Anda di halaman 1dari 192

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU


(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

Oleh
ARVIANO HARYANTO SAHAR
F34103128

2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR

ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja Sistem


Antrian Pada Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.
Global Tropical Seafood, Jawa Barat). Di bawah bimbingan : MACHFUD.
2007
RINGKASAN
Industri perikanan merupakan salah satu sektor industri yang menjadi
primadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauan
dengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakan
salah satu negara pengekspor terbesar komoditas perikanan dunia. Dalam rangka
mendukung peningkatan pertumbuhan ekonomi di sektor perikanan dan
pemenuhan tuntutan pasar ekspor, kajian ilmiah yang berorientasi pada
peningkatan kinerja industri perikanan perlu dilakukan dengan berdasarkan ilmu
pengetahuan dan teknologi modern. PT. Global Tropical Seafood merupakan
salah satu perusahaan yang bergerak di industri perikanan yang berorientasi
ekspor dengan salah satu produk unggulannya fillet ikan beku. Dalam kegiatan
produksinya perusahaan dihadapkan pada kondisi kedatangan bahan baku yang
bersifat probalistik, tuntutan kualitas produk yang prima, serta kebutuhan akan
efektivitas dan efisiensi sistem produksi.
Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuah
penilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerja
sistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam hal
efisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakan
bahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandai
dengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanya
penolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitian
ini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.
Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialah
teknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasi
antrian dengan teknik simulasi monte carlo menggunakan bantuan paket program
WinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkan
simulasi model keseimbangan aliran bahan dilakukan secara manual. Uji
distribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrian
yang digunakan sebagai input dalam melakukan simulasi menggunakan bantuan
perangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metode
grafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluang
normal, weibull, triangular, poisson, gamma, uniform, laplace, logistik,
eksponensial dan lognormal.
Hasil uji distribusi data menghasilkan sebaran peluang antara lain weibull,
triangular, gamma dan lognormal untuk waktu antar kedatangan dan waktu
pelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistem
antrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4
diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh lini
produksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem Antrian
Produksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model.
Model tersebut ialah model antrian yang mensimulasikan antrian sejak dari
stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),

model keseimbangan aliran bahan pada stasiun freezing (Model B), model antrian
yang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub model
penerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan,
Sub model penyisikan merupakan model simulasi antrian parsial pada stasiun
penyisikan, Sub model Filleting merupakan model simulasi antrian parsial pada
stasiun Filleting dan Sub model After Curing merupakan model simulasi antrian
parsial pada stasiun After Curing. Pola antrian yang ada dalam SAPFIB ini ialah
pola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel.
Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dan
kg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).
Model antrian SAPFIB terdiri dari rangkaian komponen distribusi
kedatangan bahan dan distribusi kecepatan pelayanan operator dengan attribut
pendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruh
komponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi pada
sistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukan
simulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan,
kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historis
selama penelitian. Asumsi pada simulasi sub model antrian ialah kedatangan
bahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saat
puncaknya dalam sistem produksi.
Berdasarkan hasil simulasi model utama pada sistem nyata selama 25200
detik (7 jam kerja) untuk Model A, 24 jam kerja untuk Model B dan 75600 detik
(21 jam kerja) untuk Model C, ditemukan sejumlah bahan baku yang mengalami
penolakan bahan (balking) pada lini produksi fillet ikan beku di PT. Global
Tropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Pada
stasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packing
dalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletak
pada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensi
penggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialah
terdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utama
terletak pada rendahnya tingkat utilitas operator.
Pengembangan model antrian pada penelitian ini dilakukan dengan dua
pendekatan, yakni pengembangan model dengan merubah tingkat kedatangan
bahan, serta pengembangan model dengan merubah komposisi unit pelayanan
(operator). Asumsi yang digunakan dalam mengembangkan model ialah sistem
antrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dan
kecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selama
penelitian.
Model alternatif terbaik hasil pengembangan dengan skenario perubahan
tingkat kedatangan dengan komposisi unit pelayanan tetap adalah tingkat
kedatangan pada stasiun penerimaan dinaikkan sebesar 3 kali lipat dari
kedatangan historis selama penelitian (6482,47 kg/jam) dan pada stasiun after
curing diturunkan sebesar 0,75 kali lipat dari kedatangan historis selama penelitan
(129,44 kg/jam), pada stasiun freezing tingkat kedatangan bahan diturunkan
menjadi 18000 kg per hari dan pada stasiun Packing tingkat kedatangan diubah
sebesar 6 kali lipat dari kedatangan historis selama penelitian (15308,29 kg/jam).
Model alternatif terbaik hasil pengembangan dengan skenario perubahan
komposisi unit pelayanan pada tingkat kedatangan tetap sesuai kondisi selama

penelitian ialah jumlah operator pada stasiun penerimaan dikurangi dari 5 orang
menjadi 4 orang, stasiun arahan produksi dari 3 orang menjadi 1 orang, stasiun
filleting dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2
orang, stasiun trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2
orang menjadi 1 orang, stasiun after curing dari 5 orang menjadi 7 orang, stasiun
freezing dari 3 unit menjadi 5 unit serta stasiun packing dari 24 orang menjadi 12
orang, jumlah operator pada stasiun lainnya tetap.
Berdasarkan analisa hasil simulasi, pengembangan model alternatif
menghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikan
beku. Pengembangan model antrian dengan skenario perubahan tingkat
kedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari
26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi
3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36
%. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kg
menjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 %
menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisi
operator pada model A dapat menghilangkan bahan yang tidak terproses dari
26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi
1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari
979,11 detik (16,3 menit) menjadi 275,33 detik (4,59 menit), meminimasi ratarata waktu antrian bahan secara keseluruhan dari 141,75 detik menjadi 4,42 detik
serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selain
itu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadi
penghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86
/bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas
operator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembangan
model dengan skenario perubahan tingkat kedatangan dan komposisi unit
pelayanan memberikan hasil berupa tidak adanya antrian dalam stasiun Freezing.
Verifikasi dan validasi model dilakukan untuk mengetahui apakah model
dapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuan
software MINITAB 11. Validasi model dilakukan dengan cara menggunakan uji
kesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasi
dilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan
(proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasil
uji kesamaan menunjukkan bahwa data tersebut seragam pada selang
kerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untuk
digunakan.

ARVIANO HARYANTO SAHAR. F34103128. Queueing System


Productivity Analysis In Frozen Fish Fillet Process Industry (Case Study at
PT. Global Tropical Seafood, West Java). Supervised by MACHFUD.2007
SUMMARY
Fishing industrys is one of Indonesia huge source for Indonesia capital
income. Based on its archipelago, Indonesia have 6.7 billion tons/years of marine
natural resources. Indonesia is one of the biggest exporter of fisheries comodity in
the global market. In order to support the economic growth in the fishing industry
and the expansion of global market, a mordern science study for increasing the
productivity of the industry is important to be held. PT. Global Tropical Seafood
is one of the company in Indonesia that run on the fishing industry with the best
product of frozen fish fillet. In the daily activities the company face the condition
of uncertainty of raw material arrival, pressure to maintain the quality of their
product, and the need of effectivity and efficiency in the production system.
Productivity of queueing system in a production line can be the indicator for
it effectivity and efficiency. The low productivity of queueing system can
decerease the efficiency and effectivity of resource management and increase the
risk of material damage. Inefficiency and ineffectivity in a queueing system can
be mark with the happening of queueuing, low server utilization, and balking in
the system. The boundary in this research is bounded in the queueing system of
frozen fish fillet production line.
Analysis technique that used in this research are monte carlo simulation
technique and line balancing model. Queueing simulation is done with the help of
WinQSB Software with program package called Queueing System
Simulation 1.0 (QSS 1.0) and for the line balancing model is done with manual
calculation. Distribution test for interarrival time and service time that used for
input in the simulation system are using a software that called Easyfit 3.2. The
distribution test is based on graphical comparing method and KolmogorovSmirnov goodness of fit test with used of normal, weibull, triangular, poisson,
gamma, uniform, laplace, logistik, eksponensial dan lognormal distribution.
The result of the distribution test shows that the data of interarrival time and
service time have weibull, triangular, gamma and lognormal distribution with 90
% level of confidence. Queueing system in the frozen fish fillet production line is
composed by 13 work station and 4 of the station is a join work station (handle
material from all of production line). This queueing system simulation is named
SAPFIB Sistem Antrian Produksi Fillet Ikan Beku , it is formed by three models
and four sub models. Those models are models that simulate queueing start from
receiving station to panning and after curing station (Model A), line balancing
model at freezing station (Model B), and queueing model that simulate queueing
system at packing station (Model C). Sub Model Penerimaan simulate queueing
system for receiving station partially, Sub Model Penyisikan simulate queueing
system for scaling station partially, Sub Model Filleting simulate queueing system
for filleting station partially and Sub Model After Curing simulate queueing
system for after curing station partially. The queueing pattern in SAPFIB are the
combination of single channel and multiple channel with pararel server. The unit
that is used in the system simulation are seconds and kilograms of raw material.

SAPFIB queueing model are arranged from interarrival distribution


component and service time component with supporting attribut such as queue
disciple, queue capacity and material transfer time. All of the componet is used to
imitate the real condition of queueing system simulation. The assumtion that used
in simulating the models is material time that is below two second is ignored, and
the interarrival and service time distribution is the same as in the real system.
Beside assumtion for the main model, there is assumtion that was used for analize
the sub model that are the assumion is it simulate queueing system with the
interarrival that is continue at the peak condition.
The result for the main model simulation in the real state of Model A that
was run for 25200 seconds (7 work hour), 24 hours for Model B and 75600 (21
work hour) for model C are balking in after curing station, queue in the freezing
station and there is no queue in packing station. The main problem of Model A is
the inbalance of material flow between the work station and inefficient of human
resource utilization. In Model B the main problem is the queue only exist at a
time. Model C problem is the inefficient of human resource utilization.
The development of queueing models in this research is done by two
approach, that is by changing its rate of incoming material and changing the
server compotition in each work station. The assumtion that used in developing
The models are the queueing system is in the steady state, speed and pattern of
incoming material with the speed and pattern of service time is same as the
historical data that collected at the research period.
The best alternate model for scenario of changing the rate of incoming
material with the server compotition at the real state are the rate of incoming
material in the receiving station increased 3 times from the historical data that
collected at the research period (6482.47 kg/hours) and decrease the incoming
material at after curing station 0.75 times from the historical data that collected at
the research period (129.44 kg/hours), at the freezing station the rate of incoming
material are decreased into 18000 kg/days and at the packing station the rate of
icoming material is increased into 6 times from the historical data that collected at
the research period (15308.28 kg/hours).
The best alternate model for scenario of changing the server compotition in
each work station at the rate of incoming material same as the historical data that
collected at the research period are the operators in the receiving station are
reduced from 5 operators into 4 operators, 3 operators into 1 operators at
production direction station, 5 operators into 3 operators at the filleting station, 7
operators into 2 operators at the scaling station, 16 operators into 10 operators at
trimming station, 2 operators into 1 operators at washing station, 5 operators into
7 operators at after curing station, 3 units into 5 units at freezing station, 24
operators into 12 operators at packing station, as for the other station the operators
remain the same compotition
Based on the simulation analysis, the alternate models give an increased
productivity from the simulation in the real system. The alternate models with the
scenario of changing the rate of incoming materials at Model A can remove the
balking from 26.33 kg into 0 kg, the processed material increased from 1856.67
kg into 3099 kg, the server utilization increased from 27.50 % into 75.36%. In
Model C the processed material increased from 1673.67 kg into 10118.67 kg and
the server utilization increased from 13.49 % into 80.79 %. The alternate model

with scenario of changing operator server compotition in each work station in


Model A can remove balking from 26.33 kg into 0 kg, number of processed
material increased from 1856.67 kg menjadi 1991.67 kg, speed up the average
flow time from 979.11 seconds (16.3 minutes) into 275,33 seconds (4.59
minutes), minimize overall average waiting time from 141.75 seconds into 4.42
seconds and increased the server utilization from 27.50 % into 42.75% and can
reduced the cost of ice usage because of queueing from Rp. 296.020,03 /month
into Rp. 40.651,86 /month. In Model C the simulation analisys show that server
utilization increased from 13.49 % into 26.48 %. As for Model B both scenario
could remove the queueing from the freezing station.
Verification and validation is done for knowing if the model that was build
can represent the real system, t-test is used for validate the model with the help of
MINITAB 11 software. By comparing the mean value of two population that is
service time from simulation output and service time from the historical data the
model, will be valid to use when the value of the test said there is no significant
difference between the two population. The t-test result the mean value from the
two population does not different significantly at the confidence level of 95 %.
Those result show the simulation model is valid to be used.

SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul


ANALISIS

KINERJA

SISTEM

ANTRIAN

PADA

INDUSTRI

PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical


Seafood, Jawa Barat) adalah asli karya saya sendiri dengan arahan dosen
pembimbing, kecuali yang jelas ditunjukkan rujukkannya. Skripsi ini belum
pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan
tinggi lain. Semua sumber data dan informasi yang digunakan telah dinyatakan
secara jelas dan dapat diperiksa kebenarannya.

Bogor, 26 Agustus 2007


Yang membuat pernyataan,

ARVIANO HARYANTO SAHAR


F34103128

ANALISIS KINERJA SISTEM ANTRIAN


PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor

Oleh
ARVIANO HARYANTO SAHAR
F34103128

2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR

INSTITUT PERTANIAN BOGOR


FAKULTAS TEKNOLOGI PERTANIAN

ANALISIS KINERJA SISTEM ANTRIAN


PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor

Oleh
ARVIANO HARYANTO SAHAR
F34103128
Dilahirkan pada tanggal 11 Januari 1986
Di Jakarta

Tanggal lulus: 24 Agustus 2007

Menyetujui,
Bogor, 26 Agustus 2007

Dr. Ir. Machfud, MS.


Dosen Pembimbing

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 11 Januari 1986 di
Jakarta. Penulis merupakan anak pertama dari tiga bersaudara
dari pasangan bapak Ir.Haryanto Sahar M.Sc dan Ibu Sylvia
Hasan.
Pendidikan formal penulis diawali dari Taman Kanakkanak TKI Dian Didaktika pada tahun 1990-1991 dan dilanjutkan dengan tingkat
pendidikan dasar di SDI Dian Didaktika (1991-1997). Penulis menyelesaikan
tingkat pendidikan lanjutan pada SLTPI Dian Didaktika (1997-2000) dan SMUN
34 Pondok Labu Jakarta Selatan (2000-2003). Sejak tahun 2003, penulis
memasuki program Strata-1, Departemen Teknologi Industri Pertanian pada
Fakultas Teknologi Pertanian Institut Pertanian Bogor melalui jalur Seleksi
Penerimaan Mahasiswa Baru (SPMB).
Selama kuliah, penulis aktif menjadi asisten praktikum mk. penerapan
komputer pada tahun ajaran 2005/2006 dan mk. sistem inforrnasi manajemen pada
tahun ajaran 2006/2007. Penulis dipercaya sebagai ketua kelas TIN 40 selama
tahun 2005-2007 dan Wakil Ketua Himpunan Mahasiswa Teknologi Industri
(HIMALOGIN) periode 2005/2006. Pada tahun 2006 penulis melakukan kegiatan
praktek lapang dengan topik Mempelajari Human Relationship dan Produktivitas
Tenaga Kerja di PT. ISM Bogasari Flour Mills Tj. Priok - Jakarta . Pada tahun
2007 penulis melakukan penelitian di PT. Global Tropical Seafood, Cikampek
dan berhasil menyelesaikan tugas akhir dengan topik masalah khusus Analisis
Kinerja Sistem Antrian Pada Industri Pengolahan Fillet Ikan Beku .

KATA PENGANTAR
Segala puji dan syukur bagi Allah SWT yang telah memberikan rahmat dan
kasih sayangnya, sehingga penulis dapat menyelesaikan kegiatan penelitian di PT.
Global Tropical Seafood, Jawa Barat sesuai jadwal dan dapat menyusun serta
menyelesaikan skripsi dengan judul

Analisis Kinerja Sistem Antrian Pada

Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood,
Jawa Barat) dengan baik.
Merupakan sebuah anugrah dari Allah SWT karena selama waktu penelitian
dan penyusunan skripsi, penulis dapat memperoleh pengalaman-pengalaman
berharga yakni berupa pembelajaran mengenai teori antrian dan penerapan ilmuilmu akademis dan non akademis yang didapatkan oleh penulis selama menimba
ilmu di kampus IPB ini.
Dalam proses penyusunan skripsi ini terdapat banyak pihak yang terkait,
dengan segala ketulusan hati penulis ingin menyampaikan ucapan terima kasih
kepada :
v Dr. Ir. Machfud, MS sebagai dosen pembimbing akademik yang telah
membimbing

dan

mengarahkan

penulis

dalam

mempersiapkan

,melaksanakan dan menyelesaikan kegiatan penelitian dan penyusunan


skripsi ini.
v Ir. Lien Herlina, Msc dan Ir. Sugiarto, Msi selaku dosen penguji yang telah
memberikan saran dan kritiknya untuk penyempurnaan skripsi ini serta
masukannya kepada penulis untuk pengembangan diri penulis.
v Bapak Ir. Haryanto Sahar, MSc dan Ibu Sylvia Hasan sebagai kedua orang
tua penulis yang memberikan segala kasih sayang dan dukungan yang tak
ternilai kepada penulis serta kedua adik penulis yang senantiasa
mendoakan dan memberikan dukungan moril kepada penulis dalam
menyelesaikan skripsi ini.
v Bapak Sidiq selaku Pimpinan Pabrik dan Bapak Sumardi selaku Manajer
Personalia PT. Global Tropical Seafood, Jawa Barat yang telah membantu
penulis dalam mewujudkan kegiatan penelitian pada perusahaan tersebut.
v Bapak Citra Asmara Putra, bapak Ahmad Rifani, dan bapak Tegas selaku
manager di PT. Global Tropical Seafood yang telah membantu penulis
i

dalam mengumpulkan informasi yang diperlukan bagi penulis beserta


saran dan kritiknya dalam penyusunan skripsi ini.
v Mba Rina, Mba Nina, Mba Rum, Pak Sunari, Pak Iwan berserta Seluruh
staff dan karyawan PT. Global Tropical Seafood yang telah membantu
penulis dalam kegiatan pengumpulan data dan informasi sehari-harinya
v Bapak Mardianto, Bapak Achmad atas motivasi yang diberikan kepada
penulis selama penulis melaksanakan penelitian di PT. Global Tropical
Seafood.
v Yasmin

dan

Henny

selaku

rekan

penulis

yang

bersama-sama

melaksanakan penelitian di PT. Global Tropical Seafood.


v Kukuh dan Puji selaku rekan sebimbingan yang bersama-sama saling
mendukung dalam suka dan duka penyelesaian skripsi ini.
v Sahabat-sahabatku Indah, Farah, Derry, Riri, Fardian, Helmi, Adit, Ratih,
Ayip, Indra, Amin, Adriel, Jerry, Lutfi atas kebersamaannya dalam
penyelesaian skripsi ini.
v Bang riki, Mas ade, Uda Paul, Uda Edwin, Uda Ansor, Dion, Sigit, Wita,
Dani, Dung-dung, Aldo, Jejeng dan seluruh penghuni wisma galih yang
selalu mengisi hari-hari penulis dengan keceriaan selama penulis
menyelesaikan skripsi ini.
v Seluruh Civitas TIN 40 dan HIMALOGIN yang telah memberi
pengalaman-pengalaman berharga bagi pengembangan diri penulis.
v Semua pihak yang terkait dan turut membantu hingga selesainya skripsi ini
yang tidak dapat penulis sebutkan satu-persatu pada lembar ini.

Semoga

skripsi

ini

dapat

bermanfaat

bagi

semua

pihak

yang

membutuhkannya.

Bogor, Agustus 2006

Penulis

ii

DAFTAR ISI

Halaman
KATA PENGANTAR ........................................................................................... i
DAFTAR ISI ......................................................................................................... iii
DAFTAR TABEL ................................................................................................. vi
DAFTAR GAMBAR ............................................................................................. vii
DAFTAR LAMPIRAN .......................................................................................... x
I. PENDAHULUAN
A. Latar Belakang ............................................................................................ 1
B. Ruang Lingkup ............................................................................................ 3
C. Tujuan ......................................................................................................... 3
D. Manfaat ....................................................................................................... 4
II. TINJAUAN PUSTAKA
A. Fillet Ikan Beku ........................................................................................... 5
B. Teori Antrian ............................................................................................... 6
C. Uji Distribusi ............................................................................................... 18
D. Model.......................................................................................................... 22
E. Teknik Heuristik .......................................................................................... 24
F. Simulasi ....................................................................................................... 24
G. Verifikasi dan Validasi ................................................................................ 27
H. Penelitian Terdahulu.................................................................................... 28
III. METODE PENELITIAN
A. Kerangka Pemikiran .................................................................................... 30
B. Pendekatan Berencana ................................................................................. 31
C. Tata Laksana ............................................................................................... 32
IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL TROPICAL SEAFOOD
A. Sistem Produksi Fillet Ikan Beku ................................................................. 35
1. Stasiun Penerimaan ................................................................................. 39
2. Stasiun Arahan Produksi.......................................................................... 39
3. Stasiun Penyisikan................................................................................... 40

iii

Halaman
4. Stasiun Filleting ...................................................................................... 40
5. Stasiun Trimming .................................................................................... 41
6. Stasiun Washing ...................................................................................... 41
7. Stasiun Sizing .......................................................................................... 41
8. Stasiun Panning ...................................................................................... 42
9. Stasiun Bagging ...................................................................................... 42
10. Stasiun Curing ......................................................................................... 42
11. Stasiun After Curing ................................................................................ 42
12. Stasiun Freezing ...................................................................................... 43
13. Stasiun Packing ....................................................................................... 43
B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku ................................... 46
V. ANALISIS DAN PEMBAHASAN
A. Distribusi Data ............................................................................................ 51
B. Model Antrian............................................................................................. 53
1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga Stasiun
Panning Dan Stasiun After Curing (Model A) ........................................ 55
2. Kinerja Model Antrian Pada Stasiun Freezing (Model B) ....................... 58
3. Kinerja Model Antrian Pada Stasiun Packing (Model C) ........................ 60
C. Sub Model Antrian ..................................................................................... 62
1. Sub Model Penerimaan ........................................................................... 62
2. Sub Model Penyisikan ............................................................................ 64
3. Sub Model Filleting ................................................................................ 66
4. Sub Model After Curing.......................................................................... 67
D. Pengembangan Model ................................................................................. 68
1. Pengembangan Model Dengan Skenario Perubahan Tingkat Kedatangan 69
2. Pengembangan Model Dengan Skenario Perubahan Komposisi Unit
Pelayanan ............................................................................................... 76
E. Kinerja Sistem Antrian................................................................................. 83
1. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan
Tingkat Kedatangan ................................................................................ 83

iv

Halaman
2. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan
Komposisi Unit Pelayanan ...................................................................... 96
F. Verifikasi dan Validasi Model ...................................................................... 107
VI. KESIMPULAN DAN SARAN
A. Kesimpulan ................................................................................................. 110
B. Saran ........................................................................................................... 112
DAFTAR PUSTAKA ............................................................................................ 114

DAFTAR TABEL
Halaman
Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara ....... 1
Tabel 2. Sebaran frekwensi data waktu antar kedatangan .................................. 15
Tabel 3. Ketentuan mutu bahan baku fillet ikan beku ........................................ 36
Tabel 4. Bobot standar fillet .............................................................................. 41
Tabel 5. Waktu perpindahan bahan antar stasiun ............................................... 46
Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata............... 48
Tabel 7. Hasil Uji distribusi waktu kedatangan bahan........................................ 52
Tabel 8. Hasil Uji distribusi waktu pelayanan operator ...................................... 52
Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB........... 54
Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalam
model A .............................................................................................. 71
Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun after curing dalam
model A .............................................................................................. 72
Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun packing dalam
model C .............................................................................................. 75
Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja pada
pengembangan model antrian SAPFIB ................................................ 78
Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama kondisi nyata ..... 108
Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian sub model kondisi nyata ......... 108
Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama sistem alternatif
dengan skenario perubahan tingkat kedatangan ................................... 109
Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama sistem alternatif
dengan skenario perubahan komposisi unit pelayanan ......................... 109

vi

DAFTAR GAMBAR
Halaman
Gambar 1. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Tunggal ... 8
Gambar 2. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Ganda
Serial ............................................................................................... 8
Gambar 3. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda
Pararel ............................................................................................. 8
Gambar 4. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda ........ 8
Gambar 5. Skema Simulasi Stokastik ................................................................ 26
Gambar 6. Skema Tahapan Pendekatan Berencana............................................ 32
Gambar 7. Diagram Tahapan Penelitian ............................................................ 34
Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO ............. 37
Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO .......... 38
Gambar 10. Sistem Produksi Fillet Ikan Beku ..................................................... 45
Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. Global
Tropical Seafood .............................................................................. 50
Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam bentuk
matriks ............................................................................................. 56
Gambar 13. Grafik antrian maksimum pada stasiun Freezing .............................. 60
Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam bentuk
matriks ............................................................................................. 61
Gambar 15. Penulisan model simulasi sub model penerimaan pada program QSS
1.0 dalam bentuk grafis ................................................................... 63
Gambar 16. Penulisan model simulasi sub model penyisikan pada program QSS 1.0
dalam bentuk matriks ....................................................................... 65
Gambar 17. Penulisan model simulasi sub model filleting pada program QSS 1.0
dalam bentuk matriks ...................................................................... 66
Gambar 18. Penulisan model simulasi sub model after curing pada program QSS
1.0 dalam bentuk matriks ................................................................. 67
Gambar 19. Penulisan model simulasi A alternatif skenario perubahan tingkat
kedatangan pada program QSS 1.0 dalam bentuk matriks ............... 73
Gambar 20. Penulisan model simulasi C alternatif skenario perubahan tingkat
Kedatangan pada program QSS 1.0 dalam bentuk matriks ............... 76
Gambar 21. Penulisan model simulasi A alternatif skenario perubahan komposisi
unit pelayanan pada program QSS 1.0 dalam bentuk matriks .......... 79

vii

Halaman
Gambar 22. Penulisan model simulasi C alternatif skenario perubahan komposisi
unit pelayanan pada program QSS 1.0 dalam bentuk matriks ........... 82
Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses pada
pengembangan model A secara skenario perubahan tingkat
kedatangan ...................................................................................... 84
Gambar 24. Diagram perbandingan jumlah bahan yang terproses pada
pengembangan model A dengan skenario perubahan tingkat
kedatangan ....................................................................................... 85
Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan pada
pengembangan model A dengan skenario perubahan tingkat
kedatangan ....................................................................................... 86
Gambar 26. Diagram perbandingan tingkat utilitas operator secara overall pada
pengembangan model A dengan skenario perubahan tingkat
kedatangan ....................................................................................... 87
Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada
pengembangan model A dengan skenario perubahan tingkat
kedatangan ....................................................................................... 88
Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu pada
pengembangan model A dengan skenario perubahan tingkat
kedatangan ....................................................................................... 89
Gambar 29. Diagram perbandingan biaya penggunaan es pada pengembangan
model A dengan skenario perubahan tingkat kedatangan .................. 90
Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada stasiun
freezing dengan skenario perubahan tingkat kedatangan ................... 91
Gambar 31. Diagram perbandingan jumlah bahan yang terproses pada
pengembangan model C dengan skenario perubahan tingkat
kedatangan ....................................................................................... 92
Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan pada
pengembangan model C dengan skenario perubahan tingkat
kedatangan ....................................................................................... 93
Gambar 33. Diagram perbandingan tingkat utilitas operator secara overall pada
pengembangan model C dengan skenario perubahan tingkat
kedatangan ....................................................................................... 94
Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada
pengembangan model C dengan skenario perubahan tingkat
kedatangan ....................................................................................... 95
Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu pada
pengembangan model C dengan skenario perubahan tingkat
kedatangan ....................................................................................... 96

viii

Halaman
Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ........................................................................................ 97
Gambar 37. Diagram perbandingan jumlah bahan yang terproses pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ......................................................................................... 98
Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ......................................................................................... 98
Gambar 39. Diagram perbandingan tingkat utilitas operator secara overall pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ......................................................................................... 99
Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ......................................................................................... 100
Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu pada
pengembangan model A dengan skenario perubahan komposisi unit
pelayanan ......................................................................................... 101
Gambar 42. Diagram perbandingan biaya penggunaan es pada pengembangan
model A dengan skenario perubahan komposisi unit pelayanan ........ 102
Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada stasiun
freezing dengan skenario perubahan jumlah unit pelayanan .............. 102
Gambar 44. Diagram perbandingan jumlah bahan yang terproses pada
pengembangan model C dengan skenario perubahan komposisi
operator............................................................................................ 103
Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan pada
pengembangan model C dengan skenario perubahan komposisi
operator............................................................................................ 104
Gambar 46. Diagram perbandingan tingkat utilitas operator secara overall pada
pengembangan model C dengan skenario perubahan komposisi
operator............................................................................................ 105
Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada
pengembangan model C dengan skenario perubahan komposisi
operator............................................................................................ 106
Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu pada
pengembangan model C dengan skenario perubahan komposisi
operator............................................................................................ 107

ix

DAFTAR LAMPIRAN
Halaman
Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan........................... 116
Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator ......................... 123
Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku ................... 139
Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2 .......... 141
Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata ........................ 142
Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B .............. 145
Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata......................... 152
Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata .. 154
Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata ... 155
Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata ....... 156
Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata. 157
Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario
Perubahan Tingkat Kedatangan ..................................................... 158
Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario
Perubahan Tingkat Kedatangan ..................................................... 161
Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario
Perubahan Komposisi Operator ..................................................... 164
Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario
Perubahan Komposisi Operator ..................................................... 165
Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood .............. 166
Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model
Alternatif Skenario Perubahan Tingkat Kedatangan ..................... 167
Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model
Alternatif Skenario Perubahan Komposisi Operator ..................... 169

I. PENDAHULUAN
A. Latar Belakang
Industri perikanan merupakan salah satu sektor industri yang menjadi
primadona di dalam penyumbang sumber devisa Indonesia. Ketika Indonesia
mengalami krisis moneter pada tahun 1997 sektor tersebut menjadi salah satu
sektor yang mampu tumbuh berkembang di tengah keterpurukan sektor
ekonomi lainnya. Perkembangan sektor perikanan ini terutama disebabkan oleh
karena pasarnya yang bererorientasi ekspor. Pasar ekspor memberikan
pemasukan berupa mata uang dollar yang pada saat itu nilainya melambung
tinggi di Indonesia akibat dari turunnya nilai mata uang rupiah.
Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta
ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar
komoditas perikanan dunia. Selama periode 1999-2002 produk domestik bruto
(PDB)

subsektor

perikanan

mengalami

kenaikan

sebesar

21,72

%.

(Departemen Kelautan dan Perikanan, 2002).


Peningkatan permintaan ikan di pasaran dunia antara lain dipengaruhi
oleh meningkatnya jumlah penduduk dunia, bergesernya selera konsumen dari
red meat ke white meat , dan kebutuhan manusia akan makanan sehat.
Selain itu kondisi yang mengancam kesehatan manusia akibat mengonsumsi
daging ternak yang mempunyai resiko penyakit seperti mad cow disease, serta
penyakit mulut dan kuku yang melanda kawasan Eropa, Asia dan Amerika
membuat keinginan manusia untuk mendiversifikasi sumber pangan berprotein
tinggi semakin tinggi.
Jika melihat perkembangan jumlah ekspor produk fillet ikan beku
Indonesia ke mancanegara terlihat bahwa dari tahun ketahun penerimaan
produk fillet ikan beku di setiap negara berbeda-beda, mayoritas memiliki
kecenderungan naik namun tidak semuanya bersifat konsisten. Salah satu hal
yang dapat menyebabkan kondisi tersebut ialah karena tingginya persaingan
antar negara-negara pengekspor produk perikanan beku.

Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara
2003
Negara Tujuan

2004

2005 (Jan-Nop)

2006 (Jan-Nop)

Berat
(Kg)

Nilai
(US$)

Berat
(Kg)

Nilai
(US$)

Berat
(Kg)

Nilai
(US$)

Berat
(Kg)

Nilai
(US$)

JEPANG

15.410

1.420.463

98.535

3.237.528

97.579

3.211.469

33.420

1.447.167

AMERIKA
SERIKAT

2.842

9.344

36.800

505.035

36.800

505.035

POLANDIA

47.000

265.400

69.000

531.700

HONGKONG

476

1.736

7.095

58.277

4.858

40.484

10.762

32.344

MALAYSIA

1.053

6.562

9.386

38.741

9.386

38.741

458

6.380

REP.RAKYAT
CINA

9.023

29.514

9.023

29.514

8.500

310.524

AUSTRALIA

1.687

9.376

2.277

12.943

2.277

12.943

10.405

52.047

*) dalam ribuan, sumber : Deprin 2007

Dalam rangka mendukung peningkatan pertumbuhan ekonomi di sektor


perikanan dan pemenuhan tuntutan pasar ekspor, kajian ilmiah yang
berorientasi pada peningkatan kinerja industri perikanan perlu dilakukan
dengan berdasarkan ilmu pengetahuan dan teknologi modern.
Menurut Machfud (1999) produktivitas perusahaan merupakan hal
penting yang harus diperhatikan dalam rangka mengembangkan perusahaan
yang berdaya saing tinggi. Perencanaan dan pengendalian produksi yang baik
akan menghasilkan proses produksi dengan tingkat efisiensi dan efektivitas
tinggi melalui penghematan sumber daya yang ada dan waktu produksi yang
optimal.
PT. Global Tropical Seafood merupakan salah satu perusahaan yang
bergerak di industri perikanan yang berorientasi ekspor dengan salah satu
produk unggulannya fillet ikan beku. Dalam kegiatan produksinya perusahaan
dihadapkan pada kondisi kedatangan bahan baku yang bersifat probalistik,
adanya tuntutan kualitas produk yang prima, serta perlunya efektivitas dan
efisiensi dalam sistem produksi.
Ketidakseimbangan aliran bahan dan antrian dalam lini produksi
pengolahan fillet ikan beku akan menyebabkan timbulnya inefisiensi dan
inefektifitas sistem produksi akibat terjadinya kemacetan (bottleneck) bahan
maupun rendahnya utilitas stasiun pelayanan. Nilai produktivitas lini produksi
suatu perusahaan dapat menjadi sebuah indikator tingkat keefesienan dan
keefektifan perusahaan tersebut dalam mengelola sumber daya yang ada. Nilai

produktivitas yang setinggi-tingginya merupakan suatu pencapaian yang


diinginkan oleh perusahaan pada umumnya.
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Model antrian dalam lini produksi suatu perusahaan dapat dikembangkan
dengan teori antrian untuk meningkatkan produktivitas kerja dari pendekatan
tingkat utilitas unit pelayanan dan waktu tunggu bahan dengan memaksimalkan
efisiensi dan efektifitas proses. Perbaikan kinerja sistem produksi dapat
mengurangi tambahan biaya yang disebabkan oleh adanya antrian dan
inefisiensi penggunaan sumber daya.

B. Ruang Lingkup
Penelitian ini dibatasi pada analisis sistem antrian dan pengembangan
modelnya pada lini produksi fillet ikan beku.
C. Tujuan
Tujuan yang ingin dicapai dari penelitian ini adalah :
1. Mengidentifikasi faktor-faktor yang menyebabkan terjadinya antrian pada
lini produksi industri pengolahan fillet ikan beku.
2. Menganalisis kinerja sistem antrian yang ada di dalam lini produksi industri
pengolahan fillet ikan beku.
3. Mengembangkan model antrian untuk meningkatkan kinerja lini produksi
pengolahan fillet ikan beku melalui perubahan tingkat kedatangan bahan
baku dan pengubahan komposisi operator pada stasiun-stasiun kerja dalam
sistem antrian.

D. Manfaat
Penelitian yang dilakukan dapat memberikan pemahaman yang lebih
mendalam mengenai aplikasi teori antrian dalam memecahkan permasalahan
sistem produksi dalam suatu industri.

Hasil penelitian ini dapat memberikan model alternatif antrian proses


produksi fillet ikan beku. Model alternatif tersebut dapat digunakan sebagai
pembanding dari model antrian yang saat ini berjalan di perusahaan.
Perbandingan tersebut bermanfaat untuk menilai kinerja sistem produksi yang
berjalan di perusahaan saat ini sehingga dapat dijadikan sebagai referensi
dalam pengambilan keputusan untuk perbaikan kinerja lini produksi fillet ikan
beku.

II. TINJAUAN PUSTAKA


A. Fillet Ikan Beku
Fillet ikan merupakan daging ikan yang diperoleh dengan penyayatan
ikan utuh sepanjang tulang belakang dimulai dari belakang kepala hingga
mendekati bagian ekor. Tulang belakang dan tulang rusuk yang membatasi
badan dengan rongga perut tidak dipotong pada waktu penyayatan, hal ini
bertujuan agar tulang atau duri yang terikut dalam daging menjadi sedikit.
Proses pengawetan dengan cara pembekuan yang berlaku untuk daging ikan
tanpa tulang disebut fillet ikan beku (Suparno, 1992).
Menurut DSN (1992), tahapan pengolahan fillet ikan beku adalah :
(1) Pencucian
Ikan dicuci kemudian ditampung di dalam bak fiberglass yang
dilengkapi drainage (lubang pembuangan air bagian bawah).
Penyusunan ikan dibuat berlapis-lapis dengan es. Diusahakan agar
ikan tidak terendam air karena dapat memudarkan warna kulit hingga
menjadi pucat, suram dan tidak mengkilap.
(2) Pengambilan daging (filleting)
Sebelum ikan diambil dagingnya (difillet) maka terlebih dahulu
dilakukan pemotongan kepala dengan pisau tajam sekaligus
penarikan atau pengeluaran isi perut temasuk pembuangan sisik,
selanjutnya dilakukan pengambilan daging dengan cara penyayatan
yang dimulai dari punggung yang mengarah ke perut dan ekor
sehingga diperoleh kepingan dua sisi tanpa tulang.
(3) Perapihan (trimming)
Hasil potongan daging kemudian dirapihkan bentuknya dengan cara
menyisir permukaan hasil potongan dan bagian sisi samping dengan
menggunakan pisau tajam.
(4) Pengelompokan ukuran (sizing)
Pada tahap ini dilakukan penimbangan terhadap tiap-tiap keping
daging dan dikelompokkan menurut ukuran yang ditentukan.
(5) Penyusunan dalam pan pembeku

Pan pembeku diisi dengan fillet dengan permukaan kulit menghadap


ke atas dan tiap keping fillet tidak saling menumpuk serta diusahakan
penyusunan fillet hanya satu lapis saja. Hal ini dimaksudkan agar
daging fillet beku yang dihasilkan mempunyai penampilan rapi,
halus, lurus dan rata. Sebelum fillet disusun terlebih dahulu pan
pembeku dilapisi dengan selembar plastik dan pada bagian atas
daging ditutup dengan selapis plastik.
(6) Pembekuan
Ikan yang telah tersusun dalam pan dimasukkan ke dalam contact
plate freezer (CPF) atau air blast freezer (ABF) dengan suhu operasi
-40oC. Bila menggunakan CPF waktu pembekuan yang diperlukan
adalah 4-5 jam sedangkan ABF memerlukan waktu 8-9 jam.
(7) Pelapisan (glazing)
Fillet beku yang dihasilkan kemudian dilepas dari pan pembeku
selanjutnya dilakukan pengelasan dengan cara tiap keping fillet
dicelup ke dalam campuran air dan es yang bersuhu 0-5oC.
(8) Pengemasan (packaging)
Tiap-tiap keping fillet dimasukkan ke dalam plastik dan kemudian
bagian ujungnya dilipat untuk selanjutnya disusun ke dalam
mastercarton dan diikat dengan mesin pengikat (Strapping band
machines), pada tiap kemasan dicantumkan keterangan atau label
yang jelas.
(9) Penyimpanan beku
Master carton yang berisi produk disimpan dalam gudang beku (cold
storage) dengan suhu -25oC, penyusunan dalam cold storage diatur
sedemikian rupa sehingga memiliki sirkulasi udara.

B. Teori Antrian
Teori Antrian merupakan studi yang berkaitan dengan suatu keadaankeadaan yang berhubungan dengan segala aspek dalam situasi seseorang atau
lebih harus menunggu untuk dilayani. Dengan menggunakan teori antrian kita
dapat menganalisa kinerja antrian dengan menggunakan model-model
6

matematik pada keadaan yang berbeda-beda, dan dengan teori antrian ini pula
dapat dibuat keputusan tentang berapa jumlah fasilitas pelayanan yang harus
digunakan, luasan tempat antrian yang dibutuhkan, saat pemberian pelayanan
dan sebagainya (Heizer dan Render ,2004).
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Menurut Machfud (1999) Teori antrian memiliki ciri-ciri sebagai berikut:
1. Adanya pemasukan objek ke dalam suatu sistem
2. Objek yang bergerak melalui sistem bersifat diskret
3. Objek yang masuk ke dalam sistem untuk mendapatkan pelayanan atau
proses diurut berdasarkan suatu aturan tertentu
4. Adanya suatu mekanisme tertentu yang menentukan waktu pelayanan
5. Mekanisme yang tidak dapat ditentukan secara pasti dapat
dipertimbangkan sebagai suatu sistem yang bersifat probalistik
Menurut Aminudin (2005), ada beberapa tipe sistem antrian yang
semuanya dapat diklasifikasikan menurut karateristik di bawah ini.
1. Masukan atau kejadian kedatangan, yaitu meliputi sebaran jumlah
kedatangan tiap satuan waktu, jumlah antrian yang diizinkan
terbentuk, panjang maksimum antrian dan jumlah maksimum
langganan yang harus dilayani.
2. Proses pelayanan, yang meliputi sebaran waktu pelayanan untuk satu
satuan unit pelanggan, jumlah fasilitas pelayanan serta bentuk fasilitas
pelayanan (pararel, seri dan lain-lain).
3.

Disiplin antrian, merupakan cara penentuan antrian atau baris


antrian (FIFO, LIFO, dan Lain-Lain).

Menurut Pangestu dkk (1993), terdapat empat struktur dasar dari sistem
antrian yang melukiskan kondisi umum dari fasilitas pelayanan, yaitu (1) jalur
tunggal satu fasilitas pelayanan, (2) jalur tunggal fasilitas pelayanan ganda, (3)
jalur ganda fasilitas pelayanan tunggal, (4) jalur ganda fasilitas pelayanan
ganda.

Selain empat struktur dasar antrian tersebut, masih terdapat struktur


model antrian lain yang pada dasarnya merupakan gabungan dari dua atau
lebih struktur antrian diatas.

1. Pola Kedatangan.
Pola kedatangan adalah menggambarkan cara individu-individu dari
suatu populasi memasuki sistem. Individu-individu mungkin datang

dengan laju kedatangan yang konstan atau juga secara acak. Untuk laju
kedatangan yang acak dan mempunyai sebaran tertentu.
Sebaran peluang poisson adalah salah satu dari sebaran pola
kedatangan yang paling umum bila beberapa faktor mempengaruhi waktu
kedatangan. Hal tersebut disebabkan sebaran poisson sesuai dengan suatu
pola kedatangan yang bersifat acak sempurna, berarti bahwa masingmasing kedatangan saling bebas satu dengan lainnya (Gordon, 1980).
Apabila laju kedatangan mempunyai sebaran poisson, waktu antar
kedatangan akan mempunyai sebaran eksponensial (Pangestu 1993 dan
Taha 2003).
2. Pola Pelayanan.
Jumlah unit yang dapat dilayani persatuan waktu disebut sebagai
laju pelayanan dari fasilitas pelayanan. Laju pelayanan dapat berpola
konstan, dan dapat pula berpola acak. Untuk laju pelayanan yang
berpola acak, akan mempunyai sebaran peluang seperti halnya pola
kedatangan acak, yaitu sebaran poisson. Bila laju pelayanan
mempunyai sebaran poisson, maka waktu pelayanan mempunyai
sebaran peluang eksponensial (Pangestu 1993 dan Taha 2003).
3. Model-Model Antrian.
Untuk mempelajari model antrian diperlukan beberapa notasi
yang digunakan untuk menggambarkan model antrian yang dimaksud.
Menurut Aalto (2005) Notasi Kendall dapat digunakan untuk
menggambarkan karakteristik dari antrian dengan sistem paralel
secara umum yang dibakukan dengan format sebagai berikut :
(xb / yb / z) : (u / v / w)

Keterangan :
x

: sebaran kedatangan.

: sebaran waktu pelayanan.

: jumlah fasilitas pelayanan paralel.

: disiplin pelayanan atau disiplin antrian.

: jumlah maksimum pelanggan dengan sistem.

: ukuran dari popolasi asal pelanggan.

: kedatangan bulk, pelayanan bulk.

Notasi baku yang menggunakan x dan y dapat diisi dengan notasi


sebagai berikut :
M

: Sebaran kedatangan atau laju pelayanan Poisson


(ekivalen dengan sebaran waktu antar kedatangan atau
waktu pelayanan eksponensial).

: Waktu pelayanan atau waktu antar kedatangan konstan


atau deterministik.

: Sebaran waktu pelayanan umum (normal, binomial).

GI

: Sebaran kedatangan atau tingkat pelayanan mempunyai


sebaran khusus.

: Sebaran erlang untuk waktu antar kedatangan atau waktu


pelayanan.

Notasi untuk mengganti V dan W adalah :


I

: Jumlah maksimum pelanggan di dalam sistem dan


ukuran populasi asal pelanggan tak terhingga.

: Jumlah maksimum pelanggan di dalam sistem an ukuran


populasi asal pelanggan terhingga.

Disiplin antrian yang digunakan untuk mengisi u adalah :


FCFS : First Come, First Serve.
LCFS : Last Come, First Serve.
SIRO : Service in Random Order.
SPT

: Shortest Processing (Service) Time.

GD

: General (Service) Discipline.

Dengan format baku tersebut dapat diketahui berbagai model


antrian yang terbentuk. Masing-masing model antrian dapat
diselesaikan secara analitis dengan rumus-rumus pada model baku.

10

Menurut Gillet (1979), penyelesaian masalah antrian secara analitis


dengan rumus-rumus pada model baku dapat dilakukan apabila kondisi-kondisi
dibawah ini bisa dipenuhi :
a. Kedatangan pelanggan kedalam sistem terjadi secara acak sempurna
dan mengikuti sebaran poisson.
b. Proses pelayanan terjadi secara acak sempurna, dan waktu pelayanan
megikuti sebaran exponensial.
c. Disiplin antrian adalah FIFO.
d. Peluang terjadinya suatu kedatangan pada selang waktu t sampai t
+ t, untuk untuk t cukup kecil adalah n t.
e. Peluang adanya pelanggan meninggalkan sistem pada selang waktu t
sampai t + t, untuk t cukup kecil adalah n t.
f. Laju kedatangan lebih kecil dari laju pelayanan.

B. Sebaran Peluang
Untuk mendapatkan model yang lebih mendekati keadaan sebenarnya,
diperlukan pemilihan fungsi sebaran peluang yang sesuai dengan keadaan
nyata. Langkah-langkah yang harus ditempuh dalam memilih fungsi sebaran
peluang untuk kecepatan kedatangan dan kecepatan pelayanan adalah sebagai
berikut :
1. Mengelompokkan

data

menurut

bentuknya,

yaitu

jumlah

kedatangan dan jumlah unit yang dilayani per unit waktu.


2. Mencari frekwensi, frekwensi relatif dan frekwensi komulatif dari
data.
3. Menghitung rata-rata, keragaman dan simpangan baku.
4. Mencari bentuk baku dari data.
5. Menguji apakah sebaran yang dipilih sesuai (langkah 6) atau tidak
(langkah 7)
6. Menetapkan bentuk parameter penduga dari sebaran baku yang
dipilih.
7. Sebaran yang tidak dapat diterapkan pada model-model sebaran
baku ditetapkan sebagai sebaran khusus (sebaran empiris).

11

Metode pengambilan data ialah dapat dilakukan dengan dua cara


yakni yang pertama ialah sensus, dan yang kedua ialah sampel. Sensus
mengambil data dari keseluruhan jumlah populasi. Sampel merupakan
bagian dari populasi yang diambil dengan cara-cara tertentu yang juga
memiliki karakteristik tertentu, jelas, dan lengkap yang bisa dianggap
mewakili populasi. Populasi yang tak terbatas membuat pengambilan
data dengan cara sensus tidak dapat dilaksanakan sehingga dipilih
pengambilan

data

dengan

cara

sampling.

Pengambilan

sampel

memerlukan beberapa kriteria yang perlu diperhatikan yakni :


1. Penentuan daerah generalisasinya agar sampel dapat berlaku terhadap
populasinya.
2. Pembatasan yang tegas dalam populasi.
3. Penentuan sumber informasi populasi.
4. Pemilihan Teknik Sampling.
5. Perumasan masalah.
6. Pendefinisian unit-unit yang dipakai.
7. Penentuan unit sampel.
8. Pencarian keterangan masalah yang akan dibahas.
9. Penentuan ukuran sampel.
10. Penentuan teknik pengumpulan data.
11. Penentuan Metode Analisis.
12. Penyediaan sarana prasaranan untuk penelitian.
(Hasan, 2001)
Teknik pengambilan sampel dapat dilakukan denan dua cara yaitu :
(1) Sampling random : merupakan sampel yang diambil secara acak
dengan cara undian, ordilnal atau dengan komputer.Pengambilannya
dapat dilakukan dengan cara sederhana, bertingkat, kluster, sistematis
dan proporsional.
(2) Sampling non random : Merupakan pengambilan sampel dengan
tidak acak yang dapat dilakukan dengan tiga cara yakni Kebetulan,
Bertujuan dan Quota.
(Usman, 2003).

12

Sebenarnya tidak ada aturan yang tegas mengenai besarnya anggota


sampel yang diisyaratkan dalam suatu penelitian. Demikian pula batasan apa
batasan bahwa sampel itu besar atau kecil yang jelas ialah jika sampelnya
besar, maka biaya, tenaga dan waktu yang akan disediakan besar pula,
demikian sebaliknya. Sehingga mutu penelitian tidaklah ditentukan oleh
besarnya anggota sampel yang digunakan, melainkan oleh kuatnya dasar-dasar
teori pengambilan sampel tersebut. Sesungguhnya tidak ada anggota sampel
yang 100% representatif, kecuali anggota sampelnya yang sama dengan
anggota populasinya (total sampling) (Usman, 2003).
Sistem antrian umumnya ditentukan oleh dua buah kelengkapan statistik,
yaitu sebaran peluang antar kedatangan dan sebaran peluang waktu pelayanan.
Dalam sistem antrian nyata, waktu antar kedatangan dan waktu pelayanan
mengikuti berbagai macam bentuk sebaran. Bentuk sebaran yang mendasari
model-model antrian adalah sebaran poisson dan exponensial.
1. Sebaran Poisson
Menurut Meyer (1974), definisi dari sebaran poisson adalah
sebagai berikut. Misal X adalah peubah acak yang diskret dan
dianggap mempunyai nilai-nilai 0,1,2, , n Jika :

P( X = k ) =

e k
, K = 0,1,2,..., n.
k!

Maka X dikatakan mempunyai sebaran poisson dengan parameter

>0
Selanjutnya dikatakan bahwa apabila X mempunyai sebaran
poisson dengan parameter , maka nilai harapannya (E(X)) adalah

.Hal ini merupakan sifat khusus yang menarik dari sebaran poisson
yaitu bahwa nilai harapannya sama dengan nilai keragamannya.

2. Uji Kesesuaian Sebaran Poisson


Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang
diperoleh (misalkan data tingkat kedatangan atau tingkat pelayanan)
mempunyai sebaran poisson. Tahap pertama dalam uji kesesuaian

13

sebaran poisson adalah menghitung peluang adanya n kejadian dalam


selang waktu tertentu (Pn) dengan rumus :

(n) n e n
Pn =
, n adalah rata-rata data.
n!
Setelah nilai Pn ditemukan, kemudian dilakukan perhitungan nilai
frekwensi harapan

(expected frequency) yang dilambangkan en,

nilainya ditentukan sebagai berikut.

en = f n p n
n=0
Untuk n yang mempunyai frekwensi terlalu kecil (<5) sebaiknya
dipilih nilai fn dan en terdekat sehingga nilai fn 5 (Taha 2003). Hal
tersebut perlu dilakukan karena frekwensi yang terlalu kecil akan
mengakibatkan harga Chi-kuadrat menjadi besar sehingga tidak
mencerminkan penyimpangan yang wajar mengenai hasil pengamatan
(Sudjana, 1982 di dalam Henryardinanto, 2003).
Langkah selanjutnya dilakukan perhitungan nilai Chi-kuadrat
dengan rumus :
2

X hitung =

( f n en )2
en

Apabila nilai X2 hitung X2 ( ) tabel maka diterima hipotesis


bahwa data mempunyai sebaran poisson. Apabila terjadi sebaliknya,
maka dilakukan penolakan terhadap hipotesis, yang berarti data tidak
mengikuti sebaran poisson.

3. Sebaran Exponensial
Jika peubah acak T menunjukan waktu antar kedatangan atau
waktu pelayanan dan T mempunyai sebaran eksponensial dengan
parameter , maka fungsi kepadatan peluangnya adalah :

e t untuk t 0
f T (t ) =
0

untuk t<0

14

Fungsi kepadatan peluang komulatifnya adalah :


t

F(T) = P(T t) = e t dt
0

= 1- e t ,

untuk t 0

= 0,

untuk t<0

Nilai harapan dari T diperoleh dengan rumus:


~

= te t dt

E(T)

= te t 0 + e t dt =
~

Selanjutnya keragaman dari T dapat diperoleh dengan cara


integrasi yang sama, yaitu :
V(T) = E(T2)-(E(T))2 =

1
2

Dari rumus ini dapat dilihat bahwa sebaran eksponensial


mempunyai sifat khusus yang menarik, yaitu bahwa nilai harapannya
sama dengan simpangan bakunya.

4. Uji Kesesuaian Sebaran Eksponensial


Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang
diperoleh (misalkan data waktu pelayanan atau waktu antar
kedatangan) mempunyai sebaran eksponensial. Langkah awal dari
pengerjaan ini ialah dengan membuat tabel data seperti dibawah ini.
Tabel 2. Sebaran frekwensi data waktu antar kedatangan

Selang Waktu (ta-tb)

Frekwensi (fn)

t1-t2

f1

t2-t3

f2

tn-tn-1

fn

15

Nilai rata-ratanya dihitung sebagai berikut :


1
(t t ) f 1 + 1 (t2 t3 ) f 2 + K + 1 (tn tn1 ) fn
1 2 1 2
2
2
=

f 1 + f 2 + K + fn

Besarnya kemungkinan eksponensial Gi (t) untuk setiap kelas


interval dihitung sebagai berikut :
tb

Gi (t) =

dt = e t a e tb

ta

Frekwensi teoritis (ei) pada setiap kelas interval dihitung sebagai


berikut :
ei=Gi (t) N ,

N adalah jumlah data pengamatan

setelah itu, menghitung nilai Chi-kuadrat dengan rumus :


X2 hitung =

( f h e n )2

n =0

en

Apabila nilai X2 hitung X2( ) tabel maka diterima hipotesis


bahwa data mengikuti sebaran eksponensial. Apabila hasilnya
sebaliknya maka hipotesis bahwa data mengikuti sebaran Eksonensial
ditolak.

5. Sebaran Normal
Dalam dunia nyata terdapat beberapa tipe kejadian acak yang
dibentuk oleh sebaran normal. Sebaran ini mempunyai karakteristik
kepadatan peluangnya berbentuk lonceng yang simetris terhadap garis
x = dengan fungsi densitas pada X = x dengan persamaan :
f(x) =

1
2

dengan :

1 2
2
( x )
2

: nilai konstant (3,1416)

: nilai konstan (2,7183)

: rata-rata

: simpangan baku

dan nilai x mempunyai batas -~<x<~

16

Sebaran normal dapat dibedakan dari sebaran norml lainnya atas


dasar perbedaan nilai rata-rata dan simpangan bakunya atau keduaduanya (Sudjana, 1982 di dalam Henryardinanto, 2003).

6. Uji Kenormalan Data


Uji kenormalan data didasarkan pada fakta bahwa nilai tengah
contoh dan keragaman contoh tidak saling tergantung satu sama
lainnya, jika dan hanya jika contoh berasal dari sebaran normal.
Misalkan kita mempunyai sampelacak dengan hasil pengamatan x1, x2,
.....,

xn. Berdasarkan sampel ini akan dilakukan uji hipotesis bahwa data

yang diambil berasal dari populasi yang memiliki sebaran normal atau
data tersebut berasal dari populasi yang memiliki sebaran tidak
normal.
Menurut Sudjana (1982) di dalam Henryardinanto (2003) prosedur
pengujian hipotesis tersebut adalah sebagai berikut.
a. Pengamatan x1, x2,

, xn dijadikan angka baku z1, z2,

, zn

x1 x

( x dan s masingdengan menggunakan rumus zi =


s

masing merupakan rata-rata dan simpangan baku dari data).


b. Untuk tiap angka baku ini dan dengan menggunakan daftar
sebaran normal baku, kemudian dihitung peluang F(zi) = P(z
zi).
c. Selanjutnya dihitung proporsi z1, z2,

, zn yang lebih kecil atau

sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi), maka:
S(zi), maka: S(zi) = (banyaknya z1, z2,

, zn yang zi)/ n.

d. Hitung selisih F(zi S(zi) kemudian tentukan harga mutlak.


e. Ambil harga yang paling besar diantara harga-harga mutlak
selisih tersebut. Sebutlah harga terbesar ini L0.
Untuk menerima atau menolak hipotesis, L0 harus dibandingkan
dengan nilai kritis L yang diambil dari daftar nilai kritis L untuk uji
Lilliefors untuk taraf yang dipilih. Kriterianya adalah tolak
hipotesis bahwa populasi bersebaran normal jika L0 yang diperoleh
17

dari data pengamatan melebihi nilai L dari daftar. Apabila hasilnya


sebaliknya maka hipotesis bahwa data mengikuti sebaran normal
diterima.

7. Sebaran Empiris
Sebaran empiris adalah sebaran yang diperoleh dari hasil
pengamatan lapang yang mempunyai bentuk khusus dan hanya
berlaku pada kejadian tersebut. Untuk memperoleh peubah acak yang
dibangkitkan dari suatu sebaran empiris dapat digunakan metode
transformasi kebalikan
Peubah acak dari suatu sebaran empiris dipergunakan persamaan
sebagai berikut :
X = XLj +

U Y j 1
Y j Y j 1

( XUj XLj )

XLj adalah batas bawah selang sebaran komulatif dan U adalah


angka acak, Yj adalah peluang komulatifnya.

C. Uji Distribusi
Perlakuan terhadap input data yang bersifat acak untuk program simulasi
dapat dilakukan sebagai berikut (Conover, 1971) :
1. Nilai-nilai data tersebut digunakan secara langsung dalam simulasi.
Sebagai contoh, jika data menggambarkan waktu pelayanan, maka
salah satu data digunkan jika sebuah waktu pelayanan diperlukan
dalam sebuah simulasi. Hal ini disebut trace-driven simulation.
2. Nilai data-data tersebut digunakan untuk mendefinisikan sebuah
fungsi distribusi empiris dengan cara tertentu. Jika diperlukan dalam
sebah simulasi, sampel diambil dari distribusi ini.
3. Data dicocokan terhadap bentuk teoritis distribusi tertentu, misal
exponensial atau poisson, dengan menampilkan hipotesis tes untuk
menentukan kecocokan tersebut (the goodness of fit). Pencocokan ini

18

menghasilakan sejumlah parameter statistika. Saat dilakukan simulasi,


sampel diambil dari jenis distribusi teoritis dan nilai-nilai parameter
yang cocok ini.
Menurut Conover (1971) lebih lanjut, kelemahan dari pendekatan
pertama di atas adalah:
1. Simulasi hanya dapat menghasilkan apa yang telah terjadi sebelumnya
(historically).
2. Jarang diperoleh data yang cukup untuk membuat semua simulasi
yang diinginkan untuk dijalankan.
Jika ditemukan sebuah distribusi teoritis yang sesuai dengan data
pengamatan baik (pendekatan tiga) maka hal ini umumnya lebih dipilih
daripada menggunakan sebuah distribusi empirik (pendekatan dua). Hal ini
disebabkan sebuah fungsi distribusi empirik dapat memiliki sejumlah
ketidakteraturan, terutama jika data yang tersedia hanya sedikit. Keuntungan
lain dari pendekatan tiga adalah distribusi teoritis dapat

memuluskan

(smooth out) data dan dapat menghasilkan informasi. Ada sejumlah situasi
dimana tidak ada distribusi teoritis yang tidak cukup cocok dengan data-data
pengamatan. Pada kasus ini, penggunaan distribusi empiris sangat dianjurkan
(Conover, 1971).
Ditambahkan oleh Law dan Kelton (2000), tahapan dalam menentukan
jenis distribusi dari data yang ada adalah :
1. Membuat hipotesis pendugaan awal
2. Menduga parameter-parameter didalam data
3. Menentukan tingkat kesesuaian distribusi data dengan distribusi
teoritis
Menurut Law dan Kelton (2000), prosedur untuk menentukan kualitas
distribusi yang sudah dicocokan (fitted distributions) ada dua yaitu:
1. Prosedur heuristik atau grafis
Ada sejumlah prosedur heuristik atau grafis yang dapat digunakan
untuk membandingkan distribusi yang telah dicocokan (fitted
distributions) dengan distribusi sesungguhnya, diantaranya adalah
density / histogram overplots dan perbandingan frekuensi, distribusi

19

fungsi perbedaan plots dan plot peluang (Probability Plots). Sebuah


plot peluang dapat digambarkan sebagai grafik perbandingan sebuah
estimasi distribusi data sesungguhnya X1, X2, X3

Xn dengan fungsi

distribusi yang sudah dicocokan (fitted distributions).


Plot peluang dapat dibagi menjadi dua yaitu Q-Q plots dan P-P
plots. P-P (probability-probability) plot adalah sebuah grafik model
peluang

yang dibandingkan dengan sample peluang


, untuk i=1,2,

n dan valid untuk kedua jenis kelompok

data (kontinu atau diskret). Jika

dan

berdekatan, maka P-P

plot akan mendekatisebuah lintasan miring antara 0 dan 1 secara


linier. Asumsi yang digunakan adalah Xi adalah jelas (tidak ada
pembatas). Plot P-P cenderung lebih linier pada nilai q i yang cukup
besar dibandingkan dengan Q-Q plot karena plot Q-Q akan
memperkuat perbedaaan yang kecil antara

dan

ketika

keduanya mendekati nilai satu. Kelinieran plot menunjukkan


kesesuaian antara distribusi teoritis dengan sesungguhnya.
2. Prosedur goodness-of-fit hypotesis test
Pada sebagian besar situasi, sifat dasar pada satu atau beberapa
distribusi populasi merupakan hal yang paling penting. Kesahihan
prosedur-prosedur inferensi statistika prametrik bergantung pada
bentuk populasi-populasi asal sampel-sampel yang dianalasis. Apabila
bentuk-bentuk fungsi dari populasi-populasi yang dianalisis tidak
diketahui maka populasi tersebut harus diuji kecenderungannya apakah
terdistribusi sesuai dengan asumsi-asumsi yang mendasari prosedur
parametrik yang diuji. Metode-metode keselarasan (goodness of fit
test) digunakan untuk menentukan sampai seberapa jauh data sampel
yang teramati selaras , cocok atau fit dengan model tertentu yang
diujikan. Uji-uji keselarasan merupakan alat yang bermanfaat untuk
mengevaluasi sampai seberapa jauh suatu model mampu mendekati
situasi nyata yang digambarkannya.

20

Daniel (1989) di dalam Anggraini (2005) menambahkan bahwa ada


sejumlah uji keselarasan yang diperkenalkan yaitu :
1. Uji khi-kuadrat
2. Uji Kolmogorov-Smirnov
3. Uji Cramer-von Mises, yang diperkenalkan oleh Cramer pada tahun
1928 dan von Mises pada tahun 1931.
4. Uji Binbaum-Hall, yaitu sebuah uji yang analog dengan uji dua
sampel dua sisi Kolmogorov-Smirnov yang sesuai untuk beberapa
sampel bebas. Sayangnya, tabel distribusi statistik uji untuk prosedur
ini baru tersedia untuk kasus tiga sampel yang berukuran sama.
5. Gibbons telah mengusulkan sebuah uji keselarasan distribusi dua
sampel bebas dengan uji hipotesis-hipotesis tandingan yang umum.
Uji ini merupakan suatu

uji pengacakan kelompok

(group

randomization test) yang statistik ujinya adalah fungsi dari jumlah


deviasi kuadrat antara frekuensi-frekuensi relatif kelompok dalam
sampel-sampel.
Uji keselarasan yang paling umum digunakan ialah uji khi-kuardrat (Chisquare goodness of fitness test) dan uji Kolmogorov-Smirnov (K-S). Uji
sampel tunggal K-S pada dasarnya dirancang untuk penggunaan data kontinu
dengan skala minimal ordinal. Pada penerapan uji keselarasan sampel tunggal
K-S, terdapat dua buah fungsi distribusi kumulatif yang dianalisis yaitu
distribusi kumulatif yang dihipotesiskan dan distribusi kumulatif yang teramati.
(Law dan Kelton, 2000).
Keunggulan dari penggunaan Kolmogorov-Smirnov sebagai penguji
keselarasan goodness of fitness test adalah uji ini tidak membutuhkan
pengelompokan data seperti khi-kuadrat sehingga tidak ada informasi yang
hilang dari data. Hal tersebut dapat menghilangkan masalah spesifikasi interval
yang berarti akan memberi kesempatan data diuji dengan semua distribusi yang
lebih luas di banding dengan khi-kuardrat. Keuntungan lain dari penggunaan
Kolmogorov-Smirnov ialah tes ini tepat untuk semua ukuran n (untuk kasus
semua parameter yang telah diketahui) sehingga lebih kuat (powerfull) dalam

21

pembandingan dengan banyak fungsi distribusi, dibandingkan dengan tes khikuadrat (Law dan Kelton, 2000).
Kelemahan dari tes Kolmogorov-Smirnov ialah rentang kemampuan
aplikasinya lebih terbatas dibandingkan dengan tes khi-kuadrat oleh karena
untuk data diskret nilai kritis yang dibutuhkan tidak tersedia, melainkan harus
dihitung dengan menggunakan komputer menggunakan sejumlah formula yang
rumit. Selain itu oleh karena bentuk asli Kolmogorov-Smirnov valid jika
distribusi tersebut kontinu dan semua parameter distribusi hipotesis telah
diketahui, dengan kata lain parameter tidak dapat dianalisis dari data. Namun
saat ini penggunaan Kolmogorov-Simrnov telah diperluas sehingga mampu
mengestimasi beberapa parameter untuk distribusi normal, log normal,
eksponensial, weibull dan log-logistik (Law dan Kelton, 2000).
Uji Kolmogorov-Smirnov dilakukan untuk menguji tingkat kesesuaian
antara distribusi hasil pengamatan dengan distribusi teoritis tertentu. Tes ini
memusatkan perhatian pada penyimpangan terbesar yang dinotasikan dengan
D. Nilai ini dapat dihitung dengan persamaan berikut :

D = Max |fo(x)

Sn(x) | , dengan :

Fo (x) = Suatu fungsi distribusi frekuensi kumulatif teoritis


Sn (x) = Suatu fungsi distribusi frekuensi kumulatif pengamatan dari
suatu sampel acak.
Pada uji Kolmogorov-Smirnov sebagai hipotesa nol adalah Fo(x) =
Sn(x), sedangan hipotesa tandingannya adalah Fo(x) tidak sama dengan Sn(x).
Keputusan dihasilkan dengan membandingkan nilai D yang dihasilkan dengan
nilai kritiknya pada tingkat kepercayaan 90% apabila nilai D lebih kecil dari
nilai kritiknya maka hipotesa nol dapat diterima (Steel dan Torrie, 1991).

D. Model
Model adalah pendekatan atau abstraksi dari suatu sistem yang
dikembangkan untuk tujuan studi. Model berisikan hal-hal (variabel) yang
relevan dengan sistem nyata yang ada. Observasi dalam sebuah sistem dapat
menjadi dasar dalam pembentukan sebuah model (Law dan Kelton, 2000).

22

Ada lima tipe model yang sering diaplikasikan dalam dunia nyata yaitu :
model fisik, model, matematik, model deskriptif, model prosedural dan model
simulasi (Maarif, 2003)
1. Model fisik
Dasar dari model fisik ialah analogi.
2. Model Deskriptif
Model deskriptif bersifat kualitatif.
3. Model Matematik
Model matematik terdiri dari simbol-simbol matematik atau
persamaan untuk menjelaskan suatu sistem. Atribut model adalah
variabel dan aktivitas model adalah fungsi.
Model matematika dapat dikelompokkan dalam tiga dimensi
yaitu pengaruh waktu, tingkat keyakinan, dan kemampuan
mencapai tingkat optimasi
a. Model statis atau dinamis
Model statis tidak menyatakan waktu sebagai variabel. Model
ini berkaitan pada suatu titik waktu tertentu. Model yang
menyertakan waktu sebagai variabel ialah model dinamis.
Model ini menggambarkan perilaku entitas dari waktu ke waktu.
b. Model probalistik atau deterministik
Probilita adalah peluang terjadinya sesuatu yang berkisar antara
0,00 (Sama sekali tidak) hingga 1,00 (Sama sekali pasti). Model
yang mencakup probabilita adalah model probalistik sebaliknya
adalah model deterministik.
c. Model optimasi atau suboptimasi
Model optimasi adalah model yang memilih solusi terbaik dari
berbagai alternatif. Agar dapat mencapai hal ini, masalah harus
terstruktur dengan baik. Model suboptimasi sering disebut
satisfiying model, oleh karena solusi terbaik diserahkan pada
pengguna.

23

4. Model prosedural
Model prosedural terdiri dari flowchart yang menjelasan
langkah-langkah yang terjadi dalam sistem.
5. Model Simulasi
Model simulasi adalah gabungan dari model prosedural dan
model matematik.

E. Teknik Heuristik
Program heuristik merupakan pengembangan operasi aritmatika dan
matematika logika. Ciri-ciri program heuristik secara umum : 1) adanya
operasi aljabar, yaitu penjumlahan, pengurangan dan perkalian; 2) adanya
perhitungan bertahap; 3) mempunyai tahapan terbatas sehingga dapat dibuat
algoritma komputernya (Gautney, 1995)
Teknik heuristik tidak menjamin diperolehnya pemecahan optimal tetapi
menjamin pemecahan yang memuaskan pengambil keputusan (Bedworth dan
Bailey, 1982). Pengembilan keputusan menggunakan aturan situasi/aksi. Jika
(s1..sn), maka (a1..an). (s1..sn) merupakan situasi yang dinyatakan dengan
operasi dan; (a1..an) adalah aksi atau keputusan yang diambil (Gautney, 1995).

F. Simulasi
Simulasi adalah suatu aktifitas dimana pengkaji dapat menarik
kesimpulan-kesimpulan tentang perilaku model yang selaras, dimana hubungan
sebab akibat terjadi seperti pada sistem yang sebenarnya. Dengan demikian,
simulasi berkepentingan dalam pembentukan serta pemanfaaatan model-model
yang secara realistis memplotkan perkembangan sistem sesuai jalur waktu.
Simulasi lebih menunjukkan suatu estimasi statistik, dibandingkan hasil eksak
yang lebih cenderung hanya merupakan suatu perbandingan dari berbagai
alternatif untuk mencapai titik optimum (Eriyatno, 1999 di dalam Sipahelut
(2002)).
Menurut subagyo et. al (1989) simulasi merupakan duplikasi atau
abstraksi persoalan dalam kehidupan nyata yang bersifat luwes sesuai dengan
keperluan sistem yuang sebenarnya. Selain itu keuntungan menggunakan

24

simulasi antara lain dapat memberikan jawaban bila model analitik yang
digunakan tidak memberikan solusi yang optimal.
Model simulasi yang diklasifikasikan berdasarkan dimensinya terdiri dari
model statis dan dinamis. Model simulasi statis, biasanya direkayasa guna
mewakili suatu sistem yang pada keadaaan tertentu tidak berperan aktif,
sebaliknya model simulasi dinamis mewakili suatu sistem yang berubah-ubah
sesuai perubahan dimensi waktu atau yang lainnya. Salah satu contoh model
statis ialah model-model simulasi monte carlo (Eriyatno, 1999 di dalam
Sipahelut ,2002).
Simulasi probalisatik atau simulasi monte-carlo, mempunyai kelebihan
karena simulasi ini dapat diatur jumlah ulangan simulasinya sesuai yang
dikehendaki dalam rangka memperoleh peubah acak dengan simpangan baku
kecil.

Sistem

Model
Bilangan Acak

X,
P(x)

n=N

Variabel Acak
Ya

Tidak
n = n +1
Gambar 5. Skema Simulasi Stokastik (Gottfried, 1984)
Untuk menguji kecukupan simulasi digunakan perhitungan dengan rumus
sebagai berikut (Gottfried, 1984) :

25

Dimana :
N

= Panjang hari simulasi

= Jumlah data pengamatan


= Standar deviasi pengamatan
*

= Standar deviasi pada tingkat kepercayaan tertentu

Dalam simulasi monte carlo terdapat dua bagian yaitu bilangan acak dan
variabel acak, yaitu pembangkitan bilangan acak yang digunakan untuk input
simulasi dan pembangkitan variabel acak yang berfungsi untuk menjadi model
distribusi data yang dibangkitkan.
Untuk sampel acak yang berdistribusi normal, pembangkitan variabel
acak (X) menggunakan rumus sebagai berikut :

, dengan :
X

= Variabel acak

= Rata-rata sampel pengamatan


= Standar deviasi pengamatan

= Jumlah bilangan acak yang digunakan

Untuk menghitung nilai Z, rumus yang digunakan adalah

, dengan :
N

= Jumlah hari simulasi

Ui

= bilangan acak

Sedangkan variabel acak dengan distribusi empirik dibangkitkan dengan


rumus berikut :
, dengan :
Xi

= Variabel acak ke-i

= Bilangan acak

Xki

= Distribusi peluang frekuensi kumulatif

Xui

= Batas atas kelas data pengamatan ke-i

Xli

= Batas bawah kelas data pengamatan ke-i

26

G. Verifikasi dan Validasi


Verifikasi merupakan proses penentuan apakah model simulasi yang
dibuat telah sesuai dengan yang diinginkan. Hal tersebut dapat dilakukan
dengan beberapa cara, yakni :
1. Tes

data

Mengevaluasi

setiap

kejadian

yang

mungkin,

mempersiapkan data masukan secara khusus dan kemampuan


program pada kondisi ekstrim.
2. Tulis dan debug prodram dalam modul-modul atau subprogramsubprogram
3. Di uji oleh banyak orang.
4. Run pada asumsi penyerdehanaan dimana model simulasi dapat
dihitung dengan mudah.
5. Lihat Hasil Simulasi.
(Maarif,2006)
Validasi model dilakukan untuk mengetahui apakah model yang telah
dibuat sesuai dengan kondisi nyata. Uji yang dapat dilakukan salah satunya
ialah dengan menggunakan uji-t (distribusi student). Uji t menguji kesamaan
nilai tengah () antara dua populasi dengan hipotesis sebagai berikut :
H0 :
H1 :
Hipotesis tersebut diterima ataupun ditolak dengan menggunakan nilai t,
apabila nilai thitung masuk ke dalam wilayah kritis yakni < t

/2

dan > -t

/2

maka

H0 akan di tolak dan H1 akan diterima, sebaiknya jika t diluar wilayah kritis
maka H0 diterima dan H1 akan ditolak. Perhitungan nilai t dihitung dengan
rumus :

dengan : X1 = Rata-rata data pengamatan


X2 = Rata-rata data hasil simulasi

27

= Standar deviasi pengamatan

= Standar deviasi hasil simulasi

n1 = Jumlah Data pengamatan


n2 = Jumlah Data hasil simulasi
(Hasan, 2001)
H. PENELITIAN TERDAHULU
Djamaris (1984), telah melakukan simulasi model antrian sistem
transportasi tebu di PT. PG Kebon Agung, Malang dengan output berupa ratarata waktu antar kedatangan dan kecepatan pelayanan.
Sitompul (1984) telah melakuan perancanaan sistem antrian transportasi
tebu di PG Sei Semayang PT. Perkebunan IX Medan, dengan hasil simulasi
berupa waktu antar kedatangan, rata-rata panjang antrian, rata-rata fraksi
menganggur fasilitas pelayanan dan biaya total antrian.
Edikustianto

(1986),

mengaplikasikan

teknik

antrian

dala

mendayagunakan fasilitas bongkar tebu di PT. PG Kebun Agung, Malang


dengan Output berupa rata-rata waktu tunggu, rata-rata panjang antrian dan
rata-rata fraksi mengunggu fasiitas pelayanan.
Arieta (1988) telah melakukan analisa sistem antrian penanganan susu
segar di daerah peternakan bandung utara, jawa barat, dengan hasil berupa
kebijakan operasional dalam menentukan kebutuhan fasilitas pelayanan untuk
menghadapi produksi susu yang terus meningkat.
Riwu (2002) melakukan penelitian mengenai pengaruh rekayasa model
antrian aliran bahan terhadap tingkat produktivitas proses pengolahan live
shrimp head on boiled frozen di PT. Dipasena Citra Darmaja, Lampung dengan
hasil rata-rata waktu tunggu, rata-rata keseluruhan waktu dalam sistem
produksi, rata-rata material terproses.
Andika (2002) melakukan simulasi sistem antrian pola aliran bahan pada
pengolahan udang beku dengan program QSS dengan hasil kombinasi
komponen pelayanan terbaik.
Tandililing (2003) melakukan analisis rekayasa sistem antrian aliran
bahan terhadap produktivitas proses pengolahan fillet ikan beku. Dengan hasil
perbaikan sistem antrian terhadap bahan yang terproses.

28

Henryardinanto (2003) melakukan analisis sistem antrian udang di PT.


Dipasena citra darmaja, lampung dengan hasil berupa perbaikan model antrian.
Aggraini (2005) melakukan penelitian mengenai waktu standar kerja dan
analisis keseimbangan lini produksi pada industri pengolahan udang beku
(studi kasus di PT. Central Pertiwi Bahari, Lampung). Dengan hasil berupa
standar waktu kerja serta pebaikan kinerja sistem antrian.

29

III. METODE PENELITIAN


A. KERANGKA PEMIKIRAN
Ketidakseimbangan antara jumlah input bahan baku dengan kemampuan
pelayanan lini produksi dalam industri pengolahan ikan fillet beku dapat
menimbulkan permasalahan dalam hal produktivitas industri tersebut. Antrian
yang terjadi selama bahan baku menunggu untuk diproses sebagai akibat dari
kemampuan pelayanan yang tidak mampu menangani pemasukan bahan baku
secra maksimal dapat menimbulkan kerugian biaya akibat penurunan kualitas
bahan baku serta kerusakan bahan baku selama menunggu. Rendahnya utilitas
pelayanan juga akan menimbulkan permasalahan pada efisiensi penggunaan
sumber daya yakni terjadinya inefisiensi.
Analisa sistem antrian lini produksi merupakan suatu cara yang dapat
dilakukan untuk membantu memahami permasalahan pada kegiatan proses
produksi. Agar terhindar dari kerugian biaya dan penggunaan sumber daya
yang tidak maksimal, pengembangan model antrian dapat menjadi salah satu
titik perbaikan untuk meningkatkan produktivitas di dalam industri pengolahan
tersebut.
Pengembangan model antrian dilakukan dengan cara menganalisis
komponen sistem antrian lini produksi fillet ikan beku PT. Global Tropical
Seafood yakni distribusi kecepatan kedatangan bahan baku dan distribusi
kecepatan pelayanan operator. Oleh karena kedua komponen tersebut bersifat
probalistik maka model tersebut belum tentu sesuai dengan model baku yang
memiliki asumsi-asumsi khusus. Dalam hal ini teknik simulasi yang bersifat
stokastik dapat diterapkan dalam rangka mencari solusi yang memuaskan dan
realistis.
Simulasi sistem antrian dengan menggunakan pendekatan berencana,
memiliki tujuan utama untuk menguraikan masalah, mengembangkan dan
menetapkan model-model kuantitatif untuk masalah yang spesifik. Komponenkomponen yang terlibat dalam pendekatan berencana ialah data yang sesuai,
serta teknik yang digunakan dalam menyelesaikan masalah.

Hasil analisis tersebut akan berguna untuk menjadi sebuah parameter


perbaikan model antrian. Pengembangan model antrian yang memberi kinerja
lebih baik dapat diindikasikan dengan menjadi minimalnya waktu tunggu
bahan sesaat sebelum di proses dan maksimalnya utilitas operator.

B. PENDEKATAN BERENCANA
Thierauf dan Klekamp (1975) di dalam Indriarti (1997) menyatakan
bahwa

pendekatan

berencana

dapat

digunakan

untuk

menguraikan

permasalahan seperti pertentangan-pertentangan secara obyektif, kebijaksanaan


dan alternatif-alternatif yang memiliki tujuan utama mengembangan serta
menerapkan model-model kuantitatif pada masalah-masalah spesifik.
Tahapan berencana terdiri dari 6 (enam) langkah, yaitu (1) observasi
lapang untuk mengetahui permasalahan yang terjadi secara nyata, (2)
menentukan faktor-faktor yang mempengaruhi permasalahan yang terjadi, (3)
pengembangan alternatif melalui analisis data dan variabel keputusan serta
kendala yang ada, (4) pemilihan penyelesaian optimum, (5) pembuktian
penyelesaian optimum melalui implementasi, (6) membuat kendali yang tepat
untuk

mendeteksi perubahan yang mungkin terjadi,

serta formulasi

permasalahan yang mengandung umpan balik terhadap observasi awal. Skema


tahapan berencana secara lengkap dapat dilihat pada gambar 6.

31

Gambar 6. Skema Tahapan Pendekatan Berencana (Thierauf dan

Klekamp

1975, di dalam Indriati, 1997).

C. TATA LAKSANA
1. Kajian Pustaka dan Observasi Lapang
Kajian pustaka dilakukan untuk mempelajari teori antrian. Observasi
lapang dilakukan dengan cara mengamati secara langsung kegiatan produksi
pada industri yang bersangkutan untuk mengetahui kondisi lapangan.
2. Identifikasi Masalah
Identifikasi masalah merupakan observasi terhadap gejala permasalahan
nyata dalam hal sistem antrian seperti idle time, kecepatan kedatangan
bahan baku dan kondisi fasilitas pelayanannya.
3. Formulasi Masalah
Pembuatan formulasi permasalahan dilakukan berdasarkan identifikasi
sistem dilakukan secara heuristik maupun prosedural yang bertujuan untuk
mengetahui kebutuhan data.

32

4. Pengambilan Data
Data yang dibutuhkan antara lain data jumlah bahan baku, data waktu
proses, waktu kedatangan, waktu pelayanan serta data kapasitas fasilitas
pelayanan dan target produksi. Data primer dikumpulkan dengan mencatat
waktu proses dan waktu antar kedatangan dengan bantuan stop watch. Data
sekunder seperti kapasitas fasilitas antrian, kapasitas antrian dan sistem
antrian dikumpulkan dari berbagai pihak yang terkait dalam manajemen
produksi dan dari sistem pelaporan yang telah ada sebelumnya.
5. Pengolahan Data
Pengolahan data dilakukan untuk mentranformasi data yang ada menjadi
sebuah informasi yang berguna untuk menjadi parameter pengembangan
model antrian yang ada. Pengolahan data ini dilakukan secara statistik
sehingga akan mendapat sebuah kesimpulan informasi.
6. Pengembangan Model Antrian
Pada tahap ini dilakukan modifikasi pada model yang ada sehingga
sesuai membuat perbaikan yang lebih baik berdasarkan parameter yang
telah ditentukan sebelumnya.
7. Validasi dan Verifikasi
Model yang telah disusun di verifikasi dan divalidasi dengan
menggunakan data aktual yang diperoleh.

33

Mulai

Identifikasi Sistem

Pengambilan Data

Uji Distribusi Data

Analisa Model

Sesuai dengan
asumsi model ?

Tidak

Ya
Penyelesaian
dengan model
baku

Penyelesaian
dengan model
simulasi
Tidak

Ya

Valid ?

Analisa Perbaikan
Sistem

Skenario baru

Tidak
Kinerja lebih
baik ?

Model Akhir
Tidak
Valid ?

Ya
Selesai

Gambar 7. Diagram Tahapan Penelitian

34

IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL


TROPICAL SEAFOOD
A. Sistem Produksi Fillet Ikan Beku
Industri perikanan beku merupakan sebuah industri yang mengolah hasil
perikanan baik darat maupun laut dengan cara mempertahankan mutu produk
perikanan tersebut dengan cara membekukannya. Industri ini sangat
mengutamakan mutu dalam kegiatan operasionalnya. Cakupan pasarnya yang
berorientasi ekspor membuat standar mutu yang harus dicapai industri tersebut
semakin tinggi akibat dari regulasi sistem tata niaga ekspor-impor dan ketatnya
persaingan pasar.
PT. Global Tropical Seafood merupakan salah satu perusahaan dibawah
holding company PT. Kemila International bersama dengan PT. Kemilau
Bintang Timur dan PT. Salam Daya Mina yang bergerak di industri perikanan
beku. Visi PT. Global Tropical Seafood ialah menjadikan perusahaan ini
sebagai perusahaan seafood kelas international dengan produk yang
berkualitas, harga kompetitif, suplai yang kontinu dan jaminan kepuasan
konsumen. Visi tersebut ditunjang dengan sebuah misi yakni selalu melakukan
pengembangan produk dan melaksanakan kegiatan produksi sesuai dengan
prosedur yang diterapkan. Tujuan utama PT. Global Tropical Seafood ialah
menciptakan lapangan kerja bagi masyarakat serta memperoleh keuntungan
yang optimal.
Produk yang pernah dihasilkan oleh PT. Global Tropical Seafood antara
lain adalah fillet ikan beku, rajungan kalengan, kerang, serta steak tenggiri.
Produk fillet ikan beku merupakan salah satu produk unggulan PT. Global
Tropical Seafood yang di ekspor ke pasar Eropa, Amerika dan Asia Timur.
Salah satu hal yang membuat fillet ikan beku menjadi produk unggulan PT.
Global Tropical Seafood adalah karena permintaannya yang relatif lebih tinggi
dibanding produk lainnya dari pasar. Hal ini merupakan sebuah kepercayaan
pasar terhadap mutu produk fillet PT. Global Tropical Seafood.

Proses produksi fillet ikan beku di PT. Global Tropical Seafood


merupakan proses produksi yang mempunyai sifat kedatangan bahan baku
yang probalistik dan sistem produksinya bersifat padat karya. Bahan baku yang
digunakan PT. Global Tropical Seafood untuk menghasilkan produk fillet
adalah hasil perikanan laut seperti ikan kakap merah, kerapu, layur, kurisi,
lencam, mahi-mahi dan lain sebagainya. Namun terkadang dapat juga berasal
dari hasil perikanan darat seperti nila, lele dan lain sebagainya sesusai dengan
permintaan pasar. Bahan baku Hasil perikanan laut didapat dari para pemasok
bahan baku yang mengumpulkan ikan dari para nelayan sekitar jawa dan
sumatra, sedangkan hasil perikanan darat dikumpulkan dari tambak-tambak
budidaya yang menghasilkan ikan sesuai dengan kebutuhan.
Bahan baku yang dapat diterima oleh PT. Global Tropical Seafood untuk
digunakan sebagai bahan baku produksi fillet adalah yang memiliki ketentuan
mutu sebagaimana yang ditunjukkan pada Tabel 3.
Tabel 3. Ketentuan mutu bahan baku fillet ikan beku
Penerimaan

Diterima

Ditolak

Size (gram)
3000-Up
1000-3000
300-1000
< 300
3000-Up
1000-3000
300-1000
< 300

Kriteria Mutu
# Mata jernih
# Sisik melekat kuat
# Insang berwarna merah dan berbau khas ikan
segar
# Daging kenyal
# Terdapat bercak putih pada daging
# Mata redup, kornea mata tidak jernih
# Insang berwarna coklat, berlendir dan berbau
busuk
# Daging lembek
# Permukaan kulit kusam dan berlendir putih
# Cacat Fisik

Jenis fillet ikan beku yang dihasilkan oleh PT. Global Tropical Seafood
dibuat berdasarkan permintaan yang ada. Spesifikasi produk fillet ikan beku
dapat diklasifikasikan berdasarkan kulit, bentuk dan perlakuan. Berdasarkan
kulitnya produk fillet ikan beku dapat dihasilkan dalam bentuk skin on (dengan
kulit) atau Skinless (tanpa kulit). Berdasarkan bentuknya produk fillet dapat
dibuat dengan bentuk potongan portion cut, natural cut, dan one cut. Untuk
perlakuan disini ialah berupa produk fillet ikan beku smoke yakni adanya
produk fillet ikan beku yang diinjeksi menggunakan gas CO sehingga
menimbulkan warna kemerahan pada daging ikan.

36

Proses pembuatan fillet ikan beku sendiri dapat dilihat pada diagram alir
proses pada Gambar 8 dan Gambar 9.
Raw Material
Washing I
Skinless

Skin On

Scaling
Filleting
Washing II

Filleting

Boning
Skinning
Trimming

Washing III

Sorting & Sizing

Weighing I

Final Washing

Wrapping & Layering

Vacuuming & Layering

Freezing

Packing & Labeling

Storing

Stuffing

Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO

37

Raw Material

Washing I
Skinless

Skin On
Scaling
Filleting

Washing II

Filleting

Boning

Skinning

Trimming

Sorting & Sizing

Packing in the Plastic Bag

CO Application

Curing

Trimming II (Optional)

Weighing I

Wrapping

Vacuuming

Layering

Freezing

Packing & Labeling

Storing

Stuffing

Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO

38

Dalam menjalankan proses produksi fillet ikan beku PT. Global Tropical
Seafood membagi pekerjaan dalam beberapa tahap proses ke dalam setiap
stasiun. Lini produksi fillet ikan beku PT. Global Tropical Seafood terdiri dari
13 Stasiun kerja yang 4 dari stasiun tersebut merupakan stasiun bersama yang
mengolah bahan baku ataupun produk dari lini produksi lainnya. Setiap stasiun
berisi sejumlah operator yang bertugas untuk menjalankan fungsi produksinya.
Sistem produksi tersebut merupakan faktor yang mempengaruhi terjadinya
antrian pada sistem antrian fillet ikan beku. Berikut merupakan penjelasan
tentang masing-masing stasiun kerja.

1. Stasiun Penerimaan
Stasiun ini berfungsi sebagai area penerimaan bahan baku yang datang
dari para pemasok (Supplyer) bahan baku. Pada stasiun ini secara umum
bahan baku yang masuk akan dibilas dengan air, kemudian ditimbang.
Area ini menangani seluruh bahan baku yang akan masuk ke lini produksi.
Pembilasan dengan air bertujuan untuk membersihkan bahan baku dari
kotoran ataupun benda asing selain bahan baku. Penimbangan pada stasiun
ini bertujuan untuk mengetahui kesesuaian jumlah bahan baku yang masuk
dengan klaim dari pemasok (Supplyer). Proses yang terjadi ialah bongkar
muat dari truk yang mengangkut bahan baku kemudian jika bahan baku
berupa jenis ikan segar maka akan di bilas, disortasi berdasarkan ukuran,
serta di timbang. Untuk ikan yang datang dalam keadaan beku maka akan
ditimbang saja. Untuk bahan baku selain ikan seperti kerang, bekutak dan
cumi-cumi cukup dibilas dan ditimbang. Stasiun ini juga merupakan
stasiun tempat pemutusan kelayakan mutu bahan baku untuk diterima atau
tidak sesuai dengan ketentuan yang berlaku.
2. Stasiun Arahan Produksi
Setelah bahan baku di terima oleh pabrik melalui stasiun penerimaan maka
selanjutnya bahan baku masuk ke area produksi yakni ke stasiun arahan
produksi, stasiun ini berfungsi sebagai stasiun yang memberi kode atau
label pada setiap bahan baku dan mengarahkan alur bahan baku untuk
pemilihan lini produksi. Proses yang terjadi di stasiun ini ialah

39

penimbangan bahan baku serta pemberian label produksi. Arahan produksi


yang diberikan stasiun ini didasarkan dari rencana produksi yang
dikeluarkan oleh departement PPIC (Production Planning & Inventory
Control). Secara umum bahan baku kerang akan masuk ke lini produksi
kerang, bahan baku bekutak akan masuk ke lini produksi WR, bahan baku
tenggiri akan masuk ke lini produksi steak, dan untuk ikan segar akan
masuk ke lini fillet, butterfly, WGGS.
3. Stasiun Penyisikan
Stasiun penyisikan merupakan stasiun yang menjadi bagian dari lini
produksi fillet ikan beku. Stasiun ini menerima bahan baku dari stasiun
arahan produksi dengan label produk Skin On. Secara umum jenis ikan
yang diterima di stasiun ini ialah jenis ikan kakap. Proses yang dilakukan di
stasiun ini ialah penghilangan sisik yang dilakukan secara manual oleh
operator menggunakan alat bantu berupa kikir khusus sisik. Setelah ikan
disisik kemudian dicelup dengan larutan klorin 50 ppm dan dibilas dengan
menggunakan air agar tidak ada sisik atau sisa kotoran yang menempel
pada ikan. Penggunaan larutan klorin bertujuan untuk meminimasi jumlah
bakteri yang ada pada tubuh ikan. Pada tahap ini bobot ikan akan
mengalami penyusutan sebesar 2 % akibat kehilangan sisik.
4. Stasiun Filleting
Stasiun filleting menerima bahan baku dari stasiun arahan produksi dan
stasiun penyisikan. Pada stasiun ini ikan yang diterima akan disayat
menjadi satu potongan utuh dari tiap sisi yang untuk memisahkan daging
ikan dari tulangnya. Hasil dari stasiun ini adalah berupa dua keping
potongan ikan dengan limbah berupa kepala, tulang dan buntut ikan.
Potongan ikan tersebut akan di proses ke stasiun selanjutnya, sedangkan
limbah akan dipindahkan ke ruang penanganan limbah. Rendemen yang
diperoleh dari hasil filleting ialah 45 - 58 % dari bobot bahan ikan dari
stasiun sebelumnya. Pada stasiun ini keahlian operator menjadi kunci
penting dalam menjaga kecepatan proses dan rendemen karena dibutuhkan
keterampilan khusus untuk menyayat ikan menjadi potongan dengan
bentuk yang baik.

40

5. Stasiun Trimming
Stasiun ini menerima bahan ikan yang berasal dari stasiun sebelumnya
yakni stasiun filleting. Terdapat beberapa proses pengerjaan yakni
deboning, deskinning dan trimming. Proses boning sendiri merupakan
proses penghilangan duri dari daging ikan, dengan menggunakan pinset
operator pada stasiun ini mencabut duri-duri ikan dari dalam daging. Proses
skinning dilakukan untuk produk fillet ikan skinless yakni daging ikan
dikuliti sehingga tidak ada kulitnya untuk produk ikan skin on tidak
dikuliti. Proses trimming merupakan proses perapihan bentuk daging ikan,
dengan menggunakan pisau, daging ikan yang diterima dibuang sisi-sisinya
yang tidak bagus sehingga menjadi baik tampilan dan bentuknya.
Rendemen yang diperoleh ialah 70 - 88 % dari bobot bahan ikan dari
stasiun sebelumnya.
6. Stasiun Washing
Setelah ikan melalui stasiun trimming ikan tersebut di cuci dengan
menggunakan larutan klorin 30 ppm di stasiun washing ini. Pencucian
dilakukan dengan cara merendam ikan di dalam larutan sambil dibersihkan
agar sisa duri maupun kotoran lainnya hilang.
7. Stasiun Sizing
Ikan yang telah dicuci, kemudian oleh stasiun sizing dipotong sesuai jenis
potongan yang ditentukan (portion cut,natural cut,one cut, finger) sesuai
dengan label arahan produksi. Setelah ikan di bentuk potongan tertentu
kemudian ikan di sortir sesuai ukurannya berdasarkan bobotnya. Standar
beratnya dapat dilihat pada Tabel 4.

Tabel 4. Bobot standar fillet


Ukuran

Satuan

Finger

Pieces

4-6

oz/pcs

6-8

oz/pcs

8 - 10

oz/pcs

41

8. Stasiun Panning
Setelah tersortasi ikan dengan label produksi non CO akan masuk ke
stasiun panning. Stasiun ini akan mencuci kembali ikan yang ada dengan
larutan klorin 20 ppm dan kemucian dicuci kembali dengan larutan klorin 0
ppm yang bertujuan untuk menghilangkan kadar klorin dalam tubuh ikan.
Setelah di cuci ikan akan dibungkus dengan plastik. Pembungkusan ini
terdapat dua tipe, yang pertama ialah tipe IWP (Individually Wrapping
Pack) dan yang kedua ialah dengan vacuum pack. Setelah daging ikan
dibungkus, daging ikan di susun ke dalam pan alumunium sesuai dengan
jenis produksinya, antar tumpukan ikan diberi pembatas (layer) dari plastik
untuk membedakan tiap jenis produk dan menghindari penempelen dengan
pan akibat pembekuan.
9. Stasiun Bagging
Ikan yang masuk ke stasiun ini ialah ikan dari stasiun sizing yang berlabel
produksi CO. Stasiun ini mencuci ikan yang masuk dengan larutan klorin
20 ppm dan kemucian dicuci kembali dengan air bersih yang bertujuan
untuk menghilangkan kadar klorin dalam tubuh ikan. Setelah itu setiap
potong ikan dimasukkan ke dalam sebuah kantong plastik, kemudian gas
CO diinjeksikan kedalam kantong tersebut hingga kantong penuh dengan
gas. Kantong yang telah terisi dengan gas akan di seal dengan sealer.
10. Stasiun Curing
Stasiun ini merupakan sebuah tempat penyimpanan ikan yang telah di
injeksi CO. Lama penyimpanan ialah lamanya sekitar satu hari dengan
suhu berkisar antara 0 sampai 5 oC. Penyimpanan ini dilakukan untuk
menunggu agar gas CO yang telah diinjeksi sebelumnya menyerap ke
dalam daging. Penyerapan CO pada daging ikan akan memberi efek
perubahan warna daging menjadi kemerahan. Kapasitas penyimpanan
stasiun curing adalah 20 ton.
11. Stasiun After Curing
Ikan yang berasal dari ruang curing di proses selanjutnya di stasiun after
curing ini. Stasiun ini mengeluarkan ikan dari kantong plastik CO dan
memeriksa keberhasilan penyerapan CO. Keberhasilan penyerapan di lihat

42

dari daging yang akan berwarna kemerahan, jika CO tidak terserap dengan
baik daging akan berwarna kehijauan. Ketika daging berwarna kehijauan
di bagian pinggir ikan maka ikan tersebut akan dirapihkan dengan cara
menghilangkan bagian tersebut menggunakan pisau (trimming). Daging
ikan yang sudah rapih kemudian dikemas dengan vacuum packing. Setelah
ikan selesai dibungkus ikan tersebut disusun kedalam pan alumunium,
antar tumpukan ikan di beri pembatas (layer) dari plastik untuk
membedakan tiap jenis produk dan menghindari penempelen dengan pan
akibat kondisi beku.
12. Stasiun Freezing
Fillet ikan yang telah disusun dalam pan akan masuk ke stasiun freezing
bersama-sama dengan produk selain fillet yang telah tersusun dalam pan.
Stasiun Freezing disini menggunakan alat pembekuan berjenis ABF (Air
Blast Freezer) yang bekerja dengan prinsip kerja yakni penukaran kalor
dengan cara menghembuskan udara dingin menggunakan kipas dan pipa
pendingin kecepatan tinggi. Stasiun freezing di PT. Global Tropical
Seafood ini mempunyai tiga ruang ABF dengan kapasitas masing-masing
6500, 6000, 5500 Kilogram. Proses pembekuan stasiun ini sendiri berjalan
dengan cara pan yang ada disusun dalam sebuah rak kemudian
dimasukkan ke dalam ruang ABF hingga kapasitas ruang ABF penuh.
Setelah ruang ABF terisi penuh maka alat tersebut baru di jalankan. Suhu
pembekuan di ruang ABF berkisar antara -30 sampai -40oC dengan lama
pembekuan selama 8 jam.
13. Stasiun Packing
Seluruh produk yang keluar dari stasiun Freezing akan diterima di stasiun
ini untuk dikemas sesuai pesanan. Stasiun ini mengemas sesuai label
produk arahan produksi untuk produk steak akan di glazing terlebih dahulu
sebelum dikemas dalam kantong dan di vacuum. Untuk produk fillet ikan
dari pan akan ditimbang ulang untuk mengetahui memeriksa ulang bobot
ikan yang akan dimasukkan ke dalam inner carton dan master carton.
Jenis kemasan disesuaikan dengan pesanan yang ada.

43

Jam kerja yang diterapkan oleh PT. Global Tropical Seafood untuk
semua lini produksi ialah mulai dari pukul 08.00 hingga 16.00 dengan waktu
istirahat satu jam yakni dari pukul 12.00 hingga 13.00 yang jika dijumlah
menjadi tujuh jam kerja efektif. Namun untuk stasiun kerja packing waktu
kerja dibuat menjadi tiga shift yang beroperasi selama 24 jam, dengan
pembagian shift sebagai berikut, Shift I bekerja dari pukul 08.00 hingga 16.00,
Shift II bekerja dari pukul 16.00 hingga 24.00, dan Shift III bekerja mulai
pukul 24.00 hingga 08.00. Shift II dan shift III merupakan shift tambahan yang
hanya diadakan jika dibutuhkan.
Shift tambahan itu diadakan sesuai kepentingan perusahaan dalam rangka
memenuhi permintaan pasar dan juga dapat disebabkan oleh karena adanya
produk yang selesai di bekukan pada waktu-waktu di luar jam kerja lini
produksi. Kebijakan untuk mengadakan shift tambahan ini dikendalikan oleh
manajer bagian perencanaan produksi. Untuk hari kerja sendiri perusahaan
menerapkan enam hari kerja dari hari senin hingga sabtu. Namun jika terdapat
bahan baku yang perlu diproses maka akan ada hari produksi tambahan di hari
minggu.
Di dalam setiap stasiun kerja terdapat seorang PJ (penanggung jawab)
yang bertanggung jawab terhadap kelancaran proses pada stasiun kerja yang
diawasinya. Tanggung jawb yang diberikan antara lain ialah mencatat jumlah
bahan yang terproses dan mengarahkan operator di stasiun kerja tersebut untuk
bekerja sesuai dengan yang diinginkan oleh perusahaan serta mengingatkan
para operator untuk tetap fokus pada pekerjaannya. PJ di dalam stasiun tersebut
tidak bekerja seperti operator, melainkan hanya mengawasi anggota kerja di
stasiun tersebut.
Seluruh stasiun kerja didalam lini produksi fillet ikan mempunyai urutan
yang tetap sesuai dengan tahapan proses yang dibuat. Untuk lebih jelasnya
pengurutan stasiun produksi lini produksi dan aliran bahan dalam lini produksi
fillet ikan beku ini dapat dilihat pada Gambar 10.

44

Supplyer

Raw Materials
(Seluruh Produk)
RM Produk Non-Fillet (Steak, WGGS, dsb)

Raw Materials
(Seluruh Produk)

Supplyer

Stasiun Penerimaan
(5 Org)

Produk Fillet SkinLess


Smoke & Non Smoke

Stasiun Arahan Produksi


(3 Org)
RM Produk Fillet SkinOn Smoke & Non Smoke

Supplyer

Produk Fillet SkinOn Smoke & Non Smoke

Stasiun Penyisikan
(7 Org)

Stasiun Filleting
(5 Org)
Produk Fillet SkinOn,SkinLess Smoke & Non Smoke

Produk Fillet SkinOn,


SkinLess Smoke & Non Smoke

Stasiun Washing
(2 Org)

Stasiun Trimming
(2 Line @ 8 Org)

Produk Fillet SkinOn,


SkinLess Smoke & Non Smoke

Finished Product
(Export)

Kett :

Produk Fillet SkinOn dan SkinLess Non-Smoke

Aliran Produk
Fillet

Fillet SkinOn dan SkinLess Smoke


Stasiun SizingProduk
(4 Org)

Cold Storage
Produk Fillet SkinOn dan SkinLess Smoke
Stasiun Bagging (2 Org)
Produk Non Fillet (WG GS, Kerang, Steak dsb)
Batasan Sistem

Pro duk Fillet SkinOn dan SkinLess Non-Smok e

Stasiun Panning
(6 Org)

Produ k Fillet SkinOn dan SkinLess N on-Smoke

Freezing

Stasiun AfterCuring
(5 Org)

Pro duk Fillet Sk inOn dan SkinLess Smoke

Curing

Stasiun Packing
(3 Line @ 8 Org)
Batasan Sistem

45

Gambar 10. Sistem Produksi Fillet Ikan Beku

45

B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku


Lini produksi di PT. Global Tropical Seafood secara umum merupakan
lini produksi yang bersifat dinamis oleh karena jenis bahan baku yang diterima
untuk diproses sesuai dengan jenis produk yang ada tidak selalu kontinu. Oleh
karena itu lini produksi yang terbentuk adalah berorientasi pada proses yang
akan dikerjakan. Lini produksi fillet ikan beku sendiri oleh perusahaan
dianggap sebagai lini produksi yang sifatnya kompleks oleh karena tidak
seperti lini produksi lainnya, lini produksi fillet ikan beku menghasilkan lebih
dari empat jenis varian produk sebagai akibat dari permintaan konsumen yang
beragam.
Kondisi aliran bahan di dalam lini produksi fillet ikan beku sesuai tata
letak yang diatur perusahaan ialah bahan yang bergerak dari stasiun ke stasiun
mempunyai waktu perpindahan yang sangat kecil, yakni dibawah dua detik.
Namun terdapat beberapa stasiun yang mempunyai waktu perpindahan bahan
yang lebih lama dari dua detik, seperti yang ditunjukkan oleh Tabel 5.
Tabel 5. Waktu perpindahan bahan antar stasiun
Pengamatan
Ke -

Waktu Perpindahan Antar Stasiun (detik)


Stasiun
Stasiun After
Stasiun
Stasiun Arahan
Penyisikan Ke Curing & Stasiun
Arahan
Produksi Ke
Stasiun
Panning Ke
Produksi Ke
Stasiun
Filleting
Stasiun Freezing
Stasiun
Penyisikan
Filleting

10,21

51,25

40,97

48,38

11,31

53,15

41,93

52,24

10,52

49,57

42,75

49,22

13,51

52,28

43,57

53,18

14,00

53,65

39,26

54,28

10,72

48,47

37,36

49,56

11,81

49,22

43,52

54,45

12,32

59,24

41,5

49,21

9
Rata- Rata

10,33

57,45

41,35

56,52

11,64

52,70

41,36

51,89

Gambaran ruang produksi di PT. Global Tropical Seafood dapat dilihat


pada lay out tata letak pabrik pada Lampiran 16.
Seperti yang telah diketahui sebelumnya jumlah stasiun kerja dalam
cakupan sistem produksi fillet ikan beku ialah sebanyak 13 stasiun kerja. Salah

46

satu stasiun kerja tersebut proses kerjanya berupa penyimpanan bahan. Stasiun
tersebut ialah stasiun curing, stasiun tersebut melakukan proses berupa
penyimpanan bahan yang dilakukan selama satu hari (waktu proses), sehingga
bahan yang dimasukkan pada hari ini akan diproses ke tahap selanjutnya pada
keesokannya.
Operator merupakan elemen penting yang menentukan waktu proses atau
pelayanan dalam stasiun tersebut. Jumlah operator dalam setiap stasiun tidak
berjumlah sama, oleh karena kebutuhan waktu pelayanan kerja yang berbeda,
kemampuan (skill) operator yang ada, serta jumlah peralatan yang tersedia.
Khusus untuk stasiun freezing dan stasiun curing tidak menggunakan operator,
melainkan mesin sehingga waktu pelayanan ditentukan oleh kapasitas mesin.
Selain jumlah operator dalam setiap stasiun kerja, terdapat elemen
kapasitas antrian di setiap stasiun kerja yang menentukan panjang antrian yang
diizinkan pada stasiun tersebut, jika panjang antrian melebihi kapasitas antrian
maka akan ada penolakan terhadap bahan distasiun tersebut. Namun oleh
karena sistem antrian disini merupakan sistem antrian produksi maka
penolakan tidak mungkin dilakukan karena bahan yang sudah masuk ke dalam
sistem antrian harus diproses hingga selesai, jika tidak dilakukan akan
menimbulkan kerugian biaya perusahaan akibat bahan baku yang terbuang
percuma. Penentuan kapasitas antrian setiap stasiun kerja didasarkan pada
kondisi fisik dalam sistem antrian tersebut. Selain kapasitas antrian, disiplin
antrian merupakan salah satu elemen penting yang diperhatikan dalam
membuat model yang berpengaruh pada pengaturan urutan bahan yang akan
masuk terlebih dahulu dalam setiap stasiun kerja. Untuk mengetahui jumlah
operator dalam setiap stasiun kerja secara detail beserta kapasitas dan disiplin
antrian dapat dilihat pada Tabel 6.
Faktor-faktor yang mempengaruhi terjadinya antrian dalam sebuah
sistem antrian ialah kecepatan pelayanan operator, kapasitas antrian, disiplin
antrian dan kecepatan kedatangan bahan baku. Sifat probabilitas kecepatan
kedatangan bahan dan kecepatan pelayanan operator merupakan faktor utama
yang menyebabkan terjadinya antrian pada lini produksi fillet ikan beku.

47

Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata


Jumlah

Jumlah operator

Kapasitas antrian

line

per line (Orang)

per line (Kg)

Stasiun Penerimaan

21000

First In First Out

Stasiun Arahan Produksi

300

First In First Out

Stasiun Penyisikan

800

First In First Out

Stasiun Filleting

10700

First In First Out

Stasiun Trimming

100

First In First Out

Stasiun Washing

100

First In First Out

Stasiun Sizing

100

First In First Out

Stasiun Bagging

100

First In First Out

Stasiun Panning

100

First In First Out

Stasiun After Curing

100

First In First Out

Stasiun Freezing

5000

First In First Out

Stasiun Packing

500

First In First Out

Stasiun

Disiplin antrian

Sifat probabilitas pada kecepatan pelayanan operator dalam sistem


antrian lini produksi fillet ikan beku dipengaruhi oleh karena operator
merupakan manusia yang kecepatan melayaninya dipengaruhi pada jenis bahan
yang masuk, perilaku produktif karyawan, motivasi kerja, kelelahan dan lain
sebagainya. Walaupun nilai tengah antara kecepatan pelayanan operator
dengan kecepatan kedatangan bahan sama, ketidakpastian dalam interaksi
antara kecepatan kedatangan bahan dengan kecepatan pelayanan operator
menimbulkan adanya antrian.
Antrian yang terjadi dapat menjadi sebuah kerugian akibat menambahnya
biaya dari pemakaian es yang lebih banyak, sebagai penjaga rantai dingin
dalam produksi. Saat ini harga es tersebut ialah Rp. 90/Kg dengan pemakaian
1:1 terhadap bahan baku dan lama pemakaian ideal selama sekitar satu jam.
Sistem antrian lini produksi fillet ikan beku di PT. Global Tropical
Seafood mengikuti pola antrian kombinasi jalur tunggal dan jalur ganda dengan
pelayanan pararel. Pola antrian lini produksi fillet ikan beku di PT. Global
Tropical Seafood secara umum dapat dilihat pada Gambar 11.
Kebijakan perusahaan saat ini dalam menentukan jumlah operator di
setiap stasiun kerja dilaksanakan secara dinamis oleh karena belum ada standar
baku yang dimiliki. Namun khusus untuk stasiun filleting jumlah operator
berkisar antara 4 hingga 5 orang, hal ini disebabkan pada stasiun tersebut

48

dibutuhkan keahlian khusus untuk memproses ikan, agar rendemen dan


kualitas potongannya baik. Saat ini beban kerja operator di setiap stasiun dapat
sewaktu-waktu dialihkan ke stasiun lain sesuai kebutuhan yang berkembang
saat kegiatan produksi berlangsung.
Dalam kegiatan produksinya pada stasiun kerja arahan produksi terdapat
pemisahan aliran bahan yakni bahan baku ikan untuk produksi fillet ikan beku
akan masuk ke lini produksi fillet ikan beku sedangkan bahan baku ikan
lainnya seperti kerang dan tenggiri akan masuk ke lini produksi masing-masing
sesuai produk yang ingin dibuat. Pembagian dibagi berdasarkan bahan yang
masuk ke lini produksi non fillet dan lini produksi fillet ikan beku.
Perbandingan yang ditetapkan oleh berdasarkan pengalaman produksi ialah 50
% akan masuk ke lini non fillet seperti lini produksi steak, WGGS, kerang,
butterfly dan lain sebagainya. Bahan baku yang akan masuk ke lini produksi
fillet ikan beku ialah sebanyak 50 % dari bahan yang keluar dari stasiun arahan
produksi.
Bahan baku yang masuk ke lini produksi fillet ikan beku sendiri juga
akan mengalami pemisahan, yakni untuk bahan baku jenis produk skin on
memerlukan proses penyisikan terlebih dahulu sehingga perlu diproses di
stasiun penyisikan terlebih dahulu sebelum masuk ke stasiun filleting dan
untuk bahan baku jenis skinless akan langsung masuk ke stasiun filleting.
Perbandingan bahan baku yang masuk ke stasiun penyisikan dengan ke stasiun
filleting langsung ialah 1 : 4. Jika dibandingkan dengan jumlah aliran bahan
baku yang keluar dari stasiun arahan produksi maka 50 % akan masuk ke lini
produksi non fillet, 40 % akan masuk ke lini produksi fillet ikan beku (stasiun
filleting), dan 10 % akan masuk ke lini produksi fillet ikan beku (stasiun
penyisikan).
Di dalam lini produksi fillet ikan beku sendiri terdapat pembagian aliran
bahan untuk produk fillet smoke (dengan injeksi CO) dan non smoke (tanpa
injeksi CO). Pembagian ini terjadi di stasiun stasiun sizing dengan proporsi 1 :
1 untuk bahan masuk ke stasiun panning (produk smoke) dan stasiun bagging
(produk non smoke).

49

Stasiun 1

Stasiun 2

Operator 1

Stasiun i

Operator 1

Operator 1
Antrian 2

Input

Antrian 1

Operator 2

Operator 2

Antrian j

Operator 2

Operator 3
Antrian 3

Operator n

Operator n
Operator n

Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. Global Tropical Seafood

Output

50

V. ANALISIS DAN PEMBAHASAN


A. Distribusi Data
Analisa distribusi data dilakukan untuk mengetahui sebaran peluang yang
akan terjadi di dalam sistem antrian. Waktu pelayanan dan waktu kedatangan
merupakan parameter yang diuji distribusi peluangnya untuk mengetahui
model antrian yang akan terbentuk. Sampel waktu kedatangan bahan dan
sampel waktu pelayanan operator diuji peluang distribusinya untuk mengetahui
peluang distribusi populasi sumber data. Waktu kedatangan bahan dan waktu
pelayanan operator di ambil dari kombinasi data pengamatan penulis dan data
historis perusahaan yang tercatat. Data yang ada diubah menjadi satuan dengan
basis yang sama, dalam penelitian ini basis yang diambil ialah Kilogram bahan
baku (RM), nilai konversi setiap stasiun kerja dapat dilihat pada Lampiran 3.
Data hasil pengamatan waktu kedatangan bahan dan waktu pelayanan operator
dapat dilihat pada Lampiran 1 dan Lampiran 2.
Hasil uji distribusi data tersebut akan menentukan metode yang tepat
untuk menyelesaikan permasalahan antrian yang terjadi. Ketika populasi data
memiliki distribusi peluang poisson atau eksponensial maka penyelesaian
masalah antrian di selesaikan dengan analisa model antrian baku. Apabila
populasi data memiliki distribusi selain poisson atau eksponensial maka analisa
antrian dilakukan dengan menggunakan teknik simulasi.
Sampel waktu kedatangan bahan dan waktu pelayanan operator yang
diambil dari data historis diuji distribusinya dengan menggunakan goodness of
fit test dengan metode Kolmogorov-Smirnov (K-S). Metode tersebut menguji
peluang distribusi data dengan cara membandingkan perbedaan dari fungsi
distribusi empiris data sampel dengan fungsi distribusi teoritis secara vertikal
(nilai statistik (Dn)). Ketika nilai statistik (Dn) lebih besar dari nilai kritis tabel
maka distribusi data tersebut akan dianggap tidak sama dengan distribusi data
teoritis yang diuji.
Analisa distribusi tersebut dilakukan dengan bantuan software Easyfit
3.2. Software tersebut mengurutkan kecocokan distribusi sampel data dengan
beberapa distribusi teoritis seperti poisson, eksponensial, normal, lognormal,

gamma, laplace, triangular, uniform, weibull, dan logistik. Contoh output dari
penggunaan software Easy Fit 3.2 dapat dilihat pada Lampiran 4. Selang
kepercayaan yang dipilih oleh penulis ialah sebesar 90 % ( = 10%). Seluruh
data yang diuji memiliki sebaran poisson atau eksponensial. Hasil uji
kesesuaian distribusi peluang data hasil pengukuran waktu kedatangan bahan
di setiap stasiun kerja dapat dilihat pada Tabel 7.
Tabel 7. Hasil Uji distribusi waktu kedatangan bahan
No.

Nama Stasiun

Jenis Distribusi

Parameter

Stasiun Penerimaan

Weibull (3P)

=0.65549 =9.5183 =0.16

Stasiun Penerimaan Jenis Proses 1

Weibull (3P)

=0.59931 =5.5722 =0.6

Stasiun Penerimaan Jenis Proses 2

Weibull (3P)

=0.55653 =2.9306 =1.25

Stasiun Penerimaan Jenis Proses 3

Weibull

=1.0393 =1.1535

Stasiun Penerimaan Jenis Proses 4

Weibull (3P)

=0.57942 =4.1059 =0.83

Stasiun Penyisikan

Weibull

=3.6479 =3.2566

Stasiun Filleting

Gamma (3P)

=0.72012 =4.4062 =1.99

Stasiun After Curing

Gamma (3P)

=0.92224 =10.394 =13.108

Stasiun Freezing

Lognormal

=1.7512 =1.2693

10

Stasiun Packing

Weibull (3P)

=0.45189 =18.623 =0.11

Untuk hasil uji kesesuaian distribusi peluang data hasil pengukuran


waktu pelayanan operator di setiap stasiun kerja dapat dilihat pada Tabel 8.
Tabel 8. Hasil Uji distribusi waktu pelayanan operator
No.

Nama Stasiun

Jenis Distribusi

Parameter

Stasiun Penerimaan

Weibull (3P)

=0.86442 =19.765 =3.63

Stasiun Penerimaan Jenis Proses 1

Weibull (3P)

=0.71844 =20.551 =4.95

Stasiun Penerimaan Jenis Proses 2

Weibull (3P)

=0.5804 =9.0434 =6.55

Stasiun Penerimaan Jenis Proses 3

Weibull

=3.1728 =7.5644

Stasiun Penerimaan Jenis Proses 4

Weibull

=2.4041 =23.808

Arahan Produksi

Triangular

=0.9 =0.49066 =1.7577

Stasiun Penyisikan

Weibull (3P)

=0.83686 =32.912 =53.92

Stasiun Filleting

Weibull (3P)

=0.76051 =15.188 =20.06

Stasiun Trimming

Gamma (3P)

=1.4953 =61.847 =56.811

10

Stasiun Washing

Gamma (3P)

=1.5575 =1.7432 =7.4394

11

Stasiun Sizing

Gamma (3P)

=1.3072 =12.491 =18.733

12

Stasiun Bagging

Lognormal

=0.22714 =4.0574

13

Stasiun Panning

Gamma (3P)

=1.7571 =39.055 =26.28

14

Stasiun After Curing

Weibull

=2.7372 =148.57

15

Stasiun Packing

Gamma (3P)

=1.5989 =85.768 =7.917

52

Stasiun Curing dan stasiun Freezing tidak mengalami perhitungan


distribusi waktu pelayanan. Hal itu dikarenakan pola pelayanan pada kedua
stasiun tersebut bersifat konstan, yakni pada stasiun Curing bahan disimpan
pada suhu maksimal 0 o C selama satu hari dan pada stasiun Freezing bahan
dibekukan selama 8 jam.
Hasil uji distribusi tersebut menunjukkan bahwa antrian yang terjadi
tidak mengikuti model baku yang telah ada, sehingga analisis antrian dilakukan
dengan cara membangun sebuah model simulasi.

B. Model Antrian
Pembentukan model antrian didasarkan pada kondisi nyata sistem
produksi fillet ikan beku di PT. Global Tropical Seafood. Dengan konfigurasi
yang sesuai dengan sistem produksi lini tersebut. Pembuatan model antrian
dilaksanakan dengan bantuan program QSS 1.0, program ini merupakan modul
data yang membantu penggunanya dalam mendefinisikan permasalahan antrian
kedalam model simulasi.
Model antrian yang dibentuk berisi komponen-komponen antrian seperti
distribusi kedatangan bahan, distribusi pelayanan operator, kapasitas antrian,
jumlah operator, dan variabel lain yang mendukung model tersebut. Selain
mengikuti konfigurasi sistem produksi nyata fillet ikan beku, digunakan
beberapa asumsi dalam membangun model dan menganalisis sistem antrian
dari lini produksi fillet ikan beku yakni :
1. Waktu perpindahan bahan antara stasiun diabaikan kecuali yang
memiliki nilai waktu perpindahan lebih besar dari dua detik, sehingga
waktu pelayanan suatu tahapan produksi akan menjadi waktu antar
kedatangan tahapan produksi berikutnya.
2. Kecepatan pelayanan operator sesuai dengan kondisi historis yang
diperoleh selama penelitian.
3. Kecepatan kedatangan bahan sesuai dengan kondisi historis yang
diperoleh selama penelitian.
Simulasi sistem antrian lini produksi fillet ikan beku diberi nama Sistem
Antrian Produksi Fillet Ikan Beku (SAPFIB). Sistem antrian tersebut

53

membentuk tiga buah model dengan empat buah sub model. Jumlah model
tersebut didasarkan pada konfigurasi yang ada pada sistem antrian lini produksi
fillet ikan beku.
Dalam membuat model dan sub model dalam rangka memudahkan input
data, setiap atribut dalam sistem antrian diberi kode penamaan yang spesifik.
Pendefinisian attribut antrian dalam simulasi SAPFIB dapat dilihat pada tabel
berikut.
Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB
No.

Kode Penamaan

Definisi Nyata

Keterangan

BufferA

Ruang Antrian Stasiun Kerja Penerimaan

A(X)

Unit Pelayanan Stasiun Kerja Penerimaan

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

BufferB

Ruang Antrian Stasiun Arahan Produksi

B(X)

Unit Pelayanan Stasiun Arahan Produksi

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

BufferCA

Ruang Antrian Stasiun Filleting

CA(X)

Unit Pelayanan Stasiun Filleting

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

BufferCB

Ruang Antrian Stasiun Penyisikan

CB(X)

Unit Pelayanan Stasiun Penyisikan

BufferD(Y)

Ruang Antrian Stasiun Trimming

10

D(Y)(X)

Unit Pelayanan Stasiun Trimming

11

BufferE

Ruang Antrian Stasiun Washing

12

E(X)

Unit Pelayanan Stasiun Washing

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

13

BufferF

Ruang Antrian Stasiun Sizing

14

F(X)

Unit Pelayanan Stasiun Sizing

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

15

Buffer GA

Ruang Antrian Stasiun Panning

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.
Y= Nomor lini antrian yang ada di dalam
stasiun kerja tersebut
X= Nomor Operator Yang ada di dalam Lini
Tersebut ,Y= Nomor lini antrian yang ada di
dalam stasiun kerja tersebut

16

GA(X)

Unit Pelayanan Stasiun Panning

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

17

BufferGB

Ruang Antrian Stasiun Bagging

18

GB(X)

Unit Pelayanan Stasiun Bagging

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.

19

BufferGC

Ruang Antrian Stasiun After Curing

20

GC(X)

Unit Pelayanan Stasiun After Curing

21

Buffer(Y)

Ruang Antrian

22

Freezer(X)

Unit Pelayanan Stasiun Freezing

23

Operator(Y)(X)

Unit Pelayanan

21

KedatanganP

Kedatangan Bahan Baku di Lini Produksi

22

KedatanganAC

Kedatangan Bahan di Stasiun After Curing

23

KedItem(X)

Kedatangan Bahan Baku

X= Kode Jenis Bahan Baku

24

Kedatangan

Kedatangan Bahan

X = Nomor operator yang ada di dalam stasiun


kerja tersebut.
Y= Nomor lini antrian yang ada di dalam
stasiun kerja tersebut (jika lebih dari satu)
X= Nomor mesin yang ada di dalam stasiun
kerja tersebut.
X= Nomor Operator Yang ada di dalam Lini
Tersebut ,Y= Nomor lini antrian yang ada di
dalam stasiun kerja tersebut

54

Dengan berdasarkan konfigurasi sistem produksi fillet ikan beku pada


kondisi nyata dan dengan penggunaan asumsi model. Maka dibangun model
dengan kode komponen seperti yang telah disebutkan, menggunakan QSS 1.0
dengan hasil pemograman dalam bentuk matriks yang dapat dilihat pada
Gambar 12.
Model SAPFIB terdiri dari tiga buah model yang diberi nama model A,
model B dan model C. Model A merupakan model antrian yang
mensimulasikan sistem antrian dari stasiun penerimaan hingga stasiun panning
dan stasiun After Curing. Model B merupakan model antrian yang
mensimulasikan sistem antrian pada stasiun freezing. Model C merupakan
model antrian yang mensimulasikan sistem antrian pada stasiun Packing.
Pembagian SAPFIB menjadi tiga buah model disebabkan oleh karena
terdapat perbedaan waktu kerja dalam stasiun tersebut serta terdapat perbedaan
konfigurasi sistem antrian yang tidak dapat disimulasikan bersama ketika
seluruh stasiun disusun menjadi satu buah model. Prinsip anilisis data dalam
program QSS 1.0 dalam menampilkan hasil simulasi ialah mengadakan
observasi terhadap komponen-komponen yang terdapat dalam SAPFIB dan
mencatat kegiatan bahan yang masuk ke sistem hingga keluar dari sistem.
Tetapi seperti yang dijelaskan sebelumnya perbedaan konfigurasi sistem
antrian akan membuat program QSS 1.0 tidak akan mampu melakukan
observasi. Keterbatasan dalam melakukan simulasi model tersebut tidak akan
mampu memberikan analisis keseluruhan kinerja stasiun ketika digabung
menjadi satu buah model.

1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga Stasiun


Panning dan Stasiun After Curing (Model A)
Model A dibuat sesuai dengan keadaan sistem produksi yang berjalan
secara riil di perusahaan. Pada model A bahan mengalir dari stasiun
penerimaan hingga stasiun aftercuring untuk produk smoke dan stasiun
panning untuk produk non smoke. Terdapat dua buah komponen kedatangan
yakni

KedatanganP

dan

KedatanganAC.

Komponen

kedatangan

KedatanganP merupakan kedatangan bahan baku yang diterima oleh stasiun

55

penerimaan dan mengalir hingga stasiun panning dan stasiun bagging.


Komponen kedatangan KedatanganAC menjadi kedatangan bahan di stasiun
After Curing, hal ini disebabkan output dari stasiun bagging masuk ke
stasiun curing selama satu hari, sehingga jika hal tersebut disimulasikan
selama jam kerja tidak mungkin akan ada bahan yang mengalir ke stasiun
After Curing sehingga menyebabkan simulasi aliran bahan akan terputus.

Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam
bentuk matriks
Model yang telah dibuat kemudian disimulasikan selama 25200 detik
sesuai dengan jumlah jam kerja dalam satu hari yakni delapan jam kerja
dikurangi satu jam istirahat. Simulasi dilakukan sebanyak tiga kali ulangan
untuk mendapatkan hasil yang konsisten. Hasil simulasi dari SAPFIB
menghasilkan output antara lain berupa analisis kedatangan bahan,analisis
antrian, serta analisis tingkat utilitas pelayanan. Hasil simulasi kondisi nyata
model A dapat dilihat pada Lampiran 5.

56

Dari analisis kedatangan bahan output simulasi didapat informasi


bahwa terdapat penolakan bahan (balking) pada stasiun After Curing
sebanyak 23 kg bahan pada simulasi ulangan pertama, 52 kg pada simulasi
ulangan kedua, dan 4 kg pada simulasi ulangan ketiga. Sehingga jika diratarata stasiun After Curing menolak bahan sebanyak 26,3 kg. Hal tersebut
berarti menunjukkan kedatangan bahan pada stasiun After Curing melebihi
kemampuan pelayanan stasiun tersebut. Walaupun dalam kondisi nyata
bahan tidak mungkin ditolak dalam proses produksi, kemungkinan yang
terjadi pada bahan tersebut ialah bahan diproses oleh operator dengan
tambahan waktu di luar jam kerja (lembur).
Untuk analisis stasiun pelayanan (server analysis) hasil simulasi
menunjukan tingkat utilitas operator secara rata-rata (overall) sebesar 32,51
% pada simulasi ulangan pertama, 35,75 % pada simulasi ulangan kedua
dan 34,12 % pada simulasi pada ulangan ketiga. Sehingga jika dirata-rata
utilitas operator berada pada tingkat 34,13 %. Hal tersebut menunjukan
bahwa operator mengalami banyak waktu idle dalam bekerja. Kondisi idle
tersebut saat ini dimanfaatkan perusahaan dengan menginstruksikan
operator melakukan pekerjaan lain seperti membersihkan ruang produksi
beserta peralatannya ataupun operator dipindahkan pada lini produksi
lainnya yang sedang mengalami kedatangan bahan baku dalam jumlah
besar. Satu hal lagi yang diperhatikan dalam kegiatan sehari-harinya ialah
proses produksi terkadang berhenti pada saat sebelum waktu kerja selesai
yakni sebelum pukul 16.00 hal itu akan membuat operator menjadi idle
dalam waktu yang panjang sesuai dengan pembacaan hasil simulasi.
Analisis kinerja sistem antrian dari hasil simulasi SAPFIB
menunjukan secara overall pada simulasi pertama jumlah bahan yang
menunggu ialah sebanyak 57,201 kg, pada simulasi kedua sebanyak
65,5649 kg dan pada simulasi ketiga sebanyak 51,6782 kg, sehingga jika di
rata-rata terjadi penumpukan bahan sebanyak 58,15 kg. Untuk waktu tunggu
yang terjadi (Wq) hasil simulasi pertama memberikan perhitungan secara
overall terjadinya antrian selama 146,4248 detik, simulasi kedua
memberikan waktu 153,2979 detik, dan simulasi ketiga sebesar 125,5244

57

detik. Jika dirata-rata waktu tunggu secara overall ialah 141,75 detik.
Berdasarkan pada hasil simulasi tersebut maka dapat disimpulkan terjadi
antrian bahan pada model A, namun porsi antrian tersebut terjadi yang pada
stasiun After Curing. Pada stasiun lain hampir dikatakan tidak mengalami
antrian. Hal tersebut dapat dilihat dari hasil simulasi pada Lampiran 5. Dari
output simulasi yang ditunjukkan pada Lampiran 5 ternyata tingkat utilitas
operator terendah terjadi di stasiun Arahan Produksi dengan tingkat utilitas
berkisar antara 2-3 %, sedangkan tingkat utilitas operator tertinggi terjadi
pada stasiun After Curing dengan tingkat utilitas operator diatas selalu
diatas 98 %. Perbedaan tingkat utilitas antara dua stasiun tersebut terlihat
tinggi, hal tersebut dapat menandakan bahwa sistem antrian di lini produksi
fillet ikan beku mengalami ketidakseimbangan tingkat pelayanan antara
tahapan produksi.
Analisis garbage collector merupakan analisis jumlah bahan yang
keluar dari sistem. Dalam SAPFIB model A ini bahan yang keluar dari
sistem merupakan bahan yang tidak masuk ke dalam lini produksi fillet ikan
beku. Jumlah customer collected merupakan jumlah bahan baku yang keluar
dari sistem antrian lini produksi fillet ikan beku.
Berdasarkan permasalahan di atas agar dapat membangun sebuah
sistem alternatif untuk model A yang lebih baik, dibutuhkan pemahaman
yang lebih mendalam mengenai sistem antrian tersebut. Pembuatan sub
model antrian dapat dilakukan untuk memberikan analisis yang lebih
mendalam terhadap sistem antrian lini produksi fillet ikan beku. Sub model
yang dibuat diharapkan dapat membantu memahami perilaku sistem secara
lebih rinci.

2. Kinerja Model Antrian Pada Stasiun Freezing (Model B)


Model B merupakan model sistem antrian yang terjadi pada stasiun
Freezing. Model ini dibuat karena pada dasarnya di stasiun Freezing
memiliki kedatangan tidak hanya dari lini produksi fillet ikan beku
melainkan dari seluruh lini produksi dari PT. Global Tropical Seafood serta
dari bahan baku yang perlu dibekukan.Waktu kerja stasiun Freezing tidak

58

seperti stasiun kerja lainnya yang bekerja selama 7 jam, melainkan dapat
bekerja selama 24 jam. Hal tersebut disebabkan unit pelayanan pada stasiun
Freezing berupa mesin yang melayani dengan waktu konstan dan dengan
pelayanan yang bersifat batch tidak seperti stasiun lainya yang unit
pelayanannya berupa tenaga manusia (operator).
Oleh karena bentuk pelayanan stasiun Freezing bersifat batch dan
tidak kontinyu, maka model antrian yang dibuat ialah model keseimbangan
antara jumlah bahan yang masuk dengan kapasitas pelayanan mesin
pendingin. Jumlah dan waktu kedatangan bahan pada stasiun Freezing dapat
dilihat pada Lampiran 1.
Simulasi penjadwalan waktu pelayanan pada stasiun freezing
dilakukan berdasarkan data pengamatan yang didapat selama melakukan
penelitian di PT. Global Tropical Seafood. Simulasi penjadwalan dilakukan
dengan berdasarkan ketentuan dan asumsi yang telah ditetapkan bersama
perusahaan. Ketentuan dan asumsi yang diterapkan dalam menyusun
simulasi penjadwalan pada stasiun freezing ialah sebagai berikut :
1. Penjadwalan waktu dan pemilihan mesin Freezer yang akan
dijalankan dilakukan berdasarkan sinkronisasi dengan penjadwalan
harian produksi.
2. Freezer dapat dijalankan ketika jumlah bahan di dalam mesin
mencapai 80 % kapasitas mesin, namun terdapat pengecualian
ketika produksi pada hari tersebut tidak memungkinkan untuk
mencapai 80% kapasitas mesin.
3. Waktu loading berkisar antara 30 menit hingga 120 menit untuk
setiap kedatangan bahan, loading dilakukan sesaat setelah bahan
tiba di stasiun Freezing.
4. Waktu unloading dan cleaning mesin adalah selama 3 jam untuk
setiap kali mesin dijalankan.
5. Prioritas jenis produk diabaikan.
6. Waktu downtime mesin diabaikan.
Berdasarkan ketentuan diatas dan data historis yang ada, maka dibuat
simulasi penjadwalan di stasiun Freezing. Hasil simulasi tersebut dapat

59

dilihat pada Lampiran 6. Antrian yang dimaksud dalam simulasi tersebut


ialah antrian sejumlah bahan yang disebabkan seluruh mesin pelayanan
sedang sibuk digunakan. Jumlah antrian maksimum per hari yang terjadi
selama simulasi antrian pada model B ini dapat dilihat pada Gambar 13.

Gambar 13. Grafik antrian maksimum pada stasiun Freezing

Dari hasil simulasi model B tersebut, dapat terlihat kinerja dari sistem
antrian pada kondisi nyata masih dapat di optimalkan. Antrian bahan
sebanyak tiga kali yakni 1589,3 kg, 7808,3 kg dan 7808,3 kg selama hasil
pengamatan memberi gambaran bahwa pada saat tertentu jumlah
kedatangan bahan dapat melampaui kapasitas kerja stasiun Freezing. Hal ini
tentunya ingin dihindari perusahaan oleh karena antrian yang terjadi pada
stasiun Freezing dapat menurunkan keluaran produk dari perusahaan.

3. Kinerja Model Antrian Pada Stasiun Packing (Model C)


Model C ini dibuat untuk memperlihatkan sistem antrian yang terjadi
di stasiun Packing. Berbeda dengan stasiun lainnya, stasiun Packing
mempunyai jam kerja selama 24 jam yang dibagi menjadi tiga shift kerja.
Kedatangan bahan dicatat berdasarkan output bahan dari stasiun freezing
yang berupa seluruh produk PT. Global Tropical Seafood. Hasil pengamatan
kedatangan stasiun Packing dapat dilihat pada Lampiran 1 dan Lampiran 2.

60

Jumlah operator sendiri diasumsikan perusahaan memakai jumlah yang


tetap yakni tiga kelompok kerja dengan jumlah setiap kelompok kerja
delapan orang operator dan seluruh shift kerja diadakan.

Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam
bentuk matriks
Simulasi yang dilakukan selama 75600 detik (21 jam kerja) memberi
hasil berupa analisis kedatangan, utilitas kerja dan antrian yang dapat dilihat
pada Lampiran 7. Hasil analisis utilitas pelayanan menunjukan tingkat
utilitas operator secara overall selama tiga kali simulasi adalah sebesar
13,56 % , 13,54 % dan 13,38 % yang berarti jika di rata-rata utilitas server
pada stasiun ini adalah sebesar 13,48 %. Untuk analisis antrian sendiri ratarata waktu tunggu bahan secara overall ialah pada tiga kali ulangan simulasi
menunjukan nilai mendekati 0.
Kondisi nyata yang menyebabkan rendahnya utilitas operator ialah
karena laju kedatangan bahan baku lebih kecil dibanding dengan
kemampuan pelayanan pada stasiun Packing ini. Pada kondisi nyata jumlah
operator dan pengadaan shift di dalam stasiun Packing ini ditentukan
berdasarkan

kebijakan

perusahaan

dalam

mengadakan

kegiatan

pengemasan.

61

C. Sub Model Antrian


Dalam membuat sub model antrian pemilihan sub model didasarkan pada
titik-titik unit pelayanan dalam model yang mempunyai kondisi kedatangan
yang unik. Unik disini artinya ialah memiliki kondisi yang berbeda secara
khusus dari kondisi model utama dalam sistem. Proses simulasi yang akan di
jalankan akan memakai beberapa asumsi untuk mendapatkan analisis terbaik.
Asumsi tersebut ialah kedatangan bahan pada sub model adalah kontinyu
dengan kondisi kedatangan pada saat puncaknya dan berada dalam keadaan
steady state. Selain itu jumlah operator dan kapasitas antrian tetap sesuai
dengan model utama yang ada.

1. Sub Model Penerimaan


Sub model penerimaan merupakan sub model yang menggambarkan
kondisi di stasiun penerimaan. Pada model utama stasiun penerimaan dibuat
dengan kedatangan bahan baku secara agregat dan waktu pelayanan secara
agregrat demi menyelaraskan kondisi antar stasiun kerja ke dalam satu
satuan kerja sehingga dapat tercipta model utama yang sinkron. Pada
kondisi riilnya kedatangan bahan baku terjadi dengan jenis yang beragam
sehingga dibutuhkan waktu pelayanan yang berbeda untuk setiap jenis
bahan baku yang masuk. Hal ini tercatat selama pengamatan seperti yang
dapat dilihat pada Lampiran 1 untuk waktu antar kedatangan, dan Lampiran
2 untuk waktu pelayanan.
Pemograman dalam pembuatan sub model penerimaan memanfaatkan
empat komponen kedatangan yang masing-masing komponen mewakili
kedatangan suatu jenis bahan baku pada kondisi riilnya. Bahan baku
tersebut di bagi menjadi empat jenis disesuaikan dengan perbedaan waktu
pelayanan, yakni jenis proses satu yang merupakan bahan baku jenis ikan
segar yang diterima dengan pelayanan di stasiun penerimaan berupa
pencucian, sortasi dan penimbangan; jenis proses dua yang merupakan
bahan baku berjenis selain ikan segar seperti kerang, bekutak dengan
pelayanan di stasiun penerimaan berupa pencucian dan penimbangan; jenis
proses tiga yang merupakan bahan baku ikan beku seperti tenggiri yang

62

diterima dengan pelayanan di stasiun penerimaan berupa penimbangan;


jenis proses empat yang merupakan bahan baku campuran dari ikan segar
dan non ikan segar seperti dengan pelayanan di stasiun penerimaan berupa
penyesuaian sesuai bahan baku.
Unit pelayanan dalam stasiun ini terdiri dari lima orang operator yang
dengan asumsi pelayanan pararel dengan distribusi waktu pelayanan sesuai
data historis sesuai dengan bahan baku yang diproses. Penulisan program
dalam bentuk grafis dapat dilihat pada gambar berikut.

Gambar 15. Penulisan model simulasi sub model penerimaan pada


program QSS 1.0 dalam bentuk grafis
Hasil analisis simulasi dari sub model penerimaan secara lengkap
dapat dilihat pada Lampiran 8. Simulasi yang di jalankan pada sub model
penerimaan adalah simulasi selama 25200 detik, waktu simulasi selama
25200 detik digunakan untuk mengetahui kinerja stasiun tersebut pada saat
kedatangan bahan dalam kondisi steady state. Hasil simulasi analisis
kedatangan bahan baku menunjukan terjadi penolakan bahan baku (balking)
secara keseluruhan pada tiga kali ulangan simulasi sebesar 17398 kg, 16793
kg, 16771 kg sehingga jika di rata-rata terjadi balking sebanyak 16987,33
kg.

63

Hasil simulasi antrian menunjukan utilitas kerja operator di stasiun


tersebut secara overall pada tiga kali ulangan simulasi ialah sebesar 99,96 %
, 99,95 % dan 99,97 % sehingga jika di rata-rata utilitas operator adalah
sebesar 99,96 %. Nilai utilitas tersebut menunjukan bahwa operator bekerja
dengan waktu idle yang minimum.
Hasil simulasi analisis antrian menunjukan rata-rata waktu tunggu
secara overall ialah pada tiga kali ulangan simulasi ialah sebesar 7827,334
detik , 7873,6 detik dan 7920,789 detik sehingga jika di rata-rata waktu
tunggu adalah sebesar 7873,91 detik. Jumlah rata-rata bahan yang
menunggu pada tiga kali ulangan simulasi sendiri ialah sebesar 4427,497
kg, 4436,729 kg dan 4432,443 kg. Jika di rata-rata maka bahan yang
menunggu ialah sebanyak 4432,223 kg. Hal ini berbeda dengan hasil
simulai dari model utamanya, disebabkan asumsi yang digunakan ialah pada
simulasi sub model penerimaan ini bahan baku yang datang mempunyai
empat jenis penanganan yang berbeda dan lingkup simulasi dikhususkan
pada stasiun kerja penerimaan yang sedang menerima kedatangan bahan
baku pada kondisi puncaknya dan kontinyu.
Waktu tunggu dan jumlah bahan yang menunggu serta utilitas
operator memberikan informasi bahwa di stasiun penerimaan pada saat
sibuk membutuhkan penambahan sejumlah operator agar sistem produksi
berjalan secara efektif.

2. Sub Model Penyisikan


Sub model penyisikan merupakan sub model sistem antrian pada
stasiun penyisikan. Analisis parsial yang dilakukan pada stasiun ini
dilakukan karena pada dasarnya stasiun ini menerima kedatangan bahan
baku berdasarkan dari stasiun arahan produksi yang membagi kedatangan ke
stasiun lain (stasiun Filleting dan lini produksi lain) dan sewaktu-waktu
stasiun penyisikan dapat mengerjakan bahan dari penyimpanan bahan baku.
Kondisi nyata yang pernah terjadi di perusahaan, stasiun penyisikan sibuk
pada pagi hari yang membuat perusahaan mengalihkan sebagian besar
operator ke stasiun ini ketika bahan baku datang, namun ketika siang

64

harinya berhenti beroperasi oleh karena bahan baku untuk produk fillet skin
on sudah habis. Konfigurasi antrian sub model ini juga mengikuti model
utama.
Simulasi selama 25200 detik dilakukan untuk melihat kinerja stasiun
penyisikan pada keadaan sibuk (bahan baku kontinyu). Pengamatan
kedatangan pada stasiun ini pun dilakukan pada titik persis sebelum stasiun
bahan masuk ke stasiun penyisikan. Hasil pengamatan dapat dilihat pada
Lampiran 1. Untuk distribusi waktu pelayanan sendiri mengikuti data
historis seperti yang digunakan pada model utama.

Gambar 16. Penulisan model simulasi sub model penyisikan pada program
QSS 1.0 dalam bentuk matriks
Analisis kedatangan bahan selama tiga kali ulangan simulasi pada
Lampiran 9, menunjukkan terjadi penolakan bahan (balking) sebesar 5777
kg, 5787 kg, dan 5804 kg sehingga jika di rata-rata terjadi penolakan sebesar
5789,33 kg. Hal tersebut menunjukan bahwa tingkat kedatangan di stasiun
tersebut melebihi kemampuan kapasitas antrian yang ada sehingga bahan
tidak terlayanani.
Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator
secara overall selama tiga kali simulasi adalah sebesar 99,67 % , 99,65 %
dan 99,76 % yang berarti jika di rata-rata utilitas server pada stasiun ini
adalah sebesar 99,69 %. Untuk analisis antrian sendiri rata-rata waktu
tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah
sebesar 7429,695 detik , 7456,611detik dan 7524,08 detik sehingga jika di
rata-rata waktu tunggu adalah sebesar 7470,13 detik. Data tersebut
menunjukan bahwa dalam keadaan sibuk stasiun penyisikan dapat
mengalami antrian, antrian bahan dapat memberikan kerugian bagi

65

perusahaan dari naiknya resiko kerusakan bahan. Untuk melihat hasil


simulasi secara lengkap dapat dilihat pada Lampiran 9.

3. Sub Model Filleting


Pembuatan sub model filleting didasari atas alasan yang sama dengan
pembuatan sub model penyisikan. Sub model filleting mengambil ruang
lingkup pada stasiun Filleting. Sub model ini akan menganalisis kinerja
stasiun Filleting secara parsial. Stasiun Filleting sendiri bagi perusahaan
merupakan stasiun yang membutuhkan operator dengan keahlian khusus
sehingga tidak sembarang orang yang ditempatkan di stasiun ini.
Konfigurasi sistem antrian ini mengikuti konfigurasi yang sama dengan
model utama.
Pengamatan kedatangan pada stasiun ini pun dilakukan pada titik
persis sebelum stasiun bahan masuk ke stasiun Filleting. Hasil pengamatan
dapat dilihat pada Lampiran 1. Untuk distribusi waktu pelayanan sendiri
mengikuti data historis seperti yang digunakan pada model utama.Simulasi
selama 25200 detik dilakukan untuk melihat kinerja stasiun Filleting pada
keadaan sibuk (bahan baku kontinu). Hasil simulasi tersebut dapat dilihat
pada Lampiran 10.

Gambar 17. Penulisan model simulasi sub model filleting pada program
QSS 1.0 dalam bentuk matriks
Analisis kedatangan bahan selama tiga kali ulangan simulasi pada
Lampiran 10, menunjukkan terjadi penolakan bahan (balking) sebesar 185
kg, 282 kg, dan 91 kg sehingga jika di rata-rata terjadi penolakan sebesar
186 kg. Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator
secara overall selama tiga kali simulasi adalah sebesar 99,89 %, 99,86 %
dan 99,83 % yang berarti jika di rata-rata utilitas server pada stasiun ini

66

adalah sebesar 99,86 %. Untuk analisis antrian sendiri rata-rata waktu


tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah
sebesar 1157,14 detik , 1435,455 detik dan 1035,768 detik sehingga jika di
rata-rata waktu tunggu adalah sebesar 1209,45 detik. Data tersebut
menunjukan perlunya pengembangan model untuk meminimasi waktu
tunggu bahan yang jika adanya waktu tunggu bahan maka dapat
memberikan kerugian bagi perusahaan dari naiknya resiko kontaminasi
bahan. Hasil Simulasi sub model filleting dapat dilihat pada Lampiran 10.

4. Sub Model After Curing


Sub model After Curing merupakan bagian dari model A yakni
merupakan sub model yang menggambarkan keadaan stasiun After Curing.
Sub model After Curing ini dibuat oleh karena kedatangan bahan pada
stasiun ini selama waktu kerja tidak mengikuti kedatangan bahan baku pada
hari yang sama, kedatangan pada stasiun After Curing mengikuti pola
kedatangan sendiri yakni kedatangan dari stasiun Curing. Hal ini
disebabkan oleh karena stasiun Curing merupakan stasiun penyimpanan
yang waktu prosesnya adalah satu hari proses penyimpanan yang berarti
bahan yang masuk ke stasiun tersebut pada proses hari ini akan keluar pada
keesokan harinya. Selain itu selama proses produksi berlangsung stasiun ini
dapat bekerja sendiri tanpa ada dukungan stasiun lainnya, dengan kata lain
ketika tidak ada bahan baku yang datang pada hari ini yang membuat lini
produksi fillet ikan beku tidak beroperasi, stasiun After Curing masih dapat
beroperasi mengerjakan bahan baku yang didapat pada hari kemarin. Untuk
hasil pengamatan kedatangan bahan pada stasiun tersebut, dapat dilihat pada
Lampiran 1. Waktu pelayanan dan konfigurasi antrian adalah sama seperti
yang digunakan pada model utama.

Gambar 18. Penulisan model simulasi sub model after curing pada program
QSS 1.0 dalam bentuk matriks
67

Simulasi dilakukan selama 25200 detik untuk melihat kinerja stasiun


After Curing pada keadaan sibuk (bahan baku kontinu). Output simulasi
dapat dilihat pada Lampiran 11 menunjukkan terjadi penolakan bahan
(balking) sebesar 3 kg, 16 kg, dan 0 kg sehingga jika di rata-rata terjadi
penolakan sebesar 6,3 kg. Hasil analisis utilitas pelayanan menunjukan
tingkat utilitas operator secara overall selama tiga kali simulasi adalah
sebesar 99,44 % , 99,40 % dan 99,17 % yang berarti jika di rata-rata utilitas
server pada stasiun ini adalah sebesar 99,34 %. Untuk analisis antrian
sendiri rata-rata waktu tunggu bahan secara overall ialah pada tiga kali
ulangan simulasi ialah sebesar 1249,751 detik, 1298,56 detik dan 849,8104
detik sehingga jika di rata-rata waktu tunggu adalah sebesar 1132,71 detik.
Hasil simulasi tersebut menunjukan pada kondisi sibuk stasiun after curing
dengan jumlah operator standar tidak mampu melayani bahan yang masuk
secara efektif, antrian pada bahan maka dapat memberikan kerugian bagi
perusahaan dari naiknya resiko kontaminasi bahan.

D. Pengembangan Model
Melihat hasil analisis sistem antrian pada sistem nyata, pengembangan
model antrian perlu dilakukan untuk memperoleh kinerja yang lebih baik.
Pengembangan model antrian dilakukan dengan dua buah skenario, skenario
pertama ialah pengembangan model antrian dilakukan dengan cara merubah
kecepatan kedatangan bahan atau tingkat kedatangan bahan, dan skenario
kedua ialah pengembangan model antrian dilakukan dengan cara merubah
kecepatan pelayanan antara stasiun dengan pengaturan jumlah operator di
setiap stasiun.
Hasil analisis model antrian pada sistem nyata menunjukan terjadinya
waktu idle yang tinggi pada operator. Hal tersebut dapat memberikan kerugian
pada perusahaan dalam hal nilai efisiensi penggunaan sumber daya perusahaan.
Waktu tunggu yang terjadi dapat memberikan kerugian berupa resiko yang
lebih tinggi terhadap kerusakan bahan. Naiknya jumlah kedatangan bahan baku
dapat memberikan beban kerja yang lebih banyak sehingga waktu idle operator
akan berkurang. Bertambahnya jumlah operator dan perubahan metode kerja

68

operator pada sebuah stasiun kerja akan memberikan kecepatan pelayanan


yang lebih tinggi. Hal tersebut terjadi karena beban kerja yang didistribusikan
pada setiap operator akan terbagi secara pararel dan kemampuan kerja operator
lebih terampil. Pendistribusian beban kerja akan membuat idle time setiap
operator semakin tinggi namun disamping itu juga dapat mengurangi waktu
tunggu akibat bahan yang masuk ke stasiun tersebut akan dengan lebih cepat
diproses.

1. Pengembangan

Model

Dengan

Skenario

Perubahan

Tingkat

Kedatangan
Untuk mendapatkan kinerja yang lebih baik pada sistem antrian lini
produksi fillet ikan beku (SAPFIB) maka dilakukan simulasi skenario
berbagai tingkat kedatangan yakni dengan mengurangi ataupun menambah
jumlah bahan baku. Pengurangan jumlah bahan baku yang masuk dilakukan
apabila kecepatan waktu pelayanan unit pelayanan lebih rendah dari
kecepatan kedatangan bahan baku yang saat ini berlangsung di dalam sistem
antrian kondisi nyata. Kecepatan unit pelayanan yang lebih rendah dari
kecepatan kedatangan bahan dapat dilihat dari tingginya utilitas operator
dan terjadinya antrian serta balking. Penurunan jumlah kedatangan bahan
baku akan memberikan beban kerja yang lebih rendah sehingga dapat
menurunkan tingkat utilitas operator dan menghilangkan antrian serta
balking. Kecepatan kedatangan bahan yang lebih rendah dari kecepatan
pelayanan unit pelayanan akan menyebabkan tingkat utilitas operator relatif
rendah (idle time tinggi). Penambahan jumlah bahan baku yang masuk
memberikan beban kerja yang lebih tinggi, sehingga akan mengurangi
jumlah idle time operator. Namun perlu diingat kenaikan jumlah kedatangan
bahan juga akan memperbesar kemungkinan terjadinya antrian dan balking.
Pengembangan model dengan skenario perubahan tingkat kedatangan
dalam penerapannya dapat menemui kendala pada penyediaan bahan baku,
karena berkaitan dengan pasokan bahan baku yang bersifat stokastik. Sifat
stokastik itu adalah dikarenakan bahan baku yang digunakan merupakan
produk perikanan yang didapat dari hasil laut yang berkaitan dengan alam.

69

Usaha yang dapat dilakukan oleh perusahaan untuk menambah atau


mengurangi kedatangan bahan baku ialah dengan menjalin kerja sama yang
baik dengan para pemasok bahan baku.
Dalam mengembangkan model antrian dengan berbagai tingkat
kedatangan digunakan beberapa asumsi yaitu :
1. Sistem antrian bersifat steady state
2. Kecepatan unit pelayanan tetap sesuai data historis
3. Konfigurasi antrian mengikuti model pada kondisi nyata
a. Model A
Pada SAPFIB, model A terdapat dua buah komponen kedatangan
yakni komponen kedatangan KedatanganP dan komponen kedatangan
KedatanganAC. Komponen kedatangan KedatanganP akan memberikan
tingkat kedatangan bahan untuk stasiun penerimaan hingga stasiun
panning untuk produk non smoke dan stasiun bagging untuk produk
smoke. KedatanganAC akan menjadi tingkat kedatangan untuk stasiun
After Curing.
Jika melihat hasil output simulasi kondisi nyata pada model A pada
Lampiran 5, dapat dipahami bahwa idle time yang terjadi cukup tinggi
untuk stasiun kerja yang mendapatkan sumber kedatangan dari
komponen KedatanganP. Untuk stasiun kerja yang mendapat tingkat
kedatangan berdasarkan komponen KedatanganAC menunjukan utilitas
operator relatif tinggi hingga menimbulkan antrian dan balking. Kondisi
tersebut memberi kesimpulan bahwa pada komponen kedatangan
KedatanganP tingkat kedatangan bahannya lebih kecil dari tingkat
pelayanan stasiun kerja yang ada dan pada komponen KedatanganAC
tingkat kedatangan bahan lebih besar dari tingkat pelayanan stasiun kerja
yang ada.
Pengembangan model yang dilakukan pada komponen kedatangan
KedatanganP dilakukan dengan menaikkan tingkat kedatangan bahan
hingga memberikan tingkat utilitas operator yang tertinggi dengan
antrian

yang

minimum.

Pengembangan model pada komponen

KedatanganAC dilakukan dengan menurunkan tingkat kedatangan bahan


70

hingga waktu antrian minimum dan tidak terjadi balking pada tingkat
utilitas operator yang maksimal.
Untuk

menetapkan

jumlah

kenaikan

dan

penurunan

tingkat

kedatangan dilakukan dengan metode trial and error yakni dengan


mengkalikan jumlah kedatangan bahan dari data historis dengan suatu
bilangan. Tabel 10 menunjukan hasil dari trial and error beserta
perbandingan perubahan kinerja dari sistem antrian pada model A dari
stasiun penerimaan hingga stasiun panning dan stasiun bagging. Tabel 11
menunjukan hasil dari trial and error beserta perbandingan perubahan
kinerja dari sistem antrian stasiun After Curing pada model A.

Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalam
model A
Tingkat Kedatangan
Kondisi 2x Kondisi
Historis Historis

3x Kondisi
Historis

4x Kondisi
Historis

5x Kondisi
Historis

1. Stasiun Penerimaan

37,17

72,71

99,63

99,82

99,83

2. Stasiun Arahan Produksi

2,59

5,05

7,01

6,99

7,08

Parameter
Rata-rata tingkat utilitas operator (%)

3. Stasiun Penyisikan

9,26

18,23

24,90

24,76

27,52

4. Stasiun Filleting

27,35

55,89

74,89

73,83

75,09

5. Stasiun Trimming

33,92

67,66

92,16

89,18

91,71

6. Stasiun Washing

18,33

36,35

49,60

48,74

49,68

7. Stasiun Sizing

31,65

62,47

85,34

83,98

83,84

8. Stasiun Panning

29,37

56,04

91,45

88,46

90,30

9. Stasiun Bagging

51,37

97,13

98,40

98,54

98,75

10. Overall

26,77

52,39

69,26

68,26

69,31

1. Stasiun Penerimaan

1,49

19,44

1629,05

3799,88

6063,65

2. Stasiun Arahan Produksi

0,00

0,00

0,00

0,00

0,00

3. Stasiun Penyisikan

0,00

0,02

0,00

0,01

4. Stasiun Filleting

0,20

0,00
4,49

9,79

7,95

9,64

5. Stasiun Trimming

0,24

11,36

130,50

65,96

33,70

6. Stasiun Washing

0,25

0,87

1,42

1,44

1,41

7. Stasiun Sizing

0,46

4,28

11,92

11,73

12,28

8. Stasiun Panning

0,65

7,20

382,95

116,84

493,67

9. Stasiun Bagging

14,22

1065,53

2237,63

2283,40

2330,61

10. Overall

1,95

123,68

489,25

698,58

993,89

Rata-rata waktu tunggu bahan (detik)

Balking (kg)
1. Overall

71

Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun After Curing dalam
model A
Parameter

Tingkat Kedatangan
Kondisi
0,5x Kondisi
Historis
Historis

0,6x Kondisi
Historis

0,75x Kondisi
Historis

99,38

58,07

65

83,26

1398,15

0,1919

0,871

13,71

26,3

Rata-rata tingkat utilitas operator (%)


1. Stasiun After Curing
Rata-rata waktu tunggu bahan (detik)
1. Stasiun After Curing
Balking (kg)
1. Overall

Berdasarkan hasil pengembangan model dengan berbagai skenario


tingkat kedatangan tersebut untuk mendapatkan kinerja sistem antrian
yang paling efisien dengan kriteria waktu tunggu minimum dan tingkat
utilitas operator maksimum, adalah apabila pabrik ini beroperasi dengan
volume atau kapasitas produksi 3 kali lebih besar dari volume produksi
yang ada pada saat dilakukan penelitian. Dengan kata lain efisiensi
penggunaan sumber daya yang maksimum terjadi jika jumlah bahan yang
diproduksi (input) atau tingkat kedatangan bahan di stasiun penerimaan
adalah sebanyak 3 kali dari jumlah bahan pada data historis selama
penelitian. Hal tersebut dinilai demikian oleh karena pada tingkat
kedatangan yang lebih tinggi tingkat utilitas operator tidak lagi naik
secara signifikan. Untuk pengembangan model A pada komponen
kedatangan di

stasiun

After Curing,

tingkat

kedatangan

yang

menghasilkan penggunaan sumberdaya secara efektif dan efisien dengan


kriteria waktu tunggu minimum dan tingkat utilitas operator maksimum
serta tidak adanya balking, adalah apabila tingkat kedatangan bahan
sebanyak 0,75 kali lipat dari tingkat kedatangan historis selama
pengamatan penelitian. Hal tersebut didasari dari hasil simulasi yang
menunjukkan pada tingkat kedatangan tersebut tingkat utilitas operator
masih relatif tinggi, dengan waktu antrian minimum dan tidak ada
balking.

72

Gambar 19. Penulisan model simulasi A alternatif skenario perubahan


tingkat kedatangan bahan pada program QSS 1.0 dalam
bentuk matriks
Pengembangan model dengan skenario perubahan tingkat kedatangan
ini memang memberikan kinerja lebih baik untuk tingkat utilitas operator
dalam model tersebut namun jumlah bahan dan antrian yang terjadi ikut
meningkat, hal ini dapat dilihat pada hasil simulasi dalam Lampiran 12.
Kombinasi tingkat kedatangan tersebut secara keseluruhan dapat
meningkatkan kinerja dari sistem antrian, seperti yang ditunjukkan dalam
hasil simulasi pada Lampiran 12, tingkat utilitas operator selama tiga kali
ulangan simulasi adalah 76,43 %, 75,46 % dan 76,11 % sehingga jika
dirata-rata adalah 76 %. Namun seperti pada simulasi kondisi nyata
masih terjadi ketidakseimbangan tingkat utilitas operator antara stasiun
yakni pada stasiun Arahan Produksi tingkat utilitas operator berada pada
kisaran 7 % dan pada stasiun Penerimaan, Sizing, Trimming, Panning,
dan Bagging tingkat utilitas operator berada pada tingkat lebih besar dari
80 %. Hal tersebut juga yang menyebabkan naiknya waktu tunggu bahan
(antrian) seperti yang dilihat pada Lampiran 12, antrian yang sangat
padat terjadi pada stasiun penerimaan, namun hal ini tidak dirasakan pada
stasiun arahan produksi dan stasiun penyisikan.

73

b. Model B
Pada model B simulasi sistem antrian yang terjadi menunjukan
terjadinya antrian hanya pada saat tertentu saja ketika produksi hariannya
melebihi kapasitas mesin pendingin. Dalam model B ini pengembangan
model dengan skenario perubahan tingkat kedatangan bahan berarti
merubah tingkat kedatangan bahan agar sesuai dengan kapasitas
pelayanan mesin. Perhitungan kedatangan bahan pada stasiun freezing
dilakukan secara agregat dan dengan pola pelayanan konstan. Tingkat
kedatangan yang disarankan ialah maksimal per harinya sebesar 18.000
kg sesuai dengan kapasitas mesin pendingin.
Namun tingkat kedatangan tersebut hanya berlaku ketika pola
kedatangannya tetap seperti kondisi kedatangan historis selama
penelitian. Pada Lampiran 6, waktu idle rata-rata mesin setiap hari
produksi yakni 67,8 % untuk Freezer 1, 84,0 % untuk Freezer 2, dan
33,7 % untuk Freezer 3 menunjukkan bahwa freezer tersebut pada
dasarnya dapat melayani bahan pada kapasitas yang lebih besar dari
18.000 kg setiap

harinya. Hal tersebut

dapat terjadi dengan

mengembangkan pola kedatangan bahan pada stasiun Freezing.


Pengembangan pola kedatangan bahan di stasiun Freezing dapat
dilakukan dengan perbaikan sistem penjadwalan produksi dengan
memperhatikan waktu servis mesin, dan sinkronisasi produksi antar lini
produksi serta kapasitas penyimpanan bahan baku yang tidak di analisis
dalam penelitian khusus ini. Pengembangan model antrian dapat lebih
baik jika dilakukan juga dengan perbaikan pola kedatangan bahan yang
dilakukan dengan perubahan sistem penjadwalan.

c. Model C
Pengembangan model dengan skenario perubahan tingkat kedatangan
pada model C ini bertujuan untuk memperlihatkan pada tingkat
kedatangan seperti apa penggunaan sumber daya manusia sebagai unit
pelayanan dapat bekerja secara efektif dan efisien. Hasil output simulasi
dari model C memberikan gambaran bahwa terjadi idle time yang relatif

74

tinggi pada stasiun kerja Packing selama 24 jam waktu kerja dengan
komposisi operator seperti pada kondisi nyata.
Untuk mengurangi idle time sehingga operator di dalam stasiun
tersebut bekerja secara maksimal maka dibutuhkan kenaikan tingkat
kedatangan

bahan

dalam

stasiun

Packing.

Tingkat

kedatangan

ditingkatkan dengan cara mengkalikan jumlah kedatangan bahan pada


data historis selama penelitian dengan bilangan tertentu. Untuk
mensimulasikan hasil kenaikan tingkat kedatangan bahan, attribut waktu
antar kedatangan pada komponen kedatangan model C dirubah distribusi
kedatangannya mengikuti pola kedatangan bahan yang baru. Untuk
mendapatkan tingkat kedatangan yang terbaik digunakan teknik trial and
error. Perbandingan hasil uji coba pada beberapa tingkat kedatangan
dapat dilihat pada Tabel 12.
Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun Packing dalam
model C
Tingkat Kedatangan
Kondisi
Historis

3x
Kondisi
Historis

5x
Kondisi
Historis

6x
Kondisi
Historis

7x
Kondisi
Historis

8x
Kondisi
Historis

10x
Kondisi
Historis

13,49

39,17

66,04

80,35

90,61

99,70

99,63

0,23

5,04

27,80

80,12

271,16

3197,37

6702,78

1852

Parameter

Rata-rata tingkat utilitas operator (%)


1. Stasiun Packing
Rata-rata waktu tunggu bahan (detik)
1. Stasiun Packing
Balking (kg)
1. Overall

Perlu diingat bahwa stasiun Packing yang dianalisis ini menggunakan


asumsi stasiun Packing berkerja dalam tiga shift dengan komposisi
operator seusai standar yang ditetapkan yakni delapan orang untuk setiap
lini. Pada kondisi nyatanya perusahaan dapat saja meniadakan shift kerja
dan mengurangi jumlah operator yang aktif di stasiun Packing pada saat
kedatangan bahan atau beban kerja rendah. Berdasarkan hasil uji coba
berbagai tingkat kedatangan yang ditunjukkan pada Tabel 12, tingkat
utilitas operator tidak dapat mencapai utilitas 90 % tanpa menghindari
adanya antrian. Namun agar perusahaan dapat mengadakan waktu kerja
sebanyak tiga shift setiap harinya dan dengan komposisi operator yang

75

tetap secara efisien dan efektif, maka pabrik dapat

meningkatkan

kedatangan bahan pada stasiun Packing sebesar 6x dari data historis


selama penelitian dilakukan.
Tingkat kedatangan sebesar 6x dari data historis selama penelitian
dilakukan direkomendasikan oleh karena pada tingkat kedatangan
tersebut tingkat utilitas operator relatif tinggi dengan waktu antrian yang
dapat ditoleransi. Pengembangan model antrian ini dapat didukung juga
dengan pengembangan sistem penjadwalan. Pengembangan sistem
penjadwalan tersebut dapat mewujudkan tingkat kedatangan yang
diinginkan beserta pengaturan komposisi operator dan shift kerja secara
dinamis, sehingga dapat memperoleh kinerja yang lebih baik pada stasiun
kerja Packing. Hasil simulasi pengembangan model C ini dapat dilihat
pada Lampiran 13.

Gambar 20. Penulisan model simulasi C alternatif skenario perubahan


tingkat kedatangan bahan pada program QSS 1.0 dalam
bentuk matriks
2. Pengembangan Model Dengan Skenario Perubahan Komposisi Unit
Pelayanan
Jika volume produksi atau tingkat kedatangan bahan baku ikan yang
diproses sesuai dengan keadaan selama penelitian ini dilaksanakan, maka

76

pengembangan model dengan skenario perubahan komposisi unit pelayanan


dapat dilakukan. Penempatan jumlah operator dalam setiap stasiun kerja
didasarkan pada tingkat utilitas operator dan rata-rata waktu antrian pada
stasiun tersebut. Orientasi perubahan komposisi operator pada tiap stasiun
kerja mengacu pada tingkat utilitas operator yang maksimal dengan waktu
tunggu yang minimal. Stasiun kerja yang memiliki waktu tunggu yang besar
dan tingkat utilitas operator yang tinggi akan ditambahkan jumlah
operatornya sehingga waktu tunggunya menjadi berkurang, sedangkan
stasiun kerja dengan waktu tunggu yang kecil dan tingkat utilitas operator
yang rendah akan dikurangi jumlah operatornya. Proses perubahan
komposisi jumlah operator ini diuji coba (trial and error) dan disimulasikan
hingga mendapatkan kinerja yang lebih baik dari model sebelumnya.
Dalam melakukan pengembangan model antrian ini digunakan
beberapa asumsi yakni :
1. Sistem antrian bersifat steady state
2. Model antrian dikembangkan untuk satu lini produk yakni fillet ikan
beku, dengan tahapan pengerjaan yang tetap
3. Kondisi kedatangan sama seperti data historis selama penelitian
4. Kecepatan pelayanan operator tetap seperti data historis selama
penelitian
5. Kondisi tata letak beserta kapasitas dan disiplin antrian menyesuaikan
dengan kondisi historis
Setelah dilakukan beberapa kali uji coba kombinasi jumlah operator
pada setiap model, komposisi operator dengan hasil terbaik untuk SAPFIB
ditunjukan pada Tabel 13.

77

Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja pada
pengembangan model antrian SAPFIB
No.

Stasiun

Jumlah Unit Pelayanan


(Model Nyata)

Jumlah Unit Pelayanan


(Model Aternatif)

Stasiun Penerimaan

5 Orang

4 Orang

Stasiun Arahan Produksi

3 Orang

1 Orang

Stasiun Penyisikan

7 Orang

2 Orang

Stasiun Filleting

5 Orang

3 Orang

Stasiun Trimming

16 Orang (2 Line)

10 Orang (2 Line)

Stasiun Washing

2 Orang

1 Orang

Stasiun Sizing

4 Orang

4 Orang

Stasiun Bagging

2 Orang

2 Orang

Stasiun Panning

6 Orang

6 Orang

10

Stasiun Freezing

3 Unit

5 Unit

11

Stasiun After Curing

5 Orang

7 Orang

12

Stasiun Packing
Total Unit Pelayanan

24 Orang (3 Line)
82 Unit

12 Orang (3 Line)
57 Unit

Pengembangan model antrian untuk SAPFIB menunjukan bahwa pada


tingkat kedatangan yang sesuai dengan data historis selama penulis
melakukan penelitian jumlah operator yang diperlukan ialah seperti yang
ditunjukan pada model alternatif. Namun seperti yang diketahui tingkat
kedatangan bahan untuk produk perikanan tidak dapat dipastikan, sehingga
pengembangan model alternatif ini hanya berlaku ketika tingkat kedatangan
bahan baku sama seperti tingkat kedatangan hasil pengamatan penelitian.

a. Model A
Sesuai hasil uji coba perubahan komposisi operator pada model A,
pengurangan jumlah operator dilakukan pada stasiun penerimaan, arahan
produksi, penyisikan, Filleting, Trimming, Washing sedangkan pada
stasiun After Curing jumlah operator ditambahkan.
Pada model A ketika merubah komposisi operator dalam sistem
antrian tersebut, ternyata pada beberapa stasiun menunjukan setelah
pengembangan model antrian tingkat utilitas operator tidak dapat
mencapai nilai 90 %. Hal ini diperhatikan bahwa ketika sebuah stasiun di
beri jumlah operator minimal sehingga beban kerja untuk setiap operator
meningkat, hasil tingkat utilitas operator tetap menunjukan perubahan

78

yang relatif kecil. Hal ini terjadi karena tingkat kedatangan bahan pada
stasiun tersebut lebih kecil dari pada tingkat pelayanan stasiun tersebut.

Gambar 21. Penulisan model simulasi A alternatif skenario perubahan


komposisi unit pelayanan pada program QSS 1.0 dalam
bentuk matriks
Perubahan komposisi operator pada model A ini ditunjukan agar
bahan baku yang datang ada dapat diolah secara maksimal, dengan
sumberdaya minimal. Pengembangan model A ini merupakan sistem
antrian dengan komposisi operator yang seimbang dalam menjaga tingkat
kedatangan dan tingkat pelayanan. Hasil simulasi pengembangan model
A dengan skenario komposisi unit pelayanan terbaik dapat dilihat pada
Lampiran 14.

b. Model B
Simulasi penjadwalan model B merupakan model sistem antrian yang
terjadi pada stasiun freezing. Pengembangan model dengan skenario
perubahan komposisi unit pelayanan pada model B dilakukan dengan
menentukan kapasitas pelayanan yang dibutuhkan dalam memenuhi
kedatangan bahan seperti pada kondisi historis. Namun perlu diingat unit

79

pelayanan stasiun freezing merupakan mesin produksi sehingga


penambahan atau pengurangan unit pelayanan freezing akan lebih bijak
jika tidak hanya dirubah berdasarkan analisis simulasi antrian saja, faktor
lain seperti kemampuan mesin, efiesiensi mesin, serta faktor biaya perlu
dipertimbangkan dalam menentukan jumlah unit pelayanan stasiun
tersebut. Model B tersebut tidak dapat memberikan informasi mengenai
kinerja stasiun tersebut secara spesifik oleh karena digunakan asumsi
tidak adanya downtime dan mesin bekerja secara terus menerus.
Sehingga jika terdapat downtime kemungkinan antrian terjadi akan lebih
besar.
Jika digunakan asumsi pola kedatangan bahan adalah sama dengan
pola

kedatangan

historis

selama

penelitian

berlangsung,

maka

berdasarkan hasil simulasi pada Lampiran 6 kapasitas mesin pendingin


perlu ditambahkan sebesar 7808,3 kg. Dengan menggunakan asumsi
kapasitas mesin freezer seperti yang ada saat ini di pabrik, penambahan
kapasitas pelayanan di stasiun Freezing yang dapat menggunakan dua
buah freezer dengan spesifikasi seperti mesin freezer 3. Dengan
menambakan mesin freezer tersebut, kapasitas pelayanan stasiun freezing
dalam satu hari dapat naik dari 18000 kg menjadi 29000 kg. Penggunaan
dua buah mesin freezer berkapasitas kecil akan lebih efisien dibanding
satu buah mesin freezer dengan kapasitas besar.
Seperti halnya pengembangan model B dengan skenario perubahan
tingkat kedatangan, pengembangan model B dengan skenario perubahan
jumlah unit pelayanan ini juga dapat didukung dengan perbaikan pola
pelayanan dari mesin freezer. Adanya idle time dalam simulasi
penjadwalan model B dan rendahnya frekuensi terjadinya antrian,
membuka peluang perbaikan sistem penjadwalan untuk waktu pelayanan
mesin. Perbaikan sistem penjadwalan dengan meminimasi idle time dapat
dilakukan untuk memperoleh kapasitas pelayanan yang paling efisien
dalam mengolah bahan baku yang masuk.

80

c. Model C
Pengembangan model C dilakukan untuk menentukan jumlah operator
yang optimal pada stasiun Packing. Oleh karena waktu tunggu pada
kondisi nyata telah mendekati 0 detik, maka pengembangan model C
dilakukan untuk memaksimalkan tingkat utilitas operator pada stasiun
tersebut. Hal ini dapat dilakukan dengan mengurangi jumlah operator
sebagai unit pelayanan.
Pengurangan jumlah unit operator akan di hentikan ketika hasil
analisis simulasi memberikan perubahan waktu tunggu rata-rata secara
overall diatas 14 detik. Waktu tersebut ditentukan berdasarkan waktu
proses bahan. Waktu proses rata-rata bahan pada stasiun Packing ini
berkisar antara 140 detik hingga 150 detik berdasarkan hasil simulasi
model C pada kondisi nyata. Penulis memberikan toleransi rata-rata
waktu tunggu yang boleh terjadi maksimal 10 % dari rata-rata waktu
proses bahan oleh karena pada taraf waktu tersebut peluang bahan rusak
akibat menunggu waktu proses relatif kecil.
Hasil uji coba pengurangan jumlah operator memberikan hasil
sebanyak 12 orang operator pada stasiun Packing dapat dikurangi
sehingga terdapat 12 orang yang melayani bahan yang datang. Pada
jumlah operator seperti yang disebutkan memberikan hasil simulasi
tingkat utilitas operator yang lebih tinggi dan rata-rata waktu tunggu
yang masih ditoleransi dari simulasi pada kondisi nyata selama tiga kali
ulangan simulasi seperti yang ditunjukan dalam Lampiran 15.

81

Gambar 22. Penulisan model simulasi C alternatif skenario perubahan


komposisi unit pelayanan pada program QSS 1.0 dalam
bentuk matriks
Pengembangan ini dilakukan berdasarkan teori antrian dengan
mengambil pola kedatangan dan pelayanan secara agregat, sehingga
masih terdapat pengembangan model dengan cara lain seperti
menggunakan teknik penjadwalan untuk mendapatkan hasil yang lebih
optimal dengan kebijakan pengadaan shift kerja.

Hasil dari pengembangan model dengan skenario perubahan tingkat


kedatangan bahan baku maupun dengan skenario perubahan komposisi unit
pelayanan tersebut dapat diterapkan dengan memperhatikan seluruh asumsi
yang sebelumnya telah ditetapkan. Masing-masing model alternatif

hasil

pengembangan mempunyai kelebihan dan kekurangan. Pengembangan model


dengan skenario perubahan tingkat kedatangan merupakan pengembangan
model yang merujuk pada jumlah bahan baku ideal untuk kemampuan produksi
perusahaan saat ini, kelemahan dari model tersebut ialah untuk menerapkan
tingkat kedatangan yang sesuai tersebut berkaitan dengan pihak ketiga sebagai
penyedia bahan baku yang terkadang tidak dapat dipaksakan. Pengembangan
model alternatif dengan skenario perubahan komposisi operator pada
perusahaan akan relatif lebih mudah diterapkan karena berkaitan dengan
pengelolaan internal perusahaan, namun kelemahan pengembangan model
82

alternatif tersebut adalah terdapat pengurangan jumlah karyawan, hal tersebut


merupakan isu sensitif yang berkaitan dengan pertimbangan sosial ekonomi
yang perlu dikaji lebih lanjut.
Ketika hasil pengembangan model diterapkan terdapat beberapa hal yang
perlu diberi perhatian yakni mengenai keahlian operator yang dialokasikan
pada stasiun tertentu, hal ini dapat diselesaikan dengan mengadakan pelatihan
singkat agar operator mampu menjadi unit pelayanan dalam sebuah stasiun
kerja. Selain itu penambahan peralatan kerja untuk penunjang kegiatan
pelayanan operator pada stasiun kerja juga perlu diperhatikan. Analisa
keuntungan dan kerugian finansial dari dampak pengembangan model
alternatif juga perlu di perhitungkan untuk mengetahui kesesuaian penerapan
model alternatif di lingkungan perusahaan.

E. Kinerja Sistem Antrian


Pengembangan model antrian pada sistem produksi fillet ikan beku di
PT. Global Tropical Seafood, diharapkan dapat memberikan dampak positif
dari segi peningkatan kinerja perusahaan. Dua buah model pengembangan
memberikan perbaikan kinerja masing-masing. Untuk model alternatif skenario
perubahan tingkat kedatangan bahan akan memberikan perubahan kinerja
terutama dari sisi tingkat utilitas operator, sedangkan model alternatif skenario
perubahan komposisi unit pelayanan merupakan pengembangan yang memberi
perbaikan kinerja terutama dari segi efisensi dan efektifitas sistem produksi
berserta keseimbangan lini produksi.

1. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan


Tingkat Kedatangan
Indikator perbaikan kinerja hasil pengembangan model dapat dilihat
dari hasil analisis simulasi, berdasarkan hasil pengembangan tersebut
perubahan kinerja pada pengembangan model dengan skenario perubahan
tingkat kedatangan, yakni :

83

a. Model A
(i) Jumlah bahan yang tidak terproses
Jumlah bahan yang tak terproses (balking) merupakan sebuah
indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.
Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di
proses pada hari tersebut namun dikerjakan dengan tambahan jam
kerja.
Diagram di bawah menunjukan bahwa pada model A kondisi nyata
terdapat material yang tidak terproses rata-rata sebanyak 26,33 kg
namun setelah dilakukan pengembangan model antrian, material yang
tidak terproses menjadi tidak ada. Pengembangan model ini mampu
memberikan perbaikan kinerja proses produksi saat ini.

Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses


pada pengembangan model A dengan skenario perubahan
tingkat kedatangan
(ii) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1856,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,

84

material yang terproses menjadi 3099,00 kg. Kenaikan jumlah material


yang terproses memberikan arti bahwa hasil pengembangan model
mampu memberikan output yang lebih besar dari model pada kondisi
nyata.

Gambar 24. Diagram perbandingan jumlah bahan yang terproses pada


pengembangan model A dengan skenario perubahan tingkat
kedatangan
(iii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi.

Rendahnya

waktu

aliran

bahan

akan

memberikan

keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga


selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan
adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan
keseimbangan kecepatan pelayanan di dalam sistem produksi.

85

Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan pada


pengembangan model A dengan skenario perubahan
tingkat kedatangan
(iv) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model secara ekternal ini mampu memberikan tingkat
utilitas operator menjadi lebih tinggi 47,86 %, seperti yang ditunjukan
pada diagram berikut.
Meningkatnya utilitas operator memberikan gambaran kinerja yang
lebih baik, yakni dari segi pemanfaatan sumber daya manusia yang
tersedia. Idealnya nilai seratus persen pada tingkat utilitas unit
pelaanan memberikan arti bahwa unit pelayanan bekerja pada seluruh
waktu yang tersedia.

86

Gambar 26. Diagram perbandingan tingkat utilitas operator secara


overall pada pengembangan model A dengan skenario
perubahan tingkat kedatangan
(v) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model memberi perubahan jumlah ratarata bahan menunggu menjadi lebih besar. Hal ini menunjukan kinerja
sistem antrian yang buruk akibat tidak seimbangnya kecepatan
pelayanan antara stasiun kerja dalam model.

87

Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang


menunggu pada pengembangan model A dengan
skenario perubahan tingkat kedatangan
(vi) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model antrian memberikan rata-rata waktu tunggu
bahan yang lebih lama dari kondisi nyata. Hal tersebut terjadi
dikarenakan pada pengembangan model ini, pengembangan dilakukan
dengan meningkatkan tingkat kedatangan agar lebih tinggi sehingga
dapat menimbulkan kepadatan dalam sistem antrian.

88

Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu


pada pengembangan model A dengan skenario
perubahan tingkat kedatangan
(vii) Biaya tambahan penggunaan es
Untuk mempetahankan mutu bahan yang sedang diproses,
perusahaan menggunakan es sebagai sarana untuk menjaga rantai
dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang
sedang diproses pada kisaran tertentu dimana kerusakan bahan akan
menjadi minimum akibat degradasi waktu. Biaya tambahan yang
dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan
dari segi penghematan sumber daya.
Biaya tambahan yang dikeluarkan untuk penggunaan es dalam
sistem antrian akibat adanya antrian tersebut dapat dihitung dari
jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.
Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah
bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama
satu jam maka estimasi biaya tambahan yang dikeluarkan untuk
pemakaian es akibat antrian dapat dihitung dengan rumus berikut :

Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan


yang mengantri pada setiap stasiun kerja (kg) x Total maksimum
waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik
89

Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada


Lampiran

17.

Seperti

yang

ditunjukan

pada

Gambar

29,

pengembangan model alternatif ini ternyata menambah biaya


tambahan penggunaan es akibat antrian yang terjadi, namun hal
tersebut bisa jadi tidak bermasalah oleh karena model alternatif ini
menghasilkan lebih banyak bahan yang terproses dengan tingkat
utilitas operator yang lebih tinggi dari model antrian sistem nyata.
Sehingga pendapatan perusahaan itu pun dapat meningkat.

Gambar 29. Diagram perbandingan biaya penggunaan es pada


pengembangan model A dengan skenario perubahan
tingkat kedatangan

90

b. Model B

Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada


stasiun freezing dengan skenario perubahan tingkat
kedatangan
Kinerja dari model B ini dinilai dari satu sisi yakni dari jumlah
antrian maksimum yang terjadi. Hal tersebut dikarenakan model B
merupakan model analisa keseimbangan aliran bahan yang bertujuan
untuk mengetahui keseimbangan jumlah bahan yang harus di proses
dengan kemampuan kapasitas pelayanan.
Prinsip model keseimbangan aliran bahan adalah jumlah input
seimbang dengan kapasitas pelayanan. Skenario perubahan tingkat
kedatangan merupakan pengembangan model keseimbangan aliran
bahan dari segi input. Skenario pengembangan model aliran bahan,
seperti yang ditunjukan pada Gambar 30 menunjukan hilangnya
antrian pada stasiun freezing.

c. Model C
(i) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi

91

nyata jumlah material yang terproses rata-rata sebanyak 1673,67 kg


namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 10118,67 kg. Kenaikan jumlah
material yang terproses memberikan arti bahwa hasil pengembangan
model mampu memberikan output yang lebih besar dari model pada
kondisi nyata. Dalam hal ini kenaikan output berarti naiknya volume
produksi yang apat memberikan keuntungan finansial.

Gambar 31. Diagram perbandingan jumlah bahan yang terproses pada


pengembangan model C dengan skenario perubahan tingkat
kedatangan
(ii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi.

Rendahnya

waktu

aliran

bahan

akan

memberikan

keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga


selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan
adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan
pola kecepatan pelayanan di dalam sistem produksi. Sehingga antrian
92

yang terjadi menjadi meningkat, menambahkan waktu aliran bahan


dalam sistem produksi.

Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan pada


pengembangan model C dengan skenario perubahan tingkat
kedatangan
(iii) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.

93

Gambar 33. Diagram perbandingan tingkat utilitas operator secara


overall pada pengembangan model C dengan skenario
perubahan tingkat kedatangan Rata-rata jumlah bahan
yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model memberi perubahan jumlah ratarata bahan menunggu bahan menjadi lebih besar. Hal ini menunjukan
dampak dari naiknya tingkat kedatangan akan menyebabkan naiknya
jumlah bahan yang mengantri.

94

Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang


menunggu pada pengembangan model C dengan
skenario perubahan tingkat kedatangan
(iv) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model memberikan waktu rata-rata antrian yang lebih
lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan
model ini, tingkat kedatangan yang lebih tinggi menimbulkan
kepadatan dalam sistem antrian.

95

Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu


pada pengembangan model C dengan skenario
perubahan tingkat kedatangan
2. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan
Komposisi Unit Pelayanan
Beberapa indikator perbaikan kinerja hasil pengembangan model
dengan skenario perubahan komposisi operator dapat dilihat dari analisis
hasil simulasi seperti berikut :
a. Model A
(i) Jumlah bahan yang tidak terproses
Jumlah bahan yang tak terproses (balking) merupakan sebuah
indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.
Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di
proses pada hari tersebut namun dikerjakan dengan tambahan jam
kerja.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata terdapat material yang tidak terproses rata-rata sebanyak 26,33
kg namun setelah dilakukan pengembangan model antrian alternatif,
material

yang

tidak

terproses

menjadi

tidak

ada.

Sehingga

pengembangan model ini mampu memberikan perbaikan kinerja proses


produksi saat ini.

96

Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses


pada pengembangan model A dengan skenario perubahan
komposisi operator
(ii) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1856,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 1991,67 kg. Kenaikan jumlah material
yang terproses memberikan arti bahwa hasil pengembangan model
mampu memberikan output yang lebih besar dari model pada kondisi
nyata.

97

Gambar 37. Diagram perbandingan jumlah bahan yang terproses pada


pengembangan model A dengan skenario perubahan
komposisi operator
(iii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi.

Rendahnya

waktu

aliran

bahan

akan

memberikan

keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga


selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan mengalir dalam sistem produksi
yang lebih cepat 703,88 detik.

98

Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan pada


pengembangan model A dengan skenario perubahan
komposisi operator
(iv) Tingkat utilitas operator
Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.

Gambar 39. Diagram perbandingan tingkat utilitas operator secara


overall pada pengembangan model A dengan skenario
perubahan komposisi operator
(v) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko
kerusakan bahan akibat penurunan mutu. Dari diagram di bawah
ternyata hasil pengembangan model mampu memberi perubahan jumlah
rata-rata bahan menunggu bahan menjadi lebih kecil.

99

Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang


menunggu pada pengembangan model A dengan
skenario perubahan komposisi operator
(vi) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model antrian mampu memberikan waktu tunggu yang
lebih kecil dibanding pada saat kondisi nyatanya.
Waktu menunggu yang lebih kecil dapat memberikan keuntungan
bagi perusahaan yakni dari segi minimasi kemungkinan bahan rusak
akibat menunggu dalam suhu ruang dan efisiensi kecepatan produksi
dari sistem.

100

Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu


pada pengembangan model A dengan skenario perubahan
komposisi operator
(vii) Biaya tambahan penggunaan es
Untuk mempetahankan mutu bahan yang sedang diproses,
perusahaan menggunakan es sebagai sarana untuk menjaga rantai
dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang
sedang diproses pada kisaran tertentu dimana kerusakan bahan akan
menjadi minimum akibat degradasi waktu. Biaya tambahan yang
dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan
dari segi penghematan sumber daya.
Biaya tambahan yang dikeluarkan untuk penggunaan es dalam
sistem antrian akibat adanya antrian tersebut dapat dihitung dari
jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.
Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah
bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama
satu jam maka estimasi biaya tambahan yang dikeluarkan untuk
pemakaian es akibat antrian dapat dihitung dengan rumus berikut :
Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan
yang mengantri pada setiap stasiun kerja (kg) x Total maksimum
waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik

101

Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada


Lampiran

18.

Seperti

yang

ditunjukan

pada

Gambar

42,

pengembangan model antrian dapat memberikan penghematan biaya


penggunaan es selama sebulan sebesar Rp. 255.368,17 atau berkurang
86,27 % dari model antrian sistem nyata. Hal ini dapat terjadi sebagai
akibat konsekuensi dari berkurangnya waktu antrian.

Gambar 42. Diagram perbandingan biaya penggunaan es pada


pengembangan model A dengan skenario perubahan
komposisi operator
b. Model B

Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada


stasiun freezing dengan skenario perubahan jumlah unit
pelayanan

102

Prinsip model keseimbangan aliran bahan adalah jumlah input


seimbang dengan kapasitas pelayanan. Skenario perubahan unit
pelayan merupakan pengembangan model keseimbangan aliran bahan
dari segi kapasitas pelayanan. Skenario pengembangan model aliran
bahan, seperti yang ditunjukan pada Gambar 43 menunjukan hilangnya
antrian pada stasiun freezing.
c. Model C
(i) Jumlah bahan yang terproses
Jumlah bahan yang terproses menunjukan kemampuan output yang
dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.
Diagram di bawah menunjukan bahwa pada model utama kondisi
nyata jumlah material yang terproses rata-rata sebanyak 1673,67 kg
namun setelah dilakukan pengembangan model antrian alternatif,
material yang terproses menjadi 1667,00 kg. Jumlah material yang
terproses setelah hasil pengembangan ternyata tidak berubah secara
signifikan. Hal ini belum tentu berarti kinerja pengembangan model
tidak berubah, melainkan dapat saja lebih baik ketika jumlah bahan
terproses tetap namun tingkat utilitas operator meningkat beserta
penggunaan sumber dayanya berkurang.

103

Gambar 44. Diagram perbandingan jumlah bahan yang terproses pada


pengembangan model C dengan skenario perubahan
komposisi operator
(ii) Rata-rata waktu aliran bahan
Rata-rata waktu aliran bahan merupakan hasil analisis simulasi
yang menunjukan lamanya waktu pergerakan bahan dalam sistem
produksi.

Rendahnya

waktu

aliran

bahan

akan

memberikan

keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga


selama proses produksi berlangsung dan memberikan kinerja lebih
tinggi terhadap kecepatan produksi. Hasil pengembangan model
tersebut memberikan waktu bahan yang mengalir dalam sistem
produksi tidak berubah terlalu signifikan hanya bertambah 8,33 detik.
Hal ini terjadi akibat pengembangan yang dilakukan adalah
berdasarkan tingkat kedatangan bahan tanpa memperhatikan pola
kecepatan pelayanan di dalam sistem produksi. Sehingga antrian yang
terjadi menjadi meningkat, menambahkan waktu aliran bahan dalam
sistem produksi.

Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan pada


pengembangan model C dengan skenario perubahan
komposisi operator

104

(iii) Tingkat utilitas operator


Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan
sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat
utilitas operator akan menunjukan semakin tingginya tingkat
kesibukan operator dan semakin rendahnya idle time. Hasil
pengembangan model mampu memberikan tingkat utilitas operator
menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.
Dengan jumlah penggunaan sumberdaya manusia yang lebih sedikit
dan utilitas yang lebih tinggi, berarti sistem produksi berjalan dengan
lebih efisien.
Perubahan nilai efisiensi dalam sistem produksi juga mengartikan
perubahan kinerja dari sistem produksi tersebut. Sistem produksi yang
memiliki nilai efisiensi yang lebih tinggi akan memiliki kinerja yang
lebih baik.

Gambar 46. Diagram perbandingan tingkat utilitas operator secara


overall pada pengembangan model C dengan skenario
perubahan komposisi operator
(iv) Rata-rata jumlah bahan yang menunggu
Rata-rata jumlah bahan yang menunggu merupakan indikator
banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya
jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik
oleh karena akan semakin sedikit bahan yang akan mendapat resiko

105

kerusakan bahan akibat penurunan mutu. Dari diagram di bawah


ternyata hasil pengembangan model memberi perubahan jumlah ratarata bahan menunggu bahan menjadi lebih besar namun tidak
signifikan. Walaupun secara grafis tampak terjadi perubahan besar,
namun pada dasarnya rata-rata jumlah bahan yang mengantri tidak
mencapai satu kilogram.
Kondisi yang relatif tetap pada suatu titik yakni jumlah rata-rata
bahan yang menunggu dapat menyebabkan perubahan kinerja melalui
pengembangan nilai pada titik-titik lainnya.

Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang


menunggu pada pengembangan model C dengan
skenario perubahan komposisi operator
(v) Rata-rata waktu menunggu bahan
Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata
bahan yang menunggu juga dapat menjadi indikator kinerja sistem
antrian. Seperti yang dilihat pada diagram dibawah ini, hasil
pengembangan model memberikan waktu rata-rata antrian yang lebih
lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan
model ini, tingkat kedatangan yang lebih tinggi menimbulkan
kepadatan dalam sistem antrian.
Namun kenaikan rata-rata waktu tunggu bahan masih dapat
ditoleransi

sesuai dengan penentuan

rata-rata

waktu

antrian

106

pengembangan model C dengan skenario perubahan komposisi


operator. Perbaikan kinerja dapat dicapai melalui perubahan nilai di
titik-titik tolak ukur lainnya yang ada.

Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu


pada pengembangan model C dengan skenario perubahan
komposisi operator
Hasil analisa kinerja yang dilakukan pada setiap pengembangan model
memberikan hasil yang berbeda-beda. Namun secara umum pengembangan
model dapat memberikan kinerja yang lebih baik dari sistem nyata. Kedua
model alternatif di atas memberikan perubahan kinerja berdasarkan kondisi
sistem antrian saat ini. Kinerja model alternatif skenario perubahan tingkat
kedatangan bahan memberikan tingkat kedatangan yang ideal untuk sumber
daya manusia yang saat ini ada dalam sistem antrian. Kinerja model alternatif
sekenario perubahan komposisi unit pelayanan memberikan komposisi
operator yang ideal untuk kondisi kedatangan sistem nyata pada saat penelitian.
F. Verifikasi dan Validasi Model
Untuk memastikan model telah dibangun sesuai dengan harapan,
dibutuhkan verifikasi dan validasi. Verifikasi model dilakukan dengan
mengamati hasil simulasi dan membandingkan dengan sistem nyata. Uji
kesamaan nilai tengah antara dua populasi dilakukan untuk mengetahui
validitas model yang dibangun. Kesamaan nilai tengah diambil dari data waktu

107

pelayanan hasil simulasi dengan data waktu pelayanan historis. Data tersebut
dipilih sebagai alat validitas oleh karena data historisnya tersedia.
Berikut merupakan tabel yang menunjukan hasil uji kesamaan nilai
tengah untuk model utama, model utama alternatif, sub model dan sub model
alternatif. Uji berikut menggunakan perhitungan dengan bantuan software
Minitab 11.

Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama kondisi nyata
No.

Stasiun

t-hitung

Nilai P

Stasiun Penerimaan (Model A)

-0,18

0,858

Stasiun Arahan Produksi (Model A)

0,18

0,857

Stasiun Penyisikan (Model A)

-0,31

0,756

Stasiun Filleting (Model A)

0,15

0,878

Stasiun Trimming (Model A)

-0,11

0,916

Stasiun Washing (Model A)

0,07

0,948

Stasiun Sizing (Model A)

0,00

0,997

Stasiun Bagging (Model A)

0,52

0,610

Stasiun Panning (Model A)

-0,10

0,918

10

Stasiun After Curing (Model A)

0,33

0,745

11

Stasiun Packing (Model C)

-0,170

0,868

Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian sub model kondisi nyata
No.

Stasiun

t-hitung

Nilai P

Stasiun Penerimaan Jenis Proses 1 (Sub Model Penerimaan)

-0,500

0,624

Stasiun Penerimaan Jenis Proses 2 (Sub Model Penerimaan)

0,060

0,121

Stasiun Penerimaan Jenis Proses 3 (Sub Model Penerimaan)

0,700

0,502

Stasiun Penerimaan Jenis Proses 4 (Sub Model Penerimaan)

0,690

0,503

Stasiun Penyisikan (Sub Model Penyisikan)

0,120

0,909

Stasiun Filleting (Sub Model Filleting)

0,590

0,560

Stasiun After Curing (Sub Model After Curing)

0,800

0,427

Hasil uji kesamaan nilai tengah dua populasi untuk waktu pelayanan
yang didapat dari hasil penelitian dengan waktu pelayanan hasil simulasi model
antrian menunjukan bahwa seluruh nilai P > 0,05 (=5%). Hasil nilai P
tersebut menunjukan bahwa nilai tengah waktu pelayanan historis seragam
dengan waktu pelayanan hasil simulasi pada selang kepercayaan 95 %.

108

Keseragaman tersebut dapat dijadikan dasar untuk menyatakan model simulasi


tersebut valid digunakan.

Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama sistem alternatif
dengan skenario perubahan tingkat kedatangan
No.
1

Stasiun

t-hitung

Stasiun Penerimaan (Model A)

Nilai P
-0,13

0,894

Stasiun Arahan Produksi (Model A)

0,14

0,888

Stasiun Penyisikan (Model A)

0,01

0,991

Stasiun Filleting (Model A)

0,11

0,913

Stasiun Trimming (Model A)

-0,14

0,885

Stasiun Washing (Model A)

0,20

0,841

Stasiun Sizing (Model A)

0,02

0,982

Stasiun Bagging (Model A)

0,58

0,564

Stasiun Panning (Model A)

-0,06

0,951

10

Stasiun After Curing (Model A)

0,31

0,758

11

Stasiun Packing (Model C)

0,00

0,997

Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan
waktu pelayanan hasil simulasi antrian model utama sistem alternatif
dengan skenario perubahan komposisi operator
No.

Stasiun

Stasiun Penerimaan (Model A)

t-hitung

Nilai P
-0,05

0,958

Stasiun Arahan Produksi (Model A)

0,19

0,851

Stasiun Penyisikan (Model A)

0,22

0,828

Stasiun Filleting (Model A)

0,17

0,866

Stasiun Trimming (Model A)

0,15

0,851

Stasiun Washing (Model A)

Stasiun Sizing (Model A)

0,22

0,827

-0,25

0,821

Stasiun Bagging (Model A)

0,52

0,604

Stasiun Panning (Model A)

0,01

0,990

10

Stasiun After Curing (Model A)

0,36

0,718

11

Stasiun Packing (Model C)

0,11

0,910

109

VI. KESIMPULAN DAN SARAN


A. Kesimpulan
Lini produksi fillet ikan beku pada PT. Global Tropical Seafood terdiri
dari 13 Stasiun kerja dengan 4 stasiun diantaranya merupakan stasiun bersama
yang mengolah bahan baku ataupun produk dari lini produksi lainnya. Sistem
antrian di lini produksi fillet ikan beku mengikuti pola antrian jalur pararel
dengan beberapa tahapan produksi dan unit pelayanan pararel. Waktu
pelayanan dan kedatangan bahan diambil berdasarkan hasil pengamatan selama
penelitian.
Faktor-faktor yang menyebabkan terjadinya antrian pada sistem antrian
produksi fillet ikan beku ialah adanya ketidakseimbangan proses produksi yang
terjadi akibat perbedaan kecepatan pelayanan operator dengan kecepatan
kedatangan bahan yang bersifat probabilistik. Sifat probabilistik dalam sistem
antrian adalah faktor utama yang menyebabkan terjadinya antrian dalam sistem
produksi fillet ikan beku. Walaupun nilai tengah antara kecepatan kedatangan
bahan dengan kecepatan operator sama, sistem antrian lini produksi fillet ikan
beku masih dapat mengalami antrian akibat ketidakpastian dalam interaksi
antara kecepatan pelayanan operator dengan kecepatan kedatangan bahan.
Konfigurasi sistem antrian pada lini produksi fillet ikan beku yang
dinamakan SAPFIB terdiri dari tiga buah model yakni model antrian sejak dari
stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),
model antrian pada stasiun freezing (Model B), dan model antrian pada stasiun
packing (Model C). Selain model utama tersebut, juga terdapat empat buah sub
model yang seluruhnya mendefinisikan sistem antrian pada kondisi nyata
dalam sistem produksi produk fillet ikan beku. Pembuatan model simulasi sub
model antrian dibuat untuk memahami perilaku sistem antrian secara lebih
rinci pada suatu keadaan dimana bahan baku datang pada kondisi puncaknya.
Berdasarkan hasil simulasi model utama pada kondisi nyata selama
25200 detik (7 jam kerja) untuk model A, 24 jam kerja untuk model B dan
75600 detik (21 jam kerja) untuk model C, kinerja sistem antrian fillet ikan
beku saat ini di perusahaan masih dapat dioptimalkan karena terdapat bahan

baku sebanyak 26,33 kg yang tidak terproses (balking) pada stasiun kerja After
Curing, tingkat utilitas operator secara keseluruhan pada model A sebesar
27,50 % yang berarti idle time operator tinggi, rata-rata waktu antrian bahan
secara keseluruhan 141,75 detik, rata-rata waktu bahan mengalir secara
keseluruhan 979,11 detik (16,3 menit), biaya tambahan penggunaan es akibat
adanya antrian Rp.296.020,03/bulan. Selain itu terjadi antrian pada stasiun
freezing maksimal sebesar 7808,3 kg. Pada stasiun Packing tidak terjadi antrian
namun tingkat utilitas operatornya relatif rendah yakni 13,49 %.
Hasil simulasi model antrian pada skenario tingkat kedatangan bahan
baku sebesar 6482,047 kg/jam (3 kali lipat dari data tingkat kedatangan historis
selama penelitian) pada stasiun Penerimaan, 129,44 kg/jam (0,75 kali lipat dari
data tingkat kedatangan historis selama penelitian) pada stasiun After Curing,
18000 kg per hari di stasiun Freezing dan 15308,29 kg/jam (6 kali lipat dari
data tingkat kedatangan historis selama penelitian) pada stasiun Packing
merupakan skenario terbaik untuk peningkatan kinerja sistem antrian. Hasil
simulasi menunjukkan skenario tersebut pada model A dapat menghilangkan
bahan yang tidak terproses menjadi 0 kg, jumlah bahan yang terproses menjadi
3099 kg, serta meningkatkan tingkat utilitas operator secara keseluruhan
menjadi 75,36 %. Pada model B antrian dapat dihilangkan. Pada model C
jumlah bahan yang terproses menjadi 10118,67 kg dan tingkat utilitas operator
menjadi 80,79 %
Hasil simulasi model antrian pada skenario perubahan jumlah operator
pada stasiun Penerimaan dari 5 orang menjadi 4 orang, stasiun Arahan
Produksi dari 3 orang menjadi 1 orang, stasiun Filleting dari 5 orang menjadi 3
orang, stasiun Penyisikan 7 orang menjadi 2 orang, stasiun Trimming dari 16
orang menjadi 10 orang, stasiun Washing dari 2 orang menjadi 1 orang, stasiun
After Curing dari 5 orang menjadi 7 orang, stasiun Freezing dari 3 unit menjadi
5 unit serta stasiun Packing dari 24 orang menjadi 12 orang, dan dengan
jumlah operator pada stasiun lainnya tetap memberikan kinerja yang lebih baik
pada sistem antrian. Hasil simulasi dengan skenario tersebut pada model A
dapat menghilangkan bahan yang tidak terproses menjadi 0 kg, jumlah bahan
yang terproses menjadi 1991,67 kg, mempercepat rata-rata waktu bahan

111

menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan
secara keseluruhan menjadi 4,42 detik serta meningkatkan tingkat utilitas
menjadi 42,75 %, selain itu biaya tambahan penggunaan es akibat antrian
menjadi Rp.40.651,86 /bulan. Pada model B pengembangan secara internal
maupun eksternal memberikan hasil berupa tidak adanya antrian dalam stasiun
Freezing. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas
operator meningkat menjadi 26,48 %.
Hasil uji kesamaan nilai tengah waktu pelayanan antara dua populasi
yakni dari data hasil simulasi dengan data historis selama penelitian
memberikan hasil berupa tidak terdapat perbedaan signifikan antara kedua data
tersebut. Hal tersebut membuktikan hasil simulasi valid untuk digunakan
sebagai model dari kondisi yang ada.

B. Saran
Jika perusahaan tetap mempertahankan jumlah operator pada komposisi
yang tetap mengikuti kondisi pada saat penelitian, sistem produksi akan lebih
efektif dan efisien jika jumlah kedatangan bahan baku diupayakan pada tingkat
kedatangan rata-rata perharinya 6482,047 kg/jam pada stasiun penerimaan,
129,44 kg/jam pada stasiun after curing dan 15308,29 kg/jam pada stasiun
Packing dengan pola kedatangan sesuai dengan kondisi penelitian.
Jika tingkat kedatangan bahan baku pada perusahaan berada pada tingkat
kedatangan rata-rata perharinya 2160,68 kg/jam sesuai kondisi penelitian,
maka agar sistem produksi berjalan secara efektif dan efisien maka jumlah
operator pada stasiun Penerimaan dapat dikurangi dari 5 orang menjadi 4
orang, stasiun Arahan Produksi dari 3 orang menjadi 1 orang, stasiun Filleting
dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2 orang,
stasiun Trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2
orang menjadi 1 orang, stasiun After Curing dari 5 orang menjadi 7 orang,
stasiun Freezing dari 3 unit menjadi 5 unit serta stasiun Packing dari 24 orang
menjadi 12 orang, jumlah operator pada stasiun lainnya tetap.

112

Perlu diadakan kajian lebih lanjut dengan menggunakan parameter biaya


agar dampak pemilihan skenario model antrian dapat diketahui kondisi yang
paling optimalnya untuk diterapkan.
Pihak manajemen dapat melakukan kajian serupa mengenai analisis
antrian pada lini produksi lainnya sehingga dapat meningkatkan kinerja sistem
produksi perusahaan secara keseluruhan.
Pihak manajemen perusahaan dapat melakukan kajian dan pelatihan
mengenai metode kerja yang efektif untuk karyawan sehingga tercapai efisiensi
gerakan kerja serta keseragaman kemampuan pelayanan setiap operator pada
setiap stasiun kerja.
Pihak manajemen dapat melakukan kajian sistem penjadwalan untuk
perbaikan kinerja sistem antrian pada stasiun freezing.

113

DAFTAR PUSTAKA
Aalto,S.2005.Introduction
Technology.

to

Teletraffic

Theory.Helsinski

University

of

Aminudin.2005.Prinsip-prinsip Riset Operasi.Erlangga, Jakarta.


Anonim.2001.Pedoman Penulisan Skripsi. Fakultas Teknologi Pertanian Institut
Pertanian Bogor,Bogor.
Apple,J.M.1990.Tataletak Pabrik dan Pemindahan Bahan. Edisi Ketiga
Penerjemah Mardiono,N.M.T.Georgia Institute of Technology.Penerbit ITB.
Buffa,E.S.,dkk.1978.Essential of Management Science / Operations Research.
John Wiley & Sons,New York.
Conover,W.J.1971. Practical Nonparametic Statistic.John Wiley and Sons
Inc.,New York.
Cooper,R.B.1981.Introduction to Queueing Theory.North Holland Oxford,New
York.
Departemen Kelautan dan Perikanan.2002.Statistik Perikanan Tangkap Indonesia.
Departemen Kelautan dan Perikanan. Direktorat Jenderal Perikanan
Tangkap.Jakarta
Departemen Perindustrian.2007. Laporan Tahunan Volume Ekspor dan Impor
Kategori Perikanan. Jakarta. Departemen Perindustrian.
DSN.1992.Penanganan dan Pengolahan Fillet Kakap Beku. Standar Nasional
Indonesia.SNI 01-2696.2-1992. Dewan Standarisasi Indonesia.
Gautney,L.D.1995.The Potensial for Expert System in Agricultural System
Management. ASAE Paper Np. 85-5035.Michigan State University,
Michigan.
Gillet,B.E.1979.Introduction to Operations research: A computer Oriented
Algorithmic Approach. Tata McGraw-Hill Publishing Co., Ltd.,New Delhi.
Gordon,G.1980.System Simulation. Prentice Hall of India Privated Limited,New
Delhi.
Gottfrieed,B.S.1984. Elements of Stochastic Process Simulation. Prentice-Hall,
Inc., Englewood cliffs,New Jersey.
Habibie,B.J,dkk.1993.Agroindustri Ikan Tuna dan Udang.Penerbit Bangkit,
Jakarta
Hasan,M.I.2001.Pokok-Pokok Materi Statistik 2 (Statistik Infrensif).Bumi Aksara,
Jakarta.

114

Heizer,J dan Render,B.2004.Operations Management Seventh Edition.Prentice


Hall Inc.,New Jersey.
Henryardinanto,D.2003.Analisis Sistem Antrian Udang di PT. Dipasena citra
darmaja, lampung).Skripsi.Fakultas Teknologi Pertanian IPB,Bogor.
Johanes,S.1988. Riset Operasi Untuk Pengambilan Keputusan.UI-Press,Jakarta.
Kusuma,H.2001.Perencanaan dan Pengendalian Produksi. Penerbit ANDI,
Yogyakarta.
Law,A. M. dan W. David K.2000. Simulation Modelling and Analysis.3rd edition.
The McGraw-Hill Companies, Inc.,New York.
Maarif,S.2006.Simulasi Sistem.diktat.Departemen Teknologi Industri Pertanian
IPB,Bogor.
Machfud.1999.Perencanaan dan Pengendalian Produksi.diktat.Jurusan Teknologi
Industri Pertanian IPB,Bogor.
Medhi,J.1991.Stocasthic
Inc.,London.

Models

in

Queueing

Theory.Academic

Press,

Pangestu,S.,dkk.1993.Dasar-dasar Riset Operasi.BPFE,Yogyakarta.


Perros,H.2003.Computer Simulation Techniques:The definitive introduction!.
Computer Science Department NC State University Raleigh, North
Carolina.
Russel,T dan Benard, T.1995.Production and Operation Management Focusing on
Quality and Competitiveness.Prentice Hall Inc.,New Jersey.
Subagyo,P.A.,A. Marwan dan T.H. Handoko.1989.Dasar-dasar Operation
Research.Terjemahan.John Willey and Sons,New York.
Suparno.1992.Kumpulan Hasil-Hasil Penelitian Pasca Panen Perikanan. Badan
Penelitian dan
Pengembangan Pertanian.Pusat
Penelitian
dan
Pengembangan Perikanan,Jakarta.
Sutalaksana, I. Z., Ruhana A. dan John H. T.1979.Teknik Tata Cara Kerja.
Jurusan Teknik Industri ITB,Bandung.
Taha,H. A.2003.Operation Research An Introduction Seventh Edition. Prentice
Hall Inc., New Jersey.
Usman,H dan Akbar, R. P. S.2003. Pengantar Statistik.Bumi Aksara,Jakarta.
Walpole,R. E.1992.Pengantar Statistik.PT Gramedia Pustaka Utama,Jakarta.

115

LAMPIRAN

Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan

1. Stasiun Penerimaan
Tanggal

14-Mar-07

15-Mar-07

16-Mar-07

17-Mar-07

20-Mar-07

21-Mar-07

22-Mar-07

23-Mar-07

24-Mar-07

26-Mar-07

27-Mar-07
28-Mar-07

Waktu
Kedatangan

08.00
10.00
10.30
14.15
08.00
08.30
14.20
15.20
08.00
13.00
14.30
08.00
08.30
12.30
14.30
08.00
08.20
10.00
14.00
14.30
16.00
08.00
09.00
12.00
12.50
13.00
08.00
10.00
12.30
13.30
14.00
08.00
13.10
13.30
15.20
08.00
12.00
15.10
15.20
08.00
11.00
12.45
13.20
13.30
14.30
08.00
11.45
08.00
12.30

Waktu Antar
Kedatangan (Jam)

Jumlah
(Kg)

Tingkat Kedatangan
(Kg/Jam)

Waktu Antar Kedatangan


(Detik/Kg)

9342,5
3515
3469,5
138,5
2495
2465
1257
12404,5
4106,5
3471
572
4273
370
4231,5
310
3245,5
96,5
12937,5
6031,5
99
97,5
4559
997
320,5
178
3780
0
2811,5
3853
283
2242,5
0
689
2334
5855
1888,5
1870
1770
202
182
116
1840,5
127
925
253,5
0
1481
493
1602,5

2,00
0,50
3,75
0,50
5,83
1,00
5,00
1,50
0,50
4,00
2,00
0,30
1,67
3,00
0,50
1,50
1,00
3,00
0,83
0,17
2,00
2,50
1,00
0,50
5,17
0,33
1,83
4,00
3,17
0,17
3,00
1,75
0,58
0,17
1,00
3,75
4,50

1757,50
6939,00
36,93
-

2,05
0,52
97,47
-

4930,00
215,61
12404,50
-

0,73
16,70
0,29
-

694,20
381,33
-

5,19
9,44
-

740,00
1057,88
155,00
-

4,86
3,40
23,23
-

321,67
7747,01
2010,50
198,00
65,00
-

11,19
0,46
1,79
18,18
55,38
-

997,00
106,83
214,46
22680,00
-

3,61
33,70
16,79
0,16
-

1405,75
1541,20
283,00
4485,00
-

2,56
2,34
12,72
0,80
-

133,27
7002,00
3193,64
1888,50
467,50
558,95
1212,00
-

27,01
0,51
1,13
1,91
7,70
6,44
2,97
-

38,67
1051,71
217,71
5550,00
253,50
-

93,10
3,42
16,54
0,65
14,20
-

394,93
-

9,12
-

356,11

10,11

116

Tanggal

29-Mar-07

30-Mar-07

Waktu
Kedatangan

Waktu Antar
Kedatangan (Jam)

13.45
14.20
08.00
10.15
11.00
11.25
12.30
14.00
08.00
08.10
11.20
13.15
13.30
14.35

1,25
0,58
2,25
0,75
0,42
0,92
1,50
0,17
3,17
1,92
0,25
1,17

Jumlah
(Kg)

2065
211
58
195
1825
1033
1135
290
878,5
808
725
222,5
118
389,5

Tingkat Kedatangan
(Kg/Jam)

Waktu Antar Kedatangan


(Detik/Kg)

1652,00
361,71

2,18
9,95

86,67
2433,33
2479,20
1238,18
193,33

41,54
1,48
1,45
2,91
18,62

4752,94
228,95
116,09
472,00
333,86

0,76
15,72
31,01
7,63
10,78

2. Stasiun Penerimaan (Berdasarkan Jenis Proses)


Kedatangan RM Jenis Proses 1
Tanggal

13-Mar-07
14-Mar-07
15-Mar-07
16-Mar-07
17-Mar-07
20-Mar-07

21-Mar-07
24-Mar-07
26-Mar-07
27-Mar-07
28-Mar-07
29-Mar-07
30-Mar-07

Jam
Kedatangan

19.00-20.00
10.00-11.00
15.00-16.00
15.00-16.00
13.00-14.00
15.00-16.00
13.00-14.00
09.00-10.00
13.00-14.00
14.00-15.00
15.00-16.00
16.00-17.00
17.00-18.00
13.00-14.00
12.00-13.00
04.00-05.00
14.00-15.00
12.00-13.00
13.00-14.00
13.00-14.00
14.00-15.00
12.00-13.00
15.00-16.00

Jumlah
(Kg)

5001,5
3515
138,5
1257
3471
572
4231,5
96,5
3958
6031,5
99
97,5
4399,5
3958
1870
182
1052
1481
1602,5
1135
290
725
389,5

Kecepatan Kedatangan
(Kg/Jam)

5001,50
3515,00
138,50
1257,00
3471,00
572,00
4231,50
96,50
3958,00
6031,50
99,00
97,50
4399,50
3958,00
1870,00
182,00
1052,00
1481,00
1602,50
1135,00
290,00
725,00
389,50

Waktu Antar
Kedatangan (Detik/Kg)

0,72
1,02
25,99
2,86
1,04
6,29
0,85
37,31
0,91
0,60
36,36
36,92
0,82
0,91
1,93
19,78
3,42
2,43
2,25
3,17
12,41
4,97
9,24

Item RM

KM+WM
KM+WM
KM+WM
KM
WM
KM+WM
KM+WM
KM
KM+WM
KM+WM
KM+WM
KM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM

117

Kedatangan RM Jenis Proses 2


Tanggal

14-Mar-07
15-Mar-07
16-Mar-07
17-Mar-07

20-Mar-07
22-Mar-07
24-Mar-07
26-Mar-07
30-Mar-07

Waktu
Kedatangan

18.00-19.00
05.00-06.00
09.00-10.00
05.00-06.00
07.00-08.00
05.00-06.00
06.00-07.00
15.00-16.00
05.00-06.00
18.00-19.00
10.00-11.00
07.00-08.00
15.00-16.00
14.00-15.00

Jumlah
(Kg)

130,5
2364,5
2465
2749,5
1357
2057
2077
310
2888
159,5
2811,5
1888,5
253,5
340,5

Tingkat Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan (Detik/Kg)

130,50
2364,50
2465,00
2749,50
1357,00
2057,00
2077,00
310,00
2888,00
159,50
2811,50
1888,50
253,50
340,50

27,59
1,52
1,46
1,31
2,65
1,75
1,73
11,61
1,25
22,57
1,28
1,91
14,20
10,57

Item RM

Bekutak
Kerang
Kerang
Kerang
kerang
Kerang
Kerang
Bekutak
Kerang
Bekutak
Kerang
Kerang
Bekutak
Bekutak

Kedatangan RM Jenis Proses 3


Tanggal

Waktu
Kedatangan

Jumlah
(Kg)

15-Mar-07
20-Mar-07
22-Mar-07
23-Mar-07
26-Mar-07
28-Mar-07
29-Mar-07

16.00-17.00
10.00-11.00
13.00-14.00
16.00-17.00
13.00-14.00
14.00-15.00
12.00-13.00

12404,5
12937,5
3853
5855
1840,5
2065
1033

Tingkat Kedatangan
(Kg/Jam)

Waktu Antar Kedatangan


(Detik/Kg)

12404,50
12937,50
3853,00
5855,00
1840,50
2065,00
1033,00

0,29
0,29
0,28
0,93
0,61
1,96
1,74

Item RM

Tenggiri
Tenggiri
Tenggiri
Tenggiri
Tenggiri
Tenggiri
Tenggiri

Kedatangan RM Jenis Proses 4


Tanggal

14-Mar-07
17-Mar-07
20-Mar-07
21-Mar-07
22-Mar-07
23-Mar-07
24-Mar-07
26-Mar-07
28-Mar-07
29-Mar-07
30-Mar-07

Waktu
Kedatangan

06.00-07.00
11.00-12.00
08.00-09.00
09.00-10.00
08.00-09.00
09.00-10.00
12.00-13.00
14.00-15.00
14.00-15.00
16.00-17.00
11.00-12.00
12.00-13.00
15.00-16.00
11.00-12.00
09.00-10.00

Jumlah
(Kg)

Tingkat Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan (Detik/Kg)

4341

4341,00

0,83

3469,5
139
370
357,5
997
320,5
2525,5
3023
1972
116
493
211
2020
1686,5

3469,50
139,00
370,00
357,50
997,00
320,50
2525,50
3023,00
1972,00
116,00
493,00
211,00
2020,00
1686,50

1,04
25,90
9,73
10,07
3,61
11,23
1,43
1,19
1,83
31,03
7,30
17,06
1,78
2,13

Item RM

Kerang+Kerang+Kurisi
+Bekutak
KM+Bekutak
KM+Bekutak
Bekutak+Kurisi
KM+Bekutak
KM+Bekutak
KM+Bekutak
KM+WM+Tenggiri
KM+Kerang+Tenggiri
KM+Bekutak+Tenggiri
KM+Bekutak
KM +WM+Bekutak
KM+Bekutak
Kerang+Bekutak
KM+WM+Bekutak

118

3. Stasiun Penyisikan

Tanggal

21-Mar-07

22-Mar-07

Waktu
Kedatangan

Waktu Antar
Kedatangan (Menit)

9:02:41
9:04:33
9:07:11
9:08:49
9:09:50
9:12:31
9:14:31
9:18:21
9:23:41
9:25:12
9:28:03
9:31:10
9:33:12
9:37:17
9:39:53
9:41:23
9:43:55
11:12:23
11:14:55
11:16:32
11:19:05
11:21:35
11:25:52
11:28:21
11:31:42
11:33:50
11:36:17
11:40:02
11:42:42
11:45:23
11:48:03
11:50:04
11:52:28
11:55:21

0
0:01:52
0:02:38
0:01:38
0:01:01
0:02:41
0:02:00
0:03:50
0:05:20
0:01:31
0:02:51
0:03:07
0:02:02
0:04:05
0:02:36
0:01:30
0:02:32
0
0:02:32
0:01:37
0:02:33
0:02:30
0:04:17
0:02:29
0:03:21
0:02:08
0:02:27
0:03:45
0:02:40
0:02:41
0:02:40
0:02:01
0:02:24
0:02:53

Waktu Antar
Kedatangan (Jam)

0,031
0,044
0,027
0,017
0,045
0,033
0,064
0,089
0,025
0,048
0,052
0,034
0,046
0,043
0,025
0,042
0,042
0,027
0,043
0,042
0,049
0,041
0,056
0,036
0,041
0,063
0,044
0,045
0,044
0,034
0,046
0,048

Jumlah
Basis RM
(Kg)

51
45
60
47
53
55
63
42
43
53
50
60
55
42
54
47
51
51
53
45
52
48
47
54
56
48
52
54
47
46
52
58
49
46

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

1446,43
1367,09
1726,53
3127,87
1229,81
1890,00
657,39
483,75
2096,70
1052,63
1155,08
1622,95
916,36
1246,15
1880,00
1207,89
1255,26
1670,10
1223,53
1152,00
955,93
1304,70
1002,99
1350,00
1273,47
864,00
1057,50
1028,57
1170,00
1725,62
1075,61
957,23

2,49
2,63
2,09
1,15
2,93
1,90
5,48
7,44
1,72
3,42
3,12
2,22
3,93
2,89
1,91
2,98
2,87
2,16
2,94
3,13
3,77
2,76
3,59
2,67
2,83
4,17
3,40
3,50
3,08
2,09
3,35
3,76

4. Stasiun Filleting

Tanggal

15-Mar-07

Waktu
Kedatangan

9:18:21
9:21:19
9:28:18
9:36:06
9:41:49
9:43:49
9:50:28
9:56:23

Waktu Antar
Kedatangan (Menit)

Waktu Antar
Kedatangan (Jam)

0:02:58
0:06:59
0:07:48
0:05:43
0:02:00
0:06:39
0:05:55

0,049
0,100
0,111
0,081
0,033
0,094
0,085

Jumlah
basis RM
(Kg)

41,5
72,4
81,2
92,1
88,4
42,3
39,9
118,8

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

1464,27
814,26
833,07
1086,14
1269,00
423,72
1402,23

2,46
4,42
4,32
3,31
2,84
8,50
2,57

119

17-Mar-03

9:59:38
10:08:36
9:29:32
9:31:27
9:34:43
9:39:18
9:40:36
9:48:50
9:50:13

0:03:15
0:08:58

0,088
0,149

0,032
0,054
0,076
0,022
0,137
0,023

48,1
79,6
22,9
25,11
20,23
43,69
30,73
32,31
41,66

Jumlah
(Kg)

Jumlah basis
RM (Kg)

7
7
7
7
7
7
7
7
7
7

17,2
17,2
17,2
17,2
17,2
17,2
17,2
17,2
17,2
17,2

0:01:55
0:03:16
0:04:35
0:01:18
0:08:14
0:01:23

549,71
532,64
786,05
371,57
571,94
1418,31
235,46
1806,94

6,55
6,76
4,58
9,69
6,29
2,54
15,29
1,99

5. Stasiun After Curing


Tanggal

30-Mar-07

Waktu
Kedatangan

8:30:15
8:35:23
8:43:31
8:48:18
9:00:32
9:08:48
9:13:46
9:17:32
9:26:42
9:32:38

Waktu antar
Kedatangan
(Jam)

Waktu Antar
Kedatangan
(Menit)

0
0:05:08
0:08:08
0:04:47
0:12:14
0:08:16
0:04:58
0:03:46
0:09:10
0:05:56

0,0856
0,1356
0,0797
0,2039
0,1378
0,0828
0,0628
0,1528
0,0850

Tingkat
Kedatangan
(Kg/Jam)

Waktu
Antar
Kedatangan
(Detik/Kg)

201,52
127,19
216,27
84,56
125,14
208,29
274,64
112,85
202,84

17,864
28,304
16,646
42,572
28,768
17,284
13,108
31,9
17,748

*) Nilai Konversi Basis RM : 40,6 %

6. Stasiun Freezing

Tanggal
15-Mar-07

16-Mar-07

17-Mar-07

20-Mar-07

08.00
08.30
10.30
13.00
13.30
16.00
08.00
08.30
10.00
13.00
16.30
08.00

Waktu
Antar
Kedatangan
(Jam)
0,5
2
2,5
0,5
2,5
0,5
1,5
3
3,5
-

08.20

0,3

141,9

233,08

776,94

4,63

11.00
14.30
15.00
16.00

2,6
3,5
0,5
1

2104
105,5
399
2153,5

2104,00
105,50
643,55
2153,50

809,23
30,14
1287,10
2153,50

4,45
119,43
2,80
1,67

17.30

1,5

4623

7593,63

5062,42

0,71

20.30
08.00

3
-

33
-

33,00
-

11,00
-

327,27
-

08.15

0,25

367,8

501,23

2004,91

1,80

08.40
10.45

0,42
2,08

101
2980,5

216,00
2980,50

514,28
1432,93

7,00
2,51

Waktu
Kedatangan

Jumlah
(Kg)

Jumlah
basis RM
(Kg)

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

2437,5
2539,5
1265,3
12500
324
2840,5
1403,5
3501,5
577
-

2437,50
2539,50
2705,95
16666,67
324,00
2840,50
1403,50
7488,24
1233,96
-

4875,00
1269,75
1082,38
33333,33
129,60
5681,00
935,67
2496,08
352,56
-

0,74
2,84
3,33
0,11
27,78
0,63
3,85
1,44
10,21
-

Item RM
Kerang Bulu
Kerang Bulu
KM+WM
Tenggiri
Bekutak
Kerang Bulu
Kerang Bulu
KM+WM
KM+WM
Bekutak+
KM+WM
Kerang Bulu
Bekutak
Kurisi BTF
Kerang Bulu
KM+WM+
Tenggiri
Bekutak
KM+
Bekutak
KM
Kerang Bulu

120

Nilai
Konversi
(%)
100
100
46,76
75
100
100
100
46,76
46,76
60,88
100
100
62
100
60,88
100
73,38
46,76
100

Tanggal

21-Mar-07

22-Mar-07

23-Mar-07

24-Mar-07

26-Mar-07

27-Mar-07
28-Mar-07

14.35
16.30
20.30
21.00
21.05
21.35
08.00

Waktu
Antar
Kedatangan
(Jam)
3,83
1,92
4
0,5
0,083
0,5
-

09.30

1,5

13.15

3,75

325,5

443,58

118,29

30,43

13.45

0,5

182,5

390,29

780,58

4,61

14.10

0,42

3799,9

6241,62

14861,01

0,24

16.00
08.00
09.00
13.00
14.00

1,83
1
4
1

44,5
2922,5
781
3072

95,17
2922,50
1041,33
4096,00

52,00
2922,50
260,33
4096,00

69,23
1,23
13,83
0,88

Waktu
Kedatangan

Jumlah
(Kg)

Jumlah
basis RM
(Kg)

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

12955
5723,2
101,9
100,7
1414
13,5
-

17273,33
12239,52
217,92
215,36
3023,95
13,50
-

4510,01
6374,75
54,48
430,71
36433,16
27,00
-

0,80
0,56
66,08
8,36
0,10
133,33
-

1015,8

1384,30

922,87

3,90

16.00

291

477,99

238,99

15,06

16.30
08.00

0,5
-

2257,5
-

4827,84
-

9655,69
-

0,37
-

09.00

699

1148,16

1148,16

3,14

11.00
14.30
08.00
08.30
13.00
15.30

2
3,5
0,5
4,5
2,5

2415
5854
1932
1654,5
1770

2415,00
7805,33
1932,00
3538,28
2360,00

1207,50
2230,10
3864,00
786,28
944,00

2,98
1,61
0,93
4,58
3,81

16.30

270

367,95

367,95

9,78

08.00
08.05

0,083

185,5

396,71

4760,48

0,76

11.00

2,92

121

164,90

56,47

63,75

13.03
13.30
15.30
15.45
08.00
13.03
08.00

2,05
0,45
2
0,25
5
-

133,3
1840,5
939,8
260,5
1505,5
-

285,07
2454,00
2009,84
260,50
3219,63
-

139,06
5453,33
1004,92
1042,00
643,93
-

25,89
0,66
3,58
3,45
5,59
-

08.05

0,083

448,2

610,79

7329,52

0,49

13.05
13.38
14.10

5
0,55
0,53

1624
2065
218,6

3473,05
2753,33
467,49

694,61
5006,06
882,06

5,18
0,72
4,08

Item RM
Tenggiri
KM+WM
KM+WM
KM
KM+WM
Bekutak
KM+
Bekutak
KM+
Bekutak
KM
KM+WM+
Tenggiri
KM
Kerang Bulu
Tenggiri
Tenggiri
KM+
Tenggiri
KM+WM
Tenggiri+
KM
Kerang Bulu
Tenggiri
Kerang Bulu
KM+WM
Tenggiri
Bekutak+
KM+WM
KM+WM
Bekutak+
KM
KM+WM
Tenggiri
KM+WM
Bekutak
KM+WM
KM+WM+
Bekutak
KM
Tenggiri
KM+WM

Nilai
Konversi
(%)
75
46,76
46,76
46,76
46,76
100
73,38
73,38
46,76
60,88
46,76
100
75
75
60,88
46,76
60,88
100
75
100
46,76
75
73,38
46,76
73,38
46,76
75
46,76
100
46,76
73,38
46,76
75
46,76

7. Stasiun Packing
Tanggal
15-Mar-07

16-Mar-07

22.00

Waktu
Antar
Kedatangan
(Jam)
0

2437,5

Jumlah
basis
RM
(Kg)
2437,50

22.30

0,5

1265,3

2705,95

5411,89

0,67

KM+WM

22.30

0,5

12500

16666,67

33333,33

0,11

Tenggiri

23.30

2539,5

2539,50

2539,50

1,42

Kerang Bulu

100

01.00

1,5

324

324,00

216,00

16,67

Bekutak

100

Waktu
Kedatangan

Jumlah
(Kg)

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

Item RM

Nilai
Konversi
(%)

Kerang Bulu

100

121

46,76
75

Tanggal

17-Mar-07

18-Mar-07

19-Mar-07
20-Mar-07

21-Mar-07

22-Mar-07

23-Mar-07

24-Mar-07

25-Mar-07

26-Mar-07

27-Mar-07
28-Mar-07

2840,5

Jumlah
basis
RM
(Kg)
2840,50

4905

6684,38

3342,19

1,08

01.00

577

1233,96

1233,96

2,92

17.30

16,5

141,9

233,08

14,13

254,85

23.30

105,5

105,50

17,58

204,74

Bekutak

100

00.00

0,5

2104

2104,00

4208,00

0,86

Kerang Bulu

100

01.30

1,5

399

643,55

429,03

8,39

Kurisi BTF

62

05.00

4,5

33

33,00

7,33

490,91

05.30

0,5

6776,5

8424,29

16848,58

0,21

Bekutak
KM+WM+
Tenggiri+
Kerang Bulu

100

18.00

12,5

101

216,00

17,28

208,34

19.00

367,8

501,23

501,23

7,18

01.00

15935,5

18212,00

3035,33

1,19

04.30

3,5

5723,2

12239,52

3497,01

05.30

101,9

217,92

217,92

17.00

11,5

100,7

215,36

18,73

192,24

19.00

1414

3023,95

1511,98

2,38

19.30

0,5

13,5

13,50

27,00

133,33

19.30

24

1015,8

1384,30

57,68

62,41

KM+Bekutak

73,38

23.00

3,5

182,5

390,29

111,51

32,28

KM

46,76

23.30

0,5

325,5

443,58

887,16

4,06

KM+Bekutak

73,38

00.30

44,5

95,17

95,17

37,83

46,76

01.00

0,5

3799,9

6241,62

12483,25

0,29

KM
KM+WM+
Tenggiri

22.30

21,5

2922,5

2922,50

135,93

26,48

22.00

Waktu
Antar
Kedatangan
(Jam)
21

00.00

Waktu
Kedatangan

Jumlah
(Kg)

Tingkat
Kedatangan
(Kg/Jam)

Waktu Antar
Kedatangan
(Detik/Kg)

135,26

26,62

Item RM
Kerang Bulu
KM+WM+
Kerang Bulu
KM+WM
Bekutak+KM
+WM

Nilai
Konversi
(%)
100
73,38
46,76
60,88

80,44

KM

46,76

KM+Bekutak
Tenggiri+
Kerang Bulu

73,38

1,03

KM+WM

46,76

16,52

KM+WM

46,76

KM

46,76

KM+WM

46,76

Bekutak

Kerang Bulu

87,5

100

60,88
100

23.30

781

1041,33

1041,33

3,46

Tenggiri

01.00

1,5

3363

5523,98

3682,65

0,98

KM+Tenggiri

03.30

2,5

2257,5

4827,84

1931,14

1,86

KM+WM

46,76

19.00

15,5

699

1148,16

74,07

48,60

Tenggiri+KM

60,88

00.00

2415

2415,00

483,00

7,45

Kerang Bulu

01.00

5854

7805,33

7805,33

0,46

Tenggiri

22.00

21

1932

1932,00

92,00

39,13

Kerang Bulu

00.00

1654,5

3538,28

1769,14

2,03

01.30

1,5

270

367,95

245,30

14,68

KM+WM
Bekutak+KM
+WM

02.00

0,5

1770

2360,00

4720,00

0,76

17.00

15

185,5

396,71

26,45

136,12

20.00

121

164,90

54,97

65,50

Tenggiri

75
60,88

100
75
100
46,76
73,38
75

KM+WM

46,76

Bekutak+KM

73,38
46,76

22.00

133,3

285,07

142,54

25,26

KM+WM

00.30

2,5

1840,5

2454,00

981,60

3,67

Tenggiri

02.00

1,5

939,8

2009,84

1339,89

2,69

00.30

22,5

260,5

260,50

11,58

310,94

18.00

17,5

1505,5

3219,63

183,98

19,57

19.00

448,2

610,79

610,79

5,89

22.30

3,5

3907,6

6418,53

1833,87

1,96

KM+WM
Bekutak
KM+WM
KM+WM+
Bekutak
KM+WM+
Tenggiri

122

75
46,76
100
46,76
73,38
60,88

Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator


1. Stasiun Penerimaan
Tanggal

Jam

14-Mar-07

07.00-09.50
09.55-10.40
10.30-10.50
11.20-17.00
13.45-14.45
17.00-20.00
19.45-20.05
20.00-20.10
08.00-09.40
09.45-10.45
14.25-14.55
15.30-18.00
08.00-09.00
09.15-10.05
13.10-15.00
15.00-15.30
08.00-08.15
08.45-10.00
10.00-10.30
10.30-12.00
13.00-15.00
15.15-15.30
08.05-08.30
08.35-08.50
09.00-10.30
10.45-14.30
14.50-16.30
16.30-17.05
17.10-17.40
18.30-21.00
21.00-21.30
09.10-10.00
13.00-13.30
13.30-13.50
13.50-15.40
10.05-11.15
13.00-14.30
14.40-15.00
15.00-16.10
13.15-13.45
13.45-14.45
15.30-17.30
08.30-09.30
13.00-14.30
15.15-16.00
16.00-16.15
08.00-08.30
11.00-11.30
13.20-13.45
13.00-14.00
14.10-15.00
15.00-15.30
13.00-13.40
08.00-08.15
13.00-13.45
13.45-14.30
14.35-15.00
09.00-09.15
10.20-10.35
11.00-11.30

15-Mar-07

16-Mar-07

17-Mar-07

20-Mar-07

21-Mar-07

22-Mar-07

23-Mar-07

24-Mar-07

26-Mar-07

27-Mar-07
28-Mar-07

29-Mar-07

Durasi
(Jam)
2,8
0,75
0,3
5,7
1
3
0,3
0,6
1,6
1
0,5
2,5
1
0,83
1,83
0,5
0,25
1,25
0,5
1,5
2
0,25
0,4
0,25
1,5
3,75
1,66
0,58
0,5
2,5
0,5
0,83
0,5
0,3
1,8
1,17
1,5
0,3
1,17
0,5
1
2
1
1,5
0,75
0,25
0,5
0,5
0,42
1
0,83
0,5
0,6
0,25
0,75
0,75
0,42
0,25
0,25
0,5

Bahan
Terproses
(Kg)
5.001,5
1.749,5
390,5
3.469,5
2.201,0
3.515,0
138,5
130,5
2.364,5
2.465,0
1.257,0
12.404,5
2.749,5
1.357,0
3.471,0
572,0
139,0
2.057,0
370,0
2.077,0
4.213,5
31,0
357,5
96,5
2.888,0
12.937,5
6.031,5
99,0
97,5
4.399,5
159,5
997,0
320,5
178,0
3.780,0
2.811,5
3.853,0
283,0
2.242,5
689,0
2.334,0
5.855,0
1.888,5
1.870,0
1.770,0
202,0
182,0
116,0
127,0
1.840,5
925,0
253,5
1.481,0
473,0
1.602,5
2.065,0
211,0
58,0
195,0
1.135,0

Bahan
Terproses
basis RM (Kg)
5.001,5
1.749,5
390,5
3.469,5
2.201,0
3.515,0
138,5
130,5
2.364,5
2.465,0
1.257,0
12.404,5
2.749,5
1.357,0
3.471,0
572,0
139,0
2.057,0
370,0
2.077,0
4.213,5
31,0
357,5
96,5
2.888,0
12.937,5
6.031,5
99,0
97,5
4.399,5
159,5
997,0
320,5
178,0
3.780,0
2.811,5
3.853,0
283,0
2.242,5
689,0
2.334,0
5.855,0
1.888,5
1.870,0
1.770,0
202,0
182,0
116,0
127,0
1.840,5
925,0
253,5
1.481,0
473,0
1.602,5
2.065,0
211,0
58,0
195,0
1.135,0

Jumlah
Operator

Tingkat Pelayanan
(Kg/Jam/Orang)

5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

357,25
466,53
260,33
121,74
440,20
234,33
92,33
43,50
295,56
493,00
502,80
992,36
549,90
326,99
379,34
228,80
111,20
329,12
148,00
276,93
421,35
24,80
178,75
77,20
385,07
690,00
726,69
34,14
39,00
351,96
63,80
240,24
128,20
118,67
420,00
480,60
513,73
188,67
383,33
275,60
466,80
585,50
377,70
249,33
472,00
161,60
72,80
46,40
60,48
368,10
222,89
101,40
493,67
378,40
427,33
550,67
100,48
46,40
156,00
454,00

Waktu Pelayanan
(Detik/Kg/Orang)
10,08
7,72
13,83
29,57
8,18
15,36
38,99
82,76
12,18
7,30
7,16
3,63
6,55
11,01
9,49
15,73
32,37
10,94
24,32
13,00
8,54
145,16
20,14
46,63
9,35
5,22
4,95
105,45
92,31
10,23
56,43
14,98
28,08
30,34
8,57
7,49
7,01
19,08
9,39
13,06
7,71
6,15
9,53
14,44
7,63
22,28
49,45
77,59
59,53
9,78
16,15
35,50
7,29
9,51
8,42
6,54
35,83
77,59
23,08
7,93

123

Tanggal

30-Mar-07

Jam
11.30-12.50
13.00-13.40
14.30-15.15
08.00-08.25
08.15-08.40
13.00-13.30
13.30-13.45
13.45-14.00
14.35-15.05

Durasi
(Jam)
1,3
0,6
0,75
0,42
0,42
0,5
0,25
0,25
0,5

Bahan
Terproses
(Kg)
1.825,0
1.033,0
270,0
378,5
808,0
725,0
222,5
118,0
389,5

Bahan
Terproses
basis RM (Kg)
1.825,0
1.033,0
270,0
378,5
808,0
725,0
222,5
118,0
389,5

Jumlah
Operator

Tingkat Pelayanan
(Kg/Jam/Orang)

5
5
5
5
5
5
5
5
5

280,77
344,33
72,00
180,24
384,76
290,00
178,00
94,40
155,80

Waktu Pelayanan
(Detik/Kg/Orang)
12,82
10,45
50,00
19,97
9,36
12,41
20,22
38,14
23,11

Nilai Konversi Basis RM : 100 %

2. Stasiun Penerimaan (Berdasarkan Jenis Proses)


Jenis Proses 1 (Pencucian, Sortasi, Penimbangan)
Durasi
(Jam)

Bahan
Terproses
(Kg)

07.00-09.50
17.00-20.00

2,8
3

5.001,5
3.515,0

Bahan
Terproses
basis RM
(Kg)
5.001,5
3.515,0

19.45-20.05
14.25-14.55
13.10-15.00
15.00-15.30
13.00-15.00
08.35-08.50
14.50-16.30
16.30-17.05
17.10-17.40
18.30-21.00
13.30-13.50
13.50-15.40
15.00-16.10
13.00-14.30
08.00-08.30
13.20-13.45
14.10-15.00
13.00-13.40
13.00-13.45
13.00-13.40
14.30-15.15
13.00-13.30
14.35-15.05

0,3
0,5
1,83
0,5
2
0,25
1,66
0,58
0,5
2,5
0,3
1,8
1,17
1,5
0,5
0,42
0,83
0,6
0,75
0,6
0,75
0,5
0,5

138,5
1.257,0
3.471,0
572,0
4.213,5
96,5
6.031,5
99,0
97,5
4.399,5
178,0
3.780,0
2.242,5
1.870,0
182,0
127,0
925,0
1.481,0
1.602,5
1.033,0
270,0
725,0
389,5

138,5
1.257,0
3.471,0
572,0
4.213,5
96,5
6.031,5
99,0
97,5
4.399,5
178,0
3.780,0
2.242,5
1.870,0
182,0
127,0
925,0
1.481,0
1.602,5
1.033,0
270,0
725,0
389,5

Tanggal

Jam

14-Mar-07

15-Mar-07
16-Mar-07
17-Mar-07
20-Mar-07

21-Mar-07
22-Mar-07
24-Mar-07
26-Mar-07

27-Mar-07
28-Mar-07
29-Mar-07
30-Mar-07

5
5

Tingkat
Pelayanan
(Kg/Jam/
Orang)
357,25
234,33

5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5

92,33
502,80
379,34
228,80
421,35
77,20
726,69
34,14
39,00
351,96
118,67
420,00
383,33
249,33
72,80
60,48
222,89
493,67
427,33
344,33
72,00
290,00
155,80

Jumlah
Operator

Jenis RM
KM+WM
KM+WM
KM+
Kaci-Kaci
KM
Lemadang
KM+WM
KM+WM
KM
KM+WM
KM+WM
KM
KM+WM
KM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+WM
KM+KSM

Waktu
Pelayanan
(Detik/Kg/
Orang)
10,08
15,36
38,99
7,16
9,49
15,73
8,54
46,63
4,95
105,45
92,31
10,23
30,34
8,57
9,39
14,44
49,45
59,53
16,15
7,29
8,42
10,45
50,00
12,41
23,11

*) Nilai Konversi Basis RM : 100%

Jenis Proses 2 (Pencucian, Penimbangan)


Tanggal

Jam

14-Mar-07

09.55-10.40
13.45-14.45
20.00-20.10
08.00-09.40
09.45-10.45
08.00-09.00
09.15-10.05
08.45-10.00
10.30-12.00
15.15-15.30
09.00-10.30
21.00-21.30
10.05-11.15

15-Mar-07
16-Mar-07
17-Mar-07

20-Mar-07
22-Mar-07

Durasi
(Jam)
0,75
1
0,16
1,6
1
1
0,83
1,25
1,5
0,25
1,5
0,5
1,17

Bahan
Terproses
(Kg)
1.749,5
2.201,0
130,5
2.364,5
2.465,0
2.749,5
1.357,0
2.057,0
2.077,0
310,0
2.888,0
159,5
2.811,5

Bahan
Terproses
basis RM
(Kg)
1.749,5
2.201,0
130,5
2.364,5
2.465,0
2.749,5
1.357,0
2.057,0
2.077,0
310,0
2.888,0
159,5
2.811,5

Jumlah
Operator
5
5
5
5
5
5
5
5
5
5
5
5
5

Tingkat
Pelayanan
(Kg/Jam/
Orang)
466,53
440,20
163,13
295,56
493,00
549,90
326,99
329,12
276,93
248,00
385,07
63,80
480,60

Jenis
RM
Kerang
Kerang
Bekutak
Kerang
Kerang
Kerang
Kerang
Kerang
Kerang
Bekutak
Kerang
Bekutak
Kerang

Waktu
Pelayanan
(Detik/Kg/
Orang)
7,72
8,18
22,07
12,18
7,30
6,55
11,01
10,94
13,00
14,52
9,35
56,43
7,49

124

Tanggal

Jam

23-Mar-07
24-Mar-07
26-Mar-07
29-Mar-07

13.45-14.45
08.30-09.30
15.00-15.30
09.00-09.15
10.20-10.35
13.30-13.45

1
1
0,5
0,25
0,25
0,25

2.334,0
1.888,5
253,5
58,0
195,0
222,5

Bahan
Terproses
basis RM
(Kg)
2.334,0
1.888,5
253,5
58,0
195,0
222,5

13.45-14.00

0,25

118,0

118,0

30-Mar-07

Bahan
Terproses
(Kg)

Durasi
(Jam)

Jumlah
Operator
5
5
5
5
5
5

Tingkat
Pelayanan
(Kg/Jam/
Orang)
466,80
377,70
101,40
46,40
156,00
178,00

Kerang
Kerang
Bekutak
Kerang
Bekutak
Bekutak

Waktu
Pelayanan
(Detik/Kg/
Orang)
7,71
9,53
35,50
77,59
23,08
20,22

94,40

Bekutak

38,14

Jenis
RM

*) Nilai Konversi Basis RM : 100 %

Jenis Proses 3 (Penimbangan)


Tanggal

Jam

15-Mar-07

15.30-18.00
10.45-14.30
13.00-14.30
15.30-17.30
15.15-16.00
13.00-14.00
13.45-14.30
11.00-11.30
11.30-12.50

22-Mar-07
23-Mar-07
24-Mar-07
26-Mar-07
28-Mar-07
29-Mar-07

Durasi
(Jam)
2,5
3,75
1,5
2
0,75
1
0,75
0,5
1,3

Bahan
Terproses
(Kg)
12.404,5
12.937,5
3.853,0
5.855,0
1.770,0
1.840,5
2.065,0
1.135,0
1.825,0

Bahan
Terproses
basis RM
(Kg)
12.404,5
12.937,5
3.853,0
5.855,0
1.770,0
1.840,5
2.065,0
1.135,0
1.825,0

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

5
5
5
5
5
5
5
5
5

Waktu
Pelayanan
(Detik/Kg/Orang)

Jenis
RM

992,36 Tenggiri
3,63
690,00 Tenggiri
5,22
513,73 Tenggiri
7,01
585,50 Tenggiri
6,15
472,00 Tenggiri
7,63
368,10 Tenggiri
9,78
550,67 Tenggiri
6,54
454,00 Tenggiri
7,93
280,77 Tenggiri
12,82
*) Nilai Konversi Basis RM : 100 %

Jenis Proses 4 (Mix)


Durasi
(Jam)

Bahan
Terproses
(Kg)

10.30-10.50
11.20-17.00
08.00-08.15
10.00-10.30
08.05-08.30
09.10-10.00
13.00-13.30
14.40-15.00
13.15-13.45
16.00-16.15
11.00-11.30

0,3
5,7
0,25
0,5
0,4
0,83
0,5
0,3
0,5
0,25
0,5

390,5
3.469,5
139,0
370,0
357,5
997,0
320,5
283,0
689,0
202,0
116,0

Bahan
Terproses
basis RM
(Kg)
390,5
3.469,5
139,0
370,0
357,5
997,0
320,5
283,0
689,0
202,0
116,0

08.00-08.15

0,25

473,0

14.35-15.00

0,42

211,0

08.00-08.25

0,42

08.15-08.40

0,42

Tanggal

Jam

14-Mar-07
17-Mar-07
20-Mar-07
21-Mar-07
22-Mar-07
23-Mar-07
24-Mar-07
26-Mar-07
28-Mar-07

30-Mar-07

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

5
5
5
5
5
5
5
5
5
5
5

260,33
121,74
111,20
148,00
178,75
240,24
128,20
188,67
275,60
161,60
46,40

473,0

378,40

211,0

100,48

378,5

378,5

180,24

808,0

808,0

384,76

Jenis RM

Waktu
Pelayanan
(Detik/Kg/
Orang)
13,83
29,57
32,37
24,32
20,14
14,98
28,08
19,08
13,06
22,28
77,59

Kurisi+Bekutak
KM+Bekutak
KM+Bekutak
Bekutak+Kurisi
KM+Bekutak
KM+Bekutak
KM+Bekutak
KM+Tenggiri
KM+Tenggiri
KM+Bekutak
KM+Bekutak
KM+WM+
9,51
Bekutak
KM+Bekutak
35,83
KM+WM+Bek
19,97
utak
KM+Bekutak
9,36
*) Nilai Konversi Basis RM : 100 %

3. Stasiun Arahan Produksi

Tanggal

Jam

14-Mar-07

09.00-10.00

Durasi
(Detik)
24,85
18,38
19,56
13,85
11,13
11,53
20,32
14,28

Bahan
Terproses
(kg)
45,0
42,0
40,5
46,0
40,5
46,5
47,0
44,5

Bahan
Terproses
basis RM
(Kg)
45,0
42,0
40,5
46,0
40,5
46,5
47,0
44,5

Tingkat
Pelayanan
(Kg/Jam/Orang)

Jumlah
Operator
3
3
3
3
3
3
3
3

Waktu Pelayanan
(Detik/Kg/Orang)

2173,04
2742,11
2484,66
3985,56
4366,58
4839,55
2775,59
3739,50

1,66
1,31
1,45
0,90
0,82
0,74
1,30
0,96

125

Tanggal

Jam

16-Mar-07

09.00-10.00

20-Mar-07

09.00-10.00

Durasi
(Detik)

Bahan
Terproses
(kg)

11,00
8,62
10,53
19,21
11,53
16,06
14,78
8,53
12,59
9,13
10,51
9,24
12,23
14,22
10,54
15,54
12,55
13,45
12,45
14,45
9,54
18,23

39,0
48,0
41,0
52,0
38,5
37,0
47,0
23,5
41,0
35,0
39,5
21,5
23,5
44,5
27,5
36,5
33,5
35,5
40,5
41,0
34,0
42,0

Durasi
(Detik)

Durasi
(Jam)

Bahan
Terproses
basis RM
(Kg)
39,0
48,0
41,0
52,0
38,5
37,0
47,0
23,5
41,0
35,0
39,5
21,5
23,5
44,5
27,5
36,5
33,5
35,5
40,5
41,0
34,0
42,0

Tingkat
Pelayanan
(Kg/Jam/Orang)

Jumlah
Operator
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3

Waktu Pelayanan
(Detik/Kg/Orang)

4254,55
0,85
6682,13
0,54
4672,36
0,77
3248,31
1,11
4006,94
0,90
2764,63
1,30
3815,97
0,94
3305,98
1,09
3907,86
0,92
4600,22
0,78
4509,99
0,80
2792,21
1,29
2305,81
1,56
3755,27
0,96
3130,93
1,15
2818,53
1,28
3203,19
1,12
3167,29
1,14
3903,61
0,92
3404,84
1,06
4276,73
0,84
2764,67
1,30
*) Nilai Konversi Basis RM : 100 %

4. Stasiun Penyisikan
Tanggal

Jam

01-Mar-07
02-Mar-07
03-Mar-07
06-Mar-07
08-Mar-07
10-Mar-07
12-Mar-07
13-Mar-07
21-Mar-07
22-Mar-07
22-Mar-07

07.00-10.00
08.30-16.00
06.00-07.30
06.00-08.00
07.00-07.30
07.00-09.30
07.00-08.00
14.30-16.00
07.00-10.00
06.00-09.30
06.00-07.30
09.00-10.00

23-Mar-07

09.30-10.30

46,16
68,00
52,16
42,12
40,11
39,56
51,12
45,32
61,01
67,02
72,05
65,10
52,35
48,23
45,56
51,23
42,23
49,51
54,53
40,55
39,5
49,42
44,28
38,53

3
6,5
1,5
2
0,5
2,5
1
2,5
3
3,5
1,5
-

Bahan
Terproses
(Kg)
583,8
817,2
278,0
662,4
75,0
760,0
639,0
304,0
317,4
1.026,0
315,0
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65
0,65

Bahan
Terproses
basis RM
(Kg)
610,0
853,9
290,5
692,2
78,4
794,1
667,7
317,7
331,7
1.072,1
329,2
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68
0,68

Jumlah
Operator
7
7
3
8
8
7
10
4
9
6
7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1

Waktu
Pelayanan
(Detik/Kg/
Orang)
29,05
123,93
18,77
191,82
64,55
55,77
43,26
83,22
19,59
183,74
45,38
79,33
66,77
53,92
31,77
113,33
12,28
293,07
51,05
70,52
31,35
114,84
52,97
67,96
35,96
100,12
46,88
76,80
58,05
62,01
60,96
59,05
61,81
58,24
47,83
75,26
53,95
66,72
40,08
89,83
36,48
98,67
33,94
106,08
37,56
95,85
46,71
77,08
50,70
71,01
53,67
67,08
47,73
75,43
57,90
62,18
49,39
72,89
44,84
80,28
60,30
59,70
61,90
58,16
49,48
72,76
55,22
65,19
63,46
56,73
*) Nilai Konversi Basis RM : 95,7 %
Tingkat
Pelayanan
(Kg/Jam/Orang)

126

5. Stasiun Filleting
Tanggal

Jam

01-Mar-07
02-Mar-07
03-Mar-07
05-Mar-07
06-Mar-07
07-Mar-07
09-Mar-07
10-Mar-07
12-Mar-07
13-Mar-07
14-Mar-07
15-Mar-07
16-Mar-07
17-Mar-07
18-Mar-07
20-Mar-07
21-Mar-07
22-Mar-07
23-Mar-07
24-Mar-07
26-Mar-07
28-Mar-07
29-Mar-07
31-Mar-07
14-Mar-07

08.00-08.20
07.00-14.00
07.00-11.30
08.00-16.45
07.00-15.30
08.00-12.00
08.00-15.30
07.00-16.00
07.00-16.00
07.00-11.00
08.00-15.00
07.00-13.00
08.00-15.30
08.00-15.00
07.00-14.00
07.00-14.30
07.00-15.30
07.00-14.00
07.00-15.00
08.00-12.00
08.00-15.30
08.00-10.30
08.00-11.00
07.00-14.30
10.00-11.00

Durasi
(Detik)
25,03
27,19
28,81
27,31
32,63
49,13
46,94
52,16
47,16
53,39

Durasi
(Jam)
0,3
5
4,5
7,75
7,5
4
6,5
8
8
4
6
5,5
6,5
6
6
6,5
7,5
6
7
4
6,5
2,5
3
6,5
-

Bahan
Terproses
(Kg)
73,9
595,5
1.858,7
2.048,9
1.608,5
216,8
984,2
2.040,7
2.567,1
642,3
2.133,5
1.632,5
879,0
1.784,0
448,0
1.956,7
2.116,6
1.740,9
1.878,4
400,3
1.097,9
591,3
1.032,7
922,8
0,65
0,65
0,65
0,65
0,65
1,00
1,00
1,00
1,00
1,00

Bahan
Terproses
basis RM
(Kg)
141,8
1.143,0
3.567,6
3.932,6
3.087,3
416,1
1.889,1
3.916,9
4.927,3
1.232,8
4.095,0
3.133,4
1.687,1
3.424,2
859,9
3.755,7
4.062,6
3.341,5
3.605,4
768,3
2.107,3
1.134,9
1.982,1
1.771,2
1,25
1,25
1,25
1,25
1,25
1,92
1,92
1,92
1,92
1,92

Jumlah
Operator
3
5
5
5
5
4
4
5
5
5
5
5
5
5
3
4
4
4
4
4
2
4
4
4
1
1
1
1
1
1
1
1
1
1

Waktu
Pelayanan
(Detik/Kg/
Orang)
157,60
22,84
45,72
78,74
158,56
22,70
101,49
35,47
82,33
43,73
26,01
138,42
72,66
49,55
97,92
36,76
123,18
29,23
61,64
58,40
136,50
26,37
113,94
31,60
51,91
69,35
114,14
31,54
47,77
75,36
144,45
24,92
135,42
26,58
139,23
25,86
128,76
27,96
48,02
74,97
162,10
22,21
113,49
31,72
165,18
21,79
68,12
52,85
179,44
20,06
165,18
21,79
155,90
23,09
164,46
21,89
137,65
26,15
140,64
25,60
147,20
24,46
132,47
27,18
146,52
24,57
129,42
27,82
*) Nilai Konversi Basis RM : 52,1 %
Tingkat
Pelayanan
(Kg/Jam/Orang)

6. Stasiun Trimming
Tanggal

Jam

01-Mar-07

08.00-08.25
15.15-16.50
15.00-15.45
15.10-15.50
07.10-08.00
07.10-07.50
07.10-07.30
09.30-10.30
13.20-14.15
09.30-10.40
13.20-14.30
07.00-08.20
07.10-08.25
07.20-08.45
08.25-11.50
08.25-12.15
08.30-12.30
08.35-09.20
08.35-09.35
08.05-17.25

02-Mar-07

03-Mar-07

05-Mar-07

8
8
6
6
3
3
7

29,18
56,89
48,51
36,31
53,66
48,96
61,22

Waktu
Pelayanan
(Detik/Kg/
Orang)
123,39
63,28
74,21
99,14
67,10
73,53
58,80

297,0

19,54

184,24

SkinLess

103,3

280,7

16,71

215,46

SkinLess

184,8
212,7
86,5
365,0
255,1
137,7
62,0
44,3
553,3

371,8
428,0
174,0
991,8
693,2
374,2
124,7
89,1
1.503,5

8
8
7
8
8
7
4
3
7

35,75
42,80
17,76
34,44
22,80
13,36
41,58
29,71
25,88

100,69
84,12
202,71
104,53
157,88
269,39
86,57
121,16
139,11

Skin On
Skin On
Skin On
SkinLess
SkinLess
SkinLess
Skin On
Skin On
SkinLess

0,4
1,6
0,75
0,7
0,8
0,7
0,3

46,4
361,9
108,5
75,8
64,0
51,1
63,9

Bahan
Terproses
Basis RM
(Kg)
93,4
728,2
218,3
152,5
128,8
102,8
128,6

1,9

109,3

2,4
1,3
1,25
1,4
3,6
3,8
4
0,75
1
8,3

Durasi
(Jam)

Bahan
Terproses
(Kg)

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

127

Produk
Skin On
Skin On
Skin On
Skin On
Skin On
Skin On
Skin On

Tanggal

08-Mar-07

12-Mar-07
15-Mar-07

17-Mar-07

22-Mar-07
23-Mar-07

24-Mar-07

Jam
08.05-16.45
14.45-17.00
07.05-08.35
07.05-08.35
07.05-07.45
08.35-15.15
08.35-15.15
09.00-16.00
13.00-14.00
07.10-08.30
07.10-08.15
08.35-15.00
08.30-15.30
08.20-09.05
08.20-09.30
09.05-15.20
09.30-15.30
07.10-08.05
07.10-08.06
08.10-14.30
08.10-15.00
07.15-07.45
07.15-07.40
07.15-08.00
07.50-15.00
07.45-15.15
08.05-15.15

Durasi
(Jam)
7,6
2,25
1,5
1,5
1,8
5,7
5,75
6
1,5
1,3
1,08
6,5
6,7
0,75
1,2
5,25
5,5
0,9
0,9
5,3
5,8
0,5
0,4
0,75
6,3
6,3
5,7

Bahan
Terproses
(Kg)
447,7
53,5
208,5
206,5
44,8
264,6
239,0
123,2
118,8
229,9
146,8
526,0
492,3
46,9
68,5
510,7
388,8
94,9
158,1
496,8
475,9
53,3
50,0
55,7
399,3
378,7
259,6

Waktu
Bahan
Tingkat
Pelayanan
Jumlah
Terproses
Produk
Pelayanan
(Detik/Kg/
Operator
Basis RM
(Kg/Jam/Orang)
Orang)
(Kg)
1.216,6
8
20,01
179,91 SkinLess
145,4
6
10,77
334,30 SkinLess
419,5
8
34,96
102,98 Skin On
415,5
9
30,78
116,97 Skin On
90,1
5
10,02
359,44 Skin On
719,0
8
15,77
228,31 SkinLess
649,5
9
12,55
286,86 SkinLess
334,8
5
11,16
322,60 SkinLess
322,8
6
35,87
100,36 SkinLess
462,6
8
44,48
80,94 Skin On
295,4
8
34,19
105,30 Skin On
1.429,3
8
27,49
130,97 SkinLess
1.337,8
8
24,96
144,24 SkinLess
94,4
8
15,73
228,90 Skin On
137,8
4
28,71
125,37 Skin On
1.387,8
8
33,04
108,95 SkinLess
1.056,5
8
24,01
149,93 SkinLess
190,9
8
26,52
135,75 Skin On
318,1
8
44,18
81,48 Skin On
1.350,0
8
31,84
113,07 SkinLess
1.293,2
8
27,87
129,17 SkinLess
107,2
7
30,64
117,49 Skin On
100,6
8
31,44
114,51 Skin On
112,1
7
21,35
168,64 Skin On
1.085,1
7
24,60
146,32 SkinLess
1.029,1
8
20,42
176,31 SkinLess
705,4
7
17,68
203,62 SkinLess
Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

7. Stasiun Washing

Tanggal

Jam

15-Mar-07

14.00-15.00

21-Mar-07

13.30-14.30

23-Mar-07

14.00-15.00

24-Mar-07

11.00-12.00

28-Mar-07

13.30-14.30

Durasi
(Detik)
122,00
141,00
132,00
135,00
150,00
143,00
170,00
160,10
162,10
159,50
151,10
130,10
133,00
154,00
164,00
142,00
178,00
163,00
136,00
163,00
154,00
152,00
175,00
162,00
130,00
126,00
126,00

Bahan
Terproses
(Kg)
11,3
10,6
10,5
12,6
10,4
10,4
11,2
10,1
10,4
12,3
11,4
11,1
12,1
13,1
10,2
11,5
11,2
10,4
11,6
12,1
13,4
11,5
11
13,1
12,5
12,3
11,1

Bahan
Terproses
basis RM
(Kg)
30,7
28,8
28,5
34,2
28,3
28,3
30,4
27,4
28,3
33,4
31,0
30,2
24,3
26,4
20,5
23,1
22,5
28,3
31,5
32,9
36,4
31,3
29,9
35,6
34,0
33,4
30,2

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu Pelayanan
(Detik/Kg/Orang)

Produk

2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

453,05
367,72
389,08
456,52
339,13
355,73
322,25
308,57
313,82
377,20
369,03
417,32
329,50
308,08
225,25
293,31
227,88
312,08
417,20
363,10
425,61
370,07
307,45
395,53
470,32
477,48
430,90

7,95
9,79
9,25
7,89
10,62
10,12
11,17
11,67
11,47
9,54
9,76
8,63
10,93
11,69
15,98
12,27
15,80
11,54
8,63
9,91
8,46
9,73
11,71
9,10
7,65
7,54
8,35

SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
Skin On
Skin On
Skin On
Skin On
Skin On
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess
SkinLess

128

Tanggal

Jam

Durasi
(Detik)

Bahan
Terproses
(Kg)

171,00
153,00
141,00

13,5
11,5
12,4

Durasi
(Detik)

Bahan
Terproses
(Kg)

Bahan
Tingkat
Waktu Pelayanan
Jumlah
Terproses
Pelayanan
Produk
(Detik/Kg/Orang)
Operator
basis RM
(Kg/Jam/Orang)
(Kg)
36,7
2
386,16
9,32 SkinLess
31,3
2
367,65
9,79 SkinLess
33,7
2
430,16
8,37 SkinLess
*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

8. Stasiun Sizing

Tanggal

Jam

21-Mar-07

14.30-15.30

28-Mar-07

15.30-16.30

29-Mar-07

14.00-15.00

31-Mar-07

13.30-14.30

154,80
123,00
117,00
122,00
201,00
192,00
208,00
258,00
135,00
212,00
214,00
225,00
222,00
292,00
154,00
203,00
203,00
144,00
195,00
179,00
120,00
133,00
203,00
152,00
271,00
221,00
153,00
255,00
221,00
265,00
198,00

10,35
4,54
9,08
4,54
4,5
4,6
10,3
9,2
9,5
10,2
4,54
10,5
10,3
10,5
10,2
9,9
9,7
10,5
10,5
9,5
4,9
5,3
9,5
9,5
10,5
10,5
10,5
5,5
10,3
10,3
10,2

Bahan
Terproses
basis RM
(Kg)
28,1
12,3
24,7
12,3
12,2
12,5
28,0
25,0
25,8
27,7
12,3
28,5
28,0
28,5
27,7
26,9
26,4
28,5
28,5
25,8
13,3
14,4
25,8
25,8
28,5
28,5
28,5
14,9
28,0
28,0
27,7

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu
Pelayanan
(Detik/Kg/Orang)

Produk

4
163,52
22,02 SkinLess
4
90,27
39,88 SkinLess
4
189,80
18,97 SkinLess
4
91,01
39,56 SkinLess
4
54,75
65,75 SkinLess
4
58,59
61,44 SkinLess
4
121,11
29,73 SkinLess
4
87,21
41,28 SkinLess
4
172,10
20,92 SkinLess
4
117,67
30,59 SkinLess
4
51,88
69,39 SkinLess
4
114,13
31,54 SkinLess
4
113,47
31,73 SkinLess
4
87,94
40,94 SkinLess
4
161,98
22,22 SkinLess
4
119,27
30,18 SkinLess
4
116,86
30,81 SkinLess
4
178,33
20,19 SkinLess
4
131,69
27,34 SkinLess
4
129,80
27,74 SkinLess
4
99,86
36,05 SkinLess
4
97,46
36,94 SkinLess
4
114,45
31,45 SkinLess
4
152,85
23,55 SkinLess
4
94,76
37,99 SkinLess
4
116,20
30,98 SkinLess
4
167,84
21,45 SkinLess
4
52,75
68,25 SkinLess
4
113,98
31,58 SkinLess
4
95,06
37,87 SkinLess
4
125,99
28,57 SkinLess
*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

9. Stasiun Bagging

Tanggal

Jam

Durasi
(Detik)

03-Mar-07
06-Mar-07
07-Mar-07
11-Mar-07
12-Mar-07
13-Mar-07
14-Mar-07
15-Mar-07
16-Mar-07
21-Mar-07
24-Mar-07
26-Mar-07

08.00-14.00
09.00-09.30
09.00-09.30
07.00-13.30
13.00-18.00
08.00-16.00
09.00-20.00
08.00-17.00
09.00-11.00
08.00-17.00
08.30-09.00
09.00-14.00

Durasi
(Jam)
5
0,5
0,5
6
5
7
9,5
6,5
2
8
1,5
4

Bahan
Terproses
(Kg)
1072,4
26
35,1
1329,3
662,2
776,4
1409
822
118
843,8
98,4
378,2

Bahan
Terproses
basis RM
(Kg)
2482,41
60,19
81,25
3077,08
1532,87
1797,22
3261,57
1902,78
273,15
1953,24
227,78
875,46

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu Pelayanan
(Detik/Kg/Orang)

6
2
2
7
4
7
6
4
2
4
2
2

82,75
60,19
81,25
73,26
76,64
36,68
57,22
73,18
68,29
61,04
75,93
109,43

43,51
59,82
44,31
49,14
46,97
98,15
62,91
49,19
52,72
58,98
47,41
32,90

129

Tanggal

Jam

28-Mar-07

11.00-12.00

29-Mar-07

11.00-12.00

Durasi
(Detik)

Durasi
(Jam)

12,78
9,28
13,31
10,13
9,29
13,31
10,13
9,29
11,93
10,19
13,94
15,23
12,23
12,51
10,53
11,32
13,22
12,56

Durasi
(Detik)

Durasi
(Jam)

Bahan
Terproses
(Kg)
0,142
0,142
0,142
0,142
0,142
0,142
0,142
0,142
0,142
0,142
0,142
0,198
0,198
0,198
0,198
0,198
0,198
0,198

Bahan
Terproses
basis RM
(Kg)
0,33
0,33
0,33
0,33
0,33
0,33
0,33
0,33
0,33
0,33
0,33
0,46
0,46
0,46
0,46
0,46
0,46
0,46

Jumlah
Operator
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu Pelayanan
(Detik/Kg/Orang)

46,21
77,90
63,64
56,56
44,37
81,13
58,30
61,75
63,58
56,63
44,37
81,13
58,30
61,75
63,58
56,63
49,51
72,72
57,96
62,11
42,37
84,97
54,29
66,31
67,61
53,25
66,10
54,47
78,52
45,85
73,04
49,29
62,55
57,56
65,83
54,68
*) Nilai Konversi Basis RM : 42,4 %

10. Stasiun Panning


Tanggal

Waktu

01-Mar-07
02-Mar-07

08.30-16.00
08.00-16.00
09.00-11.00
14.00-15.00
07.00-18.00
10.00-10.30
08.00-17.00
08.00-14.00
08.00-17.00
13.00-16.00
08.00-17.00
08.00-15.00
08.00-12.00
08.00-17.00
08.00-17.00
08.00-17.00
08.00-19.00
08.00-17.00
08.00-17.00
08.00-16.30
08.00-12.00
08.30-16.30
08.00-16.00
08.00-14.00
09.00-16.00
15.00-16.00

03-Mar-07
05-Mar-07
06-Mar-07
07-Mar-07
08-Mar-07
09-Mar-07
10-Mar-07
12-Mar-07
15-Mar-07
16-Mar-07
17-Mar-07
20-Mar-07
21-Mar-07
22-Mar-07
23-Mar-07
24-Mar-07
26-Mar-07
27-Mar-07
28-Mar-07
29-Mar-07
16-Mar-07

65,60
70,00
102,00
73,00
85,00

6,5
6
2
1
10
0,5
8
5
8
3
8
6
4
6
8
8
10
8
8
7,5
4
7
7
5
6
-

Bahan
Terproses
(Kg)
817,2
483,6
123,3
97,4
1644,6
53,4
947,4
544,0
805,1
173,9
443,9
255,2
767,7
561,3
608,0
820,3
1078,2
874,6
1220,1
1095,4
203,4
592,4
359,7
466,9
554,4
1,361
1,361
1,361
1,361
1,361

Bahan
Terproses
basis RM
(Kg)
1891,7
1119,4
285,4
225,5
3806,9
123,6
2193,1
1259,3
1863,7
402,5
1027,5
590,8
1777,1
1299,3
1407,4
1898,8
2495,8
2024,5
2824,3
2535,6
470,8
1371,3
832,6
1080,8
1283,3
3,15
3,15
3,15
3,15
3,15

Jumlah
Operator
7
8
2
3
7
2
8
7
7
2
6
7
8
5
8
8
6
6
7
7
7
6
2
6
8
2,00
2,00
2,00
2,00
2,00

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu
Pelayanan
(Detik/Kg/Orang)

41,58
86,59
23,32
154,36
71,35
50,45
75,15
47,90
54,38
66,19
123,61
29,12
34,27
105,06
35,98
100,06
33,28
108,17
67,09
53,66
21,41
168,17
14,07
255,93
55,53
64,83
43,31
83,12
21,99
163,71
29,67
121,34
41,60
86,54
42,18
85,35
50,43
71,38
48,30
74,54
16,82
214,09
32,65
110,26
59,47
60,53
36,03
99,93
26,74
134,65
86,43
41,65
81,00
44,45
55,59
64,76
77,67
46,35
66,70
53,97
*) Nilai Konversi Basis RM : 43,2 %

130

11. Stasiun After Curing

Tanggal

Jam

10-Mar-07
11-Mar-07
13-Mar-07
16-Mar-07
20-Mar-07

08.00-15.00
06.00-13.00
06.00-17.00
06.00-18.00
09.00-10.00
10.00-10.30
10.30-11.00
11.30-11.45
11.45-12.00
13.00-13.15
14.00-14.15
14.15-15.00
15.00-15.30
09.00-09.30
09.30-09.45
09.45-10.00
10.00-10.15
10.15-11.00
11.00-11.15
11.15-11.45
06.00-19.30
06.00-16.30
07.00-13.00
08.00-13.00
08.30-08.45
08.45-09.00
09.00-09.15
09.15-09.30
09.30-10.00
10.00-10.15

21-Mar-07

22-Mar-07
24-Mar-07
27-Mar-07
29-Mar-07
30-Mar-07

Durasi
(Jam)

Bahan
Terpros
es (Kg)

6
6,5
10
11
1
1
0,5
0,25
0,25
0,25
0,25
0,75
0,5
0,5
0,25
0,25
0,25
0,75
0,25
0,5
12,5
9,5
7
5
0,25
0,25
0,25
0,25
0,5
0,25

255,2
1332,4
628,7
735,8
41,9
30
29,1
20,9
12,2
24,3
22,7
64,8
20,6
49,7
14,7
31,4
14,1
69,4
17,3
29,9
865,9
888,1
341,4
230,4
13,1
15,6
17,3
29,9
69,4
28,9

Bahan
Terproses
basis RM
(Kg)
628,6
3281,8
1548,5
1812,3
103,20
73,89
71,67
51,48
30,05
59,85
55,91
159,61
50,74
122,41
36,21
77,34
34,73
170,94
42,61
73,65
2132,8
2187,4
840,9
567,5
32,27
38,42
42,61
73,65
170,94
71,18

Jumlah
Operator
7
7
6
6
5
5
5
5
5
5
5
5
5
7
7
7
7
7
7
7
7
7
7
7
6
6
6
6
6
6

Tingkat
Pelayanan
(Kg/Jam/Orang)

Waktu Pelayanan
(Detik/Kg/Orang)

14,97
240,52
72,13
49,91
25,81
139,49
27,46
131,10
20,64
174,42
14,78
243,60
28,67
125,57
41,18
87,42
24,04
149,75
47,88
75,19
44,73
80,48
42,56
84,58
20,30
177,38
34,98
102,93
20,69
174,00
44,19
81,46
19,85
181,40
32,56
110,57
24,35
147,85
21,04
171,09
24,37
147,70
32,89
109,44
17,16
209,78
16,21
222,03
21,51
167,36
25,62
140,54
28,41
126,73
49,10
73,32
56,98
63,18
47,45
75,86
*) Nilai Konversi Basis RM : 40,6 %

12. Stasiun Packing

Tanggal

Jam

01-Mar-07

19.00-07.00
15.00-18.30
20.31-23.00
23.00-03.00
23.00-01.30
07.30-11.00
13.00-15.00
07.00-09.00
09.00-12.00
01.00-02.30
03.30-04.30
19.00-21.00
21.00-24.00
01.00-03.00
03.00-05.00
05.00-07.00
08.00-08.30
24.00-02.00
07.00-12.00
13.00-15.00
19.30-23.00
15.00-16.30
11.00-11.30
07.00-09.00

02-Mar-07

03-Mar-07

05-Mar-07

06-Mar-07
07-Mar-07

Durasi
(Jam)
12
2
2,5
4
2,5
3,5
2
2
3
1,5
1
2
3
2
2
2
0,5
2
5
2
3,5
1,5
0,5
2

Produk
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs

Jumlah
MC

Bahan
Terproses
(Kg)

350
46
100
370
264
192
246
30
42
202
110
18
30
20
15
19
58
186
51
22
32
11
9
294

1589,00
208,84
454,00
1120,00
1198,56
870,90
1116,84
136,20
190,68
917,08
499,4
81,72
136,2
90,8
68,1
86,26
263,32
844,44
463,08
199,76
145,15
49,94
40,86
1333,56

Bahan
Terproses
basis RM
(Kg)
2118,67
278,45
605,33
1493,33
1598,08
1161,20
1489,12
181,60
254,24
1222,77
665,87
108,96
181,60
121,07
90,80
115,01
351,09
1125,92
617,44
266,35
193,53
66,59
54,48
1778,08

Jumlah
Operator
8
9
9
8
8
9
9
8
8
9
9
8
8
8
8
8
9
9
8
8
6
7
9
9

Tingkat
Pelayanan
(Kg/Jam/
Orang)
22,07
15,47
26,90
69,99
79,90
36,86
82,73
11,35
10,59
67,93
55,49
6,81
7,57
7,57
5,68
7,19
78,02
62,55
15,44
16,65
9,22
6,34
12,11
98,78

131

Waktu
Pelayanan
(Detik/Kg/
Orang)
163,12
232,71
133,81
51,43
45,05
97,66
43,52
317,18
339,84
52,99
64,88
528,63
475,77
475,77
634,36
500,81
46,14
57,55
233,22
216,26
390,63
567,68
297,36
36,44

Tanggal

Jam

08-Mar-07

08.00-09.00
09.00-11.00
11.00-12.00
13.00-15.00
09.00-12.00
13.00-16.00
07.00-09.00
09.00-11.00
11.00-12.00
13.00-15.00
14.00-16.00
16.00-21.00
07.30-14.30
14.30-15.00
15.00-23.00
07.00-08.00
08.30-15.00
15.00-18.00
19.00-21.00
21.00-23.00
15.00-18.00
19.00-21.00
21.00-23.00
07.00-12.00
13.00-15.00
14.00-17.00
14.00-16.00
16.00-18.00
19.00-21.00
07.00-09.00
08.00-12.00
13.00-17.00
07.00-11.00
09.00-12.00
13.00-15.00
16.00-18.00
18.30-19.00
19.00-07.00
07.00-19.00
03.00-04.00
08.00-11.00
14.00-18.00
18.00-19.00
08.00-10.30
07.00-09.00
09.00-12.00
13.00-15.00
15.00-17.00
17.00-19.00
19.00-02.00
11.00-12.00
13.00-15.00
15.00-17.00
07.00-10.00
14.00-15.00
19.00-06.00
02.00-07.00
07.00-09.00
09.00-12.00
13.00-15.00
15.00-17.00
17.00-18.30
23.00-03.00
07.00-09.00
09.00-11.00

09-Mar-07

12-Mar-07

13-Mar-07

14-Mar-07

15-Mar-07

16-Mar-07

17-Mar-07

18-Mar-07
20-Mar-07

21-Mar-07

22-Mar-07

23-Mar-07

24-Mar-07

Durasi
(Jam)
1
2
1
2
3
3
2
2
1
2
2
4
6
0,5
7
1,5
5,5
3
2
2
3
2
2
5
2
6
2
2
2
2
4
4
4
3
2
2
0,5
11
11
1
3
4
1
2,5
2
3
2
2
2
6
1
2
2
3
1
10
5
2
3
2
2
1,5
4
2
2

Produk
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 5 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 20 lbs
Steak @ 20 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs

Jumlah
MC

Bahan
Terproses
(Kg)

14
22
15
22
128
353
35
40
25
38
17
27
120
36
400
41
260
104
87
87
30
20
80
51
114
164
51
54
58
63
355
350
355
107
104
90
25
496
608
43
300
37
11
300
60
127
62
60
60
221
18
183
50
286
200
269
166
42
94
40
40
30
488
40
56

127,01
199,58
136,08
199,58
1160,96
1601,18
158,90
181,60
113,50
172,52
154,22
244,94
544,311
163,293
907,185
185,97
1179,34
471,74
394,63
394,63
272,16
181,44
362,87
462,66
517,10
743,89
231,33
244,94
263,08
285,76
1610,25
1587,57
1610,25
485,34
471,74
408,23
113,40
2249,82
2757,84
195,04
1360,78
335,66
99,79
1360,78
272,16
576,06
281,23
272,16
272,16
1002,44
81,65
830,07
226,80
1297,27
907,18
1220,16
752,96
190,51
426,38
181,44
181,44
136,08
2213,53
181,44
254,01

Bahan
Terproses
basis RM
(Kg)
169,34
266,11
181,44
266,11
1547,95
2134,91
211,87
242,13
151,33
230,03
205,63
326,58
725,75
217,72
1209,58
247,96
1572,45
628,98
526,17
526,17
362,87
241,92
483,83
616,89
689,46
991,86
308,44
326,59
350,78
381,02
2147,00
2116,76
2147,00
647,13
628,98
544,31
151,20
2999,76
3677,12
260,06
1814,37
447,54
133,05
1814,37
362,87
768,08
374,97
362,87
362,87
1336,59
108,86
1106,77
302,39
1729,70
1209,58
1626,88
1003,95
254,01
568,50
241,92
241,92
181,44
2951,37
241,92
338,68

Jumlah
Operator
8
8
8
8
11
11
7
7
7
7
7
7
8
8
8
9
9
8
8
8
8
8
8
9
9
9
9
9
9
8
9
9
7
8
8
8
8
9
9
9
8
8
8
9
8
8
8
8
8
9
9
9
9
9
9
8
9
7
7
7
7
7
9
8
8

Tingkat
Pelayanan
(Kg/Jam/
Orang)
21,17
16,63
22,68
16,63
35,18
48,52
15,13
17,30
21,62
16,43
14,69
11,66
15,12
54,43
21,60
18,37
31,77
26,21
32,89
32,89
15,12
15,12
30,24
13,71
38,30
18,37
17,14
18,14
19,49
23,81
59,64
58,80
76,68
26,96
39,31
34,02
37,80
30,30
37,14
28,90
75,60
13,99
16,63
80,64
22,68
32,00
23,44
22,68
22,68
24,75
12,10
61,49
16,80
64,06
134,40
20,34
22,31
18,14
27,07
17,28
17,28
17,28
81,98
15,12
21,17

132

Waktu
Pelayanan
(Detik/Kg/
Orang)
170,07
216,45
158,73
216,45
102,33
74,20
237,89
208,15
166,52
219,11
245,10
308,65
238,10
66,14
166,67
196,00
113,33
137,36
109,47
109,47
238,10
238,10
119,05
262,61
93,99
196,00
210,09
198,42
184,73
151,17
60,36
61,23
46,95
133,51
91,58
105,82
95,24
118,81
96,92
124,59
47,62
257,40
216,45
44,64
158,73
112,49
153,61
158,73
158,73
145,45
297,62
58,55
214,29
56,19
26,79
177,03
161,36
198,42
132,98
208,34
208,34
208,34
43,91
238,10
170,07

Tanggal

25-Mar-07

26-Mar-07

27-Mar-07

28-Mar-07

29-Mar-07

30-Mar-07

31-Mar-07

Tanggal
02-Mar-07

05-Mar-07

Jam
11.00-12.00
13.00-14.00
01.00-07.00
09.30-12.00
13.00-15.00
15.00-18.00
19.00-23.00
08.00-10.30
07.00-09.00
09.00-12.00
13.00-15.00
15.00-17.00
17.00-19.00
19.00-07.00
07.00-12.00
13.00-16.30
10.00-11.00
01.00-05.30
07.00-09.00
09.00-12.00
13.00-16.30
16.30-18.00
18.30-19.00
19.00-07.00
07.00-09.00
09.00-12.00
13.00-15.00
15.00-18.30
19.00-07.00
07.00-09.00
09.00-12.00
13.00-15.00
15.00-17.00
17.00-19.00
04.00-07.00
03.00-05.00
05.00-06.30
07.00-09.00
09.00-11.00
13.00-15.00
15.00-18.00
18.30-19.00
19.00-07.00
14.30-17.00
14.00-18.00
10.00-12.00
13.00-17.00

Jam

Durasi
(Jam)
1
1
5
3,5
2
3
4
2,5
2
3
2
2
2
11
5
3,5
1
3,5
2
3
3,5
2,5
0,5
11
2
3
2
3,5
11
2
3
2
2
2
3
2
1,5
2
2
2
3
0,5
11
2,5
4
2
4

Durasi
(Jam)

13.00-15.00

15.00-19.00

3,5

15.00-19.30

3,5

16.30-23.00

5,5

07.00-09.00

09.00-11.00

11.30-12.00

0,5

Produk
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs
Steak @ 10 lbs

Produk
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 4
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18

Bahan
Terproses
basis RM
(Kg)
169,34
175,39
2685,27
447,54
308,44
683,41
1584,55
1318,44
465,69
483,83
247,96
393,11
453,59
2612,69
2969,52
2570,36
417,30
344,73
387,07
483,83
526,17
471,74
199,58
2370,78
350,78
671,32
459,64
417,30
2715,51
423,35
495,93
483,83
520,12
508,02
483,83
254,01
260,06
453,59
514,07
508,02
483,83
193,53
3126,76
1167,24
882,99
864,85
3785,98

Waktu
Tingkat
Pelayanan
Pelayanan
(Detik/Kg/
(Kg/Jam/
Orang)
Orang)
8
21,17
170,07
8
21,92
164,21
7
76,72
46,92
7
18,27
197,08
7
22,03
163,40
7
32,54
110,62
7
56,59
63,61
9
58,60
61,44
8
29,11
123,69
8
20,16
178,57
8
15,50
232,29
8
24,57
146,52
8
28,35
126,99
9
26,39
136,41
9
65,99
54,55
9
81,60
44,12
8
52,16
69,01
9
10,94
328,95
8
24,19
148,81
8
20,16
178,57
8
18,79
191,57
8
23,59
152,63
8
49,90
72,15
9
23,95
150,33
8
21,92
164,21
8
27,97
128,70
8
28,73
125,32
8
14,90
241,55
9
27,43
131,25
8
26,46
136,06
8
20,66
174,22
8
30,24
119,05
8
32,51
110,74
8
31,75
113,38
8
20,16
178,57
9
14,11
255,11
9
19,26
186,88
8
28,35
126,99
8
32,13
112,05
8
31,75
113,38
8
20,16
178,57
8
48,38
74,41
9
31,58
113,98
10
35,02
102,81
9
18,40
195,70
8
40,54
88,80
8
88,73
40,57
*) Nilai Konversi Basis RM : 75 %
Waktu
Tingkat
Pelayanan
Pelayanan
Jumlah
(Detik/Kg/
(Kg/Jam/
Operator
Orang)
Orang)

Jumlah
MC

Bahan
Terproses
(Kg)

28
29
444
74
51
113
131
218
77
40
41
65
75
432
491
425
69
57
64
80
87
78
33
392
58
111
76
69
449
70
82
80
86
84
80
42
43
75
85
84
80
32
517
193
146
143
626

127,01
131,54
2013,95
335,66
231,33
512,56
1188,41
988,83
349,27
362,87
185,97
294,84
340,19
1959,52
2227,14
1927,77
312,98
258,55
290,30
362,87
394,63
353,80
149,69
1778,08
263,08
503,49
344,73
312,98
2036,63
317,51
371,95
362,87
390,09
381,02
362,87
190,51
195,04
340,19
385,55
381,02
362,87
145,15
2345,07
875,43
662,24
648,64
2839,49

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

15

122,47

194,40

12,15

296,30

21

171,46

272,16

9,72

370,38

31

56,234

89,26

4,25

846,96

45

367,41

583,19

15,15

237,66

12

97,98

155,52

8,64

416,67

13

106,14

168,48

9,36

384,62

40,82

64,80

14,40

250,00

Jumlah
Operator

133

Tanggal

06-Mar-07

07-Mar-07
08-Mar-07
10-Mar-07

25-Mar-07

Tanggal

Jam

Durasi
(Jam)

13.00-15.00

07.00-08.00

07.00-09.00

09.00-12.00

13.00-14.00

07.00-07.30

0,5

07.00-09.30

2,5

14.00-14.30

0,5

14.00-14.30

0,5

15.30-16.30

10.00-11.00

13.00-13.30

0,5

15.30-16.30

13.00-16.00

Jam

Durasi
(Jam)

01-Mar-07
07.30-10.00

2,5

10.00-11.00

13.00-14.00

04.30-05.30

09.00-10.00

10.00-12.00

13.00-14.00

09.00-10.00

08.00-09.00
11.30-12.00

1
0,5

07.00-08.00

08.00-10.00

16.00-17.00

08.00-09.00

09.00-10.00

10.00-11.00

13.00-14.00

02-Mar-07

05-Mar-07

08-Mar-07

09-Mar-07

Produk
lbs
Butterfly @ 15
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 18
lbs
Butterfly @ 8
lbs
Butterfly @ 8
lbs
Butterfly @ 4
lbs
Butterfly @ 8
lbs
Butterfly @ 4
lbs
Butterfly @ 4
lbs
Butterfly @ 8
lbs

Produk
Fillet Smoke
@ 10 lbs
Fillet Reguler
@ 30 lbs
Fillet Reguler
@ 30 lbs
Fillet Smoke
@ 10 lbs
Fillet Mix @
5,5 Kg
Fillet Reguler
@ 30 lbs
Fillet Reguler
@ 30 lbs
Fillet Mix @
22 lbs
Fillet Mix @
5,5 Kg
Fillet @ 20 lbs
Fillet WM @
40 lbs
Fillet Mix @
5,5 Kg
Fillet WM @
40 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Reguler
@ 30 lbs

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/
Orang)

Waktu
Pelayanan
(Detik/Kg/
Orang)

15

102,00

161,90

8,99

400,24

48,99

77,76

9,72

370,38

13

106,14

168,48

10,53

341,89

30

244,94

388,79

16,20

222,23

10

81,65

129,60

16,20

222,23

40,823

64,80

16,20

222,23

23

187,79

298,07

17,03

211,36

36

130,63

174,18

10

34,84

103,34

18,15

24,20

6,91

520,66

61

110,68

175,68

12,30

292,74

43

156,04

247,68

10

15,60

230,72

30

54,43

86,40

10

10,89

330,69

64

116,12

184,32

20,48

175,78

145

526,17

835,19

11

15,94

225,78

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

72

326,88

754,92

14,53

247,80

12

163,44

477,89

18,16

198,24

17

254,49

744,12

28,28

127,31

20

90,8

209,70

10,09

356,83

35

192,5

507,78

10

19,25

187,01

42

571,62

1671,40

10

28,58

125,96

11

149,71

437,75

10

14,97

240,46

39

389,18

1026,60

10

38,92

92,50

27
18

148,50
163,29

391,72
477,46

11
5

13,50
65,32

266,67
55,12

17

308,44

951,98

11

28,04

128,39

230

1265,00

3336,85

11

57,50

62,61

49

889,04

2743,95

11

80,82

44,54

40

181,44

419,02

20,16

178,57

63

285,76

659,96

31,75

113,38

56

254,01

586,63

28,22

127,55

20

272,16

795,78

30,24

119,05

*) Nilai Konversi Basis RM : 63 %


Waktu
Tingkat
Pelayanan
Pelayanan
Jumlah
(Detik/Kg/
(Kg/Jam/
Operator
Orang)
Orang)

134

Tanggal

Jam

Durasi
(Jam)

14.00-16.00

10.00-10.30

0,5

10.30-11.00

0,5

11.00-12.00

13.00-13.30

0,5

13.30-14.30

07.00-07.30

0,5

11.00-12.00

13.00-14.00

08.00-09.00

11.30-12.00

0,5

13.00-14.00

08.00-09.30

1,5

10.00-12.00

14.00-14.30

0,5

14.30-16.30

16.30-17.00

0,5

08.00-09.30

1,5

13.00-14.00

14.00-15.30

1,5

15.30-16.00

0,5

07.00-08.00

08.00-09.30

1,5

08.00-09.00

08.00-09.00
10.00-10.30

1
0,5

10.30-11.00

0,5

11.00-12.00

14.00-15.00

09.00-11.00

11.00-12.00

14.30-16.00

1,5

14.30-16.00

1,5

05.00-07.00
10.00-11.00

2
1

12-Mar-07

16-Mar-07

17-Mar-07

18-Mar-07

21-Mar-07

22-Mar-07

28-Mar-07

29-Mar-07

Produk
Fillet @ 20 lbs
Fillet Mix @
22 lbs
Fillet Mix @
22 lbs
Fillet Mix @
22 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Mix @
5,5 Kg
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Reguler
@ 30 lbs
Fillet WM @
40 lbs
Fillet Reguler
@ 30 lbs
Fillet Reguler
@ 30 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet WM @
40 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet Mix @
22 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke
@ 10 lbs
Fillet @ 20 lbs
Fillet Reguler
@ 30 lbs
Fillet Reguler
@ 30 lbs
Fillet WM @
40 lbs
Fillet Mix @
5,5 Kg
Fillet WM @
40 lbs
Fillet WM @
40 lbs
Fillet Mix @
22 lbs
Fillet Smoke
@ 10 lbs
Fillet Smoke

Tingkat
Pelayanan
(Kg/Jam/
Orang)
13,86

Waktu
Pelayanan
(Detik/Kg/
Orang)
259,74

368,52

10

27,94

128,84

289,39

763,37

10

57,88

62,20

45

449,06

1184,53

10

44,91

80,17

91

412,77

953,28

10

82,55

43,61

61

276,69

639,01

10

27,67

130,11

60

272,16

628,53

60,48

59,52

46

253,00

667,37

28,11

128,06

62

281,23

649,49

31,25

115,21

72

326,59

754,24

36,29

99,21

15

68,04

157,13

15,12

238,10

83

376,48

869,47

41,83

86,06

74

335,66

775,19

10

22,38

160,88

16

217,76

636,73

10

10,89

330,64

18

326,59

1007,98

10

65,32

55,12

32

435,45

1273,24

10

21,77

165,35

81,65

238,73

10

16,33

220,46

68

308,72

712,98

10

20,58

174,92

89

403,70

932,33

10

40,37

89,18

17

308,44

951,98

10

20,56

175,07

29

131,66

304,06

10

26,33

136,72

70

317,51

733,29

10

31,75

113,38

64

638,72

1684,83

10

42,58

84,54

55

249,48

576,16

31,18

115,44

31
18

140,61
163,29

324,74
477,47

9
9

15,62
36,29

230,42
99,21

81,65

238,73

18,14

198,42

19

258,55

755,99

28,73

125,32

19

344,73

1063,98

38,30

93,99

124

682,00

1799,00

37,89

95,01

19

344,73

1063,98

38,30

93,99

40

725,75

2239,96

53,76

66,97

12

119,75

315,88

10

21,06

170,95

114
47

517,56
213,38

1195,29
492,79

8
10

74,71
49,28

48,19
73,05

Jumlah
MC

Bahan
Terproses
(Kg)

25

249,48

Bahan
Terproses
basis RM
(Kg)
729,46

14

139,71

29

Jumlah
Operator

135

Tanggal

Jam

Durasi
(Jam)

10.30-11.30

13.00-15.00

06.00-10.00

11.00-12.00

09.30-10.30

30-Mar-07

Durasi
(Jam)

Tanggal

Jam

02-Mar-07

17.00-18.00

16.00-20.00

16.30-17.30

1,5

10.30-11.30

10.30-11.00

0,5

08.30-10.00

1,5

13.00-14.00

07.00-07.30

0,5

09.30-10.00

0,5

10.00-12.00

09.00-10.00

08.00-09.00

13.00-14.30

1,5

03.00-04.30

1,5

13.00-14.00

10.00-11.00

10.30-12.00

1,5

13.00-16.00

05-Mar-07

09-Mar-07

21-Mar-07

23-Mar-07

29-Mar-07

Durasi
(Jam)

Tanggal

Jam

02-Mar-07
05-Mar-07

14.00-15.00

07.00-07.30

0,5

10.00-10.30

0,5

11.00-11.30

0,5

09.30-10.00
08.30-09.00

0,5
0,5

16-Mar-07

Produk

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/
Orang)

Waktu
Pelayanan
(Detik/Kg/
Orang)

@ 10 lbs
Fillet WM @
40 lbs
11
199,58
615,99
9
68,44
52,60
Fillet WM @
40 lbs
23
417,30
1287,98
9
71,55
50,31
Fillet WM @
40 lbs
54
979,76
3023,95
8
94,50
38,10
Fillet WM @
40 lbs
10
181,44
559,99
8
70,00
51,43
Fillet WM @
40 lbs
15
272,10
839,81
10
83,98
42,87
*) Nilai Konversi Basis RM : 43,3 % (Smoke) ; 34,2 % (Reguler) ; 32,4 % (WM) ; 37,91 % (Mix)
Waktu
Tingkat
Bahan
Bahan
Pelayanan
Pelayanan
Jumlah
Terproses
Jumlah
Produk
Terproses
(Detik/Kg/
(Kg/Jam/
Operator
basis RM
MC
(Kg)
Orang)
Orang)
(Kg)
WG @ 10 Kg
437
4370,00
4698,92
11
397,27
9,06
WGGS @
39,6 Kg
59
2336,40
2567,47
11
53,10
67,80
WGGS @ 9,9
Kg
87
861,30
946,48
9
63,80
56,43
WGGS @ 9,9
Kg
74
732,60
805,05
5
146,52
24,57
WGGS @ 9,9
Kg
15
148,50
163,19
9
33,00
109,09
WGGS @ 9,9
Kg
100
990,00
1087,91
10
66,00
54,55
WGGS @ 9,9
Kg
58
574,20
630,99
10
57,42
62,70
WGGS @ 9,9
Kg
45
445,50
489,56
10
89,10
40,40
WGGS @ 9,9
Kg
24
216,00
237,36
10
43,20
83,33
WGGS @ 9,9
Kg
133
1316,70
1446,92
10
65,84
54,68
WGGS @ 9,9
Kg
56
554,40
609,23
9
61,60
58,44
WGGS @ 9,9
Kg
53
524,70
576,59
9
58,30
61,75
WGGS @ 9,9
Kg
59
584,10
641,87
9
43,27
83,20
WGGS @ 9,9
Kg
50
495,00
543,96
9
40,29
89,35
WGGS @ 9,9
Kg
40
396,00
435,16
8
54,40
66,18
WGGS @ 9,9
Kg
159
1574,10
1729,78
9
192,20
18,73
WGGS @ 9,9
Kg
88
871,20
957,36
10
63,82
56,40
WGGS @ 9,9
Kg
135
1336,50
1468,68
10
48,96
73,54
*) Nilai Konversi Basis RM : 91 % (WGGS) dan 93 % (WG)
Waktu
Tingkat
Bahan
Bahan
Pelayanan
Pelayanan
Jumlah
Terproses
Jumlah
Produk
Terproses
(Detik/Kg/
(Kg/Jam/
Operator
basis RM
MC
(Kg)
Orang)
Orang)
(Kg)
CF WR @ 10
Kg
29
290,00
290,00
10
29,00
124,14
CF WR @ 10
Kg
48
480,00
480,00
10
96,00
37,50
CF WR @ 10
Kg
17
170,00
170,00
9
37,78
95,29
CF WR @ 10
Kg
15
150,00
150,00
9
33,33
108,00
CF WR @ 10
Kg
26
260,00
260,00
8
65,00
55,38
CF WR @ 10
23
230,00
230,00
9
51,11
70,43

136

Tanggal

Jam

Durasi
(Jam)

10.30-11.00

0,5

11.00-12.00

10.30-11.00

0,5

13.00-14.00

10.00-10.30

0,5

15.00-16.00

13.00-16.00

23.00-01.00

18-Mar-07

21-Mar-07

30-Mar-07

Tanggal

Jam

Durasi
(Jam)

01-Mar-07
03.00-04.00

23.00-00.30

1,5

00.30-01.00

0,5

02.30-04.00

1,5

01.00-03.00

07.00-07.30

0,5

23.00-01.00

08.00-09.00

07.00-09.00

13.30-14.00

0,5

10.00-12.00

08.00-10.00

07.30-08.00

0,5

08.00-10.00

09.00-11.00

07.30-08.00

0,5

09.30-12.00

2,5

07.00-08.00

09.00-09.30

0,5

13.00-14.00

03.00-04.00

01.30-02.30
07.00-07.30

1
0,5

02-Mar-07

05-Mar-07

08-Mar-07

12-Mar-07

16-Mar-07

17-Mar-07

18-Mar-07

Produk
Kg
CF WR @ 10
Kg
CF WR @ 10
Kg
CF WR @ 10
Kg
CF WR @ 20
Kg
Octopus WR
@ 5 Kg
Octopus WR
@ 5 Kg
Octopus WR
@ 30 lbs
CF WR @ 10
Kg

Produk
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/
Orang)

Waktu
Pelayanan
(Detik/Kg/
Orang)

17

170,00

170,00

10

34,00

105,88

37

370,00

370,00

52,86

68,11

53

530,00

530,00

117,78

30,57

22

440,00

440,00

10

44,00

81,82

10

50,00

50,00

20,00

180,00

48

240,00

240,00

26,67

135,00

46

625,96

625,96

26,08

138,03

53

530,00

530,00

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

40

800,00

800,00

88,89

40,50

106

2120,00

2120,00

201,90

17,83

30

600,00

600,00

171,43

21,00

36

720,00

720,00

60,00

60,00

45

900,00

900,00

50,00

72,00

21

420,00

420,00

93,33

38,57

93

1860

1860,00

103,33

34,84

35

700

1860,00

10

70,00

51,43

92

1840,00

1860,00

10

92,00

39,13

16

320,00

320,00

10

64,00

56,25

92

1840,00

1840,00

11

83,64

43,04

100

2000,00

2000,00

10

100,00

36,00

25

500,00

500,00

111,11

32,40

106

2120,00

2120,00

117,78

30,57

327

6540,00

6540,00

363,33

9,91

22

440,00

1016,17

10

88,00

40,91

204

4080,00

4080,00

10

163,20

22,06

27

540,00

540,00

67,50

53,33

38

760,00

760,00

190,00

18,95

31

620,00

620,00

68,89

52,26

56

1120,00

1120,00

140,00

25,71

12
20

240,00
400,00

240,00
401,00

8
9

30,00
89,11

120,00
40,40

9
29,44
122,26
*) Nilai Konversi Basis RM : 100 %
Waktu
Tingkat
Pelayanan
Pelayanan
Jumlah
(Detik/Kg/
(Kg/Jam/
Operator
Orang)
Orang)

137

Tanggal

Jam

Durasi
(Jam)

15.10-15.30

0,3

23.00-24.00

21-Mar-07

09.00-10.30

1,5

22-Mar-07
23-Mar-07

07.00-10.00

08.00-10.30

2,5

13.00-14.00

11.00-12.00

13.00-14.00

07.00-08.00

10.30-12.00

1,5

08.00-09.30

1,5

25-Mar-07

26-Mar-07

27-Mar-07

Produk
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg
Kerang Bulu
@ 20 Kg

Jumlah
MC

Bahan
Terproses
(Kg)

Bahan
Terproses
basis RM
(Kg)

Jumlah
Operator

Tingkat
Pelayanan
(Kg/Jam/
Orang)

Waktu
Pelayanan
(Detik/Kg/
Orang)

11

132,00

132,00

48,89

73,64

82

1640,00

1640,00

182,22

19,76

76

1520,00

1520,00

112,59

31,97

131

2620,00

2620,00

10

87,33

41,22

209

4180,00

4180,00

10

167,20

21,53

46

920,00

920,00

131,43

27,39

30

600,00

600,00

75,00

48,00

24

480,00

480,00

53,33

67,50

53

1060,00

1060,00

117,78

30,57

91

1820,00

1820,00

134,81

26,70

55

1100,00

1100,00

10
73,33
49,09
*) Nilai Konversi Basis RM : 100 %

138

Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku


1. Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)

No.

Jenis Ikan

Penerimaan
(%)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Kakap Merah SO
Kakap Merah SL
Kakap Sawo Merah SO
Kakap Sawo Merah SL
Kakap Batu SO
Kakap Batu SL
Kakap Nunuk
Kakap Batu Hitam
Samge
Lencan
Baramundi
Kaci-Kaci
Ngangas
Jenaha
Jarang Gigi
Angkoli Merah
Angkoli Perak
Kerapu
Gogokan
Lemadang

100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Arahan
Produksi
(%)
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100

Scaling
(%)

Filleting
(%)

Trimming
(%)

95
95
97
-

53
50
56
54
46
52
61
52
46
44
60
53
50
51
52
58
51
49
47
62

48
32
50
48
41
33
54
30
26
31
53
37
32
32
38
34
33
36
40
46

Stasiun
Sizing
(%)

Panning
(%)

Bagging +
Injection CO (%)

AfterCuring
(%)

AfterFreezing
(%)

48
48
48
47
45
32
32
32
31
50
50
50
49
51
48
48
48
47
49
41
41
41
40
33
33
33
32
54
54
54
53
30
30
30
29
26
26
26
25
31
31
31
30
53
53
53
52
37
37
37
36
32
32
32
31
32
32
32
31
38
38
38
37
34
34
34
33
33
33
33
32
36
36
36
35
40
40
40
39
46
46
46
45
*) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut

139

2. Konversi Bobot Produk Fillet Terhadap RM (Kg)


No.

Jenis Produk

After freezing (%)

1
2
3
4
5
6
7
8
9
10

Fillet Smoke
Fillet/Fillet Reguler
Fillet WM
Fillet Mix
Kerang Bulu
Steak Tenggiri
WGGS
WG
WR
Butterfly

43,3
34,2
32,4
37,91
100
75
91
93
100
63

3. Rata-Rata Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)

No.
1
2

Jenis Ikan
Skin On
Skinless
Total Rata-Rata

Penerimaan
(%)
100
100
100

Arahan
Produksi
(%)
100
100
100

Scaling
(%)

Filleting
(%)

95,7
95,7

51,7
52,5
52,1

Stasiun
Trimming
(%)

Sizing
(%)

Panning
(%)

Bagging +
Injection CO (%)

After
Curing (%)

49,7
49,7
49,7
49,7
45,3
36,8
36,8
36,8
37,8
35,8
43,2
43,2
43,2
43,7
40,6
*) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut

140

Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2

Goodness of Fit - Summary

Distribution

Kolmogorov
Smirnov
Statistic Rank

1 Exponential

0.22148

2 Exponential (2P) 0.22828

Kolmogorov-Smirnov
Sample Size
Statistic
Rank

50
0.058
1
0.2

0.15

0.1

0.05

Critical Value 0.15132 0.16122 0.17253 0.19233 0.23052

Gamma

0.13166

4 Gamma (3P)

0.09014

Laplace

0.24618

10

Logistic

0.2254

7 Lognormal

0.07414

# Distribution

8 Normal

0.24157

1 Weibull (3P) =0.65549 =9.5183 =0.16

0.50616

12

10 Uniform

0.29568

11

11 Weibull

0.084

12 Weibull (3P)

0.058

Triangular

0.01

Reject?

No

No

No

No

Parameters

141

No

Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata


Customer Analysis for SAPFIB
Ulangan 1
07/07/2007

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Result
Total Number of
Arrival
Total Number of
Balking
Average Number in
the System (L)
Maximum Number
in the System
Current Number in
the System
Number Finished
Average Process
Time
Std. Dev. of Process
Time
Average Waiting
Time (Wq)
Std. Dev. of Waiting
Time
Average Transfer
Time
Std. Dev. of Transfer
Time
Average Flow Time
(W)
Std. Dev. of Flow
Time
Maximum Flow Time

Ulangan 2

Ulangan 3

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

1791

1075

2866

1942

1078

3020

1880

1076

2956

23

23

52

52

14,97

61,894

76,87

17,30

69,996

87,303

16,15

56,21

72,361

32

105

137

37

105

142

31

105

136

15

104

119

18

102

120

12

102

114

848

948

1796

978

924

1902

970

1872

352,97

131,98

236,32

352,07

135,47

246,84

902
355,14
6

129,24

238,09

106,32

52,706

137,74

98,44

50,48

133,94

98,891

50,813

137,08

6,52

1364,6

723,39

12,38

1614,5

790,69

11,10

1196,8

625,48

15,46

893,94

938,94

26,60

939,72

1034,6

22,91

724,14

789,28

52,10

24,60

52,10

26,791

52,10

25,10

0,42

26,015

0,4024

26,042

0,4096

26,03

411,6

1496,6

984,32

416,56

1750

1064,3

418,35

1326

888,67

106,32

894,33

849,06

100,32

942,27

938,42

101,65

725,39

695,22

923,41

2819,6

2819,5

969,18

3033,5

3033,5

1201,0

2588,9

2588,9

Data Collection: 0 to 25200 Seconds


CPU Seconds = 10,021

Dengan contoh server analysis, queue analysis, dan garbage collector sebagai
berikut :
Server Analysis for SAPFIB
07/07/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Server
Name
A1
A2
A3
A4
A5
B1
B2
B3
CA1
CA2
CA3
CA4
CA5
CB1
CB2
CB3
CB4
CB5

Server
Utilization
33,92%
37,09%
34,33%
35,92%
36,25%
2,58%
2,56%
2,30%
22,43%
26,08%
25,27%
26,08%
24,54%
7,24%
5,09%
11,71%
9,65%
10,97%

Average
Process Time
24,3552
27,4093
22,7062
25,5734
25,1621
1,0501
1,0345
1,0653
35,114
39,3608
37,4651
34,7698
36,5891
91,2066
91,5872
105,383
105,7068
86,3596

Std. Dev.
Process Time
24,9366
25,5161
23,9373
27,5108
25,0948
0,2555
0,2666
0,2666
18,0186
24,5539
19,997
18,7676
19,2152
37,5099
40,1368
64,1267
46,9125
38,1895

Maximum
Process Time
222,5518
138,7767
233,3418
230,1543
179,6074
1,7422
1,6885
1,7021
160,1115
142,0378
145,833
151,9707
124,4121
179,793
199,5986
363,584
231,0107
222,3811

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
351
341
381
354
363
620
624
545
161
167
170
189
169
20
14
28
23
32

142

07/07/2007
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

Server
Server
Average
Name
Utilization
Process Time
CB6
10,47%
114,6768
CB7
11,08%
87,256
D11
32,68%
132,8261
D12
30,35%
139,0681
D13
35,01%
152,1274
D14
36,54%
153,4643
D15
31,25%
131,2355
D16
32,24%
147,7134
D17
33,64%
141,2947
D18
29,42%
145,3937
D21
29,43%
172,4493
D22
30,18%
161,8284
D23
27,62%
158,1783
D24
26,37%
130,3123
D25
28,93%
165,6682
D26
28,24%
131,7654
D27
33,37%
161,7015
D28
31,81%
145,7481
E1
16,89%
9,9914
E2
17,18%
10,209
F1
29,27%
35,1254
F2
29,64%
34,2573
F3
29,78%
36,2517
F4
31,07%
36,4121
GA1
29,81%
100,1748
GA2
29,40%
97,4693
GA3
26,70%
93,4666
GA4
29,22%
95,6264
GA5
30,01%
93,3581
GA6
30,34%
98,0135
GB1
43,55%
58,0619
GB2
45,92%
57,8537
GC1
99,32%
131,7239
GC2
99,59%
129,3669
GC3
99,42%
128,4827
GC4
98,88%
134,6841
GC5
99,31%
136,0048
Overall
32,51%
50,3186
Data Collection: 0 to 25200 Seconds
CPU Seconds = 10,021

Std. Dev.
Process Time
76,0569
40,3662
61,6137
55,1612
78,4017
76,8175
59,8339
73,8658
56,1037
68,4156
90,3898
90,6151
84,3835
65,0674
74,3646
52,7208
92,2298
64,9893
1,8231
1,8788
14,2033
12,9035
16,1964
15,1967
47,0091
61,2029
43,937
48,2352
53,8823
45,4493
3,2876
3,1577
55,8828
50,7785
48,072
54,3055
53,9557
61,0623

Maximum
Process Time
321,1777
221,2354
338,6631
300,2556
429,9268
381,3281
455,666
354,9277
321,665
356,6545
496,3809
488,0918
415,8311
373,4308
395,1855
302,9316
579,582
317,168
18,5645
21,7523
88,9297
93,193
122,6455
100,0498
262,0508
366,9053
230,6152
222,6406
274,9958
252,3008
67,1035
66,4121
285,0752
251,1758
275,5313
328,541
273,7715
579,582

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
23
32
62
55
58
60
60
55
60
51
43
47
44
51
44
54
52
55
426
424
210
218
207
215
75
76
72
77
81
78
189
200
190
194
195
185
184
8954

Queue Analysis for SAPFIB


07/07/2007
1
2
3
4
5
6
7
8
9
10
11
12

Queue
Average Q.
Current Q.
Name
Length (Lq)
Length
BufferA
0,0991
0
BufferB
0
0
BufferCA
0,0035
0
BufferCB
0
0
BufferD1
0,0039
0
BufferD2
0
0
BufferE
0,0078
0
BufferF
0,0126
0
BufferGA
0,0145
0
BufferGB
0,1405
0
BufferGC
56,9191
99
Overall
57,201
99
Data Collection: 0 to 25200 Seconds
CPU Seconds = 10,021

Maximum
Q. Length
8
1
2
1
2
1
2
3
3
4
100
100

Average
Waiting (Wq)
1,3943
0
0,1033
0
0,2096
0
0,2321
0,3729
0,7926
9,1011
1371,06
146,4248

Std. Dev.
of Wq
5,4181
0
1,2047
0
1,8499
0
1,0617
2,2474
5,5347
18,9976
895,9612
513,3484

Maximumof
Wq
57,2227
0
18,6084
0
19,4844
0
9,7134
28,3057
60,5029
108,0322
2647,734
2647,734

143

Garbage Collector Analysis for SAPFIB


07/07/2007
1

Garbage
# Customers
Average
Collector
Collected
Flow Time
NonFillet
928
27,7128
Data Collection: 0 to 25200 Seconds
CPU Seconds = 10,021

Std. Dev.
Flow Time
25,2764

Maximum
Flow Time
234,5059

Average
Process Time
26,024

Std. Dev.
Process Time
24,3682

144

Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B


Tanggal

Jam
Kedatangan

Jumlah Bahan
Yang Datang
(kg)

Freezer 1
(6000 kg)

Freezer 2
(6500 kg)

Freezer 3
(5500 kg)

15-Mar-07

idle

idle

08.30

10.30

13.00
13.30

16.00

idle

2437,5

Loading

2539,5

1265,3

Loading

Runing
(5017 kg)

324

Runing
(6500 kg)

Unloading
& Cleaning
16-Mar-07

Loading
Unloading
& Cleaning

Jumlah
Antrian Bahan
(kg)

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

1265,3

16.00

1589,3

17.00

1589,3

18.00

1589,3

19.00

1589,3

20.00

1589,3

21.00

1589,3

22.00

1589,3

23.00

1589,3

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

Unloading
& Cleaning

Runing
(1589,3 kg)
idle

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

idle
08.30

10.00

2840,5

1403,5

Loading
Unloading
& Cleaning

13.00

3501,5

Runing
(4244 kg)

Waktu Idle Freezer


(%)
1
2
3

54,2

54,2

37,5

37,5

91,6

12,5

Loading

12500

Runing
(6000 kg)

Waktu

Loading
idle

145

16.30

577

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

Loading

Unloading
& Cleaning

Runing
(4078,5 kg)

17-Mar-07

Unloading
& Cleaning

idle
08.20

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

00.00

idle

141,9

Loading
11.00

idle

2104

79,2

100

25

idle
14.30

105,5

15.00

399

16.00

2153,5

17.30

4623

Loading

Loading
20.30

33

idle
Loading

Runing
(4903,9
Kg)

18-Mar-07

Runing
(4656 kg)
Unloading
& Cleaning
idle

idle

Unloading
& Cleaning
20-Mar-07

idle

idle

idle

146

01.00

02.00

03.00

04.00

05.00

06.00

07.00

367,8

08.00

08.40

101

09.00

10.45

2980,5

10.00

11.00

12.00

13.00

14.00

15.00

idle

idle

08.15

14.35

Loading

12955
Loading

16.30

idle

Loading

5723,2
Runing
(3449,3 kg)

20.30

101,9

21.00

100,7

21.05

1414

21.35

Runing
(6000 kg)

Runing
(6500 kg)
Unloading
& Cleaning

13,5

21-Mar-07

16.00

17.00

6178,2

18.00

6178,2

19.00

6178,2

20.00

6178,2

21.00

6380,8

22.00

7808,3

23.00

7808,3

00.00

7808,3

01.00

2308,3

02.00

2308,3

03.00

2308,3

04.00

2308,3

05.00

06.00

07.00

58,3

58,3

37,5

25

83,3

Loading
Unloading
& Cleaning

Unloading
& Cleaning

Loading
Runing
(5500 kg)
idle
09.30

1015,8
Loading
idle

13.15

325,5

13.45

182,5

14.10

3799,9

16.00

44,5

Unloading
& Cleaning
Runing
(3324,1 kg)

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

Loading

147

Unloading
& Cleaning

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

idle

13.00

Loading

14.00

idle

idle

Runing
(4352,4 kg)

22-Mar-07

idle
Unloading
& Cleaning

09.00

2922,5

Loading
idle
idle
idle

13.00

781

14.00

3072

16.00

291

16.30

2257,5

Loading

100

50

37,5

58,3

87,5

16,7

Loading

Runing
(6500 kg)

Runing
(2824 kg)
23-Mar-07

Unloading
& Cleaning

Unloading
& Cleaning
idle
idle
09.00

idle

699

Loading
11.00

14.30

2415

5854

Loading

148

idle
Runing
(4568 kg)

Runing
(4400 kg)

24-Mar-07

Unloading
& Cleaning

Unloading
& Cleaning

idle

08.30

1932

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

Loading

idle
13.00

idle

1654,5

15.30

1770

16.30

270

33,3

100

87,5

idle
Loading

Runing
(5626,5 kg)
25-Mar-07

idle

26-Mar-07
idle

0
0

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

00.00

01.00

02.00

03.00

idle

Unloading
& Cleaning

idle

14.00
15.00

idle

149

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

idle

08.05

185,5

Loading
idle

11.00

121

13.03

133,3

13.30

1840,5

14.00

15.30

939,8

15.00

15.45

260,5

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

idle

idle

Loading

Runing
(3480,6 kg)

27-Mar-07

Unloading
& Cleaning

100

100

37,5

100

100

37,5

idle

idle

13.03

1505,5

idle

Loading

Runing
(1505,5 kg)

150

idle

idle

28-Mar-07
Unloading
& Cleaning

idle

08.05

448,2

idle

2065

14.10

218,6

00.00

01.00

02.00

03.00

04.00

05.00

06.00

07.00

08.00

09.00

10.00

11.00

12.00

idle

1624

13.38

Loading

idle
13.05

23.00

Loading

Runing
(4355,8 kg)

29-Mar-07

Idle

idle

Unloading
& Cleaning

13.00

14.00

15.00

16.00

17.00

18.00

19.00

20.00

21.00

22.00

23.00

00.00

01.00

02.00

03.00

0
Rata-rata

100

100

41,6

67,8

84,0

33,7

151

Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata


Customer Analysis for SAPFIB
07/07/2007

Result

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Total Number of Arrival


Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 75600 seconds
CPU Seconds = 1,581

Ulangan 1

Ulangan 2

Ulangan 3

Kedatangan

Kedatangan

Kedatangan

1714
0
3,271
22
4
1710
143,9224
97,4007
0,2353
3,9887
0
0
144,1576
97,4903
653,3008

1663
0
3,2611
23
4
1659
148,034
96,9142
0,4548
4,4437
0
0
148,489
96,9457
710,8906

1654
0
3,2156
18
2
1652
146,925
96,0108
0,0128
0,519
0
0
146,9377
96,0006
727,5

Dengan contoh server analysis dan queue analysis sebagai berikut :


Server Analysis for SAPFIB
07/07/2007

Server Name

Server
Utilization

AverageProcess
Time

Operator11

14,16%

144,6908

Std. Dev.
Process
Time
77,8663

Maximum
Process
Time
386,0098

Blocked
Percentage
0,00%

#
Customers
Processed
74

2
3
4
5
6
7

Operator12
Operator13
Operator14
Operator15
Operator16
Operator17

13,45%
11,97%
11,45%
13,16%
13,34%
14,44%

141,277
139,2499
137,4528
142,1767
150,5136
138,1826

105,6131
81,2949
96,0066
93,9713
101,3868
93,1916

596,8125
361,0273
539,3926
396,5918
468,1152
403,9746

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

72
65
63
70
67
79

8
9
10
11
12
13

Operator18
Operator21
Operator22
Operator23
Operator24
Operator25

14,09%
11,91%
15,84%
10,71%
9,31%
16,54%

140,198
138,5434
159,6305
139,59
110,0064
152,5289

96,8986
82,4697
115,7134
79,6908
77,0984
104,1262

457,2891
362,3242
471,3203
429,4766
383,7695
540,3516

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

76
65
75
58
64
82

14
15
16
17
18
19

Operator26
Operator27
Operator28
Operator31
Operator32
Operator33

14,03%
13,27%
14,20%
14,73%
17,00%
13,88%

136,0294
156,7838
157,9166
140,9689
156,7187
143,7402

85,7951
104,7038
100,67
88,6358
117,1836
92,1117

454,6563
521,5664
440,2969
437,8516
653,3008
436,5938

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

78
64
68
79
82
73

20
21
22
23
24

Operator34
13,35%
Operator35
13,70%
Operator36
11,55%
Operator37
14,73%
Operator38
14,69%
Overall
13,56%
Data Collection: 0 to 75600 seconds
CPU Seconds = 1,581

132,8123
156,9278
134,3493
146,4836
152,1603
143,9223

77,1715
111,1676
97,11
120,106
96,0898
97,4008

363,0273
652,877
543,8418
634,0586
419,5273
653,3008

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

76
66
65
76
73
1710

152

Queue Analysis for SAPFIB


07/07/2007
1
2
3

Queue
Average Q.
Current Q.
Name
Length (Lq)
Length
Buffer1
0,0009
0
Buffer2
0,0039
0
Buffer3
0,0005
0
Overall
0,0053
0
Data Collection: 0 to 75600 seconds
CPU Seconds = 1,581

MaximumQ.
Length
2
2
1
2

Average
Waiting (Wq)
0,1205
0,5272
0,0692
0,2347

Std. Dev.
of Wq
2,1563
6,4073
1,682
3,984

Maximum of
Wq
46,6328
108,9229
40,9238
108,9229

153

Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata


Contoh Customer Analysis, Server Analysis dan Queue Analysis adalah sebagai berikut :
Customer Analysis for SAPFIB
08/19/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Result
Total Number of Arrival
Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 25200 Seconds
CPU Seconds = 17,641

KedItem1
2831
1559
363,7529
448
383
889
32,3066
38,611
7748,398
4122,343
0
0
7780,704
4122,858
12532,26

KedItem2
4189
2179
578,7405
682
655
1355
20,8162
24,3815
7776,993
4069,736
0
0
7797,801
4069,838
12615,22

KedItem3
22291
11737
3035,697
3480
3454
7100
6,7855
2,3139
7783,005
4133,045
0
0
7789,772
4133,037
12474,51

KedItem4
3443
1923
452,6462
546
508
1012
20,605
9,3357
8252,784
4096,925
0
0
8273,387
4097,456
12487,38

Std. Dev.
Process
Time
16,7473
17,2635
15,928
17,8025
17,2744
17,0107

Maximum
Process Time

Overall
32754
17398
4430,836
5156
5000
10356
12,1626
17,0107
7825,155
4122,788
0
0
7837,303
4122,977
12615,22

Server Analysis for SAPFIB


08/19/2007

Server Name

1
2
3
4
5
6

Server
Utilization

Operator1
Operator2
Operator3
Operator4
Operator5
Overall

Average
Process Time

99,98%
99,97%
99,95%
99,97%
99,96%
99,96%

12,3809
12,0764
11,9425
12,4464
11,9842
12,1626

300,6152
376,8223
228,5762
296,4551
314,4727
376,8223

Blocked
Percentage

# Customers
Processed

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

Data Collection: 0 to 25200 Seconds


CPU Seconds = 17,641

Queue Analysis for SAPFIB


07/10/2007

Queue
Name

Average Q.
Length (Lq)

Current Q.
Length

Buffer
4427,497
4995
Data Collection: 0 to 25200 Seconds
CPU Seconds = 17,641

Maximum
Q. Length
4995

Average
Waiting
(Wq)
7827,334

Std. Dev. of
Wq

Maximumof
Wq

4122,986

12465,55

154

2035
2086
2109
2024
2102
10356

Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata


Customer Analysis for SAPFIB
08/19/2007

Result

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Total Number of Arrival


Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 25200 Seconds
CPU Seconds = 7,283

Ulangan 1

Ulangan 2

Ulangan 3

Kedatangan

Kedatangan

Kedatangan

8557
5777
755,8208
807
807
1973
89,1147
43,201
7418,831
3362,571
0
0
7507,952
3363,759
10702,3

8563
5787
756,8305
807
807
1969
89,2727
42,616
7446,156
3399,669
0
0
7535,425
3401,414
10950,41

8576
5804
757,5074
807
807
1965
89,5577
44,4184
7514,397
3363,631
0
0
7603,95
3363,979
10622,01

Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :


Server Analysis for SAPFIB
08/19/2007

Server Name

1
2
3
4
5
6
7
8

Server
Utilization
99,80%
99,67%
99,82%
99,35%
99,82%
99,43%
99,83%
99,67%

Operator1
Operator2
Operator3
Operator4
Operator5
Operator6
Operator7
Overall

Average
Process Time
91,1201
81,545
94,2085
89,0995
89,8339
88,5382
90,4966
89,1148

Std. Dev.
Process Time
43,6099
31,334
49,1219
45,4505
47,0563
46,3299
36,7918
43,2009

Maximum
Process Time
310,8818
236,8535
392,1992
426,569
432,6816
437,8174
209,7129
437,8174

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
276
308
267
281
280
283
278
1973

Data Collection : 0 to 25200 Seconds


CPU Seconds = 7,283

Queue Analysis for SAPFIB


08/19/2007

Queue
Name
1

Average Q.
Length (Lq)

Current Q.
Length

Buffer
748,829
800
Data Collection : 0 to 25200 Seconds
CPU Seconds = 7,283

Maximum Q.
Length
800

Average
Waiting
(Wq)
7429,695

Std. Dev. of
Wq
3361,574

Maximum
of Wq
10521,08

155

Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata
Customer Analysis for SAPFIB
08/19/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Result
Total Number of Arrival
Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 25200 Seconds
CPU Seconds = 3,2

Ulangan 1
Kedatangan
3949
185
174,6569
255
250
3514
35,8167
20,7418
1156,372
610,0334
0
0
1192,188
610,4509
2162,838

Ulangan 2
Kedatangan
3947
282
207,9195
255
252
3413
36,8651
22,1549
1434,993
533,1451
0
0
1471,856
532,832
2092,631

Ulangan 3
Kedatangan
3882
91
158,5899
255
253
3538
35,5532
20,0481
1034,858
585,6431
0
0
1070,412
585,6006
1905,484

Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :


Server Analysis for SAPFIB
08/19/2007
1
2
3
4
5
6

Server Name

Server
Utilization

Operator1
Operator2
Operator3
Operator4
Operator5
Operator6

Average
Process Time

Std. Dev.
Process Time

36,3902
36,8837
35,1586
35,4087
35,3051
35,8167

22,78
22,1161
19,7473
19,4988
19,3814
20,7416

99,93%
99,97%
99,90%
99,90%
99,75%
99,89%

Maximum
Process Time
298,0098
211,8984
167,8564
163,3604
164,6602
298,0098

Blocked
Percentage

# Customers
Processed

0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

692
683
716
711
712
3514

Data Collection : 0 to 25200 Seconds


CPU Seconds = 3,2

Queue Analysis for SAPFIB


07/10/2007

Queue
Name

Buffer

Average Q.
Length (Lq)

Current Q.
Length

169,6601

245

Maximum
Q. Length

250

Average
Waiting
(Wq)
1157,14

Std. Dev. of
Wq

609,9396

Maximumof
Wq

2027,309

CPU Seconds = 3,327

156

Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata
Customer Analysis for SAPFIB
08/19/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Result
Total Number of Arrival
Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 25200 Seconds
CPU Seconds = 0,903

Ulangan 1
Kedatangan
1066
3
57,7885
105
104
959
130,6447
51,7198
1243,358
589,1537
0
0
1374,004
592,1654
2668,25

Ulangan 2
Kedatangan
1072
16
59,2795
105
104
952
131,5535
53,6314
1291,826
857,9369
0
0
1423,38
860,7341
2863,359

Ulangan 3
Kedatangan
1060
0
41,6127
93
93
967
129,2248
50,7826
842,725
566,732
0
0
971,95
573,6932
2420,309

Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :


Server Analysis for SAPFIB
08/19/2007
1
2
3
4
5
6

Server Name
Operator1
Operator2
Operator3
Operator4
Operator5
Operator6

Server
Utilization
99,22%
99,86%
99,76%
99,33%
99,00%
99,44%

Average
Process Time
133,7142
127,7398
130,931
129,6958
131,3102
130,6447

Std. Dev.
Process Time
51,0549
51,7636
51,4608
51,3879
52,7247
51,72

Maximum
Process Time
272,6387
264,0327
254,1133
258,082
283,0273
283,0273

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
187
197
192
193
190
959

Data Collection : 0 to 25200 Seconds


CPU Seconds = 0,903

Queue Analysis for SAPFIB


08/19/2007

Queue
Name

Average Q.
Length (Lq)

Current Q.
Length

52,8004
99
Buffer
Data Collection : 0 to 25200 Seconds
CPU Seconds = 0,903

Maximum
Q. Length

100

Average
Waiting
(Wq)

1249,751

Std. Dev. of
Wq

Maximumof
Wq

594,2574

2502,693

157

Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario


Perubahan Tingkat Kedatangan
Customer Analysis for SAPFIB
Ulangan 1
07/07/2007

Result
Total Number of
Arrival
Total Number of
Balking
Average Number in
the System (L)
Maximum Number
in the System
Current Number in
the System
Number Finished
Average Process
Time
Std. Dev. of Process
Time
Average Waiting
Time (Wq)
Std. Dev. of Waiting
Time
Average Transfer
Time
Std. Dev. of Transfer
Time
Average Flow Time
(W)
Std. Dev. of Flow
Time
Maximum Flow Time

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Ulangan 2

Ulangan 3

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

5686

797

6483

5685

807

6492

6004

788

6792

505,94

4,5558

510,5

426,92

4,7012

431,62

687,01

4,568

691,57

897

10

907

765

10

775

1223

13

1236

896
2303

3
794

899
3097

764
2320

6
801

770
3121

1214
2297

6
782

1220
3079

359,73

133,16

301,64

357,87

132,74

300,09

359,18

131,31

301,30

104,23

52,302

136,26

106,62

52,293

137,19

103,25

52,02

135,94

2546,3

11,296

1896,4

2199,3

14,494

1638,6

3362,6

15,179

2512,4

1510,8

22,724

1709,5

1409,2

24,347

1545,0

1798,0

28,179

2129,6

52,107

38,748

52,113

38,738

52,103

38,870

0,3428

22,753

0,3494

22,764

0,3403

22,681

2958,2

144,45

2236,8

2609,3

147,23

1977,4

3773,9

146,49

2852,6

1505,5
6464,6

57,082
372,87

1787,6
6464,6

1396,8
5919,5

57,731
351,13

1614,8
5919,5

1795,1
7238,6

59,002
345,58

2213,1
7238,6

Data Collection: 0 to 25200 Seconds


CPU Seconds = 33,218

Dengan contoh server analysis, queue analysis, dan garbage collector sebagai
berikut :
Server Analysis for SAPFIB
07/10/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Server
Name
A1
A2
A3
A4
A5
B1
B2
B3
CA1
CA2
CA3
CA4
CA5
CB1
CB2

Server
Utilization
99,83%
99,81%
99,86%
99,93%
99,79%
6,83%
6,96%
6,88%
73,47%
73,97%
74,00%
73,89%
76,07%
24,94%
24,28%

Average
Process Time
25,0572
25,076
25,7312
25,4873
25,9237
1,0544
1,0487
1,0575
38,977
37,5816
37,9775
39,616
37,6626
88,515
89,9807

Std. Dev.
Process Time
23,9244
24,2978
24,8549
24,4169
26,6339
0,2646
0,2669
0,2683
25,8716
21,8016
25,4176
27,1615
21,9605
40,4078
50,3956

Maximum
Process Time
200,7271
164,5977
190,2437
178,0547
164,6133
1,7227
1,7344
1,7246
211,9536
156,9121
198,9897
212,4316
180,4863
245,6289
339,1387

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
1004
1003
978
988
970
1632
1672
1639
475
496
491
470
509
71
68

158

07/10/2007
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

Server
Server
Average
Name
Utilization
Process Time
CB3
23,30%
102,9955
CB4
22,42%
88,2845
CB5
22,29%
86,4096
CB6
30,81%
97,0498
CB7
25,46%
91,638
D11
88,80%
149,178
D12
91,04%
150,9328
D13
91,43%
155,6766
D14
90,95%
147,8704
D15
89,80%
146,9499
D16
90,84%
154,6796
D17
90,67%
155,4363
D18
89,41%
147,2703
D21
90,92%
149,7445
D22
89,42%
147,2854
D23
88,87%
144,4903
D24
92,54%
154,4339
D25
87,56%
148,0914
D26
89,02%
152,6113
D27
90,19%
154,6099
D28
89,61%
143,8308
E1
48,11%
10,1275
E2
49,38%
10,1824
F1
86,20%
34,9798
F2
84,09%
35,8573
F3
84,47%
35,7763
F4
84,41%
35,0999
GA1
90,97%
101,4396
GA2
90,85%
95,7911
GA3
89,77%
90,4847
GA4
91,45%
92,1855
GA5
91,74%
94,7451
GA6
91,69%
97,0832
GB1
98,12%
57,7707
GB2
98,15%
57,7917
GC1
84,08%
136,705
GC2
83,57%
136,7561
GC3
84,27%
134,4105
GC4
82,77%
130,3657
GC5
84,85%
128,0329
Overall
74,63%
44,6828
Data Collection: 0 to 25200 Seconds
CPU Seconds = 33,218

Std. Dev.
Process Time
46,8212
29,4957
36,1934
53,604
42,8256
74,4688
66,1045
77,1641
65,4637
66,9009
80,0571
85,0696
74,3155
73,4916
82,5258
76,6771
76,9707
64,8814
72,1446
79,2953
75,0191
1,9329
1,888
13,7209
15,6473
14,6104
14,5628
51,9542
42,6768
41,7675
43,7442
52,3427
45,8503
3,051
3,1209
53,2185
52,7878
52,2356
51,8347
50,9183
57,7575

Maximum
Process Time
228,1074
178,2656
214,0999
338,6855
206,4683
439,9934
406,4336
500,1582
500,8545
369,5322
616,9385
423,4512
491,5918
577,6697
525,7869
439,2798
427,1206
367,9648
438,3516
481,7432
463,1953
25,0176
20,9648
101,3047
120,7095
125,6572
126,7778
285,6938
271,5859
261,0137
273,7715
524,8013
332,3213
67,7012
66,1484
255,4063
286,3828
258,3965
251,3499
253,4941
616,9385

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
57
64
65
80
70
150
152
148
155
154
148
147
153
153
153
155
151
149
147
147
157
1197
1222
621
591
595
606
226
239
250
250
244
238
428
428
155
154
158
160
167
23150

Queue Analysis for SAPFIB


07/10/2007
1
2
3
4
5
6
7
8
9
10
11
12

Queue
Average Q.
Current
Name
Length (Lq) Q. Length
BufferA
358,9954
738
BufferB
0
0
BufferCA
0,8128
0
BufferCB
0
0
BufferD1
4,0671
0
BufferD2
5,4841
6
BufferE
0,1417
0
BufferF
1,3059
2
BufferGA
13,254
3
BufferGB
80,0014
99
BufferGC
0,3559
0
Overall
464,4183
848
Data Collection: 0 to 25200 Seconds
CPU Seconds = 33,218

Maximum
Q. Length
744
1
13
1
18
28
5
11
49
100
5
744

Average
Waiting (Wq)
1586,867
0,0002
8,3737
0
84,3543
112,982
1,4759
13,6045
229,85
2188,342
11,2535
447,1012

Std. Dev.
of Wq
946,006
0,0068
14,827
0
88,958
121,938
3,1783
18,3082
208,624
985,4507
22,6918
865,861

Maximumof
Wq
3311,061
0,3735
104,4463
0
352,2139
495,4971
24,8389
96,2656
701,3125
2921,029
133,1523
3311,061

159

Garbage Collector Analysis for SAPFIB


07/10/2007

Garbage
Collector
1

# Customers
Collected

Average
Flow Time

NonFillet
2487
1627,885
Data Collection: 0 to 25200 Seconds
CPU Seconds = 33,218

Std. Dev.
Flow Time
946,9225

Maximum
Flow Time
3393,592

Average
Process
Time
26,4311

Std. Dev.
Process
Time
24,3873

160

Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario


Perubahan Tingkat Kedatangan
Customer Analysis for SAPFIB
07/07/2007

Result

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Total Number of Arrival


Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 75600 Seconds
CPU Seconds = 16,109

Ulangan 1

Ulangan 2

Ulangan 3

Kedatangan

Kedatangan

Kedatangan

9672
0
27,5856
80
38
9634
145,575
96,746
70,3169
93,1684
0
0
215,8913
134,4138
918,2598

10500
0
34,7563
107
11
10489
146,5685
98,3584
103,7679
119,9022
0
0
250,3368
153,7667
1173,403

10249
0
30,1563
96
26
10223
142,6089
95,4093
80,1195
108,1539
0
0
222,7283
144,5079
968,418

Dengan contoh server analysis dan queue analysis sebagai berikut :


Server Analysis for SAPFIB
07/10/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

Server Name

Server
Average
Utilization
Process Time
Operator11
80,21%
145,0673
Operator12
78,41%
144,573
Operator13
79,92%
147,7159
Operator14
78,72%
152,9875
Operator15
79,59%
144,2948
Operator16
80,76%
149,6474
Operator17
80,11%
149,9069
Operator18
81,27%
140,9105
Operator21
75,46%
144,0594
Operator22
76,52%
143,1921
Operator23
76,59%
152,3764
Operator24
76,89%
140,0718
Operator25
74,78%
142,0529
Operator26
75,39%
139,0058
Operator27
76,30%
144,2127
Operator28
76,98%
147,7117
Operator31
75,57%
148,0147
Operator32
77,10%
149,4464
Operator33
77,09%
147,543
Operator34
76,47%
152,5453
Operator35
74,90%
143,7262
Operator36
75,50%
149,0238
Operator37
74,02%
134,508
Operator38
76,56%
143,6304
Overall
77,30%
145,5745
Data Collection: 0 to 75600 Seconds
CPU Seconds = 16,109

Std. Dev.
Process Time
95,6935
90,157
95,0032
104,4024
99,0454
97,1676
101,368
94,1257
97,2176
97,856
104,5744
99,8663
92,5552
94,0633
89,4642
93,1943
92,6186
103,2516
97,0429
103,6651
95,4736
99,2238
93,3599
87,9123
96,7464

Maximum
Process Time
540,9609
578,0977
589,3188
784,6436
603,4673
631,6738
809,6025
644,375
706,4746
527,4727
610,2656
763,1582
491,418
543,2773
435,375
525,0654
639,1367
593,875
743,8301
720,1797
551,4531
491,4336
557,167
509,5508
809,6025

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
418
410
409
389
417
408
404
436
396
404
380
415
398
410
400
394
386
390
395
379
394
383
416
403
9634

161

Queue Analysis for SAPFIB


07/10/2007

Queue
Name

1
2
3
4

Average
Current Q.
Q. Length
Length
(Lq)
Buffer1
3,5668
9
Buffer2
2,9397
3
Buffer3
2,4999
2
Overall
9,0064
14
Data Collection: 0 to 75600 Seconds
CPU Seconds = 16,109

Maximum
Q. Length
28
31
21
31

Average
Waiting
(Wq)
81,5214
69,2973
59,9044
70,4054

Std. Dev.
of Wq
98,9353
96,891
81,1658
93,214

Maximumof
Wq
451,9844
520,3555
449,0938
520,3555

162

Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario


Perubahan Komposisi Operator
Customer Analysis for SAPFIB
Ulangan 1
07/07/2007

Result
Total Number of
Arrival
Total Number of
Balking
Average Number in
the System (L)
Maximum Number
in the System
Current Number in
the System
Number Finished
Average Process
Time
Std. Dev. of Process
Time
Average Waiting
Time (Wq)
Std. Dev. of Waiting
Time
Average Transfer
Time
Std. Dev. of Transfer
Time
Average Flow Time
(W)
Std. Dev. of Flow
Time
Maximum Flow Time

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Ulangan 2

Ulangan 3

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

Kedata
nganP

Kedatang
anAC

Overall

1973

1069

3042

1893

1067

2960

1816

1112

2928

17,34

5,6375

22,97

17,306

5,8864

23,193

16,555

6,4331

22,988

36

11

47

40

14

54

36

12

48

21

25

11

16

16

25

933

1065

1998

927

1062

1989

885

1103

1988

346,41

129,46

230,77

351,12

131,24

233,72

351,69

134,77

231,33

101,29

52,122

134

100,99

52,717

135,16

96,335

53,095

131,59

31,75

3,7624

16,835

34,746

8,1297

20,534

32,218

11,411

20,674

55,59

10,501

41,199

50,987

19,202

39,809

48,146

20,662

37,091

52,09

24,328

52,096

24,280

52,121

23,202

0,4039

25,993

0,4025

25,989

0,429

25,904

430,27

133,22

271,93

437,97

139,37

278,53

436,03

146,18

275,21

114,01

52,781

171,80

112,83

56,971

172,78

107,95

56,896

166,53

1013,2

297,67

1013,2

901,38

338,62

901,38

996,25

319,95

996,25

Data Collection: 0 to 25200 Seconds


CPU Seconds = 13,749

Dengan contoh server analysis, queue analysis, dan garbage collector sebagai
berikut :
Server Analysis for SAPFIB
07/10/2007
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Server
Name
A1
A2
A3
A4
B1
CA1
CA2
CA3
CB1
CB2
D11
D12
D13
D14
D15

Server
Utilization
46,71%
47,51%
49,56%
49,79%
8,31%
46,07%
49,79%
47,80%
30,61%
29,41%
54,30%
55,31%
50,11%
57,68%
53,42%

Average
Process Time
25,4769
23,6128
24,6798
25,2967
1,0627
38,6999
38,9628
36,8373
82,9454
88,2294
141,0697
140,7917
143,5021
156,281
141,7141

Std. Dev.
Process Time
26,1245
21,3881
25,2425
25,1568
0,2588
25,6098
25,5491
24,665
28,964
34,8818
73,737
68,0297
70,3
84,0942
70,974

Maximum
Process Time
222,5234
133,469
175,4063
170,668
1,7284
269,3633
189,7773
180,9358
164,3848
209,9287
498,8555
458,7461
458,5084
494,0762
391,2051

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
462
507
506
496
1970
300
322
327
93
84
97
99
88
93
95

163

07/10/2007
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41

Server
Server
Average
Name
Utilization
Process Time
D21
51,46%
139,4464
D22
56,08%
139,9151
D23
55,90%
148,2937
D24
49,00%
132,7873
D25
51,73%
149,8411
E1
37,82%
10,1279
F1
32,40%
35,3419
F2
32,56%
35,5193
F3
33,04%
34,9783
F4
33,44%
35,1086
GA1
30,87%
93,7175
GA2
28,96%
102,795
GA3
31,32%
98,6473
GA4
27,53%
91,2672
GA5
31,40%
96,4836
GA6
31,04%
89,8994
GB1
54,12%
58,0387
GB2
50,57%
58,186
GC1
76,62%
136,9412
GC2
81,20%
125,5344
GC3
76,66%
123,0492
GC4
76,07%
125,2871
GC5
79,85%
133,2598
GC6
79,38%
134,2512
GC7
77,34%
129,0717
Overall
48,57%
49,5157
Data Collection: 0 to 25200 Seconds
CPU Seconds = 13,749

Std. Dev.
Process Time
73,9568
68,9726
85,3419
61,1686
73,451
1,9001
13,719
14,9586
14,4693
13,8064
55,4175
48,4952
55,554
45,7431
46,7468
37,937
2,9434
3,3255
54,8434
53,325
49,313
48,4266
55,7332
53,2501
48,0354
59,7091

Maximum
Process Time
409,1689
452,4414
497,7695
382,6553
374,7715
20,0254
124,8545
109,5684
107,9023
94,4219
322,858
276,0321
326,7578
264,0898
252,1536
193
67,2168
66,3253
283,4258
297,6699
247,0957
266,334
278,3451
296,3711
243,1545
498,8555

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

# Customers
Processed
93
101
95
93
87
941
231
231
238
240
83
71
80
76
82
87
235
219
141
163
157
153
151
149
151
9887

Queue Analysis for SAPFIB


07/10/2007

Queue
Name

1
2
3
4
5
6
7
8
9
10
11
12

Average
Current
Q. Length
Q. Length
(Lq)
BufferA
0,365
0
BufferB
0,0038
0
BufferCA
0,2099
0
BufferCB
0,0318
0
BufferD1
0,1013
0
BufferD2
0,3908
0
BufferE
0,1078
0
BufferF
0,0072
0
BufferGA
0,0063
0
BufferGB
0,1601
1
BufferGC
0,159
0
Overall
1,543
1
Data Collection: 0 to 25200 Seconds
CPU Seconds = 13,749

Maximum
Q. Length
11
2
7
2
5
13
4
3
3
4
4
13

Average
Waiting
(Wq)
4,6614
0,0483
5,5729
4,5247
5,376
20,7783
2,8863
0,1939
0,3298
8,8477
3,7492
3,9242

Std. Dev.
of Wq

Maximumof
Wq

11,2655
0,1998
13,853
13,615
15,8551
61,3121
5,0655
1,909
2,6541
17,1211
10,4836
16,9569

75,0789
2,0947
109,5723
99,5078
89,5444
357,1914
30
33,001
30,3425
106,9482
72,7926
357,1914

Garbage Collector Analysis for SAPFIB


07/10/2007
1

Garbage
# Customers
Average
Collector
Collected
Flow Time
NonFillet
1019
30,0781
Data Collection: 0 to 25200 Seconds
CPU Seconds = 13,749

Std. Dev.
Flow Time
25,471

Maximum
Flow Time
171,4395

Average
Process Time
25,4452

Std. Dev.
Process Time
22,9425

164

Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario


Perubahan Komposisi Operator
Customer Analysis for SAPFIB
07/07/2007

Result

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Ulangan 1

Ulangan 2

Ulangan 3

Kedatangan

Kedatangan

Kedatangan

1644
0
3,361
23
7
1637
145,9099
97,6673
8,836
29,8451
0
0
154,7457
102,9206
729,9688

1706
0
3,5894
39
1
1705
144,0245
95,6743
15,1295
53,1869
0
0
159,1541
109,2152
803,7949

1664
0
3,2977
18
5
1659
142,3193
93,0638
7,7888
28,273
0
0
150,108
97,412
608,666

Total Number of Arrival


Total Number of Balking
Average Number in the System (L)
Maximum Number in the System
Current Number in the System
Number Finished
Average Process Time
Std. Dev. of Process Time
Average Waiting Time (Wq)
Std. Dev. of Waiting Time
Average Transfer Time
Std. Dev. of Transfer Time
Average Flow Time (W)
Std. Dev. of Flow Time
Maximum Flow Time
Data Collection: 0 to 75600 Seconds
CPU Seconds = 16,109

Dengan contoh server analysis dan queue analysis sebagai berikut :


Server Analysis for SAPFIB
07/10/2007
1
2
3
4
5
6
7
8
9
10
11
12
13

Server Name

Server
Average
Utilization
Process Time
Operator11
25,01%
146,5475
Operator12
25,03%
143,332
Operator13
26,45%
150,3674
Operator14
26,66%
143,9611
Operator21
26,43%
147,9962
Operator22
25,40%
147,7049
Operator23
25,85%
148,0497
Operator24
25,87%
137,751
Operator31
28,02%
144,0867
Operator32
26,66%
153,8634
Operator33
26,21%
154,8067
Operator34
28,36%
135,697
Overall
26,33%
145,9099
Data Collection: 0 to 75600 Seconds
CPU Seconds = 2,517

Std. Dev.
Process Time
102,7939
96,0451
100,5854
93,6235
101,8333
101,9582
104,7033
96,0324
86,1434
102,3631
96,6392
88,7396
97,6673

Maximum
Process Time
567,0898
573,5234
470,9727
526,8008
552,3535
729,9688
719,0625
532,2148
393,2289
619,6484
553,2539
502,749
729,9688

Blocked
Percentage
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%
0,00%

Queue Analysis for SAPFIB

# Customers
Processed
129
132
133
140
135
130
132
142
147
131
128
158
1637

07/10/2007

1
2
3
4

Queue
Name

Average
Current Q.
Q. Length
Length
(Lq)
Buffer1
0,0669
0
Buffer2
0,0565
0
Buffer3
0,0683
2
Overall
0,1917
2
DataCollection : 0 to 75600 Seconds
CPU Seconds = 3,327

Maximum
Q. Length
5
6
4
6

Average
Waiting
(Wq)
9,4489
7,9224
9,05
8,8098

Std. Dev.
of Wq
33,2072
27,9159
28,0788
29,8034

Maximumof
Wq
230,1787
209,7578
187,791
230,1787

165

Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood

166

Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model


Alternatif Skenario Perubahan Tingkat Kedatangan

Waktu tunggu maksimum pada


simulasi model antrian sistem nyata

Waktu tunggu maksimum pada


simulasi model antrian sistem alternatif

Ulangan 1
(detik)

Ulangan 2
(detik)

Ulangan 3
(detik)

BufferA

63,3506

27,0757

54,6863

BufferB

0,1699

BufferC

15,0469

18,9064

28,6094

BufferC1

BufferD1

13,2793

BufferD2

BufferE

10,0234

BufferF

Ulangan 1
(detik)

Ulangan 2
(detik)

Ulangan 3
(detik)

BufferA

3311,061

2608,949

4174,348

BufferB

0,3735

0,6074

BufferCA

104,4463

103,8477

101,9785

BufferCB

11,1748

73,416

76,1465

BufferD1

352,2139

281,1699

626,2754

74,1699

118,699

BufferD2

495,4971

874,2646

469,8398

12,457

14,1826

BufferE

24,8389

17,9941

34,126

15,3086

40,5566

30,2715

BufferF

96,2656

85,9434

66,6582

BufferGA

102,1367

93,2593

189,8848

BufferGA

701,3125

439,6094

1476,815

BufferGB

50,2949

36,1172

21,7998

BufferGB

2921,029

2928,492

2928,308

BufferGD

2681,688

2618,102

2701,943

BufferGC

133,1523

154,6426

186,0771

2951,2983

2994,0601
3060,5271

3236,2229

8140,19

7495,5201

10075,601

Stasiun

Total
Rata-rata

Stasiun

Total
Rata-rata

Jumlah bahan maksimum yang


mengantri pada simulasi model
antrian sistem nyata

8570,437

Jumlah bahan maksimum yang


mengantri pada simulasi model
antrian sistem alternatif

Stasiun

Ulangan 1
(Kg)

Ulangan 2
(Kg)

Ulangan 3
(Kg)

Stasiun

Ulangan 1
(Kg)

Ulangan 2
(Kg)

Ulangan 3
(Kg)

BufferA

11

BufferA

744

576

949

BufferB

BufferB

BufferC

BufferCA

13

13

16

BufferC1

BufferCB

BufferD1

BufferD1

18

15

34

BufferD2

BufferD2

28

39

24

BufferE

BufferE

BufferF

BufferF

11

10

BufferGA

BufferGA

49

30

100

BufferGB

BufferGB

100

100

100

BufferGD

100

100

100

BufferGC

Total

130

139

Total

975

793

1250

Rata-rata

128
132,3333333

Rata-rata

1006

167

Biaya Tambahan Penggunaan Es


(Rp) = {Total maksimum bahan yang
mengantri pada setiap stasiun kerja
(Kg) x Total maksimum waktu
menunggu bahan (detik) x harga es
(Rp/Kg)} : 3600 detik

Biaya Tambahan Penggunaan Es


(Rp) = {Total maksimum bahan yang
mengantri pada setiap stasiun kerja
(Kg) x Total maksimum waktu
menunggu bahan (detik) x harga es
(Rp/Kg)} : 3600 detik

Perhitungan biaya penggunaan es


pada model antrian sistem nyata

Perhitungan biaya penggunaan es


pada model antrian sistem alternatif

Biaya Tambahan Penggunaan Es

Biaya Tambahan Penggunaan Es

= { 132,33 Kg x 3060,5271 detik x

= { 1006 Kg x 8570,437 detik x

Rp. 90/ Kg } : 3600 detik

Rp. 90/ Kg } : 3600 detik

= Rp. 10.125 (per hari)

= Rp. 215.456 (per hari)

Biaya Tambahan Penggunaan Es per

Biaya Tambahan Penggunaan Es per

bulan = Rp. 10.125 x 30 hari

bulan = Rp. 215.456 x 30 hari

= Rp.303.749,66 (per bulan)

= Rp.6.466.394,72 (per bulan)

168

Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model


Alternatif Skenario Perubahan Komposisi Operator
Waktu tunggu maksimum pada
simulasi model antrian sistem nyata
Stasiun
BufferA

Waktu tunggu maksimum pada


simulasi model antrian sistem alternatif

Ulangan 1
(detik)

Ulangan 2
(detik)

Ulangan 3
(detik)

63,3506

27,0757

54,6863

BufferA
BufferB

Stasiun

Ulangan 1
(detik)

Ulangan 2
(detik)

Ulangan 3
(detik)

3311,061

2608,949

4174,348

BufferB

0,1699

0,3735

0,6074

BufferC

15,0469

18,9064

28,6094

BufferCA

104,4463

103,8477

101,9785

BufferC1

BufferCB

11,1748

BufferD1

13,2793

73,416

76,1465

BufferD1

352,2139

281,1699

626,2754

BufferD2

74,1699

118,699

BufferD2

495,4971

874,2646

469,8398

BufferE

10,0234

12,457

14,1826

BufferE

24,8389

17,9941

34,126

BufferF

15,3086

40,5566

30,2715

BufferF

96,2656

85,9434

66,6582

102,1367

93,2593

189,8848

BufferGA

701,3125

439,6094

1476,815

BufferGA
BufferGB

50,2949

36,1172

21,7998

BufferGB

2921,029

2928,492

2928,308

BufferGD

2681,688

2618,102

2701,943

BufferGC

133,1523

154,6426

186,0771

2951,2983

2994,0601
3060,5271

3236,2229

8140,19

7495,5201

10075,601

Total
Rata-rata

Total
Rata-rata

Jumlah bahan maksimum yang


mengantri pada simulasi model
antrian sistem nyata

8570,437

Jumlah bahan maksimum yang


mengantri pada simulasi model
antrian sistem alternatif

Stasiun

Ulangan 1
(Kg)

Ulangan 2
(Kg)

Ulangan 3
(Kg)

Stasiun

Ulangan 1
(Kg)

Ulangan 2
(Kg)

Ulangan 3
(Kg)

BufferA

11

BufferA

744

576

949

BufferB

BufferB

BufferC

BufferCA

13

13

16

BufferC1

BufferCB

BufferD1

BufferD1

18

15

34

BufferD2

BufferD2

28

39

24

BufferE

BufferE

BufferF

BufferF

11

10

BufferGA

BufferGA

49

30

100

BufferGB

BufferGB

100

100

100

BufferGD

100

100

100

BufferGC

Total

130

139

Total

793

1250

Rata-rata

128
132,3333333

Rata-rata

975

1006

169

Biaya Tambahan Penggunaan Es


(Rp) = {Total maksimum bahan yang
mengantri pada setiap stasiun kerja
(Kg) x Total maksimum waktu
menunggu bahan (detik) x harga es
(Rp/Kg)} : 3600 detik

Biaya Tambahan Penggunaan Es


(Rp) = {Total maksimum bahan yang
mengantri pada setiap stasiun kerja
(Kg) x Total maksimum waktu
menunggu bahan (detik) x harga es
(Rp/Kg)} : 3600 detik

Perhitungan biaya penggunaan es


pada model antrian sistem nyata

Perhitungan biaya penggunaan es


pada model antrian sistem alternatif

Biaya Tambahan Penggunaan Es

Biaya Tambahan Penggunaan Es

= { 132,33 Kg x 3060,5271 detik x

= { 1006 Kg x 8570,437 detik x

Rp. 90/ Kg } : 3600 detik

Rp. 90/ Kg } : 3600 detik

= Rp. 10.125 (per hari)

= Rp. 215.456 (per hari)

Biaya Tambahan Penggunaan Es per

Biaya Tambahan Penggunaan Es per

bulan = Rp. 10.125 x 30 hari

bulan = Rp. 215.456 x 30 hari

= Rp.303.749,66 (per bulan)

= Rp.6.466.394,72 (per bulan)

170