Anda di halaman 1dari 11

TEKNIK INDUSTRI Vol.1, No.

1, Juni 2020: 1 - 11

ANALISIS PENERAPAN TOTAL PRODUCTIVE MAINTENANCE (TPM)


MENGGUNAKAN OVERALL EQUIPMENT EFFECTIVENESS (OEE)
PADA RAW MATERIAL HANDLING DI DINAS LIME PLANT PT.
KRAKATAU STEEL (PERSERO), TBK

Septian Setia Gunansyah


1Program Studi Teknik Industri, Fakultas Teknik, Universitas Serang Raya
Jalan Raya Serang, Kota Serang, Banten 42116

Abstrak -- PT. Krakatau Steel merupakan BUMN yang bergerak di bidang produksi baja. Pada dinas
Lime Plant PT. Krakatau Steel sering terjadi masalah pada raw material handling seperti belt conveyor
putus, motor listrik terbakar, gearbox macet, bearing rusak, roll conveyor rusak yang menyebabkan
masalah pada proses-proses selanjutnya yang bisa mengakibatkan shut down pabrik sehingga
mengakibatkan delay pada waktu produksi, biaya produksi bertambah, harga jual atau laba perusahaan
melemah serta beban pekerjaan bertambah. Untuk mendorong tercapainya efektivitas dan efisiensi
dalam proses produksi di PT. Krakatau Steel Cilegon peneliti akan melakukan penelitian dengan
menghitung nilai Overall Equipment Effectiveness (OEE), menghitung nilai faktor Six Big Losses, dan
mengetahui akar penyebab masalah yang dominan dari faktor Six Big Losses dengan Fishbone diagram
dan 5W+1H. Nilai OEE yang didapat pada Raw Material Handling rata-rata sebesar 50,65 %. Faktor
terbesar yang menyebabkan rendahnya efektifitas mesin yaitu defect losses sebesar 69,7 % dan idling
& minor stoppages sebesar 16,1 %. Akar penyebab masalah pada defect losses disebabkan oleh faktor
bahan baku yang diterima dari vendor kurang baik, akar penyebab masalah pada idling minor &
stoppages yaitu karena sering mengalami gangguan berulang-ulang dan mesin beroperasi tanpa hasil
produk sehingga menghambat kelancaran produksi.

Kata Kunci : Total Productive Maintenance (TPM), Overall Equipment Effectiveness (OEE), Six Big
Losses, Fishbone Diagram.

Abstract -- PT. Krakatau Steel is a BUMN that is engaged in steel production. In the Lime Plant of PT.
Krakatau Steel often experiences problems in raw material handling such as broken conveyor belts,
electric motors overloud, gearbox jams, broken bearings, broken conveyor roll which causes problems
in subsequent processes that can cause shutdowns resulting in delays in production time, production
costs increases, selling prices or company profits weaken and workload increases. To encourage the
achievement of effectiveness and efficiency in the production process at PT. Krakatau Steel,
researchers will conduct research by calculating the Overall Equipment Effectiveness (OEE) value,
calculating the value of the Six Big Losses factor, and knowing the dominant root cause of the Six Big
Losses factor with the Fishbone diagram and 5W + 1H. OEE values obtained on Raw Material Handling
are on average 50.65%. The biggest factors causing the low effectiveness of the engine are defect
losses is 69.7% and idling & minor stoppages is 16.1%. The root cause of problems in defect losses is
caused by the raw material factors received from vendors is not good, the root cause of problems in
idling minor & stoppages is because they often experience repeated disturbances and the machine
operates without product results thereby hampering the smooth production.

Keywords: Total Productive Maintenance (TPM), Overall Equipment Effectiveness (OEE), Six Big
Losses, Fishbone Diagram.

PENDAHULUAN satu faktor untuk mencapai hal tersebut adalah


Pesatnya pertumbuhan industri manufaktur kegiatan proses produksi. Perbaikan dari sistem
mewajibkan setiap perusahaan harus dapat manufaktur melakukan salah satu usaha yang
menghasilkan produk yang berkualitas. Salah intensif dilakukan. Sistem manufaktur yang ada
Septian Setia Gunansyah
1
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

diperbaiki, sehingga nantinya dapat merespon handling di dinas Lime Plant PT. Krakatau
perubahan pasar dengan cepat. Idealnya semua Steel (Persero), Tbk.
kegiatan pemeliharaan harus mempunyai 3. Mengetahui akar penyebab permasalahan.
tindakan pencegahan (preventive maintenance).
Untuk itu pemeliharaan diterapkan pada peralatan METODOLOGI PENELITIAN
yang bermasalah (terjadi enam kerugian utama). Pada pengumpulan data dalam penelitian
Pemilihan sistem pengukuran kinerja pengukuran nilai Overall Equipment Effectiveness
sangat penting untuk mencapai sasaran (OEE) dilakukan melalui dua cara, yaitu dengan
perusahaan (Chris Morgan, 2004). Pengukuran pengambilan data sekunder yang sudah ada
kinerja perusahaan juga menjadi sangat penting misalnya data loading time, downtime, jumlah
bagi manajemen perusahaan untuk mengetahui hasil produksi, processed amount, dan
tercapai atau tidaknya sasaran perusahaan. pengambilan data secara langsung dilapangan.
Untuk itu diperlukan sebuah upaya untuk Waktu yang digunakan untuk penelitian ini
meningkatkan kualitas produk. Dengan dilaksanakan sejak tanggal dikeluarkannya ijin
mengetahui permasalahan yang terjadi di lantai penelitian dalam kurun waktu kurang lebih 2 (dua)
produksi untuk kemudian mencari penyebab bulan, 1 bulan pengumpulan data dan 1 bulan
terjadinya permasalahan tersebut. Salah satu pengolahan data yang meliputi penyajian dalam
metode pengukuran kinerja yang banyak bentuk skripsi dan proses bimbingan.
digunakan oleh perusahaan-perusahaan yang Pengambilan data difokuskan pada area raw
mampu mengatasi masalah yang terjadi di lantai material handling yang didapat dari daily report
produksi adalah Overall Equipment Effectiveness dinas lime plant PT. Krakatau Steel (Persero).
(OEE) (Bayu, 2018).. Metode ini merupakan
bagian utama dari sistem pemeliharaan yang Metode Pengolahan Data
banyak diterapkan oleh perusahaan Jepang, yaitu Hal pertama yang dilakukan dalam
Total Productive Maintenance (TPM). pengolahan data ini yaitu dengan melakukan
PT. Krakatau Steel merupakan perusahaan pengukuran terhadap nilai Overall Equipment
baja terbesar di Indonesia bahkan di Asia Effectiveness (OEE) pada Raw Material Handling.
Tenggara, telah menunjukkan sinergi keunggulan Pada perhitungan OEE tergantung pada tiga rasio
teknologi dan jaringan pemasaran di Indonesia utama yaitu, Availability rate, Performance
yang memiliki berbagai jenis proses dan alat efficiency, dan Rate of quality. Berdasarkan hal
proses yang erat kaitannya dengan peningkatan tersebut maka untuk mendapatkan nilai OEE, nilai
dan perkembangan ilmu pengetahuan dan dari ketiga rasio tersebut harus diperoleh terlebih
teknologi. PT. Krakatau Steel memiliki keunggulan dahulu.
dalam hal peralatan, mesin, kontruksi,
manajemen perusahaan dan juga hal-hal yang Analisis Data
berkaitan dengan industri. Setelah didapatkan hasil pengolahan data
Divisi Utility Dinas LPO (Lime Plant) adalah kemudian dianalisis untuk mengetahui bagaimana
salah satu Divisi di PT. Krakatau Steel yang keadaan manajemen perawatan yang telah
memproses bahan baku batu kapur (CaCO3) diterapkan pada saat itu. Analisis yang dilakukan
dengan ukuran 30mm & 70mm menjadi kapur yaitu :
bakar / burn lime (CaO) melalui tahapan proses
a. Analisis overall equipment effectiveness
pembakaran didalam kiln. Akan tetapi saat terjadi
b. Analisis diagram pareto
masalah pada raw material handling seperti belt
c. Analisis fishbone diagram
conveyor putus, motor listrik terbakar, gearbox
d. Analisis usulan perbaikan.
macet, bearing rusak, roll conveyor rusak, dan
lain-lain menyebabkan masalah pada proses-
HASIL DAN PEMBAHASAN
proses selanjutnya dalam pembuatan kapur bakar
Data Downtime
hingga bisa mengakibatkan shut down pabrik.
Downtime adalah waktu dimana mesin
Karena kendala tersebut berpengaruh terhadap
berhenti produksi dikarenakan keadaan yang
tercapainya efektivitas dan efisiensi dalam proses
tidak terduga (Antonius, 2011). Keadaan tersebut
produksi di PT. Krakatau Steel.
seperti mati listrik, kegagalan fungsi mesin, set up,
Tujuan dari penelitian ini adalah untuk:
dan lain sebagainya. Waktu downtime dapat
1. Mengetahui keefektifan dari mesin-mesin Raw
menimbulkan kerugian yang cukup besar pada
Material Handling dengan menghitung
perusahaan apabila terjadi dalam waktu yang
besarnya nilai OEE (Overall Equipment
cukup lama karena line produksi berhenti dan
Effectiveness).
tidak menghasilkan produk selama waktu
2. Mengetahui faktor-faktor yang menyebabkan
downtime (Antonius, 2011). Berikut adalah data
rendahnya produktifitas pada raw material
Septian Setia Gunansyah
2
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

downtime selama periode Januari 2018 hingga Operating Time


Oktober 2018 Raw Material Handling pada dinas Operation time adalah waktu yang
Lime Plant PT.Krakatau Steel (Persero), Tbk : digunakan untuk menjalankan proses produksi
tanpa memperhitungkan downtime. Sehingga
Tabel 1. Downtime untuk mendapatkan waktu operation time
dilakukan dengan cara mengeliminasi waktu
Running
Bulan
Jumlah
Time
Downtime downtime pada downtime (Arifianto, 2018).
Hari (menit)
(menit)
Januari 31 27.900 300 Defect
Data cacat produk adalah data losses
Februari 28 30.240 160 bahan baku yang tidak sesuai dengan spesifikasi
Maret 31 33.480 240 kebutuhan bahan baku (Antonius, 2011).
April 30 33.480 120 Tabel 2. Data Defect
Mei 31 33.480 200
Jumlah
Juni 30 33.480 100 Bahan Baku Defect/Loses
No. Bulan
Masuk (Ton)
Juli 31 33.480 60 (Ton)

Agustus 31 33.480 60 1 Januari 16.430 421


September 30 33.480 150 2 Februari 15.720 403
Oktober 31 33.480 80 3 Maret 16.678 430
4 April 15.960 422
Planned Downtime 5 Mei 16.554 439
Planned downtime adalah waktu yang
dijadwalkan untuk proses produksi berhenti 6 Juni 16.492 440
selama jam kerja (Antonius, 2011). Departemen 7 Juli 16.520 450
maintenance sudah menyusun jadwal perawatan
8 Agustus 14.650 398
preventive yang diterapkan dalam satu minggu.
Perawatan preventive tersebut adalah sebagai 9 September 16.230 412
berikut : 10 Oktober 15.896 387
1. Mechanical
a. Cleaning
b. Rebolting Pengolahan Data
c. Pelumasan mesin Availability Ratio
2. Electrical Untuk menghitung availability, pertama
a. Cleaning adalah menghitung loading time. Loading time
Durasi pelaksanaan kegiatan preventive ini adalah waktu bersih proses produksi
kurang lebih selama 1 jam. Selama kegiatan dilaksanakan dalam jam kerja (Arifianto, 2018).
preventive ini kegiatan produksi berhenti sehingga Perhitungan loading time ini dilakukan
kegiatan ini termasuk dalam planned downtime. dengan rumus berikut :
Selain kegiatan yang disebutkan diatas ada Loading time = running time – planned downtime
planned downtime dari project yang direncnakan Loading time = 33.480 menit – 1680 menit
sebelumnya untuk memberhentikan mesin Loading time = 31.620 menit
produksi sementara untuk dilakukan perbaikan
atau improvement. Planned downtime ini Tabel 3. Perhitungan Loading Time
didapatkan dengan mengolah data laporan harian
maintenance. Jam Planned Loading
No Bulan Kerja Downtime Time
Loading Time (menit) (menit) (menit)
Loading time adalah waktu bersih yang 1 Januari 33.480 1860 31.620
tersedia dalam menjalankan proses produksi. 2 Februari 30.240 1680 28.560
Loading time didapat dengan mengeliminasi
planned downtime dari running time setiap shift 3 Maret 33.480 1860 31.620
kerja (Antonius, 2011). Dan diberikan waktu 4 April 32.400 1800 30.600
istirahat setiap shift selama 60 menit.
5 Mei 33.480 1860 31.620

Septian Setia Gunansyah


3
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

6 Juni 32.400 1800 30.600 Mei 31.620 200 31.420 99,37


7 Juli 33.480 1860 31.620 Juni 30.600 100 30.500 99,67
8 Agustus 33.480 1860 31.620 Juli 31.620 60 31.560 99,81
9 September 32.400 1800 30.600 Agustus 31.620 60 31.560 99,81
10 Oktober 33.480 1860 31.620 Septem
30.600 150 30.450
ber 99,51
Oktober 31.620 80 31.540 99,75

Kemudian menghitung operation time yang


dibutuhkan untuk menghitung availability. Performance Rate
Operation time adalah waktu produksi tanpa Langkah kedua untuk melakukan
mempertimbangkan downtime yang terjadi perhitungan Overall Equipment Effectiveness
(Arifianto, 2018). Sehingga untuk menghitung (OEE) adalah mencari hasil perhitungan dari
operation time menggunakan rumus sebagai Performance Rate. Perhitungan untuk
berikut : mendapatkan hasilnya adalah sebagai berikut:
Operation time = loading time – downtime processed amount × ideal cycle time
Operation time = 31.620 – 300 Performance Rate = x 100%
operating time
Operation time = 31.320 16.430 x 1
= x 100%= 52,46 %
31.320
Tabel 4 Perhitungan Operating Time

Loading Operation
Downtime Tabel 6. Perhitungan Performance Rate
Bulan Time Time
(menit)
(menit) (menit)
Januari 31.620 300 31.320 Jumlah
Operation Performance
Bahan
No Bulan Time Rate
Februari 28.560 160 28.400 Baku
(menit) %
Masuk
Maret 31.620 240 31.380
1 Januari 16430 31.320 52,46
April 30.600 120 30.480
2 Februari 15720 28.400 55,35
Mei 31.620 200 31.420
3 Maret 16678 31.380 53,15
Juni 30.600 100 30.500
4 April 15960 30.480 52,36
Juli 31.620 60 31.560
5 Mei 16554 31.420 52,69
Agustus 31.620 60 31.560
6 Juni 16492 30.500 54,07
September 30.600 150 30.450
7 Juli 16520 31.560 52,34
Oktober 31.620 80 31.540
8 Agustus 14650 31.560 46,42

9 September 16230 30.450 53,30


operation time
Availability = x 100% 10 Oktober 15896 31.540 50,40
loading time
Rata-rata 52,25%
31.120
Availability = x 100%
31.620
Availability = 95,05% Rate of Quality
Langkah ketiga untuk melakukan
Tabel 5. Perhitungan Availability perhitungan Overall Equipment Effectiveness
(OEE) adalah mencari hasil perhitungan dari Rate
Loading Down Opr.
Availability
of quality. Untuk perhitungan rate of quality dari
Bulan Time time Time raw material handling diperlukan data dari
%
(menit) (menit) (menit)
processes amount, dan defect amount (jumlah
Januari 31.620 300 31.320 loses). Setelah didapat seluruh data yang
99,05
diperlukan untuk melakukan perhitungan Rate of
Februari 28.560 160 28.400 99,44 quality dari raw material handling, maka
Maret 31.620 240 31.380 99,24
perhitungan untuk mendapatkan hasilnya adalah
sebagai berikut :
April 30.600 120 30.480 99,61

Septian Setia Gunansyah


4
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

Agustus 99,81 46,42 97,28 45,07


Proses amount–Defect amount
Rate of Quality = x 100% Septem
53,30 97,46
Processes amount ber 99,51 51,69
Oktober 99,75 50,40 97,57 49,05
16.430 - 421
= × 100% = 97,44%
16.430
Six Big Losses
Tabel 7 Perhitungan Quality Rate Equipment Failure Losses
Jumlah
Untuk menghitung equipment failure losses
Bahan Quality membutuhkan data downtime dan loading time
Losses
No. Bulan Baku
(Ton)
Rate proses produksi pada tabel 9 Rumus yang
Masuk % digunakan untuk menghitung equipment failure
(Ton)
losses adalah sebagai berikut :
1 Januari 16430 421 97,44
downtime
2 Februari 15720 97,44 Equipment Failure Losses = x 100%
403 loading time
3 Maret 16678 97,42
430 300
= x 100%
4 April 15960 422 97,36 31620
5 Mei 16554 439 97,35
= 0,95 %
6 Juni 16492 440 97,33

7 Juli 16520 450 97,28

8 Agustus 14650 398 97,28 Tabel 9. Perhitungan Equipment Failure Losses


9 September 16230 412 97,46 Equipment
Loading
Downtime Failure
10 Oktober 15896 387 97,57 Bulan Time
(menit) Losses
(menit)
Rata-rata 97,39 %
Januari 31.620 300 0,95

Februari 28.560 160 0,56


Overall Equipment Effectiveness (OEE)
Langkah selanjutnya setelah nilai-nilai dari Maret 31.620 240 0,76
perhitungan Availability Rate, Performance April 30.600 120 0,39
Efficiency, dan Rate of Quality diperoleh, maka
nilai dari Overall Equipment Effectiveness (OEE) Mei 31.620 200 0,63
didapat sebagai berikut : Juni 30.600 100 0,33
OEE = Availability Rate × Perf. Rate × Quality Juli 31.620 60 0,19
Rate
Agustus 31.620 60 0,19
= 99,05 % × 52,46 % × 97,44 % = 50,63 %
September 30.600 150 0,49

Oktober 31.620 80 0,25


Tabel 4. 8 Perhitungan Overall Equipment
Effectiveness (OEE)
Set Up and Adjustment Losses
Availability
Perf. Quality
OEE Untuk menghitung set up and adjustment
Bulan Rate Rate losses membutuhkan data set up dan loading time
% %
% %
proses produksi (Mahfudi, 2019). Set up and
Januari 52,46 97,44 adjustment losses merupakan kerugian yang
99,05 50,63
disebabkan oleh pemasangan atau penyetelan
Februari 99,44 55,35 97,44 53,63 mesin. Rumus yang digunakan untuk menghitung
Maret 99,24 53,15 97,42 51,39 set up and adjustment losses adalah sebagai
April 52,36 97,36
berikut :
99,61 50,78
set up time
Mei 99,37 52,69 97,35 50,96 Set Up & Adjustment Losses = x 100%
loading time
Juni 99,67 54,07 97,33 52,46 20
Juli 52,34 97,28 = 31.620 x 100% = 0,06 %
99,81 50,82

Septian Setia Gunansyah


5
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

September 30.540 395 1,29


Tabel 10. Perhitungan Set Up and Adjustment Oktober 31.620 282 0,89
Losses

Loading Waktu Reduces Speed Losses


Jumlah Losses Reduced Speed Losses adalah kerugian
Bulan Time Set Up
Hari %
(menit) (menit) yang disebabkan karena mesin tidak bekerja
optimal dan kecepatan mesin aktual lebih kecil
Januari 31 31.620 20 0,06
dari pada kecepatan normal (Mahfudi, 2019). Data
Februari 28 28.560 19 0,07 yang dibutuhkan adalah data operation time dan
Maret 31 31.620 21 0,07
loading time. Rumus yang digunakan untuk
menghitung Reduced Speed Losses adalah
April 30 30.600 18 0,06 sebagai berikut :
Mei 31 31.620 16 0,05 opr. time-(ideal cycle time x total bahan baku)
RSL= x100%
Juni 30 30.600 22 0,07 loading time
31.320 - (1,91 x 26.430)
Juli 31 31.620 26 0,08 RSL =
31.620
x 100% = 0,00909 %
Agustus 31 31.620 23 0,07
Tabel 12. Perhitungan Reduced Speed Losses
September 30 30.600 16 0,05

Oktober 31 31.620 17 0,05 Ideal Jumlah


Loading Operation
Cycle Bahan Losses
Bulan Time Time
Time Baku %
(menit) (menit)
Iddling and Minor Stopages Losses (menit) Masuk
Iddling and Minor Stopages Losses Januari 31.620 1,91 16430 31.320 0,00909
merupakan kerugian yang disebabkan oleh Februari 28.380 1,81 15720 28.400 0,00316
kejadian-kejadian seperti berhentinya mesin
sejenak, idle time mesin dan lain sebagainya Maret 31.620 1,88 16678 31.380 0,00581
(Mahfudi, 2019). Untuk menghitung losses ini April 30.540 1,91 15960 30.480 0,00154
dibutuhkan non productive time yang didapatkan
dari waktu yang tidak produktif selama satu bulan Mei 31.620 1,90 16554 31.420 0,00403
dan loading time. Rumus yang digunakan untuk Juni 30.540 1,85 16492 30.500 0,00107
menghitung Iddling and Minor Stopages Losses
Juli 31.620 1,91 16520 31.560 0,00036
adalah sebagai berikut :
Agustus 31.620 2,15 14650 31.560 0,00036
Non productive time
Iddling & Minor Stopages Losse = x100%
loading time September 30.540 1,88 16230 30.450 0,00241

216 Oktober 31.620 1,98 15896 31.540 0,00064


= x 100% = 0,68 %
31.620

Tabel 11. Perhitungan Iddling and Minor Defect Losses


Stopages Losses Defect losses merupakan kerugian yang
disebabkan oleh adanya produk cacat ata produk
Non Iddling yang harus dikerjakan ulang (Mahfudi, 2019). Hal
Loading
Productive Minor
Bulan Time ini dapat menyebabkan kerugian material dan
Time Losses
(menit) biaya tambahan perbaikan prodk. Untuk
(menit) %
Januari 31.620 216 0,68 menghitung Defect losses membutuhkan data
total produk defect ideal cycle time menit, dan
Februari 28.380 201 0,71 loading time. Rumus yang digunakan untuk
Maret 31.620 26 0,08 menghitung defect losses adalah sebagai berikut
:
April 30.540 156 0,51
ideal cycle time x total defect
Mei 31.620 336 1,06 Defect Losses = x 100%
loading time
Juni 30.540 103 0,34 1,91 x 421
Defect Losses = x 100% = 2,54 %
Juli 31.620 60 0,19 31.620

Agustus 31.620 85 0,27

Septian Setia Gunansyah


6
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

Tabel 13. Perhitungan Defect Losses Tabel 15. Kumulatif Losses

Ideal Rata- Persentase


Loading Reject/ Jenis Losses Persentase
Cycle Losses Rata Kumulatif
Bulan Time Losses
Time % Defect Losses 2,6% 69,7% 69,7%
(menit) (ton)
(menit)
Iddling Minor
Januari 31.620 1,91 2,54 0,60% 16,1% 85,7%
421 Losses
Equipment
Februari 28.560 1,81 403 2,55 0,47% 12,6% 98,3%
Failure Losses
Maret 31.620 1,88 430 2,56 Set Up Losses 0,06% 1,6% 99,9%
April 30.600 1,91 2,63 Speed
422 Reduce 0,003% 0,1% 100,0%
Mei 31.620 1,90 439 2,64 Losses

Juni 30.600 1,85 2,66 Total 3,73% 100%


440
Juli 31.620 1,91 450 2,72

Agustus 31.620 2,15 398 2,71 Setelah diurutkan seperti pada tabel diatas,
September 30.600 1,88 412 2,53
kemudian dibuat diagram pareto. Diagram pareto
dari tabel 15 adalah sebagai berikut :
Oktober 31.620 1,98 387 2,43

Pengaruh Losses
Setelah didapatkan hasil dari masing-
masing losses atau kerugian setiap bulannya,
maka dapat dilihat banyaknya persentase dari
masing-masing losses pada tabel 14 berikut ini :
Tabel 14. Persentase Masing-Masing Losses
Tiap Bulan
Equip. Iddling
Set Up Reduc
Failure Minor Defect
Losse e
Bulan Losse Losse Losses
s Losses
s s %
% %
% %
0,95 0,06 0,68 0,0090 2,54
Januari
9
0,56 0,07 0,70 0,0031 2,56
Februari
6
Gambar 1 Diagram Pareto Six Big Losses
0,76 0,07 0,08 0,0058 2,56
Maret
1 Dari diagram pareto diatas dapat diketahui
0,39 0,06 0,51 0,0015 2,63
April
4 bahwa losses terbesar disebabkan oleh Defect
Mei
0,63 0,05 1,06 0,0040
3
2,64 losses.
0,33 0,07 0,34 0,0010 2,66
Juni
7
0,19 0,08 0,19 0,0003 2,72
Pembahasan
Juli
6 Analisis Availability Ratio
0,19 0,07 0,27 0,0003 2,71
Agustus
6 Perhitungan Availability mencerminkan
Septembe 0,49 0,05 1,29 0,0024 2,53 seberapa besar waktu loading time yang tersedia
r 1 yang digunakan disamping yang telah terserap
0,25 0,05 0,89 0,0006 2,43
Oktober oleh downtime losses (Bayu, 2018).
4
0,0028
Rata-rata 0,47 0,06 0,60 2,60 Dari perhitungan tersebut terlihat bahwa
5
nilai dari availability ratio keseluruhan rata-rata
Diagram Pareto mencapai 99,62 %. Dilihat dari standar nilai
Setelah itu dihitung rata-rata persentase availability untuk analisa pada penelitian ini yaitu
masing-masing losses dan persentase 90%, maka dapat disimpulkan bahwa mesin yang
kumulatifnya. Dari hasil perhitungan losses yang dianalisa masih diatas nilai standar untuk
telah dilakukan, kemudian diurutkan dari yang pengukuran nilai Overall Equipment Effectiveness
terbesar ke yang terkecil sehingga diperoleh (OEE).
urutan sebagai berikut :

Septian Setia Gunansyah


7
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

Dari grafik diatas diketahui bahwa nilai


Availability performance rate paling tinggi terjadi pada bulan
100,00 Februari dengan nilai 55,35 %. Sedangkan nilai
99,80 99,81
99,8199,75 performance rate paling rendah terjadi pada bulan
99,60 99,61 99,67 Agustus dengan nilai 46,42 %.
99,44 99,51
99,40 99,37
99,20 99,24
99,00 99,05 Analisis Rate Of Quality
98,80 Rate of quality adalah rasio jumlah produk
98,60
yang lebih baik terhadap jumlah total produk yang
diproses (Bayu, 2018). Berikut adalah hasil
pengolahan data pada nilai Rate of quality dari
keseluruhan mesin Raw Material Handling.
Availability
Dari perhitungan tersebut terlihat bahwa
nilai rata-rata dari quality adalah 97,39 %. Dilihat
Gambar 2. Grafik Perhitungan Availability dari standar nilai quality untuk analisa pada
penelitian ini yaitu 99%, maka dapat disimpulkan
Dari grafik diatas nilai availability paling bahwa mesin yang dianalisa masih dibawah nilai
rendah terjadi pada bulan Januari yaitu dengan standar untuk pengukuran nilai Overall Equipment
nilai 99,05%. Pada bulan Januari terjadi downtime Effectiveness (OEE).
paling besar yaitu 300 menit selama satu bulan.

Analisis Performance Rate Quality Rate


Analisis Performance Rate merupakan 97,60
rasio kecepatan operasi aktual dari peralatan 97,55 97,57
dengan kecepatan ideal berdasarkan kapasitas 97,50
produksi (Bayu, 2018). Dengan membandingkan 97,45 97,46
97,4497,4497,42
waktu siklus aktual terhadap waktu siklus yang 97,40
97,35 97,3697,35
ideal. 97,33
97,30
Dari perhitungan tersebut terlihat bahwa 97,2897,28
97,25
nilai dari Performance Ratio Raw Material 97,20
Handling rata-rata adalah 52,25 %. Dilihat dari 97,15
standar nilai Performance untuk analisa pada 97,10
penelitian ini yaitu 95%, maka dapat disimpulkan
bahwa mesin yang dianalisa masih dibawah nilai
standar untuk pengukuran nilai Overall Equipment
Effectiveness (OEE). Quality Rate

Performance Rate
Gambar 4. Hasil Perhitungan Quality Rate
58,00
56,00 55,35 Dari grafik diatas diketahui bahwa nilai
54,00 54,07 quality rate paling tinggi terjadi pada bulan oktober
53,15 53,30
52,00 52,46 52,3652,69 52,34
dengan nilai 97,57 %. Namun nilai tersebut masih
50,00 50,40
dibawah standar untuk pengukuran nilai quality
48,00
46,42 rate.
46,00
44,00
42,00 Analisis Perhitungan OEE
40,00 Perhitungan overall equipment
effectiveness bertujuan untuk mengetahui tingkat
keefektifan suatu mesin atau suatu line produksi
(Mahfudi, 2019). Dalam penelitian ini perhitungan
OEE bertujuan untuk mengetahui keefektifan Raw
Performance Rate Material Handling. OEE mempertimbangkan
waktu, kualitas, dan performa dari mesin produksi.
Gambar 3. Grafik Hasil Perhitungan Performance
Rate

Septian Setia Gunansyah


8
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

OEE
56,00
54,00 53,63
52,00 52,46 51,69
50,63 51,3950,7850,96 50,82
50,00
48,00 49,05
46,00
44,00 45,07
42,00
40,00

OEE

Gambar 5. Diagram Perhitungan Overall Gambar 6. Diagram Pareto Six Big Losses
Equipment Effectiveness
Dari diagram pareto diatas, dapat diketahui
Berdasarkan grafik diatas bahwa bahwa kerugian terbesar adalah Defect losses
pencapaian OEE dari keseluruhan mesin Raw dengan nilai 2,60 %.
Material Handling dibawah standar yaitu rata-rata
50,65 %, sedangkan nilai standar OEE adalah Analisis Akar Permasalahan
85% sehingga hasil tersebut masih dibawah Untuk memperoleh hasil analisa yang
standar dan membutuhkan improvement. sesuai dengan tujuan dari penelitian ini,
dibutuhkan tools yang relevan dengan data yang
Analisis Six Big Losses sudah kumpulkan. Sehingga untuk memudahkan
Setelah dilakukan perhitungan losses, dalam mengidentifikasi hal tersebut maka
kemudian dilakukan analisis kerugian apa yang dibuatlah diagram fishbone, yang nantinya akan
paling berdampak pada perusahaan. Hanya dirumuskan rencana perbaikan untuk mengatasi
terdapat 5 kerugian pada Raw Material Handling. akar permasalahan. Analisa ini dilakukan dengan
Kerugian tersebut adalah equipment failure pengamatan secara langsung ke lapangan dan
losses, set up and adjusment losses, idling and melakukan wawancara terhadap karyawan yang
minor stopages, reduced speed losses, dan defect terkait pada penelitian ini, yaitu antara lain
losses. operator, bagian teknik, dan bagian quality
control. Hasil wawancara tersebut merupakan
Tabel 16. Tabel Big Six Losses salah satu kemungkinan penyebab dari sulitnya
pencapaian target OEE yang diinginkan karna
Rata- Persentase
Jenis Losses
Rata
Persentase
Kumulatif tingginya nilai defect losses & idle minor losses.
Defect Losses 2,6% 69,7% 69,7%
Iddling Minor
0,60% 16,1% 85,7%
Losses
Equipment
0,47% 12,6% 98,3%
Failure Losses
Set Up Losses 0,06% 1,6% 99,9%
Speed Reduce
0,003% 0,1% 100,0%
Losses
Total 3,73% 100%

Gambar 7. Diagram Fishbone

Dari gambar 7 dapat diketahui bahwa


terdapat 4 kategori penyebab tingginya nilai defect
losses & idle minor losses yaitu sebagai berikut :
1. Manusia
Salah satu faktor yang menyebabkan
tingginya defect losses dan Idling Minor
Stopages losses yaitu manusia.
Septian Setia Gunansyah
9
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

a. Kurangnya kesadaran yang 4. Masalah utama dari breakdown yang ada


dilakukan oleh operator material pada dinas Lime Plant PT. Krakatau Steel
handling dan keterbatasan personil adalah kurang maksimalnya pembersihan
untuk melakukan pembersihan. di akhir pengisian material bahan baku
b. Operator kurang memahami gejala serta tidak ada jadwal pemeliharaan dan
dan tanda-tanda kerusakan jumlah alat angkut kurang dan sering
menjadi penyebab tingginya terjadi kerusakan.
losses. 5. Rencana perbaikan untuk meningkatkan
2. Mesin nilai OEE adalah menambah jumlah
Raw Material Handling beroperasi kekurangan operator material handling,
selama rata-rata 18 jam dalam satu hari, melengkapi alat kebersihan yang
dan kurangnya perhatian dan dibutuhkan, membuat jadwal
pemeliharaan dan keterbatasan pemeliharaan untuk semua shift,
sparepart sehingga membuat bagian- melakukan peremajaan alat angkut dan
bagian yang ada pada raw material membuat jadwal pemeliharaan
handling cepat mengalami keausan atau kendaraan, dan memberikan teguran atau
kerusakan. sanksi pada vendor pengirim bahan baku.
3. Material
Material yang kurang baik sangat
mempengaruhi losses. Material REFERENSI
berukuran diameter dibawah 30 mm Alfredo, Wiwik., Evaluasi Total Productive
merupakan defect yang menyebabkan Maintenance Dengan Pendekatan Overall
kurang tercapainya hasil produksi. Equipment Effectiveness (OEE) Pada
4. Metode Mesin Carding PT. ABC., Departemen
Transfer material dari stockyard yang Teknik Industri, Fakultas Teknik,
memakan waktu lama karna armada Universitas Diponegoro.
yang kurang mendukung dan sering Almeanazel, Osama Taisir R., 2010, Total
mengalami kerusakan pada armada Productive Maintenance Review and
truck. Overall Equipment Effectiveness
Measurement, Jordan Journal of
Mechanical and Industrial Engineering, Vol.
KESIMPULAN 4 No. 4, pp 517 – 522.
Berdasarkan penelitian yang telah Anwar, Syukriah, Muslem., Analisis Overall
dilakukan, maka dapat ditarik kesimpulan sebagai Equipment Effectiveness (OEE) dalam
berikut : Meminimalisir Six Big Losses Pada Mesin
Produksi di UD, Industrial Engineering
1. Besarnya rata-rata nilai OEE (Overall
Journal Vol.5 No.2 (2016) 52-57 ISSN
Equipment Effectiveness) adalah 50,65%.
2302 934X.
Nilai ini jauh dibawah standar dunia yaitu
Asyrof Arifianto ., Penerapan Total Productive
85%. Meskipun availability dan quality
Maintenance (TPM) Dengan Metode
rate cukup tinggi namun performance rate
Overall Equipment Effectiveness., Program
masih kurang sehingga nilai OEE menjadi
Studi Teknik Industri Fakultas Teknologi
rendah sehingga perlu adanya perbaikan
Industri Universitas Islam Indonesia
agar meningkatkan nilai OEE.
Yogyakarta 2018.
2. Jenis six big losses yang dominan
Benjamin S. Blanchard, “An Enhanced Approach
menyebabkan rendahnya nilai OEE pada
for Implementing Total Productive
raw material handling adalah defect
Maintenance in The Manufacturing
losses & idle minor losses. Defect losses
Environment”, Journal of Quality in
merupakan losses terbesar dari
Maintenance Engineering, Vol. 3. 1997.
keseluruhan losses yang terjadi yaitu
Betrianis, Robby Suhendra., Pengukuran Nilai
sebesar 2,60 % dan idle minor losses
Overall Equipment Effectiveness Sebagai
ditempat kedua dengan nilai 0,60 %.
Dasar Usaha Perbaikan Proses Manufaktur
3. Rendahnya nilai OEE menandakan
Pada Lini., Jurnal Teknik Industri Vol.7, No.
rendahnya kinerja TPM dan faktor yang
2., Desember 2005: 91-100.
menyebabkan rendahnya kinerja TPM
Chris Morgan, “Structure, Speed and Salience :
sesuai 8 pilar TPM adalah variabel
Performance Measurement In The Supply
antonomous maintenance, quality
Chain”, Business Process Management
maintenance, dan education & training.
Journal, Vol. 10 No. 5, 2004, hal. 526.
Septian Setia Gunansyah
10
TEKNIK INDUSTRI Vol.1, No.1, Juni 2020: 1 - 11

Francis Wauters and Jean Mathot, “OEE (Overall http://www.plantmanagement.com/articles/


Equipment Effectiveness)”, ABB Inc, June, TPM_intro.
2002. Yuri, M.Z.; Rahmat, N. 2013. TQM Manajemen
Hermanto, Pengukuran Nilai Overall Equipment Kualitas Total dalam Perspektif Teknik
Effectiveness pada Divisi Painting di PT. Industri. Jakarta: PT. Indeks.
AIM, Pengukuran Nilai Overall Equipment
Effectiveness pada Divisi Painting di PT.
AIM, Program Studi Teknik Industri, Jurnal
Metris, 17 (2016): 97 – 106.
Istiyanto, Bayu,. Analisis Overall Equipment
Effectiveness (OEE) Conveyor Stone
Handling Dengan Metode Failure Mode
And Effect Analysis (FMEA) Di Dinas Utility
PT. Krakatau Steel., Fakultas Teknik
Program Studi Teknik Industri Universitas
Serang Raya., 2018.
Ljunberg, Orjan., Measurement of Overall
Equipment Effectiveness as A Basic of TPM
Activities, International Journal of
Operations and Production Management,
MCB University Press, 1998.
Mahfudi., Total Productive Maintenance (TPM)
Dengan Pengukuran Overall Equipment
Effectiveness (OEE) Pada Mesin Cold
Leveller PT. Krakatau Posco. Fakultas
Teknik Program Studi Teknik Industri
Universitas Serang Raya., 2019.

Mike Sondalini, “OEE: Overall


Equipment Effectiveness”, Article,
Business Industrial Network, August 10,
2008.
Muslim, Dianawati, Panggalo. Pengukuran dan
Analisis Nilai Overall Equipment
Effectiveness (OEE) Sebagai Dasar
Perbaikan Sistem Manufaktur Pipa Baja.
Departemen Teknik Industri, Fakultas
Teknik, Universitas Indonesia, 2009.
Nakajima, S. (1984). Introduction to TPM: Total
Productive Maintenance. Cambridge, MA,
Productivity Press.
Prestianto, Bayu, Sugiono dan Susilo Toto R.
2003. “Analisis Pengendalian Kualitas Pada
PT. Semarang Makmur Semarang.” Jurnal
Bisnis Strategi Vol. 11/Juli/Th. VIII/2003.
Rudi, Antonius. 2011. Analisis Dan Pengukuran
Nilai Overall Equipment Effectiveness
(OEE) Sebagai Dasar Perbaikan Proses
Manufaktur Line Injeksi Plastik Door Handle
Mobil. Fakultas Teknik Program Studi
Teknik Industri UI Depok .
Suhendra, Robby, “PengukuranNilai Overall
Equipment Effectiveness Sebagai Dasar
Usaha Perbaikan Proses Manufaktur Pada
Lini Produksi”, Januari 2005 hal. 21.
Venkatesh J, “An Introduction to Total Productive
Maintenance (TPM)”, Article:

Septian Setia Gunansyah


11