Kamis - Kelompok02 - Bab I, Ii, Iii, Iv Modul I

BAB I
LANDASAN TEORI
1.1. Teori Buku

1.1.1. Sistem
1.1.1.1. Definisi Sistem
1
Pengertian sistem menurut para ahli konsep dasar sistem adalah sebagai
berikut.
1. Menurut Fat, pengertian sistem adalah sebagai berikut: “Sistem adalah suatu
himpunan suatu “benda” nyata atau abstrak (a set of thing) yang terdiri dari
bagian – bagian ataua komponen – komponen yang saling berkaitan,
berhubungan, berketergantungan, saling mendukung, yang secara keseluruhan
Bersatu dalam satu kesatuan (unity) untuk mencapai tujuan tertentu secara
efisien dan efektif”.
2. Pengertian sistem menurut Indrajit adalah kumpulan – kumpulan dari
komponen – komponen yang memiliki unsur keterkaitan antara satu dengan
lainnya.
3. Menurut Jogianto, sistem adalah kumpulan dari elemen – elemen yang
berinteraksi untuk mencapai suatu tujuan tertentu.
4. Pengertian sistem menurut Murdick adalah seperangkat elemen yang
membentuk kumpulan atau prosedur – prosedur atau bagan – bagan
pengolahan yang mencari suatu tujuan tertentu.
5. Pengertian sistem menurut Davis G. B. adalah kumpulan dari elemen –
elemen yang beroperasi bersama – sama untuk menyelesaikan suatu sasaran.
6. Definisi sistem menurut Dr. Ir. Harijono Djojodihardjo, “Suatu sistem adalah
sekumpulan objek yang mencakup hubungan fungsional antara tiap – tiap
objek dan hubungan antara ciri tiap objek, dan yang secara keseluruhan
merupakan suatu kesatuan secara fungsional.”
1.1.1.2. Karakteristik Sistem

1
Hutahaean, Jeperson. 2014. Konsep Sistem Informasi. Yogyakarta: Deepublish, hlm. 1 – 7.
Agar sistem itu dikatakan sistem yang baik, maka harus memiliki
karakteristik, yaitu:
1. Komponen
Suatu sistem terdiri dari sejumlah komponen – komponen yang saling
berinteraksi, yang artinya saling bekerja sama membentuk satu kesatuan.
Komponen sistem terdiri dari komponen yang berupa subsistem atau bagian –
bagian dari sistem.
2. Batasan sistem (boundary)
Batasan sistem merupakan daerah yang membatasi antara suatu sistem dengan
sistem yang lain atau dengan lingkungan luarnya. Batasan sistem ini
memungkinkan suatu sistem dipandang sebagai suatu kesatuan. Batasan suatu
sistem menunjukkan ruang lingkup (scope) dari sistem tersebut.
3. Lingkungan luar sistem (environment)
Lingkungan luar sistem (environment) adalah di luar batas dari sistem yang
mempengaruhi operasi sistem. Lingkungan dapat bersifat menguntungkan
yang harus dijaga dan yang merugikan harus dikendalikan, kalau tidak akan
mengganggu kelangsungan hidup dari sistem.
4. Penghubung sistem (interface)
Penghubung sistem merupakan media penghubung antara satu subsistem
dengan subsistem lainnya. Melalui penghubung ini memungkinkan sumber –
sumber daya mengalir dari subsistem ke subsistem lain. Keluaran (output) dari
subsistem akan menjadi masukan (input) untuk subsistem lain melalui
penghubung.
5. Masukan sistem (input)
Masukan adalah energi yang dimasukkan ke dalam sistem, yang dapat berupa
perawatan (maintenance input) dan masukan sinyal (signal input).
Maintenance input adalah energi yang dimasukkan agar sistem dapat
beroperasi. Signal input adalah energi yang diproses untuk mendapatkan
keluaran. Contohnya, dalam sistem komputer, program adalah maintenance
input sedangkan data adalah signal input untuk diolah menjadi informasi.
6. Keluaran sistem (output)
Keluaran sistem adalah hasil dari energi yang diolah dan diklasifikasikan
menjadi keluaran yang berguna dan sisa pembuangan. Contoh, komputer
menghasilkan panas yang merupakan sisa pembuangan, sedangkan informasi
adalah keluaran yang dibutuhkan.
7. Pengolah sistem
Suatu sistem menjadi bagian pengolah yang akan mengubah masukan menjadi
keluaran. Sistem produksi akan mengolah bahan baku menjadi bahan jadi.
Sistem akuntansi akan mengolah data menjadi laporan – laporan keuangan.
8. Sasaran sistem
Suatu sistem pasti mempunyai tujuan (goal) atau sasaran (objective). Sasaran
dari sistem sangat menentukan input yang dibutuhkan sistem dan keluaran
yang akan dihasilkan sistem.
1.1.1.3. Klasifikasi Sistem

Sistem dapat diklasifikasikan dalam beberapa sudut pandang antara lain:
1. Sistem abstrak
Sistem abstrak adalah sistem yang berupa pemikiran – pemikiran atau ide –
ide yang tidak tampak secara fisik.
2. Sistem fisik
Sistem fisik adalah sistem yang ada secara fisik.
3. Sistem alamiah
Sistem alamiah adalah sistem yang terjadi melalui proses alam, tidak dibuat
oleh manusia. Misalnya sistem perputaran bumi.
4. Sistem buatan manusia
Sistem buatan manusia adalah sistem yang dibuat oleh manusia yang
melibatkan interaksi antara manusia dengan mesin (human machine system).
5. Sistem tertentu
Sistem tertentu adalah sistem yang beroperasi dengan tingkah laku yang
sudah dapat diprediksi, sebagai keluaran sistem yang dapat diramalkan.
6. Sistem tak tentu
Sistem tak tentu adalah sistem yang kondisi masa depannya tidak dapat
diprediksi karena mengandung unsur probabilistik.
7. Sistem tertutup
Sistem tertutup adalah sistem yang tidak terpengaruh dan tidak berhubungan
dengan lingkungan luar. Sistem bekerja otomatis tanpa ada turut campur
lingkungan luar. Secara teoritis sistem tertutup ini ada. Namun kenyataannya,
tidak ada sistem yang benar – benar tertutup, yang ada hanya relatively
closed system.
8. Sistem terbuka
Sistem terbuka adalah sistem yang berhubungan dan terpengaruh dengan
lingkungan luarnya. Sistem ini menerima input dan output dari lingkungan
luar atau subsistem lainnya. Karena sistem terbuka terpengaruh lingkungan
luar, maka harus mempunyai pengendali yang baik.
1.1.2. Model
1.1.2.1. Konsep Model
2
Model adalah representasi dari suatu objek, benda atau ide – ide dalam
bentuk yang disederhanakan. Model berisi informasi – informasi tentang suatu
sistem yang dibuat dengan tujuan untuk mempelajari sistem yang sebenarnya.
Model dapat berupa tiruan dari suatu benda, sistem atau kejadian yang
sesungguhnya yang hanya berisi informasi – informasi yang dianggap penting
untuk ditelaah.
Dalam pemodelan, model dirancang sebagai penggambaran dari operasi
sistem nyata secara ideal guna menjelaskan atau menunjukkan hubungan –
hubungan penting yang terkait.
Tujuan dari studi pemodelan adalah menentukan informasi – informasi
yang dianggap penting untuk dikumpulkan, sehingga tidak ada model yang unik.
Satu sistem dapat memiliki berbagai model, bergantung pada sudut pandang dan
kepentingan pembuat model.
2
Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish, hlm. 1 – 3 dan 24 – 28.
1.1.2.2. Klasifikasi Model
Berikut merupakan klasifikasi model yang dapat dilihat pada Tabel 1.1.
Tabel 1.1. Klasifikasi Model
No Tipe Klasifikasi Tipe Model
Deskriptif (Kondisi Nyata)
1 Fungsi Prediktif (Meramalkan)
Normatif (Seharusnya)
Ikon
2 Struktur / Morfologi Analog
Simbolik
Statik
3 Waktu
Dinamik
Deterministik
4 Aspek Informasi
Probabilistik
Umum
5 Tingkat Generalisasi
Khusus
Interaksi dengan Terbuka
6
Lingkungan Tertutup
Kualitatif
7 Tingkat Kuantifikasi
Kuantitatif
2 dimensi
8 Dimensi
3 dimensi
Sumber: Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish,
hlm. 24 – 25.
Berikut merupakan penjelasan dari model – model di atas:

1. Model Deskriptif
Model ini menggambarkan kondisi atau kegiatan sekarang atau masa lalu
tanpa usaha memprediksi sesuatu. Contohnya:
a. Struktur organisasi
b. Laporan keuangan
c. Daftar isi buku
d. Layout suatu pabrik
2. Model Prediktif
Model ini menyatakan bila sesuatu terjadi, maka kejadian berikutnya akan
menyusul. Contohnya:
a. Teori antrian
b. Diagram keputusan
3. Model Normatif
Model ini memberikan jawaban terbaik dari alternated yang ada terhadap
sebuah masalah. Contohnya:
a. Model perencanaan CPM dan PERT
b. Model EOQ
4. Model Ikon
Model ini mempertahankan sebagian dari sifat – sifat fisik dari hal – hal yang
diwakilkan mereka, tetapi dalam skala yang berbeda. Contohnya:
a. Maket tiga dimensi sebuah Gedung
b. Model miniatur sebuah mobil
c. Model pesawat terbang
d. Foto udara sebuah kota
5. Model analog
Model ini menggunakan karakteristik suatu sistem untuk mempresentasikan
beberapa karakteristik sistem lainnya. Contohnya:
a. Aliran lalu lintas dengan aliran arus listrik
b. Gelombang pantul udara dengan gelombang permukaan air
c. Grafik yang menggunakan skala untuk mewakili hubungan antar variabel
d. Membuat garis pada flow chart yang menunjukkan pipa – pipa di suatu
kilang
6. Model simbolik
Model ini menggunakan berbagai simbol untuk menerangkan aspek – aspek
dunia nyata. Contohnya:
a. Model antrian
b. Model Monte Carlo
c. Program Linear
d. Model Break Event Point
7. Model statik
Model ini mengabaikan pengaruh waktu dalam modelnya. Contohnya:
a. Struktur organisasi
b. Model diagram alir produksi
c. Model perhitungan laba dengan probabilitasnya
d. Model input – output dalam proses produksi
8. Model dinamik
Model ini menunjukkan perubahan setiap saat akibat aktivitas – aktivitasnya,
yang memiliki waktu sebagai variabel bebas. Contohnya:
a. Model pertumbuhan populasi
b. Model laporan penjualan
c. Model nilai semester mahasiswa
d. Model jumlah penerimaan mahasiswa di suatu kampus
9. Model deterministik
Model ini merupakan pemecahan dari sebuah model dalam situasi yang pasti.
Peluang sifat terjadinya yaitu sempurna atau sudah pasti. Contohnya:
a. Laba sama dengan pendapatan dikurangi biaya
b. Perhitungan persediaan model EOQ
10. Model probabilistik
Model ini merupakan model yang mencakup distribusi – distribusi
kemungkinan variabel dengan probabilitas yang berkaitan dengan tiap nilai.
Keputusan berdasarkan nilai ekspektasi yang optimum. Contohnya:
a. Diagram pohon keputusan
b. Peta pengendalian statistik
c. Model Monte Carlo
1.1.3. Pemodelan Sistem

Pemodelan sistem merupakan kumpulan aktivitas dalam pembuatan
model di mana model merupakan perwakilan atau abstraksi dari sebuah objek atau
situasi aktual suatu penyederhanaan dari suatu realitas yang kompleks.
1.1.4. Simulasi
1.1.4.1. Konsep Simulasi
3
Simulasi merupakan teknik penyusunan model dari suatu keadaan nyata
(sistem) dan kemudian melakukan percobaan pada model tersebut. Simulasi
merupakan alat yang fleksibel dari model atau metode kuantitatif. Pada umumnya,
simulasi cocok bila diterapkan untuk menganalisa interaksi masalah yang rumit
dari sistem sedangkan penggunaan teknik analisa yang ada sangat terbatas.
Simulasi juga berguna untuk mengetahui pengaruh atau akibat suatu keputusan
dalam jangka waktu tertentu.
Keuntungan utama menggunakan simulasi adalah kemampuan dalam
menyelesaikan masalah atau eksperimen atas suatu sistem atau ekosistem yang
mengandung masalah ketidakpastian, tanpa mengganggu atau mengadakan
perlakuan atas sistem yang sedang diteliti. Keuntungan lain adalah waktu
penyelesaian masalah secara singkat dengan hasil yang dipercaya.
1.1.4.2. Tipe – Tipe Simulasi

4
Simulasi terbagi kedalam beberapa jenis yang dibagi kedalam beberapa
pengelompokkan, diantaranya yaitu:
1. Berdasarkan Perangkat Keras
a. Simulasi Analog
b. Simulasi Digital
c. Simulasi Hybird
2. Berdasarkan Waktu Simulasi
a. Simulasi Waktu Nyata (Real Time)
b. Simulasi Off-Line
3. Berdasarkan Teknik / Metodologi
a. Simulasi Monte Carlo
b. Simulasi Kemudi Jejak (Trace Driven)
3
Siregar, Kiman. 2016. Simulasi dan Pemodelan. Yogyakarta: Deepublish, hlm. 1 – 3.
4
Halifia, dkk. 2015. Pemodelan dan Simulasi Sistem dengan Metoda Kolmogorov-Smirnov pada
Antrian Pendaftaran Ulang Siswa Baru Yang Lulus Psb Online. Jurnal Prosiding ISSN: 2460–
4690 Vol. 1, hlm. 104.
c. Simulasi Kejadian Diskrit
d. Simulasi Dinamis Kontinyu
1.1.4.3. Tahapan Simulasi

5
Tahapan atau prosedur yang perlu dilakukan dalam melakukan simulasi
adalah formulasi masalah, menentukan kelayakan simulasi, menyusun model,
memvalidasi model, menerapkan model simulasi dan menganalisa hasil simulasi.
Formulasi masalah dilakukan untuk menentukan alternatif metode
pemecahan masalah. Pemecahan masalah yang rumit seringkali tidak dapat
dilakukan dengan menggunakan teknik analisa biasa sehingga alternatif
pemecahan dengan simulasi sangat memungkinkan sebagai pemecahan yang lebih
baik.
Pemecahan model simulasi dilakukan dengan mengidentifikasi
komponen-komponen sistem ke dalam formulasi matematik atau program
komputer. Pada pembuatan model simulasi penekanannya diarahkan pada
karakteristik utama sistem. Pada bagian ini terdapat beberapa komponen atau
bagian yang ditinggalkan dan ada pula pengidentifikasian variabel yang
merupakan suatu asumsi atau ketetapan baku dari sistem.
Validasi model dilakukan untuk meyakinkan bahwa model simulasi
mencerminkan sistem yang sebenarnya. Validasi dilakukan dengan cara
membandingkan hasil simulasi dengan hasil yang sebenarnya. Akan tetapi jika
model simulasi tersebut sifatnya memberikan prediksi, perbandingan hasil
tersebut tidak perlu dilakukan
Setelah validasi model dilakukan, model simulasi harus dicoba dengan

memberikan nilai pada parameternya. Jika analisa keluaran dari simulasi tersebut
menunjukkan kesesuaian dengan tujuan, maka model simulasi tersebut dapat
digunakan. Akan tetapi jika tujuan tersebut tidak terpenuhi, maka perlu dilakukan
perubahan desain dan formulasi model. Sehingga model simulasi ini
merupakan suatu prosedur kerja trial and error (uji coba).
1.1.4.3. Dasar Distribusi
5
Siregar, Kiman. Op. cit, hlm. 2 – 3.
1.1.4.3.1. Distribusi Peluang Diskrit
6
Pada peubah acak diskrit setiap nilainya dikaitkan dengan peluang
tertentu. Misalnya, dalam pelemparan uang logam sebanyak 3 kali, peubah acak
X, yaitu banyaknya sisi gambar, mengaitkan peluang sebesar 3/8 pada nilai
peubah acak 2, karena 3 di antara 8 titik contoh mempunyai kemungkinan yang
sama untuk menghasilkan 2 sisi gambar dan 1 sisi angka. Dengan mengasumsikan
peluang yang sama untuk setiap kejadian sederhana, maka peluang M bernilai 0
adalah 1/3.
Sering kali, lebih memudahkan bila semua peluang suatu peubah acak
dinyatakan dalam sebuah rumus. Rumus demikian ini tentulah merupakan fungsi
nilai-nilai x, oleh karena itu kita akan melambangkan dengan f(x), g(x), r(x), dan
pasangan berurutan (x,f(x)) disebut fungsi peluang atau sebaran peluang bagi
peubah acak X.
Sebuah tabel atau rumus yang mencantumkan semua kemungkinan nilai
suatu peubah acak diskret berikut peluangnya disebut sebaran peluang diskret.
1.1.4.3.1.1. Distribusi Binomial

Suatu percoban sering kali terdiri atas ulangan-ulangan, dan masing-
masing mempuyai dua kemungkinan hasil yang dapat diberi nama berhasil atau
gagal. Misalnya saja dalam pelemparan sekeping uang logam sebanyak lima kali,
hasil setiap ulangan kemungkinan muncul sisi gambar atau sisi angka. Maka dapat
ditentukan salah satu diantara keduanya sebagai berhasil. Begitu pula bila lima
kartu diambil berturut-turut, dapat diberi label “berhasil” bila yang terambil
adalah kartu merah atau “gagal” bila yang terambil adalah kartu hitam. Bila setiap
kali kartu dikembalikan sebelum pengambilanberikutnya, maka kedua percobaan
yang disebutkan tersebut mempunyai ciri-ciri yang sama, yaitu bahwa ulangan-
ulangan tersebut bersifat bebas dan peluang keberhasilan setiap ulangan tetap
sama yaitu sebesar . Percobaan semacam ini dinamakan percobaan binom.

1.1.4.3.1.2. Distribusi Hipergeometrik
6
Walpole, Ronald.1992. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama, hlm. 95.
Secara umum, pada peluang terambilnya x keberhasilan dan k benda
yang diberi label berhasil dan n – x kegagalan dari N – k benda yang diberi label
gagal, bila suatu contoh berukuran n diambil dari sebuah populasi terhingga
berukuran N. Percobaan demikian ini dikenal sebagai percobaan hypergeometric.
Percobaan hypergeometric bercirikan dua sifat berikut:
1. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N.
2. K dari N benda diklasifikasikan sebagai berhasil dan N – kbenda
diklasifikasikan sebagai gagal.
Bila dalam populasi N benda, k benda di antaranya diberi label ‘berhasil’
dan N – k benda lainnya diberi label ‘gagal’, maka sebaran peluang bagi peubah
acak hypergeometric X, yang menyatakan banyaknya keberhasilan dalam contoh
acak berukuran n, adalah:
Keterangan:
x = Peluang terambil
N = Populasi
n = Jumlah yang terambil
k = Banyaknya keberhasilan
1.1.4.3.1.3. Distribusi Poisson

Percobaan yang menghasilkan nilai-nilai bagi suatu peubah acak X,
yaitu banyaknya hasil percobaan yang terjadi selama suatu selang waktu tertentu
atau di suatu daerah tertentu, sering disebut percobaan Poisson. Selang waktu
tersebut dapat berapa saja panjangnya, misalnya semenit, sehari, seminggu,
sebulan, atau bahkan setahun. Daerah yang dimaksud dapat berupa suatu ruas
garis, suatu luasan, suatu volume, atau mungkin sepotong bahan.
Percobaan Poisson memiliki ciri-ciri berikut :
1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu
daerah tertentu, tidak bergantung pada banyaknya hasil percobaan yang
terjadi pada selang waktu atau daerah lain yang terpisah.
2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang
singkat sekali atau dalam suatu daerah yang kecil, sebanding dengan panjang
selang waktu tersebut atau besarnya daerah tersebut dan tidak bergantung
pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau daerah
tersebut.
3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang
waktu yang singkat tersebut atau dalam daerah yang kecil tersebut, dapat
diabaikan.
1.1.4.3.1.4. Distribusi Seragam

Diantara semua sebaran peluang diskrit, yang paling sederhana adalah
sebaran seragam diskrit. Dalam sebaran ini, setiap nilai peubah acak mempunyai
peluang terjadi yang sama. Bila peubah acak X mempunyai nilai-nilai x1, x2, x3, …,
xk dengan peluang yang sama, maka sebaran seragam diskritnya diberikan oleh
1 1 2 3 k
f ( x; k ) 
k ' x = x , x , x , ..., x .
untuk
Telah digunakan notasi f (x; k) alih-alih f(x) untuk menunjukkan
bahwa sebaran seragam itu bergantung pada parameter k. Contohnya, bila sebuah
dadu setimbang dilemparkan,setiap unsur ruang contoh S = {1,2, 3,4, 5, 6}
mempunyai peluang yang sama untuk muncul yaitu, 1/6. Oleh karena itu, dimiliki
sebaran seragam dengan
untuk x = 1, 2, 3, 4, 5,6.
Sajian grafik histogram bagi sebaran seragam ini selalu berupa beberapa
empat-persegi-panjang dengan tinggi yang sama. Histogram bagi contoh tersebut
diperlihatkan pada Gambar 1.1.
Sumber: Ronald E. Walpole . 1992. Pengantar Statistika Edisi ke-3 .
Gambar 1.1. Histogram Bagi Pelemparan Sebuah Dadu
Tidak sukar melihat bahwa sebaran bagi semua kemungkinan
himpunan bagian berukuran n dari suatu populasi terdiri atas 4 pendeta A, B, C,
dan D, di sebuah kota kecil. Dari keempatnya dipilih dua orang secara acak untuk
memimpin upacara Thanksgiving Day di gereja. Maka banyaknya kombinasi yang
mungkin adalah = 6, yang dapat didaftarkan sebagai: AB, AC, AD, BC,
BD, dan CD. Karena masing-masing mempunyai kemungkinan terpilih yang
sama, maka sebarannya adalah seragam dengan

untuk x = 1,2, …, 6.
Sehingga,
P (B dan D terpilih) = P(X=5) = f (5;6) = .

Secara umum, nilai k dalam rumus sebaran seragam diberikan oleh
bila diambil suatu himpunan bagian berukuran n dari suatu ruang contoh
terhingga berukuran N.
1.1.4.3.1.5. Distribusi Binom Negative

Percobaan binom negatif mempunyai ciri yang sama dengan
percobaan binom, kecuali bahwa ulangan diulang terus sampai terjadi sejumlah
tertentu keberhasilan. Jadi, daripada menentukan peluang x keberhasilan dalam n
ulangan, dengan n telah ditetapkan terlebih dahulu, sekarang dengan peluang
bahwa keberhasilan ke-k terjadi pada ulangan ke-x. Bilangan x yang menyatakan
banyaknya ulangan yang menghasilkan k keberhasilan dalam suatu percobaan
binom negatif disebut peubah acak binom negatif, sedangkan sebaran peluangnya
disebut distribusi binom negatif.
Bila ulangan yang bebas dan berulang-ulang dapat menghasilkan
keberhasilan dengan peluang pdan kegagalan dengan peluang q = 1 – p, maka
distribusi peluang bagi peubah acak X, yaitubanyaknya ulangan sampai terjadinya
k keberhasilan diberikan menurut rumus:
1.1.4.3.1.6. Distribusi Bernoulli

Suatu distribusi Bernoulli dibentuk oleh suatu percobaan Bernoulli
(BernoulliTrial). Sebuah percobaan Bernoulli harus memenuhi syarat:
1. Keluaran (outcome) yang mungkin hanya salah satu dari ‘sukses’ atau ‘gagal’
2. Jika probabilitas sukses p, maka probabilitas gagal q = 1 – p.
Dalam sebuah percobaan Bernoulli, di mana p adalah probabilitas
“sukses” dan q = 1 – p adalah probabilitas gagal, dan jika X adalah variabel acak
yang menyatakan sukses, maka dapat dibentuk sebuah distribusi probabilitas
Bernoulli sebagai fungsi probabilitas sebagai berikut:
P x=1
PB(x;p) = (1-p) = q x= 0
x≠0 atau 1
atau
pB ; x = 0,1 , dimana,
Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada

persamaan di atas dapat dipahami bahwa fungsi tersebut adalah fungsi dengan
satu parameter, yaitu p.
1.1.4.3.2. Distribusi Probabilitas Kontinu

Banyaknya kemungkinan hasil suatu percobaan mungkin saja tidak
terhingga atau tidak tercacah. Misalnya saja, mengukur jarak yang ditempuh
sebuah mobil yang diisi 5 liter bensin. Dengan mengasumsikan bahwa jarak dapat
diukur seteliti mungkin, maka jelas didapat tak hingga banyaknya kemungkinan
jarak ini tidak dapat disamakan dengan bilangan cacah. Dengan demikian bila
suatu ruang contoh mengandung tak hingga banyaknya titik contoh yang sama
dengan banyaknnya titik pada sebuah ruas gari, maka ruang itu disebut ruang
contoh kontinu.
1.1.4.3.2.1.Distribusi Normal
Sebaran peluang kontinu yang terpenting dalam seluruh bidang
statistika adalah distribusi normal. Distribusi normal, disebut pula distribusi
Gauss untuk menghormati Karl Friedrich Gauss (1777-1855), yang juga berhasil
mendapatkan persamaannya dari studi mengenai galat dalam pengukuran yang
berulang-ulang terhadap benda yang sama.
Sumber: Ronald E. Walpole. 1992. Pengantar Statistika Edisi Ke-3
Gambar 1.2 Kurva Normal
1.1.4.3.2.2.Distribusi T
Distribusi dengan variabel acak kontinu lainnya, selain dari distribusi
normal ialah distribusi Student atau distribusi T. Fungsi densitasnya adalah :
Berlaku untuk harga-harga t yang memenuhi -∞ <t < ∞ dan K merupakan

bilangan tetap yang besarnya bergantung pada n sedemikian sehingga luas daerah
d bawah kurva sama dengan satu unit.
Bilangan (n – 1) dinamakan derajat kebebasan, yang disingkat dengan
dk. Jika sebuah populasi mempunyai model persamaan di atas maka dikatakan
populasi itu berdistribusi t dengan dk = (n – 1). Bentuk grafiknya seperti grafik
distribusi normal baku, simetrik terhadap t = 0, sehingga sepintas lalu hampir tak
ada bedanya. Harga-harga n yang besar, biasanya n ≥ 30, distribusi t mendekati
distribusi normal baku.
1.1.4.3.2.3.Distribusi F
Distribusi F ini juga mempunyai variabel acak yang kontinu. Fungsi
densitasnya mempunyai persamaan:
dengan variabel acak F memenuhi batas F> 0, K = bilangan tetap yang harganya
bergantung pada v1dan v2 sedemikian sehingga luas di bawah kurva sama dengan
satu, v1= dk pembilang dan v2= dk penyebut. Jadi distribusi F ini mempunyai dua
buah derajat kebebasan. Grafik distibusi F tidak simetrik dan umumnya sedikit
positif.
1.1.4.3.2.4.Distribusi Chi-Square
Distribusi chi-square atau chi-kuadrat merupakan distribusi dengan
variabel acak kontinu. Simbol yang dipakai untuk chi-kuadrat ialah X 2.
Persamaan distribusi chi-kuadrat adalah:
2
Dengan u = X untuk memudahkan menulis, dan harga u > 0, v =
derajat kebebasan, K = bilangan tetap yang bergantung pada v, sedemikian
sehingga luas daerah di bawah kurva sama dengan satu satuan luas dan e =
2,7183.
1.1.4.3.2.5. Distribusi Weibull

Distribusi weibull pertama kali diperkenalkan oleh ahli fisika dari
swedia waloddi weibull pada tahun 1939. Dalam aplikasinya, distribusi ini sering
digunakan untuk memodelkan “waktu sampai kegagalan (time to failure)” dari
suatu sistem fisika.
Jika sebuah variabel acak kontinu X memiliki distribusi Weibull
dengan parameter bentuk α dan faktor skala β, di mana α > 0 dan β > 0, maka
fungsi kepadatan probabilitas dari X adalah:
Fungsi di atas mudah diintegralkan, sehingga diperoleh fungsi distribusi

kumulatif Weibull:
1.1.4.3.2.5. Distribusi Gamma
Untuk eksperimen-eksperimen probabilitas yang hasilnya
menunjukkan suatu bentuk distribusi yang mempunyai variasi ukuran
kemencengan yang cukup signifikan, distribusi gamma merupakan salah satu
alternatif model yang banyak digunakan.
Fungsi yang banyak memegang peranan penting dibanyak cabang matematika

terapan adalah fungsi gamma. Definisikan untuk α ≥ 0 fungsi gamma adalah
dx
Sifat-sifat penting fungsi gamma adalah:
1. Untuk sebuah bilangan bulat positif n,
2. Didefinisikan:
3. Untuk setiap berlaku

Sebuah variabel acak kontinu X dikatakan memiliki distribusi gamma
dengan parameter bentuk dan parameter skala β dimana α > 0 dan β > 0 jika
fungsi kepadatan probabilitas dari X adalah:
Sedangkan fungsi distribusi kumulatif gamma adalah:
P (X ≤ x) =
1.1.5. Software Flexsim

1.1.5.1. Defenisi Flexsim
7
Flexsim adalah aplikasi perangkat lunak simulasi berbasis PC
digunakan untuk memodelkan, simulasi dan visualisasi proses bisnis. Flexsim
dapat membantu menentukan kapasitas pabrik, menyeimbangkan lini
7
Nunung, dkk. 2015. Simulasi Flexsim Untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan
Rumah Sakit X. Jurnal Ilmiah Teknik Industri. Vol. 3 No. 2, hlm. 69 – 75.
manufakturing, mengatur penyebab penundaan, memecahkan masalah inventori,
menguji praktek penjadwalan baru, dan mengoptimumkan laju produksi. Setiap
model Flexsim dapat digambarkan dalam animasi realitas virtual 3D. Selain itu,
Flexsim memungkinkan pemodel dengan kemampuan pemrograman model dan
submode secara langsung dalam C++. Tampilan awal pada Software Flexsim
dapat dilihat pada Gambar 1.3.
Gambar 1.3. Tampilan Awal

Sumber: Software FlexSim 2019
1.1.5.2. ExpertFit
8
ExpertFit memungkinkan seseorang untuk menentukan secara otomatis
dan akurat yang probabilitas distribusi terbaik mewakili kumpulan data. Dalam
banyak kasus analisis yang lengkap dapat dilakukan dalam waktu kurang dari 5
menit. Tujuannya adalah untuk memberikan analisis simulasi dalam pemodelan
sumber yang acak (misalnya, waktu layanan) dengan tidak adanya data
ExpertFit secara luas digunakan oleh para analis melakukan discrete-
event simulasi sistem dunia nyata di bidang aplikasi seperti pertahanan,
manufaktur, transportasi, Kesehatan, pusat panggilan, dan jaringan komunikasi.
Untuk para pengguna. ExpertFit akan mengambil distribusi yang dipilih dan
8
Averill M. Law & Associates. 2013. ExpertFit Demonstration Version 8, hlm. 2.
memasukkannya ke dalam format yang tepat untuk input langsung ke sejumlah
besar produk simulasi-perangkat lunak yang berbeda.
ExpertFit adalah juga digunakan untuk analisis data dalam berbagai
disiplin ilmu seperti Actuarial Science, Agriculture, kimia, ekonomi, analisis
lingkungan, keuangan, kehutanan, hidrologi, obat, Meteorologi, pertambangan,
fisika, psikologi, rekayasa keandalan, dan analisis risiko.
ExpertFit adalah hasil dari 33 tahun penelitian statistik. Semua hasil
ExpertFit dapat dicetak atau disalin ke clipboard Windows dan digunakan dalam
aplikasi (misalnya, Microsoft Word atau Excel). Tampilan awal pada ExpertFit
dapat dilihat pada Gambar 1.4.
Sumber: Software FlexSim 2019

Gambar 1.4. Tampilan Awal
1.1.5.2.1. Tipe-Tipe Analisis ExpertFit

ExpertFit dapat melakukan tiga jenis analisis utama yang diberikan
pada Tabel 1.2.
Tabel 1.2. Tipe – Tipe Analisis ExpertFit
Modul Deskripsi
Data Analysis Digunakan untuk menentukan distribusi
probabilitas apa yang terbaik mewakili
kumpulan data. ExpertFit menentukan
distribusi terbaik secara otomatis atau
menentukan distribusi untuk
dipertimbangkan secara manual.
Digunakan untuk menentukan distribusi
probabilitas untuk waktu tugas ketika
tidak ada data yang tersedia. ExpertFit
Task-Time Models
menentukan distribusi Weibull,
lognormal, atau triangular sebagai model
untuk waktu tugas.
Digunakan untuk memodelkan waktu
henti acak suatu mesin ketika tidak ada
Machine-Breakdown
data downtime yang tersedia. ExpertFit
Models
menentukan distribusi waktu sibuk dan
waktu henti distribusi.
Sumber: Averill M. Law & Associates. 2013. ExpertFit Demonstration Version 8
1.2. Jurnal Internet
1.2.1. Pendahuluan
Menurut Siagian (1987), antrian merupakan suatu garis tunggu dari orang
atau barang yang memerlukan layanan dari satu atau lebih pelayan (fasilitas
layanan). Kondisi mengantri merupakan kondisi dimana sekumpulan objek berupa
orang, komponen, atau mesin yang menunggu dalam suatu urutan tertentu untuk
mendapatkan layanan. Antrian terjadi ketika kemampuan layanan lebih kecil
dibandingkan dengan kebutuhan akan layanan. Antrian yang tidak terkontrol akan
mengakibatkan waktu tunggu panjang yang mengakibatkan penumpukan material
pada stasiun tertentu (bottleneck). Kondisi tersebut akan mengurangi produktivitas
dan merugikan perusahaan. Kilat Makmur Furniture adalah industri kecil yang
bergerak dalam produksi furniture kayu. UMKM ini memproduksi rak, kursi dan
meja dari kayu. Jumlah karyawan ada 3-4 orang yang bekerja pada bagian
pemotongan, assembly dan finishing. Tahapan proses produksi yaitu kedatangan
bahan baku, bahan baku kemudian dipotong sesuai desain dan ukuran, assembly,
inspeksi, finishing (pendempulan dan pengecatan), dan inspeksi akhir. Proses di
dalam sistem produksi dijalankan menggunkan mesin dan manusia. Masalah yang
paling sering dijumpai pada UMKM ini adalah penumpukan produk pada
beberapa stasiun kerja. Penumpukan yang terjadi mengakibatkan terganggu nya
proses produksi yaitu barang jadi menjadi lebih lama karena proses antrian yang
panjang sehingga memerlukan waktu yang lama untuk prosesnya. Selain itu
antrian yang panjang pada salah satu stasiun menyebabkan stasiun lain menjadi
terganggu baik menjadi menganggur atau bahkan berhenti karena menunggu
barang dari stasiun yang mengalami antrian yang panjang (Mulyono,1991).
Simulasi dengan Software Arena dapat mempresentasikan sebuah sistem produksi
dan membangun model eksperimen dengan menggunakan model-model yang
menyatakan proses atau logika dalam sistem (Wahyani, 2014).
1.2.2. Metode Penelitian

1.2.2.1. State of the Art
Penyusunan paper ini mengambil beberapa referensi penelitian
sebelumnya termasuk jurnal-jurnal yang berhubungan dengan penelitian ini.
Penelitian pertama, dilakukan oleh Widhy Wahyani (2014) yang menganalisis
terjadinya bottle neck pada produk sarung tenun dengan pendekatan simulasi
ARENA.
1.2.2.2. Tahapan Penelitian

Tahapan pertama adalah tahap identifikasi awa studi literatur dengan
menggunakan beberapa jurnal untuk memperoleh informasi yang dapat digunakan
dalam penelitian ini, selanjutnya adalah penentuan latar belakang dan perumusan
masalah serta penentuan tujuan dan batasan dan asumsi.
Tahap selanjutnya adalah pengumpulan dan pengolahan data dengan
Software Arena. Pada tahap ini pengumpulan data dilakukan melalui observasi
pengamatan lansung baik (direct maupun indirect observation) pada proses
pembuatan furniture yaitu data waktu proses pemotongan, proses assembly, proses
pengamplasan, proses pengecatan dan proses rework.
Tahapan selanjutnya adalah pembuatan model simulasi dengan
menggunakan ARENA.
1.2.2. 3. Hasil dan Pembahasan
Dari hasil pengamatan di lapangan diketahui bahwa proses pembuatan
furniture memiliki tahapan proses pengerjaan yang sama yaitu tahapan proses
pemotongan kayu (bahan baku) dimana kayu akan dipotong sesuai ukuran dan
bentuk yang furniture yang akan dibuat. Tahapan berikutnya adalah proses
pemeriksaan (inspeksi) untuk mengetahui kelayakan kualitas produk, pada
tahapan ini akan ditentukan mana produk yang dimasukkan dalam produk siap
finishing atau masuk produk reject atau produk rework. Produk yang masuk
dalam kategori siap finishing selanjutnya akan dilakukan proses pengampelasan
dan pengecatan. Produk yang masuk kategori cacat akan dikerjakan ulang
(rework) menjadi produk yang sama atau produk lain yang kualitasnya lebih
rendah. Data waktu pemotongan, Inspeksi, dan Assembly pada pembuatan rak
buku dapat dilihat pada Tabel 1.3.
Tabel 1.3. Data Waktu Pemotongan, Inspeksi dan Assembly
Pada Pembuatan Rak Buku.
Waktu Proses (menit)
Waktu Waktu Waktu
Pemotonga Inspeksi Assembl
n Pemotongan y
9 3 10
7 2 13
8 2 9
10 3 13
9 3 13
10 2 7
5 3 9
7 1 8
10 1 15
8 1 10
6 3 5
7 1 9
6 2 14
6 2 11
10 1 15
10 2 10
7 3 6
6 2 10
8 2 13
5 3 14
Sumber: Pengolahan Data Excel 2017
Tabel 1.4. Pengolahan Uji Distribusi Waktu Pemotongan, Inspeksi

dan Assembly Pada Pembuatan Rak Buku
Distribution Summary
Pemotongan Assembly Inspeksi
Rak
Distribution : Beta Beta Beta
4.5 + 4.5 + 0.5 +
Expression : 6*BETA(1.03, 11*BETA(1.48 6*BETA(1.39,
0.898) , 1.17) 1.22)
Square Error : 0.013937 0.038376 0.000588
Chi Square Test
Number of intervals 3 3 3
Degrees of freedom 0 0 0
Test Statistic =0.102 =0.887 =0.0333
Corresponding p-value <0.005 <0.005 <0.005
Data Data
Data Summary
Summary Summary
Number of Data Points 20 20 20
Min Data Value 5 5 1
Max Data Value 10 15 3
Sample Mean =7.7 =10.7 =2.1
Sample Std Dev =1.75 =2.96 =0.788
Histogram Histogram Histogram

Summary Summary Summary
Histogram Range =4.5 to 10.5 =4.5 to 15.5 =0.5 to 3.5

Number of Intervals 6 11 3
Sumber: Pengolahan Data Excel dan Input Analyze 2017
Proses produksi dari pembuatan furniture yang telah diidentifikasi dengan
melihat laju aliran produksinya dan jenis dari distribusinya kemudian
digambarkan dengan ARENA, seperti pada tampilan model ARENA di bawah ini,
Sumber: Software ARENA

Gambar 1.3. Model Simulasi Arena
Berdasarkan hasil dari model awal yang telah dilakukan, terjadi

penumpukan antrian pada stasiun pengamplasan dan pendempulan. Oleh karena
itu, dibuat skenario model simulasi antrian pada stasiun operasi pengamplasan dan
pendempulan di UMKM Kilat Makmur dengan menambah dua stasiun kerja
menjadi stasiun pengamplasan dan pendempulan 2 dan 3. Berikut adalah model
usulan simulasi antriannya menggunakan software Arena for Student.

Gambar 1.4. Model Flowchart Usulan Arena
Berikut merupakan gambaran animasi simulasi perbaikan dengan
penambahan stasiun Pengamplasan dan Pendempulan 2 dan 3.

Gambar 1.5. Model Simulasi Usulan Arena
1.2.3. Kesimpulan
Kesimpulan dari simulasi antrian yang telah dilakukan pada UMKM Kilat
Makmur Furniture,antara lain:
1. Berdasarkan item Number In dan Number Out terlihat banyak bahan baku
yang bisa diproses/ dilayani mencapai 100%.
2. Dari item number waiting terlihat bahwa number waiting terbesar terdapat
pada proses pengampelasan yaitu sebesar 27.
3. Setelah dilakukan perbaikan yaitu penambahan stasiun pengamplasan
menjadi total 3 buah maka pada item number waiting terlihat bahwa number
waiting turun dari 27 menjadi rata-rata 9.
4. Berdasarkan analisis biaya yang dikeluarkan pada stasiun pengamplasan dan
pendempulan ketika membuat 1.350 produk didapat bahwa pengguaan 1
stasiun, biaya pelayanan per unit sebesar Rp 23.176,13 dan biaya menunggu
per unit sebesar Rp 10.631.250. Menggunakan 3 stasiun, biaya pelayanan per
unit Rp 69.528,41 dan biaya menunggu per unit sebesar Rp 3.543.750. Biaya
total per unit menggunakan 1 stasiun adalah Rp 10.654.426,13 dan jika
menggunakan 3 stasiun sebesar Rp 3.613.278,41. Dilihat dari biaya total,
menggunakan 3 stasiun lebih kecil dibandingkan menggunakan 1 stasiun.
BAB II
PENGUMPULAN DATA
2.1 Deskripsi Gambaran Sistem

Pada simulasi ini akan membahas proses produksi dari benda kerja yaitu
ragum pada PT. PRIMAX. Ragum terdiri dari beberapa komponen yaitu landasan,
badan penjepit kiri, badan penjepit kanan, rahang penjepit kiri, rahang penjepit
kanan, badan pemutar, handle, dan badan lahar. Komponen-komponen tersebut
terbuat dari material baja yaitu baja ASTM dan baja ST37. Adapun dalam
produksi ragum ini jenis mesin yang digunakan bermacam - macam yaitu mesin
gerinda, sekrap, milling, drilling, bubut dan tap and dies. Model simulasi yang
akan digunakan adalah model diskrit.
Masing – masing mesin digambarkan ke dalam layout terpilih sesuai
dengan area mesin. Dilakukan juga penambahan material handling berupa hand
truck. Adapun layout lantai produksi dapat dilihat pada Gambar 2.1.
Sumber: Lab.TLP-PB
Gambar 2.1. Layout Produksi Ragum
Berikut block diagram produksi ragum yang dapat dilihat pada Gambar 2.2.
Gudang
Bahan
Baja ASTM Baja ST37
Mesin
Gerinda
Mesin Sekrap
Mesin
Milling
Mesin
Drilling
Mesin Bubut
Mesin Tap
and Dies
Assembly
Produk Jadi
Sumber: Ms. Visio 2013

Gambar 2.2 Block Diagram Produksi Ragum
2.2. Data
2.2.1. Jumlah Bahan, Mesin, dan Operator
Berikut merupakan data jumlah bahan, mesin, dan operator.
1. Jumlah Bahan
Berikut ini merupakan data jumlah setiap bahan untuk pembuatan model
simulasi produksi ragum dapat dilihat pada Tabel 2.1.
Tabel 2.1. Data Jumlah Bahan
No Bahan Input (Kg) Objek pada Flexsim
1 Baja ASTM Jenis 1 100.320 Source
5 Baja ST37 40.320 Source
Sumber: Lab.TLP-PB
2. Jumlah Mesin
Berikut merupakan data jumlah mesin untuk pembuatan model simulasi
produksi ragum yang dapat dilihat pada Tabel 2.2.
Tabel 2.2. Data Jumlah Mesin
Badan Rahang Rahang Badan Objek

Landasan Penjepit Penjepit Penjepit Penjepit Badan Badan Badan Handle Total
Total pada
Kiri Kiri Kanan Kanan Pemutar Pemutar Lahar Mesin
Flexsim
Part per
1 1 1 1 1 1 1 1 1 1 9
unit
Gerinda 0,681 0,330 0,640 0,681 0,372 0,268 0,206 0,217 0,681 0,330 4 Processor
Drilling 1,486 1,238 0,619 0,743 1,176 0,743 0,929 0 1,486 1,238 8 Processor
Sekrap 0,619 0,805 0,186 0,299 0,805 0,619 0 0 0,619 0,805 4 Processor
Milling 0,490 0 0 0 0 0,433 0 0 0,490 0 2 Processor
Bubut 0 0 0 0 0 0 1,150 0,743 0 0 2 Processor
Tap and
0 1,238 0 0 0,619 1,011 0 0 0 1,238 2 Processor
Dies
Total 22
Sumber: Pengolahan Data
3. Jumlah Operator
Berikut ini merupakan data jumlah operator untuk pembuatan model simulasi
produksi ragum dapat dilihat pada Tabel 2.3.
Tabel 2.3. Data Jumlah Operator
Mesin Jumlah Operator Objek pada Flexim
Gerinda 4 Operator
Drilling 8 Operator
Sekrap 4 Operator
Milling 2 Operator
Bubut 4 Operator
Tap and Dies 2 Operator
Assembly 1 1 Operator
Sumber: Pengumpulan Data
2.2.2. Waktu Proses Produksi
Waktu operasi untuk setiap part dapat dilihat sebagai berikut.
1. Routing Sheet Part
a. Part Landasan
Waktu operasi untuk part landasan dapat dilihat pada Tabel 2.4.
Tabel 2.4. Routing Sheet Landasan Ragum
Machine Setup Time
No Operation Description Operation Time Material Part
Type (Seconds)
1 Dihaluskan baja di sisi atas dan bawah Gerinda 60 600 Baja ASTM 1
2 Dilubangi baja pada sisi kanan sebanyak 2
Drilling 60 360 Baja ASTM 1
lubang
3 Dilubangi pada sisi kiri sebanyak 2 lubang Drilling 60 360 Baja ASTM 1
4 Dikurangi dimensi pada tempat peletakan
Sekrap 60 240 Baja ASTM 1
set rahang tetap sepanjang 19 cm
5 Dikurangi dimensi pada tempat peletakan
dudukan sepanjang 19 cm
6 Dilubangi pada bagian tempat peletakan
Drilling 60 240 Baja ASTM 1
set rahang tetap sebanyak 2 lubang
7 Dilubangi pada bagian tempat peletakan
dudukan tangkai ragum sebanyak 2 Drilling 60 240 Baja ASTM 1
lubang
8 Dilubangi pada bagian tengah sehingga
Milling 55 420 Baja ASTM 1
menjadi landasan ragum
b. Part Badan Penjepit Kiri
Waktu operasi untuk part badan penjepit kiri dapat dilihat pada Tabel 2.5.
Tabel 2.5. Routing Sheet Badan Penjepit Kiri Ragum
Setup Time
No Operation Description Machine Type Operation Time Material Part
(Seconds)
1 Dikurangi dimensi baja sebagai
tempat dudukan rahang tetap
2 Dikurangi dimensi baja pada bagian
bawah sisi kanan
3 Dikurangi dimensinya pada bagian
bawah sisi kiri
4 Dilubangi pada sisi kanan Drilling 60 240 Baja ASTM 2
5 Dilubangi pada sisi kiri Drilling 60 240 Baja ASTM 2
Dilubangi pada sisi bawah sisi
6 kanan sebagai tempat baut terhadap Drilling Baja ASTM 2
60 240
landasan
7 Dilubangi pada sisi bawah sisi kiri
sebagai tempat baut terhadap Drilling Baja ASTM 2
60 240
Landasan
8 Diberi ulir pada lubang sis kanan Tap and Dies 60 240 Baja ASTM 2
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 2.5. Routing Sheet Badan Penjepit Kiri Ragum (Lanjutan)
Setup Time
(Seconds)
11 Diberi ulir pada lubang bagian
Tap and Dies 60 240 Baja ASTM 2
bawah sisi kiri
12 Dihaluskan menjadi badan penjepit
Gerinda 20 300 Baja ASTM 2
kiri
c. Part Rahang Penjepit Kiri

Waktu operasi untuk part rahang penjepit kiri dapat dilihat pada Tabel 2.6.
Tabel 2.6. Routing Sheet Rahang Penjepit Kiri Ragum
Setup Time
(Seconds)
1 Pengurangan dimensi Gerinda 60 300 Baja ASTM 4
2 Dilubangi sisi kanan Drilling 60 240 Baja ASTM 4
3 Dilubangi sisi kiri Drilling 60 240 Baja ASTM 4
4 Dikurangi dimensi pada bagian
tengah untuk membentuk garis v
5 Dihaluskan menjadi rahang penjepit kiri Gerinda 20 240 Baja ASTM 4
d. Part Rahang Penjepit Kanan
Waktu operasi untuk part rahang penjepit kanan dapat dilihat pada Tabel 2.7.
Tabel 2.7. Routing Sheet Rahang Penjepit Kanan Ragum
Machine Setup Time
Type (Seconds)
1 Dikurangi dimensi baja Gerinda 60 300 Baja ASTM 4
2 Dikurangi dimensi baja pada
bagian tengah hingga membentuk Sekrap 50 240 Baja ASTM 4
garis v
3 Dilubangi baja pada bagian kanan Drilling 60 300 Baja ASTM 4
4 Dilubangi baja pada bagian kiri Drilling 60 300 Baja ASTM 4
5 Dihaluskan baja ASTM sehingga
Gerinda 60 240 Baja ASTM 4
menjadi rahang penjepit kanan
e. Part Badan Penjepit Kanan

Waktu operasi untuk part badan penjepit kanan dapat dilihat pada Tabel 2.8.
Tabel 2.8. Routing Sheet Badan Penjepit Kanan Ragum
Machin Setup Time
e Type (Seconds)
Dikurangi dimensi untuk menjadi tempat
1 Sekrap 60 240 Baja ASTM 2
dudukan rahang geser
2 Dikurangi dimensi bagian bawah sisi kanan Sekrap 60 180 Baja ASTM 2
Tabel 2.8. Routing Sheet Badan Penjepit Kanan Ragum (Lanjutan)
Setup Time
(Seconds)
Dikurangi dimensi bagian bawah sisi
3 Sekrap 60 180 Baja ASTM 2
kiri
4 Dilubangi sisi kanan baja Drilling 60 300 Baja ASTM 2
5 Dilubangi pada sisi kiri baja Drilling 60 300 Baja ASTM 2
6 Dilubangi pada bagian tengah Drilling 60 360 Baja ASTM 2
7 Diberi ulir pada lubang sisi kanan Tap and Dies 60 240 Baja ASTM 2
8 Diberi ulir pada lubang sisi kiri Tap and Dies 60 240 Baja ASTM 2
Dihaluskan permukaan baja sehingga
9 Gerinda 60 300 Baja ASTM 2
menjadi badan penjepit kanan
f. Part Badan Pemutar Ragum

Waktu operasi untuk part badan pemutar ragum dapat dilihat pada Tabel 2.9.
Tabel 2.9. Routing Sheet Badan Pemutar Ragum
Setup Time
(Seconds)
1 Dikurangi dimensi bagian kanan sisi
bawah baja
2 Dikurangi dimensi bagian kiri Sekrap 60 300 Baja ASTM 3
3 Dilubangi bagian bawah sisi kanan Drilling 60 300 Baja ASTM 3
4 Dilubangi bagian bawah sisi kiri Drilling 60 300 Baja ASTM 3
5 Dilubangi bagian tengah baja Milling 60 360 Baja ASTM 3
6 Diberi ulir pada lubang bagian Tap and Dies 60 360 Baja ASTM 3
tengah
Tabel 2.9. Routing Sheet Badan Pemutar Ragum (Lanjutan)
Setup Time
(Seconds)
Diberi ulir pada lubang bagian
7 Tap and Dies 60 220 Baja ASTM 3
bawah sisi kanan
Diberi ulir pada lubang bagian
8 Tap and Dies 60 220 Baja ASTM 3
bawah sisi kiri
Dihaluskan seluruh permukaan
9 Gerinda 20 240 Baja ASTM 3
menjadi badan pemutar
g. Part Badan Lahar Ragum

Waktu operasi untuk part badan lahar dapat dilihat pada Tabel 2.10.
Tabel 2.10. Routing Sheet Badan Lahar Ragum
Setup Time
No Operation Descriptiom Machine Type Operation Time Material Part
(Seconds)
Dikurangi dimensi dengan dua kali
1 Bubut 120 600 Baja ST37
pemakanan
Diberi ulir pada sisi dengan 5 kali
pemakanan
3 Dilubangi pada bagian tengah ujung Drilling 120 780 Baja ST37
Dihaluskan baja menjadi badan
4 Gerinda 20 180 Baja ST37
lahar
h. Part Handle Ragum
Waktu operasi untuk part handle dapat dilihat pada Tabel 2.11.
Tabel 2.11. Routing Sheet Handle Ragum
Setup Time
No Operation Descriptiom Machine Type Operation Time Material Part
(Seconds)
Dikurangi dimensi dengan dua kali
pemakanan
2 Dihaluskan permukaan baja Gerinda 30 180 Baja ST37
2. Routing Sheet Assembly
Waktu operasi untuk assembly dapat dilihat pada Tabel 2.12.
Tabel 2.12. Routing Sheet Assembly
Operation Total Operation
Assembly
No. Operation Description
Time (detik) Time
1 Dipasang landasan pada badan penjepit kiri 24
2 Dipasang rahang penjepit kiri pada badan
4
penjepit kiri
1 3 Dipasang mur B1 pada rahang penjepit kiri 11 103
4 Dipasang mur B2 pada rahang penjepit kiri 16
5 Dipasang badan pemutar pada landasan 22
6 Dipasang mur A1 pada landasan 26
1 Memasang mur A2 pada landasan 14
2 Memasang mur A3 pada landasan 14
3 Memasang mur A4 pada landasan menjadi
7
produk setengah jadi
2 4 Memasang rahang penjepit kanan pada 67
5
badan penjepit kanan
5 Memasang mur B3 ke badan penjepit kanan 13
6 Memasang mur B4 ke badan penjepit kanan
14
menjadi set badan penjepit kanan
3 1 Memasang handle ke lahar menjadi set lahar 19 19
1 Memasang set badan penjepit kanan pada
5
produk setengah jadi
2 Memasang set lahar pada produk setengah
4 15 23
jadi
3 Memasang ring lahar pada produk setengah
3
jadi menjadi produk jadi
2.2.3. Data Terkait Kedatangan Bahan
Berikut ini merupakan data terkait kedatangan bahan.
1. Tipe Kedatangan Bahan
Berikut ini merupakan data tipe kedatangan bahan dapat dilihat pada Tabel
2.13.
Tabel 2.13. Data Tipe Kedatangan Bahan
Arrival Weight
No Bahan Part Quantity
Style (Kg)
Baja
Arrival
1 ASTM Landasan 52 6
Schedule
Jenis 1
Badan
Arrival 52
Penjepit 1,5
Baja Schedule
Kiri
2 ASTM
Badan
Jenis 2 Arrival 52
Penjepit 0,75
Schedule
Kanan
Rahang
Arrival 52
Penjepit 0,75
Baja Schedule
Kiri
3 ASTM
Rahang
Jenis 3 Arrival 52
Penjepit 1,5
Schedule
Kanan
Baja
Badan Arrival 52
4 ASTM 2,1
Pemutar Schedule
Jenis 4
Badan Arrival 52 1,35
Baja Lahar Schedule
5
ST37 Arrival 52
Handle 1,05
Schedule
Sumber : Pengolahan Data
2. Waktu Kedatangan Bahan

Tabel 2.14. Waktu Kedatangan Bahan
Part
No Machine Type ArrivalTime
1. Landasan Gerinda 600
Drilling 360
Sekrap 240
Milling 420
Tabel 2.14. Waktu Kedatangan Bahan (lanjutan)
N Machine
Part ArrivalTime
o Type
Sekrap 240
2. Badan Penjepit Kiri Drilling 240
Tap and Dies 240
Gerinda 300
3. Rahang Penjepit Kiri Drilling 240
Sekrap 120
Gerinda 300
4. Rahang Penjepit Kanan Sekrap 240
Drilling 300
Sekrap 240
Drilling 360
5. Badan Penjepit Kanan
Tap and Dies 240
Gerinda 300
Sekrap 300
Drilling 300
6. Badan Pemutar Milling 360
Tap and Dies 360
Gerinda 240
Bubut 600
7. Badan Lahar Drilling 780
Gerinda 180
Bubut 600
8. Handle
Gerinda 180
BAB III
PENGOLAHAN DATA
3.1. Distribusi Data Pengamatan

Distribusi data pengamatan dilakukan menggunakan fitur ExpertFit pada
software FlexSim 2019. Sebelum dilakukan distribusi data menggunakan
ExpertFit, terlebih dahulu dilakukan proses pembangkitan data menggunakan
software Microsoft Excel. Proses ini dilakukan karena data pengamatan hanya
berjumlah 1 data dan pada ExpertFit dibutuhkan minimal 10 data.
3.1.1. Pembangkitan Data Random

Pembangkitan data random dilakukan dengan menggunakan software
Microsoft Excel. Data awal yang digunakan adalah data operation time pada
setiap mesin pada masing-masing part pada ragum.
Adapaun dibawah ini adalah contoh langkah-langkah pembangkitan data
pengamatan pada mesin gerinda part landasan:
1. Buka software Microsoft Excel 2013
Sumber : Microsoft Excel

Gambar 3.1. Software Microsoft Excel
2. Setelah pilih new file maka akan muncul halaman kerja.

Gambar 3.2. Software Microsoft Excel
3. Membuat rumus randbetween

Gambar 3.3. Fungsi RandBetween
4. Setelah itu drag hasil pertama ke baris bawah

Gambar 3.4. Hasil Pembangkitan Data Pada Mesin Gerinda
Selanjutnya dilakukan pengulangan langkah-langkah diatas pada semua

mesin dan assembly pada proses produksi ragum sehingga didapatkan hasil
rekapitulasi pembangkitan data.
Berikut adalah rekapitulasi hasil pembangkitan data part landasan dapat
dilihat pada Tabel 3.1.berikut:
Tabel 3.1. Hasil Pembangkitan Data Part Landasan
Mesin Mesin Mesin Mesin
Gerinda Drilling Sekrap Milling
No Data No Data No Data No Data
1 611 1 1171 1 456 1 429
2 620 2 1229 2 493 2 408
3 598 3 1145 3 457 3 400
4 570 4 1240 4 462 4 426
5 588 5 1258 5 482 5 400
6 626 6 1241 6 469 6 428
7 580 7 1177 7 497 7 441
8 626 8 1254 8 456 8 420
9 571 9 1214 9 460 9 401
10 597 10 1196 10 472 10 426
Rekapitulasi hasil pembangkitan data badan penjepit kiri dapat dilihat
pada Tabel 3.2. berikut:
Tabel 3.2. Hasil Pembangkitan Data Part Badan Penjepit Kiri
Mesin Mesin Mesin Mesin
Sekrap Drilling Tap and Dies Gerinda
1 581 1 944 1 979 1 314
2 602 2 924 2 952 2 315
3 611 3 947 3 926 3 304
4 588 4 972 4 915 4 313
5 590 5 977 5 1005 5 290
6 597 6 929 6 964 6 297
7 619 7 968 7 1000 7 286
8 587 8 958 8 958 8 299
9 600 9 947 9 1007 9 286
10 590 10 921 10 921 10 290
Rekapitulasi hasil pembangkitan data rahang penjepit kiri dapat dilihat

pada Tabel 3.3.berikut:
Tabel 3.3. Hasil Pembangkitan Data Part Rahang Penjepit Kiri
Mesin Mesin Mesin
Gerinda Drilling Sekrap
No Data No Data No Data
1 548 1 481 1 116
2 521 2 466 2 122
3 521 3 458 3 123
4 553 4 493 4 122
5 518 5 493 5 122
6 545 6 456 6 117
7 516 7 467 7 118
8 527 8 473 8 124
9 529 9 497 9 118
10 530 10 483 10 123
Rekapitulasi hasil pembangkitan data badan penjepit kanan dapat dilihat
Tabel 3.4. Hasil Pembangkitan Data Part Badan Penjepit Kanan
Mesin
Mesin Mesin Mesin
Tap and
Sekrap Drilling Gerinda
Dies
1 575 1 984 1 461 1 286
2 624 2 956 2 485 2 298
3 578 3 997 3 460 3 293
4 600 4 996 4 502 4 288
5 599 5 945 5 474 5 289
6 579 6 926 6 499 6 296
7 615 7 960 7 489 7 298
8 627 8 1008 8 475 8 293
9 620 9 917 9 458 9 299
10 608 10 935 10 457 10 286
Rekapitulasi hasil pembangkitan data rahang penjepit kanan dapat dilihat

Tabel 3.5. Hasil Pembangkitan Data Part Rahang Penjepit Kanan
Mesin Mesin Mesin
Gerinda Sekrap Drilling
1 528 1 228 1 628
2 553 2 244 2 589
3 563 3 250 3 575
4 548 4 240 4 594
5 555 5 238 5 587
6 554 6 234 6 612
7 515 7 238 7 570
8 522 8 232 8 620
9 565 9 242 9 619
10 522 10 229 10 623
Rekapitulasi hasil pembangkitan data badan pemutar dapat dilihat pada
Tabel 3.6. berikut:
Tabel 3.6. Hasil Pembangkitan Data Part Badan Pemutar
Mesin Mesin Mesin Mesin Mesin
Sekrap Drilling Milling Tap and Dies Gerinda
No Data No Data No Data No Data No Data
1 477 1 616 1 371 1 808 1 249
2 460 2 593 2 358 2 780 2 238
3 473 3 580 3 347 3 832 3 244
4 466 4 609 4 355 4 831 4 234
5 501 5 582 5 346 5 761 5 239
6 492 6 592 6 370 6 801 6 236
7 501 7 578 7 368 7 783 7 241
8 497 8 573 8 348 8 761 8 229
9 468 9 621 9 373 9 773 9 239
10 473 10 583 10 350 10 833 10 248
Rekapitulasi hasil pembangkitan data badan lahar dapat dilihat pada

Tabel 3.7. berikut:
Tabel 3.7. Hasil Pembangkitan Data Part Badan Lahar
Mesin Mesin Mesin
Bubut Drilling Gerinda
1 908 1 767 1 184
2 870 2 742 2 173
3 871 3 795 3 189
4 865 4 802 4 179
5 916 5 773 5 173
6 833 6 742 6 179
7 912 7 788 7 172
8 899 8 789 8 171
9 844 9 769 9 174
10 835 10 811 10 186
Rekapitulasi hasil pembangkitan data handle dapat dilihat pada Tabel
3.8. berikut:
Tabel 3.8. Hasil Pembangkitan Data Part Handle
Mesin Mesin
Bubut Gerinda
No Data No Data
1 597 1 182
2 596 2 184
3 594 3 185
4 593 4 188
5 571 5 180
6 613 6 186
7 614 7 189
8 598 8 187
9 624 9 181
10 617 10 185
Rekapitulasi hasil pembangkitan data assembly dapat dilihat pada Tabel

3.9. berikut:
Tabel 3.9. Hasil Pembangkitan Data Assembly
Assembly 1 Assembly 2 Assembly 3 Assembly 4
1 108 1 67 1 19 1 23
2 108 2 64 2 19 2 23
3 102 3 66 3 19 3 23
4 103 4 66 4 19 4 23
5 103 5 64 5 19 5 23
6 98 6 64 6 19 6 24
7 103 7 66 7 19 7 22
8 98 8 70 8 19 8 24
9 98 9 66 9 19 9 22
10 101 10 70 10 19 10 23
3.1.2. Uji Kecukupan Data9
Uji kecukupan data dilakukan untuk mengetahui apakah sampel data
yang telah diperoleh cukup mewakili populasi. Jika N’ lebih kecil dari N maka
data yang diambil sudah cukup dan tidak perlu melakukan pengambilan data
kembali. Sementara jika N’ lebih besar dari N maka data belum cukup dan perlu
untuk menambah data sebanyak selisih dari keduanya. Berikut adalah rumus dari
uji kecukupan data :
2
k
'
N=
s
∑X[
√N (∑X 2 )−∑ X2
]
Dimana :
s = Derajat ketelitian
k = Tingkat keyakinan
∑X= Jumlah data keseluruhan
N = Banyaknya data yang diukur
Adapaun contoh langkah-langkah perhitungan pengujian kecupukan data

pada mesin gerinda pada part landasan adalah sebagai berikut:
Dik : N = 10
∑X = 5.987
(∑X)2 = 3.588.571
(∑X2) = 35.844.169
k = 95% ≈ 2
s = 5%
Pembahasan :
2
2
[
N' =
0.05
5.987
√10(3.588.571)- 35.844.169
]
N’ = 1.85
9
Darsini. 2014. Penentuan Waktu Baku Produksi Kerupuk Rambak Ikan Laut “Sari Enak”Di
Sukaharjo. Spektrum Industri, Vol. 12, No. 2, hlm 113-247
Karena N’ (data teoritis) setelah dihitung sebesar 1.85 maka itu artinya
N’<N, maka dianggap data tersebut cukup. Selanjutnya itu dilakukan
pengulangan langkah-langkah diatas pada semua mesin dan assembly sehingga
didapatkan hasil rekapitulasi uji kecukupan data pengamatan.
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part
landasan yang dapat dilihat pada Tabel 3.10.
Tabel 3.10. Hasil Uji Kecukupan Data Part Landasan
Part Landasan
Mesin N’ N Kecukupan Data
Gerinda 1.85 10 
Drilling 1.46 10 
Sekrap 1.54 10 
Milling 1.76 10 
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part badan
penjepit kiri yang dapat dilihat pada Tabel 3.11.
Tabel 3.11. Hasil Uji Kecukupan Data Part Badan Penjepit Kiri
Part Badan Penjepit Kiri
Sekrap 0.56 10 
Tap and Dies 1.88 10 
Gerinda 2.15 10 
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part rahang
penjepit kiri yang dapat dilihat pada Tabel 3.12.
Tabel 3.12. Hasil Uji Kecukupan Data Part Rahang Penjepit Kiri
Part Rahang Penjepit Kiri
Gerinda 0.90 10 
Sekrap 0.84 10 
penjepit kanan yang dapat dilihat pada Tabel 3.13.
Tabel 3.13. Hasil Uji Kecukupan Data Part Badan Penjepit Kanan
Part Badan Penjepit Kanan
Sekrap 1.53 10 
Gerinda 0.43 10 
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part rahang
penjepit kanan yang dapat dilihat pada Tabel 3.14.
Tabel 3.14. Hasil Uji Kecukupan Data Part Rahang Penjepit Kanan
Part Rahang Penjepit Kanan
Gerinda 1.72 10 
Sekrap 1.22 10 
pemutar yang dapat dilihat pada Tabel 3.15.
Tabel 3.15. Hasil Uji Kecukupan Data Part Badan Pemutar
Part Badan Pemutar
Sekrap 1.49 10 
Milling 1.33 10 
Gerinda 0.95 10 
lahar yang dapat dilihat pada Tabel 3.16.
Tabel 3.16. Hasil Uji Kecukupan Data Part Badan Lahar
Part Badan Lahar
Bubut 1.92 10 
Gerinda 1.89 10 
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part

handle yang dapat dilihat pada Tabel 3.17.
Tabel 3.17. Hasil Uji Kecukupan Data Part Handle
Part Handle
Bubut 0.95 10 
Gerinda 0.38 10 
Berikut merupakan hasil rekapitulasi uji kecukupan data pada assembly

pada ragum yang dapat dilihat pada Tabel 3.18.
Tabel 3.18. Hasil Uji Kecukupan Data Assembly Ragum
Assembly Ragum
Assembly N’ N Kecukupan Data
1 1.89 10 
2 1.61 10 
3 0 10 
4 1.21 10 
3.1.3. Pengujian Distribusi
Setelah dilakukan uji kecukupan data diatas, kemudian dilakukan
pengujian distribusi data pengamatan dengan menggunakan software Flexsim
2019. Adapaun langkah-langkahnya adalah sebagai berikut.
1. Membuka fitur ExpertFit.
Sumber : Sofware Flexsim 2019

Gambar 3.5. Fitur ExpertFit
2. Setelah itu pilih new.

Gambar 3.6. Tampilan Project1
3. Lalu buat name project dan pilih opsi fit distribution to data.

Gambar 3.7. Tampilan Project-Element Editing
4. Selanjutnya klik analyze.

Gambar 3.8. Tampilan Project Directory
5. Lalu pilih enter/edit data values.

Gambar 3.9. Tampilan Data Analysis
6. Selanjutnya klik paste at end from clipboard.

Gambar 3.10. Tampilan Data Editor
7. Lalu pilih Yes.

Gambar 3.11. Tampilan Menu ExertFit
8. Setelah itu klik done.

Gambar 3.12. Tampilan Data Summary-Table
9. Selanjutnya pilih models lalu klik automating fiting.

Gambar 3.13. Tampilan Data Analysis-Models Menu
10. Pilih done.

Gambar 3.14. Tampilan Automated-Fitting Results
11. Selanjutnya pilih applications lalu klik simulation representating.

Gambar 3.15. Tampilan Data Analysis-Applications Menu
12. Selanjutnya pilih Flexsim lalu klik done.

Gambar 3.16. Tampilan Menu Simulations-Representation
13. Pilih done.

Gambar 3.17. Tampilan Final Result
Selanjutnya dilakukan pengulangan langkah-langkah diatas pada semua

mesin dan assembly pada proses produksi ragum sehingga didapatkan hasil
rekapitulasi distribusi data pengamatan.
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part landasan yang dapat dilihat pada Tabel 3.19.
Tabel 3.19. Rekapitulasi Distribusi Data Pengamatan Landasan
Distribusi
No Mesin Parameter ExpertFit Input Histogram
Terpilih
beta( 569.262126,
Lower : 569.262126
627.063900,
Upper : 627.063900
1 Gerinda Beta 0.570729,
Shape 1 : 0.570729
0.552172,
Shape 2 : 0.552172
<stream>)
johnsonbounded( 1
Lower : 1137.557726 137.557726,
Upper : 1260.393650 1260.393650,
2 Drilling Johnson SB
Shape 1 : -0.382207 -0.382207,
Shape 2 : 0.537793 0.537793,
<stream>)
johnsonbounded( 4
Lower : 455.536904 55.536904,
Upper : 498.909116 498.909116,
3 Sekrap Johnson SB
Shape 1 : 0.503826 0.503826,
Shape 2 : 0.411719 0.411719,
<stream>)
beta( 368.178787,
Lower : 368.178787
445.248218,
Upper : 445.248218
4 Milling Beta 3.882727,
Shape 1 : 3.882727
2.096924,
Shape 2 : 2.096924
<stream>)
Sumber : Software FlexSim 2019
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan penjepit kiri yang dapat dilihat pada Tabel
3.20.
Tabel 3.20. Rekapitulasi Distribusi Data Pengamatan Badan Penjepit Kiri
No Mesin Distribusi Terpilih Parameter ExpertFit Input Histogram
Lower : 578.964960
beta( 578.964960,
Upper : 655.656083
1 Sekrap Beta 655.656083, 1.672488,
Shape 1 : 1.672488
5.665002, <stream>)
Shape 2 : 5.665002
Lower : 919.623685 johnsonbounded( 919.62
Upper : 978.258400 3685, 978.258400,
Shape 1 : 0.017718 0.017718, 0.471174,
Shape 2 : 0.471174 <stream>)
Tap and Upper : 1008.032763 3314, 1008.032763,
3 Johnson SB
Dies Shape 1 : -0.062951 -0.062951, 0.380593,
Shape 2 : 0.380593 <stream>)
Upper : 315.318102 9599, 315.318102,
4 Gerinda Johnson SB
Shape 1 : 0.094326 0.094326, 0.347577,
Shape 2 : 0.347577 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part rahang penjepit kiri yang dapat dilihat pada Tabel
3.21.
Tabel 3.21. Rekapitulasi Distribusi Data Pengamatan Rahang Penjepit Kiri
Upper : 555.614939 7235, 555.614939,
Shape 1 : 0.391654 0.391654, 0.509523,
Shape 2 : 0.509523 <stream>)

Upper : 497.703025 0645, 497.703025,
Shape 1 : -0.014957 -0.014957, 0.443110,
Shape 2 : 0.443110 <stream>)

Upper : 124.126240 3710, 124.126240,
3 Sekrap Johnson SB
Shape 1 : -0.201216 -0.201216, 0.485881,
Shape 2 : 0.485881 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan penjepit kanan yang dapat dilihat pada Tabel
3.22.
Tabel 3.22. Rekapitulasi Distribusi Data Pengamatan Badan Penjepit Kanan
No Mesin Distribusi Terpilih Parameter ExertFit Input Histogram
Upper : 627.641562 2208, 627.641562,
1 Sekrap Johnson SB
Shape 1 : -0.066123 -0.066123, 0.414258,
Shape 2 : 0.414258 <stream>)
Lower : 915.745802
beta( 915.745802,
Upper : 1009.434663
2 Drilling Beta 1009.434663, 0.717440,
Shape 1 : 0.717440
0.721751, <stream>)
Shape 2 : 0.721751

Tap and Upper : 502.728125 0025, 502.728125,
3 Johnson SB
Dies Shape 1 : 0.226116 0.226116, 0.391527,
Shape 2 : 0.391527 <stream>)

Upper : 299.302640 6256, 299.302640,
Shape 1 : -0.080849 -0.080849, 0.466459,
Shape 2 : 0.466459 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part rahang penjepit kanan yang dapat dilihat pada
Tabel 3.23.
Tabel 3.23. Rekapitulasi Distribusi Data Pengamatan Rahang Penjepit Kanan
Upper : 565.579002 8469, 565.579002,
Shape 1 : -0.143887 -0.143887, 0.424610,
Shape 2 : 0.424610 <stream>)
Location : 218.282562 weibull( 218.282562,

2 Sekrap Weidbull Scale : 21.495237 21.495237, 3.229979,
Shape : 3.229979 <stream>)

Upper : 628.739324 5398, 628.739324,
Shape 1 : -0.172423 -0.172423, 0.459570,
Shape 2 : 0.459570 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan pemutar yang dapat dilihat pada Tabel 3.24.
Tabel 3.24. Rekapitulasi Distribusi Data Pengamatan Badan Pemutar
Upper : 502.913116 5398, 628.739324,
1 Sekrap Johnson SB
Shape 1 : 0.021152 -0.172423, 0.459570,
Shape 2 : 0.448952 <stream>)
Upper : 639.955369 5261, 639.955369,
Shape 1 : 0.810082 0.810082, 0.732749,
Shape 2 : 0.732749 <stream>)
Upper : 373.380561 2215, 373.380561,
3 Milling Johnson SB
Shape 1 : 0.087852 0.087852, 0.388681,
Shape 2 : 0.388681 <stream>)
Tap and Upper : 833.840701 3591, 833.840701,
4 Johnson SB
Dies Shape 1 : 0.002910 0.002910, 0.337374,
Shape 2 : 0.337374 <stream>)
Location : 216.227455 loglaplace( 216.227455,

5 Gerinda Loglaplace Scale : 22.772545 22.772545, 5.019877,
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan lahar yang dapat dilihat pada Tabel 3.25.
Tabel 3.25. Rekapitulasi Distribusi Data Pengamatan Badan Lahar
Upper : 916.924878 9392, 916.924878,
1 Bubut Johnson SB
Shape 1 : -0.006677 -0.006677, 0.377776,
Shape 2 : 0.377776 <stream>)

Upper : 822.785702 6690, 822.785702,
Shape 1 : -0.951909 -0.951909, 1.194750,
Shape 2 : 1.194750 <stream>)

Upper : 189.808953 5885, 189.808953,
Shape 1 : 0.390187 0.390187, 0.467660,
Shape 2 : 0.467660 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part handle yang dapat dilihat pada Tabel 3.26.
Tabel 3.26. Rekapitulasi Distribusi Data Pengamatan Handle
Lower : 557.774647
beta( 557.774647,
Upper : 628.430836
1 Bubut Beta 628.430836, 2.779594,
Shape 1 : 2.779594
1.700774, <stream>)
Shape 2 : 1.700774
Lower : 179.273447
beta( 179.273447,
Upper : 189.354651,
2 Gerinda Beta 189.354651, 1.231682,
Shape 1 : 1.231682
1.058228, <stream>)
Shape 2 : 1.058228
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada assembly ragum yang dapat dilihat pada Tabel 3.27.
Tabel 3.27. Rekapitulasi Distribusi Data Pengamatan Assembly Ragum
Distribusi
No Assembly Parameter ExpertFit Input Histogram
Terpilih
Location : 94.691811 weibull( 94.691811,

1 Assembly 1 Weidbull Scale : 8.290531 8.290531, 2.000000,
Location : 56.863961 loglaplace( 56.863961,

2 Assembly 2 Loglaplace Scale : 9.136039 9.136039, 6.363984,
3 Assembly 3 - - - -
Lower : 20.152840
beta( 20.152840,
Upper : 25.918544
4 Assembly 4 Beta 25.918544, 9.867702,
Shape 1 : 9.867702
10.115883, <stream>)
Shape 2 : 10.115883
3.2. Model
Model yang digunakan dalam proses pembuatan simulasi produksi ragum
dengan menggunakan Software FlexSim adalah gambar final layout lantai
produksi ragum yang merupakan hasil praktikum pada Laboratorium Tata Letak
Pabrik dan Pemindahan Bahan.
Berikut ini adalah langkah dan pengaturan dalam import layout sebagai
berikut:
1. Pada tampilan utama pilih new model.

Gambar 3.18. Membuka New Model
2. Setelah itu mengatur model units yang sesuai.

Gambar 3.19. Memilih Model Units
3. Pada menu toolbox pilih visual.

Gambar 3.20. Fitur Toolbox-Visual
4. Setelah itu pilih model background.

Gambar 3.21. Fitur Model Background
5. Pilih image file.

Gambar 3.22. Memilih Format File
6. Setelah itu pilih file yang ingin dijadikan sebagai model background.
Gambar 3.23. Mencari Image File
7. Mengatur properties model background.

Gambar 3.24. Mengatur Model Background
8. Setelah itu pilih next.

Gambar 3.25. Hasil Import Layout pada Flexsim
3.2.1 Pembuatan Fixed Resources
Fixed Resources pada Flexsim berfungsi untuk mengirimkan dan/atau
menerima flowitem. Pada simulasi proses produksi ragum ini terdiri dari sources,
processor, combiner dan queue.
1. Pembuatan Source
Source pada simulasi ini adalah bahan baku pada proses produksi
ragum yang terdiri dari 5 bahan baku yaitu Baja ASTM 1, Baja ASTM
2, Baja ASTM 3, Baja ASTM 4 dan Baja ST37. Berikut langkah-
langkah dalam pembuatan source :
a. Memilih ikon source lalu drag ke halaman utama model

Gambar 3.26. Memilih Source Pada Library
b. Dilakukan pengaturan pada properties source berupa name dan

arrive stayle berdasarkan data

Gambar 3.27. Mengatur Properties Source
c. Dilakukan perulangan pada ke-5 bahan baku ragum sehingga
didapatkan hasil akhir pembuatan source

Gambar 3.28. Hasil Akhir Pembuatan Source
2. Pembuatan Processor
Processor pada simulasi ini adalah mesn-mesin yang digunakan pada
proses pembuatan ragum yaitu berupa mesin gerinda, drilling, sekrap,
milling, bubut dan tap and dies. Berikut adalah langkah-langkah
dalam pembuatan processor :
a. Memilih ikon processor lalu drag ke halaman utama model

Gambar 3.29. Memilih Processor Pada Library
b. Dilakukan pengaturan pada properties processor berupa name,

setup time dan process time.

Gambar 3.30. Mengatur Properties Processor
c. Dilakukan perulangan pada ke-5 stasiun mesin sehingga didapatkan
hasil akhir pembuatan processor

Gambar 3.31. Hasil Akhir Pembuatan Processor
3. Pembuatan Combiner
Combiner pada simulasi ini adalah assembly pada proses produksi
ragum yang terdiri dari 4 assembly. Berikut adalah contoh langkah-
langkah dalam pembuatan combiner :
a. Memilih ikon combiner lalu drag ke halaman utama model

Gambar 3.32. Memilih Combiner Pada Library
b. Dilakukan pengaturan pada properties combiner berupa name,
setup time dan process time.

Gambar 3.33. Mengatur Properties Combiner
c. Dilakukan perulangan pada ke-4 assembly sehingga didapatkan

hasil akhir pembuatan combiner.

Gambar 3.34. Hasil Akhir Pembuatan Combiner
4. Pembuatan Rack
Rack pada proses simulasi produksi ragum ini merupakan tempat
penyimpanan sementara produk jadi ragum setelah melalui proses
assembly. Berikut adalah contoh langkah-langkah dalam pembuatan
rack :
a. Memilih ikon rack lalu drag ke halaman utama model

Gambar 3.35. Memilih Rack Pada Library
b. Dilakukan pengaturan pada properties rack berupa name dan

maximum content.

Gambar 3.36. Mengatur Properties Rack
c. Setelah itu didapatkan hasil akhir pembuatan rack pada model.

Gambar 3.37. Hasil Akhir Pembuatan Rack
Setelah dilakukan pembuatan fixed resource. Maka setiap fixed resource
disusun sesuai dengan posisi pada layout lantai produksi ragum. Hasil akhir
penyusunan fixed resource dapat dilihat pada gambar 3.43. Berikut

Gambar 3.38. Tampilan Hasil Fixed Resource Yang Telah Disusun
3.2.1. Pembuatan Task Executer

Task executer pada Flexsim berfungsi sebagai resource bergerak untuk
mengerjakan tugas dalam model yang akan disimulasikan. Pada simulasi ini task
executer yang digunakan adalah operator, transporter dan task executer.
1. Pembuatan Operator
Operator pada simulasi proses produksi ragum adalah orang yang
bertugas dalam menjalankan mesin baik itu setup ataupun prosess
dalam mesin. Berikut adalah contoh langkah-langkah dalam
pembuatan operator:
a. Memilih ikon operator lalu drag ke halaman utama model

Gambar 3.39. Memilih Operator Pada Library
b. Dilakukan pengaturan pada properties operator berupa name,

capacity dan speed.

Gambar 3.40. Mengatur Properties Operator
2. Pembuatan TaskExecuter
TaskExecuter pada simulasi proses produksi ragum adalah handtruck
yang digunakan untuk mengalirkan flow dari dan kedalam stasiun
mesin dalam produksi ragum. Berikut adalah contoh langkah-langkah
dalam pembuatan Task Executer:
a. Memilih ikon taskexecuter lalu drag ke halaman utama model

Gambar 3.41. Memilih Task Executer Pada Library
b. Dilakukan pengaturan pada properties operator berupa name,

capacity dan speed.

Gambar 3.42. Mengatur Properties TaskExecuter
3. Pembuatan Transporter
Transporter pada simulasi proses produksi ragum adalah forklift yang
digunakan untuk mengalirkan flow item berupa produk jadi ragum
kedalam rack. Berikut adalah langkah-langkah dalam pembuatan
transporer :
a. Memilih ikon transporter lalu drag ke halaman utama model

Gambar 3.43. Memilih Transporter Pada Library
b. Dilakukan pengaturan pada properties transporter berupa name,

capacity dan speed.

Gambar 3.44. Mengatur Properties Transporter
Setelah dilakukan pembuatan task executer. Maka setiap task executer
disusun sesuai dengan posisi pada layout lantai produksi ragum. Hasil akhir
penyusunan task executer dapat dilihat pada gambar 3.50. Berikut:

Gambar 3.45. Tampilan Hasil Task Executer Yang Telah Disusun
3.2.3. Pembuatan Network

Network pada software Flexsim berfungsi untuk menghubungkan antar
flowitem yang mengalir dan juga sebagai jalur bagi taskexecuter dalam
menjalankan tugasnya.
1. Pembuatan Connections
Connections mendefisnikan jalur aliran flowitem sampai pada produk
jadi dan jalur aliran bagi taskexecuter. Berikut ini contoh langkah-
langkah dalam pembuatan connectins untuk proses simulasi part
landasan:
a. Langkah Connect Objects
1) Pada menu bar, lalu pilih ikon yang bergambar A lalu pilih
connect objects.

Gambar 3.46. Memilih Connect Objects
2) Setelah itu hubungkan antara source1 dengan processor1.

Gambar 3.47. Hubungkan Source1 dan Processor1
3) Setelah itu hubungkan antara processor1 dengan processor2.

Gambar 3.48. Hubungkan Processor1 dan Processor2


6) Setelah itu hubungkan antara processor4 dengan combiner1.

Gambar 3.51. Hubungkan Processor4 dan Combiner1
b. Langkah Connect Center Port
1) Pada menu bar, lalu pilih ikon yang bergambar A lalu pilih
connect center ports.

Gambar 3.52. Memilih Connect Objects
2) Setelah itu hubungkan antara taskexecuter7 dan source 1.

Gambar 3.53. Hubungkan TaskExecuter7 dan Source1
3) Setelah itu duble klik source 1 lalu pilih flow dan centang menu
use transport lalu pilih object connected to a center port.

Gambar 3.54. Proporties-Flow Source
4) Setelah itu pilih taskexecuter7 yang aktif untuk membuat
center port saling terhubung.

Gambar 3.55. Proporties-Flow Source Connections
5) Setelah itu hubungkan kembali operator1 dengan processor1.

Gambar 3.56. Hubungkan Operator1 dan Processor1
6) Setelah itu duble klik processor 1 lalu centang menu use

operator(s) a for process lalu pilih object connected to a center
port.

Gambar 3.57. Proporties-Processor
7) Setelah itu pilih operator1 yang aktif untuk membuat center
port saling terhubung.
Gambar 3.58. Proporties-Processor Connections
2. Pembuatan Network Node

Network node mendefinisikan jalur task executer yang akan
melaksanakan perjalanan tugasnya. Berikut ini contoh langkah-langkah
dalam pembuatan network node:
a. Memilih ikon network node lalu drag ke halaman utama model

Gambar 3.59. Network Node
b. Lalu hubungkan network node yang berdekatan dengan connect

objects (S) sehingga akan muncul network berwarna hitam

Gambar 3.60. Hubungkan Antar Network Node
c. Selanjutnya hubungkan network node dan taskexecuter dengan
connect objects (S) sehingga akan muncul network berwarna
merah.

Gambar 3.61. Hubungkan Network Node dan Taskexecuter
d. Selanjutnya hubungkan network node dan taskexecuter dengan

connect objects (S) sehingga akan muncul network berwarna biru.

Gambar 3.62. Hubungkan Network Node dan Taskexecuter
Setelah semua langkah-langkah diatas dilakukan untuk semua flowitem

dan task executer dan semua fixed resources dan task executer telah dihubungkan
masing-masing maka akan didapatkan hasil akhir network yang dapat dilihat pada
gambar 3.68. berikut:
Gambar 3.63. Tampilan Hasil Network Yang Telah Dihubungkan
3.2.4. Pembuatan Dashboard

Dashboard merupakan menu yang dapat digunakan untuk menampilkan
grafik statistikdari model yang tengah berjalan. Dashoboard dapat dibuat dengan
menggunakan menu add dashboard pada ribbon dashboard pada Gambar 3.64
(a). lalu akan muncul berbagai jenis dashboard yang dapat dipilih dengan cara
drag and drop, dan input data pada Gambar 3.64 (b).
(a)
Gambar 3.64. Menu Add Dashboard (a) & Library Dashboard (b)
Pada simulasi proses produksi ragum ini dashboard yang digunakan
adalah dashboard utilitas mesin, utilitas material handling, utilitas operator dan
output ragum.
1. Dashboard Utilitas Mesin
Utilitas mesin menunjukkan data mesin gerinda, drilling, sekrap, milling,
tap and dies dan bubut. Penambahan data dilakukan dengan mengklik
simbol tambah untuk memilih seluruh mesin produksi, kemudian diikuit
penyesuaian idle, processing, blocked, setup, untuk dimunculkan pada
diagram.

Gambar 3.65. Fitur State Pie Options Objects After
Tampilan awal dashboard utilitas mesin dengan pie chart dapat dilihat pada
gambar 3.66 Berikut:

Gambar 3.66. Tampilan Awal Dashboard Utilitas Mesin
Pada pengunaan dashboard utilitas mesin dalam simulasi dapat terlihat
status mesin pada saat proses produksi seperti idle, processing, blocked, waiting
for operator and transport.
2. Dashboard Utilitas Material Handling

Utilitas mesin menunjukkan data material handling seperti forklift dan
handtruck. Penambahan data dilakukan dengan mengklik simbol tambah
untuk memilih material handling, kemudian diikuit penyesuaian idle,
blocked, travel empty and loaded untuk dimunculkan pada diagram.

Tampilan awal dashboard utilitas material handling dengan pie chart dapat
dilihat pada gambar 3.68 Berikut:

Gambar 3.68. Tampilan Awal Dashboard Utilitas Materila Handling
Pada pengunaan dashboard utilitas material handling dalam simulasi dapat
terlihat status mesin pada saat proses produksi seperti idle, travel loaded dan
offset travel loaded and empty.
3. Dashboard Utilitas Operator

Utilitas mesin menunjukkan data operator dalam setiap masing-masing
stasiun mesin. Penambahan data dilakukan dengan mengklik simbol tambah
untuk memilih operator, kemudian diikuit penyesuaian idle, blocked, travel
empty and loaded untuk dimunculkan pada diagram.

Tampilan awal dashboard utilitas operator dengan pie chart dapat dilihat
pada gambar 3.70 Berikut:

Gambar 3.70. Tampilan Awal Dashboard Utilitas Operator
Pada pengunaan dashboard utilitas oeprator dalam simulasi dapat terlihat
status operator pada saat proses produksi seperti idle, travel empty dan analize.
4. Dashboard Output Ragum

Output ragum menunjukkan output ragum yang dihasilkan dalam satuan
waktu tertentu. Penambahan data dilakukan dengan mengklik simbol
tambah untuk memilih rack, kemudian otput ragum akan dimunculkan pada
diagram.

Gambar 3.71. Fitur WIP Options Objects After
Tampilan awal dashboard utilitas operator dengan pie chart dapat dilihat
pada gambar 3.72 Berikut:

Gambar 3.72. Tampilan Awal Dashboard Utilitas Operator
Pada pengunaan dashboard output ragum dalam simulasi dapat terlihat
jumlah output ragum dalam satuan periode waktu tertentu.
3.3. Simulasi
Simulasi merupakan teknik penyusunan model dari suatu keadaan nyata
(sistem) dan kemudian melakukan percobaan pada model tersebut. Simulasi yang
dilakukan adalah simulasi proses produksi ragum dengan menggunakan software
flexsim 2019. Dimana pada simulasi tersebut dilakukan selama rentang waktu 7
jam (1 shift) yang dimulai dari pukul 08.00 AM sampai 03.00 PM.
Langkah-langkah simulasi akhir proses produksi ragum adalah sebagai
berikut:
1. Dipilih run time lalu mengatur stop time pada 03.00 PM

Gambar 3.73. Fitur Display Mode.
2. Selanjutnya pilih run untuk menjalankan simulasi.

Gambar 3.74. Fitur run
Setelah menjalankan simulasi maka akan didapatkan simulasi akhir proses

produksi ragum ditampilkan pada gambar 3.78. berikut:
Gambar 3.73. Tampilan Akhir Simulasi Produksi Ragum
3.3.1. Data Hasil Simulasi

Data hasil simulasi merupakan hasil akhir simulasi pada produksi ragum
setelah di-run dan akan memperoleh data berupa diantaranya:
1. Data Output
Rack merupakan tempat penyimpanan barang setelah diproses. Curcontent
adalah kondisi output yang saat ini disimpan oleh rack. Maxcontent adalah
jumlah maksimal output yang diterima oleh rack. Sementara avgcontent
adalah rata-rata kecepatan output ketika sampai kepada rack.

Gambar 3.74. Output Rack Pada Simulasi
Dari data Laboratorium Tata Letak Fasilitas didapatkan informasi terkait
data produksi ragum sebagai berikut:
a. Data Produksi Ragum per Tahun = 16.000
b. Jumlah Hari Kerja = 312 hari
c. Jumlah Shift = 2x/hari (1 shift = 7 jam)
Data Produksi Ragum/shift =
= (16.000/312) x ½
= 25,64 ≈ 25
Perbandingan dilakukan untuk membandingkan data Laboratorium Tata

Letak Fasilitas terhadap data simlasi dapat dilihat pada Tabel 3.28.
Tabel 3.28. Perbandingan Data Target Produksi dan Data Hasil Simulasi
Data Lab-TLP Data Simulasi Penyimpangan
25 26 0%
2. Data Dashboard
a. Dashboard utilitas mesin menunjukkan hasil akhir berupa status mesin
berupa idle, processing, blocked, waiting for operator and transport.
Tampilan akhir dashboard utilitas mesin dapat dilihat pada gambar
3.78 berikut:

Gambar 3.78. Tampilan Akhir Dashboard Utilitas Mesin
b. Dashboard utilitas material handling menunjukkan hasil akhir berupa
status material handling berupa idle, travel loaded dan offset travel
loaded and empty. Tampilan akhir dashboard utilitas material
handling dapat dilihat pada gambar 3.79 berikut:

Gambar 3.79. Tampilan Akhir Dashboard Utilitas Material Handling
c. Dashboard utilitas operator menunjukkan hasil akhir berupa status

operator berupa idle, travel empty dan analize. Tampilan akhir
dashboard utilitas operator dapat dilihat pada gambar 3.80 berikut:

Gambar 3.80. Tampilan Akhir Dashboard Utilitas Operator
d. Dashboard output ragum menunjukkan hasil akhir berupa status

output ragum dalam satuan waktu tertntu. Tampilan akhir dashboard
output ragum dapat dilihat pada gambar 3.81 berikut:
Gambar 3.81. Tampilan Akhir Dashboard Output Ragum
3.3.2. Verifikasi & Validasi

Law Kelon (1991) mengatakan bahwa proses verifikasi memeriksa
penerjemahan model simulasi konseptual (diagram alur dan asumsi) kedalam
bahasa pemrograman secara benar. Validasi adalah langkah meyakinkan bahwa
model yang dibangun telah mewakili seluruh aspek-aspek penting dan berlakuan
seperti sistem nyatanya (Khoshnevis, 1994). Proses validasi dilakukan untuk
mengetahui apakah model simulasi sesuai dengan sistem nyata atau tidak.
3.3.3. Konsistensi Unit Analisis

Analisis konsistensi unit dapat diketahui dengan membandingkan konsep
formulasi nyata dengan konsep model yang disimulasikan pada Flexsim.
Perbandingan diantara keduanya dapat dilihat pada Tabel 3.28.
Pada tabel tersebut dapat disimpulkan bahwasanya tidak ditemukan
perbedaan antara formulasi konsep nyata dengan konsep model yang
disimulasikan sehingga formulas yang digunakan untuk model sudah benar.
BAB IV
ANALISIS DAN EVALUASI
4.1. Analisis
4.1.1. Analisis Distribusi Data Pengamatan
Data pengamatan yang diperoleh dari pengumpulan data tidak mencukupi
untuk dilakukan karena data pengamatan hanya berjumlah 1 data. Pengujian
distribusi menggunakan fitur ExpertFit pada software FlexSim 2019 dan pada
ExpertFit dibutuhkan minimal 10 data.. Oleh karena itu, dilakukan pembangkitan
data dengan menggunakan software Micosoft Excel.
4.1.2. Analisis Model

Pembuatan model simulasi terdiri dari 4 jenis model yaitu pembuatan
fixed resources, pembuatan task executer, pembuatan network dan pembuatan
dashboard. Untuk pembuatan fixed resources, tidak terdapat data mengenai jenis
kedatangan bahan baku (sources) dan distribusi atau waktu antar kedatangan
bahan baku. Dalam pembuatan task executer, jumlah processor tidak dapat sama
dengan layout lantai produksi dan processor yang digunakan berulang kali pada
routing sheet juga tidak dapat disimulasikan pada software Flexsim. Dalam
pembuatan network terdapat kekurangan bahan bacaan. Dalam pembuatan
dashboard juga terdapat kekurangan bahan bacaan karena pada dashboard
terdapat banyak jenis-jenis dashboard yang dapat digunakan.
4.1.3. Analisis Simulasi

Dalam melakukan simulasi, karena tiap-tiap mesin dilakukan penumpukan
agar tampak sama dengan layout lantai produksi, sehingga ketika dilakukan
simulasi terdapat bahan-bahan yang tampak menyatu. Selain itu, karena waktu
proses pembuatan ragum tergolong lama, sehingga ketika run speed dinaikkan,
tidak tampak jelas jalannya task executor. dashboard
5.1. Evaluasi
5.1.1. Evaluasi Distribusi Data Pengamatan
Untuk menggunakan fitur ExpertFit pada software FlexSim 2019,
dilakukan pembangkitan data menggunakan software Microsoft Excel.
Pembangkitan data menggunakan fungsi randbetween.. Dimana dalam melakukan
pembangkitan data digunakan simpangan data sebesar 5%. Setelah dilakukan
pembangkitan data sebanyak 10 data dilakukan uji kecukupan data untuk melihat
apakah data yang telah dibangkitkan cukup untuk diolah.
5.1.2. Evaluasi Model

Tipe kedatangan source atau bahan baku dianggap bertipe inter-arrival
time dengan waktu antar kedatangan didapatkan dari jurnal yang terkait. Agar
processor dapat sesuai dengan layout lantai produksi, dilakukan penumpukan
processor pada layout. Penumpukan mesin tersebut tidak akan mempengaruhi
jalannya simulasi. Sehingga, dengan dilakukannya penumpukan, operator juga
dapat mengikuti banyaknya operator pada lantai produksi. Pembuatan network
dan pembuatan serta jenis-jenis dashboard didasarkan pada bahan bacaan yang
didapatkan dari jurnal yang terkait. Tambahain tidak sesuai fix resource (tidak
mempengeraui)
5.1.3. Evaluasi Simulasi

Dalam melakukan simulasi, run speed dapat diatur. Selain dilakukan
pengaturan terhadap run speed juga diatur stop time simulasi selama 14 jam sejak
pertama kali dilakukan run. Hasil akhir simulasi berupa penyimpanan produk jadi
pad rak penyimpanan. Banyaknya produk jadi pada simulasi diharapkan sesuai
atau mendekati data produksi yang didapatkan. (jelaskan masalah yang
menyebabkan ada nya perbedaann hasil aktual dan simulasi , dan solusi nya agar
mendekati) masalah dashboard

Kamis - Kelompok02 - Bab I, Ii, Iii, Iv Modul I

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Kamis - Kelompok02 - Bab I, Ii, Iii, Iv Modul I

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB I

1.1. Teori Buku

1.1.1.2. Karakteristik Sistem

1.1.1.3. Klasifikasi Sistem

Berikut merupakan penjelasan dari model – model di atas:

1.1.3. Pemodelan Sistem

1.1.4.2. Tipe – Tipe Simulasi

1.1.4.3. Tahapan Simulasi

Setelah validasi model dilakukan, model simulasi harus dicoba dengan

1.1.4.3.1.1. Distribusi Binomial

sama yaitu sebesar . Percobaan semacam ini dinamakan percobaan binom.

1.1.4.3.1.3. Distribusi Poisson

1.1.4.3.1.4. Distribusi Seragam

Telah digunakan notasi f (x; k) alih-alih f(x) untuk menunjukkan

dadu setimbang dilemparkan,setiap unsur ruang contoh S = {1,2, 3,4, 5, 6}

sebaran seragam dengan

empat-persegi-panjang dengan tinggi yang sama. Histogram bagi contoh tersebut

diperlihatkan pada Gambar 1.1.

Sumber: Ronald E. Walpole . 1992. Pengantar Statistika Edisi ke-3 .

Gambar 1.1. Histogram Bagi Pelemparan Sebuah Dadu

Tidak sukar melihat bahwa sebaran bagi semua kemungkinan

himpunan bagian berukuran n dari suatu populasi terdiri atas 4 pendeta A, B, C,

memimpin upacara Thanksgiving Day di gereja. Maka banyaknya kombinasi yang

BD, dan CD. Karena masing-masing mempunyai kemungkinan terpilih yang

sama, maka sebarannya adalah seragam dengan

P (B dan D terpilih) = P(X=5) = f (5;6) = .

1.1.4.3.1.5. Distribusi Binom Negative

1.1.4.3.1.6. Distribusi Bernoulli

Dengan memperhatikan bentuk fungsi probabilitas Bernoulli pada

1.1.4.3.2. Distribusi Probabilitas Kontinu

Berlaku untuk harga-harga t yang memenuhi -∞ <t < ∞ dan K merupakan

1.1.4.3.2.5. Distribusi Weibull

Fungsi di atas mudah diintegralkan, sehingga diperoleh fungsi distribusi

Fungsi yang banyak memegang peranan penting dibanyak cabang matematika

1. Untuk sebuah bilangan bulat positif n,

3. Untuk setiap berlaku

Sedangkan fungsi distribusi kumulatif gamma adalah:

1.1.5. Software Flexsim

Gambar 1.3. Tampilan Awal

Sumber: Software FlexSim 2019

1.1.5.2.1. Tipe-Tipe Analisis ExpertFit

1.2.2. Metode Penelitian

1.2.2.2. Tahapan Penelitian

Tabel 1.4. Pengolahan Uji Distribusi Waktu Pemotongan, Inspeksi

Histogram Histogram Histogram

Histogram Range =4.5 to 10.5 =4.5 to 15.5 =0.5 to 3.5

Sumber: Software ARENA

Berdasarkan hasil dari model awal yang telah dilakukan, terjadi

Sumber: Software ARENA

Sumber: Software ARENA

2.1 Deskripsi Gambaran Sistem

Baja ASTM Baja ST37

Sumber: Ms. Visio 2013

Badan Rahang Rahang Badan Objek

c. Part Rahang Penjepit Kiri

e. Part Badan Penjepit Kanan

f. Part Badan Pemutar Ragum

g. Part Badan Lahar Ragum

2. Waktu Kedatangan Bahan

3.1. Distribusi Data Pengamatan

3.1.1. Pembangkitan Data Random

Sumber : Microsoft Excel

2. Setelah pilih new file maka akan muncul halaman kerja.