Kelompok 13 - Kelas B
Irfan Aufa
12/330190/TK/39375
Fitria Kurniasany
12/333744/TK/40087
12/329891/TK/39113
DAFTAR ISI
HALAMAN JUDUL
DAFTAR ISI
ii
BAB I PENDAHULUAN
1.1 Latar Belakang
1.2 Tujuan
10
28
35
38
42
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
BAB II
IKM KUE KERING OEMAH BAKERY
Aktivitas
Simbol
Pengukuran Bahan
Baku
Mixing Manual
Gudang Bahan
Baku
Pencampuran
Adonan Jadi
Pencetakan kue
Adding
Chocochip
Pemanggangan
kue
Gudang Reject
Packaging
Gudang Bahan
Baku
Pengukuran
Bahan Baku
Mixing Otomatis
Pencetakan kue
Adding
Chocochip
Pemanggangan
kue
Gudang Reject
Packaging
Gudang
Bahan Baku
Pengukuran
Bahan Baku
Adding
Chocochip
Pemanggangan
kue
Gudang Reject
Packaging
Gudang Bahan
Baku
Pengukuran Bahan
Baku
Pengolesan
Loyang
Mixing Manual
Pencampuran
Adonan Jadi
Pencetakan kue
Adding
Chocochip
Pemanggangan
kue
Gudang Reject
Packaging
BAB III
DESAIN SIMULASI
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
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
= 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
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
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
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.
18
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
dalam sekali
pemanggangan. Set up time untuk mesin oven adalah selama 600 detik
20
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
Xi
Xi
= 55776.2
Xi
= 236.17
= 638.9383
40 100 x AB
N=
C
'
= 86.23179
= 87 (dibulatkan ke atas)
22
23
24
25
Ke
Stasiun Pengukuran
Bahan Baku
Stasiun Pengolesan
Stasiun Mixing Manual
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=
Dimana,
Total Waktu Kerja
(Jumlah
Loyang
Waktu
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)
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
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
30
31
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
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
33
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
35
sebesar 0%.
36
4.2.2. Resources
dari
operator
adalah
sebesar
87,33%.
37
38
kapasitas
produksi,
meminimalkan
bottleneck,
dan
39
b. Resources
41
42
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
45
46
47
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
49
52
= 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
= Rp 1.200/butir
53
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