LAPORAN TUGAS AKHIR (Studi Kasus Dipo Lokomotif ...
-
Upload
khangminh22 -
Category
Documents
-
view
3 -
download
0
Transcript of 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 2.11 Matrik Transisi Satu Langkah Item – 1.......................................................... 49
Tabel 2.12 Matrik Transisi Satu Langkah Item – 2.......................................................... 50
Tabel 2.13 Matrik Transisi Satu Langkah Item – 3.......................................................... 51
Tabel 2.14 Matrik Transisi Satu Langkah Item – 4.......................................................... 52
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
Tabel 4.9 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan
Lokomotif CC203 ............................................................................................................ 75
Tabel 4.10 Klasifikasi Kondisi Status Mesin Berdasarkan Total Anggaran Perbaikan
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 4.22 Matrik Probabilitas Usulan P2 lokomotif CC203 .......................................... 90
Tabel 4.23 Matrik Probabilitas Usulan P3 lokomotif CC201 .......................................... 92
Tabel 4.24 Matrik Probabilitas Usulan P4 lokomotif CC201 .......................................... 93
Tabel 4.25 Matrik Probabilitas Usulan P2 lokomotif CC203 .......................................... 95
Tabel 4.26 Matrik Probabilitas Usulan P4 lokomotif CC203 .......................................... 96
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 4.32 Probabilitas Steady State lokomotif CC203 ................................................. 105
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 4.38 Probabilitas Steady State lokomotif CC201 ................................................. 116
Tabel 4.39 Probabilitas Steady State lokomotif CC203 ................................................. 117
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
Tabel 2.1 Study Literature Penelitian (Lanjutan)
23
Anggaran Pemeliharaan
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
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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)
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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 dis- crete 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
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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)
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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
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 139.
3. Data Pemeliharaan Lokomotif KRD
Berikut data Pemeliharaan yang terjadi pada Lokomotif KRD dalam
kurun waktu 1 tahun ( Januari 2020 – Desember 2020). Berdasarkan data
Tabel 4. 2 Data Pemeliharan lokomotif CC201 (lanjutan)
Tabel 4. 3 Data Kerusakan Mesin Wheel Loader
65
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 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.
d2(P) = Keputusan yang dilakukan terhadap mesin saat mesin
dalam kondisi rusak ringan.
d3(P) = Keputusan yang dilakukan terhadap mesin saat mesin
dalam kondisi rusak sedang.
d4(P) = Keputusan yang dilakukan terhadap mesin saat mesin
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
Bulan Anggaran Kondisi (Status)
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
Bulan Anggaran Kondisi (Status)
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)
Bulan Kondisi (0status9)
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
Untuk Analisis berikutnya sesuai dengan diatas.
3. Kereta Rel Diesel
Tabel 4.16 Data Perubahan Status kereta rel diesel
Bulan Kondisi (0status1)
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
Untuk Analisis berikutnya sesuai dengan diatas.
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
Penyelesaian persamaan di atas adalah :
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
Penyelesaian persamaan di atas adalah :
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
Maka akan didapat persamaan sebagai berikut:
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
Penyelesaian persamaan di atas adalah :
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)
Tabel 4.22 Matrik Probabilitas Usulan P2 lokomotif CC203
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
Penyelesaian persamaan di atas adalah :
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)
Tabel 4.23 Matrik Probabilitas Usulan P3 lokomotif CC201
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
Penyelesaian persamaan di atas adalah :
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)
Tabel 4.24 Matrik Probabilitas Usulan P4 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 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
Penyelesaian persamaan di atas adalah :
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)
Tabel 4.25 Matrik Probabilitas Usulan P1 lokomotif CC203
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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
sesuai dengan hasil yang didapat dari Usulan II (P1) pada lokomotif CC203
didapatkan hasil kemungkinan lokomotif CC203 dalam keadaan baik (π1) 0,332,
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)
Tabel 4.26 Matrik Probabilitas Usulan P2 lokomotif CC203
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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
sesuai dengan hasil yang didapat dari Usulan II (P2) pada lokomotif CC203
didapatkan hasil kemungkinan lokomotif CC203 dalam keadaan baik (π1) 0,630,
kemungkinan lokomotif CC203 terjadi rusak ringan (π2) 0,139, kemungkinan
lokomotif CC203 terjadi rusak sedang (π3) 0,090 dan kemungkinan lokomotif
CC203 terjadi rusak berat (π4) 0,396.
3. 𝑃3 (Pemeliharaan monthly check (MC) di Status4 dan daily check (DC)
di Status2, 3)
Tabel 4.27 Matrik Probabilitas Usulan P3 lokomotif CC203
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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
sesuai dengan hasil yang didapat dari Usulan II (P3) pada lokomotif CC203
didapatkan hasil kemungkinan lokomotif CC203 dalam keadaan baik (π1) 0,666,
kemungkinan lokomotif CC203 terjadi rusak ringan (π2) 0,199, kemungkinan
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
CC203 terjadi rusak berat (π4) 0,133.
4. 𝑃4 (Pemeliharaan monthly check (MC) di Status 3, 4)
Tabel 4.28 Matrik Probabilitas Usulan P4 lokomotif CC203
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
Maka akan didapat persamaan sebagai berikut:
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
Penyelesaian persamaan di atas adalah :
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
sesuai dengan hasil yang didapat dari Usulan II (P4) pada lokomotif CC203
didapatkan hasil kemungkinan lokomotif CC203 dalam keadaan baik (π1) 0,530,
kemungkinan lokomotif CC203 terjadi rusak ringan (π2) 0,332, kemungkinan
lokomotif CC203 terjadi rusak sedang (π3) 0,221dan kemungkinan lokomotif
CC203 terjadi rusak berat (π4) 0,332.
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
Maka akan didapat persamaan sebagai berikut:
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
Penyelesaian persamaan di atas adalah :
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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
didapatkan hasil kemungkinan Kereta rel diesel dalam keadaan baik (π1) 0,619,
kemungkinan Kereta rel diesel terjadi rusak ringan (π2) 0,111, kemungkinan Kereta
rel diesel terjadi rusak sedang (π3) 0,082 dan kemungkinan Kereta rel diesel terjadi
rusak berat (π4) 0,158.
3. 𝑃3 (Pemeliharaan monthly check (MC) di Status4 dan daily check (DC)
di Status 2, 3)
Tabel 4.31 Matrik Probabilitas Usulan P3 Kereta rel diesel
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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
didapatkan hasil kemungkinan Kereta rel diesel dalam keadaan baik (π1) 0,697,
kemungkinan Kereta rel diesel terjadi rusak ringan (π2) 0,182, kemungkinan Kereta
rel diesel terjadi rusak sedang (π3) 0,076 dan kemungkinan Kereta rel diesel terjadi
rusak berat (π4) 0,045.
4. 𝑃4 (Pemeliharaan monthly check (MC) di Status3, 4)
Tabel 4.32 Matrik Probabilitas Usulan P4 Kereta rel diesel
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
Didapat persamaan sebagai berikut :
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
Penyelesaian persamaan di atas adalah :
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)
Probabilitas (manual)
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
Probabilitas (manual)
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
Check ( DC) maintenance
= 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
- anggaran Monthly check (MC) = waktu Monthly check (MC) maintenance
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
- Anggaran daily Check ( DC) = waktu daily Check ( DC) x anggaran daily
Check ( DC) maintenance
= 44,58 jam/tahun X Rp. 39.499.298
= Rp. 1.760.878.704,84
- Total anggaran maintenance perusahaan
101
- = anggaran Monthly check (MC) maintenance + Anggaran anggaran daily
Check ( DC) maintenance
= 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
- anggaran Monthly check (MC) = waktu Monthly check (MC) maintenance
X anggaran Monthly check (MC)
= 480jam/tahun X Rp. 77.462.505
= Rp. 37.180.002.400
- Anggaran daily Check ( DC) = waktu daily Check ( DC) x anggaran daily
Check ( DC) maintenance
= 470,58 jam/tahun X Rp. 87.166.505
= Rp. 41.018.813.922,9
- Total anggaran maintenance perusahaan
- = anggaran Monthly check (MC) maintenance + Anggaran anggaran daily
Check ( DC) maintenance
= 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
c. Kereta Rel Diesel
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
𝑃2 (Pemeliharaan Monthly check (MC) di Status3, 4 dan daily
Check ( DC) di Status2)
= 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
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 daily Check ( DC)
di Status2, 3 dengan anggaran Rp 10.946.514.609.
c. Kereta Rel Diesel
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
𝑃2 (Pemeliharaan Monthly check (MC) di Status3, 4 dan daily
Check ( DC) di Status2)
= 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
Sesuai dengan hasil yang didapatkan di atas, anggaran yang paling
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)
Anggaran Pemeliharaan
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:
= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan I
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
=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 Usulan I
∑ 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
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
=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
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
= 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:
= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan II
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
= 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.
= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan II
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
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)
= ∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 Usulan II
∑ anggaran 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒 perusahaan X ∑ waktu 𝑚𝑎𝑖𝑛𝑡𝑒𝑛𝑎𝑛𝑐𝑒
= 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
dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P2
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,
kemungkinan terjadi rusak ringan 0,266, kemungkinan terjadi rusak sedang
0,088, kemungkinan terjadi rusak berat 0,022. Anggaran anggaran yang
dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P3
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
Dari tabel diatas dimana (𝑃𝑜) atau Usulan I dengan tindakan yang dilakukan
adalah dilakukan monthly check (MC) di status 4 menghasilkan kemungkinan
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
dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P1
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,
kemungkinan terjadi rusak ringan 0,139, kemungkinan terjadi rusak sedang
0,090, kemungkinan terjadi rusak berat 0,396. Anggaran anggaran yang
dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P2
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,
kemungkinan terjadi rusak ringan 0,199, kemungkinan terjadi rusak sedang
0,066, kemungkinan terjadi rusak berat 0,133. Anggaran anggaran yang
dikeluarkan berdasarkan keputusan dan tindakan yang dilakukan pada P3
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
Dari tabel diatas dimana (𝑃𝑜) atau Usulan I dengan tindakan yang dilakukan
adalah dilakukan monthly check (MC) di status 4 menghasilkan kemungkinan
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
Anggaran Pemeliharaan
Metode
Rp 232.904.327.201 11%
Markov Chain
Penghematan Rp 48.653.310.995
2
Anggaran Pemeliharaan
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 .
Tabel 2.1 Study Literature Penelitian (Lanjutan)
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
REM BLOK KOMPOSIT V 804
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
Detergen kemasan (@1kg)
Kain lap/majun
Set screw; 1x2876
125
Bendera kuning 400x500mm, lkp tiang
Bendera merah 350x700mm, tiang 1000mm
Adhesive film cor; 900684
Neeple grease gardan;uk 14 mm
Seal tape
Fuel filter 6-1/2in x 30in
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
Ring plat 1/2in x 3mm
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
Detergen kemasan (@1kg)
Kain lap/majun
Set screw; 1x2876
Bendera kuning 400x500mm, lkp tiang
Bendera merah 350x700mm, tiang 1000mm
Adhesive film cor; 900684
Neeple grease gardan;uk 14 mm
126
Seal tape
Fuel filter 6-1/2in x 30in
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
Ring plat 1/2in x 3mm
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
Electrical contact cleaner non-flammable
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
Detergen kemasan (@1kg)
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
monthly cek) 18.051.066
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
Electrical contact cleaner
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
Adhesive filmcor; 900684
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
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
Mata gerinda dia 4in
Jumlah Anggran di bulan juli 2020 (pemeliharaan daily dan
monthly cek) 34.109.971
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
monthly cek) 16.362.912
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
Detergen kemasan (@1kg)
Kain lap/majun
Klem dia 4in
Baut mur 1/2 x 1in
Ring veer dia 5/16in
Baut mur 1/4in x 30mm
Adhesive filmcor; 900684
Kabel ties uk, 300x5mm
Multi purpose cleaner
Fuel filter 6-1/2in x 30in
Neeple grease gardan;uk 14 mm
Lem multifungsi
Amplas no, 1000
Ultima 603
Kuas 2in
Electrical contact cleaner non-flammable
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
Electrical contact cleaner
Pasir silika
Turalik 52
Fuel filter 6-1/2in x 30in
Adhesive filmcor; 900684
Test spray wd 40
Tee, cable 150mm
Ultima 603
Electrical contact cleaner non-flammable
Kabel ties 400mm
Spacer; 124x1006
Kabel ties uk, 300x5mm
133
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
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
Detergen kemasan (@1kg)
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
Adhesive filmcor; 900684
Fuel filter 6-1/2in x 30in
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
Electrical contact cleaner non-flammable
Electrical contact cleaner
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
Kabel ties uk, 300x5mm
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
Rem blok komposit v 804
Sebana hp
Gulf gear grease lm
18 November
2020 DC 65 388.054
19 November
2020 DC 75 421.081
Jumlah Anggran di bulan oktober 2020 (pemeliharaan daily
dan monthly cek) 25.008.619
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
ADHESIVE FILMCOR; 900684
DEGREASER DAN CLEANER
AMPLAS NO, 1000
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ELECTRICAL CONTACT CLEANER
ULTIMA 603
DOUBLE SIDE TAPE
136
KABEL TIES UK, 300X5MM
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
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
THERMOSTAT COLOUR SENSOR SUHU 70-80-90C
BAUT MUR 5/16 X 1IN
THERMOSTAT COLOUR SENSOR SUHU 70-80-90C
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
Jumlah Anggran di bulan oktober 2020 (pemeliharaan daily
dan monthly cek) 99.472.384
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
SANDARAN JOK MASINIS
BENDERA WARNA KUNING UK 60X40CM
BENDERA WARNA MERAH UK 60X40CM
SEMBOYAN 21
JAMUR KACA
KAIN BLACU DOUBLE BREED
STOP BLOCK STANDARD
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
DIAPHRAGM / MEMBRAN SULING PENDEK
SEAL DRAIN VALVE 8X21X6MM
PIPA TEMBAGA;UK 1/4 INCH
SAKLAR HEAD LIGHT
AIR FILTER ELEMENT; 3X9910
TURALIK 52
ADHESIVE FILMCOR; 900684
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
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
RING PLAT 3/4IN X 3MM
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
DETERGEN KEMASAN (@1KG)
FUEL FILTER 6-1/2IN X 30IN
ADHESIVE FILMCOR; 900684
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
RING PLAT 5/8IN X 3MM
MASRI RG 68
GULF GEAR GREASE LM
MASRI RG 68
18 Februari 2020 DC 40 679.135 -
Jumlah Anggran di bulan februari 2020
(pemeliharaan daily dan monthly cek) 14.960.779
01 Maret 2020 DC 110 811.834 -
03 Maret 2020 DC 25 312.568 -
Jumlah Anggran di bulan maret 2020
(pemeliharaan daily dan monthly cek) 1.124.402
05 April 2020 MC 2880 23.325.657
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
BENDERA WARNA MERAH UK 60X40CM
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
ADHESIVE FILMCOR; 900684
FUEL FILTER 6-1/2IN X 30IN
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ELECTRICAL CONTACT CLEANER
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
KABEL TIES UK, 300X5MM
BAUT MUR 12X50MM
BAUT MUR 7/8 X 2-1/2IN
RING VEER DIA 1-1/2IN
BAUT MUR 16X40MM
BAUT MUR 3/4 X 1-1/2IN
GULF GEAR GREASE LM
SEBANA HP
REM BLOK KOMPOSIT V 804
SEBANA HP
GULF GEAR GREASE LM
17 April 2020 DC 90 679.135 -
Jumlah Anggran di bulan april 2020 (pemeliharaan
daily dan monthly cek) 24.004.792
19 Mei 2020 DC 100 679.135 -
29 Mei 2020 DC 120 554.108 -
Jumlah Anggran di bulan mei 2020 (pemeliharaan
daily dan monthly cek) 1.233.243
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
DETERGEN KEMASAN (@1KG)
142
GRENDEL PINTU BORDES STANDART
LEM MULTIFUNGSI
PLASTIC STEEL
ISOLASI WARNA HITAM LEBAR 19MM
SILICONE HITAM
ULTIMA 603
ELECTRICAL CONTACT CLEANER
SIKAT BAJA KUNINGAN
KABEL TIES 400MM
ELECTRICAL CONTACT CLEANER
FUEL FILTER 6-1/2IN X 30IN
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
RING PLAT 1/2IN X 3MM
BAUT MUR 1/2 X 1-1/2IN
BAUT MUR 1/2 X 2IN
MASRI RG 68
GULF GEAR GREASE LM
Jumlah Anggran di bulan juni 2020 (pemeliharaan
daily dan monthly cek) 21.936.477
12 Juli 2020 DC 65 679.135 -
20 Juli 2020 MC 2880 11.314.690
KAIN LAP/MAJUN
ELECTRICAL CONTACT CLEANER
STRAIGHT CONNECTOR PNEUMATIC FITTING 6MM
SIKAFLEX 255 FC
143
GRENDEL PINTU BORDES STANDART
SPLIT PEN 3X50MM
SPLIT PEN 5X70MM
SKUN TUSUK
BAUT MUR 6X30MM
ELECTRICAL CONTACT CLEANER
ULTIMA 603
FUEL FILTER 6-1/2IN X 30IN
ISOLASI KERTAS 1IN
TEST SPRAY WD 40
KABEL TIES UK, 300X5MM
RING VEER DIA 1/2IN
SPLIT PEN 6X70MM
BAUT MUR 1/2 X 1IN
RING PLAT 1/2IN X 3MM
BOLT 1/2-13 X 1IN
BAUT MUR 1/2 X 1-1/2IN
MASRI RG 68
Jumlah Anggran di bulan juli 2020 (pemeliharaan
daily dan monthly cek) 11.993.825
18 Agustus 2020 DC 120 679.135 -
20 Agustus 2020 MC 2880 679.135
DETERGEN KEMASAN (@1KG)
KAIN LAP/MAJUN
BENDERA MERAH 350X700MM, TIANG 1000MM
BENDERA KUNING 400X500MM, LKP TIANG
ELECTRICAL CONTACT CLEANER
ULTIMA 603
AMPLAS NO, 1000
AMPLAS NO, 80
144
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ADHESIVE FILMCOR; 900684
DILOKA 448X
FUEL FILTER 6-1/2IN X 30IN
SILICONE SEALANT @300GR
GULF GEAR GREASE LM
BAUT MUR 1/2 X 1-1/2IN
KARET TUTUP GEAR BOX
KABEL TIES 8X640MM
SEBANA HP
21 Agustus 2020 MC 1440 13.507.581
DETERGEN KEMASAN (@1KG)
KAIN LAP/MAJUN
BENDERA MERAH 350X700MM, TIANG 1000MM
BENDERA KUNING 400X500MM, LKP TIANG
ELECTRICAL CONTACT CLEANER
ULTIMA 603
AMPLAS NO, 1000
AMPLAS NO, 80
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ADHESIVE FILMCOR; 900684
DILOKA 448X
FUEL FILTER 6-1/2IN X 30IN
SILICONE SEALANT @300GR
GULF GEAR GREASE LM
BAUT MUR 1/2 X 1-1/2IN
KARET TUTUP GEAR BOX
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
(pemeliharaan daily dan monthly cek) 18.115.091
17 September 2020 MC 1440 16.488.652
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
ELECTRICAL CONTACT CLEANER
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ADHESIVE FILMCOR; 900684
ULTIMA 603
KUAS 2IN
DILOKA 448X
FUEL FILTER 6-1/2IN X 30IN
BAUT MUR 3/8 X 1IN
RING PLAT 1/2IN X 3MM
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
(pemeliharaan daily dan monthly cek) 16.488.652
11 Oktober 2020 DC 120 680.608 -
15 Oktober 2020 MC 1440 17.934.031
KIT 3 BULANAN LOK CC 203; 190X1254-1
BENDERA WARNA MERAH UK 60X40CM
STOP BLOCK BAHAN KAYU JATI
JOK KURSI MASINIS
SANDARAN JOK MASINIS
RING PLAT 3/8IN
BENDERA WARNA MERAH UK 60X40CM
TURALIK 52
O-RING SET TYPE AS 006-327
SEALING RING; 4A47381
STOP KRAN DIA 1/4IN
RING PLAT 6X12,5MM
ULTIMA 603
ADHESIVE FILMCOR; 900684
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ELECTRICAL CONTACT CLEANER
KABEL NYAF BIRU;UK 1,5 MM
SKUN TUSUK
KUAS 2IN
RED INSULATING VARNISH
ISOLASI WARNA MERAH LEBAR 16MM
TENOL DIA 0,8MM
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
BULB 25W - 75V B22
RING PLAT 1/2IN X 3MM
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
RING PLAT 5/8IN X 3MM
CAT BESI MERAH (@1KG)
KABEL TIES 8X640MM
SPLIT PEN 7X100MM
STOP BLOCK BAHAN KAYU JATI
BAUT MUR 1/4 X 2-1/2IN
BAUT MUR 3/8 X 3IN
THERMOSTAT COLOUR SENSOR SUHU 70-80-90C
Jumlah Anggran di bulan oktober 2020
(pemeliharaan daily dan monthly cek)
17.934.031
19 November 2020 MC 1440 28.426.219
DETERGEN KEMASAN (@1KG)
KAIN LAP/MAJUN
BENDERA WARNA MERAH UK 60X40CM
SEAL DRAIN VALVE 8X21X6MM
TEE, CABLE 200MM
FUEL FILTER 6-1/2IN X 30IN
ADHESIVE FILMCOR; 900684
KRAN AIR DIA 1/2IN
DILOKA 448X
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
AMPLAS NO, 1000
AMPLAS NO, 80
ULTIMA 603
SIKAT BAJA KUNINGAN
HEAT SHRINK TUBE DIA 30 MM T,NESS HITAM
KABEL TIES UK, 300X5MM
RING VEER DIA 5/8IN
149
RING PLAT 5/8IN X 3MM
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
(pemeliharaan daily dan monthly cek) 28.426.219
17 Desember 2020 MC 4320 14.328.661
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
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
ADHESIVE FILMCOR; 900684
FUEL FILTER 6-1/2IN X 30IN
SKUN KABEL DIA 25,4 - 90MM
WATER SEAL RADIATOR; RBMW
150
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ELECTRICAL CONTACT CLEANER
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
KABEL TIES UK, 300X5MM
BAUT MUR 12X50MM
BAUT MUR 7/8 X 2-1/2IN
RING VEER DIA 1-1/2IN
BAUT MUR 16X40MM
BAUT MUR 3/4 X 1-1/2IN
151
GULF GEAR GREASE LM
SEBANA HP
REM BLOK KOMPOSIT V 804
SEBANA HP
GULF GEAR GREASE LM
25 Desember 2020 DC 240 500.108 -
26 Desember 2020 MC 1440 8.727.713
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
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
ADHESIVE FILMCOR; 900684
FUEL FILTER 6-1/2IN X 30IN
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
152
27 Desember 2020 DC 40 761.963 -
Jumlah Anggran di bulan desember 2020
(pemeliharaan daily dan monthly cek) 24.318.445
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
FUEL FILTER; FF105D
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
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
daily dan monthly cek) 10.075.500
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
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
SEAL TAPE
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
VALVE DISTRIBUTOR
FILTER COMPRESSOR; PUMA
MEDITRAN SMX 15W - 40
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
daily dan monthly cek) 10.268.528
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
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
FUEL FILTER; FF105D
MEDITRAN SMX 15W - 40
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
dan monthly cek) 9.649.686
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
MEDITRAN SMX 15W - 40
FUEL FILTER; FF105D
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
SET OF WEARING PARTS A T211 R, H35, 2643
BAUT MUR 1/4IN X 30MM
POWER BELT DRESSING SPRAY
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
158
21 April 2020 DC 1 90 1.093.716 -
Jumlah Anggran di bulan april 2020 (pemeliharaan daily
dan monthly cek) 17.957.315
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
POWER BELT DRESSING SPRAY
KABEL TIES 400MM
DETERGEN KEMASAN (@1KG)
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
dan monthly cek) 5.933.424
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
THERMOSTAT COLOUR SENSOR SUHU 70-80-90C
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
dan monthly cek) 13.453.546
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
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
FUEL FILTER; FF105D
MEDITRAN SMX 15W - 40
ELECTRICAL CONTACT CLEANER
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
POWER BELT DRESSING SPRAY
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
dan monthly cek) 8.860.394
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
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
BAUT MUR 5/16 X 1IN
DETERGEN KEMASAN (@1KG)
RING PLAT 6X12,5MM
KAIN LAP/MAJUN
MEDITRAN SMX 15W - 40
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
daily dan monthly cek) 8.377.700
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
MEDITRAN SMX 15W - 40
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
FUEL FILTER; FF105D
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
DOUBLE SIDE TAPE
163
ULTIMA 603
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
SEAL TAPE
THERMOSTAT COLOUR SENSOR SUHU 70-80-90C
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
daily dan monthly cek) 25.420.413
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;FLUID:1-3/8IN-16UN;OIL MEDIA
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER ELEMENT;AIR:CYL;323X650MM;PAPER
MEDITRAN SMX 15W - 40
FILTER ELEMENT;AIR:CYL;210X560MM;PAPER
REM BLOK KOMPOSIT T 360
RING VEER DIA 3/8IN
V-BELT A56
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
ELECTRICAL CONTACT CLEANER
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
daily dan monthly cek) 29.931.414
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
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
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
daily dan monthly cek) 13.795.284
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
FILTER;FLUID:1-1/2IN-12UN;OIL MEDIA
FILTER;FLUID:1-3/8IN-16UN;OIL MEDIA
KAIN LAP/MAJUN
DETERGEN KEMASAN (@1KG)
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
ELECTRICAL CONTACT CLEANER NON-FLAMMABLE
KUAS 2IN
ELECTRICAL CONTACT CLEANER
BAUT MUR 6X30MM
MEDITRAN SMX 15W - 40
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
daily dan monthly cek) 10.905.806
Jumlah
57035
Rp 164.629.010