![Analisis Model Sistem Produksi Flowshop Dengan Software Flexim [PDF]](https://pdfs.asia/img/200x200/analisis-model-sistem-produksi-flowshop-dengan-software-flexim.jpg)
6 0 2 MB
LAPORAN PRAKTIKUM PEMODELAN DAN SIMULASI INDUSTRI ANALISIS MODEL SISTEM PRODUKSI FLOWSHOP DENGAN SOFTWARE FLEXIM “PADA USAHA KONVEKSI 21”
Disusun Oleh : Rozar Rayendra
(11522282)
Dwi Ritzki Chayanto
(11522338)
Didik Priambodo
(11522315)
JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS ISLAM INDONESIA YOGYAKARTA 2015
1
LEMBAR PENGESAHAN ASISTEN PEMBIMBING Laporan Tugas Akhir Praktikum Pemodelan dan Simulasi Industri ini telah disetujui dan disahkan oleh asisten pembimbing pada tanggal 24 Januari 2015.
Yogyakarta, 28 Januari 2015
Praktikan I
Dwi Ritzki Chayanto
Praktikan II
Rozar Rayendra
Asisten Pembimbing
(Afifuddin Thoif)
1
Praktikan III
Didik Priambodo
LEMBAR PENGESAHAN ASISTEN PENGUJI Laporan Tugas Akhir Praktikum Pemodelan dan Simulasi Industri ini telah dipertahankan didepan asisten penguji pada ujian presentasi serta telah disahkan dan disetujui pada tanggal tanggal 24 Januari 2015 Yogyakarta, 28 Januari 2015
Praktikan I
Dwi Ritzki Chayanto
Praktikan II
Rozar Rayendra
Praktikan III
Didik Priambodo
Menyetujui,
Asisten Penguji I
Asisten Penguji II
Adam Afrixal Sinuraya
Tri Astuti Rini
2
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh
Alhamdulillah segala puja dan puji syukur bagi Allah SWT, Sang Pemilik dunia dan seisinya, tiada Tuhan selain Allah dan hanya kepada-Nya kita patut memohon, berserah diri, dan mengucap syukur. Hanya karena nikmat kesehatan dan kesempatan dari Allah maka penyusun dapat melaksanakan semua kegiatan praktikum serta menyelesaikan penyusunan laporan Big Project Analisis Model Sistem Produksi Flowshop Dengan Software Flexim Pada Usaha Konveksi 21. Shalawat serta salam selalu kita haturkan kepada junjungan kita Nabi Muhammad SAW sang kekasih Allah, dengan syafaat dari beliaulah kita dapat terbebas dari zaman kejahiliyahan. Praktikum simulasi komputer merupakan mata kuliah pokok yang bertujuan agar mahasiswa mengetahui tentang simulasi komputer yaitu Promodel dan PowerSim. Selain itu mampu menerapkan kedalam pembuatan Big Project. Laporan Big Project ini disusun sebagai salah satu penilaian dari praktikum simulasi komputer, serta untuk mengetahui sejauh mana kemampuan mahasiswa dalam pengetahuan tentang simulasi. Peneliti menyadari bahwa dalam pelaksanaan praktikum dan penyusunan Big Project ini tidak terlepas dari bimbingan, dorongan dan bantuan baik materi maupun spiritual dari berbagai pihak, oleh karena itu perkenankanlah kami menghaturkan ucapan terima kasih dan penghargaan yang setinggi-tingginya kepada: 1. Pak Joko Sulistio, S.T.,M.Sc, selaku Kepala Laboratorium Delsim 2. Afifuddin Thoif, selaku Asisten pembimbing yang telah banyak membantu dalam pembuatan laporan Big Project ini. 3. Seluruh asisten Delsim, yang telah mengajar dalam praktikum simulasi komputer. 3
4. Semua pihak yang telah ikut membantu untuk kesuksesan pembuatan laporan Big Project yang tidak mungkin disebutkan satu persatu. Semoga segala amal kebaikan dan kerelaannya membantu dalam proses pembuatan laporan Big Project mendapat Ridho dan balasan dari Allah SWT. Penulis menyadari bahwa laporan ini masih jauh dari sempurna. Oleh karena itu segala kritik dan saran dari pembaca yang sifatnya membangun, diterima dengan senang hati, demi kesempurnaan dan kemajuan bersama. Peneliti berharap semoga laporan ini berguna bagi pembaca pada umumnya dan Usaha Konveksi 21 khususnya. Amin
Wassalamu’alaikum Wr. Wb
Yogyakarta, 28 Januari 2015
Praktikan I
Dwi Ritzki Chayanto
Praktikan II
Rozar Rayendra
4
Praktikan III
Didik Priambodo
DAFTAR ISI LEMBAR PENGESAHAN ASISTEN PEMBIMBING.................................................i LEMBAR PENGESAHAN ASISTEN PENGUJ1..........................................................ii KATA PENGATAR............................................................................................................iii DAFTAR ISI.......................................................................................................................v BAB I PENDAHULUAN...................................................................................................1 1.1 LATAR BELAKANG MASALAH.........................................................................1 1.2 RUMUSAN MASALAH..........................................................................................2 1.3 BATASAN MASALAH............................................................................................2 1.4 TUJUAN PENELITIAN..........................................................................................2 1.5 MANFAAT PENELITIAN......................................................................................3 1.6 SISTEMATIKA PENULISAN................................................................................3 BAB II METODOLOGI PENELITIAN.............................................................................4 2.1 OBJEK PENELITIAN.............................................................................................4 2.2 METODE PENGUMPULAN DATA.......................................................................4 2.3 DIAGRAM ALIR PENELITIAN............................................................................5 BAB III PENGUMPULAN DAN PENGOLAHAN DATA...............................................8 3.1 PENGUMPULAN DATA..........................................................................................8 3.1.1 Profil Perusahaan............................................................................................8 3.1.2 Deskripsi Proses Produksi..............................................................................8 3.1.3 Flowchart Proses Produksi.............................................................................10 3.1.4 DATA................................................................................................................11 3.2 PENGOLAHAN DATA............................................................................................14 3.2.1 Langkah – Langkah Di Flexim......................................................................14 3.2.2 Validasi.............................................................................................................24 3.2.3 Analisa Report.................................................................................................29 3.3 DESAIN EXPERIMENT..........................................................................................40 3.3.1 Skenario 1........................................................................................................42 3.3.2 Skenario 2........................................................................................................46 BAB IV PEMBAHASAN...................................................................................................51 4.1 ANALISA MODEL AWAL...................................................................................51 4.2 ANALISA MODEL SKENARIO 1......................................................................53 4.3 ANALISA MODEL SKENARIO 2......................................................................54 BAB V KESIMPULAN DAN SARAN..............................................................................56 5.1 KESIMPULAN.......................................................................................................56 5.2 SARAN.....................................................................................................................57
5
6
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah Seiring berjalannya waktu, perkembangan dunia olahraga sepak bola semakin dikenal oleh masyarakat dunia. Dengan kehadiran media sosial yang semakin berkembang masyarakat dapat lebih mengakses dan mengetahui perkembangan sepak bola, selain itu minat masyarakat akan aksesoris – aksesoris sepak bola juga semakin meningkat. Hal ini dapat dibuktikan dengan semakin banyaknya industri konveksi untuk pembuatan baju jersey bola baik club sepak bola maupun jersey tim nasional. Walaupun industri – industri konveksi yang menawarkan jersey sepak bola semakin banyak tapi sering kali industri jersey ini tidak dapat memenuhi permintaan dari konsumen, dikarenakan proses atau sistemnya terhambat oleh alur proses produksi yang kurang efektif dan efisien. Alur proses produksi pada industri konveksi ini menggunakan sistem pemodelan flowshop. Flowshop merupakan proses penentuan urutan pekerjaan yang memiliki lintasan produk yang sama. Pada pola flowshop, operasi dari suatu job hanya dapat bergerak satu arah, yaitu dari proses awal di mesin awal sampai proses akhir di mesin akhir dan jumlah tahapan proses umumnya sama dengan jumlah jenis mesin yang digunakan. Dalam sistem pemodelan flowshop pada proses produksi, selain ukuran kualitas, batas penjadwalan akhir produksi dan kapasitas hasil produksi juga sangat penting bagi perusahaan untuk tingkat efisiensi (utilitas) fasilitas-fasilitas produksi seperti mesin, ruangan juga harus diperhatikan dalam analisis biaya. Dalam penjadwalan flow-shop, ada sejumlah pekerjaan (job) yang tiap-tiap job memiliki urutan pekerjaan mesin yg sama. Terkadang, suatu penjadwalan bisa dimodelkan sebagai permasalahan penjadwalan flow shop apabila urutan pekerjaannya selaras. Urutan pekerjaan dikatakan selaras apabila urutan-urutan pekerjaan mesin tersebut dari satu job dengan job lainnya tidak ada yang memiliki urutan yang terbalik. CV. Studio 21 merupakan salah satu industri konveksi yang menawarkan baju jersey di Jogjakarta. CV. Studio 21 menawarkan berbagai macam jersey club maupun jersey tim nasional negara dengan menerapkan sistem make to order. CV. Studio 21 yang beralamatkan di Jl. H. Agus Salim Yogyakarta menerapkan sistem produksi yang berawal
2
dari kedatangan bahan baku dari supplier yang sudah ditentukan perusahaan yang akan disimpan di gudang bahan baku. Kemudiaan permintaan dari konsumen akan di produksi dengan mesin – mesin produksi dengan alur yang sudah di tetapkan oleh perusahaan. Dengan model produksi yang sudah diterapkan oleh perusahaan terdapat masalah dalam sistem produksi tersebut. Diantaranya adalah waktu proses produksi yang lama dengan permintaan yang banyak berdampak kepada biaya. Dengan meminimumkan waktu produksi akan mengakibatkan penambahan investasi dan biaya operasional. 1.2 Rumusan Masalah Dari latar belakang yang telah diuraikan diatas, maka masalah yang dapat dirumuskan adalah sebagai berikut : 1. Apakah sistem pada model awal sudah maksimal untuk meminimalkan produksi dan jelaskan? 2. Bagaimana cara untuk meningkatkan proses produksi dalam sistem ini? 3. Bagaimana efek dari perubahan waktu proses dan penambahan mesin untuk meningkatakan hasil produksi? 1.3 Batasan Masalah Batasan masalah pada penelitian ini adalah sebagai berikut : 1. Pengambilan data dilakukan di CV. Studi 21 di Jl. H. Agus Salim. 2. Pengambilan data hanya berpusat pada proses produksi perusahaan. 3. Penelitian dilakukan sebatas pemberian solusi perbaikan dalam model simulasi 4. Pengambilan data berupa data kedatangan bahan baku, waktu proses, kapasitas mesin, hasil produksi, jumlah operator, waktu kerja. 5. Simulasi dilakukan pada jam kerja karyawan selama 8 jam. 1.4 Tujuan Penelitian Berdasarkan rumusan masalah diatas, maka tujuan yang ingin dicapai adalah sebagai berikut : 1. Untuk mengetahui waktu proses dan jumlah mesin pada model awal yang diterapkan perushaan. 2. Untuk mengetahui simulasi yang tepat untuk meminimumkan waktu proses produksi. 3. Untuk mememberikan solusi dari hasil eksperimen yang disarankan sebagai perbaikan model awal. 1.5 Manfaat Penelitian a. Bagi peneliti 1. Mendapatkan gambaran tentang kondisi real proses produksi di CV. Studio 21. 2. Memiliki pengalaman terlibat langsung dalam pengambilan data proses produksi, serta mendapatkan kesempatan untuk mengaplikasikan model yang dimiliki kedalam matakuliah simulasi komputer. 3. Dapat mengembangkan wawasan berpikir mengantisipasi suatu problema.
mahasiswa,
menganalisa
dan
3
b. Bagi perusahaan 1. Dapat memperoleh masukan mengenai kondisi dan permasalahan sistem produksi yang dihadapi CV.Studio 21. 2. Sebagai tambahan referensi khususnya mengenai peningkatan produksi. 1.6 Sistematika Penulisan Untuk dapat memudahkan penyusunan big project simulasi komputer ini, maka dalam pembuatannya dibagi dalam 5 BAB dengan sistematika sebagai berikut; 1. BAB I : PENDAHULUAN Pada BAB ini akan memberikan gambaran mengenai masalah yang akan dibahas, yang berisi tentang latar belakang masalah, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan. 2. BAB II : METODOLOGI PENELITIAN Memuat metodologi penelitian yang digunakan untuk melakukan
analisa
menggunakan data yang dikaji, cara penilaian supaya mendapatkan hasil, yang meliputi metode pengumpulan data dan analisis data. 3. BAB III : PENGUMPULAN DAN PENGOLAHAN DATA Menjelaskan mengenai pengumpulan data yang diperoleh, kemudian pengolahan data yang telah dikumpulkan. 4. BAB V : PEMBAHASAN Berisi tentang pembahasan berdasarkan pengumpulan dan pengolahan data, analisa output validasi dan desain eksperimen yang sudah dilakukan. 5. BAB VI : KESIMPULAN DAN SARAN Berisi tentang kesimpulan yang diperoleh dari hasil penelitian dan pembahasan serta saran-saran yang didasarkan pada hasil penelitian.
BAB II METODOLOGI PENELITIAN
2.1. Objek Penelitian Dalam penelitian ini objek yang diteliti adalah adalah usaha konveksi Studio 21 yang beralamatkan di Jl. H. Agus Salim Yogyakarta. Pemilihan objek penelitian ini dikarenakan permasalahan proses produksi flow shop yang ada di usaha konveksi Studio 21. Proses produksi ketika proses berjalan di Studio 21 merupakan komponen penting dalam penelitian. 2.2. Metode Pengumpulan Data Untuk mendapatkan data yang akan dikaji, maka metode pengumpulan data yang digunakan dalam penyusunan laporan ini ada 2, yaitu primer dan sekunder. a. Primer merupakan data yang dihasilkan berdasarkan pengamata secara langsung. Metode pengumpulan data primer adalah : 1. Observasi yaitu pengamatan yang dilakukan secara langsung di Studio 21 dengan melakukan pencacatan terhadap kejadian secara sistematis. Dalam hal ini, permasalahan yang akan diamati adalah proses produksi di perusahaan. Adapun data yang diambil adalah data data kedatangan bahan baku, waktu proses, kapasitas mesin, hasil produksi, jumlah operator, waktu kerja. 2. Wawancara yaitu metode melakukan tanya jawab yang bertujuan mendapatkan dan mengumpulkan informasi dengan cara bertanya langsung kepada pekerja maupun manajer perusahaan. b. Sekunder merupakan data – data yang diperoleh dan sudah disediakan oleh perusahaan. Metode pemgumpulan data sekunder adalah : 1. Literatur yaitu pengumpulan data dilakukan dengan mempelajari dan menelaah buku-buku, jurnal, dan tulisan yang berhubungan dengan penelitian ini. 2. Data Perusahaan yaitu data yang dikumpulkan seperti sejarah perusahaan, struktur organisasi, visi dan misi perusahaan.
5
2.3. Diagram Alir Penelitian 2.4.
2.5.
2.6.
Gambar 2.1 Diagram alir penelitian
6
2.7.
Keterangan :
1. Mulai 2.8.
Merupakan langkah awal dalam memulai penelitian, menentukan
perusahaan yang akan di teliti dan mencari keterkaitan bidang keilmuan teknik industri. 2. Penentuan lokasi 2.9. Menentukan lokasi atau perusahaan yang akan dilakukan penelitian 3. Observasi 2.10. Melakukan survei terhadap perusahaan, mencari permasalahan yang terjadi pada perusahaan yang diteliti sehingga mendapat gambaran umum untuk memulai suatu penelitian. 4. Perumusan masalah 2.11. Mengidentifikasi masalah secara lebih terinci, pada permasalah kali ini penulis memberikan identifikasi terhadap pokok permasalahan antrian. 5. Pengumpulan data 2.12. Dalam melakukan penelitian, pengumpulan data merupakan awal dari suatu penelitian yang harus dilakukan oleh penelitian. Data yang dikumpulkan terdiri dari dua kategori, yakni data primer dan sekunder.. 6. Pengolahan data 2.13. Melakukan pengolahan data terhadap data – data yang telah dikumpulkan. 7. Simulasi model awal 2.14. Merancang model awal berdasarkan pengolahan data dengan menggunakan software FlexSim 6 8. Validasi 2.15. Menjalankan atau proses running model awal yang sudah dibuat, lalu melakukan uji validasi untuk mengetahui apakah model simulasi yang dibuat sudah sesuai dengan model nyata atau tidak. 9. Analisis model awal 2.16. Melakukan analisis dari hasil pengolahan data dan model awal sudah bisa dibuat. Jika server tidak optimal maka menuju simulasi model usulan. 10. Desain Eksperimen 2.17. Membuat desain eksperimen dengan mengusulkan penambahan server damengubah kapasitas antrian. 11. Analisis Desain Eksperimen 2.18. Melakukan analisis dari hasil model scenario yang sudah bisa dibuat. Sehingga dapat diketahui apakah perlu penambahan server atau tidak. 12. Kesimpulan dan Saran 2.19. Menarik kesimpulan dan saran yang bermanfaat bagi perusahaan KFC Sudirman.
7
2.20. 2.21. 2.22. 2.23. 2.24. 2.25. 2.26. 2.27. 2.28. 2.29. 2.30. 2.31. 2.32. 2.33. 2.34. 2.35. 2.36. 2.37. 2.38. 2.39.
2.40. 2.41.
BAB III
PENGUMPULAN DAN PENGOLAHAN DATA 2.42.
3.1 Pengumpulan Data 3.1.1.
Profil Perusahaan
2.43.
Selama puluhan tahun, Studio 21 yang berperan perusahaan konveksi telah
membuat seragam seragam jersey bola baik jersey club bahkan national team dengan kualitas terbaik untuk diseluruh Indonesia. Kepuasan konsumen adalah prioritas utama kami sekaligus motivasi kami untuk secara kontinyu menghadirkan model atau desain seragam terbaru setiap bulan. Sehingga membantu kami untuk menjadi leader di industri pembuatan seragam jersey di Indonesia. Sehingga selanjutnya produksi kami tidak hanya terbatas pada pembuatan seragam jersey saja, tetapi juga seragam kerja atau kantor, seragam laboratorium, seragam koki hotel dll. 2.44.
Visi dari perusahaan adalah akan selalu memprioritaskan aktivitas bisnis yang
terpogram dan berkesinambungan agar memberikan hasil yang optimal, memberikan kepuasan kepada para pelanggan dan selalu menjaga hubungan baik dengan para pelanggan, karyawan dan mitra bisnis. 2.45.
Misi dari poerusahaan adalah sebagai berikut :
1. Berperan aktif untuk menjalankan roda bisnis untuk mendukung program pemerintah dalam meningkatkan perekonomian bangsa. 2. Ikut berperan aktif dalam menciptakan lapangan
pekerjaan dan membangun
budaya kerja yang berkualitas dan profesional. 3. Selalu berperan aktif untuk meningkatkan kualitas dan produktivitas yang dapat memberikan kepuasan para pelanggan, karyawan dan mitra bisnis. 2.46. 3.1.2. 2.47.
Deskripsi Proses Produksi Proses produksi pada usaha konveksi ini dimulai dari kedatangan bahan baku
berupa roll dari gudang penyimpanan. Kemudian, kain di bawa ke bagian pengukuran untuk menentukan seberapa panjang dan lebar kain yang dibutuhkan untuk setiap desain. Dalam proses pengukuran ini dibantu dengan komputer dimana software komputer dapat membantu pengukur dalam membuat tata letak kain yang pas
sehingga kain dapat digunakan secara efisien. Pengukuran dibuat sesuai dengan polapola yang
9
2.48.
melekat pada kain. Setelah pengukuran selesai maka proses selanjutnya adalah
pemotongan (cutting) menjadi beberapa bagian yaitu bagian kerah baju, bagian badan baju, dan bagian lengan baju dan kemudian di masukan ke tempat penyimpanan sesuai dengan masing – masing bagian baju. Dari tempat penyimpaan bagian – bagian baju kemudian dijahit untuk menggabungkannya menjadi satu dengan mesin jahit. Setelah baju selesai baju akan dibawa ke tempat penyimpanan baju dan proses selanjutnya adalah memasang atribut atau logo baju club bola dengan mesin pemasangan atribut. Setelah proses pemasangan atribut selesai maka baju tersebut akan di obras untuk membuat jahitan tepi yang berfungsi sebagai pengaman agar kain/bahan tidak mudah terurai. Proses selanjutnya memberikan tulisan dan angka pada baju jersey dengan mesin sablon. Kemudian dari mesin sablon baju ini akan di proses pada mesin press untuk membuat baju menjadi rapi dan proses terakhir adalah memberikan kemasan atau packaging yang berfungsi untuk melindungi sebuah produk saat akan dikirim, disimpan atau di jajakan dan menambah nilai jual dari baju jersey tersebut. Pada setiap mesin memiliki operator untuk mengambil, memproses, dan mengantarkan barang ke proses selanjutnya. 2.49. 2.50.
10
3.1.3.
Flowchart Proses Produksi
2.51.
2.52. 2.53.
11
2.54. 3.1.4.
Gambar 3.1 Flowchart Proses Produksi
Data
1. Data Proses Produksi 2.55.
Data proses produksi dari proses awal sampai akhir barang yang
dihasilkan adalah berkisar 100 - 105 barang jadi. Berikut adalah data historis nya: 2.56. 2.57.
Tabel 3.1 Data Historis 2.58. Data His tori s 2.59. 104 2.60. 104 2.61. 104 2.62. 104 2.63. 105 2.64. 103 2.65. 103 2.66. 104 2.67. 104 2.68. 104 2.69. 104 2.70. 104 2.71. 103 2.72. 105 2.73. 105 2.74. 105 2.75. 105
12
2.76. 105 2.77. 104 2.78. 103 2.79. 104 2.80. 105 2.81. 105 2.82. 105 2.83. 105 2.84. 105 2.85. 103 2.86. 103 2.87. 105 2.88. 105 2.89. 2.90. 2.91. 2. Data Waktu Proses 2.92.
Data rata – rata saat mesin melakukan proses pengerjaan pada produk. 2.93.
Tabel 3.2 Data Waktu Produksi
2.94.
Objek/Mesin
2.96.
Pengukuran
2.99.
Cutting
2.102. 2.105.
Jahit
2.95. 2.98.
2.97. Johnsonbounded (60.66228, 75.24621, 0.16288, 0.72849, 0)
2.101.
2.100. Johnsonbounded (54.25666, 75.50072, 0.28542, 0.58518, 0)
2.104.
2.103. Beta (358.17233, 401.87767, 1.4454, 1.50691, 0)
2.107.
2.106. Johnsonbounded (41.41398, 62.12651, -0.75886, 0.99563, 0)
Pemasangan Atribut
Waktu Standar (detik/unit)
13
2.94.
2.108.
Objek/Mesin
Obras
2.95. 2.110.
Waktu Standar (detik/unit)
2.109. Beta (120.46183, 198.225574, 0.74129, 0.59002, 0)
2.111. 2.114. 2.117.
Sablon Press Packing
2.113.
2.112. Beta (240.01759, 273.25021, 0.81062, 0.79343, 0)
2.116.
2.115. Johnsonbounded (46.53021, 73.49579, 0.01370, 0.50083, 0)
2.119.
2.118. Johnsonbounded (30.00463, 45.29953, -0.18417, 0.57111, 0)
2.120. 3. Data Kedatangan 2.121.
Item atau gulungan kain dating setiap seminggu sekali dengan kapasitas
barang yang datang sebesar 170 gulungan per minggu. Dalam satu kali proses atau proses perharinya bisa menghabiskan 12 gulungan kain. Dalam 1 ukuran gulungan kain dengan panjang 27,5 m dan lebar 1,5 m. 2.122. 4. Data Resources 2.123.
Operator pekerja di usaha konveksi studio 21 berjumlah 10 orang
dengan jam kerja 8 jam/ hari dan bekerja 6 hari dalam seminggu. Pekerja mulai bekerja pada jam 08.00-16.00 dengan waktu istirahat pukul 12.00-13.00. 2.124.
14
5. Data Experfit 2.125. 2.127. 2.126. Penguk ura N n
2.128. Cu
2.137. 2.138. 1 73
2.139. 63
2.146. 2.147. 2 74
2.148. 62
2.155. 2.156. 3 74
2.157. 66
2.164. 2.165. 4 69
2.166. 57
2.173. 2.174. 5 63
2.175. 72
2.182. 2.183. 6 65
2.184. 59
2.191. 2.192. 7 67
2.193. 61
2.200. 2.201. 8 71
2.202. 71
2.209. 2.210. 9 63 2.218. 1 2.219. 64 2.227. 1 2.228. 67 2.236. 1 2.237. 63 2.245. 1 2.246. 63 2.254. 1 2.255. 72 2.263. 1 2.264. 67 2.272. 1 2.273. 70
2.211. 64 2.220. 73 2.229. 57 2.238. 67 2.247. 55 2.256. 75 2.265. 72 2.274. 58
2.129. M
2.140. 38 2.149. 38 2.158. 39 2.167. 36 2.176. 39 2.185. 37 2.194. 39 2.203. 36 2.212. 36 2.221. 38 2.230. 39 2.239. 39 2.248. 37 2.257. 38 2.266. 36 2.275. 37
Tabel 3.3 Data Experfit 2.130. Mesin 2.131. Pemas M angan Atribu t 2.136. Waktu 2.142. 2.141. 19 60 2.151. 2.150. 13 56 2.160. 2.159. 16 51 2.169. 2.168. 19 51 2.178. 2.177. 13 57 2.187. 2.186. 18 60 2.196. 2.195. 14 58 2.205. 2.204. 14 52 2.214. 2.213. 18 57 2.223. 2.222. 13 60 2.232. 2.231. 18 54 2.241. 2.240. 15 58 2.250. 2.249. 17 57 2.259. 2.258. 19 60 2.268. 2.267. 18 49 2.277. 2.276. 18 51
2.132. M
2.143. 25 2.152. 26 2.161. 25 2.170. 27 2.179. 27 2.188. 25 2.197. 24 2.206. 26 2.215. 25 2.224. 27 2.233. 26 2.242. 25 2.251. 24 2.260. 24 2.269. 26 2.278. 24
2.133. M
2.134. Pac k i n g
2.144. 73
2.145. 73
2.153. 74
2.154. 74
2.162. 74
2.163. 74
2.171. 69
2.172. 69
2.180. 63
2.181. 63
2.189. 65
2.190. 65
2.198. 67
2.199. 67
2.207. 71
2.208. 71
2.216. 63
2.217. 63
2.225. 64
2.226. 64
2.234. 67
2.235. 67
2.243. 63
2.244. 63
2.252. 63
2.253. 63
2.261. 72
2.262. 72
2.270. 67
2.271. 67
2.279. 70
2.280. 70
15 2.281. 1 2.282. 65 2.290. 1 2.291. 69 2.299. 1 2.300. 69 2.308. 2 2.309. 66 2.317. 2 2.318. 71 2.326. 2 2.327. 61 2.335. 2 2.336. 69 2.344. 2 2.345. 65 2.353. 2 2.354. 64 2.362. 2 2.363. 72 2.371. 2 2.372. 65 2.380. 2 2.381. 72 2.389. 2 2.390. 62 2.398. 3 2.399. 66
2.283. 71 2.292. 63 2.301. 55 2.310. 70 2.319. 62 2.328. 55 2.337. 68 2.346. 68 2.355. 56 2.364. 60 2.373. 56 2.382. 62 2.391. 58 2.400. 60
2.284. 36 2.293. 37 2.302. 39 2.311. 38 2.320. 37 2.329. 38 2.338. 38 2.347. 37 2.356. 40 2.365. 38 2.374. 38 2.383. 37 2.392. 37 2.401. 36
2.285. 54 2.294. 55 2.303. 58 2.312. 55 2.321. 52 2.330. 58 2.339. 52 2.348. 55 2.357. 51 2.366. 45 2.375. 60 2.384. 57 2.393. 60 2.402. 46
2.286. 12
2.287. 24
2.295. 17
2.296. 27
2.304. 15
2.305. 27
2.313. 12
2.314. 26
2.322. 19
2.323. 26
2.331. 17
2.332. 25
2.340. 13
2.341. 24
2.349. 12
2.350. 24
2.358. 19
2.359. 24
2.367. 17
2.368. 26
2.376. 14
2.377. 25
2.385. 15
2.386. 25
2.394. 18
2.395. 25
2.403. 19
2.404. 25
2.288. 65
2.289. 65
2.297. 69
2.298. 69
2.306. 69
2.307. 69
2.315. 66
2.316. 66
2.324. 71
2.325. 71
2.333. 61
2.334. 61
2.342. 69
2.343. 69
2.351. 65
2.352. 65
2.360. 64
2.361. 64
2.369. 72
2.370. 72
2.378. 65
2.379. 65
2.387. 72
2.388. 72
2.396. 62
2.397. 62
2.405. 66
2.406. 66
2.407. 2.408. 2.409. 2.410. 2.411.
3.2 Pengolahan Data 3.2.1 Langkah – Langkah di Flexsim 2.412. Langkah pengerjaan model proses produksi di aplikasi Flexim6 pada usaha CV. Konveksi 21 adalah sebagai berikut :
16
1. Membuat layout model dan menghubungkan objek yang berhubungan seperti gambar dibawah ini. 2.413.
2.414. Gambar 3.2 Pembuatan model 2.415. 2. Mendefinisikan waktu kedatangan bahan baku maupun bahan tambahan di source dengan arrival style dipilih arrival schedule, pada flow items class dipilih bentuk sesuai dengan item danmengisi quantity pada tab source seperti gambar berikut ini : 2.416.
2.417. 2.418.
Gambar 3.3 Pendefinisian waktu kedatangan bahan baku
17
2.419. 2.420.
2.422. 2.423.
Gambar 3.4 Pendefinisian waktu kedatangan atribut 2.421.
Gambar 3.5 Pendefinisian waktu kedatangan plastik packing
2.424. 3. Menginput 30 data ke tools experfit untuk mencari model waktu yang akan dipilih pada procees time pada setiap objek mesin. Dengan memilih statistic → pilih experfit → klik new → isi nama sesuai mesin → klik analyze → masukan 30 data tersebut kemudian akan muncul data – data sebagai berikut:
18
2.425. 2.426. 2.428.
Gambar 3.6 Data Summary Table (kiri) dan equal (kanan) 2.427. Gambar 3.4 diatas adalah untuk melihat apakah 30 data tersebut reject
atau tidak jika reject nya (no) maka data tersebut dapat dipakai 2.429. 2.430. 2.431. 2.432. 2.433. 2.434. 2.435. 2.436. 2.437. 2.438. 2.439. 2.440.
Gam
b
ar 3.7
2.442.
Data automated-fitting results 2.441. Gambar 3.5 diatas adalah model yang disarankan oleh tools experfit
untuk waktu proses mesin dan nilai yang dipakai adalah nilai tertinggi dari relative score. Dilakukan pada semua mesin yang waktu prosesnya tidak fix. 2.443. 2.444. 4. Mendefinisikan waktu proses setiap mesin processor yaitu pengukuran, mesin obras, mesin sablon, dan mesin press. Double klik pengukuran, pada tab processor bagian process time pilih sesuai dengan data experfit yang telah dilakukan dan mengceklist
19
use operator dan pada tab flow cheklist use transport. Lakukan hal yang sama pada mesin obras, mesin sablon dan mesin press seperti gambar berikut ini: 2.445. 2.446. 2.447. 2.448. 2.449. 2.450. 2.451. 2.452. 2.453. 2.454. 2.455. 2.456. Gambar 3.8 Pendefinisian waktu proses objek pengukuran tab processor (kiri) dan tab flow (kanan) 2.457. 5. Mendefinisikan waktu proses pemotongan. Double klik pemotongan, pada tab process time bagian process time pilih sesuai dengan data experfit yang telah dilakukan dan mengceklist use operator, pada tab separator pilih split kemudian pilih by expression dengan quantity nya 3, dan pada tab flow cheklist use transport seperti gambar berikut ini: 2.458. 2.459. 2.460. 2.461. 2.462. 2.463. 2.464. 2.465. 2.466. 2.467. Gambar 3.9 Waktu proses objek pemotongan tab processor (kiri) dan tab flow (kanan)
20
2.468. 2.469. Gambar 3.10 Properties objek pemotongan tab separator 2.470. 6. Mendefinisikan waktu proses mesin jahit. Double klik mesin jahit, pada tab process time bagian process time pilih sesuai dengan data experfit yang telah dilakukan dan mengceklist use operator, pada tab combiner pilih combine mode dengan join, dan pada tab flow cheklist use transport. Lakukan pada mesin jahit lainnya seperti gambar berikut ini: 2.471. 2.472. 2.473. 2.474. 2.475. 2.476. 2.477. 2.478. 2.479. 2.480. 2.481. 2.482. 2.483. 2.484. 2.485.
Gambar 3.11 Waktu proses objek mesin jahit tab processor (kiri) dan tab flow (kanan) 2.486. 2.487. 2.488. 2.489. 2.490. 2.491. 2.492.
21
2.499.
2.493. 2.494. 2.495. 2.496. 2.497. 2.498. Gambar 3.12 Properties objek mesin jahit pada tab combiner (kiri) tab trigers
(kanan) 2.500. 7. Mendefinisikan waktu proses mesin pemasangan atribut. Double klik pada mesin pemasangan atribut, pada tab process time bagian process time pilih sesuai dengan data experfit yang telah dilakukan dan mengceklist use operator, pada tab combiner pilih combine mode dengan join, dan pada tab flow cheklist use transport seperti gambar berikut ini: 2.501. 2.502. 2.503. 2.504. 2.505. 2.506. 2.507. 2.508. 2.509. 2.510. 2.511. 2.512. 2.513.
Gambar 3.13 Waktu proses objek mesin pemasangan atribut tab process time (kiri) dan tab flow (kanan)
2.514. 2.515. 2.516. 2.517. 2.518. 2.519. 2.520. 2.521. 2.522. 2.523. 2.524. 2.525. 2.526. 2.527.
Gambar 3.14 Properties objek mesin pemasangan atribut pada tab combiner
(kiri) tab trigers (kanan) 2.528. 8. Mendefinisikan waktu proses packing. Double klik pada objek packing, pada tab process time bagian process time pilih sesuai dengan data experfit yang telah
22
dilakukan dan mengceklist use operator, pada tab combiner pilih combine mode dengan join, dan pada tab flow cheklist use transport seperti gambar berikut ini: 2.529. 2.530. 2.531. 2.532. 2.533. 2.534. 2.535. 2.536. 2.537. 2.538. 2.539. 2.540. 2.541. 2.542. Gambar 3.15 Waktu proses objek packing tab process time (kiri) dan tab flow (kanan) 2.543. 2.544. 2.545. 2.546. 2.547. 2.548. 2.549. 2.550. 2.551. 2.552. 2.553. 2.554. 2.555. 2.556. Gambar 3.16 Properties objek packing pada tab combiner 2.557. 9. Membuat shift kerja (tools – time tables – add). 2.558. 2.559. 2.560. 2.561. 2.562. 2.563. 2.564. 2.565. 2.566. 2.567. 2.568. 2.569. 2.570. 2.571. 2.572. 2.573. Gambar 3.17 Time Tables
23
2.574.
2.575. 2.576. 2.577.
Gambar 3.18 Time schedule
24
2.578.
25
2.579. 2.580.
Gambar 3.19 Print Screen Run Mode
26
2.581.
3.2.2. Validasi
1. Tabel Data Historis dan Data Hasil Simulasi. 2.582. Pada pengujian validasi menggunakan 3 teknik, yaitu uji kesamaan rata – rata, uji kesamaan dua variansi dan chi square. Untuk menggunakan 3 teknik pengujian tersebut dibutuhkan data historis dan data simulasi, berikut data historis dan data simulasi dari total produksi selama 30 hari : 2.583. 2.584.
Tabel 3.4 Data Historis Dan Data Simulasi Dari Total Produksi 2.585. Har i 2.588. 1 2.591. 2 2.594. 3 2.597. 4 2.600. 5 2.603. 6 2.606. 7 2.609. 8 2.612. 9 2.615. 10 2.618. 11 2.621. 12 2.624. 13 2.627. 14 2.630. 15 2.633. 16 2.636.
2.586. data histo ris 2.589. 104 2.592. 104 2.595. 104 2.598. 104 2.601. 105 2.604. 103 2.607. 103 2.610. 104 2.613. 104 2.616. 104 2.619. 104 2.622. 104 2.625. 103 2.628. 105 2.631. 105 2.634. 105 2.637.
2.587. data simul asi 2.590. 105 2.593. 104 2.596. 104 2.599. 105 2.602. 105 2.605. 105 2.608. 105 2.611. 104 2.614. 105 2.617. 104 2.620. 104 2.623. 104 2.626. 105 2.629. 105 2.632. 104 2.635. 104 2.638.
27
17 2.639. 18 2.642. 19 2.645. 20 2.648. 21 2.651. 22 2.654. 23 2.657. 24 2.660. 25 2.663. 26 2.666. 27 2.669. 28 2.672. 29 2.675. 30 2.678.
105 2.640. 105 2.643. 104 2.646. 103 2.649. 104 2.652. 105 2.655. 105 2.658. 105 2.661. 105 2.664. 105 2.667. 103 2.670. 103 2.673. 105 2.676. 105
105 2.641. 105 2.644. 103 2.647. 104 2.650. 105 2.653. 104 2.656. 104 2.659. 105 2.662. 104 2.665. 103 2.668. 105 2.671. 104 2.674. 104 2.677. 105
Dari tabel diatas dapat diketahui data historis didapat dari real total
produksi selama 30 hari pada perusahaan sedangkan data simulasi didapat dari melakukan experiment dalam flexim sebanyak 30 data atau hari dengan mensimulasikan proses produksi pada perusahaan tersebut. 2.679. 2. Validasi Uji Dua Rata-Rata. 2.680. Uji kesamaan dua rata-rata ini dimaksudkan untuk mengetahui perbandingan performansi antara sistem riil dengan model simulasi yang diterjemahkan dalam nilai jumlah rata-rata output dari dua populasi tersebut. Berikut perbandingan mean dan Standard Deviation historis dan simulasi. 2.681.
Tabel 3.5 Perbandingan mean dan Standard Deviation 2.682. 2.685. Mean 2.688. SD (v)
2.683. H istoris 2.686. 1 04,2333 333 2.689. 0 ,773854
2.684. Si mulasi 2.687.
10 4,4
2.690. 0,6 21455466
28
363 2.692. 3 0
2.691. N
2.693.
30
2.694. a. Hipotesis 2.695. Ho = μ1 = μ2 2.696. H1 = μ1 ≠ μ2 2.697. 2.698. α = 0.05 2.699. α / 2 = 0.025 2.700. b. Daerah Penerimaan
2.701. 2.702. Gambar 3.20 Daerah Penerimaan Uji Kesamaan Rata - rata 2.703. 2.704. H0 tidak ditolak jika – Z 0.025 < Z hitung < Z 0.025 2.705. H0 ditolak jika – 1.96 < Z hitung < Z 1.96 2.706. 2.707. c. Z Hitung 2.708. Rumus uji kesamaan dua rata – rata : 2.709. S p2 =
2.710. (n1-1) v1^2 + (n2-1) v2^2 2.712. n1 + n2 -2
2.713. 2.714.
Sp2 = 10881,97389 2.715. Z
2.716. Mean 1 Mean 2
hit un
2.718. √ Sp^2 *
g=
(1/n1 + 1/n2)
2.719. 2.720. Z hitung = - 0,006187861 2.721. d. Kesimpulan 2.722. Karena –Z 0,025 < Z hitung , Z 0,025 2.723. Yaitu : -1,96 F 0.025 (29,29) atau F hitung < F 0,975 (29,29) 2.741. Ho ditolak jika 0,476 < F hitung < 2,101 2.742. c. F Hitung 2.743. Rumus uji kesamaan dua variansi : 2.744. F Hitu ng = 2.745. 2.749.
2.746. v1 2.748. v2
F Hitung = 0,996809701
d. Kesimpulan 2.750. Karena F tab 0,975 < F hitung < F tab 0,025 2.751. Yaitu 0,476 X2 Table, H0 Ditolak
2.791. 2.792. 2.793.
Berdasarkan perhitungan maka data simulasi tidak ditolak.
32
2.794.
3.2.3. Analisa report
1. Summary Report
33
2.795.
e
34
2.796.
Gambar 3.22 Summary printscreen Report
35
2.797.
Bardarsakan
Summary Repott diatas maka dapat diberikan analisis sebagai berikut : a. Stats_content 2.798. Stats_content
table
merupakan
status flowitem yang tertinggal didalam setiap proses. Maka dapat kita lihat dalam proses produksi diatas terdapat Stats_content sebanyak 16 variabel. Gudang baju memiliki flowitem sebanyak 108, gudangplastik packing memiliki flowitem sebanyak 95, Gudang bahan baku dan gudang atribut memiliki flowitem sebesar 84, queue 34 memiliki flowitem yang tertinggal 35 dikuti dengan gudang peyimpanan kerah dengan flowitem sebanyak 33. Gudang penyimpanan badan dan lengan memiliki flowitem sebanyak 11 dan 8. Mesin jahit 3, mesin jahit 2, dan mesin pemasang atribut memilki flowitem sebanyak 3. Pengukuran, mesin obras, mesin sablon, slink 15, dan operator 18 memiliki flowitem sebanyak 1 b. Stats_contentmineu 2.799.
Stat_contentmin
merupakan status minimal flowitem yang masuk pada setiap prosesnya. Pada gambar diatas dapat kita lihat bahwa Stat_contentmax yang masuk dalam proses pembuatan baju bola ini adalah 0 kecuali gudang bahan baku, gudang atribut, slink 15, gudang plastik packing, dan queue 34. c. Stats_contentmax 2.800.
Stat_contentmax
merupakan status maksimal flowitem yang masuk pada setiap prosesnya. Berdasarkan table diatas Stat_contentmax terdapat 5 objek yaitu gudang bahan baku, gudang atribut, slink 15, gudang plastik packing, dan queue 34 dengan maksimal flowitem 1. d. Stats_contentavg 2.801. Stat_contentavg merupakan status rata-rata flowitem yang masuk dalam setiap prosesnya. Berdasarkan table diatas dapat dilihat rata-rata flowitem yang terdapat pada masing- masing objek adalah Gudang bahan baku 206,96, pengukuran 0,86, pemotongan 2,41, gudang atribut 193,76, mesin sablon, dan mesin obras 0,95, mesin pemotongan atribut 0,97, mesin press 0,24, operator17 0,06, operator18 0,21, operator19,20, 21, 22 dan 26 0,02. Mesin jahit1 1, mesin jahit 2 0,99, mesin jahit 3 0,98, gudang peyimpanan kerah 13,54, gudang penyimpanan bahan 9,45, gudang penyimpanan lengan 4,15. Gudang baju 49,62, packing 0,17, operator 28 dan 29 0,01. Gudang plastik packing 149,93. Operator 32 0,02 dan queue 34 17,89 Flowitem tersebut terhitung selama proses berjalan selama 28800 second. 2.802. e. Stats_input
36
2.803.
Stats_input adalah status input flowitem yang masuk ke dalam setiap proses
selama proses berjalan 28800 second. Berdasarkan nilai Stats_input pada tabel dapat diketahui nilai nya yaitu Gudang bahan baku 330, pengukuran 246, pemotongan 245, gudang atribut 300, mesin sablon 106, mesin obras 107, mesin pemasangan atribut 324, slink15 105 mesin press 105, opertor 17 491, opertor 18 733, opertor 19, 71, operator 20, 71, operator 21 70, operator 22 107, dan operator 26 105. Mesin jahit1 216, mesin jahit2 216, mesin jahit3 213, gudang peyimpanan kerah 248, gudang penyimpanan bahan 226, gudang penyimpanan lengan 223.
Gudang baju 212,
packing 210, operator 28 106, operator29 105. Gudang plastik packing 200. Operator32 105, queue33 697, dan queue 34 35. f. Stats_output 2.804. Stats_output adalah status output flowitem yang keluar dari setiap proses selama proses berjalan 28800 second. Berdasarkan nilai stats_output pada tabel diatas, maka dapat dilihat bahwa output flowitem yang dihasilkan selama proses berjalan adalah Kedatangan bahan baku 330, Gudang bahan baku 246, pengukuran 245, pemotongan 733, kedatangan atribut 300, gudang atribut 216, mesin sablon 105, mesin obras 106, mesin pemasangan atribut 107, mesin press 105, opertor 17 491, opertor 18 732, opertor 19 71, operator 20, 71, operator 21 70, operator 22 107, dan operator 26 105. Mesin jahit1 71, mesin jahit2 71, mesin jahit3 70, gudang peyimpanan kerah 215, gudang penyimpanan bahan 215, gudang penyimpanan lengan 215. Gudang baju 108, packing 210, operator 28 106, operator29 105, kedatangan plastik packing 200, Gudang plastik packing 105. Operator32 105, queue33 697. g. Stats_staytimemin 2.805. Stats_staytimemin adalah status waktu minimal flowitem tertinggal didalam proses. Berdasarkan tabel diatas nilai stats_staytimemin maka dapat dilihat waktu minimal Gudang bahan baku 5,04, pengukuran 66,99, pemotongan 1,39, gudang atribut 767,86, mesin sablon 244,42, mesin obras 182,81, mesin pemasangan atribut 52,76, mesin press 51,82, operator 17,18,19,20,21,22, dan 26 yaitu 2,85, 6,07, 7,74, 7,53, 9,28, 4,62, dan 4,47. Mesin jahit1 381,01, mesin jahit2 375,35, mesin jahit 3 380,14, operator 28 3,3, operator 29 3,3, gudang plastik packing 1328, 08, dan queue32 4,15 dalam satuan dsecond. Waktu proses flowitem selama proses berlangsung 28800 second. 2.806. h. Stats_staytimemax
37
2.807.
Stats_staytimemax adalah status waktu maksimal flowitem tertinggal didalam
proses. Berdasarkan tabel diatas dapat kita lihat nilai Stats_staytimemax pada masingmasing objek produksi, Gudang bahan baku 28731,54, pengukuran 114,63, pemotongan 119,5, gudang atribut 28614,11, mesin sablon 277,28, mesin obras 274,78,
mesin
pemasangan
atribut
280,58,
mesin
press
78,15,
operator
17,18,19,20,21,22, dan 26 yaitu 4,51, 8,88, 7,74, 7,53, 9,28, 4,62, dan 4,47. Mesin jahit1 564,99, mesin jahit2 502,37, mesin jahit 3 419,46, gudang penyimpanan kerah 3612,98, gudang penyimpanan badan 2529,57, gudang penyimpanan lengan 1240,12, gudang baju 13602,09, packing 52,07, operator 28 3,3, operator 29 3,3, gudang plastik packing 28678,49, dan queue32 4,15 dalam detik. i. Stats_staytimeavg 2.808. Stats_staytimeavg adalah status waktu rata-rata flowitem tertinggal didalam proses. Berdasarkan tabel diatas dapat dilihat waktu rata-rata flowitem tertinggal dalam objek produksi yaitu Gudang bahan baku 14360,69, pengukuran 10122, pemotongan 45,05, gudang atribut 14540,81, mesin sablon 259,6, mesin obras 256,41, mesin pemasangan atribut 260,25, mesin press 64,8, operator 17,18,19,20,21,22, dan 26 yaitu 3,68, 8,35, 7,74, 7,53, 9,28, 4,62, dan 4,47. Mesin jahit1 400,44, mesin jahit2 395,74, mesin jahit3 399,09, gudang penyimpanan kerah 1536,7, gudang penyimpanan badan 1229,79, gudang penyimpanan lengan 532,9, gudang baju 6671,31, packing 22,69, operator 28 3,3, operator 29 3,3, gudang plastik packing 15002,92, dan queue32 4,15 satuan dalam second. j. State_current 2.809. State_current adalah menyatakan aktivitas terakhir yang terjadi disetiap proses berdasarkan bilangan random dari software flexim. Berdasarkan nilai stats_current pada tabel diatas, maka dapat dilihat bahwa angka-angka tersebut menunjukan indeks dari aktivitas terakhir yang terjadi didalam sebuah proses simulasi. Berikut nilai state_current yang nilai nya 22 antara lain operator17, operator 19, operator 20,operator21, dan operator 29. state_current yang nilai 10 yaitu pemotongan. state_current yang nilai 8 antara lain gudang atribut, gudang bahan baku, gudang penyimpanan kerah, gudang penyimpanan badan, gudang penyimpanan lengan, dan gudang baju. state_current yang nilai 7 slink15. state_current yang nilai 6 queue33. state_current yang nilai 5 antara lain kedatangan bahan baku, kedatangan atribut, kedatangan plastik packing. state_current yang nilai 4 antara lain mesin obras, mesin pemasangan atribut, state_current yang nilai
2 antara lain pengukuran, mesin
sablon,mesin jahit 1,2,3, dan sisa nya memiliki nilai state_current 1.
38
k. State_since 2.810. State_since adalah menyatakan total waktu berhentinya penilaian terhadap proses dan berada pada aktivitas terakhir dalam sistem. Berdasarkan nilai stats_since pada tabel diatas, maka dapat dilihat bahwa total waktu yang digunakan Pengukuran 28736,05, pemotongan 28798,85, mesin sablon 28620,54, mesin obras 28784,25, mesin
pemasangan
atribut
28685,18,
mesin
press
28674,02,
operator
17,18,19,20,21,22,26 yaitu 28736,05, 28798,85, 28642,03, 28566,07, 28606,24, 28685,18, 28678,49. Mesin jahit1,2, dan 3 memiliki waktu sebesar 28642,03, 28566,07, 28606,24. Gudang penyimpanan kerah 28604,1, gudang penyimpanan badan 28690,26, gudang penyimpanan lengan 28725,79, gudang baju 28634,37, packing 28723,51, operator28 28784,25, operator29 28620,54, operator32 28727,66, queue33 28725,79, queue34 28479,39 dalam satuan second. 2.811. 2.812. 2.813. 2.814. 2.815. 2.816. 2.817. 2.818. 2.819. 2.820. 2.821. 2.822. 2.823. 2.824. 2.825.
39
2. State Report
40
2.826. 2.827.
Gambar 3.23 Printscreen state report
41
2.828.
42
2.829.
44
produksi, Gudang penyimpanan kerah 5,04%, gudang penyimpanan badan 1,62%, gudang penyimpanan lengan 5,57%, gudang baju 3,74%, queue33 100%, dan queue34 0,54%. g. Collecting 2.837. Collecting merupakan data dari flexim state report yang menjelaskan proses dimana persentase pengumpulan barang atau item selama proses produksi berjalan. Berdasarkan tabel report diatas pada kolom collecting terdapat 3 objek yang memiliki presentase collecting yaitu Mesin jahit 1 0,68%, mesin jahit2 0,45%, mesin jahit3 0,06%. h. Releasing 2.838. Releasing merupakan data dari flexim state report yang menjelaskan proses dimana persentase melepaskan barang atau item selama proses produksi berjalan. Berdasarkan tabel diatas dapat kita lihat objek yang memiliki presentase Releasing antara lain Gudang penyimpanan kerah 94,96%, gudang penyimpanan badan 98,38%, gudang penyimpanan lengan 94,43%, gudang baju 96,26%, dan queue34 99,43%. i. Waiting for operator 2.839. Waiting for operator merupakan data dari flexim state report yang menjelaskan proses dimana persentase operator menunggu barang atau item selama proses produksi berjalan. Berdasarkan tabel diatas dapat diketahui presentase Waiting for operator pada objek produksi antara lain Mesin sablon 1,58%, mesin obras 1,585, mesin pemasangan atribut 3.51%, mesin press 1,88%, mesin jahit1 3,81%, mesin jahit2 3,44%, mesin jahit3 4,14%, packing 1,57%. j. Waiting for transporter 2.840. Waiting for transporter merupakan data dari flexim state report yang menjelaskan proses dimana persentase transporter menunggu barang atau item saat proses produksi berjalan. Berdasarkan tabel diatas dapat kita lihat presentase Waiting for transporter anatara lain Pengukuran 2,27%, pemotongan 32,12%, mesin pemasangan atribut 0,44%, mesin jahit1 0,64%, mesin jahit2 0,64%, mesin jahit3 0,63%, packing 0,94%. k. Breakdown 2.841. Breakdown merupakan data dari flexim state report yang menjelaskan proses dimana persentase mesin produksi mengalami maintenance selama proses produksi berjalan. Berdasarkan data diatas dapat kita lihat presentase Breakdown pada proses l.
produksi yaitu 0%. Scheduled down 2.842. Scheduled down merupakan data dari flexim state report yang menjelaskan proses dimana persentase penjadwalan terhadap material handling yang digerakkan
45
oleh operator dalam proses produksi berjalan. Berdasarkan tabel diatas tidak ada Scheduled down bearti 0%. m. Conveying 2.843. Conveying merupakan data dari flexim state report yang menjelaskan proses dimana persentase penyampaian atau pengiriman barang menggunakan material handling oleh tanpa operator saat proses produksi berjalan. Berdasarkan tabel diatas dapat diketahui presentasi Conveying 0%. n. Travel empty 2.844. Travel empty merupakan data dari flexim state report yang menjelaskan proses dimana persentase perjalanan kekosongan pada setiap objek tanpa barang atau item selama proses produksi berjalan. Berdasarkan tabel diatas dapat diketahui presentase Travel empt antara lain Operator17 6,46%, operator18 18,92%, operator19 1,90%, operator20 1,62%, operator21 1,90%, operator22 1,79%, operator26 1,88%, operator28 1,58%, operator29 1,58%, dan operator32 1,57%. o. Travel loaded 2.845. Travel loaded merupakan data dari flexim state report yang menjelaskan proses dimana persentase perjalanan pengiriman barang atau item yang memiliki muatan tertentu saat proses berjalan. Berdasarkan tabel diatas dapat dketahui presentase Travel loaded pada proses produksi adalah Operator17 6,29%, operator18 18,83%, operator19 1,88%, operator20 1,53%, operator21 1,63%, operator22 1,72%, operator26 1,21%, operator28 1,22%, operator29 1,21%, dan operator32 1,52%. p. Offset travel empty 2.846. Offset travel empty merupakan data dari flexim state report yang menjelaskan proses dimana persentase keseimbangan perjalanan yang kosong saat proses produksi berjalan. Berdasarkan tabel diatas nilai presentase Offset travel empty Operator17 3,21%, operator18 6,07%, operator19 0,64%, operator20 0,64%, operator21 0,63%, operator22 0,44 %, dan operator32 0,94%. 2.847. 2.848. q. Offset travel loaded 2.849. Offset travel loaded merupakan data dari flexim state report yang menjelaskan proses dimana persentase keseimbangan perjalanan yang memiliki muatan tertentu saat proses produksi berjalan. Berdasarkan tabel diatas dapat dilihat presentase Offset travel loaded Operator182,38%, operator19 0,04%, operator20 0,34%, operator21 0,64%, operator26 0,43%. r. Loading
46
2.850. Loading merupakan data dari flexim state report yang menjelaskan proses dimana persentase muatan pada setiap objek saat proses produksi berjalan. Berdasarkan tabel diatas presentase Loading 0%. s. Unloading 2.851. Unloading merupakan data dari flexim state report yang menjelaskan proses dimana persentase bongkar muatan pada setiap objek saat proses produksi berjalan. Berdasarkan tabel diatas presentase Unloading 0%. t. Down 2.852. Down merupakan data dari flexim state report yang menjelaskan proses dimana persentase mesin pada proses produksi berhenti atau tidak beroperasi lagi. Berdasarkan tabel diatas presentase Down 0%. u. Setup 2.853. Setup merupakan data dari flexim state report yang menjelaskan proses dimana persentase penyetelan atau persiapan pada setiap objek saat proses produksi berjalan. Berdasarkan tabel diatas presentase Setup 0%. v. Utilize 2.854. Utilize merupakan data dari flexim state report yang menjelaskan proses dimana persentase pemanfaatan selain fungsi dari setiap objek saat proses produksi berjalan. Berdasarkan tabel diatas presentase Utilize antara lain Operator17 57,61%, operator18 53,53%, operator19 94.19%, operator20 93,88%, operator21 92,89%, operator22 20,58%, operator26 21,85%, operator28 60,81%, operator29 93,68%, dan operator32 14,08%. 2.855.
2.856.
47
2.857. 2.858.
3.3 Desain Eksperimen Design experiment merupakan percobaan pada suatu proses di objek yang
cukup bermasalah atau memiliki kendala yang berkaitan dengan kinerja pada objek tersebut dengan mendesain sedemikian mungkin sehingga kinerja pada objek itu optimal. Di bawah ini adalah tabel yang men-support masalah yang akan di eksperimenkan : 2.859. 2.860.
Tabel 3.8 men-support
2.861.
Object
2.865. Kedatangan Bahan Baku 2.869. Gudang Bahan Baku
2.873.
2.877.
Pengukuran
Pemotongan
2.881. Kedatangan Atribut 2.885. Gudang Atribut
2.889.
Mesin Sablon
2.893.
Mesin Obras
2.862. Class 2.866. Sour c e 2.870. Queu e 2.874. Proce ss o r 2.878. Separ at o r 2.882. Sour c e 2.886. Queu e 2.890. Proce ss o r 2.894. Proce ss
2.863. proces sin g
2.864. bloc k e d
2.871. 0,00%
2.868. 0,00 % 2.872. 0,00 %
2.875. 57,61 %
2.876. 26,4 2 %
2.879. 53,53 %
2.880. 0,00 %
2.867. 0,00%
2.887. 0,00%
2.884. 0,00 % 2.888. 0,00 %
2.891. 93,68 % 2.895. 60,81 %
2.892. 0,00 % 2.896. 32,6 1
2.883. 0,00%
48
2.861.
Object
2.897. Mesin Pemasangan Atribut 2.901.
2.905.
2.909.
2.913.
2.917.
2.921.
2.925.
2.929.
Sink15
Mesin Press
Operator17
Operator18
Operator19
Operator20
Operator21
Operator22
2.862. Class o r 2.898. Com bi n er 2.902. Sink 2.906. Proce ss o r 2.910. Oper at o r 2.914. Oper at o r 2.918. Oper at o r 2.922. Oper at o r 2.926. Oper at o r 2.930. Oper at o
2.863. proces sin g
2.864. bloc k e d %
2.903. 0,00%
2.900. 72,7 9 % 2.904. 0,00 %
2.907. 21,85 %
2.908. 0,00 %
2.911. 0,00%
2.912. 0,00 %
2.915. 0,00%
2.916. 0,00 %
2.919. 0,00%
2.920. 0,00 %
2.923. 0,00%
2.924. 0,00 %
2.927. 0,00%
2.928. 0,00 %
2.931. 0,00%
2.932. 0,00 %
2.899. 20,58 %
49
2.861.
2.933.
2.937.
2.941.
2.945.
Object
Operator26
Mesin Jahit 1
Mesin Jahit 2
Mesin Jahit 3
2.949. Gudang Penyimpanan Kerah 2.953. Gudang Penyimpanan Badan 2.957. Gudang Penyimpanan Lengan 2.961.
2.965.
2.969.
Gudang Baju
Packing
Operator28
2.862. Class r 2.934. Oper at o r 2.938. Com bi n er 2.942. Com bi n er 2.946. Com bi n er 2.950. Queu e 2.954. Queu e 2.958. Queu e 2.962. Queu e 2.966. Com bi n er 2.970. Oper at o r
2.863. proces sin g
2.864. bloc k e d
2.935. 0,00%
2.936. 0,00 %
2.939. 94,19 %
2.940. 0,00 %
2.943. 93,88 %
2.944. 0,00 %
2.947. 92,89 %
2.963. 0,00%
2.948. 0,00 % 2.952. 0,00 % 2.956. 0,00 % 2.960. 0,00 % 2.964. 0,00 %
2.967. 14,08 %
2.968. 0,00 %
2.971. 0,00%
2.972. 0,00 %
2.951. 0,00% 2.955. 0,00% 2.959. 0,00%
50
2.861.
2.973.
Object
Operator29
2.977. Kedatangan Plastik Packing 2.981. Gudang Plastik Packing
2.985.
Operator32
2.989.
Queue33
2.862. Class 2.974. Oper at o r 2.978. Sour c e 2.982. Queu e 2.986. Oper at o r 2.990. Queu e 2.994. Queu e
2.863. proces sin g
2.864. bloc k e d
2.975. 0,00%
2.976. 0,00 %
2.979. 0,00% 2.983. 0,00%
2.987. 0,00% 2.991. 0,00% 2.995. 0,00%
2.980. 0,00 % 2.984. 0,00 % 2.988. 0,00 % 2.992. 0,00 % 2.996. 0,00 %
2.993. Queue34 2.997. 2.998. Dari tabel diatas dapat diketahui bahwa permasalahan yang akan diangkat pada penelitian ini adalah pada objek pemasangan atribut dan mesin sablon. Pada mesin pemasangan atribut memiliki persentase blockedyang tinggi sedangkan pada mesin sablon memiliki persentase processing yang tinggi. Pada mesin pemasangan atribut memiliki persentase blocked yang tinggi sebesar 72,79% dikarenakan waktu proses di mesin selanjutnya yaitu mesin obras yang terlalu lama sehingga terjadi blocked atau item tertahan pada suatu objek. Selain itu pada mesin sablon memiliki persentase processing yang tinggi dikarenakan waktu prosesnya sangat lama sedangkan mesin sebelumnya dengan waktu proses yang tidak terlalu lama sehingga tentunya dengan waktu proses yang lama akan menghasilkan output yang tidak sesuai dengan keinginan perusahaan. Dari kedua permasalahan yang akan diangkat dengan melakukan simulasi proses dalam penelitian ini, tentunya akan mempengaruhi output yang akan dihasilkan.
51
2.999.
52
2.1000. 2.1001.
3.3.1 Skenario 1 pada mesin pemasangan atribut
a. Simulation Experiment Control 2.1002.
2.1003. 2.1004. Gambar 3.24 printscreen scenario pada objek pemasangan atribut 2.1005. 2.1006. Dari gambar diatas dapat diketahui bahwa ada 3 skenario percobaan dalam men-support pada objek pemasangan atribut yang berguna untuk mengurangi persentaseblocked di mesin tersebut. Variable yang digunakan adalah object in group 1 dengan membuat grup pada mesin tersebut menjadi grup 1. Selanjutnya ketiga skenario tersebut adalah asumsi peneliti untuk mengurangi persentaseblockeddi mesin pemasangan atribut dengan mempertimbangkan process time awal sebagai skenario 1 yaitu johnsonbounded(41.41398, 62.12651, -0.75886, 0.99563, 0) detik. Pada skenario 2 terdapat process time selama 90 detik dan pada skenario 3 terdapat process time selama 120 detik.
53
2.1007. 2.1008. Gambar 3.25 printscreen performance measures pada objek pemasangan atribut 2.1009. 2.1010. Dari gambar diatas dapat diketahui bahwa performance measures digunakan untuk mengukur kemampuan performance pada objek pemasangan atribut dengan pengukuran state percentage by group. Pada pengukuran ini harus melakukan pengisian berupa group name yaitu group 1 dimana sebelumnya peneliti membuat grup pada mesin tersebut menjadi grup 1. Selanjutnya, pada aggregate by yaitu average yang digunakan untuk mengukur rata – rata permasalahan yang akan diangkat setelah proses berlangsung. Kemudian state yaitu blocked sebagai permasalahan yang akan diangkat. Performance measures ini berguna untuk mengetahui perubahan baik secara output maupun proses dari mesin tersebut yang berpengaruh dampaknya terhadap proses selanjutnya. 2.1011. b. Experimentation Report
54
2.1012.
2.1013.
Gambar 3.26 Printscreen data summary
2.1014. 2.1015. Dari gambar diatas dapat diketahui bahwa data process time dari studi kasus awal selama johnsonbounded(41.41398, 62.12651, -0.75886, 0.99563, 0) detik pada mesin pemasangan atribut terletak di skenario 1. Dapat kita lihat pada skenario 1 dengan sample standard deviation sebesar 0,52 dengan nilai minimum 71,17 dan maksimum 73,18 yang memiliki mean (90% confidence) 72,2 < 72,37 < 72,53 dengan rata – rata yang diambil sebesar 72,2. Dari 3 skenerio diatas, skenario 3 dipilih yang mendekati sample standard deviation 1,74 dengan process time 120 detik dikarenakan standar deviasi mendekati dengan studi kasus awal sebesar 0,52. Pada skenario 3 memiliki mean (90% confidence) 31,38 < 31,92 < 32,46 dengan rata – rata yang diambil sebesar 31,38 yang memiliki nilai minimum 27,5 dan maksimum 34,95.Selain itu, pada skenario 2 memiliki sample standard deviation sebesar 2,35 dengan nilai minimum 36,31 dan maksimum 46,6 yang memiliki mean (90% confidence) 41,82 < 42,54 < 43,27 dengan rata – rata yang diambil sebesar 41,82. 2.1016.
55
2.1017.
2.1018.
Gambar 3.27 Printscreen Replications Plot 2.1019. 2.1020. Dari gambar diatas dapat diketahui bahwa 30 data terdapat disetiap masing masing skenario. Skenario 1 adalah data studi kasus awal dengan process time johnsonbounded(41.41398, 62.12651, -0.75886, 0.99563, 0) detik yang memiliki replications plot sebesar 25% dengan rata – rata 71,98 dan sebesar 75% dengan rata – rata 72,67 sedangkan skenario 3 yang akan dipilih sebagai asumsi percobaan dengan process time 120 detik memiliki replications plot sebesar 31% dengan rata – rata 31,18 dan sebesar 75% dengan rata – rata 32,97. Pada skenario 2 dengan process time 90 detik memiliki replications plot sebesar 25% dengan rata – rata 41,57 dan sebesar 75% dengan rata – rata 43,96.
2.1021. 2.1022.
Gambar 3.28 Printscreen frequency histogram
56
2.1023. 2.1024. Dari gambar diatas dapat diketahui bahwa data range paling rendah dengan range 27,5 – 32,06 terdapat di skenario 3 sebanyak 13 point. Pada range 32,06 – 36,63 terdapat di skenario 2 sebanyak 2 point dan skenario 3 sebanyak 17 point. Pada range 36,63 – 41,2 terdapat di skenario 2 sebanyak 5 point.Pada range 41,2 – 45,77 terdapat di skenario 3 sebanyak 23 point. Terakhir pada range paling tinggi45,77 – 50,34 terdapat di skenario 2 sebanyak 2 point. 2.1025. 2.1026. 2.1027.
G ambar 3.29 printscreen raw data 2.1028.
2.1029.
Gambar 3.30 Printscreen raw data lanjutan
57
2.1030. Dari gambar diatas dapat diketahui bahwa ada 30 data disetiap masing – masing skenario dengan nilai yang sudah tertera. Pada skenario 1 memiliki rata – rata sebesar 72,367%, skenario 2 memiliki rata – rata sebesar 42,544% dan skenario 3 memiliki rata – rata sebesar 31,921%. 2.1031.
3.3.2 Skenario 2 pada mesin sablon
a. Simulation Eperiment Control
2.1032. 2.1033. Gambar 3.31 printscreen scenario pada objek pemasangan atribut 2.1034. 2.1035. Dari gambar diatas dapat diketahui bahwa ada 3 skenario percobaan dalam men-support pada objek sablon yang berguna untuk mengurangi persentase processing di mesin tersebut. Variable yang digunakan adalah object in group 1 dengan membuat grup pada mesin tersebut menjadi grup 1. Selanjutnya ketiga skenario tersebut adalah asumsi peneliti untuk mengurangi persentase processing di mesin sablon dengan mempertimbangkan jumlah mesin sebagai skenario 1 yaitu 1 mesin. Pada skenario 2 terdapat 2 mesin dan pada skenario 3 terdapat 3 mesin. 2.1036.
58
2.1037. 2.1038. Gambar 3.32 printscreen performance measures pada objek sablon 2.1039. 2.1040. Dari gambar diatas dapat diketahui bahwa performance measures digunakan untuk mengukur kemampuan performance pada objek sablon dengan pengukuran state percentage by group. Pada pengukuran ini harus melakukan pengisian berupa group name yaitu group 1 dimana sebelumnya peneliti membuat grup pada mesin tersebut menjadi grup 1. Selanjutnya, pada aggregate by yaitu average yang digunakan untuk mengukur rata – rata permasalahan yang akan diangkat setelah proses berlangsung. Kemudian state yaitu processingsebagai permasalahan yang akan diangkat. Performance measures ini berguna untuk mengetahui perubahan baik secara output maupun proses dari mesin tersebut yang berpengaruh dampaknya terhadap proses selanjutnya. 2.1041. 2.1042. 2.1043. 2.1044. 2.1045. b. Experimentation Report 2.1046.
59
2.1047.
2.1048.
Gambar 3.33 printscreen data summary 2.1049. 2.1050. Dari gambar diatas dapat diketahui bahwa data jumlah mesin awal pada mesin pemasangan atribut terletak di skenario 1. Dapat kita lihat pada skenario 1 dengan sample standard deviation sebesar 0,43 dengan nilai minimum 92,89 dan maksimum 94,51 yang memiliki mean (90% confidence) 93,67 < 93,81 < 93,94 dengan rata – rata yang diambil sebesar 93,67. Dari 3 skenerio diatas, skenario 2 dipilih yang mendekati sample standard deviation 0,21 dengan jumlah mesin menjadi 2 dikarenakan standar deviasi mendekati dengan studi kasus awal sebesar 0,43. Pada skenario 2 memiliki mean (90% confidence) 46,85
