Machine Translated by Google

Prosiding Konferensi Simulasi Musim Dingin 2020 K.-H.

Bae, B. Feng, S. Kim, S. Lazarova-Molnar, Z. Zheng, T. Roeder, and R. Thiesing, eds.

STUDI HEIJUNKA UNTUK PERAKITAN OTOMOTIF MENGGUNAKAN

SIMULASI PERISTIWA DISKRIT: STUDI KASUS

Ivan Arturo Renteria-Marquez Anabel Renteria

Carmen Noemi Almeraz
Tzu-Liang (Bill) Tseng

Dept. Ind., Manufaktur dan Sistem Eng. Jurusan Teknik Mesin

Universitas Texas di El Paso Universitas Texas di El Paso
500 West University Avenue El 500 Jalan Universitas Barat
Paso, TX 79968, AS El Paso, TX 79968, AS

ABSTRAK

Industri manufaktur otomotif terus menghadapi tantangan permintaan pelanggan yang tidak dapat diprediksi
dengan fluktuasi yang cukup besar. Selain itu, jumlah produk dan kompleksitasnya terus bertambah.
Karakteristik ini membuatnya sangat sulit untuk mengimplementasikan alat manufaktur ramping seperti perataan
produksi (Heijunka), karena sangat sulit untuk menemukan ukuran batch perataan produksi yang optimal dari
sistem yang kompleks. Makalah ini menyajikan metodologi untuk memodelkan dengan tingkat akurasi yang tinggi
lantai produksi, gudang dan sistem penanganan material dari fasilitas perakitan otomotif melalui perangkat lunak
simulasi kejadian diskrit; memungkinkan seseorang untuk menentukan ukuran batch optimal dari sistem perakitan
manufaktur yang kompleks melalui analisis "bagaimana-jika".

1. PERKENALAN

Seiring berkembangnya manufaktur, penggunaan teknik Simulation of Queuing System (SQS) menjadi penting
untuk memiliki sistem tarikan yang fleksibel untuk memenuhi permintaan produk. Dua alat manufaktur ramping
untuk memiliki sistem yang sukses adalah Kanban dan Heijunka. Dengan menerapkan prinsip-prinsip lean pull
ini saat manufaktur, perencanaan pekerjaan masa depan menjadi lebih mudah diprediksi karena data waktu
siklus tugas dan alur kerja akan lebih praktis untuk dikumpulkan. Tujuan penerapan pull system adalah untuk
memproduksi hanya berdasarkan permintaan pelanggan, artinya stok bahan baku, barang dalam proses (WIP),
dan produk jadi dapat dijaga seminimal mungkin; meningkatkan efisiensi aliran dan meningkatkan produktivitas.
Discrete-Event Simulation (DES) memungkinkan perilaku peristiwa, proses, dan objek membuat prediksi
dalam hubungan jangka pendek dan jangka panjang. Implementasi DES membantu perusahaan menentukan
berapa banyak sumber daya yang dibutuhkan dalam produksi dan mengidentifikasi di mana kemacetan terjadi.
Seperti yang dijelaskan oleh Michalos et al. (2010), penelitian manufaktur sebagian besar masih berbasis
eksperimen, tetapi prognostik untuk masa depan mencakup penggunaan model simulasi selama fase awal pabrik
manufaktur. Karena implementasi simulasi yang terbatas oleh perusahaan manufaktur otomotif modern,
eksperimen dan evaluasi sistem yang kompleks menjadi lebih sulit dilakukan. Dengan permintaan pelanggan
yang terus berubah, perencanaan dan penjadwalan keputusan produksi memfasilitasi pengurangan biaya
overhead dan mengoptimalkan biaya penyimpanan saat manufaktur.
Tujuan utama dari naskah ini adalah untuk melaporkan metodologi yang diikuti, dan temuan utama saat
menerapkan strategi leveling produksi (Heijunka) di jalur perakitan manufaktur otomotif yang fleksibel.

Makalah ini disusun sebagai berikut: Pada bagian 2 tinjauan literatur simulasi terkait dengan industri otomotif,
Heijunka, Kanban, dan perencanaan dan penjadwalan disajikan. Bagian 3 menyajikan a

978-1-7281-9499-8/20/$31.00 ©2020 IEEE 1641

Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

deskripsi pabrik perakitan otomotif yang dimodelkan dalam manuskrip ini. Pada bagian 4, disajikan pendekatan simulasi
pabrik perakitan manufaktur otomotif, sistem penanganan material berbasis Kanban, dan gudang bahan baku. Bagian 5
menyajikan hasil numerik. Akhirnya, bagian 6 berisi kesimpulan dan ringkasan temuan.

2 TINJAUAN PUSTAKA

Selama bertahun-tahun, industri manufaktur otomotif telah beralih dari basis produksi massal kendaraan ke basis kustomisasi
untuk memenuhi kebutuhan pelanggan. Pada awalnya, Henry Ford memulai dengan sedikit model dan warna, tetapi saat ini
sebagian besar merek menawarkan berbagai macam pilihan. Karena kerumitan yang terlibat saat membuat kendaraan,
penyesuaian dalam industri otomotif merupakan tantangan besar bagi produsen dan rantai pasokan.

Selain itu, globalisasi dan permintaan pelanggan yang tidak dapat diprediksi membuat pasar menjadi sangat kompetitif.
Dengan demikian, industri manufaktur otomotif harus memiliki sistem produksi yang fleksibel dengan respon cepat yang
mampu bereaksi terhadap pasar yang terus berubah-ubah.
Simulasi digunakan untuk meniru bagaimana suatu proses atau sistem berjalan selama periode waktu tertentu. Di
manufaktur, simulasi memberikan cara yang murah dan bebas risiko untuk menguji perubahan dalam lini produksi sistem,
memprediksi perilaku sistem, mempelajari dan memahami bagaimana banyak komponen berinteraksi satu sama lain dalam
sistem, dan mengukur kinerja sistem dari waktu ke waktu (Smith et al. 2018).

2.1 Simulasi otomotif umum

Subbagian ini menyajikan ringkasan implementasi simulasi untuk industri otomotif. Wang dkk. (2011) mengusulkan simulasi
berbasis data dari pabrik manufaktur otomotif. Tujuan dari pekerjaan ini adalah untuk secara otomatis menghasilkan simulasi
pabrik manufaktur, termasuk umpan balik dari keadaan sistem nyata saat ini. Contoh lain dari simulasi berbasis data untuk
pabrik perakitan otomotif dapat ditemukan di Kibira dan McLean (2007). Dalam referensi ini, deskripsi ekstensif tentang
proses dasar yang terlibat dalam pabrik perakitan manufaktur otomotif disajikan.

Patel dkk. (2002) menggambarkan simulasi peristiwa diskrit dari sistem proses akhir pabrik otomotif. Dampak throughput
(yaitu kendaraan) sebagai fungsi dari jumlah operator, stasiun perbaikan mekanik dan stasiun perbaikan cat dianalisis
dengan simulasi yang diusulkan.
Yu dkk. (2006) menunjukkan aplikasi yang menarik dari simulasi stasiun kerja perakitan otomotif yang melibatkan mesin
bantu angkat. Tujuan dari pendekatan ini adalah untuk melindungi operator, memprediksi risiko ergonomis di area manufaktur
baru. Andrade dkk. (2015) menyajikan implementasi pemetaan aliran nilai dan simulasi jalur perakitan cakram kopling.
Penulis melaporkan bahwa kombinasi pemetaan aliran nilai dengan simulasi adalah alat yang berguna untuk tim pengambilan
keputusan perusahaan otomotif.

2.2 Heijunka

Production leveling, juga dikenal sebagai Heijunka adalah alat manufaktur ramping yang dari waktu ke waktu,
mendistribusikan volume dan produksi campuran jenis produk secara merata. Heijunka adalah alat penting yang membantu
menghilangkan tarikan pelanggan yang tidak merata dan mengubahnya menjadi proses manufaktur yang dapat diprediksi.
Perataan produksi menstabilkan proses manufaktur dengan menghilangkan beban berlebih dari individu dan/atau peralatan
serta waktu tunggu dan waktu menganggur yang berlebihan. Alat tersebut memungkinkan pabrikan untuk mendeteksi
variabilitas dalam urutan pekerjaan pemrosesan, sehingga produksi terjadwal menghasilkan jumlah produk yang sama
antara produk yang paling banyak diminta dan yang kurang diminati. Dengan kata lain, Heijunka adalah tindakan pemerataan
produksi suatu sistem manufaktur dengan mengurangi naik turunnya work in process (WIP) yang disebabkan oleh fluktuasi
permintaan (Lippolt dan Furmans 2008).
Perencanaan yang tepat dengan Heijunka memungkinkan peningkatan WIP dan minimalisasi waktu proses, yang
memungkinkan sistem distabilkan dengan lebih mudah saat membuat produk. Korytkowski dkk. (2013) menyajikan simulasi
sistem manufaktur dengan pendekatan Heijunka, dimana siklik

1642
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

penjadwalan bersama dengan analisis statistik lainnya digunakan untuk menentukan bagaimana kinerja jalur perakitan
terpengaruh.

2.3 Kanban

Kanban adalah alat manufaktur ramping yang berfungsi sebagai sistem "kartu visual" di mana produksi proses pasokan
dikendalikan dan ditingkatkan dengan mengelola alur kerja. Sistem visual ini memungkinkan untuk meningkatkan aliran,
mengurangi waktu tunggu, dan mengidentifikasi kemacetan dan/atau potensi kemacetan untuk memberikan nilai kepada
pelanggan. Sistem kanban biasanya disebut sistem tarik karena material diproduksi hanya jika diminta oleh pelanggan, yang
membantu proses produksi dalam pengurangan WIP, penundaan, dan waktu ke pasar.

Bentuk Kanban paling sederhana adalah papan yang dibagi menjadi tiga bagian untuk memvisualisasikan alur kerja,
diberi label "To Do", "In Progress", dan "Done". Namun, selama bertahun-tahun Kanban berkembang menjadi alat yang lebih
modern seperti email, dasbor elektronik, sensor, dll...; semua mengarah pada perbaikan terus-menerus (Kaizen).
Menetapkan hasil sistem Kanban sangat berguna di tempat kerja karena memberikan fleksibilitas dan meningkatkan efisiensi
alur kerja secara keseluruhan. Sternatz (2015) mengimplementasikan simulasi dengan sistem Kanban dan menyajikan
analisis hubungan antara penyeimbangan lini dan sistem penanganan material dan bagaimana strategi perencanaan perlu
mempertimbangkan saling ketergantungan ini. Loli dkk. (2016) menyajikan metodologi menarik yang digunakan untuk
mensimulasikan jalur perakitan dalam sistem Kanban yang disediakan oleh operator yang mengangkut bahan baku dari
supermarket ke titik penggunaan. Dalam referensi ini, fungsi densitas probabilitas diturunkan untuk mensimulasikan
permintaan stokastik.

2.4 Perencanaan dan penjadwalan

Perencanaan dan penjadwalan kadang-kadang dapat dikacaukan sebagai hal yang sama. Namun, dalam pengaturan
manufaktur, perencanaan mendefinisikan pekerjaan yang harus dilakukan, sedangkan penjadwalan mendefinisikan urutan
waktu mulai dan akhir untuk proses tertentu dengan sumber daya yang terbatas untuk menyelesaikan pekerjaan yang
direncanakan. Perencanaan mengacu pada tindakan mengidentifikasi produk yang perlu diproduksi dan bahan baku yang
dibutuhkan; proses ini biasanya ditentukan tanpa model perusahaan. Di sisi lain, penjadwalan mengacu pada tindakan
melakukan jadwal terperinci dengan produk yang perlu diproduksi, di mana variabel penting seperti bahan baku yang
dibutuhkan, pengiriman tepat waktu, tenaga kerja yang dibutuhkan, dan mesin dipertimbangkan dalam pembuatan produk.
jadwal. Proses ini perlu ditentukan dengan model perusahaan yang terperinci (Pegden 2017).

Jumlah referensi yang difokuskan pada bidang perencanaan dan penjadwalan untuk industri perakitan manufaktur
otomotif terbatas karena kerumitan penerapannya dalam simulasi.
Namun, dalam beberapa tahun terakhir, perencanaan dan penjadwalan simulasi telah berkembang menjadi sumber daya
yang sangat banyak digunakan di bidang manufaktur karena membantu melakukan analisis berbagai skenario tanpa
mengorbankan sistem yang sebenarnya; menghemat waktu dan biaya bagi perusahaan. Emde et al. (2015) melaporkan
pendekatan penjadwalan just in time (JIT) yang berfokus pada pengiriman bahan baku untuk jalur perakitan otomotif.
Ditemukan bahwa simulasi dapat membantu organisasi untuk mempertimbangkan teknik produksi lean yang berbeda sambil
mengukur kemungkinan manfaat dalam tahap perencanaan dan evaluasi.

3 DESKRIPSI PABRIK PERAKITAN MANUFAKTUR OTOMOTIF

Dalam paragraf ini, pabrik manufaktur otomotif yang dipertimbangkan untuk penelitian ini dijelaskan. Lantai produksi pabrik
ini dibentuk oleh sembilan bagian: tiga bagian trim, tiga bagian sasis, satu baris yang merakit pintu, dan satu bagian perakitan
akhir. Dimana bagian-bagian tersebut tersusun oleh 18, 16, 16, 11, 10, 12, 9 dan 4 workstation. Ini adalah jalur produksi
fleksibel yang menghasilkan dua model kendaraan berbeda. Sebanyak 96 stasiun kerja membentuk sembilan bagian ini di
mana para pekerja melakukan operasi yang berbeda. WIP digerakkan oleh konveyor melalui keseluruhan sistem.

Gudang bahan baku memiliki dua puluh kendaraan dengan operator yang mengantarkan bahan ke tempat penggunaan.
Jumlah total 202 bagian (bahan mentah) dipertimbangkan ke dalam sistem ini. Operator yang berlokasi di

1643
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

workstation bertugas menghasilkan sinyal Kanban. Operator menerima pesanan produksi secara elektronik,
kemudian menghitung jumlah material dan mengirimkan sinyal elektronik ke gudang.
Menurut model kendaraan yang diproduksi pada saat tertentu dan ukuran batch, mereka perlu menentukan jumlah
dan lokasi pengiriman bahan baku yang dibutuhkan. Gambar 1 menunjukkan diagram pabrik perakitan manufaktur
otomotif yang disajikan.

Gambar 1: Pabrik perakitan manufaktur otomotif.

4 PENDEKATAN SOLUSI. SIMULASI OTOMOTIF

PABRIK PERAKITAN MANUFAKTUR

Perangkat lunak simulasi Simio dipilih untuk skenario simulasi ini karena menawarkan empat paradigma pemodelan
diskrit yang dikembangkan untuk SQS dengan fokus pada objek cerdas (Smith et al. 2018; Renteria 2017).
Paradigma yang dicakup oleh perangkat lunak ini telah berhasil diterapkan dalam sistem seperti bandara, rumah
sakit, pelabuhan, pertambangan, pusat panggilan, rantai pasokan, dan manufaktur.
Model logis yang disimulasikan terdiri dari 96 workstation yang membentuk bagian trim 1, 2, dan 3,
bagian sasis 1, 2 dan 3, perakitan pintu dan bagian perakitan akhir.
WIP dipindahkan melalui proses perakitan menggunakan ban berjalan. Di dalam bagian-bagian tersebut,
kapasitas buffer didefinisikan sebagai nol, yang berarti workstation akan diblokir jika workstation yang melakukan
operasi selanjutnya masih memproses WIP. Buffer didefinisikan setelah setiap stasiun.
Operator bertugas memantau jumlah bahan baku, menghitung dan mengirimkan sinyal Kanban yang meminta
bahan baku ke gudang. Ini adalah jalur manufaktur fleksibel yang menghasilkan dua model kendaraan berbeda, di
mana waktu pergantian diperlukan setelah setiap model kendaraan berubah.

4.1 Sistem penanganan material berbasis kanban dan gudang bahan baku Sebagaimana

dijelaskan pada bagian 3, operator bertanggung jawab untuk menghasilkan sinyal Kanban yang meminta bahan
baku ke gudang. Untuk mensimulasikan tindakan operator yang menghasilkan sinyal Kanban, sebuah algoritme
dikembangkan dan disematkan ke dalam simulasi menggunakan alat Proses yang ditawarkan oleh Simio.
Smith dkk. (2018) mendefinisikan Proses sebagai flowchart yang menggunakan langkah-langkah untuk mengubah keadaan
elemen simulasi.
Satu dapat meringkas tindakan yang dimodelkan dengan algoritma sebagai berikut:

1) Periksa jumlah pesanan batch saat ini yang menunggu untuk memulai proses produksi.
2) Putuskan apakah jumlah pesanan batch saat ini lebih kecil dari nilai ambang batas yang ditentukan.
3) Tentukan model kendaraan mana yang perlu diproduksi selanjutnya, dan hasilkan sinyal Kanban yang
meminta rangka kendaraan tersebut.
4) Hitung jumlah bahan yang dibutuhkan untuk perakitan kendaraan berikutnya dan kirim sinyal ke gudang.
Perhitungan sinyal Kanban merupakan fungsi dari waktu pengisian ulang,

1644
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

tingkat produksi dan ukuran wadah. Persamaan yang digunakan untuk menghitung jumlah bahan baku disajikan di
bawah ini.

Persamaan Kanban yang disematkan ke dalam algoritma adalah:

= ("#$%#&'()*#&+ -'*# . /01234+'1& "5+#) (789%$)5) (1)

(:1&+5'&#0 ;'<#)

di mana ÿ adalah faktor keamanan (Sternatz 2015). Di gudang, operator dari dua puluh kendaraan mengambil bahan
mentah dan mendistribusikannya di tempat penggunaan. Selain itu, algoritma yang disajikan digunakan untuk
mensimulasikan pergantian yang terjadi setelah setiap pergantian model kendaraan.
Setelah logika pabrik perakitan otomotif selesai dibangun di Simio, animasi 3D ditambahkan ke dalam model. Animasi
adalah alat yang membantu desainer memecahkan masalah logika model. Selain itu, animasi 3D menjadi metode yang
sangat baik untuk mengkomunikasikan hasil simulasi kepada para pemangku kepentingan. Gambar animasi 3D yang
dibangun untuk pabrik perakitan otomotif ditunjukkan pada Gambar 2.

Gambar 2: Tampilan 3D pabrik manufaktur otomotif yang dihasilkan.

5 HASIL NUMERIK

Pada bagian ini, model yang diusulkan digunakan untuk mensimulasikan seluruh pabrik perakitan dengan tujuan
menganalisis dan meratakan produksi dua model kendaraan yang berbeda. Akan diperlihatkan bagaimana model yang
diusulkan memungkinkan analisis “bagaimana-jika” untuk perencanaan yang lebih baik yang akan menurunkan WIP dan
lead time. Oleh karena itu, kemungkinan keterlambatan produksi akan berkurang.
Waktu pemrosesan untuk kedua model kendaraan dianggap sama untuk stasiun kerja umum, kecuali untuk stasiun
kerja pertama yang terletak di bagian trim satu dan stasiun kerja pertama yang terletak di bagian sasis satu. Waktu
pemrosesan kendaraan model dua di kedua workstation tersebut delapan kali lebih lama dibandingkan waktu pemrosesan
kendaraan model satu. Untuk mendekati variabilitas proses yang berbeda, distribusi segitiga digunakan.

Untuk menentukan periode pemanasan yang tepat, campuran sewenang-wenang dari 30 kendaraan (yaitu 30
kendaraan untuk model satu diikuti dengan penundaan pergantian, kemudian 30 kendaraan untuk model dua) dijalankan
selama 30 hari. Diamati bahwa kondisi stabil tercapai setelah 1,55 jam. Oleh karena itu, periode pemanasan 2 jam ditentukan. Itu

1645
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

periode pemanasan memungkinkan akumulator statistik perangkat lunak dibersihkan selama waktu yang ditentukan
(Kelton et al 2015). Gambar 3 menunjukkan grafik 50 jam pertama dari waktu simulasi versus WIP, yang digunakan untuk
menentukan periode transien dan kondisi stabil sistem.
Setelah periode pemanasan ditentukan, percobaan dijalankan untuk menentukan jumlah replikasi yang tepat. Tabel
1 menunjukkan rata-rata WIP, rata-rata lead time, dan persentase pemanfaatan stasiun 1, 18, 34, 50, 61, 71, dan 83.
Karena konvergensi dicapai antara skenario 5 dan 6, sejumlah sepuluh ulangan dipilih untuk analisis ini.

Selanjutnya, model tersebut diverifikasi dan divalidasi. Di satu sisi proses verifikasi dapat didefinisikan sebagai
tindakan yang menentukan model berperilaku seperti yang diinginkan pengembang. Di sisi lain, proses validasi merupakan
tindakan yang menentukan seberapa baik model mendekati sistem nyata (Smith et al. 2018). Teknik validasi yang
digunakan untuk proyek ini terdiri dari menjalankan skenario yang diketahui dalam model, dan kemudian
membandingkannya dengan sistem nyata. Untuk menjaga kerahasiaan pabrik pembuatan, hasil proses validasi tidak
dapat ditampilkan.

5.1 Analisis Heijunka

Permintaan bulanan historis untuk setiap model selama empat bulan berturut-turut adalah 8000, 6000, 7500 dan 7300
unit. Rata-rata permintaan bulanan ini akan membantu menentukan jumlah kendaraan yang akan diproduksi setiap bulan
(yaitu 7200 unit untuk setiap model).
Untuk melihat seberapa besar peningkatan WIP, kapasitas buffer dalam model didefinisikan sebagai tak terhingga
untuk studi ini; simulasi dijalankan selama 30 hari (720 jam). Selama studi pertama, ukuran batch 7200 unit dijadwalkan
untuk kedua model kendaraan mengingat waktu pergantian 20 menit antara model. Grafik WIP dan lead time ditunjukkan
pada Gambar 4 dan 5.
Dapat dilihat pada Gambar 4 pertumbuhan linier WIP dari waktu nol hingga 76 jam dengan nilai maksimum 4761 unit
yang diproses. Setelah itu, WIP turun secara linear hingga mencapai WIP stabil sebanyak 17 unit. Di sisi lain, dapat
diamati pada Gambar 5 pertumbuhan linear dari lead time yang tidak pernah berhenti, mencapai nilai maksimum 582
jam. Dua kemiringan waktu tunggu yang berbeda ditampilkan, yang dimiliki oleh dua model kendaraan yang berbeda.
Dapat dilihat dari kedua grafik bahwa sistem tidak stabil untuk ukuran batch ini.

Karena meratakan produksi berdasarkan volume saja tidak cukup untuk mencapai permintaan yang diharapkan,
produksi perlu juga diratakan berdasarkan bauran jenis produk. Tujuannya adalah untuk menstabilkan sistem yang tidak
stabil yang diperoleh dengan menjalankan sebelumnya. Sistem dijalankan dengan ukuran batch 20, 30, 40, 50, 80, 90,
100, 150 dan 200 unit. Misalnya, ukuran batch 20 unit berarti 20 unit model kendaraan satu diproduksi diikuti dengan
waktu pergantian dan batch 20 unit model kendaraan dua, hingga waktu maksimum atau jumlah unit maksimum tercapai
(yaitu 720 jam atau 14400 unit). Hasil yang diperoleh ditunjukkan pada Gambar 6 dan 7.

Dapat dilihat pada Gambar 6 dan 7 bahwa pertumbuhan linier yang tidak terkendali menghilang untuk keduanya,
WIP dan lead time. Diamati bahwa semakin rendah ukuran batch, semakin rendah WIP dalam sistem. Demikian pula,
semakin rendah ukuran batch, semakin rendah lead time.
Tabel 2 ringkasan dengan hasil yang diperoleh dengan ukuran batch yang berbeda disajikan. Dapat dilihat bahwa
sistem tidak dapat menghasilkan permintaan yang diharapkan dengan ukuran batch 20, 30, 40, 50, 60, dan 80 unit.
Sistem mampu menghasilkan permintaan yang diharapkan dengan ukuran batch 90, 100, 150, 200 dan 7200 unit. Namun
demikian, semakin tinggi ukuran batch, semakin tinggi pula WIP. Jadi, untuk kasus khusus ini diusulkan ukuran batch 90
unit. Dengan ukuran batch ini, rata-rata lead time dan WIP maksimum untuk model kendaraan satu dan dua masing-
masing adalah 3,33 jam, 90 unit, 5,54 jam, dan 35 unit.

1646
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

Bekerja dalam proses

Periode sementara
45

40

35

30

25
(kendaraan)
Barang
proses
dalam

20 Ukuran paket 30

15 Periode sementara
10

5
Periode kondisi stabil
0
0 10 20 30 40 50 60

Waktu simulasi (jam.)

Gambar 3: Periode transient dan steady state dari rata-rata WIP.

Tabel 1: Hasil percobaan.

Jumlah WIP Waktu Utiliza UtilizaUtiliza
Utiliza tion tion Station Station
replikasi rata-rata memimpin Station 1 34 50
tion(per (per (per
centage
persentase
centage) ) ) PemanfaatanPemanfaatanPemanfaatan
(kendaraan) rata-rata Station Stasiun Stasiun Stasiun
(jam) 18 (per 61 71 83
centage ) (persen)
2.61297
1.70928 (persentase)(persentase)
24,4827 8.79277 11.7205 8.7934 5.86428 2.93473 5.85879 2.6131 5.85309 2.61322 1.70907 8.78902 11.7192
1 24,4783 8.79085 5.86147
1,70867
2.9318,78732
5.8518211,7214
2.613328,79161
1.709685,86321
8.791842,93
11.72 8.79158 8.86216 2.93157 5.85594
2.61324
2 24,4755 1.70942 8.79185 11.7198 8.79155 5.86265 2.93185 5.85772 2.61334 1.70919 8.78929 11.7206
8.79088
34 24,4791 5.86265 2.932 5.85818 2.61328 1.70893 8.78743 11.721
1.70863
8.79058
8.78797
5.86306
11.7223
2.93176
8.79018
5.8573
5.86312
2.6132
5 24,4792 2.93188 5.8579 2.61319 1.70837 8.78829 11.7228 8.79046 5.86309 2.9316 5.85769 2.61314 1.70837
6 24,4774 8.78877 11.7222 8.79036 5.86295 2.9314 5.85739
7 24,4779
24,4785
8 24,4789
9 10 24,4787

1647
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

Bekerja dalam proses

6000

5000

4000

3000
(kendaraan)
Barang
proses
dalam

2000 Paket 7200

1000

0
0 100 200 300 400 500 600 700

Waktu simulasi (jam.)

Gambar 4: WIP untuk ukuran batch 7200 kendaraan.

Waktu memimpin

700

600

500
Waktu
(jam.)

400

300
Paket 7200
200

100

0
0 2000 4000 6000 8000 10000 12000 14000 16000
Jumlah kendaraan

Gambar 5: Lead time untuk ukuran batch 7200 kendaraan.

1648
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

Bekerja dalam proses

Angkatan 20
180
Angkatan 30
160

140 Angkatan 40

120
Angkatan 50
100
Angkatan 80
80
(kendaraan)
Barang
proses
dalam

60 Bak 90

40 Angkatan 100

20
Paket 150
0
0 10 20 30 40 50 60 Angkatan 200

Waktu simulasi (jam.)

Gambar 6: WIP untuk ukuran batch 20, 30, 40, 50, 80, 90, 100, 150 dan 200 kendaraan.

Waktu memimpin

20
18 Angkatan 20
16
Angkatan 30
14
Waktu
(jam.)
Angkatan 40
12

10 Angkatan 50
8 Angkatan 80
6
Angkatan 90
4
2 Angkatan 100

0 Paket 150
0 200 400 600 800 1000 1200
Angkatan 200
Jumlah kendaraan

Gambar 7: Lead time untuk ukuran batch 20, 30, 40, 50, 80, 90, 100, 150 dan 200 kendaraan.

1649
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

Tabel 2: Lead time, unit yang diproduksi dan WIP untuk kedua model kendaraan.

Ukuran Waktu memimpin Lead time Unit (kendaraan) WIP

batch (rata-rata jam.) (jam maksimum.) diproduksi (maks)
20 2.20 2.48 5760 20
30 2,36 2.80 6330 30
40 2,52 3.12 6644 40
50 2,68 3,44 6859 50
60 2,84 3,76 7020 60
Model 1 80 3,17 4,42 7200 80
90 3.33 4.75 7200 90
100 3.49 5.06 7200 100
150 4.30 6.68 7200 136
200 5,10 8,30 7200 170
7200 118,17 234,80 7200 4848
20 2,43 3,21 5756 16
30 2,86 4,03 6317 19
40 3.30 4.84 6640 22
50 3.74 5.64 6850 24
Model 2 60 4,19 6,45 6999 27
80 5,09 8,09 7198 32
90 5,54 8,89 7200 35
100 5,99 9,72 7200 38
150 8.25 13.75 7200 51
200 10.51 17.78 7200 65
7200 327.05 582.85 7200 1942

6 KESIMPULAN

Naskah ini berhasil menunjukkan pentingnya implementasi Heijunka yang tepat untuk industri perakitan manufaktur otomotif. Hasil
simulasi model menunjukkan bahwa untuk kasus khusus ini WIP dan lead time tumbuh sebagai fungsi dari ukuran batch. Yang mengarah
pada kesimpulan bahwa sistem yang dianalisis menjadi tidak stabil jika ukuran batch tidak dipilih dengan benar. Setelah menguji beberapa
simulasi yang berjalan dengan ukuran batch yang berbeda, dapat disimpulkan bahwa ukuran batch 90 kendaraan adalah opsi yang
memungkinkan sistem saat ini menghasilkan permintaan yang diperlukan tepat waktu dengan jumlah minimum WIP di lantai produksi
dan lead time terpendek.

Metodologi yang diusulkan di sini, terdiri dari penggabungan lantai produksi model unik, gudang dan sistem penanganan material.
Metode ini memungkinkan interaksi yang nyaman dari ketiga bagian pabrik ini menjadi model yang unik, menghasilkan model yang
menggabungkan semua variabel penting dari sistem.
Metodologi yang diusulkan memungkinkan seseorang untuk melakukan analisis "bagaimana-jika" yang berharga, seperti implementasi
Heijunka yang disajikan di sini. Strategi ini dapat membantu para praktisi dan peneliti untuk menganalisis sistem manufaktur otomotif
semacam ini.

REFERENSI

Andrade, P., V. Pereira, dan E. Del Conte. 2015. “Value stream mapping and lean simulation: studi kasus di bidang otomotif
industri". Jurnal Internasional Teknologi Manufaktur Lanjut 85(1-4):547-555.
Emde, S. dan M. Gendreau. 2017. “Penjadwalan kendaraan pengangkut in-house suku cadang pakan ke jalur perakitan otomotif”. Eropa
Jurnal riset operasional. 260(1): 255-267.

1650
Machine Translated by Google

Renteria-Marquez, Renteria, Almeraz, dan Tseng

Kelton, W., R. Sadowski, dan N. Zupick. 2015. Simulasi dengan Arena. edisi ke -6 New York, NY: Mc Graw Hill.
Kibira, D. dan C. McLean. 2007. “Simulasi generik perakitan otomotif untuk pengujian interoperabilitas”. Dalam Prosiding Konferensi Simulasi Musim
Dingin 2007, diedit oleh SG Henderson, B. Biller, MH Hsieh, J. Shortle, JD Tew, dan RR Barton, 1035-1043. Piscataway, New Jersey: Institut
Insinyur Listrik dan Elektronik, Inc.
Korytkowski, P., T. Wisniewski, dan S. Rymaszewski. 2013.“Analisis simulasi multivariat dari leveling produksi (heijunka) -
studi kasus". Volume Prosiding IFAC. 46(9): 1554-1559.
Lippolt, C., dan K. Furmans. 2008. “Pengukuran Sistem Produksi yang Dikendalikan Heijunka dengan Proses Produksi yang Tidak Dapat Diandalkan”.
IFIP - Federasi Internasional untuk Pemrosesan Informasi. 257: 11-19.
Lolli, F., R. Gamberini, C. Giberti, B. Rimini, and F. Bondi. 2016. “Pendekatan simulatif untuk mengevaluasi pemberian pakan alternatif
skenario dalam sistem Kanban”. Jurnal Riset Produksi Internasional. 54(14): 4228-4239.
Michalos, G., S. Makris, N. Papakostas, D. Mourtzis, and G. Chryssolouris. 2010. "Tinjauan teknologi perakitan otomotif: tantangan dan pandangan
untuk pendekatan yang fleksibel dan adaptif". Jurnal Ilmu dan Teknologi Manufaktur CIRP. 2(2): 81-91.

Patel, V., J. Ashby, dan J. Ma. 2002. “Simulasi kejadian diskrit dalam sistem proses akhir otomotif”. Dalam Prosiding Konferensi Simulasi Musim
Dingin 2002, diedit oleh E. Yucesan, C.-H. Chen, JL Snowdon, dan JM Charners, 1030-1034. Piscataway, New Jersey: Institut Insinyur Listrik
dan Elektronik, Inc.
Pegden, CD 2017. Penuhi janji Anda. Bagaimana penjadwalan berbasis simulasi akan mengubah bisnis Anda. edisi pertama . Pittsburgh, PA:
Simio LLC.
Renteria, A. 2017. Mitigasi risiko dalam rantai pasok yang disebabkan oleh beberapa komponen phase-in dan phase-out menggunakan simulasi
Simio. Tesis MS, Departemen Teknik Industri, Manufaktur dan Sistem, Universitas Texas di El Paso, El Paso, Texas. https://scholarworks.utep.edu/
open_etd/535/, diakses 1/1/2018.
Smith, J., D. Sturrock, dan W. Kelton. 2018. Simio dan Simulasi: Pemodelan, Analisis, Aplikasi. edisi ke -5 Pittsburgh,
Pensylvania: Simio.
Sternatz, J. 2015.“Masalah penyeimbangan jalur bersama dan pasokan material”. Jurnal Internasional Ekonomi Produksi. 159:
304-318.
Wang, J., Q. Chang, G. Xiao, N. Wang, and S. Li. 2011. “Pemodelan produksi berbasis data dan simulasi mobil kompleks
pabrik perakitan umum”. Komputer di Industri. 62(7): 765-775.
Yu, Q., V. Duffy, J. McGinley, dan Z. Rowland. 2006.“Simulasi Produktivitas dengan Promodel untuk Stasiun Kerja Perakitan Otomotif yang Melibatkan
Lift Assist Device”. Dalam Prosiding Konferensi Simulasi Musim Dingin 2006, diedit oleh LF Perrone, FP Wieland, J. Liu, BG Lawson, DM Nicol,
dan RM Fujimoto, 1935-1939. Piscataway, New Jersey: Institut Insinyur Listrik dan Elektronik, Inc.

BIOGRAFI PENULIS

IVAN A. RENTERIA-MARQUEZ adalah Profesor Riset di Departemen Teknik Industri, Manufaktur, dan Sistem di UTEP. Beliau meraih gelar Bachelor
of Technology in Mechatronic Engineering dari Technologico de Monterrey, Meksiko.
Ia meraih dua gelar Master of Science, yang pertama Teknik Elektro dan yang kedua Teknik Manufaktur di UTEP. Dia meraih gelar PhD di bidang
Teknik Elektro dan Komputer dari UTEP dengan konsentrasi dalam pemodelan dan simulasi motor ultrasonik putar gelombang berjalan piezoelektrik.
Minat penelitiannya meliputi pemodelan dan simulasi aktuator, penerapan kembar digital untuk sistem manufaktur, dan teknologi Industri 4.0. Alamat
emailnya adalah iarenteria@utep.edu.

ANABEL RENTERIA menerima gelar Master of Science di bidang Teknik Industri di The University of Texas di El Paso. Dia saat ini adalah seorang
mahasiswa PhD di bidang Teknik Mesin di institusi yang sama. Minat penelitiannya adalah dalam pemodelan dan simulasi rantai pasokan dan sistem
manufaktur menggunakan peristiwa diskrit, dan teknologi Industri 4.0. Alamat emailnya areteriamarquez@miners.utep.edu .

CARMEN N. ALMERAZ adalah Asisten Riset Sarjana untuk Departemen Teknik Industri, Manufaktur, dan Sistem di Universitas Texas di El Paso di
mana dia saat ini menjadi mahasiswa di bidang yang sama. Minat penelitiannya adalah penjadwalan berbasis simulasi dan sistem berbasis model.
Alamat emailnya adalah calmeraz@miners.utep.edu.

TZU-LIANG (BILL) TSENG menerima gelar PhD di bidang Teknik Industri di University of Iowa. Dia adalah seorang Profesor dan ketua di bidang
Teknik Industri, Manufaktur dan Sistem di The University of Texas di El Paso. Penelitiannya saat ini berfokus pada analitik data, simulasi peristiwa
diskrit, dan sistem otonom. Alamat emailnya adalah btseng@utep.edu.

1651