ABSTRAK
2
Uji Bartlett Untuk Distribusi Eksponensial: yang kemudian melakukan perhitungan
index of fit untuk mengidentifikasi awal pola
* (( )(∑ )) (( )(∑ ))+ distribusi setiap mesin untuk data waktu
( ) (4) antar kerusakan yang ada. Dari perhitungan
indentifikasi pola distribusi didapat nilai
adalah waktu dan r adalah jumlah index of fit.
kerusakan dengan wilayah kritis Hasil dari perhitungan index of fit untuk
setiap mesin dapat dilihat pada tabel 1.
X21-α/2,r-1 < B < X2α/2,r-1
Tabel 1. Rekapitulasi Perhitungan Index Of Fit
Uji Mann’s Test Untuk Distribusi Weibull: No Mesin Normal Eksponensial Weibull
1 Uncoiler 0.930 0.977 0.993
∑ [ ]
(5) 2 Shearing Diasumsikan berdistribusi Exponensial
∑ [ ] 3 Welder 0.898 0.987 0.983
Pickling
4 Diasumsikan berdistribusi Exponensial
Dengan [ ⁄ ] Tank
Rinsing
5 1.000 1.000 1.000
[( )⁄ ] Section
6 Drying 1.000 1.000 1.000
Side
7 0.913 0.932 0.957
Trimmer
[ ( )] 8 Recoiler 0.898 0.980 0.971
Dengan r adalah jumlah kerusakan. Wilayah Setelah dilakukan perhitungan index of fit
kritis terdapat pada M < Ferit (α,V1,V2). Ferit kemudian melakukan pengujian hiptotesa
diperoleh dari V1 = 2k2 dan V2 = 2k1. pada masing-masing distribusi terpilih. Uji
ini dilakukan dengan memilih nilai index of
Setelah diketahui pola distribusinya, fit yang paling besar dari perhitungan yang
kemudian melakukan perhitungan telah dilakukan, dengan anggapan bahwa
parameter. Dengan parameter yang didapat nilai dari index of fit terbesar menunjukan
tersebut kemudian melakukan perhitungan pola data tersebut mengikuti suatu pola
untuk mengetahui waktu rata – rata antar distribusi yang dipilih. jika hasil uji hipotesa
kerusakan (MTBF) dan mengetahuti ditolak maka dilakukan uji hipotasa ulang
reliabilitas tiap mesin. Kemudian dari dengan pola distribusi yang memiliki nilai
reliabilitas tiap mesin melakukan index of fit terbesar kedua. Hasil uji hipotesa
perhitungan reliabilitas sistem dengan untuk setiap mesin pada unit stand CPL
reliability block diagram (RBD), block pada tabel 2.
diagram yang disusun berdasarkan
hubungan setiap mesin pada unit stand CPL. Tabel 2. Rekapitulasi Hasil Uji Hipotesa Distribusi
Kemudian membuat model simulasi untuk No Nama Mesin Distribusi
memodelkan sistem nyata sebagai acuan 1 Uncoiler Weibull
dalam menentukan interval waktu
2 Shearing Eksponensial
perawatan, simulasi yang dilakukan adalah
3 Welder Eksponensial
simulasi diskrit dengan menggunakan
software microsoft excel. Kemudian 4 Pickling Tank Eksponensial
menentukan interval waktu perawatan, 5 Rinsing Section Eksponensial
dengan interval waktu perawatan tersebut 6 Drying Eksponensial
diharapkan mampu memperbaiki keandalan 7 Side Trimmer Weibull
dari unit stand CPL. 8 Recoiler Weibull
3
untuk setiap mesin pada unit stand CPL
t
dapat dilihat pada tabel 3.
R(t) e (8)
Tabel 3. Rekapitulasi Parameter Distribusi Tiap
Mesin
Dan untuk mendapatkan nilai reliabilitas
dengan distribusi exponensial menggunakan
Parameter
No Mesin rumus berikut.
β θ λ
1 Uncoiler 0.961 30274.461 R(t) = (9)
2 Shearing 5.566E-06
3 Welder 1.738E-04 Dengan :
4
Pickling
2.309E-05
t = rata – rata waktu antar kerusakan
Tank
Rinsing
5
Section
5.887E-06 Hasil perhitungan rata – rata waktu antar
6 Drying 1.230E-05
kerusakan (MTBF) dan reliabilitas untuk
Side setiap mesin unit stand CPL dapat dilihat
7 0.616 12021.794 pada tabel 4. Setelah diketahui nilai
Trimmer
8 Recoiler 0.493 14568.630 reliabilitas dan MTBF tiap mesin
selanjutnya adalah melakukan perhitungan
Setelah diketahui nilai parameter untuk reliabilitas sistem dengan reliability block
masing-masing distribusi selanjutnya adalah diagram (RBD) berdasarkan diagram blok
menghitung nilai MTBF (mean time between pada gambar 1. Perhitungan reliabilitas
failure) untuk setiap mesin unit stand CPL sistem ini bertujuan untuk mengetahui
yang kemudian nilai MTBF ini dipakai besarnya kehandalan unit stand CPL.
untuk mencari nilai reliabilitas setiap mesin.
Tabel 4. Rekapitulasi Perhitungan Nilai MTBF dan
Nilai reliabilitas setiap mesin ini dipakai Reliabilitas Setiap Mesin
untuk mencari nilai reliabilitas sistem unit
stand CPL dengan menggunakan reliability MTBF
No Mesin Reliabilitas
block diagram (RBD). (menit)
Untuk mendapatkan rata – rata waktu antar 1 Uncoiler 30968.044 0.360
kerusakan dengan distribusi webull 2 Shearing 179676 0.368
menggunakan rumus berikut. 3 Welder 5752.354 0.368
4 Pickling Tank 43306 0.368
MTBF = ( ) 5 Rinsing Section 169852.755 0.368
6 Drying 81283.809 0.368
= ( ) (6) 7 Side Trimmer 17868.302 0.279
8 Recoiler 30560.415 0.237
Dan untuk mendapatkan rata – rata waktu
antar kerusakan dengan distribusi [1] [2]
exponensial menggunakan rumus berikut. Uncoiler Shearing
[3]
Pickling tank
[5] [6]
Dari masing-masing nilai MTBF yang sudah Rinsing [4]
diketahui, kemudian menghitung reliabilitas Drying
Section
(keandalan) untuk setiap mesin unit stand [7] [8]
CPL. Reliabilitas ini menunjukan seberapa Side Trimmer Recoiler
mampu mesin berfungsi tanpa terjadinya
kegagalan. Gambar 1. Blok Diagram Unit Stand CPL
Untuk mendapatkan nilai reliabilitas dengan
distribusi weibull menggunakan rumus Menurt Ebeling (1997), reliability block
berikut. diagram merupakan sebuah metode untuk
melakukan analisa kehandalan sistem dan
ketersediaan pada sistem besar dan
4
kompleks dan menggunakan diagram blok beroperasi dan waktu mesin tidak
sitem. RBD dapat tersusun atau terangkai beroperasi. Waktu mesin beroperasi dan
secara seri atau paralel ataupun gabungan tidak beroperasi diperoleh dengan
dari keduanya. membangkitkan bilangan random yang
Rangkaian seri berarti ketika suatu mesin kemudian ditransformasikan kedalam satuan
mengalami kerusakan maka akan waktu sesuai dengan distribusi yang telah
menyebabkan mesin lain yang tersusun terpilih dan parameter yang sudah diperoleh.
dalam satu rangkaian seri akan mengalami Parameter yang digunakan untuk waktu
kerusakan. Sedangkan rangkaian paralel operasi dapat dilihat pada tabel 3. Dan untuk
menunjukan bahwa ketika mesin mengalami parameter yang digunakan untuk waktu
kerusakan tidak berdampak pada mesin lain mesin mati dapat dilihat pada tabel 5.
yang tersusun dalam satu rangkaian.
Tabel 5. Parameter Distribusi Untuk Waktu Mesin
Rumus rangkaian seri : Mati
Parameter
Rs = R1 x R2 x ... x Rn (10) No Mesin
λ
1 Uncoiler 2.51E-02
Dimana: 2 Shearing 1.00E-01
3 Welder 4.57E-02
Rs = RBD seri 4 Pickling Tank 4.40E-03
R1, R2, Rn = reliability komponen 5 Rinsing Section 1.93E-02
6 Drying 2.75E-02
7 Side Trimmer 7.97E-02
8 Recoiler 6.53E-03
Rumus rangkaian paralel:
Untuk hasil simulasi yang telah dilakukan
Rp = 1 – [ (1 – R1) x (1 – R2) x ... x (1 – dengan menggunakan software Microsoft
Rn)] (11) Excel dapat dilihat pada tabel 6.
Dimana: Setelah diperoleh frekuensi, total waktu
perawatan dan utilitas untuk setiap mesin
Rp = RBD paralel pada unit stand CPL dari hasil simulasi yang
R1, R2, Rn = reliability komponen didapat. Selanjutnya menghitung rata – rata
waktu antar kerusakan (MTBF) dan
Dari hasil perhitungan didapat nilai reliabilitas untuk setiap mesin. Dan setelah
reliabilitas sistem unit stand CPL sebesar diketahui reliabilitas untuk setiap mesin
0,72 atau 72%. Ini berarti probabilitas kemudian menghitung reliabilitas sistem
kemampuan unit stand CPL bekerja tanpa seperti pada perhitungan reliabilitas sistem
terjadinya kerusakan adalah 0,72 atau 72%. nyata. Hasil dari perhitungan MTBF dan
reliabilitas sistem simulasi dapat dilihat pada
Setelah diketahui berapa nilai dari tabel 7.
reliabilitas sistem. Kemudian melakukan
Tabel 7. Rekapitulasi Nilai MTBF Dan Reliabilitas
simulasi untuk mengetahui kapan frekuensi Simulasi
perawatan pada setiap mesin unit stand CPL
yang kemudian memvalidasi reliabilitas MTBF
sistem simulasi dengan reliabilitas sistem No Mesin Reliabilitas
(menit)
eksisting. Jika hasilnya valid, maka
1 Uncoiler 43200 0.245
dilakukan perancangan waktu perawatan
2 Shearing 64800 0.697
usulan dari hasil simulasi yang didapat
sehingga dapat meningkatkan reliabilitas 3 Welder 6646.154 0.315
sistem mencapai 80% sesuai dengan 4 Pickling Tank 43200 0.369
permintaan bagian perawatan. 5 Rinsing Section 86400 0.601
Simulasi ini dilakukan dengan total waktu 6 Drying 129600 0.203
259200 menit atau selama enam bulan. 7 Side Trimmer 15247.059 0.314
Model simulasi yang dipakai adalah model 8 Recoiler 16200 0.349
simulasi diskrit, simulasi yang dilakukan
menggunkan software microsoft excel. Nilai reliabilitas sistem nyata adalah 0,72
Simulasi dilakukan pada waktu mesin dan reliabilitas hasil simulasi adalah 0,72.
5
Berdasarkan hasil pembulatan nilai 2. Keputusan Uji
reliabilitas sistem simulasi memiliki nilai Karena nilai Sig. > α atau t hitung < t
yang sama dengan reliabilitas sistem tabel maka keputusannya adalah terima
eksisting. H0.
Maka dilakukan uji validasi dengan uji 3. Kesimpulan
paired sampel t-test pada nilai MTBF sistem Tidak ada perbedaan antara hasil
simulasi dan eksisting untuk mengetahui ada simulasi dengan eksisting, dengan begitu
perbedaan atau tidak antara simulasi dan sistem simulasi dapat mewakili eksisting.
eksisting.
Uji validasi paired sampel t-test dilakukan Setelah dilakukan uji validasi dan simulasi
dengan keputusan H0 : Tidak ada perbedaan dapat mewakili sistem nyata atau eksisting,
antara simulasi dan eksisting. Dan HI : Ada selanjutnya adalah melakukan perhitungan
perbedaan antara simulasi dan eksisting. untuk perbaikan interval perawatan untuk
memperbaiki reliabilitas sistem, perbaikan
Validasi dilakukan dengan syarat sebagai ini dilakukan dengan meningkatkan
berikut: frekuensi perawatan sehingga
Jika Thitung ≥ Ttabel : tolak H0 memperpendek interval dari waktu
Jika Sig. ≤ α : tolak H0 perawatan.
Perbaikan dilakukan dengan menghasilkan
Hasil uji validasi dengan paired sampel t- reliabilitas sistem sebesar 80% sesuai
test dapat dilihat pada tabel 8. Dari uji dengan permintaan dari pihak maintainance.
validasi yang dilakukan dengan paired Peningkatan frekuensi dilakukan pada mesin
sampel t-test didapatkan hasil sebagai shearing, rinsing section dan drying. Dan
berikut: untuk mesin yang lain periode perawatan
dilakukan 1 jam sebelum MTBF hasil
1. Statistik Uji simulasi untuk menghindari terjadinya
Sig. = 0.341 ; α = 0.05 kerusakan sebelum dilakukannya perawatan.
t hitung = 1.021 ; t tabel = 2.365 Hasil rekapitulasi jadwal perawatan usulan
Sig. (0.341) > α (0.05) atau t hitung dengan meningkatkan frekuensi perawatan
(1.021) < t tabel (2.365) dapat dilihat pada tabel 9.
Paired Differences
Difference
Std. Std. Error Sig. (2-
Mean Deviation Mean Lower Upper t df tailed)
1 simulasi
6
Tabel 9. Rekapitulasi Jadwal Perawatan Usulan