Lampiran Gabung PDF
Lampiran Gabung PDF
9 Diberi ulir pada lubang sis kiri Tap and Dies Baja ASTM 2
60 240
10 Diberi ulir pada lubang bagian Tap and Dies Baja ASTM 2
bawah sisi kanan 60 240
Tabel 2. Work Sheet Badan Penjepit Kiri Ragum (Lanjutan)
Setup Time
No Operation Descriptiom Machine Type Operation Time Material Part
(Seconds)
6 Diberi ulir pada lubang bagian Tap and Dies 60 360 Baja ASTM 3
tengah
7 Diberi ulir pada lubang bagian Tap and Dies 60 220 Baja ASTM 3
bawah sisi kanan
8 Diberi ulir pada lubang bagian Tap and Dies 60 220 Baja ASTM 3
bawah sisi kiri
1 Dikurangi dimensi dengan dua kali Bubut 120 600 Baja ST37
pemakanan
2 Diberi ulir pada sisi dengan 5 kali Bubut 120 274 Baja ST37
pemakanan
3 Dilubangi pada bagian tengah ujung Drilling 120 780 Baja ST37
ABSTRAK
Kualitas suatu rumah sakit selain ditentukan oleh tingkat keahlian dokter yang dimiliki, sarana dan
prasarana pendukung yang berkualitas juga ditentukan oleh sistem antrian yang terjadi di dalam rumah
sakit tersebut. Jika tingkat kedatangan dan tingkat pelayanan yang diberikan kepada pasien tidak
seimbang akan menyebabkan ketidakpuasaan bagi pasien dan kerugian bagi rumah sakit karena pasien
cenderung beralih ke rumah sakit yang memiliki tingkat pelayanan yang lebih optimal. Pada penelitian
ini, simulasi dilakukan khusus pada sistem antrian Dokter Poli Umum rawat jalan. Pada penelitian ini
dinyatakan bahwa semua pasien yang datang melakukan layanan mulai dari registrasi hingga
pengambilan obat ke apotek RSX. Tujuan umum dari penelitian adalah meningkatkan kualitas pelayanan
di poli umum rawat jalan RSX. Tujuan khusus dari penelitian ini adalah: (1) menentukan jumlah
optimum pasien yang dapat dilayani oleh dokter umum di antrian poli umum, dan (2) lamanya waktu
tunggu yang harus dilalui pasien pada antrian rawat jalan di RSX berdasarkan software Flexsim. Jumlah
optimum pasien yang dapat dilayani dalam 1 hari adalah 16 pasien, dengan kondisi 1 orang pasien tidak
dapat terlayani. Oleh sebab itu, dinyatakan bahwa terdapat 17 pasien yang masuk dalam sistem antrian
poli umum rawat jalan. Sistem antrian yang terjadi adalah pasien masuk dalam sistem antrian diawali di
bagian registrasi, ruang tunggu dokter, dilayani dokter umum, apotek, ruang tunggu, menerima obat dan
meninggalkan sistem antrian. Lamanya waktu tunggu untuk sistem antrian ini adalah 107,18 menit atau
selama 1,78 jam.
ABSTRACT
The quality of a hospital other than determined by the level of expertise of the doctor-owned, facilities
and infrastructure, quality is also determined by the queuing system that occur in the hospital. If the
arrival rate and the level of service provided to the patient is not balanced will lead to patient
dissatisfaction and loss for the hospital because patients tend to switch to a hospital that has a more
optimal level of service. In this research, simulations done specifically on the system queue Public Poli
outpatient doctor. In this study stated that all patients who come to the service from registration to taking
drugs to the pharmacy RS X. The general objective of the research is to improve the quality of care in
general clinic outpatient RSX. The specific objectives of this study were: (1) determine the optimum
number of patients that can be served by a general practitioner in the queue general clinic, and (2) the
length of time patients wait to be passed in the queue outpatient RSX based software Flexsim. The
optimum number of patients that can be served in one day was 16 patients, 1 patient with the condition
can not be served. Therefore, it is stated that there are 17 patients were included in the general queue
system poly outpatient. Queuing system that happens is the patient entered in the queuing system begins
at the registration, doctor's waiting room, serviced general practitioners, pharmacy, waiting room,
receiving medication and leave the queue system. The length of time waiting for this queuing system is
107.18 minutes or for 1.78 hours
69
Simulasi Flexsim untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan Rumah Sakit X
Nunung Nurhasanah, Siti Nurlina dan Tri Nugroho
yang terdaftar per 1 Januari 2014 sebanyak 455 Simulasi pada penelitian ini dilakukan
untuk rumah sakit umum dan 246 untuk rumah terhadap sistem antrian pasien pada layanan
sakit khusus, rumah sakit swasta non profit dokter umum di poli umum rawat jalan. Hasil
sebanyak 531 dan rumah sakit khusus non profit simulasi diharapkan dapat membantu pihak
berjumlah 202 [2]. manajemen rumah sakit dalam mengetahui
Data Ikatan Dokter Indonesia menyatakan tingkat performance karyawan dan dokter di
jumlah rumah sakit di Kota Depok dan rumah sakit. Selain itu, diharapkan dapat
sekitarnya adalah 16 rumah sakit. Terdiri dari 2 membantu pihak manajemen untuk mengambil
rumah sakit milik pemerintah dan 14 rumah strategi yang tepat dalam melakukan
sakit milik swasta [2]. penambahan karyawan atau dokter yang sesuai
Kualitas layanan di rumah sakit dapat dengan kondisi yang ada di rumah sakit.
mencakup berbagai aspek, seperti layanan Pada penelitian ini, simulasi dilakukan
antrian, layanan dokter dan konsultasi, layanan khusus pada sistem antrian Dokter Poli Umum
kebersihan, layanan kesediaan obat dan alat rawat jalan. Pada penelitian ini dinyatakan
kesehatan. Layanan antrian merupakan salah bahwa semua pasien yang datang melakukan
satu layanan yang menjadi perhatian pasien. layanan mulai dari registrasi hingga
Oleh sebab itu, kualitas layanan terhadap sistem pengambilan obat ke apotek RSX.
antrian di rumah sakit menjadi suatu hal yang Tujuan umum dari penelitian adalah
menarik untuk diteliti. meningkatkan kualitas pelayanan di poli umum
Rumah Sakit X (RSX) merupakan salah rawat jalan RSX. Tujuan khusus dari penelitian
satu rumah sakit ternama di kota Depok. RSX ini adalah: (1) menentukan jumlah optimum
memiliki 21 poli yang aktif melayani pasien pasien yang dapat dilayani oleh dokter umum di
setiap hari. antrian poli umum, dan (2) lamanya waktu
Penelitian in dilakukan pada bagian rawat tunggu yang harus dilalui pasien pada antrian
jalan, khususnya di poli umum. Poli umum rawat jalan di RSX berdasarkan software
merupakan poli yang ditangani oleh dokter Flexsim.
umum yang memiliki tingkat kedatangan yang
konstan setiap harinya. Rata-rata kedatangan TINJAUAN PUSTAKA
dan pasien yang terlayani setiap bulannya Teori Antrian
adalah 335 pasien. Antri (queue) merupakan kejadian yang
Penelitian ini mengukur tingkat biasa dalam kehidupan sehari-hari. Antrian
optimalitas sistem antrian yang berlaku saat ini tidak hanya dialami oleh manusia, tapi juga
di RSX. Pengukuran dititikberatkan pada waktu dialami adalah barang.
layanan, jumlah pasien yang terlayani dan Kejadian antrian yang paling sering
waktu tunggu pasien hingga terlayani dalam ditemui antara lain adalah menunggu di depan
sistem antrian. loket untuk mendapatkan tiket kereta api,
Hasil pengukuran tingkat optimalitas menunggu pada SPBU, pada pintu jalan tol,
sistem antrian saat ini dibandingkan dengan ketika akan keluar dari supermarket, dan
usulan sistem antrian agar tingkat kepuasan situasi-situasi yang lain merupakan kejadian
pasien selaku pelanggan terpenuhi. Sistem yang sering ditemui. Tujuan penggunaan teori
antrian usulan diperoleh melalui pendekatan antrian adalah [3]
simulasi, dengan bantuan perangkat lunak • Untuk merancang fasilitas pelayanan
Flexsim. • Untuk mengatasi permintaan pelayanan
Pendekatan simulasi dipilih untuk yang berfluktuasi secara random
memudahkan pemodelan dalam sistem antrian • Untuk menjaga keseimbangan antara biaya
yang diusulkan. Simulasi merupakan salah satu (waktu menganggur) pelayanan dan biaya
cara yang dapat membantu dalam proses (waktu) yang diperlukan selama antri
pengambilan keputusan. Percobaan dengan
simulasi merupakan model yang mengadaptasi Timbulnya antrian terutama tergantung
perilaku sistem nyata. dari sifat kedatangan dan proses pelayanan.
70
Jurnal Ilmiah Teknik Industri (2015), Vol. 3 No. 2, 69 – 75
Penentu antrian lain yang penting adalah tentang sistem nyata. Peniruan sistem nyata
disiplin antri. Disiplin antri adalah aturan dilakukan dengan mengembangkan dalam
keputusan yang menjelaskan cara melayani bentuk program komputer.
pengantri, misalnya, datang awal dilayani dulu, Simulasi komputer merupakan disiplin
datang terakhir dilayani dulu, berdasar prioritas, merancang model sistem fisik yang sebenarnya
dan secara random. Jika tak ada antrian berarti atau teoritis, melaksanakan model pada
terdapat pelayan yang nganggur atau kelebihan komputer digital, dan menganalisis output
fasilitas pelayanan eksekusi.
Flexsim adalah aplikasi perangkat lunak
Sistem Antrian simulasi berbasis PC digunakan untuk
Pelaku utama dalam sistem antrian memodelkan, simulasi dan visualisasi proses
adalah: (1) pelanggan (customer), dan (2) bisnis. Flexsim dapat membantu menentukan
pelayan (server). Elemen dalam sistem antrian, kapasitas pabrik, menyeimbangkan lini
yaitu: pelanggan (customer) dari suatu populasi manufakturing, mengatur penyebab penundaan,
(source) memasuki antrian (queue) untuk memecahkan masalah inventori, menguji
menerima layanan (service) dari fasilitas praktek penjadwalan baru, dan
layanan (service facility) [3]. mengoptimumkan laju produksi. Setiap model
Kerangka dalam sistem antrian adalah Flexsim dapat digambarkan dalam animasi
kedatangan pelanggan untuk mendapatkan realitas virtual 3D. Selain itu, Flexsim
layanan, pelanggan menunggu untuk memungkinkan pemodel dengan kemampuan
mendapatkan layanan, pelanggan mendapat pemrograman model dan submode secara
layanan, dan pelanggan meninggalkan sistem langsung dalam C++ [4].
antrian. Gambar 1 menyajikan kerangka sistem
antrian. METODE PENELITIAN
Penelitian Terdahulu
Simulasi Penelitian terdahulu yang pernah
Simulasi merupakan suatu aktivitas dilakukan menggunakan pendekatan simulasi
meniru perilaku dari sistem nyata. Dari tiruan dengan bantuan software Flexsim adalah
itu, dipelajari berbagai hal yang ada dalam penelitian yang dititikberatkan pada
sistem nyata sehingga diperoleh informasi penjadwalan produksi di industri garmen.
Nq: jumlah
pengantri
(steady state)
l : rate rata-rata
c : jumlah server
kedatangan
q : lama dalam
antrian
t : jarak antar kedatangan
Ns : jumlah yang
sedang dilayani
w : waktu total sejak mengantri
(steady state)
hingga selesai dilayani
71
Simulasi Flexsim untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan Rumah Sakit X
Nunung Nurhasanah, Siti Nurlina dan Tri Nugroho
Pendekatan simulasi dengan bantuan software RSX. Penelitian dilanjutkan dengan melakukan
Flexsim pada penelitian tersebut dilakukan observasi terhadap waktu layanan dan jumlah
untuk memudahkan peneliti mendapatkan hasil pasien yang dilayani, serta waktu tunggu yang
optimal waktu produksi per unit per satuan terjadi di dokter poli umum.
waktu [4]. Software Flexsim merupakan alat bantu
Untuk memperoleh waktu siklus yang yang digunakan untuk menentukan waktu
akan dimasukkan dalam simulasi, maka terlebih layanan dan jumlah pasien yang dilayani, serta
dahulu harus menentukan waktu baku untuk waktu tunggu dalam sistem antrian dokter poli
seluruh stasiun kerja. Saat itu, terdapat 24 umum.
stasiun kerja yang harus diamati. Setelah kondisi awal teridentifikasi dan
Penelitian tersebut menghasilkan waktu kondisi usulan berdasarkan software Flexsim
proses pembuatan produk selama 28 menit dilakukan, maka dilakukan analisis untuk
dengan mempertimbangkan jumlah mesin dan menentukan sejauh mana hasil simulasi ini
tenaga kerja yang tersedia. memungkinkan untuk diimplementasikan di
RSX. Gambar 2 menyajikan kerangka berpikir
Mulai dalam penelitian ini.
72
Jurnal Ilmiah Teknik Industri (2015), Vol. 3 No. 2, 69 – 75
asuransi. Petugas akan mencatat rekam 5. Pasien akan dilayani untuk pembayaran dan
medik pasien, jika pasien adalah pasien pengambilan obat sesuai resep.
yang pernah terdaftar, dan membuat status Tampilan dalam Flexsim untuk sistem
rekam medik baru karena pasien adalah antrian dokter umum di poli umum rawat jalan
pasien yang pertama kali terdaftar di RSX. RSX disajikan pada Gambar 4.
Petugas juga akan mencatat poli dan dokter Adapun input data yang dimasukan
yang dipilih pasien akan dikunjungi. kedalam entities terdiri dari waktu proses atau
2. Pasien sudah masuk dalam sistem antrian, siklus setiap stasiun (dalam hal ini pos layanan)
dan berada pada ruang tunggu poli umum. dan waktu operasional pelayanan dokter dalam
Pasien menunggu untuk dilayani oleh dokter sehari. Pada penelitian ini waktu proses atau
umum. pelayanan setiap stasiun kerja secara detail
3. Pasien masuk dalam pelayanan dokter. disajikan pada Tabel 2.
Pasien akan diterima oleh dokter untuk
mengkonsultasikan keluhannya. Kemudian Tabel 2. DataWaktu Pelayanan
pasien akan ditindak oleh perawat, untuk Waktu Layanan Rata-
No Kegiatan
ditimbang, diukur tinggi, diukur suhu dan rata (menit)
diukur tekanan darah. Setelah itu, konsultasi 1 Tunggu registrasi 13,16
kembali dilakukan, dan dokter akan 2 Registrasi 21,9
memberikan resep, serta penjelasan untuk 3 Ruang Tunggu 1 8,8
penggunaan resep bagi pasien. 4 Dokter Umum 19,1
4. Setelah pasien dilayani dokter, maka pasien 5 Ruang Tunggu 2 17,4
akan masuk dalam antrian pembelian obat 6 Obat dan Kasir 16,1
di apotek. Pada pos ini, pasien akan
menunggu
ADMINISTRASI
73
Simulasi Flexsim untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan Rumah Sakit X
Nunung Nurhasanah, Siti Nurlina dan Tri Nugroho
Pada pos registrasi, diidentifikasi waktu tersebut dari 17 pasien yang datang yang dapat
setup adalah 3 menit dan waktu proses selama 4 dilayani adalah sebanyak 16 pasien. Hanya 1
menit. Pada pos ini ditetapkan maksimum orang yang tidak terlayani.
waktu menunggu adalah 10 menit.
Pada pos pelayanan dokter umum, KESIMPULAN
diidentifikasi waktu setup adalah 5 menit, dan Jumlah optimum pasien yang dapat
waktu proses selama 17 menit. Pada pos ini dilayani dalam 1 hari adalah 16 pasien, dengan
ditetapkan maksimum waktu menunggu selama kondisi 1 orang pasien tidak dapat terlayani.
19 menit. Oleh sebab itu, dinyatakan bahwa terdapat 17
Pada pos pelayanan obat dan kasir, pasien yang masuk dalam sistem antrian poli
diidentifikasi waktu setup selama 3 menit, dan umum rawat jalan. Sistem antrian yang terjadi
waktu proses selama 17 menit. Pada ini adalah pasien masuk dalam sistem antrian
ditetapkan maksimum waktu menunggu adalah diawali di bagian registrasi, ruang tunggu
selama 16 menit. dokter, dilayani dokter umum, apotek, ruang
Hasil running simulation dengan Flexsim tunggu, menerima obat dan meninggalkan
disajikan pada Tabel 3. Tabel ini menyatakan sistem antrian. Lamanya waktu tunggu untuk
bahwa diketahui waktu maksimal dan minimal sistem antrian ini adalah 107,18 menit atau
lamanya pasien mengantri dalam sistem. Pada selama 1,78 jam.
Tabel 3 juga mengidentifikasi letak pos layanan
atau lokasi terjadinya penumpukan pasien DAFTAR PUSTAKA
dalam mengantri untuk menunggu pelayanan. [1]. Jumlah Rumah Sakit Umum Diprediksi
Dengan jumlah dokter yang melayani Tumbuh 10% Tahun Depan,
hanya satu orang dan tingkat kedatangan pasien http://industri.bisnis.com/read/20140914/
sebanyak 17 orang menyebabkan terjadinya 12/257255/ jumlah- rumah- sakit- umum-
penumpukan di ruang tunggu pasien sebelum diprediksi-tumbuh-10-tahun-depan, (12
mendapatkan pelayanan dari dokter,sehingga Februari 2015).
setiap pasien harus menunggu selama 107,18 [2]. Daftar Rumah Sakit di Kota Depok,
menit atau selama 1,78 jam. Dari hasil simulasi http://idi-depok.blogspot.com/2012/05/
74
Jurnal Ilmiah Teknik Industri (2015), Vol. 3 No. 2, 69 – 75
75
ExpertFit
Demonstration Version 8
2
1.1. Types of ExpertFit Analyses
ExpertFit can perform the three main types of analyses given in Table 1.1.
Module Description
Data Analysis Used to determine what probability distribution best
represents a data set. You can either have ExpertFit
determine the best distribution automatically or specify
the distributions for consideration manually. See
Chapter 2 for further discussion and an example.
3
In addition, the important features given in Table 1.2 can be accessed from the
Menu Bar at the top of the screen.
Module Description
Batch Mode Used to fit distributions to one or more data sets with
only a few mouse clicks. This feature is only
available in the “Simulation Professional” or
“Analyst with Batch Mode” versions of ExpertFit.
4
2. Data Analysis Module
There are two modes of operation (see the Mode pull-down menu) for the Data
Analysis module: Standard and Advanced. Standard Mode is sufficient for 95 percent
of all analyses and is easier to use. It focuses the user on those features that are the
most important at a particular point in an analysis. Advanced Mode contains a large
number of additional features for the sophisticated user. A user can switch from one
mode to another at any time. In this brochure we will only discuss the Standard Mode.
There are also two levels of precision when fitting distributions (see the
Precision pull-down menu): Normal and High. Normal Precision provides good
estimates, for many data sets, of the parameters of a distribution and has a small
execution time. High Precision (the default) provides better parameter estimates for
most data sets, but may have a large execution time for data sets containing many
observations.
The use of the Data Analysis module to determine what probability distribution
best represents a data set is based on the sequential application of the four tabs shown
in Table 2.1.
Table 2.1. Tabs for the Data Analysis module.
Data Used to read in a data set from a file, enter a data set at the
keyboard, paste in a sample from the Clipboard, or import a data set
from Excel
5
Although there are different ways that these four tabs could be used to
determine the best distribution for a data set, the following are the explicit steps that we
recommend for real-valued data:
1. Obtain a data set using the Data tab.
2. View the resulting Data-Summary Table (in Data tab) – provides information on the
shape and range of the true underlying density function.
3. Make a histogram of your data (used in Step 5) using the Data tab – see the
Constructing a Histogram from Your Data tutorial in the Help pull-down menu.
4. Determine the distribution that is the best representation for your data using the
Automated Fitting option in the Models tab.
5. Confirm using the Comparisons tab that the best distribution as determined by
ExpertFit is, in fact, satisfactory in an absolute sense.
6. If you are doing simulation modeling, then either represent the best distribution (if
good in an absolute sense) or an empirical distribution based on your data (if the
best distribution is not satisfactory) in your simulation software using the
Applications tab.
An example of the use of the Data Analysis module is given next.
6
Example 2.1: Customer Service Times
This example illustrates how you can use the six-step approach given at the
beginning of this chapter to find the probability distribution that best represents a data
set. We discuss both the ExpertFit commands necessary to accomplish a particular
part of the analysis and the actual results of the analysis. This analysis will use High
Precision.
At window: Do:
Project 1 Click on New.
Project-Element Editing Select Fit distributions to data.
In the Project-Element Name edit box, enter
Example 2.1.
Click on OK.
Project 1 Click on Analyze.
Data tab Click on Enter Data.
Enter-Data Options Click on Apply.
Open In the File Name scroll list, select Example21.EXP.
A: The Data-Summary Table for this set of n = 450 service times (read in the Data
tab) is given in Table 2.2. The positive value of the sample skewness indicates that the
underlying distribution of the data is skewed to the right (i.e., it has a longer right tail
than left tail). This is supported by the sample mean being larger than the sample
median.
7
Table 2.2. Data summary for the service-time data.
8
Steps for Action B:
At window: Do:
Data tab Click on Histogram.
Histogram Options Click on Apply.
Click on Done.
Click on Done.
B: In Figure 2.1 we present the default ExpertFit histogram for the service-time data.
Note that the histogram is quite “ragged,” since the interval width is too small. Using a
trial-and-error approach discussed in the Constructing a Histogram from Your Data
tutorial, we determined that a better histogram is obtained by using an interval width of
0.25. The improved “smooth” histogram is shown in Figure 2.2. In general we
recommend that you construct your own histogram rather than rely on the ExpertFit
default. There is no definitive prescription for choosing histogram intervals!
Note that the histogram interval width can also be changed by using the
two buttons with arrowheads at the top of the histogram screen. The left (right)
9
Histogram
0.10
0.08
0.06
Proportion
0.04
0.02
0.00
0.13 0.53 0.93 1.33 1.73 2.13 2.52 2.92
Interval Midpoint
23 intervals of w idth 0.133
10
Histogram
0.17
0.13
0.10
Proportion
0.07
0.03
0.00
0.13 0.63 1.13 1.63 2.13 2.63 3.13
Interval Midpoint
13 intervals of w idth 0.25
Figure 2.2. Histogram of the service-time data with an interval width of 0.25.
11
button decreases (increases) the interval width by 5 percent, and can be applied
repeatedly.
12
Steps for Action C:
At window: Do:
Data tab Click on the Models tab.
Models tab Click on Automated Fitting.
for our data by selecting the Automated Fitting option at the Models tab. Based on
certain heuristics, ExpertFit determined that the “best” representation for the data is
provided by a Weibull distribution (see Table 2.3) with location, scale, and shape
parameters of 0, 1.334, and 2.183, respectively. This best model received a Relative
Score of 100.00 and its Absolute Evaluation message is “Good,” indicating no reason
for concern. (See the context-dependent online help for a discussion of the terms in
boldface.) Furthermore, the model mean and the sample mean are almost identical.
Note that the third-best fitting model is a Rayleigh distribution with an estimated
location parameter (denoted by “E”) of 0.062. (If we were to click on View/Delete
Models at the Models tab, we would see that the normal distribution was not
automatically fit to our non-negative service-time data. This is because the normal
distribution can take on negative values. However, the normal distribution could, if
desired, be fit to our data using the Fit Individual Models option at the Models tab.)
13
Table 2.3. Evaluation of the candidate models.
Evaluation: Good
Suggestion: Additional evaluations using Comparisons Tab might be informative.
See Help for more information.
14
Steps for Action D:
At window: Do:
Comparisons tab Click on Graphical Comparisons.
Graphical-Comparisons
Options Select Density-Histogram Plot.
Click on Apply.
Density-Histogram
Plot Click on Done.
using the Comparison tab, as suggested by the latter part of the Absolute Evaluation
message. The Density-Histogram Plot based on the final histogram is shown in
Figure 2.3. The closeness of the density function to the histogram visually confirms the
quality of the Weibull representation. Note that we could have simultaneously
plotted the density functions of several distributions in Figure 2.3.
15
Density-Histogram Plot
0.17
0.14
0.10
Density/Proportion
0.07
0.03
0.00
0.13 0.63 1.13 1.63 2.13 2.63 3.13
Interval Midpoint
13 intervals of w idth 0.25 1 - Weibull
Figure 2.3. Density-Histogram Plot for the fitted Weibull distribution and the
service-time data.
16
Steps for Action E:
At window: Do:
Graphical-Comparisons
Options Select Distribution-Function-Differences Plot.
Click on Apply.
Distribution-Function-
Differences Plot Click on Done.
Graphical-Comparisons
Options Click on Done.
in Figure 2.4. The plot shows the differences between the Weibull distribution function
and the sample distribution function, over the range of the data. [The sample
distribution function, which is an estimate of the true underlying distribution function of
the data, is defined at a particular value of x as the proportion of observations in the
sample that is less than or equal to x.] Since the vertical differences in the plot are
close to 0, this is further indication that the Weibull distribution is a good model for the
data.
17
Distribution-Function-Differences Plot
0.20
0.13
0.07
Difference (Proportion)
0.00
-0.07
-0.13
-0.20
0.06 0.50 0.93 1.37 1.81 2.24 2.68 3.11
x
Use caution if plot crosses line 1 - Weibull (mean diff. = 0.00501)
18
Steps for Action F:
At window: Do:
Comparisons tab Click on Goodness-of-Fit Tests.
Options for
Goodness-of-Fit Tests Select Anderson-Darling Test.
Click on Apply.
Options for
Goodness-of-Fit Tests Click on Done.
(the most-powerful test available in ExpertFit) to see formally whether our data could
have been generated from the specified Weibull distribution. (You may want to read
the discussion of goodness-of-fit tests in the Goodness-of-Fit Tests and Their
Interpretation tutorial in the software before proceeding.) We will perform the test at a
level (alpha) of 0.05. Since the Anderson-Darling statistic, 0.205, is less than critical
value, 0.750, we do not reject the Weibull distribution. You should keep in mind that
failure to reject by this test does not necessarily mean that the Weibull distribution is
exactly the distribution that produced the data; this test tends to have low power for
small to moderate sample sizes. (We also performed the Kolmogorov-Smirnov Test
and Chi-Square Test and they did not reject the Weibull distribution.)
In summary, there is no reason to believe based on the above heuristics and
tests that the Weibull distribution does not provide a good model for the service-time
data.
19
Steps for Action G:
At window: Do:
Comparisons tab Click on Applications tab.
Applications tab Click on Simulation Representation in the
Use a Specified Distribution (Model) section.
Simulation-Representation
Options Select the simulation software of your choice.
Click on Apply.
Simulation-Software
Representation Click on Done.
Simulation-Representation Click on Done.
Options
Applications tab In the File menu, select Close Data Analysis.
G: If you are using ExpertFit in the context of simulation modeling, we now see how to
put the selected Weibull distribution into the proper format for several different
simulation-software products using the Applications tab. In particular, the above
actions show how to represent the Weibull distribution in the software product of your
choice; the actual representations for selected products are shown in Table 2.4.
20
Table 2.4. Simulation-software representations for the Weibull distribution.
21
3. Example Data Sets
22
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g
email: halifiah@gmail.com
Abstract
At the time of re-registration of new students who passed the PSB On-line at SMAN 4 Padang
happened long queues. The aim of research of this study are knowing the model, process simulation
model and how to use the method of Kolmogorov-Smirnov of system for re-registration of new
students at SMAN 4 Padang. The number of applicants on the first day as many as 115 people, and
the average length of applicants waiting at the post 1 and post 2 days during the first 15 minutes.
From the simulation results on circumstances such registration is proposed to manufacture a new
model that is solving registration post 1 and post 2 be heading 1a, 1b and 2a , 2b. After the
breakdown of the post and re simulation showed the average length of applicants waiting at the post
1a and 1b smaller at 3.7 minutes and 2.8 minutes. While at the post 2a and 2b post showed the
average length of a smaller registrants wait 0.2 minutes in both previous post for 32 minutes. With the
results of the simulation can be concluded that the solution to the registration posts can make an
average registration time waiting to be smaller.
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 105
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 107
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
himpunan pelanggan, pelayan dan suatu SMA Negeri 4 Padang juga melakukan
aturan yang mengatur kedatangan pada proses pendaftaran ulang bagi siswa baru yang
pelanggan dan pemroses masalahnya [5]. telah lulus PSM On-Line dengan prosedur
Dalam sistem antrian terdapat beberapa sebagai berikut:
komponen dasar proses antrian antara lain a. Menyerahkan bukti pendaftaran PSB On-
yaitu: Line yang berupa Print-Out PSB On-Line
a. Kedatangan b. Membayar uang pembangunan sekolah
b. Pelayanan dan training ESQ
1. Tersedianya Pelayanan c. Membayar uang seragam sekolah
2. Kapasitas Pelayanan diantaranya yaitu seragam putih Abu-abu,
3. Lama Pelayanan pramuka, batik, muslim dan olah raga
c. Antrian d. Melakukan pemilihan ukuran pakaian
d. Disiplin Antrian yang telah dipesan
1. First Come First Served (FCFS) atau Untuk melakukan prosedur yang telah
First In First Out (FIFO) ditetapkan diatas maka SMA Negeri 4 Padang
2. Last Come First Served (LCFS) atau membuka pos-pos pelayanan untuk melayani
Last In First Out (LIFO) pendaftaran ulang siswa baru tersebut. Fungsi
3. Service In Random Order (SIRO) ke empat pos tersebut sebagai berikut:
atau Random Selection for Service a. Penyerahan print-out PSB On-Line
(RSS) b. Pos kedua melayani pembayaran uang
4. Priority Service (PS) pembangunan dan training ESQ
e. Struktur Antrian c. Pos ketiga melayani pembayaran uang
1. Single Channel – Single Phase seragam sekolah
2. Single Channel – Multi Phase d. Pos keempat melayani pemilihan ukuran
3. Multi Channel – Single Phase pakaian seragam sekolah.
4. Multi Channel – Multi Phase Keempat pos pelayanan tersebut harus
f. Model Antrian dilewati satu per satu secara berurutan tanpa
Format umum model : (a/b/c);(d/e/f) ada pos yang diloncati agar proses pendaftaran
di mana : ulang lengkap sehingga siswa baru tersebut
a = distribusi pertibaan / kedatangan telah sah untuk menjadi siswa baru di SMA
(arrival distribution), yaitu jumlah Negeri 4 Padang. Setiap pos dilayani oleh
pertibaan pertambahan waktu. minimal satu orang petugas pelayanan.
b = distribusi waktu pelayanan /
perberangkatan, yaitu selang waktu 2.6. SMA Negeri 4 Padang
antara satuan – satuan yang dilayani
(berangkat). SMA Negeri 4 Padang terletak lebih
c = jumlah saluran pelayanan paralel kurang 5 km arah Timur dari pusat Kota
dalam sistem. Padang tepatnya di Jalan Linggar Jati No.1,
d = disiplin pelayanan. RT.04, RW 01, Kelurahan Lubuk Begalung,
e = jumlah maksimum yang Kecamatan Lubuk Begalung Kota Padang
diperkenankan berada dalam sistem Provinsi Sumatera Barat Indonesia. SMA
(dalam pelayanan ditambah garis Negeri 4 Padang bersebelahan dengan SMA
tunggu). PGRI 2 Padang dan berdekatan dengan
f = besarnya populasi masukan. kampus Universitas Putra Indonesia (UPI)
“YPTK” Padang.
2.5. Pendaftaran Ulang Siswa Baru yang
Lulus PSB On-Line 3. METODOLOGI PENELITIAN
Pendaftaran ulang siswa baru yang lulus 3.1. Kerangka Kerja Penelitian
PSB On-Line adalah proses pendaftaran Langkah-langkah tersebut mencakup dari
lanjutan (ulang) bagi siswa-siswi yang telah awal penelitian sampai dengan akhir
lulus seleksi Pendaftaran Siswa Baru (PSB) penelitian. Agar penelitian yang dilakukan
secara On-Line yang dilakukan oleh dapat terlaksana dengan terstruktur dan
pemerintah Kota Padang melalui website: sistematis maka dirasa perlu untuk menyusun
http://www.psbonlinepadang.go.id. Proses kerangka kerja penelitian.
pendaftaran ulang siswa tersebut dilakukan di
Sekolah masing-masing dengan prosedur yang
berbeda-beda tergantung kepada pengelola
Sekolah tersebut.
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 108
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
tersebut digunakan sebuah perangkat lunak Jumlah pos pendaftaran adalah sebanyak 4
8
(sofware) khusus untuk mensimulasikan pos.
model yaitu Promodel 7.5. Jumlah petugas pendaftaran adalah
sebanyak 1 orang pada setiap pos maka
9
3.2.7. Mengimplementasi Model jumlah petugas pada seluruh pos adalah
Mengimplementasikan model adalah sebanyak 4 orang.
menerapkan model yang terbaik dilapangan Petugas lain yang ditugaskan adalah 1 orang
sesungguhnya. Selain dari itu dengan IT, 1 orang pelayanan informasi dan 1 orang
penerapan model yang terbaik tersebut maka 10 kurir dan 1 orang keamanan/satpam maka
antrian yang terjadi dapat seminimal mungkin. total keseluruhan petugas adalah sebanyak 8
orang.
3.2.8. Menguji Model Waktu istirahat petugas selama 60 Menit / 1
11
Menguji model adalah menguji model Jam.
usulan yang terbaik dengan model yang Waktu istirahat petugas dari pukul 12.00 s/d
12
sebenarnya apakah hasil simulasi yang telah 13.00 WIB.
dilakukan memang lebih baik dibandingkan Jumlah siswa yang mendaftar adalah
13
dengan simulasi sistem nyatanya. sebanyak 280 orang.
Pada umumnya siswa baru yang mendaftar
4. ANALISA DAN PERANCANGAN 14 datang bersama 1 orang teman atau 1 orang
MODEL orang tuanya.
Kondisi antrian pendaftaran semeraut, tidak
4.1. Analisa Data tertib dan tidak merata pada hari pertama
4.1.1. Analisis Data Hasil Wawancara 15 pendaftaran. Pada hari kedua berangsur
Sumber informasi wawancara dalam lebih sepi dan hari ketiga lebih sepi lagi dan
penelitian ini yaitu Kepala Sekolah SMA hari ke empat sangat sepi.
Negeri 4 Padang yaitu Bapak Drs. Yunisra, Penyebab antrian yang semeraut, tidak tertib
M.Kom. Dalam pengumpulan data hasil dan tidak merata diantaranya karena
wawancara ini digunakan pertanyaan karakter peserta pendaftaran yang tidak mau
16
sebanyak 20 pertanyaan. bersabar antri, susunan/model pendaftaran
yang tidak bagus, petugas pelayanan yang
Tabel 3. Kesimpulan Jawaban Pertanyaan
kurang, waktu pendaftaran yang singkat dll.
Wawancara
Ada, Sebanyak 1 orang untuk ke empat pos
No Kesimpulan
pendaftaran yang merupakan
Pendaftaran dilakukan dari tanggal 27 Mei
1 17 security/satpam merangkap sebagai
2013 s/d 30 Mei 2013.
pengatur pendaftar agar tertib antri secara
Pendaftaran dilakukan di lapangan parkir
2 tertib dan teratur.
dan ruang kelas SMA Negeri 4 Padang.
Antrian pendaftaran paling panjang dan
Alamat lengkap SMA Negeri 4 Padang 18
tidak tertib terjadi pada pos 2.
yaitu Jl. Linggar Jati No. 1, Kel. Lubuk
3 Penyebab antrian panjang dan tidak tertib
Begalung, Kec. Lubuk Begalung, Kota
karena pos 2 merupakan tempat pembayaran
Padang, Propinsi Sumatera Barat.
uang pembangunan sekolah dan biaya ESQ
Pendaftaran dibuka dari pukul 09.00 s/d
4 sehingga petugas pendaftaran harus hati-hati
15.00 WIB. 19
menghitung uang yang dibayarkan
5 Tahapan pendaftaran sebanyak 4 tahap. pendaftar, mengembalikan uang kembalian
Tahapan pendaftaran yaitu: pendaftar serta membuatkan kuitansi
1. Menyerahkan bukti pendaftaran PSB pembayaran
On-Line yang berupa Print-Out PSB Solusi untuk memecahkan kesemerautan,
On-Line ketidak tertiban dan ketidak merataan
2. Membayar uang pembangunan sekolah antrian pendaftaran seperti merancang
dan training ESQ 20
6 susunan model pendaftaran ulang,
3. Membayar uang seragam sekolah mensimulasikan model, menambah petugas,
diantaranya yaitu seragam putih abu- menambah hari pendaftaran dll.
abu, pramuka, batik, muslim dan olah
raga
Diagram alir (flow chart) proses
4. Melakukan pemilihan ukuran pakaian
pendaftaran ulang siswa baru yang lulus PSB
yang telah dipesan
On-Line di SMA Negeri 4 Padang ditunjukkan
Pendaftaran dilakukan dengan membuka
pada gambar 4.1. dibawah ini:
beberapa pos pendaftaran dan menempatkan
7
petugas pelayanan pada masing-masing pos
pendaftaran.
Mulai
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 110
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 111
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 112
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
= Banyak data hari pertama + Banyak luas nilai z pada tabel z (Fz).
Ft = 0,5 - Fz = 0,5 - 0,3413 = 0,1587
data hari kedua + Banyak data hari
Ft = 0,5 - Fz = 0,5 - 0,3413 = 0,1587
ketiga + Banyak data hari keempat
Ft = 0,5 + Fz = 0,5 + 0,4783 = 0,9783
= 115 + 82 + 53 + 30
= 280 9. Menghitung nilai Fs Dengan
4. Untuk menghitung rata-rata data dapat menggunakan Rumus:
menggunakan rumus: Fs =
x=
Fs = Probabilitas komulatif empiris
Dalam penelitian ini maka:
= xi 1 + xi 2 + ….. + xi 280 Dalam penelitian ini data pada baris 1
= 1,0 + 1,0 + ….. + 350,0 (*) terdapat data 1,0 munculnya sebanyak 34
Sehingga: kali seperti tabel berikut ini:
SD =
maka:
Fs =
= = 0,1214
Sehingga:
10. Untuk menghitung nilai Absolute dapat
menggunakan rumus: |Ft - Fs|
SD = =
Dalam penelitian ini nilai Absolute adalah:
SD = = 115,4 |Ft - Fs| = |0,1587 – 0,1214| = 0,0363 (Data
baris 1)
|Ft - Fs| = |0,1587 – 0,1214| = 0,0363 (Data
6. Mengurutkan seluruh data dari yang
baris 2)
terkecil hingga yang terbesar kemudian
|Ft - Fs| = |0,9783 –1,0000|=0,0217 (Data baris
memasukkan hasilnya kedalam tabel
280)
perhitungan Kolmogorov-Smirnov.
11. Melengkapi seluruh data pada tabel
7. Untuk menghitung Z Score data dapat
tersebut tanpa ada yang kosong
menggunakan rumus:
12. Menghitung statistik uji pada tabel tersebut
Z= dengan rumus:
D = Maks |Ft - Fs| = |0.1483| = 0.1483 13.
Z= = = = - 1,0043 Kriteria Uji yaitu: Tolak Ho jika D
maks ≥ D tabel , terima H0 jika D maks <
Z= = = = - 1,0043 D Tabel. Dengan α = 0,05 dan n = 280.
Karena D maks = 0, 1483 < D tabel =
Z = = = = 0,2336, jadi Ho diterima, berarti sampel
yang diambil dari populasi yang
2,0192 terdistribusi secara normal.
13. Berdasarkan hasil perhitungan yang telah
8. Menghitung nilai Ft dari setiap baris data dilakukan didapat kesimpulan bahwa
yang akan diuji dan memasukkan nilai persebaran data yang didapat telah
tersebut kedalam tabel 4.6. Untuk terdistribusi secara normal.
menghitung nilai Ft dapat menggunakan
rumus:
Jika nilai z negatif, maka 0,5 dikurangi
luas wilayah pada tabel z (Fz)
Jika nilai z positif, maka 0,5 ditambah a. Simulasi Data Antrian
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 113
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Model pendaftaran ulang pada saat Tabel 11. Simulasi Antrian Pada Hari 1 Di Pos 3
pendaftaran ulang yaitu:
Tabel 10. Simulasi Antrian Pada Hari 1 Di Pos 2 b. Perancangan Model Usulan
Pada penelitian ini peneliti mengusulkan
agar model pendaftaran pada hari pertama
dimodifikasi menjadi enam pos pendaftaran.
Enam pos pendaftaran tersebut diusulkan
karena terjadi penumpukan antrian pada kedua
pos pendaftaran. Enam pos pendaftaran
tersebut terbentuk dari pemecahan pos
pendaftaran pertama dan kedua yang panjang
sehingga pos pendaftaran kedua dipecah
menjadi pos 1a, 1b dan 2a, pos 2b yang
melayani secara bersama-sama atau paralel.
Sedangkan pada hari kedua, ketiga dan
keempat model yang telah ada sudah cukup
baik karena antrian yang terjadi.
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 114
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
DAFTAR REFERENSI
5.6. Tabel Perbandingan Model Nyata [1] Bambang Sridadi (2009). “Pemodelan dan
Dengan Kasus 2 Simulasi Sistem”. . Bandung:
Informatika Bandung. 1 – 70.
Tabel 13. Perbandingan Model Nyata Dengan [2] Miftahol Arifin (2009). “Simulasi Sistem”
Model Usulan Kasus 2
. Yokyakarta: Graha Ilmu. 1 – 100.
[3] Simatupang T. M. (2009). “Pemodelan
Sistem”. . Klaten: Penerbit Nindita.
1 – 50.
[4] Walley T., Haycox A., Boland A. (2004).
“Pharmacoeconomics”. . Philadelphia:
Churchil Livingstone. 5 – 10.
[5] Banks, J. (1998). “Principles of
simulations”. . in “Handbook of
Simulations”. New York: John Wiley &
Sons, , chapter I, pp. 3–30.
[6] Borwein, E. B. J. (1989). “Collins
Dictionary Mathematics”. Great Britain:
Collins. 20 – 30.
[7] Sabungan H. Hutapea, Michael, Ngarap In
Manik (2011). Jurnal. “Perancangan
Program Simulasi Penjadwalan Busway-
Transjakarta dengan Metode Repetitive
Scheduling”. Jakarta: Kementrian
Perhubungan RI dan Universitas Bina
Nusantara. 1 – 9.
[8] Veni Rianti Gerson, Syaripuddin, Darnah
A. Nohe (2013). Jurnal. “Simulasi Antrian
di Bank Kaltim KCP Sei. Pinang
6. KESIMPULAN
Samarinda Menggunakan Promodel”.
Samarinda: Universitas Mulawarman. 65 –
Berdasakan penelitian yang telah
73.
dilakukan penulis dapat menarik beberapa
[9] Herry Purwanti, Erma Suryani (2012).
kesimpulan diantaranya yaitu:
Jurnal. “Pemodelan dan Simulasi Untuk
1. Setelah dilakukan pemecahan pos 1
Meningkatkan Market Share Kartu
menjadi 2 pos yaitu pos 1a dan 1b pada
Prabayar dengan Pendekatan Sistem
hari pertama pendaftaran diketahui bahwa
Dinamik”. Surabaya: Institut Teknologi
rata-rata lama pendaftar menunggu pada
Sepuluh Nopember (ITS). A278 – A283.
pos 1a dan 1b lebih kecil yaitu 3.7 menit
[10] Elsa Pudji Setiawati (2009). “Penyusunan
dan 2.8 menit yang sebelumnya selama 15
Model”. Bandung: Universitas
menit.
Padjajaran. 1 – 17. “Tidak Diterbitkan”.
[11] I Made Tirta, Drs., M. Sc., Ph. D. (2006).
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 116
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 117
PENENTUAN WAKTU BAKU PRODUKSI KERUPUK RAMBAK IKAN LAUT
“SARI ENAK” DI SUKOHARJO
Darsini
Program Studi Teknik Industri Fakultas Teknik
Universitas Veteran Bangun Nusantara Sukoharjo
E-mail : dearsiny@yahoo.com
ABSTRAK
Tujuan dalam penelitian ini adalah untuk mengetahui waktu baku dalam proses produksi
rambak/kerupuk ikan laut di KUBE “Sari Enak” yang beralamat di Wotgaled RT2 RW IX Sukoharjo.
Obyek penelitian adalah pada proses produksi pembuatan kerupuk rambak ikan laut. Metode yang
digunakan dalam pengumpulan data dengan cara observasi langsung di lapangan dan teknik
pengukuran waktu kerja dengan menggunakan metode pengukuran jam henti. Metode pengolahan data
dengan uji keseragaman data dan uji kecukupan data, kemudian dilakukan penghitungan waktu normal
dan waktu baku (standart) dalam proses produksi. Dari hasil pengolahan dan pembahasan diperoleh
bahwa data yang telah diperoleh selama 20 kali pengamatan yang terdiri dari 6 stasiun kerja
menunjukkan data seragam dan telah cukup. Sedangkan waktu baku yang digunakan untuk proses
produksi dalam pembuatan kerupuk rambak ikan laut dalam 1 periode pembuatan (60 kg)
membutuhkan waktu 306.58 menit, dalam satu hari dapat memproduksi kerupuk ikan laut sebanyak 1
sampai 2 kali produksi.
I. PENDAHULUAN
Kelurahan Sukoharjo merupakan salah satu kelurahan di pusat kota kabupaten
Sukoharjo namun pencaharian penduduknya masih ada yang buruh tani mencapai 1.485
orang, dan lain-lain mencapai 1.883 orang termasuk industri kecil yang bergerak di bidang
produksi makanan kecil. Salah satu industri kecil tersebut telah membentuk kelompok
usaha bersama (Kube) yang disebut KUBE ”Sari Enak” yang saat ini masih berkategori
Kube tumbuh. KUBE yang diberi nama ”Sari Enak” yang memproduksi makanan olahan
dari kulit ikan laut ”menjadi kerupuk rambak. Rambak adalah makanan semacam krupuk
atau kripik yang biasanya diolah dari kulit sapi, kerbau atau kambing. Rambak biasanya
dikonsumsi sebagai makanan kecil atau pendamping makan nasi. Kerupuk rambak yang
diproduksi KUBE ”Sari Enak” diberi label Rambak Asli Ikan Laut ” SARI ENAK” dan
telah dilakukan uji keamanan di Dinas Kesehatan Sukoharjo dan dinyatakan aman
dikonsumsi sehingga telah memiliki sertifikat tertanggal 04 Juni 2008 dengan kategori
Produksi Pangan Industri Rumah Tangga (P-IRT) No. 20233101188.
Kelompok usaha bersama (KUBE) ”Sari Enak” ini dirintis oleh Bapak Sri Yatno
sejak 4 tahun lalu. Dalam perkembangan usaha yang terus dijalankannya, makin lama
menunjukkan geliat hasilnya kemudian terbentuklah kelompok-kelompok yang mendukung
usaha ini yang hingga saat ini dipakailah sistem inti plasma. Sebagai inti adalah usaha
pengolahan kulit ikan laut yang dikelola oleh Bapak Sri Yatno sedang plasma adalah
kelompok-kelompok yang melakukan pengemasan terhadap produk jadi berupa kerupuk
rambak kulit ikan laut. Saat ini produksi kerupuk rambak yang dijalankan oleh KUBE ”Sari
Enak” hanya mencapai 50 kg bahan baku per 2 minggu. Padahal sebenarnya kapasitas
produksi bisa jauh lebih tinggi. Dari hasil pengamatan diketahui bahwa mulai dari proses
pengukusan, pencampuran bumbu, penjemuran, penggorengan dan pengemasan semua
dilakukan dengan cara manual. Meskipun dengan cara manual selain pencampuran bumbu
semua tahapan proses tidak terdapat kendala yang berarti. Untuk pemasaran krupuk ikan
219
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
Pengukusan, 30 menit
Pemotongan/pengirisan
Pencampuran bumbu
Pengeringan/Penjemuran
Penggorengan
Pengemasan
220
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
pengukuran secara langsung, yaitu pengukuran dengan cara jam henti (Stop Watch)
dan sampling pekerjaan (Wignyosoebroto, 1989).
Pengukuran waktu ditujukan juga untuk mendapatkan waktu baku
penyelesaian dalam proses produksi, yaitu yang dibutuhkan secara wajar oleh
seorang pekerja normal untuk menyelesaikan pekerjaan yang dijalankan
dalam system kerja yang terbaik (Sutalaksana, 1980 : 117)
Dimana :
Wb = Waktu baku
Wn = Waktu normal
L = Faktor Kelonggaran
221
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
Dimana :
X = Rata-rata dari seluruh sub group
X1 = Waktu penyelesaian yang diamati
n = Banyaknya data dari sub group ke-i
2. Menghitung harga rata-rata dari harga ratasub group
Dimana :
X = Rata-rata dari seluruh sub group
X = Rata-rata dari sub group
kσ = Banyaknya sub group
3. Menghitung harga standar deviasi sebenarnya dari waktu penyelesaian dengan
rumus sebagai berikut :
Dimana :
N = Jumlah pengamatan pendahulu yang sudah dilakukan
X1 = Data waktu pengamatan
4. Menghitung deviasi dari distribusi harga sub group dengan rumus sebagai berikut
:
Dimana :
σ = Standar deviasi sebenarnya
n = Banyaknya data setiap group/ukuran sub group
σX = Standar deviasi dari distribusi rata-rata sub group
5. Menghitung batas control atas dan batas control bawah dengan rumus sebagai
berikut :
BKA = X + k.σ. X
BKB = X – k.σ. X
Dimana :
K = Jarak batas pengendali dari garis tengah
- Tingkat kepercayaan 68% maka nilai k = 1
- Tingkat kepercayaan 95% maka nilai k = 2
- Tingkat kepercayaan 99% maka nilai k = 3
Data yang berada di luar batas kontrol atas dan batas kontrol bawah data tersebut
adalah data ekstrim dan harus dibuang (Wignyosoebroto, 1989).
222
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
N' = s
∑X
Dimana :
N` = keseragaman dan kecukupan data
N = banyak data yang diukur
k = tingkat kepercayaan
s = derajat ketelitian
Dari langkah uji keseragaman data data dan kecukupan data akan didapat harga N`
sehingga dapat diambil kesimpulan sebagai berikut :
- N` ≤ N maka data yang telah diambil sudah cukup dan tidak perlu melakukan
pengambilan data kembali.
- N` ≥ N maka data belum cukup dan harus melakukan pengambilan data -
tambahan sebanyak N`- N data
Dalam penelitian ini penulis mengambil tingkat kepercayaan 95% (k-2) dan derajat
ketelitian 5% (s – 0,05)
223
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
Persiapan :
- Identifikasi masalah
- Tujuan penelitian
N' = s
∑X
(N’≤N) Tidak
Ya
Menghitung Waktu Baku :
224
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
b. Standar deviasi
= 0,80
225
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
226
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
b. Batas Kontrol
BKA =
= 30,3 + 3 (0,36)
= 31,38
BKB =
= 30,3 - 3 (0,36)
= 29,22
2. Tes Keseragaman Data
Tingkat kepercayaan = 95%, maka nilai k = 2
Derajat ketelitian (s) = 5%
2
k N∑X 2
− (∑ X )2
N' = s
∑X
227
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
Jadi waktu baku untuk pekerjaan pengadukan satu tenaga kerja yang menangani
adalah 35,17 menit setiap kali pengolahan.
Dengan cara yang sama, maka untuk hasil perhitungan uji keseragaman dan kecukupan
semua data dikatakan seragam dan data telah cukup. Sedangkan juga waktu normal dan
waktu baku (standart) pada setiap stasiun kerja hasilnya seperti pada tabel 3.
B. Pembahasan
Berdasarkan pengumpulan data kemudian dilakukan pengolahan data di atas, dapat
dianalisa sebagai berikut :
1. Dalam proses produksi pembuatan rambak/kerupuk ikan laut di KUBE “Sari Enak” di
Wotgaleh Sukoharjo sampai produk akhir melalui enam stasiun kerja yang tujuannya
adalah untuk mempermudah dalam pengukuran waktu kerja.
2. Pengukuran waktu kerja dilakukan sebanyak 20 kali dengan cara pengukuran langsung
menggunakan stop watch dari masing-masing stasiun kerja atau urutan proses
produksinya.
3. Dari pengamatan yang telah dilakukan langsung di lokasi / KUBE “Sari Enak”
diperoleh total waktu standar dari 6 stasiun kerja adalah 306,58 menit. Dan setiap kali
pengamatan yang dilakukan sebanyak 20 kali setiap memasak 3 kg. Waktu yang
dibutuhkan untuk proses produksi dari stasiun kerja I sampai stasiun kerja 6 dengan
memasak 60 kg rambak/kerupuk ikan laut membutuhkan waktu standar sebesar =
306,58 menit atau 5.11 jam.
228
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
Tabel 3.
Perhitungan Waktu Normal dan Waktu Baku (Standart)
229
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
230
TAMPILAN LANTAI PRODUKSI 3D