA HP


SEBANA HP

GULF GEAR GREASE LM

17 April 2020 DC 90 679.135 -

Jumlah Anggran di bulan april 2020 (pemeliharaan


19 Mei 2020 DC 100 679.135 -

29 Mei 2020 DC 120 554.108 -

Jumlah Anggran di bulan mei 2020 (pemeliharaan


09 Juni 2020 DC 180 10.068.265 Exhaust Lokomotif CC2039816

11 Juni 2020 DC 240 1.554.839 Exhaust Lokomotif CC2039816

12 Juni 2020 DC 240 1.328.456 Transisi TCRP lokomotif CC2039816

13 Juni 2020 DC 145 679.135 -

23 Juni 2020 MC 1650 8.305.782 KAIN LAP/MAJUN


142

GRENDEL PINTU BORDES STANDART

LEM MULTIFUNGSI

PLASTIC STEEL

ISOLASI WARNA HITAM LEBAR 19MM

SILICONE HITAM

ULTIMA 603


SIKAT BAJA KUNINGAN

KABEL TIES 400MM



SPLIT PEN 3X50MM

SPLIT PEN 2X50MM

OIL SEAL AS FUEL RACK GVR MD

MATA GERINDA DIA 4IN

BAUT MUR 1/2 X 1IN

RING VEER DIA 1/2IN



BAUT MUR 1/2 X 2IN

MASRI RG 68

GULF GEAR GREASE LM

Jumlah Anggran di bulan juni 2020 (pemeliharaan


12 Juli 2020 DC 65 679.135 -

20 Juli 2020 MC 2880 11.314.690

KAIN LAP/MAJUN


STRAIGHT CONNECTOR PNEUMATIC FITTING 6MM

SIKAFLEX 255 FC

143

GRENDEL PINTU BORDES STANDART

SPLIT PEN 3X50MM

SPLIT PEN 5X70MM

SKUN TUSUK

BAUT MUR 6X30MM


ULTIMA 603


ISOLASI KERTAS 1IN

TEST SPRAY WD 40


RING VEER DIA 1/2IN

SPLIT PEN 6X70MM

BAUT MUR 1/2 X 1IN


BOLT 1/2-13 X 1IN


MASRI RG 68

Jumlah Anggran di bulan juli 2020 (pemeliharaan


18 Agustus 2020 DC 120 679.135 -

20 Agustus 2020 MC 2880 679.135


KAIN LAP/MAJUN


BENDERA KUNING 400X500MM, LKP TIANG


ULTIMA 603

AMPLAS NO, 1000

AMPLAS NO, 80

144



DILOKA 448X



GULF GEAR GREASE LM



KABEL TIES 8X640MM

SEBANA HP

21 Agustus 2020 MC 1440 13.507.581


KAIN LAP/MAJUN


BENDERA KUNING 400X500MM, LKP TIANG


ULTIMA 603

AMPLAS NO, 1000

AMPLAS NO, 80



DILOKA 448X



GULF GEAR GREASE LM



KABEL TIES 8X640MM

SEBANA HP

24 Agustus 2020 DC 45 455.625 -

145

25 Agustus 2020 DC 75 455.625 -

26 Agustus 2020 DC 90 508.712 -

27 Agustus 2020 DC 135 508.712 -

28 Agustus 2020 DC 120 455.625 -

31 Agustus 2020 DC 105 864.941 -

Jumlah Anggran di bulan agustus 2020


17 September 2020 MC 1440 16.488.652

KAIN LAP/MAJUN



STRAIGHT CONNECTOR PNEUMATIC FITTING 6MM

NEPPLE DRAD WIPER LURUS M10 DIA 6MM

NEPPLE DRAD WIPER L M10 DIA 6MM

SELANG ANGIN WIPER

DIAPHRAGM; 591778; 517670; 3X8501

TURALIK 52



ULTIMA 603

KUAS 2IN

DILOKA 448X


BAUT MUR 3/8 X 1IN


BAUT MUR 1/2 X 2IN

RING PLAT 2IN

SPLIT PEN 5X50MM

KABEL TIES 8X640MM

SEBANA HP

146

GULF GEAR GREASE LM

Jumlah Anggran di bulan september 2020


11 Oktober 2020 DC 120 680.608 -

15 Oktober 2020 MC 1440 17.934.031

KIT 3 BULANAN LOK CC 203; 190X1254-1



JOK KURSI MASINIS


RING PLAT 3/8IN


TURALIK 52

O-RING SET TYPE AS 006-327

SEALING RING; 4A47381

STOP KRAN DIA 1/4IN

RING PLAT 6X12,5MM

ULTIMA 603


FILTER COMPRESOR; BT267

DILOKA 448X

LEM MULTIFUNGSI

SEAL FUEL FILTER CC201/203

THINNER CAMPURAN CAT (@1L)

BAUT MUR 5/8 X 3IN

GASKET DIA 5IN

GASKET LUBE OIL PIPING ARRANGEMENT

KLEM DIA 3IN

KLEM DIA 3/4IN

CAT BESI PUTIH (@1KG)

147

CAT BESI ABU-ABU (@1KG)

LEM MULTIFUNGSI

LEM SINTETIS

GASKET HI TEMP; 499A912AEP11

GASKET AEP 9

DOUBLE SIDE TAPE

OIL SEAL AS FUEL RACK GVR MD

O-RING, WATER INLET; 115X2241-1



KABEL NYAF BIRU;UK 1,5 MM

SKUN TUSUK

KUAS 2IN

RED INSULATING VARNISH

ISOLASI WARNA MERAH LEBAR 16MM

TENOL DIA 0,8MM


BULB 25W - 75V B22


CONVERTER 220-12V/3W

BAUT MUR 1/2 X 3IN

BAUT MUR 1/2 X 6IN

GULF GEAR GREASE LM

SEBANA HP

SLING PENGAMAN 60X550MM, KLEM 14RR

SPLIT PEN 5X70MM

SPLIT PEN 6X70MM

RING PLAT 1IN

SPLIT PEN 4X70MM

148

RING PLAT 1-1/4IN


CAT BESI MERAH (@1KG)

KABEL TIES 8X640MM

SPLIT PEN 7X100MM



BAUT MUR 3/8 X 3IN


Jumlah Anggran di bulan oktober 2020

(pemeliharaan daily dan monthly cek)

17.934.031

19 November 2020 MC 1440 28.426.219


KAIN LAP/MAJUN


SEAL DRAIN VALVE 8X21X6MM

TEE, CABLE 200MM



KRAN AIR DIA 1/2IN

DILOKA 448X


AMPLAS NO, 1000

AMPLAS NO, 80

ULTIMA 603

SIKAT BAJA KUNINGAN

HEAT SHRINK TUBE DIA 30 MM T,NESS HITAM


RING VEER DIA 5/8IN

149


KABEL TIES 8X640MM

RING VEER DIA 5/16IN

RING PLAT 5/16IN

KACA LAMPU SEMBOYAN WARNA MERAH

KUAS 2IN

RING VEER DIA 1/2IN

BAUT MUR 1/2 X 2IN

BAUT MUR 5/16 X 1IN

BAUT MUR 5/8 X 3IN

SEBANA HP

Jumlah Anggran di bulan november 2020


17 Desember 2020 MC 4320 14.328.661

KAIN LAP/MAJUN



O-RING 31X3

PACKING SEAL

GASKET DIA 2-1/2IN

GASKET DIA 6IN


ORING 2X42X50MM

PACKING CUP; 1073-2031839-01

TURALIK 52





150


RBMP 6 INCH

SKUN KABEL TM CC201

DOG CAM; GE562303

TUTUP TM ATAS

CONTACT; 4709859P1


HOSE OVER SPEED LINK CC201

PEGAS LOP DD 186 1X18X30

RING PLAT 7/16IN

DILOKA 448X

ULTIMA 603



AMPLAS NO, 1000

AIR SULING

SUPPRESSION MODULE; 41A264834G1

TUTUP BAWAH TM, BESAR

DIAPHRAGM, SPACER TO CAP; 136X1734-1

O-RING SEAL TEFLON MU

RUBBER SEAL; 1211SM10099

SILICONE TAPE, 0,015IN THICK, 1IN WIDE

GASKET VICTAULIC DIA 6IN


BAUT MUR 12X50MM


RING VEER DIA 1-1/2IN

BAUT MUR 16X40MM


151

GULF GEAR GREASE LM

SEBANA HP


SEBANA HP

GULF GEAR GREASE LM

25 Desember 2020 DC 240 500.108 -

26 Desember 2020 MC 1440 8.727.713

KAIN LAP/MAJUN



O-RING 31X3

PACKING SEAL

GASKET DIA 2-1/2IN

GASKET DIA 6IN


ORING 2X42X50MM

PACKING CUP; 1073-2031839-01

TURALIK 52






RBMP 6 INCH

SKUN KABEL TM CC201

DOG CAM; GE562303

TUTUP TM ATAS

CONTACT; 4709859P1


152

27 Desember 2020 DC 40 761.963 -

Jumlah Anggran di bulan desember 2020


Jumlah 30345 Rp 210.364.308

Lampiran 3 Data Kereta Rel Diesel :

Tanggal Analisis Downtime

(Menit) Total (Rp) Analisis pergantian part

01 Januari 2020 DC 1 100 125.027 -

02 Januari 2020 DC 1 45 125.027 -

03 Januari 2020 DC 1 30 248.027 -

04 Januari 2020 DC 1 240 248.027 -

05 Januari 2020 DC 1 75 125.027 -

06 Januari 2020 DC 1 95 125.027 -

07 Januari 2020 DC 1 30 125.027 -

08 Januari 2020 DC 1 55 125.027 -

09 Januari 2020 DC 1 90 125.027 -

10 Januari 2020 DC 1 210 250.054 -

11 Januari 2020 DC 1 150 248.027 -

12 Januari 2020 DC 1 120 125.027 -

13 Januari 2020 DC 1 30 125.027 -

14 Januari 2020 DC 1 70 125.027 -

15 Januari 2020 DC 1 30 125.027 -

16 Januari 2020 DC 1 270 415.242 -

17 Januari 2020 DC 1 120 125.027 -

153

18 Januari 2020 DC 1 80 125.027 -

19 Januari 2020 DC 1 30 125.027 -

20 Januari 2020 DC 1 65 125.027 -

21 Januari 2020 DC 1 100 125.027 -

22 Januari 2020 DC 1 35 125.027 -

23 Januari 2020 DC 1 110 229.542 -

24 Januari 2020 DC 1 55 125.027 -

25 Januari 2020 DC 1 150 125.027 -

26 Januari 2020 DC 1 70 125.027 -

27 Januari 2020 DC 1 80 125.027 -

28 Januari 2020 DC 1 85 125.027 -

28 Januari 2020 MC 2880 5.310.906

MEDITRAN SMX 15W - 40

BAUT MUR 3/8 X 1IN


FUEL FILTER; FF105D

FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA


KAIN LAP/MAJUN


SELANG AIR BRAKE LKP PANJANG 620MM

RELAY 24V 11 KAKI

BAUT MUR 5/8 X 2IN

LAMPU PIJAR INDIKATOR KRD 24V/5W

29 Januari 2020 DC 1 90 125.027 -

30 Januari 2020 DC 1 50 125.027 -

31 Januari 2020 DC 1 90 125.027 -

154

Jumlah Anggran di bulan januari 2020 (pemeliharaan


01 Februari 2020 DC 1 40 125.027 -

02 Februari 2020 DC 1 100 125.027 -

01 Februari 2020 DC 1 35 125.027 -

02 Februari 2020 DC 1 60 125.027 -

03 Februari 2020 DC 1 110 248.027 -

04 Februari 2020 DC 1 180 248.027 -

05 Februari 2020 DC 1 45 125.027 -

06 Februari 2020 DC 1 30 125.027 -

07 Februari 2020

DC 1

+Perbaikan

Jendela

50 187.541 -

08 Februari 2020 DC 1 140 250.054 -

09 Februari 2020 DC 1 90 248.027 -

10 Februari 2020 DC 1 30 125.027 -

11 Februari 2020 DC 1 60 125.027 -

12 Februari 2020 DC 1 35 125.027 -

13 Februari 2020 DC 1 80 125.027 -

14 Februari 2020 DC 1 210 248.057 -

15 Februari 2020 DC 1 30 125.027 -

16 Februari 2020 DC 1 60 125.027 -

17 Februari 2020 DC 1 80 125.027 -

18 Februari 2020 DC 1 45 125.027 -

19 Februari 2020 DC 1 70 125.027 -

20 Februari 2020 DC 1 40 125.027 -

21 Februari 2020 DC 1 150 125.027 -

22 Februari 2020 DC 1 100 125.027 -

155

23 Februari 2020 DC 1 30 125.027 -

24 Februari 2020 DC 1 80 125.027 -

25 Februari 2020 DC 1 90 125.027 -

26 Februari 2020 DC 1 60 125.027 -

26 Februari 2020 MC 4320 5.713.120

FUEL FILTER; FF105D



SEAL TAPE

KAIN LAP/MAJUN


VALVE DISTRIBUTOR

FILTER COMPRESSOR; PUMA


ALVANIA GREASE EP 2

27 Februari 2020 DC 1 50 125.027 -

28 Februari 2020 DC 1 90 125.027 -

29 Februari 2020 DC 1 120 125.027 -

Jumlah Anggran di bulan februari 2020 (pemeliharaan


01 Maret 2020 DC 1 50 125.027 -

02 Maret 2020 DC 1 140 125.027 -

03 Maret 2020 DC 1 90 125.027 -

04 Maret 2020 DC 1 45 125.027 -

05 Maret 2020 DC 1 65 248.027 -

06 Maret 2020 DC 1 80 125.027 -

07 Maret 2020 DC 1 100 125.027 -

08 Maret 2020 DC 1 30 125.027 -

09 Maret 2020 DC 1 120 125.027 -

156

10 Maret 2020 DC 1 105 125.027 -

11 Maret 2020 DC 1 60 125.027 -

12 Maret 2020 DC 1 240 1.285.887 -

13 Maret 2020 DC 1 120 125.027 -

14 Maret 2020 DC 1 150 125.027 -

15 Maret 2020 DC 1 30 125.027 -

16 Maret 2020 DC 1 60 125.027 -

17 Maret 2020 DC 1 70 125.027 -

18 Maret 2020 DC 1 45 125.027 -

19 Maret 2020 DC 1 45 125.027 -

20 Maret 2020 DC 1 30 125.027 -

21 Maret 2020 DC 1 60 125.027 -

22 Maret 2020 DC 1 90 125.027 -

23 Maret 2020 DC 1 120 125.027 -

24 Maret 2020 DC 1 100 125.027 -

25 Maret 2020 DC 1 80 125.027 -

26 Maret 2020 DC 1 65 125.027 -

27 Maret 2020 DC 1 30 125.027 -

27 Maret 2020 MC 4320 4.489.989



KAIN LAP/MAJUN


FUEL FILTER; FF105D


ALVANIA GREASE EP 2

28 Maret 2020 DC 1 120 125.027 -

29 Maret 2020 DC 1 30 125.027 -

30 Maret 2020 DC 1 50 125.027 -

157

31 Maret 2020 DC 1 70 125.027 -

Jumlah Anggran di bulan maret 2020 (pemeliharaan daily


01 April 2020 DC 1 100 125.027 -

02 April 2020 DC 1 35 125.027 -

03 April 2020 DC 1 60 125.027 -

04 April 2020 DC 1 20 125.027 -

05 April 2020 DC 1 45 125.027 -

06 April 2020 DC 1 60 125.027 -

07 April 2020 DC 1 70 125.027 -

08 April 2020 DC 1 145 125.027 -

09 April 2020 DC 1 100 125.027 -

10 April 2020 DC 1 45 125.027 -

11 April 2020 DC 1 70 125.027 -

12 April 2020 DC 1 45 125.027 -

13 April 2020 DC 1 30 125.027 -

14 April 2020 DC 1 35 125.027 -

16 April 2020 MC 1440 15.113.221

ULTIMA 603

KAIN LAP/MAJUN

TEGULA 32


FUEL FILTER; FF105D



SET OF WEARING PARTS A T211 R, H35, 2643

BAUT MUR 1/4IN X 30MM

POWER BELT DRESSING SPRAY


158

21 April 2020 DC 1 90 1.093.716 -

Jumlah Anggran di bulan april 2020 (pemeliharaan daily


12 Mei 2020 DC 1 95 500.108 -

13 Mei 2020 DC 1 30 1.681.690 -

16 Mei 2020 MC 1440 1.742.728


KABEL TIES 400MM


KAIN LAP/MAJUN

BAUT MUR 1/2 X 3IN

18 Mei 2020 DC 1 240 1.178.709 -

19 Mei 2020 DC 1 100 125.027 -

30 Mei 2020 DC 1 55 705.162 -

Jumlah Anggran di bulan mei 2020 (pemeliharaan daily


08 Juni 2020 DC 1 30 125.027 -

09 Juni 2020 DC 1 30 125.027 -

10 Juni 2020 DC 1 50 125.027 -

11 Juni 2020 DC 1 85 125.027 -

12 Juni 2020 DC 1 110 125.027 -

12 Juni 2020 MC 4320 3.838.412


KLEM BATTERY

KLEP HISAP KOMPRESOR

KLEP COMPRESSOR; 11224074907

13 Juni 2020 DC 1 45 125.027 -

14 Juni 2020 DC 1 50 125.027 -

15 Juni 2020 DC 1 60 125.027 -

159

16 Juni 2020 DC 1 70 125.027 -

17 Juni 2020 DC 1 45 125.027 -

18 Juni 2020 DC 1 240 1.146.766 -

19 Juni 2020 DC 1 80 248.027 -

20 Juni 2020 DC 1 360 4.969.639 -

21 Juni 2020 DC 1 55 125.027 -

22 Juni 2020 DC 1 180 625.135 -

23 Juni 2020 DC 1 120 125.027 -

24 Juni 2020 DC 1 30 375.081 -

25 Juni 2020 DC 1 50 125.027 -

26 Juni 2020 DC 1 70 125.027 -

27 Juni 2020 DC 1 110 125.027 -

28 Juni 2020 DC 1 30 125.027 -

29 Juni 2020 DC 1 30 125.027 -

30 Juni 2020 DC 1 55 125.027 -

Jumlah Anggran di bulan juni 2020 (pemeliharaan daily


01 Juli 2020 DC 1 60 125.027 -

02 Juli 2020 DC 1 90 138.941 -

03 Juli 2020 DC 1 120 125.027 -

04 Juli 2020 DC 1 115 125.027 -

05 Juli 2020 DC 1 45 125.027 -

06 Juli 2020 DC 1 85 125.027 -

07 Juli 2020 DC 1 120 125.027 -

08 Juli 2020 DC 1 105 125.027 -

09 Juli 2020 DC 1 55 125.027 -

10 Juli 2020 DC 1 95 125.027 -

160

10 Juli 2020 MC 1440 4.756.316



FUEL FILTER; FF105D





11 Juli 2020 DC 1 45 125.027 -

12 Juli 2020 DC 1 50 125.027 -

13 Juli 2020 DC 1 60 125.027 -

14 Juli 2020 DC 1 70 125.027 -

15 Juli 2020 DC 1 45 125.027 -

16 Juli 2020 DC 1 240 250.054 -

17 Juli 2020 DC 1 80 125.027 -

18 Juli 2020 DC 1 360 125.027 -

19 Juli 2020 DC 1 55 125.027 -

20 Juli 2020 DC 1 180 125.027 -

21 Juli 2020 DC 1 120 125.027 -

22 Juli 2020 DC 1 30 125.027 -

23 Juli 2020 DC 1 50 214.327 -

24 Juli 2020 DC 1 70 125.027 -

25 Juli 2020 DC 1 110 125.027 -

26 Juli 2020 DC 1 30 125.027 -

27 Juli 2020 DC 1 30 125.027 -

28 Juli 2020 DC 1 55 125.027 -

29 Juli 2020 DC 1 90 125.027 -

30 Juli 2020 DC 1 120 125.027 -

31 Juli 2020 DC 1 70 125.027 -

161

Jumlah Anggran di bulan juli 2020 (pemeliharaan daily


01 Agustus 2020 DC 1 150 524.545 -

02 Agustus 2020 DC 1 45 125.027 -

03 Agustus 2020 DC 1 60 125.027 -

04 Agustus 2020 DC 1 120 125.027 -

05 Agustus 2020 DC 1 120 125.027 -

06 Agustus 2020 DC 1 240 407.623 -

07 Agustus 2020 DC 1 30 125.027 -

07 Agustus 2020 MC 1440 3.573.749

FUEL FILTER; FF105D



BAUT MUR 5/16 X 1IN


RING PLAT 6X12,5MM

KAIN LAP/MAJUN


08 Agustus 2020 DC 1 30 125.027 -

09 Agustus 2020 DC 1 55 125.027 -

10 Agustus 2020 DC 1 60 125.027 -

11 Agustus 2020 DC 1 140 125.027 -

12 Agustus 2020 DC 1 50 125.027 -

13 Agustus 2020 DC 1 65 125.027 -

14 Agustus 2020 DC 1 30 125.027 -

15 Agustus 2020 DC 1 30 248.027 -

16 Agustus 2020 DC 1 30 248.027 -

17 Agustus 2020 DC 1 90 125.027 -

162

18 Agustus 2020 DC 1 100 125.027 -

19 Agustus 2020 DC 1 155 125.027 -

20 Agustus 2020 DC 1 120 125.027 -

21 Agustus 2020 DC 1 35 125.027 -

22 Agustus 2020 DC 1 65 125.027 -

23 Agustus 2020

DC 1+ cek

eksterior dan

interior

70 125.027 -

24 Agustus 2020 DC 1 30 125.027 -

25 Agustus 2020 DC 1 30 125.027 -

26 Agustus 2020 DC 1 110 125.027 -

27 Agustus 2020 DC 1 150 125.027 -

28 Agustus 2020 DC 1 30 125.027 -

29 Agustus 2020 DC 1 35 125.027 -

30 Agustus 2020 DC 1 75 125.027 -

31 Agustus 2020 DC 1 80 125.027 -

Jumlah Anggran di bulan agustus 2020 (pemeliharaan


02 September 2020 DC 1 720 1.508.324 -

03 September 2020 DC 1 600 5.977.316 -

04 Setember 2020 MC 2880 7.522.987

ALVANIA GREASE EP 2



FUEL FILTER; FF105D



DOUBLE SIDE TAPE

163

ULTIMA 603

KAIN LAP/MAJUN


SEAL TAPE


FILTER COMPRESSOR; PUMA

08 September 2020 DC 1 240 1.500.324 -

09 Setember 2020 MC 1440 7.522.987

22 September 2020 DC 1 120 125.027 -

23 September 2020 DC 1 90 248.027 -

24 September 2020 DC 1 55 248.027 -

25 September 2020 DC 1 45 125.027 -

26 September 2020 DC 1 30 125.027 -

27 September 2020 DC 1 30 125.027 -

28 September 2020 DC 1 30 125.027 -

29 September 2020 DC 1 60 125.027 -

30 September 2020 DC 1 120 142.259 -

Jumlah Anggran di bulan september 2020 (pemeliharaan


01 Oktober 2020 DC 1 45 125.027 -

02 Oktober 2020 DC 1 45 125.027 -

03 Oktober 2020 DC 1 45 125.027 -

04 Oktober 2020 DC 1 30 125.027 -

05 Oktober 2020 DC 1 60 1.285.887 -

06 Oktober 2020 DC 1 120 125.027 -

07 Oktober 2020 DC 1 35 125.027 -

08 Oktober 2020 DC 1 80 248.027 -

164

09 Oktober 2020 DC 1 90 125.027 -

09 Oktober 2020 MC 1440 12.788.048

STOP BLOCK STANDARD

FUEL FILTER; FF105D



FILTER ELEMENT;AIR:CYL;323X650MM;PAPER


FILTER ELEMENT;AIR:CYL;210X560MM;PAPER

REM BLOK KOMPOSIT T 360

RING VEER DIA 3/8IN

V-BELT A56



KAIN LAP/MAJUN

AIR SULING

PLASTIC STEEL

STOP BLOCK STANDARD

INNER MOTOR CLEANER NON FLAMMABLE S,250A

POWER SOURCE KIT K1

10 Oktober 2020 DC 1 120 125.027 -

11 Oktober 2020 DC 1 120 125.027 -

12 Oktober 2020 DC 1 450 1.485.374 -

13 Oktober 2020 DC 1 30 125.027 -

14 Oktober 2020 DC 1 30 125.027 -

15 Oktober 2020 DC 1 55 125.027 -

16 Oktober 2020 DC 1 80 125.027 -

17 Oktober 2020 DC 1 160 1.430.994 -

18 Oktober 2020 DC 1 120 125.027 -

165

19 Oktober 2020 DC 1 30 125.027 -

20 Oktober 2020 DC 1 30 125.027 -

21 Oktober 2020 DC 1 35 125.027 -

22 Oktober 2020 DC 1 80 498.081 -

23 Oktober 2020 DC 1 90 6.885.827 -

24 Oktober 2020 DC 1 160 250.054 -

25 Oktober 2020 DC 1 100 125.027 -

26 Oktober 2020 DC 1 90 125.027 -

27 Oktober 2020 DC 1 115 125.027 -

28 Oktober 2020 DC 1 110 125.027 -

29 Oktober 2020 DC 1 100 125.027 -

30 Oktober 2020 DC 1 140 125.027 -

31 Oktober 2020 DC 1 100 2.183.501 -

Jumlah Anggran di bulan oktober 2020 (pemeliharaan


01 November 2020 DC 1 30 125.057 -

02 November 2020 DC 1 45 125.057 -

03 November 2020 DC 1 110 125.057 -

04 November 2020 DC 1 140 125.057 -

05 November 2020 DC 1 55 125.057 -

06 November 2020 DC 1 240 1.285.887 -

06 November 2020 MC 1440 5.708.987

FUEL FILTER; FF105D




KAIN LAP/MAJUN

DILOKA 448X

166

KAP LAMPU UK,1340X22X2MM

07 November 2020 DC 1 30 125.057 -

08 November 2020 DC 1 380 1.285.887 -

09 November 2020 DC 1 65 125.057 -

10 November 2020 DC 1 55 125.057 -

11 November 2020 DC 1 65 125.057 -

12 November 2020 DC 1 180 1.300.884 -

13 November 2020 DC 1 120 125.057 -

14 November 2020 DC 1 70 125.057 -

15 November 2020 DC 1 70 125.057 -

16 November 2020 DC 1 80 125.057 -

17 November 2020 DC 1 85 125.057 -

18 November 2020 DC 1 75 125.057 -

19 November 2020 DC 1 65 125.057 -

20 November 2020 DC 1 45 125.057 -

21 November 2020 DC 1 45 125.057 -

22 November 2020 DC 1 60 125.057 -

23 November 2020 DC 1 65 625.135 -

24 November 2020 DC 1 65 125.057 -

25 November 2020 DC 1 65 125.057 -

26 November 2020 DC 1 30 125.057 -

27 November 2020 DC 1 90 125.057 -

28 November 2020 DC 1 100 462.079 -

29 November 2020 DC 1 65 125.057 -

30 November 2020 DC 1 30 125.057 -

Jumlah Anggran di bulan november 2020 (pemeliharaan


167

01 Desember 2020 DC 1 120 125.057 -

02 Desember 2020 DC 1 120 125.057 -

03 Desember 2020 DC 1 120 125.057 -

04 Desember 2020 DC 1 120 125.057 -

04 Desember 2020 MC 1440 6.904.042

FUEL FILTER; FF105D



KAIN LAP/MAJUN


RELAY 24V 11 KAKI

TIMER RELAY OMRON 220V

RING VEER DIA 1/2IN

RED SILICONE GASKET MAKER (@85G)

RED SILICONE 650

AIR SULING

BAUT MUR BAJA 1/2 X 1-1/2IN


KUAS 2IN


BAUT MUR 6X30MM


ALVANIA GREASE EP 2

05 Desember 2020 DC 1 45 125.057 -

06 Desember 2020 DC 1 45 125.057 -

07 Desember 2020 DC 1 45 125.057 -

08 Desember 2020 DC 1 30 125.057 -

09 Desember 2020 DC 1 60 125.057 -

10 Desember 2020 DC 1 120 125.057 -

168

11 Desember 2020 DC 1 35 125.057 -

12 Desember 2020 DC 1 80 125.057 -

13 Desember 2020 DC 1 90 125.057 -

14 Desember 2020 DC 1 30 125.057 -

15 Desember 2020 DC 1 55 125.057 -

16 Desember 2020 DC 1 80 125.057 -

17 Desember 2020 DC 1 160 125.057 -

18 Desember 2020 DC 1 120 125.057 -

19 Desember 2020 DC 1 30 125.057 -

20 Desember 2020 DC 1 30 125.057 -

21 Desember 2020 DC 1 35 125.057 -

22 Desember 2020 DC 1 80 125.057 -

23 Desember 2020 DC 1 90 125.057 -

24 Desember 2020 DC 1 160 125.057 -

25 Desember 2020 DC 1 100 125.057 -

26 Desember 2020 DC 1 90 125.057 -

27 Desember 2020 DC 1 115 125.057 -

28 Desember 2020 DC 1 110 125.057 -

29 Desember 2020 DC 1 100 250.054 -

30 Desember 2020 DC 1 140 125.057 -

31 Desember 2020 DC 1 120 125.057 -

Jumlah Anggran di bulan desember 2020 (pemeliharaan


Jumlah

57035

Rp 164.629.010

LAPORAN TUGAS AKHIR (Studi Kasus Dipo Lokomotif ...

Documents

Transcript of LAPORAN TUGAS AKHIR (Studi Kasus Dipo Lokomotif ...