LAPORAN TUGAS BESAR PEMODELAN DAN SIMULASI SISTEM

IKM OEMAH BAKERY

Kelompok 13 - Kelas B
Irfan Aufa

12/330190/TK/39375

Fitria Kurniasany

12/333744/TK/40087

Shabrina Austin Ghaisani 12/333866/TK/40208

Meiliana Siregar

12/329891/TK/39113

PROGRAM STUDI TEKNIK INDUSTRI

JURUSAN TEKNIK MESIN DAN INDUSTRI
FAKULTAS TEKNIK UNIVERSITAS GADJAH MADA
YOGYAKARTA
2015

DAFTAR ISI

HALAMAN JUDUL

DAFTAR ISI

ii

BAB I PENDAHULUAN
1.1 Latar Belakang

1.2 Tujuan

1.3 Asumsi dan Batasan

BAB II PROFIL PERUSAHAAN

2.1 Deskrpsi Singkat IKM

2.2 Alur Sistem

2.3 Pengambilan Data

BAB III DESAIN SIMULASI

3.1 Data yang Dibutuhkan dan Pengolahan Data

10

BAB IV HASIL DAN PEMBAHASAN

4.1 Validasi

28

4.2 Pembahasan Simulasi Sistem Nyata

35

4.3 Pembahasan Simulasi Setelah di Optimasi

38

4.4 Perbandingan Hasil Sebelum dan Setelah Optimasi

42

4.5 Analisa Profit

42

Bab V PENUTUP
5.1 Kesimpulan

45

5.2 Saran

45

Daftar Pustaka

46

BAB I
PENDAHULUAN

1.1.

Latar Belakang
Industri kecil menengah (IKM) merupakan salah satu pendorong
kemajuan perekonomian di Indonesia. Pertumbuhan IKM di Indonesia sangat
pesat dimana pada tahun 2011 terdapat 56,52 juta unit dan hingga awal tahun
2015 ini sudah tercatat 10,04 juta unit IKM. Perkembangan jumlah IKM ini
memberikan banyak dampak positif kepada Indonesia, salah satunya adalah
meningkatnya jumlah lapangan kerja.
Namun, banyak juga IKM yang mengalami masalah hingga tidak dapat
berkembang dan berakhir dengan penutupan usahanya tersebut. Hal ini terjadi
karena keterbatasan modal, keterbatasan tenaga kerja, biaya produksi yang
tinggi, dan kalah bersaing dengan produk-produk impor. Agar IKM tetap
dapat bertahan setiap IKM harus dapat meminimalkan biaya produksi namun
tetap mempertahankan kualitas dari produknya. Selain itu, IKM juga harus
mengoptimalkan penjualan produk-produk yang telah diproduksinya.
Untuk melakukan minimasi biaya produksi dan optimasi dari
penjualan IKM dapat dilakukan dengan simulasi dari sistem nyata yang ada
pada IKM. Simulasi akan menggambarkan sistem nyata yang ada dengan
menggunakan software seperti Flexsim ataupun Promodel. Pada software
tersebut dapat dibuat beberapa skenario untuk melakukan uji coba pada
bagian manakah harus dilakukan perbaikan ataupun peningkatan untuk
mencapai hasil yang paling optimal dari sistem nyata. Dengan mendapatkan
hasil teroptimal dari sistem, tentu saja IKM akan mendapatkan profit yang
tinggi sehingga dapat bertahan di pasaran bahkan dapat mengembangkan
usahanya menjadi usaha yang lebih besar. Maka dari itu, penelitian ini kami
lakukan sebagai usaha untuk membantu IKM Oemah Bakery agar dapat tetap
bertahan di pasaran.

1.2.

Tujuan
1

1. Mensimulasikan sistem produksi IKM Oemah Bakery.

2. Melakukan optimasi terhadap hasil yang diperoleh dari simulasi sistem.
1.3.
Asumsi dan Batasan
1.3.1. Asumsi :
1. Arrival 1 unit bahan baku sama dengan 300 gr yang dapat
menghasilkan 100 keping kue kering(baik produk reject maupun
jadi)
2. Entitas chocochips sudah tersedia di stasiun chocochip.
3. Entitas loyang sudah tersedia di stasiun pengolesan loyang.
4. Set up time mesin tidak dimasukkan dalam model.
5. Harga penjualan kue kering dijadikan per keping.
1.3.2. Batasan :
1. Aktivitas yang dimasukkan ke model adalah proses pembuatan kue
kering chocochips.
2. Aktivitas yang diperhitungkan pada model hanya yang terjadi dalam
satu hari dan tidak berkelanjutan.

BAB II
IKM KUE KERING OEMAH BAKERY

2.1. Deskripsi Singkat IKM

Oemah Bakery merupakan sebuah industri kecil menengah (IKM) di
bidang kue kering yang berlokasi di Karangnangko Maguwoharjo RT 9 RW
67 No. 147, Depok, Sleman, Yogyakarta. IKM ini berdiri pada tahun 2012
dengan pemilik ibu Retno Tree Apri Lestari Wiji Resmi Astuti. IKM ini
menjual berbagai macam kue kering seperti nastar, roti kering kelapa, kue
semprit, kastengles, peanut cookies, chocolate chips dan lain lain. Jumlah
produksi per hari yang dihasilkan adalah sebanyak 300 gram kue kering. Bu
Retno sudah mendaftarkan IKM Oemah Bakery ini pada Dinas Kesehatan
(DINKES) sejak tahun 2012. Adapun izin yang di berikan DINKES adalah
berupa nomer izin usaha yaitu DINKES P-IRT 2063404011348-19.
Pada awal mula usahanya, ibu Retno melakukan proses produksi kue
kering hanya disaat hari raya idul fitri akan datang. Namun seiring berjalannya
waktu, pada 1 tahun belakangan ini, bu Retno mulai melakukan proses
produksi kue kering setiap harinya. Proses produksi dilakukan setiap hari
untuk memenuhi pesanan dari para konsumen seperti tetangga dan untuk
memasok kue kering di toko oleh-oleh yang terdapat di Jogja City Mall
(JCM).
2.2. Alur Sistem
Aktivitas proses produksi Oemah Bakery ditunjukkan dalam Activity
Circle Diagaram (ACD). ACD digunakan juga sebagai verifikasi model.
Model dikatan terverifikasi apabila telah sesuai dengan aktivitas yang
digambarkan oleh ACD. Berikut ini adalah daftar entitas dan aktivitas pada
model.

Tabel 2.1 Daftar entitas dan aktivitas pada sistem

Nama Entitas

Aktivitas

Simbol

Bahan baku datang di gudang bahan

baku
Mengalami proses pengukuran pada
stasiun pengukuran
Mengalami proses mixing manual pada

Pengukuran Bahan
Baku

stasiun mixing manual

Mengalami proses pencampuran pada

Mixing Manual

stasiun pencampuran adonan jadi

Mengalami proses pencetakan kue pada
stasiun pencetakan kue
Bahan Baku 1

Gudang Bahan
Baku

Mengalami proses adding chochochip

Pencampuran
Adonan Jadi
Pencetakan kue

Adding
Chocochip

Mengalami proses pemanggangan kue

Pemanggangan
kue

Menuju ke gudang reject

Gudang Reject

Menuju lokasi packaging

Packaging

Bahan Baku datang pada gudang bahan

baku
Mengalami proses pengukuran pada
stasiun pengukuran
Mengalami proses pencampuran pada

Gudang Bahan
Baku

Pengukuran
Bahan Baku

stasiun pencampuran adonan jadi

Mengalami proses pencetakan kue pada

Mixing Otomatis

stasiun pencetakan kue

Pencetakan kue

Mengalami proses adding chochochip

Adding
Chocochip

Mengalami proses pemanggangan kue

Pemanggangan
kue

Menuju ke gudang reject

Menuju lokasi packaging

Gudang Reject

Packaging

Chocochip datang pada gudang bahan

baku

Gudang
Bahan Baku

Mengalami proses pengukuran pada

stasiun pengukuran
Mengalami proses penambahan pada
adonan jadi
Chocochip
Mengalami proses pemanggangan kue

Menuju ke gudang reject

Menuju lokasi packaging

Operator

Mengambil bahan baku datang pada

gudang bahan baku

Pengukuran
Bahan Baku
Adding
Chocochip
Pemanggangan
kue

Gudang Reject

Packaging

Gudang Bahan
Baku

Melakukan proses pengukuran pada

stasiun pengukuran

Pengukuran Bahan
Baku

Mengambil loyang pada gudang loyang

Gudang Loyang

Mengolesi loyang pada stasiun

pengolesan

Pengolesan
Loyang

Melakukan proses mixing manual pada

stasiun mixing manual

Mixing Manual

Melakukan proses mixing otomatis pada

stasiun mixing otomatis
Mixing Otomatis

Melakukan proses pencampuran pada

stasiun pencampuran adonan jadi

Pencampuran
Adonan Jadi

Melakukan proses pencetakan kue pada

stasiun pencetakan kue

Pencetakan kue

Melakukan proses pemasanan oven

Pemanasan Oven

Melakukan proses adding chochochip

Adding
Chocochip

Melakukan proses pemanggangan kue

Pemanggangan
kue

Menuju ke gudang reject

Gudang Reject

Menuju lokasi packaging

Packaging

Gambar 2.1 Activity circle diagram

8

Selain metode ACD, digunakan juga metode visual inspection.

Metode ini akan mengecek secara visual dari layout yang telah dibuat
menggunakan orang yang tidak terlibat dalam pembuatan model. Orang
tersebut kemudian akan memberikan jawaban apakah hasil layout yang
telah dibuat sama dengan flowchart yang ada. Visual inspection telah
dilakukan oleh 5 orang berbeda dan menyatakan bahwa flowchart dan
alur sistem model sudah berjalan dengan benar dan sesuai. Sehingga dapat
dikatakan model ini sudah merepresentasikan proses pembuatan kue
kering pada Oemah Bakery.

2.3. Pengambilan Data

Pengambilan Data dilakukan pada hari Minggu, 26 April 2015 yang
dilakuan dari pukul 10.00 sampai dengan pukul 17.00 dengan izin pemilik
Oemah Bakery.

BAB III
DESAIN SIMULASI

3.1. Data yang Dibutuhkan dan Pengolahan Data

Berikut adalah hasil dari pengambilan data yang dibutuhkan pada masingmasing lokasi berdasarkan proses pembuatan roti kering pada IKM Oemah
Bakery. Data waktu yang diambil dalam satuan detik.
3.1.1. Gudang Bahan Baku
Kedatangan pada gudang bahan baku hanya sekali dalam sehari,
yaitu pada pukul 7.00 untuk semua material yang dibutuhkan dalam
proses produksi.
3.1.2. Stasiun Pengukuran Bahan Baku
Waktu rata-rata yang dilakukan untuk melakukan proses penakaran
untuk setiap bahan baku adalah 15 detik. Proses ini hanya dilakukan
beberapa kali pada satu proses pembuatan kue sehingga untuk
menentukan waktu prosesnya, tidak menggunakan perhitungan distribusi
melainkan menanyakan pada ahli.
3.1.3. Stasiun Mixing Manual
Pada lokasi ini, waktu yang diukur adalah waktu lamanya
pencampuran bahan baku yang dicampur secara manual seperti tepung
terigu, maizena, coklat bubuk dan baking powder. Proses pencampuran
ini menghasilkan adonan 1. Waktu rata-rata yang diperlukan untuk
adonan 1 adalah 120 detik. Proses ini hanya dilakukan sekali pada satu
proses pembuatan kue sehingga untuk menentukan waktu prosesnya,
tidak menggunakan perhitungan distribusi melainkan menanyakan pada
ahli.
3.1.4 Stasiun Mixing Otomatis
Pada lokasi ini, waktu yang diukur adalah waktu lamanya
pencampuran adonan 1 dengan gula halus, margarine, garam, dan kuning
telur menggunakan mesin mixer yang menghasilkan adonan 2. Waktu
rata-rata yang diperlukan untuk menghasilkan adonan 1 menggunakan
mixer adalah 100 detik. Proses ini hanya dilakukan sekali pada satu
proses pembuatan kue sehingga untuk menentukan waktu prosesnya,
10

tidak menggunakan perhitungan distribusi melainkan menanyakan pada

ahli.
3.1.5. Stasiun Mixing Bahan Jadi
Pada lokasi ini, waktu yang diukur adalah waktu lamanya
pencampuran adonan 1 dan adonan 2. Pencampuran adonan dilakukan
secara manual. Waktu rata-rata yang diperlukan untuk mencampur
adonan ini adalah selama 300 detik. Pada lokasi ini, adonan yang siap
dibentuk didiamkan selama 15 menit. Sama seperti proses sebelumnya,
proses yang ini hanya sekali dalam rangkaian proses pembuatan kue
kering sehingga waktu prosesnya ditanyakan kepada ahli, tidak
menggunakan distribusi.
3.1.6. Stasiun Pengolesan
Pada lokasi ini, waktu yang diukur adalah pengolesan margarine
pada loyang yang akan digunakan untuk memanggang adonan. Rata-rata
waktu yang diperlukan untuk mengoles loyang dengan margarine adalah
15 detik. Proses ini hanya dilakukan pada beberapa loyang saja sehingga
untuk menentukan waktu prosesnya, tidak menggunakan perhitungan
distribusi melainkan menanyakan pada ahli.
3.1.7. Stasiun Cetakan
Pada lokasi ini, waktu yang diambil adalah waktu pencetakan
adonan sesuai dengan bentuk yang dikehendaki. Adonan yang sudah jadi,
akan diubah menjadi beberapa kue kering dan langsung diletakkan pada
loyang yang telah dioles margarine. Waktu yang dicatat adalah
pembentukan dari adonan ke bentuk yang dikehendaki sampai diletakkan
ke loyang. Berikut ini ialah data interarrival time yang didapatkan dari
proses pencetakan kue chocochips.
Tabel 3.1 Data Pencetakan Kue (s)
No
.
1
2
3
4

No
Data
No.
39.12 16
40.34 17
34.1 18
44.32 19

Data
32.14
47.65
30.65
49.01

.
31
32
33
34

Data
No.
36.15 46
50.01 47
43.45 48
42.76 49

Data
47.19
41.23
35.45
54.34

11

5
6
7
8
9
10
11
12
13

44.43
26.78
32.65
34.12
30.14
29.78
27.69
30.69
38.66

20
21
22
23
24
25
26
27
28

49.13
35.66
47.56
44.78
48.63
31.45
48.53
45.16
37.45

No
.
14
15

35
36
37
38
39
40
41
42
43

65.45
56.55
45.76
44.13
55.01
58.12
57.13
51.04
50.17

50
51
52
53
54
55
56
57
58

33.34
44.12
59.1
66.23
59.2
36
41.22
49.12
52.11

Data
No.
42.34 59
54.34 60

Data
54.08
36.64

No
Data
No.
42.34 29
45.61 30

Data
31.67
32.76

.
44
45

Tabel 3.1 Data Pencetakan Kue (s)

No.
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75

Data
42.45
46.34
22.76
41.45
42.71
22.71
37.74
38.69
28.7
29.61
39.71
32.12
41.1
43.32
43.55

No.
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90

Data
22.45
34.61
26
45.12
34.7
32.81
44.81
21.6
46.2
34.69
32.5
29.72
45.72
40.69
33.51

No.
91
92
93
94
95
96
97
98
99
100

Data
30.1
34.74
34.54
41.34
42.41
39.17
42.09
27.6
22.38
32.1

1).Uji Keseragaman Data

Didapatkan data :
Standar deviasi ()

= 9.662956

UCL (CL + 3)

= 69.37977

CL atau average

= 40.3909
12

LCL (CL - 3)

= 11.40203

80
70
60
50
40
30

DATA

20
10
0

Gambar 3.1 Control Chart Uji Keseragaman Data Stasiun Cetakan

2). Uji Kecukupan Data
Perhitungan dilakukan sebagai berikut
A

Xi 2

=
172386.4
Xi

=1631424
8
= Xi
= 4039.09

40 100 x AB
N=
C
'

= 90.65
= 91 (dibulatkan ke atas)
3). Distribusi Data
Dalam menetukan jenis distribusi data, terdapat berbagai macam
software yang dapat digunakan. Pada kesempatan ini software yang
akan digunakan untuk menentukan jenis distribusi data yaitu

13

Promodel 4.2. Langkah awal dalam menentukan jenis distribusi data

ialah memasukkan data ke dalam Stat::fit dalam promodel. Berikut
ialah data setelah dimasukkan ke dalam promodel.

Gambar 3.2 Input data stasiun cetakan

Kemudian untuk memutuskan bentuk distribusi dari data yang
telah dimasukkan, dapat digunakan perintah Auto Fit dengan
mengklik menu Fit > Auto Fit, sehingga menghasilkan gambar
berikut :

Gambar 3.3 Hasil Distribution Fit Data Stasiun Cetakan

14

Berdasarkan gambar diatas, maka dapat dikatakan jenis distribusi

yang sesuai berdasarkan ranking yaitu Weibull, Beta, dan Triangular.
Namun hal tersebut belum benar-benar pasti sebelum dilakukan uji
untuk menentukan apakah jenis distribusi yang terpilih benar benar
tepat mewakili sampel data. Oleh karena itu untuk menentukan jenis
distribusi yang benar-benar tepat mewakili sampel yang ada maka
dilakukan Goodness of Fit Test dengan memilih menu Fit >
Goodness of Fit sehingga muncul gambar berikut :

Gambar 3.4 Hasil Goodness of Fit data stasiun cetakan

15

Berdasarkan hasil uji Goodness of Fit yang menghasilkan DO

NOT REJECT yaitu distribusi Weibull dan Triangular. Sedangkan
distribusi Beta menghasilkan REJECT pada Anderson Darling Test.
Namun karena berdasarkan ranking Auto Fit distribusi Weibull yang
tertinggi nilainya maka dapat dikatakan jenis distribusi yang benarbenar tepat mewakili data Interarrival Time proses pencetakan kue
yaitu distribusi Weibull.
3.1.8. Stasiun Adding Chocochips
Pada lokasi ini, waktu yang diambil adalah waktu peletakan
chocochips ke adonan yang sudah tertata rapi di loyang. Berikut ini
adalah data yang diperoleh dari proses adding chocochips pada saat
proses pembuatan kue.
Tabel 3.2 Data Stasiun Adding Chocochips (s)
No
.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

No
Data No.
2.46 16
2.24 17
3.2 18
3.31 19
4.18 20
3.01 21
3.12 22
4.98 23
3.09 24
4.43 25
3.2 26
3.53 27
3.08 28
4.72 29
2.12 30

Data
3.32
4.1
4.23
2.23
3.76
4.12
3.65
4.01
3.21
4.44
3.1
4.04
4.56
4.12
3.65

.
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45

No
Data
5.12
4.22
3.32
3.12
3.05
4.34
2.65
3.76
4.05
3.65
4.23
4.96
4.12
4.23
4.08

.
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

Data
3.42
3.35
4.03
3.22
3.32
4.03
3.43
4.13
4.01
4.07
4.34
3.67
2.76
3.34
4.05

Tabel 3.2 Data Stasiun Adding Chocochips (s)

No.
61

Data
4.28

No.
76

Data
2.73

No.
91

Data
3.29

16

62
63
64
65
66
67
68
69
70
71
72
73
74
75

2.56
2.67
3.65
4.03
3.76
2.84
3.43
4.19
2.65
2.89
2.59
2.78
2.56
3.33

77
78
79
80
81
82
83
84
85
86
87
88
89
90

2.96
3.54
3.62
4.03
3.87
4.02
3.76
4.1
3.77
2.81
2.71
2.65
3.17
3.42

92
93
94
95
96
97
98
99
100

3.51
3.79
3.91
2.83
4.11
3.19
3.22
3.41
4.19

1).Uji Keseragaman
Didapatkan data :
Standar deviasi ()

= 0.647927

UCL (CL + 3)

= 5.50478

CL atau average

= 3.561

LCL (CL - 3)

= 1.61722

6
5
4
3
2

data

1
0

Gambar 3.5 Control Chart Uji Keseragaman Data Stasiun Adding Chocochips
2). Uji Kecukupan Data
Perhitungan dilakukan sebagai berikut
A

Xi 2

= 1309.633

17

Xi

Xi

= 126807.2
= 356.1

40 100 x AB
N=
C
'

= 52.44
= 53 (dibulatkan ke atas)
3). Distribusi Data
Tahapan yang digunakan dalam menentukan jenis distribusi dari
data proses adding chocochips sama seperti tahapan yang sudah
dijelaskan sebelumnya. Langkah awal ialah memasukkan data ke
dalam Stat::fit dalam promodel. Berikut ialah data setelah
dimasukkan ke dalam promodel.

Gambar 3.6 Input data stasiun adding chocochips

18

Kemudian untuk memutuskan bentuk distribusi dari data yang

telah dimasukkan, dapat digunakan Distribution Fit sehingga
menghasilkan gambar berikut.

Gambar 3.7 Distribution fit data stasiun adding chocochips

Berdasarkan gambar diatas, maka dapat dikatakan jenis
distribusi yang sesuai berdasarkan ranking yaitu Beta, Triangular,
dan Weibull. Namun sama seperti sebelumnya hal tersebut belum
benar-benar pasti sebelum dilakukan uji untuk menentukan apakah
jenis distribusi yang terpilih benar benar tepat mewakili sampel data.
Oleh karena itu untuk menentukan jenis distribusi yang benar-benar
tepat mewakili sampel yang ada maka dilakukan Goodness of Fit
Test. Berikut merupakan hasil setelah dilakukan uji Goodness of Fit.

19

Gambar 3.8 Hasil Goodness of Fit test data stasiun adding chocochips
Berdasarkan hasil uji Goodness of Fit yang menghasilkan DO
NOT REJECT dari ketiga tes yang dilakukan yaitu Chi Squared,
Kolmogorov-Smirnov, dan Anderson Darling adalah distribusi
Weibull. Sedangkan distribusi lainnya menghasilkan REJECT di
salah satu tes. Sehingga dapat dikatakan jenis distribusi yang benarbenar tepat mewakili data proses adding chocochips kue yaitu
distribusi Weibull.
3.1.9. Stasiun Oven
Waktu yang dihitung

dalam

lokasi

ini

adalah

lamanya

pemanggangan kue yang dilakukan. Pemanggangan kue dilakukan

dengan waktu rata-rata 1200 detik (20 menit)

dalam sekali

pemanggangan. Set up time untuk mesin oven adalah selama 600 detik
20

(10 menit). Proses pemanggangan hanya dilakukan sekali pada proses

pembuatan kue kering sehingga untuk menentukan waktu prosesnya,
tidak menggunakan perhitungan distribusi melainkan menanyakan pada
ahli.
3.1.10. Stasiun Packaging
Pada lokasi ini, waktu yang diambil adalah waktu packaging dari
kue chocochips yang sudah selesai panggang dan sudah didinginkan.
Waktu yang dicatat adalah waktu dari mulai memasukkan chocochip
yang sudah jadi ke dalam 1 kotak yang sudah siap untuk di jual. Data ini
diperoleh dari proses packaging pada saat proses pembuatan kue.
Tabel 3.3 Data Proses Packaging
No
.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

No
Data No.
2.32 24
2.44 25
1.54 26
1.92 27
2.45 28
2.33 29
1.87 30
1.77 31
2.64 32
1.89 33
1.7 34
3.1 35
2.55 36
2.1 37
2.31 38
3.09 39
1.69 40
2.2 41
2.45 42
1.97 43
1.88 44
2.63 45
1.67 46

Data
3.11
1.78
2.34
3.05
3.09
2.78
1.81
2.56
2.78
2.68
3.12
2.67
1.65
2.14
3.15
1.89
3.12
2.56
1.65
2.67
2.56
1.78
1.77

.
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69

No
Data
1.67
2.14
2.34
3.16
2.34
2.87
3.1
3.8
3.41
2.65
3.24
2.45
3.65
3.21
1.89
2.31
2.89
3.12
3.4
3.54
1.92
2.51
3.24

.
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92

Data
3.1
3.76
2.67
1.66
2.34
3.38
1.91
2.34
3.1
3.17
3.25
3.5
2.88
3.2
3.1
3.48
3.21
2.54
2.89
1.56
2.54
2.21
2.31

21

1).Uji Keseragaman
Didapatkan data :
Standar deviasi ()

= 0.508059

UCL (CL + 3)

= 3.854778

CL atau average

= 2.3306

LCL (CL - 3)

= 0.806422

Chart Title
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
Data

UCL

CL

LCL

Gambar 3.9 Control Chart Uji Keseragaman Data Stasiun Packaging

2). Uji Kecukupan Data
Perhitungan dilakukan sebagai berikut
2

Xi

Xi

= 55776.2

Xi

= 236.17

= 638.9383

40 100 x AB
N=
C
'

= 86.23179
= 87 (dibulatkan ke atas)
22

3). Distribusi Data

Tahapan yang digunakan dalam menentukan jenis distribusi dari
data proses packaging sama seperti tahapan yang sudah dijelaskan
sebelumnya. Langkah awal ialah memasukkan data ke dalam Stat::fit
dalam promodel. Berikut ialah data setelah dimasukkan ke dalam
promodel.

Gambar 3.10 Input data stasiun packaging

Kemudian untuk memutuskan bentuk distribusi dari data yang
telah dimasukkan, dapat digunakan Distribution Fit sehingga
menghasilkan gambar berikut.

23

Gambar 3.11 Distribution Ffit data stasiun packaging

Berdasarkan gambar diatas, maka dapat dikatakan jenis
distribusi yang sesuai berdasarkan ranking yaitu Triangular, Weibull,
dan Beta. Namun sama seperti sebelumnya hal tersebut belum benarbenar pasti sebelum dilakukan uji untuk menentukan apakah jenis
distribusi yang terpilih benar benar tepat mewakili sampel data. Oleh
karena itu untuk menentukan jenis distribusi yang benar-benar tepat
mewakili sampel yang ada maka dilakukan Goodness of Fit Test.
Berikut merupakan hasil setelah dilakukan uji Goodness of Fit.

24

Gambar 3.12 Goodness of Fit Test stasiun packaging

Berdasarkan hasil uji Goodness of Fit yang menghasilkan DO
NOT REJECT dari ketiga tes yang dilakukan yaitu Chi Squared,
Kolmogorov-Smirnov, dan Anderson Darling adalah distribusi Erlang
dan Gamma. Sedangkan distribusi lainnya menghasilkan REJECT di
salah satu tes. Namun karena berdasarkan ranking Distribution Fit
jenis distribusi Erlang yang lebih tinggi nilainya maka dapat
dikatakan jenis distribusi yang benar-benar tepat mewakili data
proses packaging pada proses pembuatan kue chocochips yaitu
distribusi Erlang.

25

3.1.11. Waktu Transfer

Waktu transfer yang didapatkan dari hasil pengamatan pembuatan
roti kering pada IKM Oemah Bakery di setiap lokasi dipaparkan dalam
tabel berikut :
Tabel 2.4 Waktu transfer
Dari

Gudang Bahan Baku

Gudang Loyang
Stasiun Pengukuran Bahan
Baku
Stasiun Pengukuran Bahan
Baku
Stasiun Mixing Manual
Stasiun Mixing Otomatis
Stasiun Mixing Bahan Jadi
Stasiun Pengolesan
Stasiun Cetakan
Stasiun Chocochip
Stasiun Oven
Stasiun Packaging

Ke
Stasiun Pengukuran
Bahan Baku
Stasiun Pengolesan
Stasiun Mixing Manual

Stasiun Mixing Otomatis

Stasiun Mixing Bahan Jadi
Stasiun Mixing Bahan Jadi
Stasiun Cetakan
Stasiun Cetakan
Stasiun Chocochip
Stasiun Oven
Stasiun Packaging
Gudang Jadi

Waktu Transfer
(detik)
2
2
2
2
2
2
2
2
2
5
2
2

26

BAB IV
HASIL DAN PEMBAHASAN

4.1. Validasi
Data yang digunakan untuk validasi model dengan sistem riil adalah
utilitas operator 1 dan jumlah produk akhir yang dihasilkan. Pengujian
statistika akan dilakukan untuk melakukan perbandingan antara utilitas model
dengan utilitas riil dalam sistem.
4.1.2. Validasi Utilitas Operator 1
Utilitas operator 1 pada sistem riil ditunjukkan pada perhitungan
berikut.
Utilitas=

Waktu Bekerja Efektif

Total Waktu Kerja

Dimana,
Total Waktu Kerja

= (Jumlah Bahan Baku x Waktu Pengukuran Per

Bahan Baku) + Waktu Mixing Manual +
Waktu Mixing Otomatis + Waktu Mencampur
Adonan

(Jumlah

Loyang

Waktu

Pengolesan Per Loyang) + Waktu Pencetakan

Kue + Waktu Adding Chocochips + Waktu
Pemanasan Oven + Waktu Pemanggangan Kue
+ (Jumlah Kotak x Waktu Packaging Per
Kotak)+ Waktu Transfer Antar Lokasi(bolak
balik)
= [(8 x 15) + 120 + 100 + 300 + (1 x 15) + 6540
+ 974 + 600 + 1200 + (1 x 355) + 488
= 10867
Waktu Idle Operator

= Waktu Pemanasan Oven+Waktu Panggang Kue

= 600 detik + 1200 detik
= 1800 detik

Waktu Bekerja Efektif

= Total Waktu Kerja Waktu Idle Operator

= 10867 detik 1800 detik

27

= 9067 detik
Dengan menggunakan rumus utilitas diatas, maka didapatkan nilai utilitas
sebesar :
Utilitas=

9067 detik
x 100
10379 detik

= 87,36 %
Pada awalnya replikasi model dilakukan sebanyak 30 kali. Untuk
mengetahui apakah replikasi tersebut sudaah mencukupi atau belum,
dapat dicari dengan menggunakan rumus :
2
(Z /2) s
'
n=

(1)

Berikut ini merupakan hasil uji kecukupan jumlah replikasi yang

diperlukan untuk melakukan validasi model :
Tabel 4.1 Hasil kecukupan jumlah replikasi utilitas operator 1
Replikas
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Utilitas
Replikasi
87.33
87.33
87.41
87.33
87.33
87.39
87.39
87.4
87.37
87.35
87.37
87.36
87.41
87.41
87.37
87.4
87.36
87.31
87.39
87.33

Utilitas Sistem
Riil
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36

Error
-0.03
-0.03
0.05
-0.03
-0.03
0.03
0.03
0.04
0.01
-0.01
0.01
0
0.05
0.05
0.01
0.04
0
-0.05
0.03
-0.03

|error|
0.03
0.03
0.05
0.03
0.03
0.03
0.03
0.04
0.01
0.01
0.01
0
0.05
0.05
0.01
0.04
0
0.05
0.03
0.03

28

21
22
23
24
25
26
27
28
29
30

87.4
87.37
87.39
87.35
87.33
87.34
87.4
87.36
87.43
87.37

87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36
87.36

0.04
0.01
0.03
-0.01
-0.03
-0.02
0.04
0
0.07
0.01
SUM

STDE
V
N'

0.04
0.01
0.03
0.01
0.03
0.02
0.04
0
0.07
0.01
0.82
0.0273
3
0.0315
1
5.1041
1

Dari tabel di atas diketahui bahwa replikasi yang diperlukan

berjumlah 5, sehingga dengan 30 replikasi yang dilakukan sudah
memenuhi syarat tanpa harus melakukan replikasi tambahan.
Selanjutnya adalah melakukan uji normalitas. Apabila diketahui data
replikasi tersebut normal, dilakukan uji statistika (t-test) untuk
mengetahui apakah model yang dibuat sudah mencerminkan sistem
riil. Berikut ini merupakan hasil dari uji normalitas.

29

Probability Plot of C1
Normal
99

Mean
StDev
N
AD
P-Value

95
90

87,37
0,03151
30
0,617
0,099

Percent

80
70
60
50
40
30
20
10
5

87,30 87,32 87,34 87,36 87,38 87,40 87,42 87,44 87,46

C1

Gambar 4.1 Hasil uji normalitas data utilitas model operator 1

Dari grafik di atas, diketahui bahwa P-value sama dengan 0,099
yang berarti lebih besar dari nilai (0,05). Karena nilai P value > ,
maka data tersebut merupakan data normal. Setelah mengetahui
bahwa data utilitas tersebut adalah normal, langkah selanjutnya adalah
melakukan T Test. T test dilakukan untuk mengetahui apakah utilitas
dari model mencerminkan utilitas yang sama dengan utilitas riil.
Rumusan yang digunakan dalam pengujian T-Test yaitu:
a. Parameter =
b. Ho: = 87,36
H1 87,36
c. = 0,05
d. Kriteria penolakan: Ho ditolak apabila P-value<
Pengujian T-Test dilakukan dengan menggunakan software Minitab
15. Hasil pengujian T-Test ditunjukkan dalam Gambar 3.

30

Gambar 4.2 Hasil uji T test data utilitas model operator 1

Hasil pengujian menunjukkan nilai P-value 0,116. Nilai P-value ini
lebih besar dibandingkan nilai alpha yang digunakan (0,05). Maka,
dapat disimpulkan bahwa rata-rata utilitas model sama dengan ratarata utilitas riil.
4.1.2. Validasi Jumlah Produk Akhir yang Dihasilkan
Pada sistem riil jumlah produk jadi yang dihasilkan adalah
sebanyak 84 buah. Berdasarkan informasi yang didapatkan bawah
perbandingan pada produk reject dan jadi adalah 15% dan 85% yang
selanjutnya digunakan dalam pembuatan model. Berikut ini
merupakan hasil perhitungan jumlah N, dengan menggunakan
persamaan (1) di atas.

31

Tabel 4.2 Hasil kecukupan jumlah replikasi hasil produk jadi

Replikas
i
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
26
27
28
29
30

Produk
Jadi
Replikasi
81
82
89
81
80
87
88
88
85
83
85
86
90
89
83
88
84
80
87
81
86
85
87
83
81
83
90
84
90
85

Produk
Jadi
Sistem
Riil
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84
84

Error
3
2
-5
3
4
-3
-4
-4
-1
1
-1
-2
-6
-5
1
-4
0
4
-3
3
-2
-1
-3
1
3
1
-6
0
-6
-1
SUM
E
STDE
V
N

|error|
3
2
5
3
4
3
4
4
1
1
1
2
6
5
1
4
0
4
3
3
2
1
3
1
3
1
6
0
6
1
83
2.7666
7
3.1566
4
5.0009
32

Dari tabel di atas diketahui bahwa replikasi yang diperlukan

berjumlah 5, sehingga dengan 30 replikasi yang dilakukan sudah
memenuhi syarat tanpa harus melakukan replikasi tambahan.
Selanjutnya adalah melakukan uji normalitas. Apabila diketahui data
replikasi tersebut normal, dilakukan uji statistika (t-test) untuk
mengetahui apakah model yang dibuat sudah mencerminkan sistem
riil. Berikut ini merupakan hasil dari uji normalitas.
Probability Plot of C2
Normal
99

Mean
StDev
N
AD
P-Value

95
90

85,03
3,157
30
0,448
0,260

Percent

80
70
60
50
40
30
20
10
5

76

78

80

82

84

86

88

90

92

94

C2

Gambar 4.3 Hasil uji normalitas data produk jadi model

Dari grafik di atas, diketahui bahwa P-value sama dengan 0,260
yang berarti lebih besar dari nilai (0,05). Karena nilai P value > ,
maka data tersebut merupakan data normal. Setelah mengetahui
bahwa data utilitas tersebut adalah normal, langkah selanjutnya adalah
melakukan T Test. T test dilakukan untuk mengetahui apakah utilitas
dari model mencerminkan utilitas yang sama dengan utilitas riil.
Rumusan yang digunakan dalam pengujian T-Test yaitu:
a. Parameter =
b. Ho: = 84
H1 84
c. = 0,05

33

d. Kriteria penolakan: Ho ditolak apabila P-value<

Pengujian T-Test dilakukan dengan menggunakan software Minitab
15. Hasil pengujian T-Test ditunjukkan dalam Gambar 5.

Gambar 4.4 Hasil uji T test data hasil produk jadi model
Hasil pengujian menunjukkan nilai P-value 0,083. Nilai P-value
ini lebih besar dibandingkan nilai alpha yang digunakan (0,05). Maka,
dapat disimpulkan bahwa rata-rata jumlah produk jadi model sama
dengan jumlah produk jadi riil.

34

4.2. Pembahasan Simulasi Sistem Nyata

4.2.1. Lokasi

Gambar 4.5 General report lokasi simulasi sistem nyata

Pada general report diatas diketahui bahwa simulasi berlangsung
selama 5,9 jam dengan jumlah bahan baku yang masuk adalah
sebanyak 10. Dimana 7 dari bahan baku akan diukur di stasiun
pengukuran bahan baku. Setelah itu, bahan baku di mixing secara
manual dan otomatis pada masing-masing stasiun. Dari proses
mixing tersebut didapatkan 200 chocochips yang akan dipanggang
di oven yang dibagi menjadi kedalam 2 loyang dengan jumlah
100 keping pada tiap loyangnya. Pada gudang reject dan gudang
jadi nilai probabilitas untuk tiap-tiap gudang adalah 85% dan
15% sehingga jumlah chocochips yang akan memasuki masingmasing gudang mengikuti nilai probabilitasnya.
Sedangkan pada %utilization, nilai utilisasi pada tiap lokasi tidak
terlalu tinggi yaitu dibawah 20%. Stasiun chocochips merupakan
lokasi yang memiliki %utilization yang paling tinggi diantara
lokasi yang lainnya. Nilai utilisasi yang tinggi tidak selalu
menandakan hal yang baik karena %utilization pada suatu lokasi
dipengaruhi oleh jumlah waktu yang dihabiskan entitas pada

35

lokasi tersebut. Dimana jumlah waktu yang dihabiskan tiap entitas

dipengaruhi oleh kapasitas lokasi kurang atau waktu proses yang
terlalu lama. Pada stasiun chocochips, nilai %utilization tinggi
karena jumlah entries yang masuk sangat banyak sehingga waktu
proses menjadi lama. Dengan nilai

%utilization yang masih

tergolong rendah ini maka seluruh entitas dapat masuk ke setiap

stasiun sehingga tidak terdapat failed arrivals untuk masing-masing
entitas.

Gambar 4.6 General report persentase lokasi simulasi sistem nyata

Berdasarkan location states by percentage diatas dapat dilihat
bahwa %empty pada tiap lokasi sangat tinggi bahkan terdapat lokasi
yang mencapai nilai 100%, maka dari itu masing-masing lokasi tidak
pernah mencapai

state penuh yang dinyatakan dengan %empty

sebesar 0%.

36

4.2.2. Resources

Gambar 4.7 General report resource simulasi sistem nyata

Berdasarkan general report pada resources diatas diketahui
bahwa %utilization

dari

operator

adalah

sebesar

87,33%.

Sedangkan %idle dari operator 1 adalah sebesar 11,37%. Utilitas dari

operator 1 sangat tinggi karena yang bekerja membuat chocochips
hanyalah ia seorang, sehingga waktu idle dari operator tersebut akan
sangat rendah seperti hasil yang ditunjukkan oleh general report
diatas.
4.2.3. Entity

Gambar 4.8 General report entity simulasi sistem nyata

37

Gambar 4.9 General report persentase entity simulasi sistem nyata

Dapat dilihat bahwa nilai %blocked terendah adalah sebesar
8,2% yang dimiliki oleh adonan 2. Nilai dari beberapa entitas sangat
tinggi bahkan entitas chocochips mencapai 100%. Nilai %blocked yang
tinggi dapat disebabkan oleh kurangnya jumlah operator atau rendahnya
kapasitas pada tiap lokasi.

4.3. Pembahasan Simulasi Setelah di Optimasi

38

Terdapat beberapa solusi yang dapat dipertimbangkan untuk dapat

meningkatkan

kapasitas

produksi,

meminimalkan

bottleneck,

dan

meningkatkan profit diantaranya :

1. Menambah jumlah operator dan meningkatkan jumlah kedatangan
bahan baku
2. Menambah kapasitas mesin dan lokasi
4.3.1 Menambah Jumlah Operator dan Jumlah Kedatangan Bahan Baku
Dengan melihat besarnya beban kerja yang dihadapi operator 1 maka
alternatif pertama adalah dengan menambah jumlah operator yang bekerja
sehingga beban yang dikerjakan oleh operator 1 tidak terlalu tinggi dan utilitas
tidak besar. Mengingat bahwa jumlah produksi yang dihasilkan per harinya
hanya 100 buah kue kering, dan berdasarkan hasil general report diketahui
bahwa waktu proses yang digunakan untuk membuat 100 kue oleh 1 operator
adalah 6 jam padahal diketahui bahwa waktu kerja dimulai dari jam 07.00
hingga 17.00 sehingga terdapat waktu idle yang cukup tinggi. Oleh sebab itu
penambahan operator disini akan diikuti dengan peningkatan jumlah
kedatangan bahan baku sehingga jumlah roti kering yang dihasilkan akan
meningkat. Dalam pilihan alternatif ini akan terdapat 3 skenario, dimana
skenario 1 adalah dilakukan dengan 3 operator dengan jumlah kedatangan
bahan baku yang tetap, skenario kedua adalah dengan menambah waktu
kedatangan sesuai dengan skenario 1 dan skenario 3 adalah menggunakan 2
operator. Berikut merupakan hasil dari ketiga skenario tersebut :
1. Skenario 1
a. Lokasi

39

Dengan menggunakan skenario ini, dapat dilihat bahwa nilai

utilitas pada stasiun chocochip dan packaging mengalami penurunan yang
cukup signifikan. Penurunan ini terjadi karena jumlah operator telah
bertambah menjadi 3 dan sudah memiliki pembagian tugas yang jelas
namun jumlah bahan baku yang masuk masih sama seperti real condition.
Adapun pembagian tugas dari masing-masing operator adalah operator 1
melakukan pengukuran, operator 2 melakukan proses pengolahan bahan
dan operator 3 melakukan proses packaging. Dengan pembagian tugas ini
maka waktu proses pada lokasi-lokasi tersebut dapat menjadi lebih cepat
sehingga nilai utilitas pun dapat menurun. Selain itu, pada skenario ini
juga tidak terdapat failed arrival karena seluruh bahan baku dapat masuk
dan diproses pada masing-masing lokasinya.
40

b. Resources

Berdasarkan hasil general report diatas, diketahui bahwa utilitas

untuk operator 3 sangat kecil bila dibandingkan dengan utilitas operator 1
dan 2. Hal tersebut terjadi karena pembagian tugas antar operator tidak
merata sehingga beban kerja masing-masing operator tidak sama. Dengan
menerapkan skenario ini diketahui bahwa waktu yang dibutuhkan untuk
menyelesaikan 100 keping kue kering adalah selama 2,6 jam. Bila
dibandingkan ketika hanya menggunakan 1 operator waktu produksi yang
dibutuhkan sangat jauh berbeda yaitu selama 6 jam.
c. Entity

41

42

Dengan menggunakan skenario ini, dapat dilihat bahwa presentase

blocked pada entitas chocochip dan bubuk kacang langsung berkurang
menjadi 0%. Hal ini terjadi karena entitas dapat langsung di proses oleh
operator, tidak seperti real condition dimana setiap entitas harus
menunggu untuk di proses karena hanya dikerjakan oleh seorang operator.
Namun, persentase blocked pada entitas-entitas lain yang tidak mengalami
penurunan yang signifikan bahkan terdapat entitas yang mengalami
peningkatan presentase blocked.
2. Skenario 2
Pada skenario 2 ini, akan ditambah jumlah arrival bahan baku yang
datang dengan operator yang masih tetap sama, yaitu 3. Waktu kedatangan
yang sebelumnya 1 hari akan ditambah untuk setiap 3 jam. hal ini berkaitan
dengan penambahan jumlah produksi.
a. Lokasi

43

Pada skenario ini, diketahui bahwa total entries pada gudang bahan
baku adalah sebesar 39. Dengan mengolah seluruh bahan baku tersebut
didapatkan 300 kue kering dengan jumlah kue kering jadi sebesar 252 dan
kue reject sebesar 48 keping. Nilai utilitas untuk tiap lokasinya tidak
mengalami banyak perubahan seperti pada skenario 1 karena operator
yang bertugas pada tiap lokasi masih dapat dengan cepat menyelesaikan
pekerjaannya. Dengan peningkatan jumlah arrival didapatkan pula sebuah
entitas yang mengalami failed arrival yaitu bubuk kacang. Hal ini dapat
terjadi karena kedatangan bahan baku yang semula hanya setiap 1 hari
ditambahkan menjadi setiap 3 jam sekali sehingga karena keterbatasan
kapasitas lokasi tidak semua bahan baku dapat masuk dan di proses.

44

b. Resources

Pada skenario 2, didapatkan nilai utilitas untuk masing-masing

operator masih sangat tidak seimbang. Dimana masih sama seperti
skenario sebelumnya, utilitas dari operator 3 masih sangat kecil bila
dibandingkan dengan operator 1 dan 2. Hal ini terjadi karena operator 3
hanya bertugas melakukan packaging sedangkan operator 1 melakukan
pengukuran bahan baku dan operator 2 melakukan proses pengolahan
bahan menjadi kue kering sehingga keberadaan operator 3 tidak terlalu
berpengaruh. Karena ketika operator 1 dan 2 bekerja mengolah bahan baku
yang sangat banyak dengan tingkat kedatangan setiap 3 jam, operator 3
berada dalam keadaan idle menunggu hasil kerja dari operator 2 kemudian
baru dapat mengerjakan pekerjaannya.
c. Entity

45

46

Dengan menggunakan skenario ini, dapat dilihat bahwa presentase

blocked masih sama seperti skenario sebelumnya. Walaupun terjadi
blocked pada beberapa entitas, namun hal ini tidak berpengaruh besar
terhadap proses lainnya. Hal ini dapat dilihat dari jumlah kue yang
dihasilkan.
d. Variables

47

Berdasarkan hasil general report dapat dilihat bahwa jumlah kue

kering yang dihasilkan meningkat menjadi 311%. Dengan jumlah kue
kering jadi sebanyak 252 dan kue reject sebanyak 48 keping. Peningkatan
jumlah produksi ini berbanding lurus dengan peningkatan jumlah pekerja
dan jumlah bahan baku yang datang.
3. Skenario 3
Pada skenario 3 ini jumlah operator akan dikurangi dari 3 operator
menjadi 2. Dengan jumlah arrival yang sama seperti skenario 2, yaitu menjadi
setiap 3 jam. Berikut merupakan hasil general report dari skenario 3 :
a. Lokasi

Gambar 4.10 General report lokasi setelah optimasi

Dengan meningkatkan jumlah arrival bahan baku menjadi setiap 3

jam jumlah bahan baku yang masuk meningkat dari yang pada awalnya
hanya 10 sekarang menjadi 39. Menggunakan seluruh total entries dari
bahan baku tersebut dapat dihasilkan 300 kue kering dengan variabel kue

48

jadi sebesar 257 dan kue reject sebesar 43. Lokasi dengan peningkatan
utilitas terbesar adalah stasiun pengolesan dan stasiun oven. Hal ini terjadi
karena jumlah adonan kue kering yang dihasilkan meningkat hingga 300%
dari jumlah semula. Sehingga stasiun pengolesan dan oven yang hanya
berkapasitas

300

akan

dipergunakan

secara

maksimal

dengan

menggunakan oven berkali-kali dalam sekali produksi karena jumlah

produksi melebihi besar kapasitas lokasi. Peningkatan utilitas stasiun oven
juga dapat dilihat dari persentase full yang semula 0% sekarang menjadi
5%.
b. Resources

Dengan mengurangi jumlah operator menjadi 2, nilai utilitas dari

masing-masing operator menjadi lebih seimbang daripada 2 skenario
sebelumnya, yaitu sebesar 12,54% dan 10,43%. Meskipun nilai utilitasnya
cukup rendah, namun dapat dikatakan bahwa beban kerja sudah cukup
merata untuk kedua operator.
c. Entity

49

Dengan menambah jumlah arrival bahan baku yang datang tentu

saja bahan baku yang masuk lebih besar jumlahnya. Maka, peningkatan
persentase blocked pada tiap-tiap lokasi merupakan trade off dari
50

penambahan tersebut. Namun, blocked pada entitas tersebut tidak akan

berpengaruh banyak terhadap proses karena waktu blocked yang terjadi
tidak terlalu lama sehingga proses dapat terus berjalan dengan baik.

4.3.2 Penambahan kapasitas mesin dan lokasi

Pada solusi kedua ini tidak mungkin dilakukan, hal ini disebebakan karena biaya
yang terlalu mahal dan pemiliki belum ingin untuk membeli mesin baru dan
penambahan kapasitas lokasi. Sehingga untuk solusi yang kedua ini tidak dapat
dilakukan.

4.4 Perbadingan sebelum dan sesudah

Berdasarkan ketiga skenario tersebut, dapat disimpulkan bahwa skenario 3
merupakan skenario terbaik. Tujuan awal adalah untuk meningkarkan kapasitas
produksi, mengurangi bottleneck, dan meningkatkan profit.
1. Meningkatkan kapasitas produksi
Pada simulasi IKM Oemah Bakery ini dapat dilihat bahwa tingkat utilitas
operator 1 sangat tinggi yakni 87,33% dan waktu untuk menyelesaikan
kegiatan tersebut adalah 6 jam. Oleh sebab itu maksimal produksi yang
dihasilkan sehari hanya 100 kue kering. Dengan menambahkan jumlah
operator disini, maka per harinya produksi kue kering akan meningkat.
berdasarkan hasil skenario 1, tingkat utilitas anatara operator tidak
seimbang selain itu dengan tingkat arrival yang masih dapat ditingkatkan.
Skenario 2 dapat dilihat bahwa tingkat arrival yang ditambah akan
meningkatkan hasil produksi, yakni dari 81 menjadi 257 namun utilitas
antara ketiga operator tidak merata khusunya untuk operator 3 yang
nilainya sangat kecil sehingga untuk skenario 3 ini haislnya masih belum
optimal.
Skenario 3 merupakan skenario terbaik. Hal ini dilihat bahwa dengan 2
operator yang bekerja, maka utiltias antara kedua operator dapat terbagi
secara merata dibandingkan dengan 2 skenario sebelumnya. Pemilik
51

mengaku bahwa karena ia bekerja secara sendiri maka produksi yang

dihasilkan maksimal hanya sekitar 80-90 keping kue kering. Jika pemiliki
berminat untuk melakukan penambahan jumlah operator, maka 2 operator
disini cukup dan dapat meningkatkan hasil produksi hingga 257 kue kering
dengan menambah kedatangan bahan baku setiap 3 jam. Berdasarkan hasil
skenario 2, yang tadinya dilakukan dengan 3 operator ternyata
menghasilkan jumlah produk yang sama dengan 2 operator. Sehingga
kaitannya dengan meningkatkan profit, 2 operator sudah cukup.
Berdasarkan hasil analisa tersebut, dapat disimpulkan bahwa dengan
menambah 1 operator lagi dan menambah jumlah arrival maka dapat
meningkatkan jumlah produksi.
2. Mengurangi bottleneck
Dari ketiga skenario yang dilakukan untuk optimasi, menunjukkan bahwa
masih ada entitas-entitas yang ter-blocked. Blocked-blocked ini juga terjadi
pada entitas yang sama. Seiring bertambahnya jumlah arrival yang masuk
maka semakin besar juga bloked yang terjadi. Sehingga untuk bottleneck
yang terjadi pada proses pembuatan kue kering ini belum dapat dikurangi.
Hal ini dikarenakan ada beberapa entitas yang langsung ke lokasi tertentu
sehingga harus menunggu ketika akan di-join dengan entitas yang yang
lain. Contohnya adalah telur , telur dibawa ke stasiun mixing otomatis
kemudian baru dicampur dengan entitas-entitas yang ditakar, telur harus
menunggu terlebih dahulu proses penakaran tersebut, sehingga terjadilah
blocked entity. Begitupula pada entitas-entitas yang lain seperti backing
powder, bubuk kacang, dan chocochips. Untuk entitas-entitas setelah takar
mengalami bottleneck karena setiap operator melakukannya secara satu
per satu dan lokasi setiap stasiun hanya berkapasitas untuk 1 kali
penakaran saja tidak bisa lebih, sehingga setelah satu entitas selesai
ditakar, harus menunggu entitas yang lain juga.
3. Meningkatkan Profit

52

Perhitungan profit dilakukan dengan mengurangi jumlah roti yang

terjual dikalikan dengan harga jual dengan biaya yang digunakan untuk
memproduksi roti.
Adapun asumsi yang digunakan dalam perhitungan ini adalah :
a. Rp 30.000,00/toples
= 250 gram kue kering
keping
b. Gaji per hari untuk seorang pekerja
c. Harga tepung terigu (lencana merah)
d. Harga maizena (maizenaku)
e. Harga coklat bubuk (bendico cocoa)
f. Harga baking powder
g. Harga gula halus
h. Harga margarine (filma)
i. Harga garam

= Rp 30.000,00
= Rp 8.000,00/kg
= Rp 9.200,00/300gr
= Rp 17.500,00/90gr
= Rp 7.300,00/110gr
= Rp 15.000/kg
= Rp 4.200,00/200gr
= Rp 6.000,00/kg

j. Harga 1 butir telur

= Rp 1.200/butir

k. Harga tempe kering

= Rp 2.500,00/125gr
l. Harga chocochips
= Rp 4.100,00/100gr
Bahan yang digunakan untuk memproduksi 300 gram kue kering adalah
sebagai berikut :
a. Tepung terigu
= 250 gr
b. Maizena
= 25 gr
c. Coklat bubuk
= 10 gr
d. Baking powder
= 5 gr
e. Gula halus
= 150 gr
f. Margarine
= 100 gr
g. Garam
= 2 gr
h. Kuning telur
= 3 butir
i. Tempe kering
= 50 gr
j. Chocochips
= 300 gr
Dengan menggunakan biaya dan jumlah kebutuhan bahan baku
diatas maka perhitungan biaya untuk memproduksi 300 gram kue kering
dapat dilakukan dengan cara berikut :
= Rp 2.000,00 + Rp 767,00 + Rp 1.944,00 + Rp 332,00 + Rp
2.250,00+ Rp 2.100,00 + Rp 12,00 + Rp 3.600,00 + Rp 1.000,00 + Rp
8.200,00
= Rp 22.205,00 (untuk 300 gr)
Biaya produksi untuk 250 gr kue kering = Rp 18.504,00

53

Setelah mengetahui biaya produksi untuk 250 gr kue kering maka

akan dilakukan perhitungan profit pada model sebelum dan setelah optimasi
dengan rumus berikut :

a. Sebelum Optimasi
Jumlah kue kering jadi yang diproduksi = 81 keping = 1 toples
Profit = (Rp 30.000,00 x 1) (Rp 3.400,00 x1) - Rp 22.205,00
= Rp 4.395,00
b. Setelah Optimasi
Jumlah kue kering jadi yang diproduksi = 257 keping = 3 toples
Profit = (Rp 30.000,00 - Rp 3.400,00) x 3 Rp 18.504,00
(Rp20.000,00 x2)
= Rp 21.296,00

54

BAB IV
PENUTUP

4.1. Kesimpulan
Dari pembahasan pada bab sebelumnya, dapat disimpulkan bahwa
simulasi sistem produksi pembuatan kue kering IKM Oemah Bakery telah
tervalidasi dan terverifikasi. Metode yang digunakan untuk verifikasi adalah
visual inspection dan juga menggunakan ACD. Sedangkan untuk validasi
menggunakan utilitas operator dan juga menggunakan jumlah hasil produksi.
Optimasi yang dilakukan adalah berdasarkan skenario 3 yang telah
dibuat, yaitu dengan menambah operator menjadi 2 orang dan mengubah
kedatangan menjadi tiap 3 jam sekali. Dengan melakukan optimasi ini, dapat
meningkatkan jumlah produksi sebanyak 317 %.

4.2. Saran
Sebaiknya simulasi dilakukan pada saat terjadi banyak pemesanan kue
kering sehingga dapat diketahui secara baik mengenai cara peningkatan
profit.

55

DAFTAR PUSTAKA

Harell, C., Gosh, B.K., dan Bowdan, R., 2003, Introduction to Simulation:
Simulation Using Promodel, McGraw Hill, New York
Montgomery, D.C. dan Runger, G.C., 2003, Applied Statistics and Probability for
Engineers, 3rd Ed., John Wiley & Sons, New York

56