Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X

Yogyakarta, 3 November 2012

PERENCANAAN PEMELIHARAAN MESIN DENGAN MENGGUNAKAN METODE

MARKOV CHAIN UNTUK MENGURANGI BIAYA PEMELIHARAAN
DI PT. PHILIPS INDONESIA

Endang Pudji,W1; Fahma Ilma2

1,2)
Jurusan Teknik Industri, Universitas Pembangunan Nasional “Veteran” Jawa Timur
Jl. Raya Rungkut Madya Surabaya 60294, Email: endangpudjiw_ti@yahoo.com

ABSTRAK
PT. PHILIPS INDONESIA adalah perusahaan yang bergerak dalam bidang lighting (penerangan /
lampu). Perusahaan ini selalu mengusahakan hasil produksi yang maksimal. Pada bagian Lamp Component
Factory khusunya di departemen Stem Glass terdapat 3 jenis mesin yang beroperasi antara lain, mesin Tubing,
mesin Flare dan mesin Exhaust Cutting Machine (ECM). Ketiga jenis mesin tersebut memegang peranan penting
dalam memproduksi komponen- komponen lampu sehingga diperlukan suatu metode yang paling baik agar
terhindar dari seringnya terjadi kerusakan, Pemeliharaan tersebut dapat meliputi pemeliharaan corrective yaitu
kegiatan pemeliharaan setelah mesin rusak dan pemeliharaan preventive yaitu kegiatan pemeliharaan mesin
untuk mencegah terjadinya kerusakan. Dengan demikian hal tersebut dapat mengurangi biaya pemeliharaan.
Dengan adanya masalah tersebut, maka akan dilakukan perencanaan pemeliharaan mesin menggunakan metode
Markov Chain dengan harapan dapat mengurangi biaya pemeliharaan. Dengan mengadakan kegiatan
pemeliharaan mesin secara berkala dan teratur. Hal ini akan menjanjikan hasil produksi yang terjamin dan
perencanaan pemeliharaan mesin dapat meningkatkan efisiensi dengan mengurangi kerusakan. Pada kondisi riil
perusahaan biaya pemeliharaan sebesar Rp 19.392.792.536,- dan setelah menggunakan metode Markov Chain
menjadi Rp 15.354.301.376,- sehingga terjadi penghematan sebesar Rp 4.038.491.159 atau presentase sebesar
(20,82%). Hal ini membuktikan bahwa metode Markov Chain memang dapat dipakai untuk meminimumkan
biaya pemeliharaan mesin- mesin di perusahaan.

Kata Kunci : Perencanaan Pemeliharaan, Biaya Pemeliharaan, Markov Chain

ABSTRACT
PT. PHILIPS INDONESIA is a company that specializes in lighting. The company is always
seeking the maximum production yield. On the Component Lamp Factory Glass Stem especially in the
department there are 3 types of machines in operation, among others, Tubing machine, Flare
machine and engine Exhaust Flare Cutting Machine (ECM). The three types of these machines play an
important role in producing the components of light so we need a method is best to avoid the frequent
occurrence of damage, maintenance may include the maintenance of the corrective maintenan-
ce activities after the machine breaks down and preventive maintenance is the maintenance of the
machine to prevent damage. Thus it can reduce maintenance costs. Given these problems,
the machine maintenance plan will be carried out using Markov Chain method in hopes of reducing
maintenance costs. By conducting periodic maintenance and regular engine. This will promise a
guaranteed production andmachine maintenance planning can improve efficiency by reducing the
damage Total cost of maintaining the company's cost of care Rill condition is Rp19.392.792.536,-
and after using the Markov Chain to Rp15.354.301.376, - resulting in savings of Rp4.038.491.159,-
or a percentage of (20.82%). It is proved that the Markov Chain method can indeed
be used to minimize maintenance costs on the company machines.

Keywords : Planning Maintenance, Cost of Maintenance, Markov Chain

PENDAHULUAN
Perkembangan teknologi yang semakin canggih sekarang ini mengakibatkan kebutuhan akan
tenaga manusia mulai bergeser untuk kemudian digantikan dengan mesin atau peralatan produksi
lainnya. Produktivitas dan efisiensi suatu mesin dapat dilihat dari kondisi mesin dan peralatan yang
mendukungnya. Penggunaan mesin secara kontinyu akan mengalami penurunan tingkat kesiapan
A-45
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

mesin itu sendiri. Dalam usaha untuk menjaga tingkat kesiapan mesin agar hasil produksi tetap
terjamin akibat penggunaan mesin secara terus- menerus , maka dibutuhkan kegiatan pemeliharaan
mesin.
PT. Philips Indonesia Jl. Brebek Industri I Kav. 5-19 – Sidoarjo, mesin- mesin LCF- Stemglass
merupakan mesin produksi yang utama karena kelancaran proses produksi bergantung pada kesiapan
mesin tersebut sehingga pemeliharaan mesin- mesin perlu dilakukan secara rutin. Pemeliharaan
tersebut dapat meliputi pemeliharaan corrective dan pemeliharaan. Pemeliharaan- pemeliharaan
tersebut akan mempengaruhi pada biaya downtime dan biaya pemeliharaan pencegahan atau
pemeliharaan preventive suatu kegiatan pemeliharaan memiliki biaya pemeliharaan yang cukup tinggi.
Dari segi kegunaan, sistem pemeliharaan tersebut memerlukan suatu metode yang paling baik
sehingga mesin- mesin pada LCF- Steamglass yaitu mesin Tubing, mesin Flare serta mesin Exhaust
Cutting Machine (ECM), dapat terhindar dari seringnya terjadi kerusakan, dengan demikian biaya
pemeliharaan mesin yang didasarkan atas biaya downtime dapat seminimal mungkin, khususnya pada
pemeliharaan preventive pada mesin yang memiliki biaya downtime yang tinggi.
Dengan adanya masalah pada perusahaan tersebut, maka dilakukan penelitian menggunakan
metode Markov Chain dengan harapan dapat dilakukan perencanaan pemeliharaan mesin yang teratur
dan terorganisir sehingga proses produksi dapat berjalan dengan lancar dan dapat menekan biaya
pemeliharaan.
Suatu mesin pada perusahaan mempunyai peran penting dalam proses produksi, yaitu untuk
mempermudah serta membantu kegiatan manusia dalam melakukan suatu proses produksi suatu
barang, sehingga proses produksi dari barang-barang yang dihasilkan memiliki jumlah lebih banyak
dan memiliki kualitas yang lebih baik. Hal ini pada gilirannya telah memperbesar kebutuhan akan
fungsi pemeliharaan pabrik, khususnya pemeliharaan dan pemeliharaan mesin. Perlu diketahui pula
bahwa suatu mesin jika digunakan secara terus menerus akan mengalami penurunan tingkat kesiapan
(availability) dan kualitas performansinya, tetapi usia kegunaan pemeliharaan dapat diperpanjang
dengan melakukan pemeliharaan peralatan secara berkala.

a. Pengertian Pemeliharaan, pemeliharaan adalah suatu kegiatan untuk memelihara atau menjaga
fasilitas/peralatan pabrik dan mengadakan perbaikan atau penggantian yang diperlukan agar terdapat
suatu pengadaan operasi produksi yang memuaskan sesuai dengan apa yang direncanakan. (Sofyan
Assauri, 2008 : 134)

b. Jenis-Jenis Pemeliharaan
1. Preventive Maintanance
Pekerjaan pemeliharaan yang bertujuan untuk mencegah terjadinya kerusakan atau cara
pemeliharaan yang direncanakan untuk pencegahan (preventive).
2. Corrective Maintanance
Pekerjaan pemeliharaan yang dilakukan untuk memperbaiki dan meningkatkan kondisi
fasilitas sehingga mencapai standart yang dapat diterima.
3. Pemeliharaan Berjalan
Pemeliharaan yang dilakukan pada saat mesin/peralatan dalam keadaan bekerja.
4. Predictive Maintenance
Predictive maintenance dilakukan untuk mengetahui terjadinya perubahan atau kelainan
dalam kondisi fisik maupun fungsi dari sistem pemeliharaan.
5. Breakdown Maintenance
Cara perawatan yang direncanakan untuk memperbaiki kerusakan. Pekerjaan perawatan ini
dilakukan setelah terjadi kerusakan dan untuk memperbaikinya harus disiapkan suku cadang, material,
alat-alat, dan tenaga kerjanya.

c. Klasifikasi Kondisi Kerusakan, untuk menghitung nilai probabilitas transisi dari suatu proses
Markov Chain dalam masalah ini, maka sistem mesin akan dikelompokkan sesuai dengan kondisi
kerusakannya. Kondisi disini adalah tingkat kesiapan mesin saat dilakukan pemeliharaan periodik
terhadap mesin tersebut. Untuk menentukan tingkat kondisi ini, sistem diperiksa secara berkala.
Setelah dilakukan pemeriksaan kondisi mesin dapat digolongkan menjadi 4 yaitu :
A-46
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

1. Kondisi baik, Kondisi dimana mesin dapat beroperasi sesuai dengan ketentuan-ketentuan. Kondisi
ini disebut status 1.
2. Kondisi kerusakan ringan , Kondisi dimana mesin dapat beroperasi dengan baik, tetapi kadang-
kadang terjadi kerusakan kecil. Kondisi ini disebut status 2.
3. Kondisi kerusakan sedang, Kondisi dimana mesin dapat beroperasi tetapi keadaannya
mengkhawatirkan. Kondisi ini disebut status 3
4. Kondisi kerusakan berat, Mesin tidak dapat digunakan untuk beroperasi sehingga proses produksi
terhenti. Kondisi ini disebut status 4.
Tabel 1 Status dan Kondisi Kerusakan

Status Kondisi
1 Baik
2 Kerusakan ringan
3 Kerusakan sedang
4 Kerusakan berat

d. Proses Markov Chain, sebelum membahas metode untuk menentukan kemungkinan transisi akan
diuraikan lebih dulu tentang pengertian dasar rantai Markov (Markov Chain) dan proses stokastik,
karena metode Markov Chain merupakan kejadian khusus dari proses stokastik.

Proses stokastik {Xt }0 dikatakan mempunyai sifat Markovian jika P{Xt+1=j| X0 = k0, X1 = k1,
..., Xt - 1 = kt - 1, Xt = i}= P{Xt + 1 = j| Xt = i} untuk t = 0, 1, 2,…. dan setiap urutan i, j, k0, k1, ...., kt-1.
Dengan kata lain, sifat Markovian ini menyatakan bahwa probabilitas bersyarat dari “kejadian”
mendatang, dengan “kejadian” masa lampau dan state saat ini Xt = i, adalah independen terhadap
kejadian di waktu lalu dan hanya tergantung pada state saat ini.
Proses stokastik {Xt} (t = 0, 1, ...) adalah rantai Markov jika sifat tersebut mempunyai sifat
Markovian. Probabilitas bersyarat P{Xt + 1= j | Xt = i} untuk rantai Markov disebut probabilitas transisi
(satu langkah) . Jika untuk setiap i dan j, P{Xt - 1= j | Xt = 1} = P{X1 = j | X0 = i} untuk semua t = 1, 2,…
, maka disebut probabilitas transisi (satu langkah) dikatakan stasioner. Oleh karena itu, probabilitas
transisi stasioner menyiratkan bahwa probabilitas transisi tidak berubah seiring dengan waktu.
Keberadaan probabilitas transisi stasioner (satu langkah) juga menyiratkan bahwa untuk tiap i, j, dan n
(n = 0, 1, 2, ...), P{Xt + n = j | Xt = i} = P{Xn = j | X0 = i} untuk semua t = 0, 1, .... Probabilitas bersyarat
ini disebut probabilitas transisi n-langkah.

Untuk menyederhanakan notasi penulisan dengan probabilitas transisi stasioner, misalkan

Pij + 1 = P{Xt + 1 = j| Xt = i}; Pij(n) = P{Xt + n = j| Xt = i}
Oleh karena itu, probabilitas transisi n-langkah Pij(n) hanyalah merupakan probabilitas
bersyarat sehingga sistem akan berada pada state j tepat setelah n langkah (satuan waktu), jika state
tersebut bermula pada state i pada waktu t kapan pun. Ketika n = 1, perhatikan bahwa Pij(n) = Pij (untuk
n = 0, Pij(n)adalah hanya jika P{X0 = j | X0 = i} dan itu adalah 1 ketika i = j dan 0 ketika i ≠ j.
Oleh karena Pij(n) adalah probabilitas bersyarat, probabilitas tersebut harus nonnegative, dan
oleh karena prosesnya harus membuat perubahan ke state lain maka probabilitas tersebut harus
memenuhi sifat Pij(n) > 0, untuk semua i dan j; dan n = 0,1,2,...dan
M
∑ Pij(n) = 1 untuk semua i, n = 0, 1, j=0 2,...
Cara mudah untuk menunjukkan semua probabilitas transisi n-langkah adalah dalam bentuk matriks.

State 0 1 ... M
P(n ) = 0 P00(n) P01(n) ... P0M(n)
1 P10(n) P11(n) ... P1M(n)
. . . ... .
. . . ... .
M PM0(n) PM1(n) ... PMM(n)
untuk n = 0, 1, 2, ...
A-47
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

atau, ekuivalen dengan matriks transisi n-langkah

State 0 1 ... M

0 P00( n ) P01( n ) ( n)
... PoM 
 (n) 
1 P P11( n ) ... P1(Mn) 
P (n)   10

... ... ... ... ... 
 (n) 
M  PM( n0) PM( n1) ... PMM 
Perhatikan bahwa probabilitas transisi pada baris dan kolom tertentu adalah untuk transisi dari
state baris ke state kolom. Ketika n = 1, kita buang superscript n dan menyebutnya hanya matrik
transisi. (Hillier dan Lieberman, Operation Research)
( n)
Untuk setiap rantai Markov ergodik irreducible , lim Pij ada dan independen terhadap i.
n 
( n)
Lebih lanjut lagi, lim Pij = πj > 0, dimana πj memenuhi persamaan steady state berikut
n 

M
πj = ∑ πiPij , untuk j = 0, 1, ...
i=0
...., M
M
∑ πj = 1
j=0

atau dapat ditunjukkan dalam bentuk matriks,

0   P00 P01 ..... P0M 
   P11 ..... P1M 
 1     .....   P10 π0 = π0P00 + π1P01 + ..... + πMPM1
0 1 M
.....  ..... ..... ..... ..... 
   
M  PM1 PM2 ..... PMM 

π1 = π0 P01 + π1P11 + ..... + πMPM2

.... = ......... + ....... + ...... + ..........
πM = π0 P0M + π1P1M+ ..... + πMPMM
1 = π0 + π1 + ...... + πM

e. Kegunaan Probabilitas dan Keputusan Markov, di dalam operasinya suatu item akan mengalami
beberapa kemungkinan transisi status, yang berubah dari satu status ke status yang lain. Bila dikatakan
bahwa dalam selang yang cukup pendek terdapat empat kemungkinan status, maka untuk mengubah
kondisi status yang dialami dilakukan beberapa tindakan yang sesuai kondisi status. Misal jika
perbaikan item baru dilakukan setelah item tersebut mengalami kerusakan berat (status 4), dengan kata
lain untuk status 1, 2, dan 3 tetap dibiarkan saja. Tetapi seandainya kebijaksanaan itu dirubah dimana
pemeliharaan dilakukan apabila item berada pada status 2, 3, dan 4 sehingga menjadi status 1.
Keputusan-keputusan yang diambil dalam menentukan pemeliharaan dapat dituliskan sebagai berikut :

Tabel 2 Keputusan dan Tindakan Yang Dilakukan

A-48
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

Tabel 3 Kebijaksanaan Pemeliharaan

Keterangan: d1(P),d2 (P),d3(P),d4(P) : keputusan tindakan. Dimana P0 adalah pemeliharaan

yang dilakukan perusahaan, yang merupakan matriks awal. Sedangkan P1, P2 , P3, dan P4 adalah usulan
pemeliharaan yang didapat dari perubahan pada matriks awal sesuai dengan tindakan yang dilakukan.
Jika suatu item berada pada status kerusakan ringan dan kerusakan sedang, maka item tersebut
tidak akan mengalami transisi ke status baik, dengan kata lain bahwa suatu item yang berada pada
status kerusakan ringan dan kerusakan sedang akan tetap berada pada status kerusakan ringan dan
kerusakan sedang atau hanya akan beralih ke status kerasakan berat. Dan jika item berada pada status
kerusakan berat atau dengan kata lain suatu item yang memburuk akan tetap memburuk sampai selang
pemeriksaan berikutnya, atau bila tidak item akan mengalami kerusakan berat selama selang tersebut
dan akan diperbaiki pada selang pemeriksaan berikutnya.
Dari uraian tersebut dapat dibuat transisi diagram dan peralihan status sebagai berikut:

Gambar 1 Transisi Diagram

Keterangan :
1. Menyatakan status 1 (baik)
2. Menyatakan status 2 (kerusakan ringan)
3. Menyatakan status 3 (kerusakan sedang)
4. Menyatakan status 4 (kerusakan berat)

Bertitik tolak pada asumsi di atas maka dapat diungkapkan bahwa suatu item mempunyai
probabilitas transisi Pij, yang menyatakan bahwa suatu item berada pada status i maka pada selang
waktu berikutnya akan beralih pada status j. Dalam bentuk matriks, probabilitas-probabilitas transisi
tersebut diatas dapat dinyatakan sebagai berikut:

Tabel 4 Probabilitas Kerusakan

A-49
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

Keterangan: 1 → jika dilakukan perbaikan

0 → jika tidak dilakukan perbaikan

f. Biaya Down Time, akibat dari sistem yang tidak produktif yang diakibatkan sistem dalam
pemeliharaan atau perbaikan mengakibatkan hilangnya profit perusahaan. Biaya tersebut disebut biaya
down time.
Menghitung biaya down time dapat dilakukan dengan cara sebagai berikut :
o Hitung rata-rata down time tiap tahun dengan persamaan :
rd = ∑ d / n, dimana :
rd = rata-rata down time mesin setiap tahun
n = jumlah kerusakan
o Hitung biaya down time dengan persamaan :
Bd = rd / jk x OP, dimana :
Bd = biaya down time
rd = rata-rata down time mesin tiap tahun
jk = jumlah tahun
OP = biaya operator tiap tahun
(Vasko_Edo_Minter_Gultom’s Weblog)

g. Biaya Penyelenggaraan Pemeliharaan Pencegahan, Biaya yang dikeluarkan setiap kali melakukan
pemeliharaan dan perbaikan disebut biaya penyelenggaraan pemeliharaan dimana biaya tersebut
tergantung pada jumlah item yang diperiksa atau diperbaiki. Jika biaya pemeliharaan pencegahan
item-i dilambangkan dengan C1i maka dapat dinyatakan sebagai berikut :

h. Biaya Kerusakan, kerusakan merupakan suatu kondisi dimana sistem tidak dapat berfungsi untuk
menghasilkan output. Hal ini akan menyebabkan adanya biaya tambahan untuk pemeliharaan korektif,
tetapi apabila diadakan pemeliharaan rutin terjadwal, kerusakan dapat dicegah atau dikurangi. Jika
biaya pemeliharaan korektif ini dilambangkan dengan C2i untuk setiap item ke-i maka dapat
dinyatakan sebagai berikut :

i. Biaya Rata-Rata Ekspektasi, berdasarkan pada biaya-biaya pemeliharaan pencegahan dan

pemeliharaan korektif maka akan didapatkan biaya-biaya pemeliharaan untuk masing-masing mesin.
Dan apabila dikalikan dengan probabilitas status dalam keadaan mapan (steady state) pada jangka
panjang maka akan didapatkan biaya rata-rata ekspektasi ( biaya rata-rata yang diharapkan) untuk
masing-masing pemeliharaan.
M
j=1
E = ∑ π j C (j) = π1(....) + π2(....) +....(...) + πM (....)

METODE

Lokasi dan Waktu Penelitian, data yang digunakan dalam penelitian ini diperoleh dari PT.
PHILIPS INDONESIA. Waktu pengambilan dimulai bulan November 2011 sampai dengan data
tercukupi.

a. Identifikasi Variabel
1. Variabel terikat : biaya pemeliharaan yang minimum.
2. Variabel bebas : data jenis dan jumlah mesin, data transisi status mesin, data waktu pemeliharaan,
dan data biaya pemeliharaan.

b. Langkah-Langkah Pemecahan Masalah

A-50
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

Gambar 2 Diagram Alir Proses Penelitian

PEMBAHASAN

a. Matrik Probabilitas Transisi Awal (P0)

1. Mesin Tubing
 1  0,2500 0,1667 0,2083 0,3750
   0 0,4620 0,4620 0,076  π1 = 0,2620 π3 = 0,4604
 2       
1 2 3 4
 3   0 0 0,8 0,2 
   
 4   1 0 0 0 
π2 = 0,0812 π4 = 0,1965
2. Mesin Flare
 1   0, 44 0 ,3 0 ,22 0, 04  π1 = 0,3706 π3 = 0,2594
   0
 2       0 ,3158 0, 4737 0, 2105 
1 2 3 4  
 3   0 0 0 ,3889 0, 6111 
   

 4  1 0 0 0 
π2 = 0,1625 π4 = 0,2075
3. Mesin Exhaust Cutting Machine (ECM)
 1  0,2134 0,2857 0,2857 0,2143 
π1 = 0,3021 π3 = 0,2877
   0
 2       0,5000 0,3333 0,1667 
 3  1 2 3 4  
 0 0 0,5000 0,5000 
   
 4   1 0 0 0 
π2 = 0,1726 π4 = 0,2376
Ket : P0 merupakan matrik probabilitas transisi awal yang merupakan pemeliharaan metode
perusahaan.

A-51
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

b. Matrik Probabilitas Transisi Usulan P1, P2, P3, dan P4

1. Mesin Tubing
1  0,2500 0,1667 0,2083 0,3750
o P1=    0 π1 = 0,1090 π2 = 0,5380
 2       0,4620 0, 4620 0,076 
 3  1 2 3 4 
 0 1 0 0 
   
 4   1 0 0 0 
π3 = 0,2712 π4 = 0,0818

o P 2=  1   0 , 2500 0 ,1667 0 , 2083 0 ,3750  π1 = 0,5714 π2 = 0,0953

   1
 2       0 0 0 
1 2 3 4  
 3   1 0 0 0 
   

 4  1 0 0 0 
π3 = 0,1190 π4 = 0,2143

o P3=  1  0 ,2500

 1
0 ,1667 0 ,2083 0 ,3750 
π1 = 0,5106 π2 = 0,1915
 2       0 0 0 
 3  1 2 3 4 
 0 1 0 0 
   

 4  1 0 0 0 
π3 = 0,1064 π4 = 0,1915

 1  0,2500 0,1667 0,2083 0,3750

o P4=    0 π =
0,4620 0,4620 0,076  1
0,4854 π2 = 0,1504
 2       
1 2 3 4
 3   1 0 0 0 
   
 4   1 0 0 0 
π3 = 0,1706 π4 = 0,1935

2. Mesin Flare
1  0,444 0,3 0,22 0,04 
o P1=  2105 π1 = 0,1845 π2 = 0,4557
  0
 2         0,3158 0,4737 0,
1 2 3 4
3   0 1 0 0 
   

 4  1 0 0 0 
π3 = 0,2565 π4 = 0,1033

1  0,44 0,3 0,22 0,04

   1 0 0 0  π1 = 0,6410
o P 2=  2  π2 = 0,1923
 1  2  3  4  
 3   1 0 0 0 
   
 4   1 0 0 0 
π3 = 0,1410 π4 = 0,0256
 1  0,44 0,3 0,22 0,04
o P3=  2   1 0 0 0  π1 = 0,5618 π2 = 0,2921
  1  2  3  4 
 3   0 1 0 0 
   
 4   1 0 0 0 
π3 = 0,1236 π4 = 0,0225

1  0,44 0,3 0,22 0,04 

o P4=  2   0 0,3158 0,4737 0,2105 π1 = 0,5004 π2 = 0,2194
   1  2  3  4   
3   1 0 0 0 
   
 4   1 0 0 0 
π3 = 0,2140 π4 = 0,0662

3. Mesin Exhaust Cutting Machine (ECM)

A-52
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

 1  0,2134 0,2857 0,2857 0,2143

o P1=    0 π =
0,5000 0,3333 0,1667  1
0,1506 π2 = 0,5161
 2       
1 2 3 4
 3   0 1 0 0 
   
 4   1 0 0 0 
π3 = 0,2150 π4 = 0,1183

  0, 2134 0, 2857 0, 2857 0, 2143

o P2=  1   1 0 0 0  1
π = 0,5600 π2 = 0,1600
 2        
1 2 3 4
 3   1 0 0 0 
   

 4  1 0 0 0 
π3 = 0,1600 π4 = 0,1200

 1  0, 2134 0,2857 0,2857 0,2143

o P3=    1 0 0
π =
0  1
0,6531 π2 = 0,2245
 2       
1 2 3 4
 3   0 1 0 0 
   
 4   1 0 0 0 
π3 = 0,0612 π4 = 0,0613

 1  0, 2134 0,2857 0,2857 0,2143

o P4=    0 π =
0,5000 0,3333 0,1667 1
0,4243 π2 = 0,2424
 2       
1 2 3 4
 3   1 0 0 0 
   
 4   1 0 0 0 
π3 = 0,2020 π4 = 0,1313

Ket : P1, P2, P3, dan P4 merupakan matrik probabilitas transisi yang merupakan pemeliharaan metode
Markov Chain.

c. Biaya Rata-Rata Ekspektasi, Setelah dilakukan perhitungan ekspektasi biaya yang timbul tiap
mesin dan tiap usulan statusnya di dapatkan hasil seperti dalam tabel berikut :

Tabel 5 Biaya Metode Perusahaan

Jenis Mesin Kegiatan Biaya Rata-Rata
Pemeliharaan Ekspektasi
Tubing Pemeliharaan korektif pada status 4 Rp 7.906.821.032,-
Flare Pemeliharaan korektif pada status 4 Rp 4.982.753.030,-
Exhaust Cutting Pemeliharaan korektif pada status 4 Rp 6.503.218.473,-
Machine

Tabel 6Metode Markov Chain

Biaya
Jenis Mesin Pemeliharaan Usulan Terbaik
Rata-Rata Ekspektasi
Tubing Pemeliharaan korektif pada status 4 dan Rp 5.752.239.202
pemeliharaan pencegahan pada status 2 dan 3
Flare Pemeliharaan korektif pada status 3 dan 4 Rp 6.728.517.585,-
Exhaust Cutting Pemeliharaan korektif pada status 4 dan Rp 2.873.544.589,-
Machine pemeliharaan pencegahan pada status 2 dan 3

d. Penghematan Biaya Pemeliharaan

Setelah melihat biaya pemeliharaan pada keadaan steady state (mapan) metode perusahaan dan
biaya pemeliharaan pada keadaan steady state (mapan) usulan menggunakan metode Markov Chain,
maka dapat dibuat tabel sebagai berikut :

A-53
Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III ISSN: 1979-911X
Yogyakarta, 3 November 2012

Tabel 7 Penghematan Biaya Pemeliharaan

Biaya pemeliharaan Rp
metode perusahaan 19.392.792.536,-
Biaya pemeliharaan Rp
metode Markov Chain 15.354.301.376,-
Penghematan Rp 4.038.491.159

e. Perencanaan Penjadwalan Pemeliharaan Mesin Tahun, Setelah dilakukan perhitungan waktu

pemeliharaan tiap mesin, di dapat pemeliharan pencegahan untuk mesin Tubing dilakukan setiap 1
bulan 11 hari, Flare dilakukan setiap 2 bulan 23 hari dan Exhaust Cutting Machine dilakukan setiap 5
bulan 8 hari ,untuk mencegah terjadinya kerusakan.

KESIMPULAN

1. Pemeliharan pencegahan mesin Tubing dilakukan setiap 1 bulan 11 hari, Flare dilakukan setiap 2
bulan 23 hari dan Exhaust Cutting Machine dilakukan setiap 5 bulan 8 hari ,untuk mencegah
terjadinya kerusakan.
2. Biaya pemeliharaan mesin metode Markov Chain sebesar Rp 15.354.301.376,-.

DAFTAR PUSTAKA

Chrissetyo, Galih, 2006, “Analisis kebijakkan Manajemen Pemeliharaan dan Peremajaan Mesin
dengan Menggunakan Metode Markov Chain dan Therbog'h Model di Drum Plant Area PT
Pertamina (Persero) UP IV Cilacap” , Jurnal Penelitian Operasional.
Corder, Antony, 1988, Teknik Manajemen Pemeliharaan, Erlangga, Jakarta.
Eni, Wahyu dan Henry Susiawan, 2000, “Perencanaan Perawatan Mesin Untuk Menurunkan Biaya
Perawatan Dengan Menggunakan Markov Chain”, Jurnal Optimum. Vol. 1. No. 2. Hal 174-
182.
Enny, Ariyani, 2008, Penelitian Operasional, Universitas Pembangunan Nasional “Veteran” Jawa
Timur, Surabaya.
Hillier, Lieberman, 2004, Introduction To Operations Research Eight Edition, Penerbit Andi,
Yogyakarta.
Hartono, M. dan Ilyas Mas’udin, 2002, “Perencanaan Perawatan Mesin Dengan Menggunakan Metode
Markov Chain Guna Menurunkan Biaya Perawatan” , Jurnal Optimum. Vol. 3. No. 2. Hal
173-184.
Subagyo, Pangestu, Asri, Marwan dan Handoko, T. Hani, 1983, Dasar-dasar Operation Research,
BPFE, Yogyakarta.
Taha, Hamdy A., 1987, Operation Research An Introduction Fourth Edition, Macmillan Publishing
Company, New York.
, 1997, Riset Operasi Suatu Pengantar Edisi Kelima Jilid 2, Binarupa Aksara, Jakarta.
Dimyati, Tjutju tarliah dan Ahmad Dimyati, 1994, Operations Research Model-Model Pengambilan
Keputusan, Sinar Baru Algosindo, Bandung.
Wibisono, Yusuf, 2005, Metode Statistik, Gadjah Mada University Press, Yogyakarta.
Assauri, Sofyan, Manajemen Produksi dan Operasi Edisi Revisi 2008.Lembaga Penerbit Fakultas
Ekonomi Universitas Indonesia. Jakarta. 2008

A-54