ANALISIS KINERJA SISTEM ANTRIAN PADA INDUSTRI …repository.ipb.ac.id/bitstream/123456789/2536/4/F07ahs.pdf · distribusi data waktu antar kedatangan dan waktu ... eksponensial dan

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU

(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

Oleh

ARVIANO HARYANTO SAHAR

F34103128

2007

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja SistemAntrian Pada Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat). Di bawah bimbingan : MACHFUD.2007

RINGKASAN

Industri perikanan merupakan salah satu sektor industri yang menjadiprimadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauandengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakansalah satu negara pengekspor terbesar komoditas perikanan dunia. Dalam rangkamendukung peningkatan pertumbuhan ekonomi di sektor perikanan danpemenuhan tuntutan pasar ekspor, kajian ilmiah yang berorientasi padapeningkatan kinerja industri perikanan perlu dilakukan dengan berdasarkan ilmupengetahuan dan teknologi modern. PT. Global Tropical Seafood merupakansalah satu perusahaan yang bergerak di industri perikanan yang berorientasiekspor dengan salah satu produk unggulannya fillet ikan beku. Dalam kegiatanproduksinya perusahaan dihadapkan pada kondisi kedatangan bahan baku yangbersifat probalistik, tuntutan kualitas produk yang prima, serta kebutuhan akanefektivitas dan efisiensi sistem produksi.

Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuahpenilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerjasistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam halefisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakanbahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandaidengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanyapenolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitianini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.

Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialahteknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasiantrian dengan teknik simulasi monte carlo menggunakan bantuan paket programWinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkansimulasi model keseimbangan aliran bahan dilakukan secara manual. Ujidistribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrianyang digunakan sebagai input dalam melakukan simulasi menggunakan bantuanperangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metodegrafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluangnormal, weibull, triangular, poisson, gamma, uniform, laplace, logistik,eksponensial dan lognormal.

Hasil uji distribusi data menghasilkan sebaran peluang antara lain weibull,triangular, gamma dan lognormal untuk waktu antar kedatangan dan waktupelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistemantrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh liniproduksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem AntrianProduksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model.Model tersebut ialah model antrian yang mensimulasikan antrian sejak daristasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),

model keseimbangan aliran bahan pada stasiun freezing (Model B), model antrianyang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub modelpenerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan,Sub model penyisikan merupakan model simulasi antrian parsial pada stasiunpenyisikan, Sub model Filleting merupakan model simulasi antrian parsial padastasiun Filleting dan Sub model After Curing merupakan model simulasi antrianparsial pada stasiun After Curing. Pola antrian yang ada dalam SAPFIB ini ialahpola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel.Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dankg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).

Model antrian SAPFIB terdiri dari rangkaian komponen distribusikedatangan bahan dan distribusi kecepatan pelayanan operator dengan attributpendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruhkomponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi padasistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukansimulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan,kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historisselama penelitian. Asumsi pada simulasi sub model antrian ialah kedatanganbahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saatpuncaknya dalam sistem produksi.

Berdasarkan hasil simulasi model utama pada sistem nyata selama 25200detik (7 jam kerja) untuk Model A, 24 jam kerja untuk Model B dan 75600 detik(21 jam kerja) untuk Model C, ditemukan sejumlah bahan baku yang mengalamipenolakan bahan (balking) pada lini produksi fillet ikan beku di PT. GlobalTropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Padastasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packingdalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletakpada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensipenggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialahterdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utamaterletak pada rendahnya tingkat utilitas operator.

Pengembangan model antrian pada penelitian ini dilakukan dengan duapendekatan, yakni pengembangan model dengan merubah tingkat kedatanganbahan, serta pengembangan model dengan merubah komposisi unit pelayanan(operator). Asumsi yang digunakan dalam mengembangkan model ialah sistemantrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dankecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selamapenelitian.

Model alternatif terbaik hasil pengembangan dengan skenario perubahantingkat kedatangan dengan komposisi unit pelayanan tetap adalah tingkatkedatangan pada stasiun penerimaan dinaikkan sebesar 3 kali lipat darikedatangan historis selama penelitian (6482,47 kg/jam) dan pada stasiun aftercuring diturunkan sebesar 0,75 kali lipat dari kedatangan historis selama penelitan(129,44 kg/jam), pada stasiun freezing tingkat kedatangan bahan diturunkanmenjadi 18000 kg per hari dan pada stasiun Packing tingkat kedatangan diubahsebesar 6 kali lipat dari kedatangan historis selama penelitian (15308,29 kg/jam).

Model alternatif terbaik hasil pengembangan dengan skenario perubahankomposisi unit pelayanan pada tingkat kedatangan tetap sesuai kondisi selama

penelitian ialah jumlah operator pada stasiun penerimaan dikurangi dari 5 orangmenjadi 4 orang, stasiun arahan produksi dari 3 orang menjadi 1 orang, stasiunfilleting dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2orang, stasiun trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2orang menjadi 1 orang, stasiun after curing dari 5 orang menjadi 7 orang, stasiunfreezing dari 3 unit menjadi 5 unit serta stasiun packing dari 24 orang menjadi 12orang, jumlah operator pada stasiun lainnya tetap.

Berdasarkan analisa hasil simulasi, pengembangan model alternatifmenghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikanbeku. Pengembangan model antrian dengan skenario perubahan tingkatkedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36%. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kgmenjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 %menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisioperator pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari979,11 detik (16,3 menit) menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan secara keseluruhan dari 141,75 detik menjadi 4,42 detikserta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selainitu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadipenghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86/bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitasoperator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembanganmodel dengan skenario perubahan tingkat kedatangan dan komposisi unitpelayanan memberikan hasil berupa tidak adanya antrian dalam stasiun Freezing.

Verifikasi dan validasi model dilakukan untuk mengetahui apakah modeldapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuansoftware MINITAB 11. Validasi model dilakukan dengan cara menggunakan ujikesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasidilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan(proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasiluji kesamaan menunjukkan bahwa data tersebut seragam pada selangkerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untukdigunakan.

ARVIANO HARYANTO SAHAR. F34103128. Queueing SystemProductivity Analysis In Frozen Fish Fillet Process Industry (Case Study atPT. Global Tropical Seafood, West Java). Supervised by MACHFUD.2007

SUMMARY

Fishing industrys is one of Indonesia huge source for Indonesia capitalincome. Based on its archipelago, Indonesia have 6.7 billion tons/years of marinenatural resources. Indonesia is one of the biggest exporter of fisheries comodity inthe global market. In order to support the economic growth in the fishing industryand the expansion of global market, a mordern science study for increasing theproductivity of the industry is important to be held. PT. Global Tropical Seafoodis one of the company in Indonesia that run on the fishing industry with the bestproduct of frozen fish fillet. In the daily activities the company face the conditionof uncertainty of raw material arrival, pressure to maintain the quality of theirproduct, and the need of effectivity and efficiency in the production system.

Productivity of queueing system in a production line can be the indicator forit effectivity and efficiency. The low productivity of queueing system candecerease the efficiency and effectivity of resource management and increase therisk of material damage. Inefficiency and ineffectivity in a queueing system canbe mark with the happening of queueuing, low server utilization, and balking inthe system. The boundary in this research is bounded in the queueing system offrozen fish fillet production line.

Analysis technique that used in this research are monte carlo simulationtechnique and line balancing model. Queueing simulation is done with the help ofWinQSB Software with program package called Queueing SystemSimulation 1.0 (QSS 1.0) and for the line balancing model is done with manualcalculation. Distribution test for interarrival time and service time that used forinput in the simulation system are using a software that called Easyfit 3.2. Thedistribution test is based on graphical comparing method and Kolmogorov-Smirnov goodness of fit test with used of normal, weibull, triangular, poisson,gamma, uniform, laplace, logistik, eksponensial dan lognormal distribution.

The result of the distribution test shows that the data of interarrival time andservice time have weibull, triangular, gamma and lognormal distribution with 90% level of confidence. Queueing system in the frozen fish fillet production line iscomposed by 13 work station and 4 of the station is a join work station (handlematerial from all of production line). This queueing system simulation is namedSAPFIB Sistem Antrian Produksi Fillet Ikan Beku , it is formed by three modelsand four sub models. Those models are models that simulate queueing start fromreceiving station to panning and after curing station (Model A), line balancingmodel at freezing station (Model B), and queueing model that simulate queueingsystem at packing station (Model C). Sub Model Penerimaan simulate queueingsystem for receiving station partially, Sub Model Penyisikan simulate queueingsystem for scaling station partially, Sub Model Filleting simulate queueing systemfor filleting station partially and Sub Model After Curing simulate queueingsystem for after curing station partially. The queueing pattern in SAPFIB are thecombination of single channel and multiple channel with pararel server. The unitthat is used in the system simulation are seconds and kilograms of raw material.

SAPFIB queueing model are arranged from interarrival distributioncomponent and service time component with supporting attribut such as queuedisciple, queue capacity and material transfer time. All of the componet is used toimitate the real condition of queueing system simulation. The assumtion that usedin simulating the models is material time that is below two second is ignored, andthe interarrival and service time distribution is the same as in the real system.Beside assumtion for the main model, there is assumtion that was used for analizethe sub model that are the assumion is it simulate queueing system with theinterarrival that is continue at the peak condition.

The result for the main model simulation in the real state of Model A thatwas run for 25200 seconds (7 work hour), 24 hours for Model B and 75600 (21work hour) for model C are balking in after curing station, queue in the freezingstation and there is no queue in packing station. The main problem of Model A isthe inbalance of material flow between the work station and inefficient of humanresource utilization. In Model B the main problem is the queue only exist at atime. Model C problem is the inefficient of human resource utilization.

The development of queueing models in this research is done by twoapproach, that is by changing its rate of incoming material and changing theserver compotition in each work station. The assumtion that used in developingThe models are the queueing system is in the steady state, speed and pattern ofincoming material with the speed and pattern of service time is same as thehistorical data that collected at the research period.

The best alternate model for scenario of changing the rate of incomingmaterial with the server compotition at the real state are the rate of incomingmaterial in the receiving station increased 3 times from the historical data thatcollected at the research period (6482.47 kg/hours) and decrease the incomingmaterial at after curing station 0.75 times from the historical data that collected atthe research period (129.44 kg/hours), at the freezing station the rate of incomingmaterial are decreased into 18000 kg/days and at the packing station the rate oficoming material is increased into 6 times from the historical data that collected atthe research period (15308.28 kg/hours).

The best alternate model for scenario of changing the server compotition ineach work station at the rate of incoming material same as the historical data thatcollected at the research period are the operators in the receiving station arereduced from 5 operators into 4 operators, 3 operators into 1 operators atproduction direction station, 5 operators into 3 operators at the filleting station, 7operators into 2 operators at the scaling station, 16 operators into 10 operators attrimming station, 2 operators into 1 operators at washing station, 5 operators into7 operators at after curing station, 3 units into 5 units at freezing station, 24operators into 12 operators at packing station, as for the other station the operatorsremain the same compotition

Based on the simulation analysis, the alternate models give an increasedproductivity from the simulation in the real system. The alternate models with thescenario of changing the rate of incoming materials at Model A can remove thebalking from 26.33 kg into 0 kg, the processed material increased from 1856.67kg into 3099 kg, the server utilization increased from 27.50 % into 75.36%. InModel C the processed material increased from 1673.67 kg into 10118.67 kg andthe server utilization increased from 13.49 % into 80.79 %. The alternate model

with scenario of changing operator server compotition in each work station inModel A can remove balking from 26.33 kg into 0 kg, number of processedmaterial increased from 1856.67 kg menjadi 1991.67 kg, speed up the averageflow time from 979.11 seconds (16.3 minutes) into 275,33 seconds (4.59minutes), minimize overall average waiting time from 141.75 seconds into 4.42seconds and increased the server utilization from 27.50 % into 42.75% and canreduced the cost of ice usage because of queueing from Rp. 296.020,03 /monthinto Rp. 40.651,86 /month. In Model C the simulation analisys show that serverutilization increased from 13.49 % into 26.48 %. As for Model B both scenariocould remove the queueing from the freezing station.

Verification and validation is done for knowing if the model that was buildcan represent the real system, t-test is used for validate the model with the help ofMINITAB 11 software. By comparing the mean value of two population that isservice time from simulation output and service time from the historical data themodel, will be valid to use when the value of the test said there is no significantdifference between the two population. The t-test result the mean value from thetwo population does not different significantly at the confidence level of 95 %.Those result show the simulation model is valid to be used.

SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul

“ANALISIS KINERJA SISTEM ANTRIAN PADA INDUSTRI

PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical

Seafood, Jawa Barat)“ adalah asli karya saya sendiri dengan arahan dosen

pembimbing, kecuali yang jelas ditunjukkan rujukkannya. Skripsi ini belum

pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan

tinggi lain. Semua sumber data dan informasi yang digunakan telah dinyatakan

secara jelas dan dapat diperiksa kebenarannya.

Bogor, 26 Agustus 2007

Yang membuat pernyataan,

ARVIANO HARYANTO SAHARF34103128




SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh


F34103128

2007



BOGOR






SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh


F34103128

Dilahirkan pada tanggal 11 Januari 1986

Di Jakarta

Tanggal lulus: 24 Agustus 2007

Menyetujui,

Bogor, 26 Agustus 2007

Dr. Ir. Machfud, MS.

Dosen Pembimbing

RIWAYAT HIDUP

Penulis dilahirkan pada tanggal 11 Januari 1986 di

Jakarta. Penulis merupakan anak pertama dari tiga bersaudara

dari pasangan bapak Ir.Haryanto Sahar M.Sc dan Ibu Sylvia

Hasan.

Pendidikan formal penulis diawali dari Taman Kanak-

kanak TKI Dian Didaktika pada tahun 1990-1991 dan dilanjutkan dengan tingkat

pendidikan dasar di SDI Dian Didaktika (1991-1997). Penulis menyelesaikan

tingkat pendidikan lanjutan pada SLTPI Dian Didaktika (1997-2000) dan SMUN

34 Pondok Labu Jakarta Selatan (2000-2003). Sejak tahun 2003, penulis

memasuki program Strata-1, Departemen Teknologi Industri Pertanian pada

Fakultas Teknologi Pertanian Institut Pertanian Bogor melalui jalur Seleksi

Penerimaan Mahasiswa Baru (SPMB).

Selama kuliah, penulis aktif menjadi asisten praktikum mk. penerapan

komputer pada tahun ajaran 2005/2006 dan mk. sistem inforrnasi manajemen pada

tahun ajaran 2006/2007. Penulis dipercaya sebagai ketua kelas TIN 40 selama

tahun 2005-2007 dan Wakil Ketua Himpunan Mahasiswa Teknologi Industri

(HIMALOGIN) periode 2005/2006. Pada tahun 2006 penulis melakukan kegiatan

praktek lapang dengan topik Mempelajari Human Relationship dan Produktivitas

Tenaga Kerja di PT. ISM Bogasari Flour Mills Tj. Priok - Jakarta . Pada tahun

2007 penulis melakukan penelitian di PT. Global Tropical Seafood, Cikampek

dan berhasil menyelesaikan tugas akhir dengan topik masalah khusus Analisis

Kinerja Sistem Antrian Pada Industri Pengolahan Fillet Ikan Beku .

i

KATA PENGANTAR

Segala puji dan syukur bagi Allah SWT yang telah memberikan rahmat dan

kasih sayangnya, sehingga penulis dapat menyelesaikan kegiatan penelitian di PT.

Global Tropical Seafood, Jawa Barat sesuai jadwal dan dapat menyusun serta

menyelesaikan skripsi dengan judul Analisis Kinerja Sistem Antrian Pada

Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood,

Jawa Barat) dengan baik.

Merupakan sebuah anugrah dari Allah SWT karena selama waktu penelitian

dan penyusunan skripsi, penulis dapat memperoleh pengalaman-pengalaman

berharga yakni berupa pembelajaran mengenai teori antrian dan penerapan ilmu-

ilmu akademis dan non akademis yang didapatkan oleh penulis selama menimba

ilmu di kampus IPB ini.

Dalam proses penyusunan skripsi ini terdapat banyak pihak yang terkait,

dengan segala ketulusan hati penulis ingin menyampaikan ucapan terima kasih

kepada :

v Dr. Ir. Machfud, MS sebagai dosen pembimbing akademik yang telah

membimbing dan mengarahkan penulis dalam mempersiapkan

,melaksanakan dan menyelesaikan kegiatan penelitian dan penyusunan

skripsi ini.

v Ir. Lien Herlina, Msc dan Ir. Sugiarto, Msi selaku dosen penguji yang telah

memberikan saran dan kritiknya untuk penyempurnaan skripsi ini serta

masukannya kepada penulis untuk pengembangan diri penulis.

v Bapak Ir. Haryanto Sahar, MSc dan Ibu Sylvia Hasan sebagai kedua orang

tua penulis yang memberikan segala kasih sayang dan dukungan yang tak

ternilai kepada penulis serta kedua adik penulis yang senantiasa

mendoakan dan memberikan dukungan moril kepada penulis dalam

menyelesaikan skripsi ini.

v Bapak Sidiq selaku Pimpinan Pabrik dan Bapak Sumardi selaku Manajer

Personalia PT. Global Tropical Seafood, Jawa Barat yang telah membantu

penulis dalam mewujudkan kegiatan penelitian pada perusahaan tersebut.

v Bapak Citra Asmara Putra, bapak Ahmad Rifani, dan bapak Tegas selaku

manager di PT. Global Tropical Seafood yang telah membantu penulis

ii

dalam mengumpulkan informasi yang diperlukan bagi penulis beserta

saran dan kritiknya dalam penyusunan skripsi ini.

v Mba Rina, Mba Nina, Mba Rum, Pak Sunari, Pak Iwan berserta Seluruh

staff dan karyawan PT. Global Tropical Seafood yang telah membantu

penulis dalam kegiatan pengumpulan data dan informasi sehari-harinya

v Bapak Mardianto, Bapak Achmad atas motivasi yang diberikan kepada

penulis selama penulis melaksanakan penelitian di PT. Global Tropical

Seafood.

v Yasmin dan Henny selaku rekan penulis yang bersama-sama

melaksanakan penelitian di PT. Global Tropical Seafood.

v Kukuh dan Puji selaku rekan sebimbingan yang bersama-sama saling

mendukung dalam suka dan duka penyelesaian skripsi ini.

v Sahabat-sahabatku Indah, Farah, Derry, Riri, Fardian, Helmi, Adit, Ratih,

Ayip, Indra, Amin, Adriel, Jerry, Lutfi atas kebersamaannya dalam

penyelesaian skripsi ini.

v Bang riki, Mas ade, Uda Paul, Uda Edwin, Uda Ansor, Dion, Sigit, Wita,

Dani, Dung-dung, Aldo, Jejeng dan seluruh penghuni wisma galih yang

selalu mengisi hari-hari penulis dengan keceriaan selama penulis

menyelesaikan skripsi ini.

v Seluruh Civitas TIN 40 dan HIMALOGIN yang telah memberi

pengalaman-pengalaman berharga bagi pengembangan diri penulis.

v Semua pihak yang terkait dan turut membantu hingga selesainya skripsi ini

yang tidak dapat penulis sebutkan satu-persatu pada lembar ini.

Semoga skripsi ini dapat bermanfaat bagi semua pihak yang

membutuhkannya.

Bogor, Agustus 2006

Penulis

iii

DAFTAR ISI

Halaman

KATA PENGANTAR ........................................................................................... i

DAFTAR ISI ......................................................................................................... iii

DAFTAR TABEL ................................................................................................. vi

DAFTAR GAMBAR ............................................................................................. vii

DAFTAR LAMPIRAN .......................................................................................... x

I. PENDAHULUAN

A. Latar Belakang ............................................................................................ 1

B. Ruang Lingkup ............................................................................................ 3

C. Tujuan ......................................................................................................... 3

D. Manfaat ....................................................................................................... 4

II. TINJAUAN PUSTAKA

A. Fillet Ikan Beku ........................................................................................... 5

B. Teori Antrian ............................................................................................... 6

C. Uji Distribusi ............................................................................................... 18

D. Model .......................................................................................................... 22

E. Teknik Heuristik .......................................................................................... 24

F. Simulasi ....................................................................................................... 24

G. Verifikasi dan Validasi ................................................................................ 27

H. Penelitian Terdahulu .................................................................................... 28

III. METODE PENELITIAN

A. Kerangka Pemikiran .................................................................................... 30

B. Pendekatan Berencana ................................................................................. 31

C. Tata Laksana ............................................................................................... 32

IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL TROPICAL SEAFOOD

A. Sistem Produksi Fillet Ikan Beku ................................................................. 35

1. Stasiun Penerimaan ................................................................................. 39

2. Stasiun Arahan Produksi.......................................................................... 39

3. Stasiun Penyisikan ................................................................................... 40

iv

Halaman

4. Stasiun Filleting ...................................................................................... 40

5. Stasiun Trimming .................................................................................... 41

6. Stasiun Washing ...................................................................................... 41

7. Stasiun Sizing .......................................................................................... 41

8. Stasiun Panning ...................................................................................... 42

9. Stasiun Bagging ...................................................................................... 42

10. Stasiun Curing ......................................................................................... 42

11. Stasiun After Curing ................................................................................ 42

12. Stasiun Freezing ...................................................................................... 43

13. Stasiun Packing ....................................................................................... 43

B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku ................................... 46

V. ANALISIS DAN PEMBAHASAN

A. Distribusi Data ............................................................................................ 51

B. Model Antrian............................................................................................. 53

1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga StasiunPanning Dan Stasiun After Curing (Model A) ........................................ 55

2. Kinerja Model Antrian Pada Stasiun Freezing (Model B) ....................... 58

3. Kinerja Model Antrian Pada Stasiun Packing (Model C) ........................ 60

C. Sub Model Antrian ..................................................................................... 62

1. Sub Model Penerimaan ........................................................................... 62

2. Sub Model Penyisikan ............................................................................ 64

3. Sub Model Filleting ................................................................................ 66

4. Sub Model After Curing.......................................................................... 67

D. Pengembangan Model ................................................................................. 68

1. Pengembangan Model Dengan Skenario Perubahan Tingkat Kedatangan 69

2. Pengembangan Model Dengan Skenario Perubahan Komposisi UnitPelayanan ............................................................................................... 76

E. Kinerja Sistem Antrian................................................................................. 83

1. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanTingkat Kedatangan ................................................................................ 83

v

Halaman

2. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanKomposisi Unit Pelayanan ...................................................................... 96

F. Verifikasi dan Validasi Model ...................................................................... 107

VI. KESIMPULAN DAN SARAN

A. Kesimpulan ................................................................................................. 110

B. Saran ........................................................................................................... 112

DAFTAR PUSTAKA ............................................................................................ 114

vi

DAFTAR TABEL

Halaman

Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara ....... 1

Tabel 2. Sebaran frekwensi data waktu antar kedatangan .................................. 15

Tabel 3. Ketentuan mutu bahan baku fillet ikan beku ........................................ 36

Tabel 4. Bobot standar fillet .............................................................................. 41

Tabel 5. Waktu perpindahan bahan antar stasiun ............................................... 46

Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata ............... 48

Tabel 7. Hasil Uji distribusi waktu kedatangan bahan........................................ 52

Tabel 8. Hasil Uji distribusi waktu pelayanan operator ...................................... 52

Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB........... 54

Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalammodel A .............................................................................................. 71

Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun after curing dalammodel A .............................................................................................. 72

Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun packing dalammodel C .............................................................................................. 75

Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja padapengembangan model antrian SAPFIB ................................................ 78

Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama kondisi nyata ..... 108

Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian sub model kondisi nyata ......... 108

Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan tingkat kedatangan ................................... 109

Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan komposisi unit pelayanan ......................... 109

vii

DAFTAR GAMBAR

Halaman

Gambar 1. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Tunggal ... 8

Gambar 2. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Ganda

Serial ............................................................................................... 8

Gambar 3. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda

Pararel ............................................................................................. 8

Gambar 4. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda ........ 8

Gambar 5. Skema Simulasi Stokastik ................................................................ 26

Gambar 6. Skema Tahapan Pendekatan Berencana............................................ 32

Gambar 7. Diagram Tahapan Penelitian ............................................................34

Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO ............. 37

Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO .......... 38

Gambar 10. Sistem Produksi Fillet Ikan Beku ..................................................... 45

Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. GlobalTropical Seafood .............................................................................. 50

Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 56

Gambar 13. Grafik antrian maksimum pada stasiun Freezing .............................. 60

Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 61

Gambar 15. Penulisan model simulasi sub model penerimaan pada program QSS1.0 dalam bentuk grafis ................................................................... 63

Gambar 16. Penulisan model simulasi sub model penyisikan pada program QSS 1.0dalam bentuk matriks ....................................................................... 65

Gambar 17. Penulisan model simulasi sub model filleting pada program QSS 1.0dalam bentuk matriks ...................................................................... 66

Gambar 18. Penulisan model simulasi sub model after curing pada program QSS1.0 dalam bentuk matriks ................................................................. 67

Gambar 19. Penulisan model simulasi A alternatif skenario perubahan tingkatkedatangan pada program QSS 1.0 dalam bentuk matriks ............... 73

Gambar 20. Penulisan model simulasi C alternatif skenario perubahan tingkatKedatangan pada program QSS 1.0 dalam bentuk matriks ............... 76

Gambar 21. Penulisan model simulasi A alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks .......... 79

viii

Halaman

Gambar 22. Penulisan model simulasi C alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks ........... 82

Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A secara skenario perubahan tingkatkedatangan ...................................................................................... 84

Gambar 24. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 85

Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 86

Gambar 26. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 87

Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 88

Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 89

Gambar 29. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan tingkat kedatangan .................. 90

Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan tingkat kedatangan ................... 91

Gambar 31. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 92

Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 93

Gambar 33. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 94

Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 95

Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 96

ix

Halaman

Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ........................................................................................ 97

Gambar 37. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98

Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98

Gambar 39. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 99

Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 100

Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 101

Gambar 42. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan komposisi unit pelayanan ........ 102

Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan jumlah unit pelayanan .............. 102

Gambar 44. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 103

Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 104

Gambar 46. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 105

Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 106

Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 107

x

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan........................... 116

Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator ......................... 123

Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku ................... 139

Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2 .......... 141

Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata ........................ 142

Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B .............. 145

Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata......................... 152

Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata .. 154

Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata ... 155

Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata ....... 156

Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata . 157

Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 158

Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 161

Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 164

Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 165

Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood .............. 166

Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Tingkat Kedatangan ..................... 167

Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Komposisi Operator ..................... 169

I. PENDAHULUAN

A. Latar Belakang

Industri perikanan merupakan salah satu sektor industri yang menjadi

primadona di dalam penyumbang sumber devisa Indonesia. Ketika Indonesia

mengalami krisis moneter pada tahun 1997 sektor tersebut menjadi salah satu

sektor yang mampu tumbuh berkembang di tengah keterpurukan sektor

ekonomi lainnya. Perkembangan sektor perikanan ini terutama disebabkan oleh

karena pasarnya yang bererorientasi ekspor. Pasar ekspor memberikan

pemasukan berupa mata uang dollar yang pada saat itu nilainya melambung

tinggi di Indonesia akibat dari turunnya nilai mata uang rupiah.

Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta

ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar

komoditas perikanan dunia. Selama periode 1999-2002 produk domestik bruto

(PDB) subsektor perikanan mengalami kenaikan sebesar 21,72 %.

(Departemen Kelautan dan Perikanan, 2002).

Peningkatan permintaan ikan di pasaran dunia antara lain dipengaruhi

oleh meningkatnya jumlah penduduk dunia, bergesernya selera konsumen dari

red meat ke white meat , dan kebutuhan manusia akan makanan sehat.

Selain itu kondisi yang mengancam kesehatan manusia akibat mengonsumsi

daging ternak yang mempunyai resiko penyakit seperti mad cow disease, serta

penyakit mulut dan kuku yang melanda kawasan Eropa, Asia dan Amerika

membuat keinginan manusia untuk mendiversifikasi sumber pangan berprotein

tinggi semakin tinggi.

Jika melihat perkembangan jumlah ekspor produk fillet ikan beku

Indonesia ke mancanegara terlihat bahwa dari tahun ketahun penerimaan

produk fillet ikan beku di setiap negara berbeda-beda, mayoritas memiliki

kecenderungan naik namun tidak semuanya bersifat konsisten. Salah satu hal

yang dapat menyebabkan kondisi tersebut ialah karena tingginya persaingan

antar negara-negara pengekspor produk perikanan beku.

2

Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara

Negara Tujuan2003 2004 2005 (Jan-Nop) 2006 (Jan-Nop)

Berat(Kg)

Nilai(US$)

Berat(Kg)

Nilai(US$)

Berat(Kg)

Nilai(US$)

Berat(Kg)

Nilai(US$)

JEPANG 15.410 1.420.463 98.535 3.237.528 97.579 3.211.469 33.420 1.447.167AMERIKASERIKAT 2.842 9.344 36.800 505.035 36.800 505.035 - -

POLANDIA - - 47.000 265.400 - - 69.000 531.700

HONGKONG 476 1.736 7.095 58.277 4.858 40.484 10.762 32.344

MALAYSIA 1.053 6.562 9.386 38.741 9.386 38.741 458 6.380REP.RAKYATCINA - - 9.023 29.514 9.023 29.514 8.500 310.524

AUSTRALIA 1.687 9.376 2.277 12.943 2.277 12.943 10.405 52.047 *) dalam ribuan, sumber : Deprin 2007

Dalam rangka mendukung peningkatan pertumbuhan ekonomi di sektor

perikanan dan pemenuhan tuntutan pasar ekspor, kajian ilmiah yang

berorientasi pada peningkatan kinerja industri perikanan perlu dilakukan

dengan berdasarkan ilmu pengetahuan dan teknologi modern.

Menurut Machfud (1999) produktivitas perusahaan merupakan hal

penting yang harus diperhatikan dalam rangka mengembangkan perusahaan

yang berdaya saing tinggi. Perencanaan dan pengendalian produksi yang baik

akan menghasilkan proses produksi dengan tingkat efisiensi dan efektivitas

tinggi melalui penghematan sumber daya yang ada dan waktu produksi yang

optimal.

PT. Global Tropical Seafood merupakan salah satu perusahaan yang

bergerak di industri perikanan yang berorientasi ekspor dengan salah satu

produk unggulannya fillet ikan beku. Dalam kegiatan produksinya perusahaan

dihadapkan pada kondisi kedatangan bahan baku yang bersifat probalistik,

adanya tuntutan kualitas produk yang prima, serta perlunya efektivitas dan

efisiensi dalam sistem produksi.

Ketidakseimbangan aliran bahan dan antrian dalam lini produksi

pengolahan fillet ikan beku akan menyebabkan timbulnya inefisiensi dan

inefektifitas sistem produksi akibat terjadinya kemacetan (bottleneck) bahan

maupun rendahnya utilitas stasiun pelayanan. Nilai produktivitas lini produksi

suatu perusahaan dapat menjadi sebuah indikator tingkat keefesienan dan

keefektifan perusahaan tersebut dalam mengelola sumber daya yang ada. Nilai

3

produktivitas yang setinggi-tingginya merupakan suatu pencapaian yang

diinginkan oleh perusahaan pada umumnya.

Pendekatan analitis yang dapat digunakan untuk memecahkan masalah

sistem aliran bahan yang bersifat acak secara efektif adalah dengan

menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).

Model antrian dalam lini produksi suatu perusahaan dapat dikembangkan

dengan teori antrian untuk meningkatkan produktivitas kerja dari pendekatan

tingkat utilitas unit pelayanan dan waktu tunggu bahan dengan memaksimalkan

efisiensi dan efektifitas proses. Perbaikan kinerja sistem produksi dapat

mengurangi tambahan biaya yang disebabkan oleh adanya antrian dan

inefisiensi penggunaan sumber daya.

B. Ruang Lingkup

Penelitian ini dibatasi pada analisis sistem antrian dan pengembangan

modelnya pada lini produksi fillet ikan beku.

C. Tujuan

Tujuan yang ingin dicapai dari penelitian ini adalah :

1. Mengidentifikasi faktor-faktor yang menyebabkan terjadinya antrian pada

lini produksi industri pengolahan fillet ikan beku.

2. Menganalisis kinerja sistem antrian yang ada di dalam lini produksi industri

pengolahan fillet ikan beku.

3. Mengembangkan model antrian untuk meningkatkan kinerja lini produksi

pengolahan fillet ikan beku melalui perubahan tingkat kedatangan bahan

baku dan pengubahan komposisi operator pada stasiun-stasiun kerja dalam

sistem antrian.

D. Manfaat

Penelitian yang dilakukan dapat memberikan pemahaman yang lebih

mendalam mengenai aplikasi teori antrian dalam memecahkan permasalahan

sistem produksi dalam suatu industri.

4

Hasil penelitian ini dapat memberikan model alternatif antrian proses

produksi fillet ikan beku. Model alternatif tersebut dapat digunakan sebagai

pembanding dari model antrian yang saat ini berjalan di perusahaan.

Perbandingan tersebut bermanfaat untuk menilai kinerja sistem produksi yang

berjalan di perusahaan saat ini sehingga dapat dijadikan sebagai referensi

dalam pengambilan keputusan untuk perbaikan kinerja lini produksi fillet ikan

beku.

II. TINJAUAN PUSTAKA

A. Fillet Ikan Beku

Fillet ikan merupakan daging ikan yang diperoleh dengan penyayatan

ikan utuh sepanjang tulang belakang dimulai dari belakang kepala hingga

mendekati bagian ekor. Tulang belakang dan tulang rusuk yang membatasi

badan dengan rongga perut tidak dipotong pada waktu penyayatan, hal ini

bertujuan agar tulang atau duri yang terikut dalam daging menjadi sedikit.

Proses pengawetan dengan cara pembekuan yang berlaku untuk daging ikan

tanpa tulang disebut fillet ikan beku (Suparno, 1992).

Menurut DSN (1992), tahapan pengolahan fillet ikan beku adalah :

(1) Pencucian

Ikan dicuci kemudian ditampung di dalam bak fiberglass yang

dilengkapi drainage (lubang pembuangan air bagian bawah).

Penyusunan ikan dibuat berlapis-lapis dengan es. Diusahakan agar

ikan tidak terendam air karena dapat memudarkan warna kulit hingga

menjadi pucat, suram dan tidak mengkilap.

(2) Pengambilan daging (filleting)

Sebelum ikan diambil dagingnya (difillet) maka terlebih dahulu

dilakukan pemotongan kepala dengan pisau tajam sekaligus

penarikan atau pengeluaran isi perut temasuk pembuangan sisik,

selanjutnya dilakukan pengambilan daging dengan cara penyayatan

yang dimulai dari punggung yang mengarah ke perut dan ekor

sehingga diperoleh kepingan dua sisi tanpa tulang.

(3) Perapihan (trimming)

Hasil potongan daging kemudian dirapihkan bentuknya dengan cara

menyisir permukaan hasil potongan dan bagian sisi samping dengan

menggunakan pisau tajam.

(4) Pengelompokan ukuran (sizing)

Pada tahap ini dilakukan penimbangan terhadap tiap-tiap keping

daging dan dikelompokkan menurut ukuran yang ditentukan.

(5) Penyusunan dalam pan pembeku

6

Pan pembeku diisi dengan fillet dengan permukaan kulit menghadap

ke atas dan tiap keping fillet tidak saling menumpuk serta diusahakan

penyusunan fillet hanya satu lapis saja. Hal ini dimaksudkan agar

daging fillet beku yang dihasilkan mempunyai penampilan rapi,

halus, lurus dan rata. Sebelum fillet disusun terlebih dahulu pan

pembeku dilapisi dengan selembar plastik dan pada bagian atas

daging ditutup dengan selapis plastik.

(6) Pembekuan

Ikan yang telah tersusun dalam pan dimasukkan ke dalam contact

plate freezer (CPF) atau air blast freezer (ABF) dengan suhu operasi

-40oC. Bila menggunakan CPF waktu pembekuan yang diperlukan

adalah 4-5 jam sedangkan ABF memerlukan waktu 8-9 jam.

(7) Pelapisan (glazing)

Fillet beku yang dihasilkan kemudian dilepas dari pan pembeku

selanjutnya dilakukan pengelasan dengan cara tiap keping fillet

dicelup ke dalam campuran air dan es yang bersuhu 0-5oC.

(8) Pengemasan (packaging)

Tiap-tiap keping fillet dimasukkan ke dalam plastik dan kemudian

bagian ujungnya dilipat untuk selanjutnya disusun ke dalam

mastercarton dan diikat dengan mesin pengikat (Strapping band

machines), pada tiap kemasan dicantumkan keterangan atau label

yang jelas.

(9) Penyimpanan beku

Master carton yang berisi produk disimpan dalam gudang beku (cold

storage) dengan suhu -25oC, penyusunan dalam cold storage diatur

sedemikian rupa sehingga memiliki sirkulasi udara.

B. Teori Antrian

Teori Antrian merupakan studi yang berkaitan dengan suatu keadaan-

keadaan yang berhubungan dengan segala aspek dalam situasi seseorang atau

lebih harus menunggu untuk dilayani. Dengan menggunakan teori antrian kita

dapat menganalisa kinerja antrian dengan menggunakan model-model

7

matematik pada keadaan yang berbeda-beda, dan dengan teori antrian ini pula

dapat dibuat keputusan tentang berapa jumlah fasilitas pelayanan yang harus

digunakan, luasan tempat antrian yang dibutuhkan, saat pemberian pelayanan

dan sebagainya (Heizer dan Render ,2004).

Pendekatan analitis yang dapat digunakan untuk memecahkan masalah

sistem aliran bahan yang bersifat acak secara efektif adalah dengan

menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).

Menurut Machfud (1999) Teori antrian memiliki ciri-ciri sebagai berikut:

1. Adanya pemasukan objek ke dalam suatu sistem

2. Objek yang bergerak melalui sistem bersifat diskret

3. Objek yang masuk ke dalam sistem untuk mendapatkan pelayanan atau

proses diurut berdasarkan suatu aturan tertentu

4. Adanya suatu mekanisme tertentu yang menentukan waktu pelayanan

5. Mekanisme yang tidak dapat ditentukan secara pasti dapat

dipertimbangkan sebagai suatu sistem yang bersifat probalistik

Menurut Aminudin (2005), ada beberapa tipe sistem antrian yang

semuanya dapat diklasifikasikan menurut karateristik di bawah ini.

1. Masukan atau kejadian kedatangan, yaitu meliputi sebaran jumlah

kedatangan tiap satuan waktu, jumlah antrian yang diizinkan

terbentuk, panjang maksimum antrian dan jumlah maksimum

langganan yang harus dilayani.

2. Proses pelayanan, yang meliputi sebaran waktu pelayanan untuk satu

satuan unit pelanggan, jumlah fasilitas pelayanan serta bentuk fasilitas

pelayanan (pararel, seri dan lain-lain).

3. Disiplin antrian, merupakan cara penentuan antrian atau baris

antrian (FIFO, LIFO, dan Lain-Lain).

Menurut Pangestu dkk (1993), terdapat empat struktur dasar dari sistem

antrian yang melukiskan kondisi umum dari fasilitas pelayanan, yaitu (1) jalur

tunggal satu fasilitas pelayanan, (2) jalur tunggal fasilitas pelayanan ganda, (3)

jalur ganda fasilitas pelayanan tunggal, (4) jalur ganda fasilitas pelayanan

ganda.

8

Selain empat struktur dasar antrian tersebut, masih terdapat struktur

model antrian lain yang pada dasarnya merupakan gabungan dari dua atau

lebih struktur antrian diatas.

1. Pola Kedatangan.

Pola kedatangan adalah menggambarkan cara individu-individu dari

suatu populasi memasuki sistem. Individu-individu mungkin datang

9

dengan laju kedatangan yang konstan atau juga secara acak. Untuk laju

kedatangan yang acak dan mempunyai sebaran tertentu.

Sebaran peluang poisson adalah salah satu dari sebaran pola

kedatangan yang paling umum bila beberapa faktor mempengaruhi waktu

kedatangan. Hal tersebut disebabkan sebaran poisson sesuai dengan suatu

pola kedatangan yang bersifat acak sempurna, berarti bahwa masing-

masing kedatangan saling bebas satu dengan lainnya (Gordon, 1980).

Apabila laju kedatangan mempunyai sebaran poisson, waktu antar

kedatangan akan mempunyai sebaran eksponensial (Pangestu 1993 dan

Taha 2003).

2. Pola Pelayanan.

Jumlah unit yang dapat dilayani persatuan waktu disebut sebagai

laju pelayanan dari fasilitas pelayanan. Laju pelayanan dapat berpola

konstan, dan dapat pula berpola acak. Untuk laju pelayanan yang

berpola acak, akan mempunyai sebaran peluang seperti halnya pola

kedatangan acak, yaitu sebaran poisson. Bila laju pelayanan

mempunyai sebaran poisson, maka waktu pelayanan mempunyai

sebaran peluang eksponensial (Pangestu 1993 dan Taha 2003).

3. Model-Model Antrian.

Untuk mempelajari model antrian diperlukan beberapa notasi

yang digunakan untuk menggambarkan model antrian yang dimaksud.

Menurut Aalto (2005) Notasi Kendall dapat digunakan untuk

menggambarkan karakteristik dari antrian dengan sistem paralel

secara umum yang dibakukan dengan format sebagai berikut :

(xb / yb / z) : (u / v / w)

Keterangan :

x : sebaran kedatangan.

y : sebaran waktu pelayanan.

z : jumlah fasilitas pelayanan paralel.

u : disiplin pelayanan atau disiplin antrian.

10

v : jumlah maksimum pelanggan dengan sistem.

w : ukuran dari popolasi asal pelanggan.

b : kedatangan bulk, pelayanan bulk.

Notasi baku yang menggunakan x dan y dapat diisi dengan notasi

sebagai berikut :

M : Sebaran kedatangan atau laju pelayanan Poisson

(ekivalen dengan sebaran waktu antar kedatangan atau

waktu pelayanan eksponensial).

D : Waktu pelayanan atau waktu antar kedatangan konstan

atau deterministik.

G : Sebaran waktu pelayanan umum (normal, binomial).

GI : Sebaran kedatangan atau tingkat pelayanan mempunyai

sebaran khusus.

K : Sebaran erlang untuk waktu antar kedatangan atau waktu

pelayanan.

Notasi untuk mengganti V dan W adalah :

I : Jumlah maksimum pelanggan di dalam sistem dan

ukuran populasi asal pelanggan tak terhingga.

F : Jumlah maksimum pelanggan di dalam sistem an ukuran

populasi asal pelanggan terhingga.

Disiplin antrian yang digunakan untuk mengisi u adalah :

FCFS : First Come, First Serve.

LCFS : Last Come, First Serve.

SIRO : Service in Random Order.

SPT : Shortest Processing (Service) Time.

GD : General (Service) Discipline.

Dengan format baku tersebut dapat diketahui berbagai model

antrian yang terbentuk. Masing-masing model antrian dapat

diselesaikan secara analitis dengan rumus-rumus pada model baku.

11

Menurut Gillet (1979), penyelesaian masalah antrian secara analitis

dengan rumus-rumus pada model baku dapat dilakukan apabila kondisi-kondisi

dibawah ini bisa dipenuhi :

a. Kedatangan pelanggan kedalam sistem terjadi secara acak sempurna

dan mengikuti sebaran poisson.

b. Proses pelayanan terjadi secara acak sempurna, dan waktu pelayanan

megikuti sebaran exponensial.

c. Disiplin antrian adalah FIFO.

d. Peluang terjadinya suatu kedatangan pada selang waktu t sampai t

+ ∆ t, untuk untuk ∆ t cukup kecil adalah ∆nλ t.

e. Peluang adanya pelanggan meninggalkan sistem pada selang waktu t

sampai t + ∆ t, untuk ∆ t cukup kecil adalah ∆nµ t.

f. Laju kedatangan lebih kecil dari laju pelayanan.

B. Sebaran Peluang

Untuk mendapatkan model yang lebih mendekati keadaan sebenarnya,

diperlukan pemilihan fungsi sebaran peluang yang sesuai dengan keadaan

nyata. Langkah-langkah yang harus ditempuh dalam memilih fungsi sebaran

peluang untuk kecepatan kedatangan dan kecepatan pelayanan adalah sebagai

berikut :

1. Mengelompokkan data menurut bentuknya, yaitu jumlah

kedatangan dan jumlah unit yang dilayani per unit waktu.

2. Mencari frekwensi, frekwensi relatif dan frekwensi komulatif dari

data.

3. Menghitung rata-rata, keragaman dan simpangan baku.

4. Mencari bentuk baku dari data.

5. Menguji apakah sebaran yang dipilih sesuai (langkah 6) atau tidak

(langkah 7)

6. Menetapkan bentuk parameter penduga dari sebaran baku yang

dipilih.

7. Sebaran yang tidak dapat diterapkan pada model-model sebaran

baku ditetapkan sebagai sebaran khusus (sebaran empiris).

12

Metode pengambilan data ialah dapat dilakukan dengan dua cara

yakni yang pertama ialah sensus, dan yang kedua ialah sampel. Sensus

mengambil data dari keseluruhan jumlah populasi. Sampel merupakan

bagian dari populasi yang diambil dengan cara-cara tertentu yang juga

memiliki karakteristik tertentu, jelas, dan lengkap yang bisa dianggap

mewakili populasi. Populasi yang tak terbatas membuat pengambilan

data dengan cara sensus tidak dapat dilaksanakan sehingga dipilih

pengambilan data dengan cara sampling. Pengambilan sampel

memerlukan beberapa kriteria yang perlu diperhatikan yakni :

1. Penentuan daerah generalisasinya agar sampel dapat berlaku terhadap

populasinya.

2. Pembatasan yang tegas dalam populasi.

3. Penentuan sumber informasi populasi.

4. Pemilihan Teknik Sampling.

5. Perumasan masalah.

6. Pendefinisian unit-unit yang dipakai.

7. Penentuan unit sampel.

8. Pencarian keterangan masalah yang akan dibahas.

9. Penentuan ukuran sampel.

10. Penentuan teknik pengumpulan data.

11. Penentuan Metode Analisis.

12. Penyediaan sarana prasaranan untuk penelitian.

(Hasan, 2001)

Teknik pengambilan sampel dapat dilakukan denan dua cara yaitu :

(1) Sampling random : merupakan sampel yang diambil secara acak

dengan cara undian, ordilnal atau dengan komputer.Pengambilannya

dapat dilakukan dengan cara sederhana, bertingkat, kluster, sistematis

dan proporsional.

(2) Sampling non random : Merupakan pengambilan sampel dengan

tidak acak yang dapat dilakukan dengan tiga cara yakni Kebetulan,

Bertujuan dan Quota.

(Usman, 2003).

13

.,...,2,1,0,!

)( nKk

ekXPk

===− αα

Sebenarnya tidak ada aturan yang tegas mengenai besarnya anggota

sampel yang diisyaratkan dalam suatu penelitian. Demikian pula batasan apa

batasan bahwa sampel itu besar atau kecil yang jelas ialah jika sampelnya

besar, maka biaya, tenaga dan waktu yang akan disediakan besar pula,

demikian sebaliknya. Sehingga mutu penelitian tidaklah ditentukan oleh

besarnya anggota sampel yang digunakan, melainkan oleh kuatnya dasar-dasar

teori pengambilan sampel tersebut. Sesungguhnya tidak ada anggota sampel

yang 100% representatif, kecuali anggota sampelnya yang sama dengan

anggota populasinya (total sampling) (Usman, 2003).

Sistem antrian umumnya ditentukan oleh dua buah kelengkapan statistik,

yaitu sebaran peluang antar kedatangan dan sebaran peluang waktu pelayanan.

Dalam sistem antrian nyata, waktu antar kedatangan dan waktu pelayanan

mengikuti berbagai macam bentuk sebaran. Bentuk sebaran yang mendasari

model-model antrian adalah sebaran poisson dan exponensial.

1. Sebaran Poisson

Menurut Meyer (1974), definisi dari sebaran poisson adalah

sebagai berikut. Misal X adalah peubah acak yang diskret dan

dianggap mempunyai nilai-nilai 0,1,2, , n Jika :

Maka X dikatakan mempunyai sebaran poisson dengan parameter

0>α

Selanjutnya dikatakan bahwa apabila X mempunyai sebaran

poisson dengan parameter α , maka nilai harapannya (E(X)) adalah

α .Hal ini merupakan sifat khusus yang menarik dari sebaran poisson

yaitu bahwa nilai harapannya sama dengan nilai keragamannya.

2. Uji Kesesuaian Sebaran Poisson

Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang

diperoleh (misalkan data tingkat kedatangan atau tingkat pelayanan)

mempunyai sebaran poisson. Tahap pertama dalam uji kesesuaian

14

sebaran poisson adalah menghitung peluang adanya n kejadian dalam

selang waktu tertentu (Pn) dengan rumus :

,!

)(n

enPnnn −

= n adalah rata-rata data.

Setelah nilai Pn ditemukan, kemudian dilakukan perhitungan nilai

frekwensi harapan (expected frequency) yang dilambangkan en,

nilainya ditentukan sebagai berikut.

n

n

nnn pfe

= ∑

=0

Untuk n yang mempunyai frekwensi terlalu kecil (<5) sebaiknya

dipilih nilai fn dan en terdekat sehingga nilai fn 5≥ (Taha 2003). Hal

tersebut perlu dilakukan karena frekwensi yang terlalu kecil akan

mengakibatkan harga Chi-kuadrat menjadi besar sehingga tidak

mencerminkan penyimpangan yang wajar mengenai hasil pengamatan

(Sudjana, 1982 di dalam Henryardinanto, 2003).

Langkah selanjutnya dilakukan perhitungan nilai Chi-kuadrat

dengan rumus :

X2 hitung =( )

n

nn

eef 2−

Apabila nilai X2 hitung ≤ X2 ( )α tabel maka diterima hipotesis

bahwa data mempunyai sebaran poisson. Apabila terjadi sebaliknya,

maka dilakukan penolakan terhadap hipotesis, yang berarti data tidak

mengikuti sebaran poisson.

3. Sebaran Exponensial

Jika peubah acak T menunjukan waktu antar kedatangan atau

waktu pelayanan dan T mempunyai sebaran eksponensial dengan

parameter α , maka fungsi kepadatan peluangnya adalah :te α− untuk t 0≥

f ( ) =tT

0 untuk t<0

15

Fungsi kepadatan peluang komulatifnya adalah :

F(T) = P(T ≤ t) = ∫ −t

t dte0

αα

= 1- ,te α− untuk t ≥ 0

= 0, untuk t<0

Nilai harapan dari T diperoleh dengan rumus:

E(T) = ∫ −~

0

dtet tαα

= [ ] ∫ =+− −−~

0

~0

1α

αα dtete tt

Selanjutnya keragaman dari T dapat diperoleh dengan cara

integrasi yang sama, yaitu :

V(T) = E(T2)-(E(T))2 = 2

1α

Dari rumus ini dapat dilihat bahwa sebaran eksponensial

mempunyai sifat khusus yang menarik, yaitu bahwa nilai harapannya

sama dengan simpangan bakunya.

4. Uji Kesesuaian Sebaran Eksponensial

Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang

diperoleh (misalkan data waktu pelayanan atau waktu antar

kedatangan) mempunyai sebaran eksponensial. Langkah awal dari

pengerjaan ini ialah dengan membuat tabel data seperti dibawah ini.

Tabel 2. Sebaran frekwensi data waktu antar kedatangan

Selang Waktu (ta-tb) Frekwensi (fn)

t1-t2

t2-t3

.

.

tn-tn-1

f1

f2

.

.

fn

16

Nilai rata-ratanya dihitung sebagai berikut :

( ) ( ) ( )fnff

fnttfttftt nn

+++

−++−+−=

−

K

K

21212

211

21

1 13221

µ

Besarnya kemungkinan eksponensial Gi (t) untuk setiap kelas

interval dihitung sebagai berikut :

Gi (t) = ∫ −−− −=b

a

ba

t

t

ttt eedte µµµµ

Frekwensi teoritis (ei) pada setiap kelas interval dihitung sebagai

berikut :

ei=Gi (t) N , N adalah jumlah data pengamatan

setelah itu, menghitung nilai Chi-kuadrat dengan rumus :

X2 hitung =( )∑

=

−n

n n

nh

eef

0

2

Apabila nilai X2 hitung ≤ X2(α ) tabel maka diterima hipotesis

bahwa data mengikuti sebaran eksponensial. Apabila hasilnya

sebaliknya maka hipotesis bahwa data mengikuti sebaran Eksonensial

ditolak.

5. Sebaran Normal

Dalam dunia nyata terdapat beberapa tipe kejadian acak yang

dibentuk oleh sebaran normal. Sebaran ini mempunyai karakteristik

kepadatan peluangnya berbentuk lonceng yang simetris terhadap garis

x = µ dengan fungsi densitas pada X = x dengan persamaan :

f(x) =( )22

21

21 µσ

πσ

−

x

e

dengan : π : nilai konstant (3,1416)

e : nilai konstan (2,7183)

µ : rata-rata

σ : simpangan baku

dan nilai x mempunyai batas -~<x<~

17

Sebaran normal dapat dibedakan dari sebaran norml lainnya atas

dasar perbedaan nilai rata-rata dan simpangan bakunya atau kedua-

duanya (Sudjana, 1982 di dalam Henryardinanto, 2003).

6. Uji Kenormalan Data

Uji kenormalan data didasarkan pada fakta bahwa nilai tengah

contoh dan keragaman contoh tidak saling tergantung satu sama

lainnya, jika dan hanya jika contoh berasal dari sebaran normal.

Misalkan kita mempunyai sampelacak dengan hasil pengamatan x1, x2,

....., xn. Berdasarkan sampel ini akan dilakukan uji hipotesis bahwa data

yang diambil berasal dari populasi yang memiliki sebaran normal atau

data tersebut berasal dari populasi yang memiliki sebaran tidak

normal.

Menurut Sudjana (1982) di dalam Henryardinanto (2003) prosedur

pengujian hipotesis tersebut adalah sebagai berikut.

a. Pengamatan x1, x2, , xn dijadikan angka baku z1, z2, , zn

dengan menggunakan rumus zi =s

xx

−

−

1

(−

x dan s masing-

masing merupakan rata-rata dan simpangan baku dari data).

b. Untuk tiap angka baku ini dan dengan menggunakan daftar

sebaran normal baku, kemudian dihitung peluang F(zi) = P(z ≤

zi).

c. Selanjutnya dihitung proporsi z1, z2, , zn yang lebih kecil atau

sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi), maka:

S(zi), maka: S(zi) = (banyaknya z1, z2, , zn yang ≤ zi)/ n.

d. Hitung selisih F(zi S(zi) kemudian tentukan harga mutlak.

e. Ambil harga yang paling besar diantara harga-harga mutlak

selisih tersebut. Sebutlah harga terbesar ini L0.

Untuk menerima atau menolak hipotesis, L0 harus dibandingkan

dengan nilai kritis L yang diambil dari daftar nilai kritis L untuk uji

Lilliefors untuk taraf α yang dipilih. Kriterianya adalah tolak

hipotesis bahwa populasi bersebaran normal jika L0 yang diperoleh

18

dari data pengamatan melebihi nilai L dari daftar. Apabila hasilnya

sebaliknya maka hipotesis bahwa data mengikuti sebaran normal

diterima.

7. Sebaran Empiris

Sebaran empiris adalah sebaran yang diperoleh dari hasil

pengamatan lapang yang mempunyai bentuk khusus dan hanya

berlaku pada kejadian tersebut. Untuk memperoleh peubah acak yang

dibangkitkan dari suatu sebaran empiris dapat digunakan metode

transformasi kebalikan

Peubah acak dari suatu sebaran empiris dipergunakan persamaan

sebagai berikut :

X = XLj + ( )XLjXUjYYYU

jj

j −−

−

−

−

1

1

XLj adalah batas bawah selang sebaran komulatif dan U adalah

angka acak, Yj adalah peluang komulatifnya.

C. Uji Distribusi

Perlakuan terhadap input data yang bersifat acak untuk program simulasi

dapat dilakukan sebagai berikut (Conover, 1971) :

1. Nilai-nilai data tersebut digunakan secara langsung dalam simulasi.

Sebagai contoh, jika data menggambarkan waktu pelayanan, maka

salah satu data digunkan jika sebuah waktu pelayanan diperlukan

dalam sebuah simulasi. Hal ini disebut trace-driven simulation.

2. Nilai data-data tersebut digunakan untuk mendefinisikan sebuah

fungsi distribusi empiris dengan cara tertentu. Jika diperlukan dalam

sebah simulasi, sampel diambil dari distribusi ini.

3. Data dicocokan terhadap bentuk teoritis distribusi tertentu, misal

exponensial atau poisson, dengan menampilkan hipotesis tes untuk

menentukan kecocokan tersebut (the goodness of fit). Pencocokan ini

19

menghasilakan sejumlah parameter statistika. Saat dilakukan simulasi,

sampel diambil dari jenis distribusi teoritis dan nilai-nilai parameter

yang cocok ini.

Menurut Conover (1971) lebih lanjut, kelemahan dari pendekatan

pertama di atas adalah:

1. Simulasi hanya dapat menghasilkan apa yang telah terjadi sebelumnya

(historically).

2. Jarang diperoleh data yang cukup untuk membuat semua simulasi

yang diinginkan untuk dijalankan.

Jika ditemukan sebuah distribusi teoritis yang sesuai dengan data

pengamatan baik (pendekatan tiga) maka hal ini umumnya lebih dipilih

daripada menggunakan sebuah distribusi empirik (pendekatan dua). Hal ini

disebabkan sebuah fungsi distribusi empirik dapat memiliki sejumlah

ketidakteraturan, terutama jika data yang tersedia hanya sedikit. Keuntungan

lain dari pendekatan tiga adalah distribusi teoritis dapat memuluskan

(smooth out) data dan dapat menghasilkan informasi. Ada sejumlah situasi

dimana tidak ada distribusi teoritis yang tidak cukup cocok dengan data-data

pengamatan. Pada kasus ini, penggunaan distribusi empiris sangat dianjurkan

(Conover, 1971).

Ditambahkan oleh Law dan Kelton (2000), tahapan dalam menentukan

jenis distribusi dari data yang ada adalah :

1. Membuat hipotesis pendugaan awal

2. Menduga parameter-parameter didalam data

3. Menentukan tingkat kesesuaian distribusi data dengan distribusi

teoritis

Menurut Law dan Kelton (2000), prosedur untuk menentukan kualitas

distribusi yang sudah dicocokan (fitted distributions) ada dua yaitu:

1. Prosedur heuristik atau grafis

Ada sejumlah prosedur heuristik atau grafis yang dapat digunakan

untuk membandingkan distribusi yang telah dicocokan (fitted

distributions) dengan distribusi sesungguhnya, diantaranya adalah

density / histogram overplots dan perbandingan frekuensi, distribusi

20

fungsi perbedaan plots dan plot peluang (Probability Plots). Sebuah

plot peluang dapat digambarkan sebagai grafik perbandingan sebuah

estimasi distribusi data sesungguhnya X1, X2, X3 Xn dengan fungsi

distribusi yang sudah dicocokan (fitted distributions).

Plot peluang dapat dibagi menjadi dua yaitu Q-Q plots dan P-P

plots. P-P (probability-probability) plot adalah sebuah grafik model

peluang yang dibandingkan dengan sample peluang

, untuk i=1,2, n dan valid untuk kedua jenis kelompok

data (kontinu atau diskret). Jika dan berdekatan, maka P-P

plot akan mendekatisebuah lintasan miring antara 0 dan 1 secara

linier. Asumsi yang digunakan adalah Xi adalah jelas (tidak ada

pembatas). Plot P-P cenderung lebih linier pada nilai q i yang cukup

besar dibandingkan dengan Q-Q plot karena plot Q-Q akan

memperkuat perbedaaan yang kecil antara dan ketika

keduanya mendekati nilai satu. Kelinieran plot menunjukkan

kesesuaian antara distribusi teoritis dengan sesungguhnya.

2. Prosedur goodness-of-fit hypotesis test

Pada sebagian besar situasi, sifat dasar pada satu atau beberapa

distribusi populasi merupakan hal yang paling penting. Kesahihan

prosedur-prosedur inferensi statistika prametrik bergantung pada

bentuk populasi-populasi asal sampel-sampel yang dianalasis. Apabila

bentuk-bentuk fungsi dari populasi-populasi yang dianalisis tidak

diketahui maka populasi tersebut harus diuji kecenderungannya apakah

terdistribusi sesuai dengan asumsi-asumsi yang mendasari prosedur

parametrik yang diuji. Metode-metode keselarasan (goodness of fit

test) digunakan untuk menentukan sampai seberapa jauh data sampel

yang teramati selaras , cocok atau fit dengan model tertentu yang

diujikan. Uji-uji keselarasan merupakan alat yang bermanfaat untuk

mengevaluasi sampai seberapa jauh suatu model mampu mendekati

situasi nyata yang digambarkannya.

21

Daniel (1989) di dalam Anggraini (2005) menambahkan bahwa ada

sejumlah uji keselarasan yang diperkenalkan yaitu :

1. Uji khi-kuadrat

2. Uji Kolmogorov-Smirnov

3. Uji Cramer-von Mises, yang diperkenalkan oleh Cramer pada tahun

1928 dan von Mises pada tahun 1931.

4. Uji Binbaum-Hall, yaitu sebuah uji yang analog dengan uji dua

sampel dua sisi Kolmogorov-Smirnov yang sesuai untuk beberapa

sampel bebas. Sayangnya, tabel distribusi statistik uji untuk prosedur

ini baru tersedia untuk kasus tiga sampel yang berukuran sama.

5. Gibbons telah mengusulkan sebuah uji keselarasan distribusi dua

sampel bebas dengan uji hipotesis-hipotesis tandingan yang umum.

Uji ini merupakan suatu uji pengacakan kelompok (group

randomization test) yang statistik ujinya adalah fungsi dari jumlah

deviasi kuadrat antara frekuensi-frekuensi relatif kelompok dalam

sampel-sampel.

Uji keselarasan yang paling umum digunakan ialah uji khi-kuardrat (Chi-

square goodness of fitness test) dan uji Kolmogorov-Smirnov (K-S). Uji

sampel tunggal K-S pada dasarnya dirancang untuk penggunaan data kontinu

dengan skala minimal ordinal. Pada penerapan uji keselarasan sampel tunggal

K-S, terdapat dua buah fungsi distribusi kumulatif yang dianalisis yaitu

distribusi kumulatif yang dihipotesiskan dan distribusi kumulatif yang teramati.

(Law dan Kelton, 2000).

Keunggulan dari penggunaan Kolmogorov-Smirnov sebagai penguji

keselarasan goodness of fitness test adalah uji ini tidak membutuhkan

pengelompokan data seperti khi-kuadrat sehingga tidak ada informasi yang

hilang dari data. Hal tersebut dapat menghilangkan masalah spesifikasi interval

yang berarti akan memberi kesempatan data diuji dengan semua distribusi yang

lebih luas di banding dengan khi-kuardrat. Keuntungan lain dari penggunaan

Kolmogorov-Smirnov ialah tes ini tepat untuk semua ukuran n (untuk kasus

semua parameter yang telah diketahui) sehingga lebih kuat (powerfull) dalam

22

pembandingan dengan banyak fungsi distribusi, dibandingkan dengan tes khi-

kuadrat (Law dan Kelton, 2000).

Kelemahan dari tes Kolmogorov-Smirnov ialah rentang kemampuan

aplikasinya lebih terbatas dibandingkan dengan tes khi-kuadrat oleh karena

untuk data diskret nilai kritis yang dibutuhkan tidak tersedia, melainkan harus

dihitung dengan menggunakan komputer menggunakan sejumlah formula yang

rumit. Selain itu oleh karena bentuk asli Kolmogorov-Smirnov valid jika

distribusi tersebut kontinu dan semua parameter distribusi hipotesis telah

diketahui, dengan kata lain parameter tidak dapat dianalisis dari data. Namun

saat ini penggunaan Kolmogorov-Simrnov telah diperluas sehingga mampu

mengestimasi beberapa parameter untuk distribusi normal, log normal,

eksponensial, weibull dan log-logistik (Law dan Kelton, 2000).

Uji Kolmogorov-Smirnov dilakukan untuk menguji tingkat kesesuaian

antara distribusi hasil pengamatan dengan distribusi teoritis tertentu. Tes ini

memusatkan perhatian pada penyimpangan terbesar yang dinotasikan dengan

D. Nilai ini dapat dihitung dengan persamaan berikut :

D = Max |fo(x) Sn(x) | , dengan :

Fo (x) = Suatu fungsi distribusi frekuensi kumulatif teoritis

Sn (x) = Suatu fungsi distribusi frekuensi kumulatif pengamatan dari

suatu sampel acak.

Pada uji Kolmogorov-Smirnov sebagai hipotesa nol adalah Fo(x) =

Sn(x), sedangan hipotesa tandingannya adalah Fo(x) tidak sama dengan Sn(x).

Keputusan dihasilkan dengan membandingkan nilai D yang dihasilkan dengan

nilai kritiknya pada tingkat kepercayaan 90% apabila nilai D lebih kecil dari

nilai kritiknya maka hipotesa nol dapat diterima (Steel dan Torrie, 1991).

D. Model

Model adalah pendekatan atau abstraksi dari suatu sistem yang

dikembangkan untuk tujuan studi. Model berisikan hal-hal (variabel) yang

relevan dengan sistem nyata yang ada. Observasi dalam sebuah sistem dapat

menjadi dasar dalam pembentukan sebuah model (Law dan Kelton, 2000).

23

Ada lima tipe model yang sering diaplikasikan dalam dunia nyata yaitu :

model fisik, model, matematik, model deskriptif, model prosedural dan model

simulasi (Maarif, 2003)

1. Model fisik

Dasar dari model fisik ialah analogi.

2. Model Deskriptif

Model deskriptif bersifat kualitatif.

3. Model Matematik

Model matematik terdiri dari simbol-simbol matematik atau

persamaan untuk menjelaskan suatu sistem. Atribut model adalah

variabel dan aktivitas model adalah fungsi.

Model matematika dapat dikelompokkan dalam tiga dimensi

yaitu pengaruh waktu, tingkat keyakinan, dan kemampuan

mencapai tingkat optimasi

a. Model statis atau dinamis

Model statis tidak menyatakan waktu sebagai variabel. Model

ini berkaitan pada suatu titik waktu tertentu. Model yang

menyertakan waktu sebagai variabel ialah model dinamis.

Model ini menggambarkan perilaku entitas dari waktu ke waktu.

b. Model probalistik atau deterministik

Probilita adalah peluang terjadinya sesuatu yang berkisar antara

0,00 (Sama sekali tidak) hingga 1,00 (Sama sekali pasti). Model

yang mencakup probabilita adalah model probalistik sebaliknya

adalah model deterministik.

c. Model optimasi atau suboptimasi

Model optimasi adalah model yang memilih solusi terbaik dari

berbagai alternatif. Agar dapat mencapai hal ini, masalah harus

terstruktur dengan baik. Model suboptimasi sering disebut

satisfiying model, oleh karena solusi terbaik diserahkan pada

pengguna.

24

4. Model prosedural

Model prosedural terdiri dari flowchart yang menjelasan

langkah-langkah yang terjadi dalam sistem.

5. Model Simulasi

Model simulasi adalah gabungan dari model prosedural dan

model matematik.

E. Teknik Heuristik

Program heuristik merupakan pengembangan operasi aritmatika dan

matematika logika. Ciri-ciri program heuristik secara umum : 1) adanya

operasi aljabar, yaitu penjumlahan, pengurangan dan perkalian; 2) adanya

perhitungan bertahap; 3) mempunyai tahapan terbatas sehingga dapat dibuat

algoritma komputernya (Gautney, 1995)

Teknik heuristik tidak menjamin diperolehnya pemecahan optimal tetapi

menjamin pemecahan yang memuaskan pengambil keputusan (Bedworth dan

Bailey, 1982). Pengembilan keputusan menggunakan aturan situasi/aksi. Jika

(s1..sn), maka (a1..an). (s1..sn) merupakan situasi yang dinyatakan dengan

operasi dan; (a1..an) adalah aksi atau keputusan yang diambil (Gautney, 1995).

F. Simulasi

Simulasi adalah suatu aktifitas dimana pengkaji dapat menarik

kesimpulan-kesimpulan tentang perilaku model yang selaras, dimana hubungan

sebab akibat terjadi seperti pada sistem yang sebenarnya. Dengan demikian,

simulasi berkepentingan dalam pembentukan serta pemanfaaatan model-model

yang secara realistis memplotkan perkembangan sistem sesuai jalur waktu.

Simulasi lebih menunjukkan suatu estimasi statistik, dibandingkan hasil eksak

yang lebih cenderung hanya merupakan suatu perbandingan dari berbagai

alternatif untuk mencapai titik optimum (Eriyatno, 1999 di dalam Sipahelut

(2002)).

Menurut subagyo et. al (1989) simulasi merupakan duplikasi atau

abstraksi persoalan dalam kehidupan nyata yang bersifat luwes sesuai dengan

keperluan sistem yuang sebenarnya. Selain itu keuntungan menggunakan

25

Sistem

Model

X, σP(x) n = N

n = n +1

Bilangan AcakVariabel Acak

Ya

Tidak

Gambar 5. Skema Simulasi Stokastik (Gottfried, 1984)

simulasi antara lain dapat memberikan jawaban bila model analitik yang

digunakan tidak memberikan solusi yang optimal.

Model simulasi yang diklasifikasikan berdasarkan dimensinya terdiri dari

model statis dan dinamis. Model simulasi statis, biasanya direkayasa guna

mewakili suatu sistem yang pada keadaaan tertentu tidak berperan aktif,

sebaliknya model simulasi dinamis mewakili suatu sistem yang berubah-ubah

sesuai perubahan dimensi waktu atau yang lainnya. Salah satu contoh model

statis ialah model-model simulasi monte carlo (Eriyatno, 1999 di dalam

Sipahelut ,2002).

Simulasi probalisatik atau simulasi monte-carlo, mempunyai kelebihan

karena simulasi ini dapat diatur jumlah ulangan simulasinya sesuai yang

dikehendaki dalam rangka memperoleh peubah acak dengan simpangan baku

kecil.

Untuk menguji kecukupan simulasi digunakan perhitungan dengan rumus

sebagai berikut (Gottfried, 1984) :

26

Dimana :

N = Panjang hari simulasi

n = Jumlah data pengamatan

= Standar deviasi pengamatan

* = Standar deviasi pada tingkat kepercayaan tertentu

Dalam simulasi monte carlo terdapat dua bagian yaitu bilangan acak dan

variabel acak, yaitu pembangkitan bilangan acak yang digunakan untuk input

simulasi dan pembangkitan variabel acak yang berfungsi untuk menjadi model

distribusi data yang dibangkitkan.

Untuk sampel acak yang berdistribusi normal, pembangkitan variabel

acak (X) menggunakan rumus sebagai berikut :

, dengan :

X = Variabel acak

µ = Rata-rata sampel pengamatan

= Standar deviasi pengamatan

Z = Jumlah bilangan acak yang digunakan

Untuk menghitung nilai Z, rumus yang digunakan adalah

, dengan :

N = Jumlah hari simulasi

Ui = bilangan acak

Sedangkan variabel acak dengan distribusi empirik dibangkitkan dengan

rumus berikut :

, dengan :

Xi = Variabel acak ke-i

U = Bilangan acak

Xki = Distribusi peluang frekuensi kumulatif

Xui = Batas atas kelas data pengamatan ke-i

Xli = Batas bawah kelas data pengamatan ke-i

27

G. Verifikasi dan Validasi

Verifikasi merupakan proses penentuan apakah model simulasi yang

dibuat telah sesuai dengan yang diinginkan. Hal tersebut dapat dilakukan

dengan beberapa cara, yakni :

1. Tes data : Mengevaluasi setiap kejadian yang mungkin,

mempersiapkan data masukan secara khusus dan kemampuan

program pada kondisi ekstrim.

2. Tulis dan debug prodram dalam modul-modul atau subprogram-

subprogram

3. Di uji oleh banyak orang.

4. Run pada asumsi penyerdehanaan dimana model simulasi dapat

dihitung dengan mudah.

5. Lihat Hasil Simulasi.

(Maarif,2006)

Validasi model dilakukan untuk mengetahui apakah model yang telah

dibuat sesuai dengan kondisi nyata. Uji yang dapat dilakukan salah satunya

ialah dengan menggunakan uji-t (distribusi student). Uji t menguji kesamaan

nilai tengah (µ) antara dua populasi dengan hipotesis sebagai berikut :

H0 :

H1 :

Hipotesis tersebut diterima ataupun ditolak dengan menggunakan nilai t,

apabila nilai thitung masuk ke dalam wilayah kritis yakni < t /2 dan > -t /2 maka

H0 akan di tolak dan H1 akan diterima, sebaiknya jika t diluar wilayah kritis

maka H0 diterima dan H1 akan ditolak. Perhitungan nilai t dihitung dengan

rumus :

dengan : X1 = Rata-rata data pengamatan

X2 = Rata-rata data hasil simulasi

28

1 = Standar deviasi pengamatan

2 = Standar deviasi hasil simulasi

n1 = Jumlah Data pengamatan

n2 = Jumlah Data hasil simulasi

(Hasan, 2001)

H. PENELITIAN TERDAHULU

Djamaris (1984), telah melakukan simulasi model antrian sistem

transportasi tebu di PT. PG Kebon Agung, Malang dengan output berupa rata-

rata waktu antar kedatangan dan kecepatan pelayanan.

Sitompul (1984) telah melakuan perancanaan sistem antrian transportasi

tebu di PG Sei Semayang PT. Perkebunan IX Medan, dengan hasil simulasi

berupa waktu antar kedatangan, rata-rata panjang antrian, rata-rata fraksi

menganggur fasilitas pelayanan dan biaya total antrian.

Edikustianto (1986), mengaplikasikan teknik antrian dala

mendayagunakan fasilitas bongkar tebu di PT. PG Kebun Agung, Malang

dengan Output berupa rata-rata waktu tunggu, rata-rata panjang antrian dan

rata-rata fraksi mengunggu fasiitas pelayanan.

Arieta (1988) telah melakukan analisa sistem antrian penanganan susu

segar di daerah peternakan bandung utara, jawa barat, dengan hasil berupa

kebijakan operasional dalam menentukan kebutuhan fasilitas pelayanan untuk

menghadapi produksi susu yang terus meningkat.

Riwu (2002) melakukan penelitian mengenai pengaruh rekayasa model

antrian aliran bahan terhadap tingkat produktivitas proses pengolahan live

shrimp head on boiled frozen di PT. Dipasena Citra Darmaja, Lampung dengan

hasil rata-rata waktu tunggu, rata-rata keseluruhan waktu dalam sistem

produksi, rata-rata material terproses.

Andika (2002) melakukan simulasi sistem antrian pola aliran bahan pada

pengolahan udang beku dengan program QSS dengan hasil kombinasi

komponen pelayanan terbaik.

Tandililing (2003) melakukan analisis rekayasa sistem antrian aliran

bahan terhadap produktivitas proses pengolahan fillet ikan beku. Dengan hasil

perbaikan sistem antrian terhadap bahan yang terproses.

29

Henryardinanto (2003) melakukan analisis sistem antrian udang di PT.

Dipasena citra darmaja, lampung dengan hasil berupa perbaikan model antrian.

Aggraini (2005) melakukan penelitian mengenai waktu standar kerja dan

analisis keseimbangan lini produksi pada industri pengolahan udang beku

(studi kasus di PT. Central Pertiwi Bahari, Lampung). Dengan hasil berupa

standar waktu kerja serta pebaikan kinerja sistem antrian.

III. METODE PENELITIAN

A. KERANGKA PEMIKIRAN

Ketidakseimbangan antara jumlah input bahan baku dengan kemampuan

pelayanan lini produksi dalam industri pengolahan ikan fillet beku dapat

menimbulkan permasalahan dalam hal produktivitas industri tersebut. Antrian

yang terjadi selama bahan baku menunggu untuk diproses sebagai akibat dari

kemampuan pelayanan yang tidak mampu menangani pemasukan bahan baku

secra maksimal dapat menimbulkan kerugian biaya akibat penurunan kualitas

bahan baku serta kerusakan bahan baku selama menunggu. Rendahnya utilitas

pelayanan juga akan menimbulkan permasalahan pada efisiensi penggunaan

sumber daya yakni terjadinya inefisiensi.

Analisa sistem antrian lini produksi merupakan suatu cara yang dapat

dilakukan untuk membantu memahami permasalahan pada kegiatan proses

produksi. Agar terhindar dari kerugian biaya dan penggunaan sumber daya

yang tidak maksimal, pengembangan model antrian dapat menjadi salah satu

titik perbaikan untuk meningkatkan produktivitas di dalam industri pengolahan

tersebut.

Pengembangan model antrian dilakukan dengan cara menganalisis

komponen sistem antrian lini produksi fillet ikan beku PT. Global Tropical

Seafood yakni distribusi kecepatan kedatangan bahan baku dan distribusi

kecepatan pelayanan operator. Oleh karena kedua komponen tersebut bersifat

probalistik maka model tersebut belum tentu sesuai dengan model baku yang

memiliki asumsi-asumsi khusus. Dalam hal ini teknik simulasi yang bersifat

stokastik dapat diterapkan dalam rangka mencari solusi yang memuaskan dan

realistis.

Simulasi sistem antrian dengan menggunakan pendekatan berencana,

memiliki tujuan utama untuk menguraikan masalah, mengembangkan dan

menetapkan model-model kuantitatif untuk masalah yang spesifik. Komponen-

komponen yang terlibat dalam pendekatan berencana ialah data yang sesuai,

serta teknik yang digunakan dalam menyelesaikan masalah.

31

Hasil analisis tersebut akan berguna untuk menjadi sebuah parameter

perbaikan model antrian. Pengembangan model antrian yang memberi kinerja

lebih baik dapat diindikasikan dengan menjadi minimalnya waktu tunggu

bahan sesaat sebelum di proses dan maksimalnya utilitas operator.

B. PENDEKATAN BERENCANA

Thierauf dan Klekamp (1975) di dalam Indriarti (1997) menyatakan

bahwa pendekatan berencana dapat digunakan untuk menguraikan

permasalahan seperti pertentangan-pertentangan secara obyektif, kebijaksanaan

dan alternatif-alternatif yang memiliki tujuan utama mengembangan serta

menerapkan model-model kuantitatif pada masalah-masalah spesifik.

Tahapan berencana terdiri dari 6 (enam) langkah, yaitu (1) observasi

lapang untuk mengetahui permasalahan yang terjadi secara nyata, (2)

menentukan faktor-faktor yang mempengaruhi permasalahan yang terjadi, (3)

pengembangan alternatif melalui analisis data dan variabel keputusan serta

kendala yang ada, (4) pemilihan penyelesaian optimum, (5) pembuktian

penyelesaian optimum melalui implementasi, (6) membuat kendali yang tepat

untuk mendeteksi perubahan yang mungkin terjadi, serta formulasi

permasalahan yang mengandung umpan balik terhadap observasi awal. Skema

tahapan berencana secara lengkap dapat dilihat pada gambar 6.

32

Gambar 6. Skema Tahapan Pendekatan Berencana (Thierauf dan Klekamp

1975, di dalam Indriati, 1997).

C. TATA LAKSANA

1. Kajian Pustaka dan Observasi Lapang

Kajian pustaka dilakukan untuk mempelajari teori antrian. Observasi

lapang dilakukan dengan cara mengamati secara langsung kegiatan produksi

pada industri yang bersangkutan untuk mengetahui kondisi lapangan.

2. Identifikasi Masalah

Identifikasi masalah merupakan observasi terhadap gejala permasalahan

nyata dalam hal sistem antrian seperti idle time, kecepatan kedatangan

bahan baku dan kondisi fasilitas pelayanannya.

3. Formulasi Masalah

Pembuatan formulasi permasalahan dilakukan berdasarkan identifikasi

sistem dilakukan secara heuristik maupun prosedural yang bertujuan untuk

mengetahui kebutuhan data.

33

4. Pengambilan Data

Data yang dibutuhkan antara lain data jumlah bahan baku, data waktu

proses, waktu kedatangan, waktu pelayanan serta data kapasitas fasilitas

pelayanan dan target produksi. Data primer dikumpulkan dengan mencatat

waktu proses dan waktu antar kedatangan dengan bantuan stop watch. Data

sekunder seperti kapasitas fasilitas antrian, kapasitas antrian dan sistem

antrian dikumpulkan dari berbagai pihak yang terkait dalam manajemen

produksi dan dari sistem pelaporan yang telah ada sebelumnya.

5. Pengolahan Data

Pengolahan data dilakukan untuk mentranformasi data yang ada menjadi

sebuah informasi yang berguna untuk menjadi parameter pengembangan

model antrian yang ada. Pengolahan data ini dilakukan secara statistik

sehingga akan mendapat sebuah kesimpulan informasi.

6. Pengembangan Model Antrian

Pada tahap ini dilakukan modifikasi pada model yang ada sehingga

sesuai membuat perbaikan yang lebih baik berdasarkan parameter yang

telah ditentukan sebelumnya.

7. Validasi dan Verifikasi

Model yang telah disusun di verifikasi dan divalidasi dengan

menggunakan data aktual yang diperoleh.

34

Gambar 7. Diagram Tahapan Penelitian

Mulai

Identifikasi Sistem

Pengambilan Data

Uji Distribusi Data

Analisa Model

Sesuai denganasumsi model ?

Penyelesaiandengan model

baku

Penyelesaiandengan model

simulasi

Ya

Valid ?Analisa Perbaikan

Sistem

Skenario baru

Kinerja lebihbaik ?

Model Akhir

Selesai

Tidak

Ya

Tidak

Tidak

Valid ?

Tidak

Ya

IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL

TROPICAL SEAFOOD

A. Sistem Produksi Fillet Ikan Beku

Industri perikanan beku merupakan sebuah industri yang mengolah hasil

perikanan baik darat maupun laut dengan cara mempertahankan mutu produk

perikanan tersebut dengan cara membekukannya. Industri ini sangat

mengutamakan mutu dalam kegiatan operasionalnya. Cakupan pasarnya yang

berorientasi ekspor membuat standar mutu yang harus dicapai industri tersebut

semakin tinggi akibat dari regulasi sistem tata niaga ekspor-impor dan ketatnya

persaingan pasar.

PT. Global Tropical Seafood merupakan salah satu perusahaan dibawah

holding company PT. Kemila International bersama dengan PT. Kemilau

Bintang Timur dan PT. Salam Daya Mina yang bergerak di industri perikanan

beku. Visi PT. Global Tropical Seafood ialah menjadikan perusahaan ini

sebagai perusahaan seafood kelas international dengan produk yang

berkualitas, harga kompetitif, suplai yang kontinu dan jaminan kepuasan

konsumen. Visi tersebut ditunjang dengan sebuah misi yakni selalu melakukan

pengembangan produk dan melaksanakan kegiatan produksi sesuai dengan

prosedur yang diterapkan. Tujuan utama PT. Global Tropical Seafood ialah

menciptakan lapangan kerja bagi masyarakat serta memperoleh keuntungan

yang optimal.

Produk yang pernah dihasilkan oleh PT. Global Tropical Seafood antara

lain adalah fillet ikan beku, rajungan kalengan, kerang, serta steak tenggiri.

Produk fillet ikan beku merupakan salah satu produk unggulan PT. Global

Tropical Seafood yang di ekspor ke pasar Eropa, Amerika dan Asia Timur.

Salah satu hal yang membuat fillet ikan beku menjadi produk unggulan PT.

Global Tropical Seafood adalah karena permintaannya yang relatif lebih tinggi

dibanding produk lainnya dari pasar. Hal ini merupakan sebuah kepercayaan

pasar terhadap mutu produk fillet PT. Global Tropical Seafood.

36

Proses produksi fillet ikan beku di PT. Global Tropical Seafood

merupakan proses produksi yang mempunyai sifat kedatangan bahan baku

yang probalistik dan sistem produksinya bersifat padat karya. Bahan baku yang

digunakan PT. Global Tropical Seafood untuk menghasilkan produk fillet

adalah hasil perikanan laut seperti ikan kakap merah, kerapu, layur, kurisi,

lencam, mahi-mahi dan lain sebagainya. Namun terkadang dapat juga berasal

dari hasil perikanan darat seperti nila, lele dan lain sebagainya sesusai dengan

permintaan pasar. Bahan baku Hasil perikanan laut didapat dari para pemasok

bahan baku yang mengumpulkan ikan dari para nelayan sekitar jawa dan

sumatra, sedangkan hasil perikanan darat dikumpulkan dari tambak-tambak

budidaya yang menghasilkan ikan sesuai dengan kebutuhan.

Bahan baku yang dapat diterima oleh PT. Global Tropical Seafood untuk

digunakan sebagai bahan baku produksi fillet adalah yang memiliki ketentuan

mutu sebagaimana yang ditunjukkan pada Tabel 3.

Tabel 3. Ketentuan mutu bahan baku fillet ikan bekuPenerimaan Size (gram) Kriteria Mutu

Diterima

3000-Up1000-3000300-1000

< 300

# Mata jernih# Sisik melekat kuat# Insang berwarna merah dan berbau khas ikan segar# Daging kenyal

Ditolak

3000-Up1000-3000300-1000

< 300

# Terdapat bercak putih pada daging# Mata redup, kornea mata tidak jernih# Insang berwarna coklat, berlendir dan berbau busuk# Daging lembek# Permukaan kulit kusam dan berlendir putih# Cacat Fisik

Jenis fillet ikan beku yang dihasilkan oleh PT. Global Tropical Seafood

dibuat berdasarkan permintaan yang ada. Spesifikasi produk fillet ikan beku

dapat diklasifikasikan berdasarkan kulit, bentuk dan perlakuan. Berdasarkan

kulitnya produk fillet ikan beku dapat dihasilkan dalam bentuk skin on (dengan

kulit) atau Skinless (tanpa kulit). Berdasarkan bentuknya produk fillet dapat

dibuat dengan bentuk potongan portion cut, natural cut, dan one cut. Untuk

perlakuan disini ialah berupa produk fillet ikan beku smoke yakni adanya

produk fillet ikan beku yang diinjeksi menggunakan gas CO sehingga

menimbulkan warna kemerahan pada daging ikan.

37

Proses pembuatan fillet ikan beku sendiri dapat dilihat pada diagram alir

proses pada Gambar 8 dan Gambar 9.

Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO

Trimming

Washing III

Sorting & Sizing

Skinning

Raw Material

FilletingScaling

Filleting

Washing II

Washing I

Boning

Weighing I

Freezing

Packing & Labeling

Storing

Stuffing

Final Washing

Wrapping & Layering Vacuuming & Layering

Skin On Skinless

38

Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO

Skin OnSkinless

Filleting

Raw Material

Scaling

Filleting

Washing II

Washing I

CO Application

Trimming

Sorting & Sizing

Packing in the Plastic Bag

Skinning

Boning

Curing

Trimming II (Optional)

Weighing I

Wrapping

Vacuuming

Freezing

Packing & Labeling

Storing

Stuffing

Layering

39

Dalam menjalankan proses produksi fillet ikan beku PT. Global Tropical

Seafood membagi pekerjaan dalam beberapa tahap proses ke dalam setiap

stasiun. Lini produksi fillet ikan beku PT. Global Tropical Seafood terdiri dari

13 Stasiun kerja yang 4 dari stasiun tersebut merupakan stasiun bersama yang

mengolah bahan baku ataupun produk dari lini produksi lainnya. Setiap stasiun

berisi sejumlah operator yang bertugas untuk menjalankan fungsi produksinya.

Sistem produksi tersebut merupakan faktor yang mempengaruhi terjadinya

antrian pada sistem antrian fillet ikan beku. Berikut merupakan penjelasan

tentang masing-masing stasiun kerja.

1. Stasiun Penerimaan

Stasiun ini berfungsi sebagai area penerimaan bahan baku yang datang

dari para pemasok (Supplyer) bahan baku. Pada stasiun ini secara umum

bahan baku yang masuk akan dibilas dengan air, kemudian ditimbang.

Area ini menangani seluruh bahan baku yang akan masuk ke lini produksi.

Pembilasan dengan air bertujuan untuk membersihkan bahan baku dari

kotoran ataupun benda asing selain bahan baku. Penimbangan pada stasiun

ini bertujuan untuk mengetahui kesesuaian jumlah bahan baku yang masuk

dengan klaim dari pemasok (Supplyer). Proses yang terjadi ialah bongkar

muat dari truk yang mengangkut bahan baku kemudian jika bahan baku

berupa jenis ikan segar maka akan di bilas, disortasi berdasarkan ukuran,

serta di timbang. Untuk ikan yang datang dalam keadaan beku maka akan

ditimbang saja. Untuk bahan baku selain ikan seperti kerang, bekutak dan

cumi-cumi cukup dibilas dan ditimbang. Stasiun ini juga merupakan

stasiun tempat pemutusan kelayakan mutu bahan baku untuk diterima atau

tidak sesuai dengan ketentuan yang berlaku.

2. Stasiun Arahan Produksi

Setelah bahan baku di terima oleh pabrik melalui stasiun penerimaan maka

selanjutnya bahan baku masuk ke area produksi yakni ke stasiun arahan

produksi, stasiun ini berfungsi sebagai stasiun yang memberi kode atau

label pada setiap bahan baku dan mengarahkan alur bahan baku untuk

pemilihan lini produksi. Proses yang terjadi di stasiun ini ialah

40

penimbangan bahan baku serta pemberian label produksi. Arahan produksi

yang diberikan stasiun ini didasarkan dari rencana produksi yang

dikeluarkan oleh departement PPIC (Production Planning & Inventory

Control). Secara umum bahan baku kerang akan masuk ke lini produksi

kerang, bahan baku bekutak akan masuk ke lini produksi WR, bahan baku

tenggiri akan masuk ke lini produksi steak, dan untuk ikan segar akan

masuk ke lini fillet, butterfly, WGGS.

3. Stasiun Penyisikan

Stasiun penyisikan merupakan stasiun yang menjadi bagian dari lini

produksi fillet ikan beku. Stasiun ini menerima bahan baku dari stasiun

arahan produksi dengan label produk Skin On. Secara umum jenis ikan

yang diterima di stasiun ini ialah jenis ikan kakap. Proses yang dilakukan di

stasiun ini ialah penghilangan sisik yang dilakukan secara manual oleh

operator menggunakan alat bantu berupa kikir khusus sisik. Setelah ikan

disisik kemudian dicelup dengan larutan klorin 50 ppm dan dibilas dengan

menggunakan air agar tidak ada sisik atau sisa kotoran yang menempel

pada ikan. Penggunaan larutan klorin bertujuan untuk meminimasi jumlah

bakteri yang ada pada tubuh ikan. Pada tahap ini bobot ikan akan

mengalami penyusutan sebesar ± 2 % akibat kehilangan sisik.

4. Stasiun Filleting

Stasiun filleting menerima bahan baku dari stasiun arahan produksi dan

stasiun penyisikan. Pada stasiun ini ikan yang diterima akan disayat

menjadi satu potongan utuh dari tiap sisi yang untuk memisahkan daging

ikan dari tulangnya. Hasil dari stasiun ini adalah berupa dua keping

potongan ikan dengan limbah berupa kepala, tulang dan buntut ikan.

Potongan ikan tersebut akan di proses ke stasiun selanjutnya, sedangkan

limbah akan dipindahkan ke ruang penanganan limbah. Rendemen yang

diperoleh dari hasil filleting ialah 45 - 58 % dari bobot bahan ikan dari

stasiun sebelumnya. Pada stasiun ini keahlian operator menjadi kunci

penting dalam menjaga kecepatan proses dan rendemen karena dibutuhkan

keterampilan khusus untuk menyayat ikan menjadi potongan dengan

bentuk yang baik.

41

5. Stasiun Trimming

Stasiun ini menerima bahan ikan yang berasal dari stasiun sebelumnya

yakni stasiun filleting. Terdapat beberapa proses pengerjaan yakni

deboning, deskinning dan trimming. Proses boning sendiri merupakan

proses penghilangan duri dari daging ikan, dengan menggunakan pinset

operator pada stasiun ini mencabut duri-duri ikan dari dalam daging. Proses

skinning dilakukan untuk produk fillet ikan skinless yakni daging ikan

dikuliti sehingga tidak ada kulitnya untuk produk ikan skin on tidak

dikuliti. Proses trimming merupakan proses perapihan bentuk daging ikan,

dengan menggunakan pisau, daging ikan yang diterima dibuang sisi-sisinya

yang tidak bagus sehingga menjadi baik tampilan dan bentuknya.

Rendemen yang diperoleh ialah 70 - 88 % dari bobot bahan ikan dari

stasiun sebelumnya.

6. Stasiun Washing

Setelah ikan melalui stasiun trimming ikan tersebut di cuci dengan

menggunakan larutan klorin 30 ppm di stasiun washing ini. Pencucian

dilakukan dengan cara merendam ikan di dalam larutan sambil dibersihkan

agar sisa duri maupun kotoran lainnya hilang.

7. Stasiun Sizing

Ikan yang telah dicuci, kemudian oleh stasiun sizing dipotong sesuai jenis

potongan yang ditentukan (portion cut,natural cut,one cut, finger) sesuai

dengan label arahan produksi. Setelah ikan di bentuk potongan tertentu

kemudian ikan di sortir sesuai ukurannya berdasarkan bobotnya. Standar

beratnya dapat dilihat pada Tabel 4.

Tabel 4. Bobot standar fillet

Ukuran Satuan

Finger Pieces

4 - 6 oz/pcs

6 - 8 oz/pcs

8 - 10 oz/pcs

42

8. Stasiun Panning

Setelah tersortasi ikan dengan label produksi non CO akan masuk ke

stasiun panning. Stasiun ini akan mencuci kembali ikan yang ada dengan

larutan klorin 20 ppm dan kemucian dicuci kembali dengan larutan klorin 0

ppm yang bertujuan untuk menghilangkan kadar klorin dalam tubuh ikan.

Setelah di cuci ikan akan dibungkus dengan plastik. Pembungkusan ini

terdapat dua tipe, yang pertama ialah tipe IWP (Individually Wrapping

Pack) dan yang kedua ialah dengan vacuum pack. Setelah daging ikan

dibungkus, daging ikan di susun ke dalam pan alumunium sesuai dengan

jenis produksinya, antar tumpukan ikan diberi pembatas (layer) dari plastik

untuk membedakan tiap jenis produk dan menghindari penempelen dengan

pan akibat pembekuan.

9. Stasiun Bagging

Ikan yang masuk ke stasiun ini ialah ikan dari stasiun sizing yang berlabel

produksi CO. Stasiun ini mencuci ikan yang masuk dengan larutan klorin

20 ppm dan kemucian dicuci kembali dengan air bersih yang bertujuan

untuk menghilangkan kadar klorin dalam tubuh ikan. Setelah itu setiap

potong ikan dimasukkan ke dalam sebuah kantong plastik, kemudian gas

CO diinjeksikan kedalam kantong tersebut hingga kantong penuh dengan

gas. Kantong yang telah terisi dengan gas akan di seal dengan sealer.

10. Stasiun Curing

Stasiun ini merupakan sebuah tempat penyimpanan ikan yang telah di

injeksi CO. Lama penyimpanan ialah lamanya sekitar satu hari dengan

suhu berkisar antara 0 sampai 5 oC. Penyimpanan ini dilakukan untuk

menunggu agar gas CO yang telah diinjeksi sebelumnya menyerap ke

dalam daging. Penyerapan CO pada daging ikan akan memberi efek

perubahan warna daging menjadi kemerahan. Kapasitas penyimpanan

stasiun curing adalah 20 ton.

11. Stasiun After Curing

Ikan yang berasal dari ruang curing di proses selanjutnya di stasiun after

curing ini. Stasiun ini mengeluarkan ikan dari kantong plastik CO dan

memeriksa keberhasilan penyerapan CO. Keberhasilan penyerapan di lihat

43

dari daging yang akan berwarna kemerahan, jika CO tidak terserap dengan

baik daging akan berwarna kehijauan. Ketika daging berwarna kehijauan

di bagian pinggir ikan maka ikan tersebut akan dirapihkan dengan cara

menghilangkan bagian tersebut menggunakan pisau (trimming). Daging

ikan yang sudah rapih kemudian dikemas dengan vacuum packing. Setelah

ikan selesai dibungkus ikan tersebut disusun kedalam pan alumunium,

antar tumpukan ikan di beri pembatas (layer) dari plastik untuk

membedakan tiap jenis produk dan menghindari penempelen dengan pan

akibat kondisi beku.

12. Stasiun Freezing

Fillet ikan yang telah disusun dalam pan akan masuk ke stasiun freezing

bersama-sama dengan produk selain fillet yang telah tersusun dalam pan.

Stasiun Freezing disini menggunakan alat pembekuan berjenis ABF (Air

Blast Freezer) yang bekerja dengan prinsip kerja yakni penukaran kalor

dengan cara menghembuskan udara dingin menggunakan kipas dan pipa

pendingin kecepatan tinggi. Stasiun freezing di PT. Global Tropical

Seafood ini mempunyai tiga ruang ABF dengan kapasitas masing-masing

6500, 6000, 5500 Kilogram. Proses pembekuan stasiun ini sendiri berjalan

dengan cara pan yang ada disusun dalam sebuah rak kemudian

dimasukkan ke dalam ruang ABF hingga kapasitas ruang ABF penuh.

Setelah ruang ABF terisi penuh maka alat tersebut baru di jalankan. Suhu

pembekuan di ruang ABF berkisar antara -30 sampai -40oC dengan lama

pembekuan selama 8 jam.

13. Stasiun Packing

Seluruh produk yang keluar dari stasiun Freezing akan diterima di stasiun

ini untuk dikemas sesuai pesanan. Stasiun ini mengemas sesuai label

produk arahan produksi untuk produk steak akan di glazing terlebih dahulu

sebelum dikemas dalam kantong dan di vacuum. Untuk produk fillet ikan

dari pan akan ditimbang ulang untuk mengetahui memeriksa ulang bobot

ikan yang akan dimasukkan ke dalam inner carton dan master carton.

Jenis kemasan disesuaikan dengan pesanan yang ada.

44

Jam kerja yang diterapkan oleh PT. Global Tropical Seafood untuk

semua lini produksi ialah mulai dari pukul 08.00 hingga 16.00 dengan waktu

istirahat satu jam yakni dari pukul 12.00 hingga 13.00 yang jika dijumlah

menjadi tujuh jam kerja efektif. Namun untuk stasiun kerja packing waktu

kerja dibuat menjadi tiga shift yang beroperasi selama 24 jam, dengan

pembagian shift sebagai berikut, Shift I bekerja dari pukul 08.00 hingga 16.00,

Shift II bekerja dari pukul 16.00 hingga 24.00, dan Shift III bekerja mulai

pukul 24.00 hingga 08.00. Shift II dan shift III merupakan shift tambahan yang

hanya diadakan jika dibutuhkan.

Shift tambahan itu diadakan sesuai kepentingan perusahaan dalam rangka

memenuhi permintaan pasar dan juga dapat disebabkan oleh karena adanya

produk yang selesai di bekukan pada waktu-waktu di luar jam kerja lini

produksi. Kebijakan untuk mengadakan shift tambahan ini dikendalikan oleh

manajer bagian perencanaan produksi. Untuk hari kerja sendiri perusahaan

menerapkan enam hari kerja dari hari senin hingga sabtu. Namun jika terdapat

bahan baku yang perlu diproses maka akan ada hari produksi tambahan di hari

minggu.

Di dalam setiap stasiun kerja terdapat seorang PJ (penanggung jawab)

yang bertanggung jawab terhadap kelancaran proses pada stasiun kerja yang

diawasinya. Tanggung jawb yang diberikan antara lain ialah mencatat jumlah

bahan yang terproses dan mengarahkan operator di stasiun kerja tersebut untuk

bekerja sesuai dengan yang diinginkan oleh perusahaan serta mengingatkan

para operator untuk tetap fokus pada pekerjaannya. PJ di dalam stasiun tersebut

tidak bekerja seperti operator, melainkan hanya mengawasi anggota kerja di

stasiun tersebut.

Seluruh stasiun kerja didalam lini produksi fillet ikan mempunyai urutan

yang tetap sesuai dengan tahapan proses yang dibuat. Untuk lebih jelasnya

pengurutan stasiun produksi lini produksi dan aliran bahan dalam lini produksi

fillet ikan beku ini dapat dilihat pada Gambar 10.

45

45

Produk Fillet SkinOn dan SkinLess Smoke

Produk Fillet SkinOn dan SkinLess SmokeProduk Fillet SkinOn dan SkinLess Non-Smoke

Produk Fillet SkinOn,SkinLess Smoke & Non Smoke

Stasiun Penyisikan(7 Org)

Supplyer

Stasiun Penerimaan(5 Org)

Stasiun Packing(3 Line @ 8 Org)

Freezing

Stasiun Filleting(5 Org)

Stasiun Trimming(2 Line @ 8 Org)

Stasiun Sizing (4 Org)

Stasiun Panning(6 Org)

Finished Product(Export)

Cold Storage

Raw Materials (Seluruh Produk)

Raw Materials (Seluruh Produk)

RM Produk Fillet SkinOn Smoke & Non Smoke

Stasiun Arahan Produksi(3 Org)

Supplyer

Supplyer

RM Produk Non-Fillet (Steak, WGGS, dsb)

Produk Fillet SkinOn Smoke & Non Smoke

Stasiun Bagging (2 Org)

CuringStasiun AfterCuring

(5 Org)

Produk Fillet Sk inOn dan SkinLess SmokeProduk Fillet SkinOn dan SkinLess Non-Smoke Produk Fillet SkinOn dan SkinLess Non-Smoke

Produk Non Fillet (WGGS, Kerang, Steak dsb)

Produk Fillet SkinLessSmoke & Non Smoke

Kett : Aliran ProdukFillet

Stasiun Washing(2 Org)



Batasan Sistem

Batasan Sistem

Gambar 10. Sistem Produksi Fillet Ikan Beku

46

B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku

Lini produksi di PT. Global Tropical Seafood secara umum merupakan

lini produksi yang bersifat dinamis oleh karena jenis bahan baku yang diterima

untuk diproses sesuai dengan jenis produk yang ada tidak selalu kontinu. Oleh

karena itu lini produksi yang terbentuk adalah berorientasi pada proses yang

akan dikerjakan. Lini produksi fillet ikan beku sendiri oleh perusahaan

dianggap sebagai lini produksi yang sifatnya kompleks oleh karena tidak

seperti lini produksi lainnya, lini produksi fillet ikan beku menghasilkan lebih

dari empat jenis varian produk sebagai akibat dari permintaan konsumen yang

beragam.

Kondisi aliran bahan di dalam lini produksi fillet ikan beku sesuai tata

letak yang diatur perusahaan ialah bahan yang bergerak dari stasiun ke stasiun

mempunyai waktu perpindahan yang sangat kecil, yakni dibawah dua detik.

Namun terdapat beberapa stasiun yang mempunyai waktu perpindahan bahan

yang lebih lama dari dua detik, seperti yang ditunjukkan oleh Tabel 5.

Tabel 5. Waktu perpindahan bahan antar stasiun

PengamatanKe -

Waktu Perpindahan Antar Stasiun (detik)StasiunPenyisikan KeStasiunFilleting

Stasiun AfterCuring & StasiunPanning KeStasiun Freezing

StasiunArahanProduksi KeStasiunFilleting

Stasiun ArahanProduksi KeStasiunPenyisikan

1 10,21 51,25 40,97 48,382 11,31 53,15 41,93 52,243 10,52 49,57 42,75 49,224 13,51 52,28 43,57 53,185 14,00 53,65 39,26 54,286 10,72 48,47 37,36 49,567 11,81 49,22 43,52 54,458 12,32 59,24 41,5 49,219 10,33 57,45 41,35 56,52

Rata- Rata 11,64 52,70 41,36 51,89

Gambaran ruang produksi di PT. Global Tropical Seafood dapat dilihat

pada lay out tata letak pabrik pada Lampiran 16.

Seperti yang telah diketahui sebelumnya jumlah stasiun kerja dalam

cakupan sistem produksi fillet ikan beku ialah sebanyak 13 stasiun kerja. Salah

47

satu stasiun kerja tersebut proses kerjanya berupa penyimpanan bahan. Stasiun

tersebut ialah stasiun curing, stasiun tersebut melakukan proses berupa

penyimpanan bahan yang dilakukan selama satu hari (waktu proses), sehingga

bahan yang dimasukkan pada hari ini akan diproses ke tahap selanjutnya pada

keesokannya.

Operator merupakan elemen penting yang menentukan waktu proses atau

pelayanan dalam stasiun tersebut. Jumlah operator dalam setiap stasiun tidak

berjumlah sama, oleh karena kebutuhan waktu pelayanan kerja yang berbeda,

kemampuan (skill) operator yang ada, serta jumlah peralatan yang tersedia.

Khusus untuk stasiun freezing dan stasiun curing tidak menggunakan operator,

melainkan mesin sehingga waktu pelayanan ditentukan oleh kapasitas mesin.

Selain jumlah operator dalam setiap stasiun kerja, terdapat elemen

kapasitas antrian di setiap stasiun kerja yang menentukan panjang antrian yang

diizinkan pada stasiun tersebut, jika panjang antrian melebihi kapasitas antrian

maka akan ada penolakan terhadap bahan distasiun tersebut. Namun oleh

karena sistem antrian disini merupakan sistem antrian produksi maka

penolakan tidak mungkin dilakukan karena bahan yang sudah masuk ke dalam

sistem antrian harus diproses hingga selesai, jika tidak dilakukan akan

menimbulkan kerugian biaya perusahaan akibat bahan baku yang terbuang

percuma. Penentuan kapasitas antrian setiap stasiun kerja didasarkan pada

kondisi fisik dalam sistem antrian tersebut. Selain kapasitas antrian, disiplin

antrian merupakan salah satu elemen penting yang diperhatikan dalam

membuat model yang berpengaruh pada pengaturan urutan bahan yang akan

masuk terlebih dahulu dalam setiap stasiun kerja. Untuk mengetahui jumlah

operator dalam setiap stasiun kerja secara detail beserta kapasitas dan disiplin

antrian dapat dilihat pada Tabel 6.

Faktor-faktor yang mempengaruhi terjadinya antrian dalam sebuah

sistem antrian ialah kecepatan pelayanan operator, kapasitas antrian, disiplin

antrian dan kecepatan kedatangan bahan baku. Sifat probabilitas kecepatan

kedatangan bahan dan kecepatan pelayanan operator merupakan faktor utama

yang menyebabkan terjadinya antrian pada lini produksi fillet ikan beku.

48

Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata

StasiunJumlah

line

Jumlah operator

per line (Orang)

Kapasitas antrian

per line (Kg)Disiplin antrian

Stasiun Penerimaan 1 5 21000 First In First Out

Stasiun Arahan Produksi 1 3 300 First In First Out

Stasiun Penyisikan 1 7 800 First In First Out

Stasiun Filleting 1 5 10700 First In First Out

Stasiun Trimming 2 8 100 First In First Out

Stasiun Washing 1 2 100 First In First Out

Stasiun Sizing 1 4 100 First In First Out

Stasiun Bagging 1 2 100 First In First Out

Stasiun Panning 1 6 100 First In First Out

Stasiun After Curing 1 5 100 First In First Out

Stasiun Freezing - - 5000 First In First Out

Stasiun Packing 3 8 500 First In First Out

Sifat probabilitas pada kecepatan pelayanan operator dalam sistem

antrian lini produksi fillet ikan beku dipengaruhi oleh karena operator

merupakan manusia yang kecepatan melayaninya dipengaruhi pada jenis bahan

yang masuk, perilaku produktif karyawan, motivasi kerja, kelelahan dan lain

sebagainya. Walaupun nilai tengah antara kecepatan pelayanan operator

dengan kecepatan kedatangan bahan sama, ketidakpastian dalam interaksi

antara kecepatan kedatangan bahan dengan kecepatan pelayanan operator

menimbulkan adanya antrian.

Antrian yang terjadi dapat menjadi sebuah kerugian akibat menambahnya

biaya dari pemakaian es yang lebih banyak, sebagai penjaga rantai dingin

dalam produksi. Saat ini harga es tersebut ialah Rp. 90/Kg dengan pemakaian

1:1 terhadap bahan baku dan lama pemakaian ideal selama sekitar satu jam.

Sistem antrian lini produksi fillet ikan beku di PT. Global Tropical

Seafood mengikuti pola antrian kombinasi jalur tunggal dan jalur ganda dengan

pelayanan pararel. Pola antrian lini produksi fillet ikan beku di PT. Global

Tropical Seafood secara umum dapat dilihat pada Gambar 11.

Kebijakan perusahaan saat ini dalam menentukan jumlah operator di

setiap stasiun kerja dilaksanakan secara dinamis oleh karena belum ada standar

baku yang dimiliki. Namun khusus untuk stasiun filleting jumlah operator

berkisar antara 4 hingga 5 orang, hal ini disebabkan pada stasiun tersebut

49

dibutuhkan keahlian khusus untuk memproses ikan, agar rendemen dan

kualitas potongannya baik. Saat ini beban kerja operator di setiap stasiun dapat

sewaktu-waktu dialihkan ke stasiun lain sesuai kebutuhan yang berkembang

saat kegiatan produksi berlangsung.

Dalam kegiatan produksinya pada stasiun kerja arahan produksi terdapat

pemisahan aliran bahan yakni bahan baku ikan untuk produksi fillet ikan beku

akan masuk ke lini produksi fillet ikan beku sedangkan bahan baku ikan

lainnya seperti kerang dan tenggiri akan masuk ke lini produksi masing-masing

sesuai produk yang ingin dibuat. Pembagian dibagi berdasarkan bahan yang

masuk ke lini produksi non fillet dan lini produksi fillet ikan beku.

Perbandingan yang ditetapkan oleh berdasarkan pengalaman produksi ialah 50

% akan masuk ke lini non fillet seperti lini produksi steak, WGGS, kerang,

butterfly dan lain sebagainya. Bahan baku yang akan masuk ke lini produksi

fillet ikan beku ialah sebanyak 50 % dari bahan yang keluar dari stasiun arahan

produksi.

Bahan baku yang masuk ke lini produksi fillet ikan beku sendiri juga

akan mengalami pemisahan, yakni untuk bahan baku jenis produk skin on

memerlukan proses penyisikan terlebih dahulu sehingga perlu diproses di

stasiun penyisikan terlebih dahulu sebelum masuk ke stasiun filleting dan

untuk bahan baku jenis skinless akan langsung masuk ke stasiun filleting.

Perbandingan bahan baku yang masuk ke stasiun penyisikan dengan ke stasiun

filleting langsung ialah 1 : 4. Jika dibandingkan dengan jumlah aliran bahan

baku yang keluar dari stasiun arahan produksi maka 50 % akan masuk ke lini

produksi non fillet, 40 % akan masuk ke lini produksi fillet ikan beku (stasiun

filleting), dan 10 % akan masuk ke lini produksi fillet ikan beku (stasiun

penyisikan).

Di dalam lini produksi fillet ikan beku sendiri terdapat pembagian aliran

bahan untuk produk fillet smoke (dengan injeksi CO) dan non smoke (tanpa

injeksi CO). Pembagian ini terjadi di stasiun stasiun sizing dengan proporsi 1 :

1 untuk bahan masuk ke stasiun panning (produk smoke) dan stasiun bagging

(produk non smoke).

50

Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. Global Tropical Seafood

Input OutputAntrian 1

Antrian 2

Antrian 3

Antrian j

Stasiun 1

Operator 1

Stasiun 2 Stasiun i

Operator 1 Operator 1

Operator 2 Operator 2 Operator 2

Operator 3

Operator n

Operator nOperator n

V. ANALISIS DAN PEMBAHASAN

A. Distribusi Data

Analisa distribusi data dilakukan untuk mengetahui sebaran peluang yang

akan terjadi di dalam sistem antrian. Waktu pelayanan dan waktu kedatangan

merupakan parameter yang diuji distribusi peluangnya untuk mengetahui

model antrian yang akan terbentuk. Sampel waktu kedatangan bahan dan

sampel waktu pelayanan operator diuji peluang distribusinya untuk mengetahui

peluang distribusi populasi sumber data. Waktu kedatangan bahan dan waktu

pelayanan operator di ambil dari kombinasi data pengamatan penulis dan data

historis perusahaan yang tercatat. Data yang ada diubah menjadi satuan dengan

basis yang sama, dalam penelitian ini basis yang diambil ialah Kilogram bahan

baku (RM), nilai konversi setiap stasiun kerja dapat dilihat pada Lampiran 3.

Data hasil pengamatan waktu kedatangan bahan dan waktu pelayanan operator

dapat dilihat pada Lampiran 1 dan Lampiran 2.

Hasil uji distribusi data tersebut akan menentukan metode yang tepat

untuk menyelesaikan permasalahan antrian yang terjadi. Ketika populasi data

memiliki distribusi peluang poisson atau eksponensial maka penyelesaian

masalah antrian di selesaikan dengan analisa model antrian baku. Apabila

populasi data memiliki distribusi selain poisson atau eksponensial maka analisa

antrian dilakukan dengan menggunakan teknik simulasi.

Sampel waktu kedatangan bahan dan waktu pelayanan operator yang

diambil dari data historis diuji distribusinya dengan menggunakan goodness of

fit test dengan metode Kolmogorov-Smirnov (K-S). Metode tersebut menguji

peluang distribusi data dengan cara membandingkan perbedaan dari fungsi

distribusi empiris data sampel dengan fungsi distribusi teoritis secara vertikal

(nilai statistik (Dn)). Ketika nilai statistik (Dn) lebih besar dari nilai kritis tabel

maka distribusi data tersebut akan dianggap tidak sama dengan distribusi data

teoritis yang diuji.

Analisa distribusi tersebut dilakukan dengan bantuan software Easyfit

3.2. Software tersebut mengurutkan kecocokan distribusi sampel data dengan

beberapa distribusi teoritis seperti poisson, eksponensial, normal, lognormal,

52

gamma, laplace, triangular, uniform, weibull, dan logistik. Contoh output dari

penggunaan software Easy Fit 3.2 dapat dilihat pada Lampiran 4. Selang

kepercayaan yang dipilih oleh penulis ialah sebesar 90 % ( = 10%). Seluruh

data yang diuji memiliki sebaran poisson atau eksponensial. Hasil uji

kesesuaian distribusi peluang data hasil pengukuran waktu kedatangan bahan

di setiap stasiun kerja dapat dilihat pada Tabel 7.

Tabel 7. Hasil Uji distribusi waktu kedatangan bahan

No. Nama Stasiun Jenis Distribusi Parameter1 Stasiun Penerimaan Weibull (3P) α=0.65549 β=9.5183 γ=0.16

2 Stasiun Penerimaan Jenis Proses 1 Weibull (3P) α=0.59931 β=5.5722 γ=0.6


4 Stasiun Penerimaan Jenis Proses 3 Weibull α=1.0393 β=1.1535


6 Stasiun Penyisikan Weibull α=3.6479 β=3.2566

7 Stasiun Filleting Gamma (3P) α=0.72012 β=4.4062 γ=1.99

8 Stasiun After Curing Gamma (3P) α=0.92224 β=10.394 γ=13.108

9 Stasiun Freezing Lognormal σ=1.7512 µ=1.2693

10 Stasiun Packing Weibull (3P) α=0.45189 β=18.623 γ=0.11

Untuk hasil uji kesesuaian distribusi peluang data hasil pengukuran

waktu pelayanan operator di setiap stasiun kerja dapat dilihat pada Tabel 8.

Tabel 8. Hasil Uji distribusi waktu pelayanan operator

No. Nama Stasiun Jenis Distribusi Parameter1 Stasiun Penerimaan Weibull (3P) α=0.86442 β=19.765 γ=3.63





6 Arahan Produksi Triangular µ=0.9 α=0.49066 β=1.7577

7 Stasiun Penyisikan Weibull (3P) α=0.83686 β=32.912 γ=53.92

8 Stasiun Filleting Weibull (3P) α=0.76051 β=15.188 γ=20.06

9 Stasiun Trimming Gamma (3P) α=1.4953 β=61.847 γ=56.811

10 Stasiun Washing Gamma (3P) α=1.5575 β=1.7432 γ=7.4394

11 Stasiun Sizing Gamma (3P) α=1.3072 β=12.491 γ=18.733

12 Stasiun Bagging Lognormal σ=0.22714 µ=4.0574

13 Stasiun Panning Gamma (3P) α=1.7571 β=39.055 γ=26.28

14 Stasiun After Curing Weibull α=2.7372 β=148.57

15 Stasiun Packing Gamma (3P) α=1.5989 β=85.768 γ=7.917

53

Stasiun Curing dan stasiun Freezing tidak mengalami perhitungan

distribusi waktu pelayanan. Hal itu dikarenakan pola pelayanan pada kedua

stasiun tersebut bersifat konstan, yakni pada stasiun Curing bahan disimpan

pada suhu maksimal 0 o C selama satu hari dan pada stasiun Freezing bahan

dibekukan selama 8 jam.

Hasil uji distribusi tersebut menunjukkan bahwa antrian yang terjadi

tidak mengikuti model baku yang telah ada, sehingga analisis antrian dilakukan

dengan cara membangun sebuah model simulasi.

B. Model Antrian

Pembentukan model antrian didasarkan pada kondisi nyata sistem

produksi fillet ikan beku di PT. Global Tropical Seafood. Dengan konfigurasi

yang sesuai dengan sistem produksi lini tersebut. Pembuatan model antrian

dilaksanakan dengan bantuan program QSS 1.0, program ini merupakan modul

data yang membantu penggunanya dalam mendefinisikan permasalahan antrian

kedalam model simulasi.

Model antrian yang dibentuk berisi komponen-komponen antrian seperti

distribusi kedatangan bahan, distribusi pelayanan operator, kapasitas antrian,

jumlah operator, dan variabel lain yang mendukung model tersebut. Selain

mengikuti konfigurasi sistem produksi nyata fillet ikan beku, digunakan

beberapa asumsi dalam membangun model dan menganalisis sistem antrian

dari lini produksi fillet ikan beku yakni :

1. Waktu perpindahan bahan antara stasiun diabaikan kecuali yang

memiliki nilai waktu perpindahan lebih besar dari dua detik, sehingga

waktu pelayanan suatu tahapan produksi akan menjadi waktu antar

kedatangan tahapan produksi berikutnya.

2. Kecepatan pelayanan operator sesuai dengan kondisi historis yang

diperoleh selama penelitian.

3. Kecepatan kedatangan bahan sesuai dengan kondisi historis yang

diperoleh selama penelitian.

Simulasi sistem antrian lini produksi fillet ikan beku diberi nama Sistem

Antrian Produksi Fillet Ikan Beku (SAPFIB). Sistem antrian tersebut

54

membentuk tiga buah model dengan empat buah sub model. Jumlah model

tersebut didasarkan pada konfigurasi yang ada pada sistem antrian lini produksi

fillet ikan beku.

Dalam membuat model dan sub model dalam rangka memudahkan input

data, setiap atribut dalam sistem antrian diberi kode penamaan yang spesifik.

Pendefinisian attribut antrian dalam simulasi SAPFIB dapat dilihat pada tabel

berikut.

Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB

No. Kode Penamaan Definisi Nyata Keterangan

1 BufferA Ruang Antrian Stasiun Kerja Penerimaan -

2 A(X) Unit Pelayanan Stasiun Kerja Penerimaan X = Nomor operator yang ada di dalam stasiunkerja tersebut.

3 BufferB Ruang Antrian Stasiun Arahan Produksi -

4 B(X) Unit Pelayanan Stasiun Arahan Produksi X = Nomor operator yang ada di dalam stasiunkerja tersebut.

5 BufferCA Ruang Antrian Stasiun Filleting -

6 CA(X) Unit Pelayanan Stasiun Filleting X = Nomor operator yang ada di dalam stasiunkerja tersebut.

7 BufferCB Ruang Antrian Stasiun Penyisikan -

8 CB(X) Unit Pelayanan Stasiun Penyisikan X = Nomor operator yang ada di dalam stasiunkerja tersebut.

9 BufferD(Y) Ruang Antrian Stasiun Trimming Y= Nomor lini antrian yang ada di dalamstasiun kerja tersebut

10 D(Y)(X) Unit Pelayanan Stasiun TrimmingX= Nomor Operator Yang ada di dalam LiniTersebut ,Y= Nomor lini antrian yang ada didalam stasiun kerja tersebut

11 BufferE Ruang Antrian Stasiun Washing -

12 E(X) Unit Pelayanan Stasiun Washing X = Nomor operator yang ada di dalam stasiunkerja tersebut.

13 BufferF Ruang Antrian Stasiun Sizing -

14 F(X) Unit Pelayanan Stasiun Sizing X = Nomor operator yang ada di dalam stasiunkerja tersebut.

15 Buffer GA Ruang Antrian Stasiun Panning -

16 GA(X) Unit Pelayanan Stasiun Panning X = Nomor operator yang ada di dalam stasiunkerja tersebut.

17 BufferGB Ruang Antrian Stasiun Bagging -

18 GB(X) Unit Pelayanan Stasiun Bagging X = Nomor operator yang ada di dalam stasiunkerja tersebut.

19 BufferGC Ruang Antrian Stasiun After Curing -

20 GC(X) Unit Pelayanan Stasiun After Curing X = Nomor operator yang ada di dalam stasiunkerja tersebut.

21 Buffer(Y) Ruang Antrian Y= Nomor lini antrian yang ada di dalamstasiun kerja tersebut (jika lebih dari satu)

22 Freezer(X) Unit Pelayanan Stasiun Freezing X= Nomor mesin yang ada di dalam stasiunkerja tersebut.

23 Operator(Y)(X) Unit PelayananX= Nomor Operator Yang ada di dalam LiniTersebut ,Y= Nomor lini antrian yang ada didalam stasiun kerja tersebut

21 KedatanganP Kedatangan Bahan Baku di Lini Produksi -

22 KedatanganAC Kedatangan Bahan di Stasiun After Curing -

23 KedItem(X) Kedatangan Bahan Baku X= Kode Jenis Bahan Baku

24 Kedatangan Kedatangan Bahan

55

Dengan berdasarkan konfigurasi sistem produksi fillet ikan beku pada

kondisi nyata dan dengan penggunaan asumsi model. Maka dibangun model

dengan kode komponen seperti yang telah disebutkan, menggunakan QSS 1.0

dengan hasil pemograman dalam bentuk matriks yang dapat dilihat pada

Gambar 12.

Model SAPFIB terdiri dari tiga buah model yang diberi nama model A,

model B dan model C. Model A merupakan model antrian yang

mensimulasikan sistem antrian dari stasiun penerimaan hingga stasiun panning

dan stasiun After Curing. Model B merupakan model antrian yang

mensimulasikan sistem antrian pada stasiun freezing. Model C merupakan

model antrian yang mensimulasikan sistem antrian pada stasiun Packing.

Pembagian SAPFIB menjadi tiga buah model disebabkan oleh karena

terdapat perbedaan waktu kerja dalam stasiun tersebut serta terdapat perbedaan

konfigurasi sistem antrian yang tidak dapat disimulasikan bersama ketika

seluruh stasiun disusun menjadi satu buah model. Prinsip anilisis data dalam

program QSS 1.0 dalam menampilkan hasil simulasi ialah mengadakan

observasi terhadap komponen-komponen yang terdapat dalam SAPFIB dan

mencatat kegiatan bahan yang masuk ke sistem hingga keluar dari sistem.

Tetapi seperti yang dijelaskan sebelumnya perbedaan konfigurasi sistem

antrian akan membuat program QSS 1.0 tidak akan mampu melakukan

observasi. Keterbatasan dalam melakukan simulasi model tersebut tidak akan

mampu memberikan analisis keseluruhan kinerja stasiun ketika digabung

menjadi satu buah model.

1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga Stasiun

Panning dan Stasiun After Curing (Model A)

Model A dibuat sesuai dengan keadaan sistem produksi yang berjalan

secara riil di perusahaan. Pada model A bahan mengalir dari stasiun

penerimaan hingga stasiun aftercuring untuk produk smoke dan stasiun

panning untuk produk non smoke. Terdapat dua buah komponen kedatangan

yakni KedatanganP dan KedatanganAC. Komponen kedatangan

KedatanganP merupakan kedatangan bahan baku yang diterima oleh stasiun

56

penerimaan dan mengalir hingga stasiun panning dan stasiun bagging.

Komponen kedatangan KedatanganAC menjadi kedatangan bahan di stasiun

After Curing, hal ini disebabkan output dari stasiun bagging masuk ke

stasiun curing selama satu hari, sehingga jika hal tersebut disimulasikan

selama jam kerja tidak mungkin akan ada bahan yang mengalir ke stasiun

After Curing sehingga menyebabkan simulasi aliran bahan akan terputus.

Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalambentuk matriks

Model yang telah dibuat kemudian disimulasikan selama 25200 detik

sesuai dengan jumlah jam kerja dalam satu hari yakni delapan jam kerja

dikurangi satu jam istirahat. Simulasi dilakukan sebanyak tiga kali ulangan

untuk mendapatkan hasil yang konsisten. Hasil simulasi dari SAPFIB

menghasilkan output antara lain berupa analisis kedatangan bahan,analisis

antrian, serta analisis tingkat utilitas pelayanan. Hasil simulasi kondisi nyata

model A dapat dilihat pada Lampiran 5.

57

Dari analisis kedatangan bahan output simulasi didapat informasi

bahwa terdapat penolakan bahan (balking) pada stasiun After Curing

sebanyak 23 kg bahan pada simulasi ulangan pertama, 52 kg pada simulasi

ulangan kedua, dan 4 kg pada simulasi ulangan ketiga. Sehingga jika dirata-

rata stasiun After Curing menolak bahan sebanyak 26,3 kg. Hal tersebut

berarti menunjukkan kedatangan bahan pada stasiun After Curing melebihi

kemampuan pelayanan stasiun tersebut. Walaupun dalam kondisi nyata

bahan tidak mungkin ditolak dalam proses produksi, kemungkinan yang

terjadi pada bahan tersebut ialah bahan diproses oleh operator dengan

tambahan waktu di luar jam kerja (lembur).

Untuk analisis stasiun pelayanan (server analysis) hasil simulasi

menunjukan tingkat utilitas operator secara rata-rata (overall) sebesar 32,51

% pada simulasi ulangan pertama, 35,75 % pada simulasi ulangan kedua

dan 34,12 % pada simulasi pada ulangan ketiga. Sehingga jika dirata-rata

utilitas operator berada pada tingkat 34,13 %. Hal tersebut menunjukan

bahwa operator mengalami banyak waktu idle dalam bekerja. Kondisi idle

tersebut saat ini dimanfaatkan perusahaan dengan menginstruksikan

operator melakukan pekerjaan lain seperti membersihkan ruang produksi

beserta peralatannya ataupun operator dipindahkan pada lini produksi

lainnya yang sedang mengalami kedatangan bahan baku dalam jumlah

besar. Satu hal lagi yang diperhatikan dalam kegiatan sehari-harinya ialah

proses produksi terkadang berhenti pada saat sebelum waktu kerja selesai

yakni sebelum pukul 16.00 hal itu akan membuat operator menjadi idle

dalam waktu yang panjang sesuai dengan pembacaan hasil simulasi.

Analisis kinerja sistem antrian dari hasil simulasi SAPFIB

menunjukan secara overall pada simulasi pertama jumlah bahan yang

menunggu ialah sebanyak 57,201 kg, pada simulasi kedua sebanyak

65,5649 kg dan pada simulasi ketiga sebanyak 51,6782 kg, sehingga jika di

rata-rata terjadi penumpukan bahan sebanyak 58,15 kg. Untuk waktu tunggu

yang terjadi (Wq) hasil simulasi pertama memberikan perhitungan secara

overall terjadinya antrian selama 146,4248 detik, simulasi kedua

memberikan waktu 153,2979 detik, dan simulasi ketiga sebesar 125,5244

58

detik. Jika dirata-rata waktu tunggu secara overall ialah 141,75 detik.

Berdasarkan pada hasil simulasi tersebut maka dapat disimpulkan terjadi

antrian bahan pada model A, namun porsi antrian tersebut terjadi yang pada

stasiun After Curing. Pada stasiun lain hampir dikatakan tidak mengalami

antrian. Hal tersebut dapat dilihat dari hasil simulasi pada Lampiran 5. Dari

output simulasi yang ditunjukkan pada Lampiran 5 ternyata tingkat utilitas

operator terendah terjadi di stasiun Arahan Produksi dengan tingkat utilitas

berkisar antara 2-3 %, sedangkan tingkat utilitas operator tertinggi terjadi

pada stasiun After Curing dengan tingkat utilitas operator diatas selalu

diatas 98 %. Perbedaan tingkat utilitas antara dua stasiun tersebut terlihat

tinggi, hal tersebut dapat menandakan bahwa sistem antrian di lini produksi

fillet ikan beku mengalami ketidakseimbangan tingkat pelayanan antara

tahapan produksi.

Analisis garbage collector merupakan analisis jumlah bahan yang

keluar dari sistem. Dalam SAPFIB model A ini bahan yang keluar dari

sistem merupakan bahan yang tidak masuk ke dalam lini produksi fillet ikan

beku. Jumlah customer collected merupakan jumlah bahan baku yang keluar

dari sistem antrian lini produksi fillet ikan beku.

Berdasarkan permasalahan di atas agar dapat membangun sebuah

sistem alternatif untuk model A yang lebih baik, dibutuhkan pemahaman

yang lebih mendalam mengenai sistem antrian tersebut. Pembuatan sub

model antrian dapat dilakukan untuk memberikan analisis yang lebih

mendalam terhadap sistem antrian lini produksi fillet ikan beku. Sub model

yang dibuat diharapkan dapat membantu memahami perilaku sistem secara

lebih rinci.

2. Kinerja Model Antrian Pada Stasiun Freezing (Model B)

Model B merupakan model sistem antrian yang terjadi pada stasiun

Freezing. Model ini dibuat karena pada dasarnya di stasiun Freezing

memiliki kedatangan tidak hanya dari lini produksi fillet ikan beku

melainkan dari seluruh lini produksi dari PT. Global Tropical Seafood serta

dari bahan baku yang perlu dibekukan.Waktu kerja stasiun Freezing tidak

59

seperti stasiun kerja lainnya yang bekerja selama 7 jam, melainkan dapat

bekerja selama 24 jam. Hal tersebut disebabkan unit pelayanan pada stasiun

Freezing berupa mesin yang melayani dengan waktu konstan dan dengan

pelayanan yang bersifat batch tidak seperti stasiun lainya yang unit

pelayanannya berupa tenaga manusia (operator).

Oleh karena bentuk pelayanan stasiun Freezing bersifat batch dan

tidak kontinyu, maka model antrian yang dibuat ialah model keseimbangan

antara jumlah bahan yang masuk dengan kapasitas pelayanan mesin

pendingin. Jumlah dan waktu kedatangan bahan pada stasiun Freezing dapat

dilihat pada Lampiran 1.

Simulasi penjadwalan waktu pelayanan pada stasiun freezing

dilakukan berdasarkan data pengamatan yang didapat selama melakukan

penelitian di PT. Global Tropical Seafood. Simulasi penjadwalan dilakukan

dengan berdasarkan ketentuan dan asumsi yang telah ditetapkan bersama

perusahaan. Ketentuan dan asumsi yang diterapkan dalam menyusun

simulasi penjadwalan pada stasiun freezing ialah sebagai berikut :

1. Penjadwalan waktu dan pemilihan mesin Freezer yang akan

dijalankan dilakukan berdasarkan sinkronisasi dengan penjadwalan

harian produksi.

2. Freezer dapat dijalankan ketika jumlah bahan di dalam mesin

mencapai 80 % kapasitas mesin, namun terdapat pengecualian

ketika produksi pada hari tersebut tidak memungkinkan untuk

mencapai 80% kapasitas mesin.

3. Waktu loading berkisar antara 30 menit hingga 120 menit untuk

setiap kedatangan bahan, loading dilakukan sesaat setelah bahan

tiba di stasiun Freezing.

4. Waktu unloading dan cleaning mesin adalah selama 3 jam untuk

setiap kali mesin dijalankan.

5. Prioritas jenis produk diabaikan.

6. Waktu downtime mesin diabaikan.

Berdasarkan ketentuan diatas dan data historis yang ada, maka dibuat

simulasi penjadwalan di stasiun Freezing. Hasil simulasi tersebut dapat

60

dilihat pada Lampiran 6. Antrian yang dimaksud dalam simulasi tersebut

ialah antrian sejumlah bahan yang disebabkan seluruh mesin pelayanan

sedang sibuk digunakan. Jumlah antrian maksimum per hari yang terjadi

selama simulasi antrian pada model B ini dapat dilihat pada Gambar 13.

Gambar 13. Grafik antrian maksimum pada stasiun Freezing

Dari hasil simulasi model B tersebut, dapat terlihat kinerja dari sistem

antrian pada kondisi nyata masih dapat di optimalkan. Antrian bahan

sebanyak tiga kali yakni 1589,3 kg, 7808,3 kg dan 7808,3 kg selama hasil

pengamatan memberi gambaran bahwa pada saat tertentu jumlah

kedatangan bahan dapat melampaui kapasitas kerja stasiun Freezing. Hal ini

tentunya ingin dihindari perusahaan oleh karena antrian yang terjadi pada

stasiun Freezing dapat menurunkan keluaran produk dari perusahaan.

3. Kinerja Model Antrian Pada Stasiun Packing (Model C)

Model C ini dibuat untuk memperlihatkan sistem antrian yang terjadi

di stasiun Packing. Berbeda dengan stasiun lainnya, stasiun Packing

mempunyai jam kerja selama 24 jam yang dibagi menjadi tiga shift kerja.

Kedatangan bahan dicatat berdasarkan output bahan dari stasiun freezing

yang berupa seluruh produk PT. Global Tropical Seafood. Hasil pengamatan

kedatangan stasiun Packing dapat dilihat pada Lampiran 1 dan Lampiran 2.

61

Jumlah operator sendiri diasumsikan perusahaan memakai jumlah yang

tetap yakni tiga kelompok kerja dengan jumlah setiap kelompok kerja

delapan orang operator dan seluruh shift kerja diadakan.

Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalambentuk matriks

Simulasi yang dilakukan selama 75600 detik (21 jam kerja) memberi

hasil berupa analisis kedatangan, utilitas kerja dan antrian yang dapat dilihat

pada Lampiran 7. Hasil analisis utilitas pelayanan menunjukan tingkat

utilitas operator secara overall selama tiga kali simulasi adalah sebesar

13,56 % , 13,54 % dan 13,38 % yang berarti jika di rata-rata utilitas server

pada stasiun ini adalah sebesar 13,48 %. Untuk analisis antrian sendiri rata-

rata waktu tunggu bahan secara overall ialah pada tiga kali ulangan simulasi

menunjukan nilai mendekati 0.

Kondisi nyata yang menyebabkan rendahnya utilitas operator ialah

karena laju kedatangan bahan baku lebih kecil dibanding dengan

kemampuan pelayanan pada stasiun Packing ini. Pada kondisi nyata jumlah

operator dan pengadaan shift di dalam stasiun Packing ini ditentukan

berdasarkan kebijakan perusahaan dalam mengadakan kegiatan

pengemasan.

62

C. Sub Model Antrian

Dalam membuat sub model antrian pemilihan sub model didasarkan pada

titik-titik unit pelayanan dalam model yang mempunyai kondisi kedatangan

yang unik. Unik disini artinya ialah memiliki kondisi yang berbeda secara

khusus dari kondisi model utama dalam sistem. Proses simulasi yang akan di

jalankan akan memakai beberapa asumsi untuk mendapatkan analisis terbaik.

Asumsi tersebut ialah kedatangan bahan pada sub model adalah kontinyu

dengan kondisi kedatangan pada saat puncaknya dan berada dalam keadaan

steady state. Selain itu jumlah operator dan kapasitas antrian tetap sesuai

dengan model utama yang ada.

1. Sub Model Penerimaan

Sub model penerimaan merupakan sub model yang menggambarkan

kondisi di stasiun penerimaan. Pada model utama stasiun penerimaan dibuat

dengan kedatangan bahan baku secara agregat dan waktu pelayanan secara

agregrat demi menyelaraskan kondisi antar stasiun kerja ke dalam satu

satuan kerja sehingga dapat tercipta model utama yang sinkron. Pada

kondisi riilnya kedatangan bahan baku terjadi dengan jenis yang beragam

sehingga dibutuhkan waktu pelayanan yang berbeda untuk setiap jenis

bahan baku yang masuk. Hal ini tercatat selama pengamatan seperti yang

dapat dilihat pada Lampiran 1 untuk waktu antar kedatangan, dan Lampiran

2 untuk waktu pelayanan.

Pemograman dalam pembuatan sub model penerimaan memanfaatkan

empat komponen kedatangan yang masing-masing komponen mewakili

kedatangan suatu jenis bahan baku pada kondisi riilnya. Bahan baku

tersebut di bagi menjadi empat jenis disesuaikan dengan perbedaan waktu

pelayanan, yakni jenis proses satu yang merupakan bahan baku jenis ikan

segar yang diterima dengan pelayanan di stasiun penerimaan berupa

pencucian, sortasi dan penimbangan; jenis proses dua yang merupakan

bahan baku berjenis selain ikan segar seperti kerang, bekutak dengan

pelayanan di stasiun penerimaan berupa pencucian dan penimbangan; jenis

proses tiga yang merupakan bahan baku ikan beku seperti tenggiri yang

63

diterima dengan pelayanan di stasiun penerimaan berupa penimbangan;

jenis proses empat yang merupakan bahan baku campuran dari ikan segar

dan non ikan segar seperti dengan pelayanan di stasiun penerimaan berupa

penyesuaian sesuai bahan baku.

Unit pelayanan dalam stasiun ini terdiri dari lima orang operator yang

dengan asumsi pelayanan pararel dengan distribusi waktu pelayanan sesuai

data historis sesuai dengan bahan baku yang diproses. Penulisan program

dalam bentuk grafis dapat dilihat pada gambar berikut.

Gambar 15. Penulisan model simulasi sub model penerimaan padaprogram QSS 1.0 dalam bentuk grafis

Hasil analisis simulasi dari sub model penerimaan secara lengkap

dapat dilihat pada Lampiran 8. Simulasi yang di jalankan pada sub model

penerimaan adalah simulasi selama 25200 detik, waktu simulasi selama

25200 detik digunakan untuk mengetahui kinerja stasiun tersebut pada saat

kedatangan bahan dalam kondisi steady state. Hasil simulasi analisis

kedatangan bahan baku menunjukan terjadi penolakan bahan baku (balking)

secara keseluruhan pada tiga kali ulangan simulasi sebesar 17398 kg, 16793

kg, 16771 kg sehingga jika di rata-rata terjadi balking sebanyak 16987,33

kg.

64

Hasil simulasi antrian menunjukan utilitas kerja operator di stasiun

tersebut secara overall pada tiga kali ulangan simulasi ialah sebesar 99,96 %

, 99,95 % dan 99,97 % sehingga jika di rata-rata utilitas operator adalah

sebesar 99,96 %. Nilai utilitas tersebut menunjukan bahwa operator bekerja

dengan waktu idle yang minimum.

Hasil simulasi analisis antrian menunjukan rata-rata waktu tunggu

secara overall ialah pada tiga kali ulangan simulasi ialah sebesar 7827,334

detik , 7873,6 detik dan 7920,789 detik sehingga jika di rata-rata waktu

tunggu adalah sebesar 7873,91 detik. Jumlah rata-rata bahan yang

menunggu pada tiga kali ulangan simulasi sendiri ialah sebesar 4427,497

kg, 4436,729 kg dan 4432,443 kg. Jika di rata-rata maka bahan yang

menunggu ialah sebanyak 4432,223 kg. Hal ini berbeda dengan hasil

simulai dari model utamanya, disebabkan asumsi yang digunakan ialah pada

simulasi sub model penerimaan ini bahan baku yang datang mempunyai

empat jenis penanganan yang berbeda dan lingkup simulasi dikhususkan

pada stasiun kerja penerimaan yang sedang menerima kedatangan bahan

baku pada kondisi puncaknya dan kontinyu.

Waktu tunggu dan jumlah bahan yang menunggu serta utilitas

operator memberikan informasi bahwa di stasiun penerimaan pada saat

sibuk membutuhkan penambahan sejumlah operator agar sistem produksi

berjalan secara efektif.

2. Sub Model Penyisikan

Sub model penyisikan merupakan sub model sistem antrian pada

stasiun penyisikan. Analisis parsial yang dilakukan pada stasiun ini

dilakukan karena pada dasarnya stasiun ini menerima kedatangan bahan

baku berdasarkan dari stasiun arahan produksi yang membagi kedatangan ke

stasiun lain (stasiun Filleting dan lini produksi lain) dan sewaktu-waktu

stasiun penyisikan dapat mengerjakan bahan dari penyimpanan bahan baku.

Kondisi nyata yang pernah terjadi di perusahaan, stasiun penyisikan sibuk

pada pagi hari yang membuat perusahaan mengalihkan sebagian besar

operator ke stasiun ini ketika bahan baku datang, namun ketika siang

65

harinya berhenti beroperasi oleh karena bahan baku untuk produk fillet skin

on sudah habis. Konfigurasi antrian sub model ini juga mengikuti model

utama.

Simulasi selama 25200 detik dilakukan untuk melihat kinerja stasiun

penyisikan pada keadaan sibuk (bahan baku kontinyu). Pengamatan

kedatangan pada stasiun ini pun dilakukan pada titik persis sebelum stasiun

bahan masuk ke stasiun penyisikan. Hasil pengamatan dapat dilihat pada

Lampiran 1. Untuk distribusi waktu pelayanan sendiri mengikuti data

historis seperti yang digunakan pada model utama.

Gambar 16. Penulisan model simulasi sub model penyisikan pada programQSS 1.0 dalam bentuk matriks

Analisis kedatangan bahan selama tiga kali ulangan simulasi pada

Lampiran 9, menunjukkan terjadi penolakan bahan (balking) sebesar 5777

kg, 5787 kg, dan 5804 kg sehingga jika di rata-rata terjadi penolakan sebesar

5789,33 kg. Hal tersebut menunjukan bahwa tingkat kedatangan di stasiun

tersebut melebihi kemampuan kapasitas antrian yang ada sehingga bahan

tidak terlayanani.

Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator

secara overall selama tiga kali simulasi adalah sebesar 99,67 % , 99,65 %

dan 99,76 % yang berarti jika di rata-rata utilitas server pada stasiun ini

adalah sebesar 99,69 %. Untuk analisis antrian sendiri rata-rata waktu

tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah

sebesar 7429,695 detik , 7456,611detik dan 7524,08 detik sehingga jika di

rata-rata waktu tunggu adalah sebesar 7470,13 detik. Data tersebut

menunjukan bahwa dalam keadaan sibuk stasiun penyisikan dapat

mengalami antrian, antrian bahan dapat memberikan kerugian bagi

66

perusahaan dari naiknya resiko kerusakan bahan. Untuk melihat hasil

simulasi secara lengkap dapat dilihat pada Lampiran 9.

3. Sub Model Filleting

Pembuatan sub model filleting didasari atas alasan yang sama dengan

pembuatan sub model penyisikan. Sub model filleting mengambil ruang

lingkup pada stasiun Filleting. Sub model ini akan menganalisis kinerja

stasiun Filleting secara parsial. Stasiun Filleting sendiri bagi perusahaan

merupakan stasiun yang membutuhkan operator dengan keahlian khusus

sehingga tidak sembarang orang yang ditempatkan di stasiun ini.

Konfigurasi sistem antrian ini mengikuti konfigurasi yang sama dengan

model utama.

Pengamatan kedatangan pada stasiun ini pun dilakukan pada titik

persis sebelum stasiun bahan masuk ke stasiun Filleting. Hasil pengamatan

dapat dilihat pada Lampiran 1. Untuk distribusi waktu pelayanan sendiri

mengikuti data historis seperti yang digunakan pada model utama.Simulasi

selama 25200 detik dilakukan untuk melihat kinerja stasiun Filleting pada

keadaan sibuk (bahan baku kontinu). Hasil simulasi tersebut dapat dilihat

pada Lampiran 10.

Gambar 17. Penulisan model simulasi sub model filleting pada programQSS 1.0 dalam bentuk matriks

Analisis kedatangan bahan selama tiga kali ulangan simulasi pada

Lampiran 10, menunjukkan terjadi penolakan bahan (balking) sebesar 185

kg, 282 kg, dan 91 kg sehingga jika di rata-rata terjadi penolakan sebesar

186 kg. Hasil analisis utilitas pelayanan menunjukan tingkat utilitas operator

secara overall selama tiga kali simulasi adalah sebesar 99,89 %, 99,86 %

dan 99,83 % yang berarti jika di rata-rata utilitas server pada stasiun ini

67

adalah sebesar 99,86 %. Untuk analisis antrian sendiri rata-rata waktu

tunggu bahan secara overall ialah pada tiga kali ulangan simulasi ialah

sebesar 1157,14 detik , 1435,455 detik dan 1035,768 detik sehingga jika di

rata-rata waktu tunggu adalah sebesar 1209,45 detik. Data tersebut

menunjukan perlunya pengembangan model untuk meminimasi waktu

tunggu bahan yang jika adanya waktu tunggu bahan maka dapat

memberikan kerugian bagi perusahaan dari naiknya resiko kontaminasi

bahan. Hasil Simulasi sub model filleting dapat dilihat pada Lampiran 10.

4. Sub Model After Curing

Sub model After Curing merupakan bagian dari model A yakni

merupakan sub model yang menggambarkan keadaan stasiun After Curing.

Sub model After Curing ini dibuat oleh karena kedatangan bahan pada

stasiun ini selama waktu kerja tidak mengikuti kedatangan bahan baku pada

hari yang sama, kedatangan pada stasiun After Curing mengikuti pola

kedatangan sendiri yakni kedatangan dari stasiun Curing. Hal ini

disebabkan oleh karena stasiun Curing merupakan stasiun penyimpanan

yang waktu prosesnya adalah satu hari proses penyimpanan yang berarti

bahan yang masuk ke stasiun tersebut pada proses hari ini akan keluar pada

keesokan harinya. Selain itu selama proses produksi berlangsung stasiun ini

dapat bekerja sendiri tanpa ada dukungan stasiun lainnya, dengan kata lain

ketika tidak ada bahan baku yang datang pada hari ini yang membuat lini

produksi fillet ikan beku tidak beroperasi, stasiun After Curing masih dapat

beroperasi mengerjakan bahan baku yang didapat pada hari kemarin. Untuk

hasil pengamatan kedatangan bahan pada stasiun tersebut, dapat dilihat pada

Lampiran 1. Waktu pelayanan dan konfigurasi antrian adalah sama seperti

yang digunakan pada model utama.

Gambar 18. Penulisan model simulasi sub model after curing pada programQSS 1.0 dalam bentuk matriks

68

Simulasi dilakukan selama 25200 detik untuk melihat kinerja stasiun

After Curing pada keadaan sibuk (bahan baku kontinu). Output simulasi

dapat dilihat pada Lampiran 11 menunjukkan terjadi penolakan bahan

(balking) sebesar 3 kg, 16 kg, dan 0 kg sehingga jika di rata-rata terjadi

penolakan sebesar 6,3 kg. Hasil analisis utilitas pelayanan menunjukan

tingkat utilitas operator secara overall selama tiga kali simulasi adalah

sebesar 99,44 % , 99,40 % dan 99,17 % yang berarti jika di rata-rata utilitas

server pada stasiun ini adalah sebesar 99,34 %. Untuk analisis antrian

sendiri rata-rata waktu tunggu bahan secara overall ialah pada tiga kali

ulangan simulasi ialah sebesar 1249,751 detik, 1298,56 detik dan 849,8104

detik sehingga jika di rata-rata waktu tunggu adalah sebesar 1132,71 detik.

Hasil simulasi tersebut menunjukan pada kondisi sibuk stasiun after curing

dengan jumlah operator standar tidak mampu melayani bahan yang masuk

secara efektif, antrian pada bahan maka dapat memberikan kerugian bagi

perusahaan dari naiknya resiko kontaminasi bahan.

D. Pengembangan Model

Melihat hasil analisis sistem antrian pada sistem nyata, pengembangan

model antrian perlu dilakukan untuk memperoleh kinerja yang lebih baik.

Pengembangan model antrian dilakukan dengan dua buah skenario, skenario

pertama ialah pengembangan model antrian dilakukan dengan cara merubah

kecepatan kedatangan bahan atau tingkat kedatangan bahan, dan skenario

kedua ialah pengembangan model antrian dilakukan dengan cara merubah

kecepatan pelayanan antara stasiun dengan pengaturan jumlah operator di

setiap stasiun.

Hasil analisis model antrian pada sistem nyata menunjukan terjadinya

waktu idle yang tinggi pada operator. Hal tersebut dapat memberikan kerugian

pada perusahaan dalam hal nilai efisiensi penggunaan sumber daya perusahaan.

Waktu tunggu yang terjadi dapat memberikan kerugian berupa resiko yang

lebih tinggi terhadap kerusakan bahan. Naiknya jumlah kedatangan bahan baku

dapat memberikan beban kerja yang lebih banyak sehingga waktu idle operator

akan berkurang. Bertambahnya jumlah operator dan perubahan metode kerja

69

operator pada sebuah stasiun kerja akan memberikan kecepatan pelayanan

yang lebih tinggi. Hal tersebut terjadi karena beban kerja yang didistribusikan

pada setiap operator akan terbagi secara pararel dan kemampuan kerja operator

lebih terampil. Pendistribusian beban kerja akan membuat idle time setiap

operator semakin tinggi namun disamping itu juga dapat mengurangi waktu

tunggu akibat bahan yang masuk ke stasiun tersebut akan dengan lebih cepat

diproses.

1. Pengembangan Model Dengan Skenario Perubahan Tingkat

Kedatangan

Untuk mendapatkan kinerja yang lebih baik pada sistem antrian lini

produksi fillet ikan beku (SAPFIB) maka dilakukan simulasi skenario

berbagai tingkat kedatangan yakni dengan mengurangi ataupun menambah

jumlah bahan baku. Pengurangan jumlah bahan baku yang masuk dilakukan

apabila kecepatan waktu pelayanan unit pelayanan lebih rendah dari

kecepatan kedatangan bahan baku yang saat ini berlangsung di dalam sistem

antrian kondisi nyata. Kecepatan unit pelayanan yang lebih rendah dari

kecepatan kedatangan bahan dapat dilihat dari tingginya utilitas operator

dan terjadinya antrian serta balking. Penurunan jumlah kedatangan bahan

baku akan memberikan beban kerja yang lebih rendah sehingga dapat

menurunkan tingkat utilitas operator dan menghilangkan antrian serta

balking. Kecepatan kedatangan bahan yang lebih rendah dari kecepatan

pelayanan unit pelayanan akan menyebabkan tingkat utilitas operator relatif

rendah (idle time tinggi). Penambahan jumlah bahan baku yang masuk

memberikan beban kerja yang lebih tinggi, sehingga akan mengurangi

jumlah idle time operator. Namun perlu diingat kenaikan jumlah kedatangan

bahan juga akan memperbesar kemungkinan terjadinya antrian dan balking.

Pengembangan model dengan skenario perubahan tingkat kedatangan

dalam penerapannya dapat menemui kendala pada penyediaan bahan baku,

karena berkaitan dengan pasokan bahan baku yang bersifat stokastik. Sifat

stokastik itu adalah dikarenakan bahan baku yang digunakan merupakan

produk perikanan yang didapat dari hasil laut yang berkaitan dengan alam.

70

Usaha yang dapat dilakukan oleh perusahaan untuk menambah atau

mengurangi kedatangan bahan baku ialah dengan menjalin kerja sama yang

baik dengan para pemasok bahan baku.

Dalam mengembangkan model antrian dengan berbagai tingkat

kedatangan digunakan beberapa asumsi yaitu :

1. Sistem antrian bersifat steady state

2. Kecepatan unit pelayanan tetap sesuai data historis

3. Konfigurasi antrian mengikuti model pada kondisi nyata

a. Model A

Pada SAPFIB, model A terdapat dua buah komponen kedatangan

yakni komponen kedatangan KedatanganP dan komponen kedatangan

KedatanganAC. Komponen kedatangan KedatanganP akan memberikan

tingkat kedatangan bahan untuk stasiun penerimaan hingga stasiun

panning untuk produk non smoke dan stasiun bagging untuk produk

smoke. KedatanganAC akan menjadi tingkat kedatangan untuk stasiun

After Curing.

Jika melihat hasil output simulasi kondisi nyata pada model A pada

Lampiran 5, dapat dipahami bahwa idle time yang terjadi cukup tinggi

untuk stasiun kerja yang mendapatkan sumber kedatangan dari

komponen KedatanganP. Untuk stasiun kerja yang mendapat tingkat

kedatangan berdasarkan komponen KedatanganAC menunjukan utilitas

operator relatif tinggi hingga menimbulkan antrian dan balking. Kondisi

tersebut memberi kesimpulan bahwa pada komponen kedatangan

KedatanganP tingkat kedatangan bahannya lebih kecil dari tingkat

pelayanan stasiun kerja yang ada dan pada komponen KedatanganAC

tingkat kedatangan bahan lebih besar dari tingkat pelayanan stasiun kerja

yang ada.

Pengembangan model yang dilakukan pada komponen kedatangan

KedatanganP dilakukan dengan menaikkan tingkat kedatangan bahan

hingga memberikan tingkat utilitas operator yang tertinggi dengan

antrian yang minimum. Pengembangan model pada komponen

KedatanganAC dilakukan dengan menurunkan tingkat kedatangan bahan

71

hingga waktu antrian minimum dan tidak terjadi balking pada tingkat

utilitas operator yang maksimal.

Untuk menetapkan jumlah kenaikan dan penurunan tingkat

kedatangan dilakukan dengan metode trial and error yakni dengan

mengkalikan jumlah kedatangan bahan dari data historis dengan suatu

bilangan. Tabel 10 menunjukan hasil dari trial and error beserta

perbandingan perubahan kinerja dari sistem antrian pada model A dari

stasiun penerimaan hingga stasiun panning dan stasiun bagging. Tabel 11

menunjukan hasil dari trial and error beserta perbandingan perubahan

kinerja dari sistem antrian stasiun After Curing pada model A.

Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalammodel A

ParameterTingkat KedatanganKondisiHistoris

2x KondisiHistoris

3x KondisiHistoris

4x KondisiHistoris

5x KondisiHistoris

Rata-rata tingkat utilitas operator (%)1. Stasiun Penerimaan 37,17 72,71 99,63 99,82 99,83

2. Stasiun Arahan Produksi 2,59 5,05 7,01 6,99 7,08

3. Stasiun Penyisikan 9,26 18,23 24,90 24,76 27,52

4. Stasiun Filleting 27,35 55,89 74,89 73,83 75,09

5. Stasiun Trimming 33,92 67,66 92,16 89,18 91,71

6. Stasiun Washing 18,33 36,35 49,60 48,74 49,68

7. Stasiun Sizing 31,65 62,47 85,34 83,98 83,84

8. Stasiun Panning 29,37 56,04 91,45 88,46 90,30

9. Stasiun Bagging 51,37 97,13 98,40 98,54 98,75

10. Overall 26,77 52,39 69,26 68,26 69,31

Rata-rata waktu tunggu bahan (detik)1. Stasiun Penerimaan 1,49 19,44 1629,05 3799,88 6063,65

2. Stasiun Arahan Produksi 0,00 0,00 0,00 0,00 0,00

3. Stasiun Penyisikan 0,00 0,00 0,02 0,00 0,01

4. Stasiun Filleting 0,20 4,49 9,79 7,95 9,64

5. Stasiun Trimming 0,24 11,36 130,50 65,96 33,70

6. Stasiun Washing 0,25 0,87 1,42 1,44 1,41

7. Stasiun Sizing 0,46 4,28 11,92 11,73 12,28

8. Stasiun Panning 0,65 7,20 382,95 116,84 493,67

9. Stasiun Bagging 14,22 1065,53 2237,63 2283,40 2330,61

10. Overall 1,95 123,68 489,25 698,58 993,89Balking (kg)

1. Overall 0 0 0 0 0

72

Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun After Curing dalammodel A

ParameterTingkat KedatanganKondisiHistoris

0,5x KondisiHistoris



Rata-rata tingkat utilitas operator (%)1. Stasiun After Curing 99,38 58,07 65 83,26

Rata-rata waktu tunggu bahan (detik)1. Stasiun After Curing 1398,15 0,1919 0,871 13,71

Balking (kg)1. Overall 26,3 0 0 0

Berdasarkan hasil pengembangan model dengan berbagai skenario

tingkat kedatangan tersebut untuk mendapatkan kinerja sistem antrian

yang paling efisien dengan kriteria waktu tunggu minimum dan tingkat

utilitas operator maksimum, adalah apabila pabrik ini beroperasi dengan

volume atau kapasitas produksi 3 kali lebih besar dari volume produksi

yang ada pada saat dilakukan penelitian. Dengan kata lain efisiensi

penggunaan sumber daya yang maksimum terjadi jika jumlah bahan yang

diproduksi (input) atau tingkat kedatangan bahan di stasiun penerimaan

adalah sebanyak 3 kali dari jumlah bahan pada data historis selama

penelitian. Hal tersebut dinilai demikian oleh karena pada tingkat

kedatangan yang lebih tinggi tingkat utilitas operator tidak lagi naik

secara signifikan. Untuk pengembangan model A pada komponen

kedatangan di stasiun After Curing, tingkat kedatangan yang

menghasilkan penggunaan sumberdaya secara efektif dan efisien dengan

kriteria waktu tunggu minimum dan tingkat utilitas operator maksimum

serta tidak adanya balking, adalah apabila tingkat kedatangan bahan

sebanyak 0,75 kali lipat dari tingkat kedatangan historis selama

pengamatan penelitian. Hal tersebut didasari dari hasil simulasi yang

menunjukkan pada tingkat kedatangan tersebut tingkat utilitas operator

masih relatif tinggi, dengan waktu antrian minimum dan tidak ada

balking.

73

Gambar 19. Penulisan model simulasi A alternatif skenario perubahantingkat kedatangan bahan pada program QSS 1.0 dalambentuk matriks


ini memang memberikan kinerja lebih baik untuk tingkat utilitas operator

dalam model tersebut namun jumlah bahan dan antrian yang terjadi ikut

meningkat, hal ini dapat dilihat pada hasil simulasi dalam Lampiran 12.

Kombinasi tingkat kedatangan tersebut secara keseluruhan dapat

meningkatkan kinerja dari sistem antrian, seperti yang ditunjukkan dalam

hasil simulasi pada Lampiran 12, tingkat utilitas operator selama tiga kali

ulangan simulasi adalah 76,43 %, 75,46 % dan 76,11 % sehingga jika

dirata-rata adalah 76 %. Namun seperti pada simulasi kondisi nyata

masih terjadi ketidakseimbangan tingkat utilitas operator antara stasiun

yakni pada stasiun Arahan Produksi tingkat utilitas operator berada pada

kisaran 7 % dan pada stasiun Penerimaan, Sizing, Trimming, Panning,

dan Bagging tingkat utilitas operator berada pada tingkat lebih besar dari

80 %. Hal tersebut juga yang menyebabkan naiknya waktu tunggu bahan

(antrian) seperti yang dilihat pada Lampiran 12, antrian yang sangat

padat terjadi pada stasiun penerimaan, namun hal ini tidak dirasakan pada

stasiun arahan produksi dan stasiun penyisikan.

74

b. Model B

Pada model B simulasi sistem antrian yang terjadi menunjukan

terjadinya antrian hanya pada saat tertentu saja ketika produksi hariannya

melebihi kapasitas mesin pendingin. Dalam model B ini pengembangan

model dengan skenario perubahan tingkat kedatangan bahan berarti

merubah tingkat kedatangan bahan agar sesuai dengan kapasitas

pelayanan mesin. Perhitungan kedatangan bahan pada stasiun freezing

dilakukan secara agregat dan dengan pola pelayanan konstan. Tingkat

kedatangan yang disarankan ialah maksimal per harinya sebesar 18.000

kg sesuai dengan kapasitas mesin pendingin.

Namun tingkat kedatangan tersebut hanya berlaku ketika pola

kedatangannya tetap seperti kondisi kedatangan historis selama

penelitian. Pada Lampiran 6, waktu idle rata-rata mesin setiap hari

produksi yakni 67,8 % untuk Freezer 1, 84,0 % untuk Freezer 2, dan

33,7 % untuk Freezer 3 menunjukkan bahwa freezer tersebut pada

dasarnya dapat melayani bahan pada kapasitas yang lebih besar dari

18.000 kg setiap harinya. Hal tersebut dapat terjadi dengan

mengembangkan pola kedatangan bahan pada stasiun Freezing.

Pengembangan pola kedatangan bahan di stasiun Freezing dapat

dilakukan dengan perbaikan sistem penjadwalan produksi dengan

memperhatikan waktu servis mesin, dan sinkronisasi produksi antar lini

produksi serta kapasitas penyimpanan bahan baku yang tidak di analisis

dalam penelitian khusus ini. Pengembangan model antrian dapat lebih

baik jika dilakukan juga dengan perbaikan pola kedatangan bahan yang

dilakukan dengan perubahan sistem penjadwalan.

c. Model C


pada model C ini bertujuan untuk memperlihatkan pada tingkat

kedatangan seperti apa penggunaan sumber daya manusia sebagai unit

pelayanan dapat bekerja secara efektif dan efisien. Hasil output simulasi

dari model C memberikan gambaran bahwa terjadi idle time yang relatif

75

tinggi pada stasiun kerja Packing selama 24 jam waktu kerja dengan

komposisi operator seperti pada kondisi nyata.

Untuk mengurangi idle time sehingga operator di dalam stasiun

tersebut bekerja secara maksimal maka dibutuhkan kenaikan tingkat

kedatangan bahan dalam stasiun Packing. Tingkat kedatangan

ditingkatkan dengan cara mengkalikan jumlah kedatangan bahan pada

data historis selama penelitian dengan bilangan tertentu. Untuk

mensimulasikan hasil kenaikan tingkat kedatangan bahan, attribut waktu

antar kedatangan pada komponen kedatangan model C dirubah distribusi

kedatangannya mengikuti pola kedatangan bahan yang baru. Untuk

mendapatkan tingkat kedatangan yang terbaik digunakan teknik trial and

error. Perbandingan hasil uji coba pada beberapa tingkat kedatangan

dapat dilihat pada Tabel 12.

Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun Packing dalammodel C

Parameter

Tingkat Kedatangan

KondisiHistoris

3xKondisiHistoris

5xKondisiHistoris

6xKondisiHistoris

7xKondisiHistoris

8xKondisiHistoris

10xKondisiHistoris

Rata-rata tingkat utilitas operator (%)1. Stasiun Packing 13,49 39,17 66,04 80,35 90,61 99,70 99,63

Rata-rata waktu tunggu bahan (detik)1. Stasiun Packing 0,23 5,04 27,80 80,12 271,16 3197,37 6702,78

Balking (kg)1. Overall 0 0 0 0 0 0 1852

Perlu diingat bahwa stasiun Packing yang dianalisis ini menggunakan

asumsi stasiun Packing berkerja dalam tiga shift dengan komposisi

operator seusai standar yang ditetapkan yakni delapan orang untuk setiap

lini. Pada kondisi nyatanya perusahaan dapat saja meniadakan shift kerja

dan mengurangi jumlah operator yang aktif di stasiun Packing pada saat

kedatangan bahan atau beban kerja rendah. Berdasarkan hasil uji coba

berbagai tingkat kedatangan yang ditunjukkan pada Tabel 12, tingkat

utilitas operator tidak dapat mencapai utilitas 90 % tanpa menghindari

adanya antrian. Namun agar perusahaan dapat mengadakan waktu kerja

sebanyak tiga shift setiap harinya dan dengan komposisi operator yang

76

tetap secara efisien dan efektif, maka pabrik dapat meningkatkan

kedatangan bahan pada stasiun Packing sebesar 6x dari data historis

selama penelitian dilakukan.

Tingkat kedatangan sebesar 6x dari data historis selama penelitian

dilakukan direkomendasikan oleh karena pada tingkat kedatangan

tersebut tingkat utilitas operator relatif tinggi dengan waktu antrian yang

dapat ditoleransi. Pengembangan model antrian ini dapat didukung juga

dengan pengembangan sistem penjadwalan. Pengembangan sistem

penjadwalan tersebut dapat mewujudkan tingkat kedatangan yang

diinginkan beserta pengaturan komposisi operator dan shift kerja secara

dinamis, sehingga dapat memperoleh kinerja yang lebih baik pada stasiun

kerja Packing. Hasil simulasi pengembangan model C ini dapat dilihat

pada Lampiran 13.

Gambar 20. Penulisan model simulasi C alternatif skenario perubahantingkat kedatangan bahan pada program QSS 1.0 dalambentuk matriks

2. Pengembangan Model Dengan Skenario Perubahan Komposisi Unit

Pelayanan

Jika volume produksi atau tingkat kedatangan bahan baku ikan yang

diproses sesuai dengan keadaan selama penelitian ini dilaksanakan, maka

77

pengembangan model dengan skenario perubahan komposisi unit pelayanan

dapat dilakukan. Penempatan jumlah operator dalam setiap stasiun kerja

didasarkan pada tingkat utilitas operator dan rata-rata waktu antrian pada

stasiun tersebut. Orientasi perubahan komposisi operator pada tiap stasiun

kerja mengacu pada tingkat utilitas operator yang maksimal dengan waktu

tunggu yang minimal. Stasiun kerja yang memiliki waktu tunggu yang besar

dan tingkat utilitas operator yang tinggi akan ditambahkan jumlah

operatornya sehingga waktu tunggunya menjadi berkurang, sedangkan

stasiun kerja dengan waktu tunggu yang kecil dan tingkat utilitas operator

yang rendah akan dikurangi jumlah operatornya. Proses perubahan

komposisi jumlah operator ini diuji coba (trial and error) dan disimulasikan

hingga mendapatkan kinerja yang lebih baik dari model sebelumnya.

Dalam melakukan pengembangan model antrian ini digunakan

beberapa asumsi yakni :

1. Sistem antrian bersifat steady state

2. Model antrian dikembangkan untuk satu lini produk yakni fillet ikan

beku, dengan tahapan pengerjaan yang tetap

3. Kondisi kedatangan sama seperti data historis selama penelitian

4. Kecepatan pelayanan operator tetap seperti data historis selama

penelitian

5. Kondisi tata letak beserta kapasitas dan disiplin antrian menyesuaikan

dengan kondisi historis

Setelah dilakukan beberapa kali uji coba kombinasi jumlah operator

pada setiap model, komposisi operator dengan hasil terbaik untuk SAPFIB

ditunjukan pada Tabel 13.

78

Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja padapengembangan model antrian SAPFIB

No. Stasiun Jumlah Unit Pelayanan(Model Nyata)

Jumlah Unit Pelayanan(Model Aternatif)

1 Stasiun Penerimaan 5 Orang 4 Orang2 Stasiun Arahan Produksi 3 Orang 1 Orang3 Stasiun Penyisikan 7 Orang 2 Orang4 Stasiun Filleting 5 Orang 3 Orang5 Stasiun Trimming 16 Orang (2 Line) 10 Orang (2 Line)6 Stasiun Washing 2 Orang 1 Orang7 Stasiun Sizing 4 Orang 4 Orang8 Stasiun Bagging 2 Orang 2 Orang9 Stasiun Panning 6 Orang 6 Orang10 Stasiun Freezing 3 Unit 5 Unit11 Stasiun After Curing 5 Orang 7 Orang12 Stasiun Packing 24 Orang (3 Line) 12 Orang (3 Line)

Total Unit Pelayanan 82 Unit 57 Unit

Pengembangan model antrian untuk SAPFIB menunjukan bahwa pada

tingkat kedatangan yang sesuai dengan data historis selama penulis

melakukan penelitian jumlah operator yang diperlukan ialah seperti yang

ditunjukan pada model alternatif. Namun seperti yang diketahui tingkat

kedatangan bahan untuk produk perikanan tidak dapat dipastikan, sehingga

pengembangan model alternatif ini hanya berlaku ketika tingkat kedatangan

bahan baku sama seperti tingkat kedatangan hasil pengamatan penelitian.

a. Model A

Sesuai hasil uji coba perubahan komposisi operator pada model A,

pengurangan jumlah operator dilakukan pada stasiun penerimaan, arahan

produksi, penyisikan, Filleting, Trimming, Washing sedangkan pada

stasiun After Curing jumlah operator ditambahkan.

Pada model A ketika merubah komposisi operator dalam sistem

antrian tersebut, ternyata pada beberapa stasiun menunjukan setelah

pengembangan model antrian tingkat utilitas operator tidak dapat

mencapai nilai 90 %. Hal ini diperhatikan bahwa ketika sebuah stasiun di

beri jumlah operator minimal sehingga beban kerja untuk setiap operator

meningkat, hasil tingkat utilitas operator tetap menunjukan perubahan

79

yang relatif kecil. Hal ini terjadi karena tingkat kedatangan bahan pada

stasiun tersebut lebih kecil dari pada tingkat pelayanan stasiun tersebut.

Gambar 21. Penulisan model simulasi A alternatif skenario perubahankomposisi unit pelayanan pada program QSS 1.0 dalambentuk matriks

Perubahan komposisi operator pada model A ini ditunjukan agar

bahan baku yang datang ada dapat diolah secara maksimal, dengan

sumberdaya minimal. Pengembangan model A ini merupakan sistem

antrian dengan komposisi operator yang seimbang dalam menjaga tingkat

kedatangan dan tingkat pelayanan. Hasil simulasi pengembangan model

A dengan skenario komposisi unit pelayanan terbaik dapat dilihat pada

Lampiran 14.

b. Model B

Simulasi penjadwalan model B merupakan model sistem antrian yang

terjadi pada stasiun freezing. Pengembangan model dengan skenario

perubahan komposisi unit pelayanan pada model B dilakukan dengan

menentukan kapasitas pelayanan yang dibutuhkan dalam memenuhi

kedatangan bahan seperti pada kondisi historis. Namun perlu diingat unit

80

pelayanan stasiun freezing merupakan mesin produksi sehingga

penambahan atau pengurangan unit pelayanan freezing akan lebih bijak

jika tidak hanya dirubah berdasarkan analisis simulasi antrian saja, faktor

lain seperti kemampuan mesin, efiesiensi mesin, serta faktor biaya perlu

dipertimbangkan dalam menentukan jumlah unit pelayanan stasiun

tersebut. Model B tersebut tidak dapat memberikan informasi mengenai

kinerja stasiun tersebut secara spesifik oleh karena digunakan asumsi

tidak adanya downtime dan mesin bekerja secara terus menerus.

Sehingga jika terdapat downtime kemungkinan antrian terjadi akan lebih

besar.

Jika digunakan asumsi pola kedatangan bahan adalah sama dengan

pola kedatangan historis selama penelitian berlangsung, maka

berdasarkan hasil simulasi pada Lampiran 6 kapasitas mesin pendingin

perlu ditambahkan sebesar 7808,3 kg. Dengan menggunakan asumsi

kapasitas mesin freezer seperti yang ada saat ini di pabrik, penambahan

kapasitas pelayanan di stasiun Freezing yang dapat menggunakan dua

buah freezer dengan spesifikasi seperti mesin freezer 3. Dengan

menambakan mesin freezer tersebut, kapasitas pelayanan stasiun freezing

dalam satu hari dapat naik dari 18000 kg menjadi 29000 kg. Penggunaan

dua buah mesin freezer berkapasitas kecil akan lebih efisien dibanding

satu buah mesin freezer dengan kapasitas besar.

Seperti halnya pengembangan model B dengan skenario perubahan

tingkat kedatangan, pengembangan model B dengan skenario perubahan

jumlah unit pelayanan ini juga dapat didukung dengan perbaikan pola

pelayanan dari mesin freezer. Adanya idle time dalam simulasi

penjadwalan model B dan rendahnya frekuensi terjadinya antrian,

membuka peluang perbaikan sistem penjadwalan untuk waktu pelayanan

mesin. Perbaikan sistem penjadwalan dengan meminimasi idle time dapat

dilakukan untuk memperoleh kapasitas pelayanan yang paling efisien

dalam mengolah bahan baku yang masuk.

81

c. Model C

Pengembangan model C dilakukan untuk menentukan jumlah operator

yang optimal pada stasiun Packing. Oleh karena waktu tunggu pada

kondisi nyata telah mendekati 0 detik, maka pengembangan model C

dilakukan untuk memaksimalkan tingkat utilitas operator pada stasiun

tersebut. Hal ini dapat dilakukan dengan mengurangi jumlah operator

sebagai unit pelayanan.

Pengurangan jumlah unit operator akan di hentikan ketika hasil

analisis simulasi memberikan perubahan waktu tunggu rata-rata secara

overall diatas 14 detik. Waktu tersebut ditentukan berdasarkan waktu

proses bahan. Waktu proses rata-rata bahan pada stasiun Packing ini

berkisar antara 140 detik hingga 150 detik berdasarkan hasil simulasi

model C pada kondisi nyata. Penulis memberikan toleransi rata-rata

waktu tunggu yang boleh terjadi maksimal 10 % dari rata-rata waktu

proses bahan oleh karena pada taraf waktu tersebut peluang bahan rusak

akibat menunggu waktu proses relatif kecil.

Hasil uji coba pengurangan jumlah operator memberikan hasil

sebanyak 12 orang operator pada stasiun Packing dapat dikurangi

sehingga terdapat 12 orang yang melayani bahan yang datang. Pada

jumlah operator seperti yang disebutkan memberikan hasil simulasi

tingkat utilitas operator yang lebih tinggi dan rata-rata waktu tunggu

yang masih ditoleransi dari simulasi pada kondisi nyata selama tiga kali

ulangan simulasi seperti yang ditunjukan dalam Lampiran 15.

82

Gambar 22. Penulisan model simulasi C alternatif skenario perubahankomposisi unit pelayanan pada program QSS 1.0 dalambentuk matriks

Pengembangan ini dilakukan berdasarkan teori antrian dengan

mengambil pola kedatangan dan pelayanan secara agregat, sehingga

masih terdapat pengembangan model dengan cara lain seperti

menggunakan teknik penjadwalan untuk mendapatkan hasil yang lebih

optimal dengan kebijakan pengadaan shift kerja.

Hasil dari pengembangan model dengan skenario perubahan tingkat

kedatangan bahan baku maupun dengan skenario perubahan komposisi unit

pelayanan tersebut dapat diterapkan dengan memperhatikan seluruh asumsi

yang sebelumnya telah ditetapkan. Masing-masing model alternatif hasil

pengembangan mempunyai kelebihan dan kekurangan. Pengembangan model

dengan skenario perubahan tingkat kedatangan merupakan pengembangan

model yang merujuk pada jumlah bahan baku ideal untuk kemampuan produksi

perusahaan saat ini, kelemahan dari model tersebut ialah untuk menerapkan

tingkat kedatangan yang sesuai tersebut berkaitan dengan pihak ketiga sebagai

penyedia bahan baku yang terkadang tidak dapat dipaksakan. Pengembangan

model alternatif dengan skenario perubahan komposisi operator pada

perusahaan akan relatif lebih mudah diterapkan karena berkaitan dengan

pengelolaan internal perusahaan, namun kelemahan pengembangan model

83

alternatif tersebut adalah terdapat pengurangan jumlah karyawan, hal tersebut

merupakan isu sensitif yang berkaitan dengan pertimbangan sosial ekonomi

yang perlu dikaji lebih lanjut.

Ketika hasil pengembangan model diterapkan terdapat beberapa hal yang

perlu diberi perhatian yakni mengenai keahlian operator yang dialokasikan

pada stasiun tertentu, hal ini dapat diselesaikan dengan mengadakan pelatihan

singkat agar operator mampu menjadi unit pelayanan dalam sebuah stasiun

kerja. Selain itu penambahan peralatan kerja untuk penunjang kegiatan

pelayanan operator pada stasiun kerja juga perlu diperhatikan. Analisa

keuntungan dan kerugian finansial dari dampak pengembangan model

alternatif juga perlu di perhitungkan untuk mengetahui kesesuaian penerapan

model alternatif di lingkungan perusahaan.

E. Kinerja Sistem Antrian

Pengembangan model antrian pada sistem produksi fillet ikan beku di

PT. Global Tropical Seafood, diharapkan dapat memberikan dampak positif

dari segi peningkatan kinerja perusahaan. Dua buah model pengembangan

memberikan perbaikan kinerja masing-masing. Untuk model alternatif skenario

perubahan tingkat kedatangan bahan akan memberikan perubahan kinerja

terutama dari sisi tingkat utilitas operator, sedangkan model alternatif skenario

perubahan komposisi unit pelayanan merupakan pengembangan yang memberi

perbaikan kinerja terutama dari segi efisensi dan efektifitas sistem produksi

berserta keseimbangan lini produksi.

1. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan

Tingkat Kedatangan

Indikator perbaikan kinerja hasil pengembangan model dapat dilihat

dari hasil analisis simulasi, berdasarkan hasil pengembangan tersebut

perubahan kinerja pada pengembangan model dengan skenario perubahan

tingkat kedatangan, yakni :

84

a. Model A

(i) Jumlah bahan yang tidak terproses

Jumlah bahan yang tak terproses (balking) merupakan sebuah

indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.

Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di

proses pada hari tersebut namun dikerjakan dengan tambahan jam

kerja.

Diagram di bawah menunjukan bahwa pada model A kondisi nyata

terdapat material yang tidak terproses rata-rata sebanyak 26,33 kg

namun setelah dilakukan pengembangan model antrian, material yang

tidak terproses menjadi tidak ada. Pengembangan model ini mampu

memberikan perbaikan kinerja proses produksi saat ini.

Gambar 23. Diagram perbandingan jumlah bahan yang tidak terprosespada pengembangan model A dengan skenario perubahantingkat kedatangan

(ii) Jumlah bahan yang terproses

Jumlah bahan yang terproses menunjukan kemampuan output yang

dihasilkan dari lini produksi fillet ikan beku dalam waktu simulasi.

Diagram di bawah menunjukan bahwa pada model utama kondisi

nyata jumlah material yang terproses rata-rata sebanyak 1856,67 kg

namun setelah dilakukan pengembangan model antrian alternatif,

85

material yang terproses menjadi 3099,00 kg. Kenaikan jumlah material

yang terproses memberikan arti bahwa hasil pengembangan model

mampu memberikan output yang lebih besar dari model pada kondisi

nyata.

Gambar 24. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan tingkatkedatangan

(iii) Rata-rata waktu aliran bahan

Rata-rata waktu aliran bahan merupakan hasil analisis simulasi

yang menunjukan lamanya waktu pergerakan bahan dalam sistem

produksi. Rendahnya waktu aliran bahan akan memberikan

keuntungan bagi perusahaan yakni kualitas bahan akan lebih terjaga

selama proses produksi berlangsung dan memberikan kinerja lebih

tinggi terhadap kecepatan produksi. Hasil pengembangan model

tersebut memberikan waktu bahan mengalir dalam sistem produksi

yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan

adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan

keseimbangan kecepatan pelayanan di dalam sistem produksi.

86

Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahantingkat kedatangan

(iv) Tingkat utilitas operator

Tingkat utilitas operator memperlihatkan efisiensi pemanfaatan

sumber daya manusia dalam mengolah bahan. Semakin tinggi tingkat

utilitas operator akan menunjukan semakin tingginya tingkat

kesibukan operator dan semakin rendahnya idle time. Hasil

pengembangan model secara ekternal ini mampu memberikan tingkat

utilitas operator menjadi lebih tinggi 47,86 %, seperti yang ditunjukan

pada diagram berikut.

Meningkatnya utilitas operator memberikan gambaran kinerja yang

lebih baik, yakni dari segi pemanfaatan sumber daya manusia yang

tersedia. Idealnya nilai seratus persen pada tingkat utilitas unit

pelaanan memberikan arti bahwa unit pelayanan bekerja pada seluruh

waktu yang tersedia.

87

Gambar 26. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model A dengan skenarioperubahan tingkat kedatangan

(v) Rata-rata jumlah bahan yang menunggu

Rata-rata jumlah bahan yang menunggu merupakan indikator

banyaknya jumlah bahan yang ada dalam suatu antrian. Sedikitnya

jumlah bahan yang menunggu akan memberikan kinerja yang lebih baik

oleh karena akan semakin sedikit bahan yang akan mendapat resiko

kerusakan bahan akibat penurunan mutu. Dari diagram di bawah

ternyata hasil pengembangan model memberi perubahan jumlah rata-

rata bahan menunggu menjadi lebih besar. Hal ini menunjukan kinerja

sistem antrian yang buruk akibat tidak seimbangnya kecepatan

pelayanan antara stasiun kerja dalam model.

88

Gambar 27. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model A denganskenario perubahan tingkat kedatangan

(vi) Rata-rata waktu menunggu bahan

Rata-rata waktu menunggu bahan seperti halnya jumlah rata-rata

bahan yang menunggu juga dapat menjadi indikator kinerja sistem

antrian. Seperti yang dilihat pada diagram dibawah ini, hasil

pengembangan model antrian memberikan rata-rata waktu tunggu

bahan yang lebih lama dari kondisi nyata. Hal tersebut terjadi

dikarenakan pada pengembangan model ini, pengembangan dilakukan

dengan meningkatkan tingkat kedatangan agar lebih tinggi sehingga

dapat menimbulkan kepadatan dalam sistem antrian.

89

Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model A dengan skenarioperubahan tingkat kedatangan

(vii) Biaya tambahan penggunaan es

Untuk mempetahankan mutu bahan yang sedang diproses,

perusahaan menggunakan es sebagai sarana untuk menjaga rantai

dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang

sedang diproses pada kisaran tertentu dimana kerusakan bahan akan

menjadi minimum akibat degradasi waktu. Biaya tambahan yang

dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan

dari segi penghematan sumber daya.

Biaya tambahan yang dikeluarkan untuk penggunaan es dalam

sistem antrian akibat adanya antrian tersebut dapat dihitung dari

jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.

Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah

bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama

satu jam maka estimasi biaya tambahan yang dikeluarkan untuk

pemakaian es akibat antrian dapat dihitung dengan rumus berikut :

Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan

yang mengantri pada setiap stasiun kerja (kg) x Total maksimum

waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik

90

Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada

Lampiran 17. Seperti yang ditunjukan pada Gambar 29,

pengembangan model alternatif ini ternyata menambah biaya

tambahan penggunaan es akibat antrian yang terjadi, namun hal

tersebut bisa jadi tidak bermasalah oleh karena model alternatif ini

menghasilkan lebih banyak bahan yang terproses dengan tingkat

utilitas operator yang lebih tinggi dari model antrian sistem nyata.

Sehingga pendapatan perusahaan itu pun dapat meningkat.

Gambar 29. Diagram perbandingan biaya penggunaan es padapengembangan model A dengan skenario perubahantingkat kedatangan

91

b. Model B

Gambar 30. Grafik perbandingan jumlah bahan yang mengantri padastasiun freezing dengan skenario perubahan tingkatkedatangan

Kinerja dari model B ini dinilai dari satu sisi yakni dari jumlah

antrian maksimum yang terjadi. Hal tersebut dikarenakan model B

merupakan model analisa keseimbangan aliran bahan yang bertujuan

untuk mengetahui keseimbangan jumlah bahan yang harus di proses

dengan kemampuan kapasitas pelayanan.

Prinsip model keseimbangan aliran bahan adalah jumlah input

seimbang dengan kapasitas pelayanan. Skenario perubahan tingkat

kedatangan merupakan pengembangan model keseimbangan aliran

bahan dari segi input. Skenario pengembangan model aliran bahan,

seperti yang ditunjukan pada Gambar 30 menunjukan hilangnya

antrian pada stasiun freezing.

c. Model C

(i) Jumlah bahan yang terproses




92



material yang terproses menjadi 10118,67 kg. Kenaikan jumlah

material yang terproses memberikan arti bahwa hasil pengembangan

model mampu memberikan output yang lebih besar dari model pada

kondisi nyata. Dalam hal ini kenaikan output berarti naiknya volume

produksi yang apat memberikan keuntungan finansial.

Gambar 31. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan tingkatkedatangan

(ii) Rata-rata waktu aliran bahan








yang lebih lama. Hal ini terjadi akibat pengembangan yang dilakukan

adalah berdasarkan tingkat kedatangan bahan tanpa memperhatikan

pola kecepatan pelayanan di dalam sistem produksi. Sehingga antrian

93

yang terjadi menjadi meningkat, menambahkan waktu aliran bahan

dalam sistem produksi.

Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan tingkatkedatangan

(iii) Tingkat utilitas operator





pengembangan model mampu memberikan tingkat utilitas operator

menjadi lebih tinggi, seperti yang ditunjukan pada diagram berikut.

94

Gambar 33. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model C dengan skenarioperubahan tingkat kedatangan Rata-rata jumlah bahanyang menunggu







rata bahan menunggu bahan menjadi lebih besar. Hal ini menunjukan

dampak dari naiknya tingkat kedatangan akan menyebabkan naiknya

jumlah bahan yang mengantri.

95

Gambar 34. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model C denganskenario perubahan tingkat kedatangan

(iv) Rata-rata waktu menunggu bahan




pengembangan model memberikan waktu rata-rata antrian yang lebih

lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan

model ini, tingkat kedatangan yang lebih tinggi menimbulkan

kepadatan dalam sistem antrian.

96

Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model C dengan skenarioperubahan tingkat kedatangan

2. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan

Komposisi Unit Pelayanan

Beberapa indikator perbaikan kinerja hasil pengembangan model

dengan skenario perubahan komposisi operator dapat dilihat dari analisis

hasil simulasi seperti berikut :

a. Model A

(i) Jumlah bahan yang tidak terproses

Jumlah bahan yang tak terproses (balking) merupakan sebuah

indikasi ketidakmampuan unit pelayanan melayani kedatangan bahan.

Pada kondisi nyata jumlah bahan yang tidak terproses tetap akan di

proses pada hari tersebut namun dikerjakan dengan tambahan jam

kerja.


nyata terdapat material yang tidak terproses rata-rata sebanyak 26,33

kg namun setelah dilakukan pengembangan model antrian alternatif,

material yang tidak terproses menjadi tidak ada. Sehingga

pengembangan model ini mampu memberikan perbaikan kinerja proses

produksi saat ini.

97

Gambar 36. Diagram perbandingan jumlah bahan yang tidak terprosespada pengembangan model A dengan skenario perubahankomposisi operator

(ii) Jumlah bahan yang terproses






material yang terproses menjadi 1991,67 kg. Kenaikan jumlah material

yang terproses memberikan arti bahwa hasil pengembangan model

mampu memberikan output yang lebih besar dari model pada kondisi

nyata.

98

Gambar 37. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahankomposisi operator

(iii) Rata-rata waktu aliran bahan








yang lebih cepat 703,88 detik.

99

Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahankomposisi operator

(iv) Tingkat utilitas operator







Gambar 39. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model A dengan skenarioperubahan komposisi operator

(v) Rata-rata jumlah bahan yang menunggu






ternyata hasil pengembangan model mampu memberi perubahan jumlah

rata-rata bahan menunggu bahan menjadi lebih kecil.

100

Gambar 40. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model A denganskenario perubahan komposisi operator

(vi) Rata-rata waktu menunggu bahan




pengembangan model antrian mampu memberikan waktu tunggu yang

lebih kecil dibanding pada saat kondisi nyatanya.

Waktu menunggu yang lebih kecil dapat memberikan keuntungan

bagi perusahaan yakni dari segi minimasi kemungkinan bahan rusak

akibat menunggu dalam suhu ruang dan efisiensi kecepatan produksi

dari sistem.

101

Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model A dengan skenario perubahankomposisi operator

(vii) Biaya tambahan penggunaan es

Untuk mempetahankan mutu bahan yang sedang diproses,

perusahaan menggunakan es sebagai sarana untuk menjaga rantai

dingin bahan. Konsep rantai dingin ialah menjaga suhu bahan yang

sedang diproses pada kisaran tertentu dimana kerusakan bahan akan

menjadi minimum akibat degradasi waktu. Biaya tambahan yang

dikeluarkan untuk pembelian es dapat menurunkan kinerja perusahaan

dari segi penghematan sumber daya.

Biaya tambahan yang dikeluarkan untuk penggunaan es dalam

sistem antrian akibat adanya antrian tersebut dapat dihitung dari

jumlah maksimum bahan yang menunggu dan lama waktu tunggunya.

Menggunakan asumsi penggunaan jumlah es (kg) terhadap jumlah

bahan (kg) sebesar 1:1 dan dengan lama pemakaian ideal es selama

satu jam maka estimasi biaya tambahan yang dikeluarkan untuk

pemakaian es akibat antrian dapat dihitung dengan rumus berikut :

Biaya Tambahan Penggunaan Es (Rp) = {Total maksimum bahan

yang mengantri pada setiap stasiun kerja (kg) x Total maksimum

waktu menunggu bahan (detik) x harga es (Rp/kg)} : 3600 detik

102

Hasil perhitungan estimasi biaya penggunaan es dapat dilihat pada

Lampiran 18. Seperti yang ditunjukan pada Gambar 42,

pengembangan model antrian dapat memberikan penghematan biaya

penggunaan es selama sebulan sebesar Rp. 255.368,17 atau berkurang

86,27 % dari model antrian sistem nyata. Hal ini dapat terjadi sebagai

akibat konsekuensi dari berkurangnya waktu antrian.

Gambar 42. Diagram perbandingan biaya penggunaan es padapengembangan model A dengan skenario perubahankomposisi operator

b. Model B

Gambar 43. Grafik perbandingan jumlah bahan yang mengantri padastasiun freezing dengan skenario perubahan jumlah unitpelayanan

103

Prinsip model keseimbangan aliran bahan adalah jumlah input

seimbang dengan kapasitas pelayanan. Skenario perubahan unit

pelayan merupakan pengembangan model keseimbangan aliran bahan

dari segi kapasitas pelayanan. Skenario pengembangan model aliran

bahan, seperti yang ditunjukan pada Gambar 43 menunjukan hilangnya

antrian pada stasiun freezing.

c. Model C

(i) Jumlah bahan yang terproses






material yang terproses menjadi 1667,00 kg. Jumlah material yang

terproses setelah hasil pengembangan ternyata tidak berubah secara

signifikan. Hal ini belum tentu berarti kinerja pengembangan model

tidak berubah, melainkan dapat saja lebih baik ketika jumlah bahan

terproses tetap namun tingkat utilitas operator meningkat beserta

penggunaan sumber dayanya berkurang.

104

Gambar 44. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahankomposisi operator

(ii) Rata-rata waktu aliran bahan







tersebut memberikan waktu bahan yang mengalir dalam sistem

produksi tidak berubah terlalu signifikan hanya bertambah 8,33 detik.

Hal ini terjadi akibat pengembangan yang dilakukan adalah

berdasarkan tingkat kedatangan bahan tanpa memperhatikan pola

kecepatan pelayanan di dalam sistem produksi. Sehingga antrian yang

terjadi menjadi meningkat, menambahkan waktu aliran bahan dalam

sistem produksi.

Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahankomposisi operator

105

(iii) Tingkat utilitas operator







Dengan jumlah penggunaan sumberdaya manusia yang lebih sedikit

dan utilitas yang lebih tinggi, berarti sistem produksi berjalan dengan

lebih efisien.

Perubahan nilai efisiensi dalam sistem produksi juga mengartikan

perubahan kinerja dari sistem produksi tersebut. Sistem produksi yang

memiliki nilai efisiensi yang lebih tinggi akan memiliki kinerja yang

lebih baik.

Gambar 46. Diagram perbandingan tingkat utilitas operator secaraoverall pada pengembangan model C dengan skenarioperubahan komposisi operator

(iv) Rata-rata jumlah bahan yang menunggu





106



rata bahan menunggu bahan menjadi lebih besar namun tidak

signifikan. Walaupun secara grafis tampak terjadi perubahan besar,

namun pada dasarnya rata-rata jumlah bahan yang mengantri tidak

mencapai satu kilogram.

Kondisi yang relatif tetap pada suatu titik yakni jumlah rata-rata

bahan yang menunggu dapat menyebabkan perubahan kinerja melalui

pengembangan nilai pada titik-titik lainnya.

Gambar 47. Diagram perbandingan rata-rata jumlah bahan yangmenunggu pada pengembangan model C denganskenario perubahan komposisi operator

(v) Rata-rata waktu menunggu bahan




pengembangan model memberikan waktu rata-rata antrian yang lebih

lama dari kondisi nyata. Hal tersebut dikarenakan pada pengembangan

model ini, tingkat kedatangan yang lebih tinggi menimbulkan

kepadatan dalam sistem antrian.

Namun kenaikan rata-rata waktu tunggu bahan masih dapat

ditoleransi sesuai dengan penentuan rata-rata waktu antrian

107

pengembangan model C dengan skenario perubahan komposisi

operator. Perbaikan kinerja dapat dicapai melalui perubahan nilai di

titik-titik tolak ukur lainnya yang ada.

Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggupada pengembangan model C dengan skenario perubahankomposisi operator

Hasil analisa kinerja yang dilakukan pada setiap pengembangan model

memberikan hasil yang berbeda-beda. Namun secara umum pengembangan

model dapat memberikan kinerja yang lebih baik dari sistem nyata. Kedua

model alternatif di atas memberikan perubahan kinerja berdasarkan kondisi

sistem antrian saat ini. Kinerja model alternatif skenario perubahan tingkat

kedatangan bahan memberikan tingkat kedatangan yang ideal untuk sumber

daya manusia yang saat ini ada dalam sistem antrian. Kinerja model alternatif

sekenario perubahan komposisi unit pelayanan memberikan komposisi

operator yang ideal untuk kondisi kedatangan sistem nyata pada saat penelitian.

F. Verifikasi dan Validasi Model

Untuk memastikan model telah dibangun sesuai dengan harapan,

dibutuhkan verifikasi dan validasi. Verifikasi model dilakukan dengan

mengamati hasil simulasi dan membandingkan dengan sistem nyata. Uji

kesamaan nilai tengah antara dua populasi dilakukan untuk mengetahui

validitas model yang dibangun. Kesamaan nilai tengah diambil dari data waktu

108

pelayanan hasil simulasi dengan data waktu pelayanan historis. Data tersebut

dipilih sebagai alat validitas oleh karena data historisnya tersedia.

Berikut merupakan tabel yang menunjukan hasil uji kesamaan nilai

tengah untuk model utama, model utama alternatif, sub model dan sub model

alternatif. Uji berikut menggunakan perhitungan dengan bantuan software

Minitab 11.

Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama kondisi nyata

No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,18 0,8582 Stasiun Arahan Produksi (Model A) 0,18 0,8573 Stasiun Penyisikan (Model A) -0,31 0,7564 Stasiun Filleting (Model A) 0,15 0,8785 Stasiun Trimming (Model A) -0,11 0,9166 Stasiun Washing (Model A) 0,07 0,9487 Stasiun Sizing (Model A) 0,00 0,9978 Stasiun Bagging (Model A) 0,52 0,6109 Stasiun Panning (Model A) -0,10 0,91810 Stasiun After Curing (Model A) 0,33 0,74511 Stasiun Packing (Model C) -0,170 0,868

Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian sub model kondisi nyata

No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan Jenis Proses 1 (Sub Model Penerimaan) -0,500 0,6242 Stasiun Penerimaan Jenis Proses 2 (Sub Model Penerimaan) 0,060 0,1213 Stasiun Penerimaan Jenis Proses 3 (Sub Model Penerimaan) 0,700 0,5024 Stasiun Penerimaan Jenis Proses 4 (Sub Model Penerimaan) 0,690 0,5035 Stasiun Penyisikan (Sub Model Penyisikan) 0,120 0,9096 Stasiun Filleting (Sub Model Filleting) 0,590 0,5607 Stasiun After Curing (Sub Model After Curing) 0,800 0,427

Hasil uji kesamaan nilai tengah dua populasi untuk waktu pelayanan

yang didapat dari hasil penelitian dengan waktu pelayanan hasil simulasi model

antrian menunjukan bahwa seluruh nilai P > 0,05 (α=5%). Hasil nilai P

tersebut menunjukan bahwa nilai tengah waktu pelayanan historis seragam

dengan waktu pelayanan hasil simulasi pada selang kepercayaan 95 %.

109

Keseragaman tersebut dapat dijadikan dasar untuk menyatakan model simulasi

tersebut valid digunakan.

Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan tingkat kedatangan

Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan komposisi operator

No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,05 0,9582 Stasiun Arahan Produksi (Model A) 0,19 0,8513 Stasiun Penyisikan (Model A) 0,22 0,8284 Stasiun Filleting (Model A) 0,17 0,8665 Stasiun Trimming (Model A) 0,15 0,8516 Stasiun Washing (Model A) 0,22 0,8277 Stasiun Sizing (Model A) -0,25 0,8218 Stasiun Bagging (Model A) 0,52 0,6049 Stasiun Panning (Model A) 0,01 0,990

10 Stasiun After Curing (Model A) 0,36 0,71811 Stasiun Packing (Model C) 0,11 0,910

No. Stasiun t-hitung Nilai P1 Stasiun Penerimaan (Model A) -0,13 0,894

2 Stasiun Arahan Produksi (Model A) 0,14 0,888

3 Stasiun Penyisikan (Model A) 0,01 0,991

4 Stasiun Filleting (Model A) 0,11 0,9135 Stasiun Trimming (Model A) -0,14 0,885

6 Stasiun Washing (Model A) 0,20 0,841

7 Stasiun Sizing (Model A) 0,02 0,982

8 Stasiun Bagging (Model A) 0,58 0,564

9 Stasiun Panning (Model A) -0,06 0,95110 Stasiun After Curing (Model A) 0,31 0,75811 Stasiun Packing (Model C) 0,00 0,997

VI. KESIMPULAN DAN SARAN

A. Kesimpulan

Lini produksi fillet ikan beku pada PT. Global Tropical Seafood terdiri

dari 13 Stasiun kerja dengan 4 stasiun diantaranya merupakan stasiun bersama

yang mengolah bahan baku ataupun produk dari lini produksi lainnya. Sistem

antrian di lini produksi fillet ikan beku mengikuti pola antrian jalur pararel

dengan beberapa tahapan produksi dan unit pelayanan pararel. Waktu

pelayanan dan kedatangan bahan diambil berdasarkan hasil pengamatan selama

penelitian.

Faktor-faktor yang menyebabkan terjadinya antrian pada sistem antrian

produksi fillet ikan beku ialah adanya ketidakseimbangan proses produksi yang

terjadi akibat perbedaan kecepatan pelayanan operator dengan kecepatan

kedatangan bahan yang bersifat probabilistik. Sifat probabilistik dalam sistem

antrian adalah faktor utama yang menyebabkan terjadinya antrian dalam sistem

produksi fillet ikan beku. Walaupun nilai tengah antara kecepatan kedatangan

bahan dengan kecepatan operator sama, sistem antrian lini produksi fillet ikan

beku masih dapat mengalami antrian akibat ketidakpastian dalam interaksi

antara kecepatan pelayanan operator dengan kecepatan kedatangan bahan.

Konfigurasi sistem antrian pada lini produksi fillet ikan beku yang

dinamakan SAPFIB terdiri dari tiga buah model yakni model antrian sejak dari

stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),

model antrian pada stasiun freezing (Model B), dan model antrian pada stasiun

packing (Model C). Selain model utama tersebut, juga terdapat empat buah sub

model yang seluruhnya mendefinisikan sistem antrian pada kondisi nyata

dalam sistem produksi produk fillet ikan beku. Pembuatan model simulasi sub

model antrian dibuat untuk memahami perilaku sistem antrian secara lebih

rinci pada suatu keadaan dimana bahan baku datang pada kondisi puncaknya.

Berdasarkan hasil simulasi model utama pada kondisi nyata selama

25200 detik (7 jam kerja) untuk model A, 24 jam kerja untuk model B dan

75600 detik (21 jam kerja) untuk model C, kinerja sistem antrian fillet ikan

beku saat ini di perusahaan masih dapat dioptimalkan karena terdapat bahan

111

baku sebanyak 26,33 kg yang tidak terproses (balking) pada stasiun kerja After

Curing, tingkat utilitas operator secara keseluruhan pada model A sebesar

27,50 % yang berarti idle time operator tinggi, rata-rata waktu antrian bahan

secara keseluruhan 141,75 detik, rata-rata waktu bahan mengalir secara

keseluruhan 979,11 detik (16,3 menit), biaya tambahan penggunaan es akibat

adanya antrian Rp.296.020,03/bulan. Selain itu terjadi antrian pada stasiun

freezing maksimal sebesar 7808,3 kg. Pada stasiun Packing tidak terjadi antrian

namun tingkat utilitas operatornya relatif rendah yakni 13,49 %.

Hasil simulasi model antrian pada skenario tingkat kedatangan bahan

baku sebesar 6482,047 kg/jam (3 kali lipat dari data tingkat kedatangan historis

selama penelitian) pada stasiun Penerimaan, 129,44 kg/jam (0,75 kali lipat dari

data tingkat kedatangan historis selama penelitian) pada stasiun After Curing,

18000 kg per hari di stasiun Freezing dan 15308,29 kg/jam (6 kali lipat dari

data tingkat kedatangan historis selama penelitian) pada stasiun Packing

merupakan skenario terbaik untuk peningkatan kinerja sistem antrian. Hasil

simulasi menunjukkan skenario tersebut pada model A dapat menghilangkan

bahan yang tidak terproses menjadi 0 kg, jumlah bahan yang terproses menjadi

3099 kg, serta meningkatkan tingkat utilitas operator secara keseluruhan

menjadi 75,36 %. Pada model B antrian dapat dihilangkan. Pada model C

jumlah bahan yang terproses menjadi 10118,67 kg dan tingkat utilitas operator

menjadi 80,79 %

Hasil simulasi model antrian pada skenario perubahan jumlah operator

pada stasiun Penerimaan dari 5 orang menjadi 4 orang, stasiun Arahan

Produksi dari 3 orang menjadi 1 orang, stasiun Filleting dari 5 orang menjadi 3

orang, stasiun Penyisikan 7 orang menjadi 2 orang, stasiun Trimming dari 16

orang menjadi 10 orang, stasiun Washing dari 2 orang menjadi 1 orang, stasiun

After Curing dari 5 orang menjadi 7 orang, stasiun Freezing dari 3 unit menjadi

5 unit serta stasiun Packing dari 24 orang menjadi 12 orang, dan dengan

jumlah operator pada stasiun lainnya tetap memberikan kinerja yang lebih baik

pada sistem antrian. Hasil simulasi dengan skenario tersebut pada model A

dapat menghilangkan bahan yang tidak terproses menjadi 0 kg, jumlah bahan

yang terproses menjadi 1991,67 kg, mempercepat rata-rata waktu bahan

112

menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan

secara keseluruhan menjadi 4,42 detik serta meningkatkan tingkat utilitas

menjadi 42,75 %, selain itu biaya tambahan penggunaan es akibat antrian

menjadi Rp.40.651,86 /bulan. Pada model B pengembangan secara internal

maupun eksternal memberikan hasil berupa tidak adanya antrian dalam stasiun

Freezing. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas

operator meningkat menjadi 26,48 %.

Hasil uji kesamaan nilai tengah waktu pelayanan antara dua populasi

yakni dari data hasil simulasi dengan data historis selama penelitian

memberikan hasil berupa tidak terdapat perbedaan signifikan antara kedua data

tersebut. Hal tersebut membuktikan hasil simulasi valid untuk digunakan

sebagai model dari kondisi yang ada.

B. Saran

Jika perusahaan tetap mempertahankan jumlah operator pada komposisi

yang tetap mengikuti kondisi pada saat penelitian, sistem produksi akan lebih

efektif dan efisien jika jumlah kedatangan bahan baku diupayakan pada tingkat

kedatangan rata-rata perharinya 6482,047 kg/jam pada stasiun penerimaan,

129,44 kg/jam pada stasiun after curing dan 15308,29 kg/jam pada stasiun

Packing dengan pola kedatangan sesuai dengan kondisi penelitian.

Jika tingkat kedatangan bahan baku pada perusahaan berada pada tingkat

kedatangan rata-rata perharinya 2160,68 kg/jam sesuai kondisi penelitian,

maka agar sistem produksi berjalan secara efektif dan efisien maka jumlah

operator pada stasiun Penerimaan dapat dikurangi dari 5 orang menjadi 4

orang, stasiun Arahan Produksi dari 3 orang menjadi 1 orang, stasiun Filleting

dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2 orang,

stasiun Trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2

orang menjadi 1 orang, stasiun After Curing dari 5 orang menjadi 7 orang,

stasiun Freezing dari 3 unit menjadi 5 unit serta stasiun Packing dari 24 orang

menjadi 12 orang, jumlah operator pada stasiun lainnya tetap.

113

Perlu diadakan kajian lebih lanjut dengan menggunakan parameter biaya

agar dampak pemilihan skenario model antrian dapat diketahui kondisi yang

paling optimalnya untuk diterapkan.

Pihak manajemen dapat melakukan kajian serupa mengenai analisis

antrian pada lini produksi lainnya sehingga dapat meningkatkan kinerja sistem

produksi perusahaan secara keseluruhan.

Pihak manajemen perusahaan dapat melakukan kajian dan pelatihan

mengenai metode kerja yang efektif untuk karyawan sehingga tercapai efisiensi

gerakan kerja serta keseragaman kemampuan pelayanan setiap operator pada

setiap stasiun kerja.

Pihak manajemen dapat melakukan kajian sistem penjadwalan untuk

perbaikan kinerja sistem antrian pada stasiun freezing.

114

DAFTAR PUSTAKA

Aalto,S.2005.Introduction to Teletraffic Theory.Helsinski University ofTechnology.

Aminudin.2005.Prinsip-prinsip Riset Operasi.Erlangga, Jakarta.

Anonim.2001.Pedoman Penulisan Skripsi. Fakultas Teknologi Pertanian InstitutPertanian Bogor,Bogor.

Apple,J.M.1990.Tataletak Pabrik dan Pemindahan Bahan. Edisi KetigaPenerjemah Mardiono,N.M.T.Georgia Institute of Technology.Penerbit ITB.

Buffa,E.S.,dkk.1978.Essential of Management Science / Operations Research.John Wiley & Sons,New York.

Conover,W.J.1971. Practical Nonparametic Statistic.John Wiley and SonsInc.,New York.

Cooper,R.B.1981.Introduction to Queueing Theory.North Holland Oxford,NewYork.

Departemen Kelautan dan Perikanan.2002.Statistik Perikanan Tangkap Indonesia.Departemen Kelautan dan Perikanan. Direktorat Jenderal PerikananTangkap.Jakarta

Departemen Perindustrian.2007. Laporan Tahunan Volume Ekspor dan ImporKategori Perikanan. Jakarta. Departemen Perindustrian.

DSN.1992.Penanganan dan Pengolahan Fillet Kakap Beku. Standar NasionalIndonesia.SNI 01-2696.2-1992. Dewan Standarisasi Indonesia.

Gautney,L.D.1995.The Potensial for Expert System in Agricultural SystemManagement. ASAE Paper Np. 85-5035.Michigan State University,Michigan.

Gillet,B.E.1979.Introduction to Operations research: A computer OrientedAlgorithmic Approach. Tata McGraw-Hill Publishing Co., Ltd.,New Delhi.

Gordon,G.1980.System Simulation. Prentice Hall of India Privated Limited,NewDelhi.

Gottfrieed,B.S.1984. Elements of Stochastic Process Simulation. Prentice-Hall,Inc., Englewood cliffs,New Jersey.

Habibie,B.J,dkk.1993.Agroindustri Ikan Tuna dan Udang.Penerbit Bangkit,Jakarta

Hasan,M.I.2001.Pokok-Pokok Materi Statistik 2 (Statistik Infrensif).Bumi Aksara,Jakarta.

115

Heizer,J dan Render,B.2004.Operations Management Seventh Edition.PrenticeHall Inc.,New Jersey.

Henryardinanto,D.2003.Analisis Sistem Antrian Udang di PT. Dipasena citradarmaja, lampung).Skripsi.Fakultas Teknologi Pertanian IPB,Bogor.

Johanes,S.1988. Riset Operasi Untuk Pengambilan Keputusan.UI-Press,Jakarta.

Kusuma,H.2001.Perencanaan dan Pengendalian Produksi. Penerbit ANDI,Yogyakarta.

Law,A. M. dan W. David K.2000. Simulation Modelling and Analysis.3rd edition.The McGraw-Hill Companies, Inc.,New York.

Maarif,S.2006.Simulasi Sistem.diktat.Departemen Teknologi Industri PertanianIPB,Bogor.

Machfud.1999.Perencanaan dan Pengendalian Produksi.diktat.Jurusan TeknologiIndustri Pertanian IPB,Bogor.

Medhi,J.1991.Stocasthic Models in Queueing Theory.Academic Press,Inc.,London.

Pangestu,S.,dkk.1993.Dasar-dasar Riset Operasi.BPFE,Yogyakarta.

Perros,H.2003.Computer Simulation Techniques:The definitive introduction!.Computer Science Department NC State University Raleigh, NorthCarolina.

Russel,T dan Benard, T.1995.Production and Operation Management Focusing onQuality and Competitiveness.Prentice Hall Inc.,New Jersey.

Subagyo,P.A.,A. Marwan dan T.H. Handoko.1989.Dasar-dasar OperationResearch.Terjemahan.John Willey and Sons,New York.

Suparno.1992.Kumpulan Hasil-Hasil Penelitian Pasca Panen Perikanan. BadanPenelitian dan Pengembangan Pertanian.Pusat Penelitian danPengembangan Perikanan,Jakarta.

Sutalaksana, I. Z., Ruhana A. dan John H. T.1979.Teknik Tata Cara Kerja.Jurusan Teknik Industri ITB,Bandung.

Taha,H. A.2003.Operation Research An Introduction Seventh Edition. PrenticeHall Inc., New Jersey.

Usman,H dan Akbar, R. P. S.2003. Pengantar Statistik.Bumi Aksara,Jakarta.

Walpole,R. E.1992.Pengantar Statistik.PT Gramedia Pustaka Utama,Jakarta.

LAMPIRAN

116

Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan


Tanggal WaktuKedatangan

Waktu AntarKedatangan (Jam)

Jumlah(Kg)

Tingkat Kedatangan(Kg/Jam)

Waktu Antar Kedatangan(Detik/Kg)

14-Mar-07 08.00 - 9342,5 - -10.00 2,00 3515 1757,50 2,0510.30 0,50 3469,5 6939,00 0,5214.15 3,75 138,5 36,93 97,47

15-Mar-07 08.00 - 2495 - -08.30 0,50 2465 4930,00 0,7314.20 5,83 1257 215,61 16,7015.20 1,00 12404,5 12404,50 0,29

16-Mar-07 08.00 - 4106,5 - -13.00 5,00 3471 694,20 5,1914.30 1,50 572 381,33 9,44

17-Mar-07 08.00 - 4273 - -08.30 0,50 370 740,00 4,8612.30 4,00 4231,5 1057,88 3,4014.30 2,00 310 155,00 23,23

20-Mar-07 08.00 - 3245,5 - -08.20 0,30 96,5 321,67 11,1910.00 1,67 12937,5 7747,01 0,4614.00 3,00 6031,5 2010,50 1,7914.30 0,50 99 198,00 18,1816.00 1,50 97,5 65,00 55,38

21-Mar-07 08.00 - 4559 - -09.00 1,00 997 997,00 3,6112.00 3,00 320,5 106,83 33,7012.50 0,83 178 214,46 16,7913.00 0,17 3780 22680,00 0,16

22-Mar-07 08.00 - 0 - -10.00 2,00 2811,5 1405,75 2,5612.30 2,50 3853 1541,20 2,3413.30 1,00 283 283,00 12,7214.00 0,50 2242,5 4485,00 0,80

23-Mar-07 08.00 - 0 - -13.10 5,17 689 133,27 27,0113.30 0,33 2334 7002,00 0,5115.20 1,83 5855 3193,64 1,13

24-Mar-07 08.00 - 1888,5 1888,50 1,9112.00 4,00 1870 467,50 7,7015.10 3,17 1770 558,95 6,4415.20 0,17 202 1212,00 2,97

26-Mar-07 08.00 - 182 - -11.00 3,00 116 38,67 93,1012.45 1,75 1840,5 1051,71 3,4213.20 0,58 127 217,71 16,5413.30 0,17 925 5550,00 0,6514.30 1,00 253,5 253,50 14,20

27-Mar-07 08.00 - 0 - -11.45 3,75 1481 394,93 9,12

28-Mar-07 08.00 - 493 - -12.30 4,50 1602,5 356,11 10,11

117



Jumlah(Kg)

Tingkat Kedatangan(Kg/Jam)

Waktu Antar Kedatangan(Detik/Kg)

13.45 1,25 2065 1652,00 2,1814.20 0,58 211 361,71 9,95

29-Mar-07 08.00 - 58 - -10.15 2,25 195 86,67 41,5411.00 0,75 1825 2433,33 1,4811.25 0,42 1033 2479,20 1,4512.30 0,92 1135 1238,18 2,9114.00 1,50 290 193,33 18,62

30-Mar-07 08.00 - 878,5 - -08.10 0,17 808 4752,94 0,7611.20 3,17 725 228,95 15,7213.15 1,92 222,5 116,09 31,0113.30 0,25 118 472,00 7,6314.35 1,17 389,5 333,86 10,78

2. Stasiun Penerimaan (Berdasarkan Jenis Proses)

Kedatangan RM Jenis Proses 1Tanggal Jam

KedatanganJumlah

(Kg)Kecepatan Kedatangan

(Kg/Jam)Waktu Antar

Kedatangan (Detik/Kg) Item RM

13-Mar-07 19.00-20.00 5001,5 5001,50 0,72 KM+WM14-Mar-07 10.00-11.00 3515 3515,00 1,02 KM+WM

15.00-16.00 138,5 138,50 25,99 KM+WM15-Mar-07 15.00-16.00 1257 1257,00 2,86 KM16-Mar-07 13.00-14.00 3471 3471,00 1,04 WM

15.00-16.00 572 572,00 6,29 KM+WM17-Mar-07 13.00-14.00 4231,5 4231,50 0,85 KM+WM20-Mar-07 09.00-10.00 96,5 96,50 37,31 KM

13.00-14.00 3958 3958,00 0,91 KM+WM14.00-15.00 6031,5 6031,50 0,60 KM+WM15.00-16.00 99 99,00 36,36 KM+WM16.00-17.00 97,5 97,50 36,92 KM17.00-18.00 4399,5 4399,50 0,82 KM+WM

21-Mar-07 13.00-14.00 3958 3958,00 0,91 KM+WM24-Mar-07 12.00-13.00 1870 1870,00 1,93 KM+WM26-Mar-07 04.00-05.00 182 182,00 19,78 KM+WM

14.00-15.00 1052 1052,00 3,42 KM+WM27-Mar-07 12.00-13.00 1481 1481,00 2,43 KM+WM28-Mar-07 13.00-14.00 1602,5 1602,50 2,25 KM+WM29-Mar-07 13.00-14.00 1135 1135,00 3,17 KM+WM

14.00-15.00 290 290,00 12,41 KM+WM30-Mar-07 12.00-13.00 725 725,00 4,97 KM+WM

15.00-16.00 389,5 389,50 9,24 KM

118

Kedatangan RM Jenis Proses 2Tanggal Waktu

KedatanganJumlah

(Kg)Tingkat Kedatangan

(Kg/Jam)Waktu Antar


14-Mar-07 18.00-19.00 130,5 130,50 27,59 Bekutak15-Mar-07 05.00-06.00 2364,5 2364,50 1,52 Kerang

09.00-10.00 2465 2465,00 1,46 Kerang16-Mar-07 05.00-06.00 2749,5 2749,50 1,31 Kerang

07.00-08.00 1357 1357,00 2,65 kerang17-Mar-07 05.00-06.00 2057 2057,00 1,75 Kerang

06.00-07.00 2077 2077,00 1,73 Kerang15.00-16.00 310 310,00 11,61 Bekutak

20-Mar-07 05.00-06.00 2888 2888,00 1,25 Kerang18.00-19.00 159,5 159,50 22,57 Bekutak

22-Mar-07 10.00-11.00 2811,5 2811,50 1,28 Kerang24-Mar-07 07.00-08.00 1888,5 1888,50 1,91 Kerang26-Mar-07 15.00-16.00 253,5 253,50 14,20 Bekutak30-Mar-07 14.00-15.00 340,5 340,50 10,57 Bekutak


KedatanganJumlah


(Kg/Jam)Waktu Antar Kedatangan

(Detik/Kg) Item RM

15-Mar-07 16.00-17.00 12404,5 12404,50 0,29 Tenggiri20-Mar-07 10.00-11.00 12937,5 12937,50 0,29 Tenggiri22-Mar-07 13.00-14.00 3853 3853,00 0,28 Tenggiri23-Mar-07 16.00-17.00 5855 5855,00 0,93 Tenggiri26-Mar-07 13.00-14.00 1840,5 1840,50 0,61 Tenggiri28-Mar-07 14.00-15.00 2065 2065,00 1,96 Tenggiri29-Mar-07 12.00-13.00 1033 1033,00 1,74 Tenggiri


KedatanganJumlah


(Kg/Jam)Waktu Antar


14-Mar-07 06.00-07.00 4341 4341,00 0,83 Kerang+Kerang+Kurisi+Bekutak

11.00-12.00 3469,5 3469,50 1,04 KM+Bekutak17-Mar-07 08.00-09.00 139 139,00 25,90 KM+Bekutak

09.00-10.00 370 370,00 9,73 Bekutak+Kurisi20-Mar-07 08.00-09.00 357,5 357,50 10,07 KM+Bekutak21-Mar-07 09.00-10.00 997 997,00 3,61 KM+Bekutak

12.00-13.00 320,5 320,50 11,23 KM+Bekutak22-Mar-07 14.00-15.00 2525,5 2525,50 1,43 KM+WM+Tenggiri23-Mar-07 14.00-15.00 3023 3023,00 1,19 KM+Kerang+Tenggiri24-Mar-07 16.00-17.00 1972 1972,00 1,83 KM+Bekutak+Tenggiri26-Mar-07 11.00-12.00 116 116,00 31,03 KM+Bekutak28-Mar-07 12.00-13.00 493 493,00 7,30 KM +WM+Bekutak

15.00-16.00 211 211,00 17,06 KM+Bekutak29-Mar-07 11.00-12.00 2020 2020,00 1,78 Kerang+Bekutak30-Mar-07 09.00-10.00 1686,5 1686,50 2,13 KM+WM+Bekutak

119

3. Stasiun Penyisikan


Waktu AntarKedatangan (Menit)


JumlahBasis RM

(Kg)

TingkatKedatangan

(Kg/Jam)

Waktu AntarKedatangan(Detik/Kg)

21-Mar-07 9:02:41 0 - 51 - -9:04:33 0:01:52 0,031 45 1446,43 2,499:07:11 0:02:38 0,044 60 1367,09 2,639:08:49 0:01:38 0,027 47 1726,53 2,099:09:50 0:01:01 0,017 53 3127,87 1,159:12:31 0:02:41 0,045 55 1229,81 2,939:14:31 0:02:00 0,033 63 1890,00 1,909:18:21 0:03:50 0,064 42 657,39 5,489:23:41 0:05:20 0,089 43 483,75 7,449:25:12 0:01:31 0,025 53 2096,70 1,729:28:03 0:02:51 0,048 50 1052,63 3,429:31:10 0:03:07 0,052 60 1155,08 3,129:33:12 0:02:02 0,034 55 1622,95 2,229:37:17 0:04:05 0,046 42 916,36 3,939:39:53 0:02:36 0,043 54 1246,15 2,899:41:23 0:01:30 0,025 47 1880,00 1,919:43:55 0:02:32 0,042 51 1207,89 2,98

22-Mar-07 11:12:23 0 - 51 - -11:14:55 0:02:32 0,042 53 1255,26 2,8711:16:32 0:01:37 0,027 45 1670,10 2,1611:19:05 0:02:33 0,043 52 1223,53 2,9411:21:35 0:02:30 0,042 48 1152,00 3,1311:25:52 0:04:17 0,049 47 955,93 3,7711:28:21 0:02:29 0,041 54 1304,70 2,7611:31:42 0:03:21 0,056 56 1002,99 3,5911:33:50 0:02:08 0,036 48 1350,00 2,6711:36:17 0:02:27 0,041 52 1273,47 2,8311:40:02 0:03:45 0,063 54 864,00 4,1711:42:42 0:02:40 0,044 47 1057,50 3,4011:45:23 0:02:41 0,045 46 1028,57 3,5011:48:03 0:02:40 0,044 52 1170,00 3,0811:50:04 0:02:01 0,034 58 1725,62 2,0911:52:28 0:02:24 0,046 49 1075,61 3,3511:55:21 0:02:53 0,048 46 957,23 3,76



Waktu AntarKedatangan (Menit)


Jumlahbasis RM

(Kg)

TingkatKedatangan

(Kg/Jam)


15-Mar-07 9:18:21 - - 41,5 - -9:21:19 0:02:58 0,049 72,4 1464,27 2,469:28:18 0:06:59 0,100 81,2 814,26 4,429:36:06 0:07:48 0,111 92,1 833,07 4,329:41:49 0:05:43 0,081 88,4 1086,14 3,319:43:49 0:02:00 0,033 42,3 1269,00 2,849:50:28 0:06:39 0,094 39,9 423,72 8,509:56:23 0:05:55 0,085 118,8 1402,23 2,57

120

9:59:38 0:03:15 0,088 48,1 549,71 6,5510:08:36 0:08:58 0,149 79,6 532,64 6,76

17-Mar-03 9:29:32 - - 22,9 - -9:31:27 0:01:55 0,032 25,11 786,05 4,589:34:43 0:03:16 0,054 20,23 371,57 9,699:39:18 0:04:35 0,076 43,69 571,94 6,299:40:36 0:01:18 0,022 30,73 1418,31 2,549:48:50 0:08:14 0,137 32,31 235,46 15,299:50:13 0:01:23 0,023 41,66 1806,94 1,99



Waktu AntarKedatangan

(Menit)

Waktu antarKedatangan

(Jam)

Jumlah(Kg)

Jumlah basisRM (Kg)

TingkatKedatangan

(Kg/Jam)

WaktuAntar

Kedatangan(Detik/Kg)

30-Mar-07 8:30:15 0 7 17,28:35:23 0:05:08 0,0856 7 17,2 201,52 17,8648:43:31 0:08:08 0,1356 7 17,2 127,19 28,3048:48:18 0:04:47 0,0797 7 17,2 216,27 16,6469:00:32 0:12:14 0,2039 7 17,2 84,56 42,5729:08:48 0:08:16 0,1378 7 17,2 125,14 28,7689:13:46 0:04:58 0,0828 7 17,2 208,29 17,2849:17:32 0:03:46 0,0628 7 17,2 274,64 13,1089:26:42 0:09:10 0,1528 7 17,2 112,85 31,99:32:38 0:05:56 0,0850 7 17,2 202,84 17,748

*) Nilai Konversi Basis RM : 40,6 %

6. Stasiun Freezing


WaktuAntar

Kedatangan(Jam)

Jumlah(Kg)

Jumlahbasis RM

(Kg)

TingkatKedatangan

(Kg/Jam)


Item RMNilai

Konversi(%)

15-Mar-07 08.00 - - - - - - -08.30 0,5 2437,5 2437,50 4875,00 0,74 Kerang Bulu 10010.30 2 2539,5 2539,50 1269,75 2,84 Kerang Bulu 10013.00 2,5 1265,3 2705,95 1082,38 3,33 KM+WM 46,7613.30 0,5 12500 16666,67 33333,33 0,11 Tenggiri 7516.00 2,5 324 324,00 129,60 27,78 Bekutak 100

16-Mar-07 08.00 - - - - - - -08.30 0,5 2840,5 2840,50 5681,00 0,63 Kerang Bulu 10010.00 1,5 1403,5 1403,50 935,67 3,85 Kerang Bulu 10013.00 3 3501,5 7488,24 2496,08 1,44 KM+WM 46,7616.30 3,5 577 1233,96 352,56 10,21 KM+WM 46,76

17-Mar-07 08.00 - - - - - - -

08.20 0,3 141,9 233,08 776,94 4,63 Bekutak+KM+WM 60,88

11.00 2,6 2104 2104,00 809,23 4,45 Kerang Bulu 10014.30 3,5 105,5 105,50 30,14 119,43 Bekutak 10015.00 0,5 399 643,55 1287,10 2,80 Kurisi BTF 6216.00 1 2153,5 2153,50 2153,50 1,67 Kerang Bulu 100

17.30 1,5 4623 7593,63 5062,42 0,71 KM+WM+Tenggiri 60,88

20.30 3 33 33,00 11,00 327,27 Bekutak 10020-Mar-07 08.00 - - - - - - -

08.15 0,25 367,8 501,23 2004,91 1,80 KM+Bekutak 73,38

08.40 0,42 101 216,00 514,28 7,00 KM 46,7610.45 2,08 2980,5 2980,50 1432,93 2,51 Kerang Bulu 100

121


WaktuAntar

Kedatangan(Jam)

Jumlah(Kg)

Jumlahbasis RM

(Kg)

TingkatKedatangan

(Kg/Jam)


Item RMNilai

Konversi(%)

14.35 3,83 12955 17273,33 4510,01 0,80 Tenggiri 7516.30 1,92 5723,2 12239,52 6374,75 0,56 KM+WM 46,7620.30 4 101,9 217,92 54,48 66,08 KM+WM 46,7621.00 0,5 100,7 215,36 430,71 8,36 KM 46,7621.05 0,083 1414 3023,95 36433,16 0,10 KM+WM 46,7621.35 0,5 13,5 13,50 27,00 133,33 Bekutak 100

21-Mar-07 08.00 - - - - - - -

09.30 1,5 1015,8 1384,30 922,87 3,90 KM+Bekutak 73,38

13.15 3,75 325,5 443,58 118,29 30,43 KM+Bekutak 73,38

13.45 0,5 182,5 390,29 780,58 4,61 KM 46,76

14.10 0,42 3799,9 6241,62 14861,01 0,24 KM+WM+Tenggiri 60,88

16.00 1,83 44,5 95,17 52,00 69,23 KM 46,7622-Mar-07 08.00 - - - - - - -

09.00 1 2922,5 2922,50 2922,50 1,23 Kerang Bulu 10013.00 4 781 1041,33 260,33 13,83 Tenggiri 7514.00 1 3072 4096,00 4096,00 0,88 Tenggiri 75

16.00 2 291 477,99 238,99 15,06 KM+Tenggiri 60,88

16.30 0,5 2257,5 4827,84 9655,69 0,37 KM+WM 46,7623-Mar-07 08.00 - - - - - - -

09.00 1 699 1148,16 1148,16 3,14 Tenggiri+KM 60,88

11.00 2 2415 2415,00 1207,50 2,98 Kerang Bulu 10014.30 3,5 5854 7805,33 2230,10 1,61 Tenggiri 75

24-Mar-07 08.00 - - - - - - -08.30 0,5 1932 1932,00 3864,00 0,93 Kerang Bulu 10013.00 4,5 1654,5 3538,28 786,28 4,58 KM+WM 46,7615.30 2,5 1770 2360,00 944,00 3,81 Tenggiri 75

16.30 1 270 367,95 367,95 9,78 Bekutak+KM+WM 73,38

26-Mar-07 08.00 - - - - - - -08.05 0,083 185,5 396,71 4760,48 0,76 KM+WM 46,76

11.00 2,92 121 164,90 56,47 63,75 Bekutak+KM 73,38

13.03 2,05 133,3 285,07 139,06 25,89 KM+WM 46,7613.30 0,45 1840,5 2454,00 5453,33 0,66 Tenggiri 7515.30 2 939,8 2009,84 1004,92 3,58 KM+WM 46,7615.45 0,25 260,5 260,50 1042,00 3,45 Bekutak 100

27-Mar-07 08.00 - - - - - - -13.03 5 1505,5 3219,63 643,93 5,59 KM+WM 46,76

28-Mar-07 08.00 - - - - - - -

08.05 0,083 448,2 610,79 7329,52 0,49 KM+WM+Bekutak 73,38

13.05 5 1624 3473,05 694,61 5,18 KM 46,7613.38 0,55 2065 2753,33 5006,06 0,72 Tenggiri 7514.10 0,53 218,6 467,49 882,06 4,08 KM+WM 46,76

7. Stasiun Packing


WaktuAntar

Kedatangan(Jam)

Jumlah(Kg)

JumlahbasisRM(Kg)

TingkatKedatangan

(Kg/Jam)


Item RMNilai

Konversi(%)

15-Mar-07 22.00 0 2437,5 2437,50 - - Kerang Bulu 10022.30 0,5 1265,3 2705,95 5411,89 0,67 KM+WM 46,7622.30 0,5 12500 16666,67 33333,33 0,11 Tenggiri 7523.30 1 2539,5 2539,50 2539,50 1,42 Kerang Bulu 100

16-Mar-07 01.00 1,5 324 324,00 216,00 16,67 Bekutak 100

122


WaktuAntar

Kedatangan(Jam)

Jumlah(Kg)

JumlahbasisRM(Kg)

TingkatKedatangan

(Kg/Jam)


Item RMNilai

Konversi(%)

22.00 21 2840,5 2840,50 135,26 26,62 Kerang Bulu 10017-Mar-07 00.00 2 4905 6684,38 3342,19 1,08 KM+WM+

Kerang Bulu 73,38

01.00 1 577 1233,96 1233,96 2,92 KM+WM 46,76

17.30 16,5 141,9 233,08 14,13 254,85 Bekutak+KM+WM 60,88

23.30 6 105,5 105,50 17,58 204,74 Bekutak 10018-Mar-07 00.00 0,5 2104 2104,00 4208,00 0,86 Kerang Bulu 100

01.30 1,5 399 643,55 429,03 8,39 Kurisi BTF 62

05.00 4,5 33 33,00 7,33 490,91 Bekutak 100

05.30 0,5 6776,5 8424,29 16848,58 0,21KM+WM+Tenggiri+Kerang Bulu

80,44

19-Mar-07 18.00 12,5 101 216,00 17,28 208,34 KM 46,76

19.00 1 367,8 501,23 501,23 7,18 KM+Bekutak 73,3820-Mar-07 01.00 6 15935,5 18212,00 3035,33 1,19 Tenggiri+

Kerang Bulu 87,5

04.30 3,5 5723,2 12239,52 3497,01 1,03 KM+WM 46,76

05.30 1 101,9 217,92 217,92 16,52 KM+WM 46,76

17.00 11,5 100,7 215,36 18,73 192,24 KM 46,76

19.00 2 1414 3023,95 1511,98 2,38 KM+WM 46,76

19.30 0,5 13,5 13,50 27,00 133,33 Bekutak 10021-Mar-07 19.30 24 1015,8 1384,30 57,68 62,41 KM+Bekutak 73,38

23.00 3,5 182,5 390,29 111,51 32,28 KM 46,76

23.30 0,5 325,5 443,58 887,16 4,06 KM+Bekutak 73,3822-Mar-07 00.30 1 44,5 95,17 95,17 37,83 KM 46,76

01.00 0,5 3799,9 6241,62 12483,25 0,29 KM+WM+Tenggiri 60,88

22.30 21,5 2922,5 2922,50 135,93 26,48 Kerang Bulu 100

23.30 1 781 1041,33 1041,33 3,46 Tenggiri 7523-Mar-07 01.00 1,5 3363 5523,98 3682,65 0,98 KM+Tenggiri 60,88

03.30 2,5 2257,5 4827,84 1931,14 1,86 KM+WM 46,76

19.00 15,5 699 1148,16 74,07 48,60 Tenggiri+KM 60,8824-Mar-07 00.00 5 2415 2415,00 483,00 7,45 Kerang Bulu 100

01.00 1 5854 7805,33 7805,33 0,46 Tenggiri 75

22.00 21 1932 1932,00 92,00 39,13 Kerang Bulu 10025-Mar-07 00.00 2 1654,5 3538,28 1769,14 2,03 KM+WM 46,76

01.30 1,5 270 367,95 245,30 14,68 Bekutak+KM+WM 73,38

02.00 0,5 1770 2360,00 4720,00 0,76 Tenggiri 7526-Mar-07 17.00 15 185,5 396,71 26,45 136,12 KM+WM 46,76

20.00 3 121 164,90 54,97 65,50 Bekutak+KM 73,38

22.00 2 133,3 285,07 142,54 25,26 KM+WM 46,7627-Mar-07 00.30 2,5 1840,5 2454,00 981,60 3,67 Tenggiri 75

02.00 1,5 939,8 2009,84 1339,89 2,69 KM+WM 46,7628-Mar-07 00.30 22,5 260,5 260,50 11,58 310,94 Bekutak 100

18.00 17,5 1505,5 3219,63 183,98 19,57 KM+WM 46,76

19.00 1 448,2 610,79 610,79 5,89 KM+WM+Bekutak 73,38

22.30 3,5 3907,6 6418,53 1833,87 1,96 KM+WM+Tenggiri 60,88

123

Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator


Tanggal Jam Durasi(Jam)

BahanTerproses

(Kg)

BahanTerproses

basis RM (Kg)

JumlahOperator

Tingkat Pelayanan(Kg/Jam/Orang)

Waktu Pelayanan(Detik/Kg/Orang)

14-Mar-07 07.00-09.50 2,8 5.001,5 5.001,5 5 357,25 10,0809.55-10.40 0,75 1.749,5 1.749,5 5 466,53 7,7210.30-10.50 0,3 390,5 390,5 5 260,33 13,8311.20-17.00 5,7 3.469,5 3.469,5 5 121,74 29,5713.45-14.45 1 2.201,0 2.201,0 5 440,20 8,1817.00-20.00 3 3.515,0 3.515,0 5 234,33 15,3619.45-20.05 0,3 138,5 138,5 5 92,33 38,9920.00-20.10 0,6 130,5 130,5 5 43,50 82,76

15-Mar-07 08.00-09.40 1,6 2.364,5 2.364,5 5 295,56 12,1809.45-10.45 1 2.465,0 2.465,0 5 493,00 7,3014.25-14.55 0,5 1.257,0 1.257,0 5 502,80 7,1615.30-18.00 2,5 12.404,5 12.404,5 5 992,36 3,63

16-Mar-07 08.00-09.00 1 2.749,5 2.749,5 5 549,90 6,5509.15-10.05 0,83 1.357,0 1.357,0 5 326,99 11,0113.10-15.00 1,83 3.471,0 3.471,0 5 379,34 9,4915.00-15.30 0,5 572,0 572,0 5 228,80 15,73

17-Mar-07 08.00-08.15 0,25 139,0 139,0 5 111,20 32,3708.45-10.00 1,25 2.057,0 2.057,0 5 329,12 10,9410.00-10.30 0,5 370,0 370,0 5 148,00 24,3210.30-12.00 1,5 2.077,0 2.077,0 5 276,93 13,0013.00-15.00 2 4.213,5 4.213,5 5 421,35 8,5415.15-15.30 0,25 31,0 31,0 5 24,80 145,16

20-Mar-07 08.05-08.30 0,4 357,5 357,5 5 178,75 20,1408.35-08.50 0,25 96,5 96,5 5 77,20 46,6309.00-10.30 1,5 2.888,0 2.888,0 5 385,07 9,3510.45-14.30 3,75 12.937,5 12.937,5 5 690,00 5,2214.50-16.30 1,66 6.031,5 6.031,5 5 726,69 4,9516.30-17.05 0,58 99,0 99,0 5 34,14 105,4517.10-17.40 0,5 97,5 97,5 5 39,00 92,3118.30-21.00 2,5 4.399,5 4.399,5 5 351,96 10,2321.00-21.30 0,5 159,5 159,5 5 63,80 56,43

21-Mar-07 09.10-10.00 0,83 997,0 997,0 5 240,24 14,9813.00-13.30 0,5 320,5 320,5 5 128,20 28,0813.30-13.50 0,3 178,0 178,0 5 118,67 30,3413.50-15.40 1,8 3.780,0 3.780,0 5 420,00 8,57

22-Mar-07 10.05-11.15 1,17 2.811,5 2.811,5 5 480,60 7,4913.00-14.30 1,5 3.853,0 3.853,0 5 513,73 7,0114.40-15.00 0,3 283,0 283,0 5 188,67 19,0815.00-16.10 1,17 2.242,5 2.242,5 5 383,33 9,39

23-Mar-07 13.15-13.45 0,5 689,0 689,0 5 275,60 13,0613.45-14.45 1 2.334,0 2.334,0 5 466,80 7,7115.30-17.30 2 5.855,0 5.855,0 5 585,50 6,15

24-Mar-07 08.30-09.30 1 1.888,5 1.888,5 5 377,70 9,5313.00-14.30 1,5 1.870,0 1.870,0 5 249,33 14,4415.15-16.00 0,75 1.770,0 1.770,0 5 472,00 7,6316.00-16.15 0,25 202,0 202,0 5 161,60 22,28

26-Mar-07 08.00-08.30 0,5 182,0 182,0 5 72,80 49,4511.00-11.30 0,5 116,0 116,0 5 46,40 77,5913.20-13.45 0,42 127,0 127,0 5 60,48 59,5313.00-14.00 1 1.840,5 1.840,5 5 368,10 9,7814.10-15.00 0,83 925,0 925,0 5 222,89 16,1515.00-15.30 0,5 253,5 253,5 5 101,40 35,50

27-Mar-07 13.00-13.40 0,6 1.481,0 1.481,0 5 493,67 7,2928-Mar-07 08.00-08.15 0,25 473,0 473,0 5 378,40 9,51

13.00-13.45 0,75 1.602,5 1.602,5 5 427,33 8,4213.45-14.30 0,75 2.065,0 2.065,0 5 550,67 6,5414.35-15.00 0,42 211,0 211,0 5 100,48 35,83

29-Mar-07 09.00-09.15 0,25 58,0 58,0 5 46,40 77,5910.20-10.35 0,25 195,0 195,0 5 156,00 23,0811.00-11.30 0,5 1.135,0 1.135,0 5 454,00 7,93

124


BahanTerproses

(Kg)

BahanTerproses

basis RM (Kg)

JumlahOperator

Tingkat Pelayanan(Kg/Jam/Orang)


11.30-12.50 1,3 1.825,0 1.825,0 5 280,77 12,8213.00-13.40 0,6 1.033,0 1.033,0 5 344,33 10,4514.30-15.15 0,75 270,0 270,0 5 72,00 50,00

30-Mar-07 08.00-08.25 0,42 378,5 378,5 5 180,24 19,9708.15-08.40 0,42 808,0 808,0 5 384,76 9,3613.00-13.30 0,5 725,0 725,0 5 290,00 12,4113.30-13.45 0,25 222,5 222,5 5 178,00 20,2213.45-14.00 0,25 118,0 118,0 5 94,40 38,1414.35-15.05 0,5 389,5 389,5 5 155,80 23,11

Nilai Konversi Basis RM : 100 %

2. Stasiun Penerimaan (Berdasarkan Jenis Proses)

Jenis Proses 1 (Pencucian, Sortasi, Penimbangan)


BahanTerproses

(Kg)

BahanTerprosesbasis RM

(Kg)

JumlahOperator

TingkatPelayanan(Kg/Jam/Orang)

Jenis RM

WaktuPelayanan(Detik/Kg/

Orang)14-Mar-07 07.00-09.50 2,8 5.001,5 5.001,5 5 357,25 KM+WM 10,08

17.00-20.00 3 3.515,0 3.515,0 5 234,33 KM+WM 15,36

19.45-20.05 0,3 138,5 138,5 5 92,33KM+Kaci-Kaci 38,99

15-Mar-07 14.25-14.55 0,5 1.257,0 1.257,0 5 502,80 KM 7,1616-Mar-07 13.10-15.00 1,83 3.471,0 3.471,0 5 379,34 Lemadang 9,49

15.00-15.30 0,5 572,0 572,0 5 228,80 KM+WM 15,7317-Mar-07 13.00-15.00 2 4.213,5 4.213,5 5 421,35 KM+WM 8,5420-Mar-07 08.35-08.50 0,25 96,5 96,5 5 77,20 KM 46,63

14.50-16.30 1,66 6.031,5 6.031,5 5 726,69 KM+WM 4,9516.30-17.05 0,58 99,0 99,0 5 34,14 KM+WM 105,4517.10-17.40 0,5 97,5 97,5 5 39,00 KM 92,3118.30-21.00 2,5 4.399,5 4.399,5 5 351,96 KM+WM 10,23

21-Mar-07 13.30-13.50 0,3 178,0 178,0 5 118,67 KM 30,3413.50-15.40 1,8 3.780,0 3.780,0 5 420,00 KM+WM 8,57

22-Mar-07 15.00-16.10 1,17 2.242,5 2.242,5 5 383,33 KM+WM 9,3924-Mar-07 13.00-14.30 1,5 1.870,0 1.870,0 5 249,33 KM+WM 14,4426-Mar-07 08.00-08.30 0,5 182,0 182,0 5 72,80 KM+WM 49,45

13.20-13.45 0,42 127,0 127,0 5 60,48 KM+WM 59,5314.10-15.00 0,83 925,0 925,0 5 222,89 KM+WM 16,15

27-Mar-07 13.00-13.40 0,6 1.481,0 1.481,0 5 493,67 KM+WM 7,2928-Mar-07 13.00-13.45 0,75 1.602,5 1.602,5 5 427,33 KM+WM 8,4229-Mar-07 13.00-13.40 0,6 1.033,0 1.033,0 5 344,33 KM+WM 10,45

14.30-15.15 0,75 270,0 270,0 5 72,00 KM+WM 50,0030-Mar-07 13.00-13.30 0,5 725,0 725,0 5 290,00 KM+WM 12,41

14.35-15.05 0,5 389,5 389,5 5 155,80 KM+KSM 23,11

*) Nilai Konversi Basis RM : 100%

Jenis Proses 2 (Pencucian, Penimbangan)


BahanTerproses

(Kg)


(Kg)

JumlahOperator


JenisRM


Orang)14-Mar-07 09.55-10.40 0,75 1.749,5 1.749,5 5 466,53 Kerang 7,72

13.45-14.45 1 2.201,0 2.201,0 5 440,20 Kerang 8,1820.00-20.10 0,16 130,5 130,5 5 163,13 Bekutak 22,07

15-Mar-07 08.00-09.40 1,6 2.364,5 2.364,5 5 295,56 Kerang 12,1809.45-10.45 1 2.465,0 2.465,0 5 493,00 Kerang 7,30

16-Mar-07 08.00-09.00 1 2.749,5 2.749,5 5 549,90 Kerang 6,5509.15-10.05 0,83 1.357,0 1.357,0 5 326,99 Kerang 11,01

17-Mar-07 08.45-10.00 1,25 2.057,0 2.057,0 5 329,12 Kerang 10,9410.30-12.00 1,5 2.077,0 2.077,0 5 276,93 Kerang 13,0015.15-15.30 0,25 310,0 310,0 5 248,00 Bekutak 14,52

20-Mar-07 09.00-10.30 1,5 2.888,0 2.888,0 5 385,07 Kerang 9,3521.00-21.30 0,5 159,5 159,5 5 63,80 Bekutak 56,43

22-Mar-07 10.05-11.15 1,17 2.811,5 2.811,5 5 480,60 Kerang 7,49

125


BahanTerproses

(Kg)


(Kg)

JumlahOperator


JenisRM


Orang)23-Mar-07 13.45-14.45 1 2.334,0 2.334,0 5 466,80 Kerang 7,7124-Mar-07 08.30-09.30 1 1.888,5 1.888,5 5 377,70 Kerang 9,5326-Mar-07 15.00-15.30 0,5 253,5 253,5 5 101,40 Bekutak 35,5029-Mar-07 09.00-09.15 0,25 58,0 58,0 5 46,40 Kerang 77,59

10.20-10.35 0,25 195,0 195,0 5 156,00 Bekutak 23,0830-Mar-07 13.30-13.45 0,25 222,5 222,5 5 178,00 Bekutak 20,22

13.45-14.00 0,25 118,0 118,0 5 94,40 Bekutak 38,14*) Nilai Konversi Basis RM : 100 %

Jenis Proses 3 (Penimbangan)


BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)

JenisRM

WaktuPelayanan

(Detik/Kg/Orang)

15-Mar-07 15.30-18.00 2,5 12.404,5 12.404,5 5 992,36 Tenggiri 3,6310.45-14.30 3,75 12.937,5 12.937,5 5 690,00 Tenggiri 5,22

22-Mar-07 13.00-14.30 1,5 3.853,0 3.853,0 5 513,73 Tenggiri 7,0123-Mar-07 15.30-17.30 2 5.855,0 5.855,0 5 585,50 Tenggiri 6,1524-Mar-07 15.15-16.00 0,75 1.770,0 1.770,0 5 472,00 Tenggiri 7,6326-Mar-07 13.00-14.00 1 1.840,5 1.840,5 5 368,10 Tenggiri 9,7828-Mar-07 13.45-14.30 0,75 2.065,0 2.065,0 5 550,67 Tenggiri 6,5429-Mar-07 11.00-11.30 0,5 1.135,0 1.135,0 5 454,00 Tenggiri 7,93

11.30-12.50 1,3 1.825,0 1.825,0 5 280,77 Tenggiri 12,82*) Nilai Konversi Basis RM : 100 %

Jenis Proses 4 (Mix)


BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)Jenis RM


Orang)14-Mar-07 10.30-10.50 0,3 390,5 390,5 5 260,33 Kurisi+Bekutak 13,83

11.20-17.00 5,7 3.469,5 3.469,5 5 121,74 KM+Bekutak 29,5717-Mar-07 08.00-08.15 0,25 139,0 139,0 5 111,20 KM+Bekutak 32,37

10.00-10.30 0,5 370,0 370,0 5 148,00 Bekutak+Kurisi 24,3220-Mar-07 08.05-08.30 0,4 357,5 357,5 5 178,75 KM+Bekutak 20,1421-Mar-07 09.10-10.00 0,83 997,0 997,0 5 240,24 KM+Bekutak 14,98

13.00-13.30 0,5 320,5 320,5 5 128,20 KM+Bekutak 28,0822-Mar-07 14.40-15.00 0,3 283,0 283,0 5 188,67 KM+Tenggiri 19,0823-Mar-07 13.15-13.45 0,5 689,0 689,0 5 275,60 KM+Tenggiri 13,0624-Mar-07 16.00-16.15 0,25 202,0 202,0 5 161,60 KM+Bekutak 22,2826-Mar-07 11.00-11.30 0,5 116,0 116,0 5 46,40 KM+Bekutak 77,5928-Mar-07 08.00-08.15 0,25 473,0 473,0 5 378,40 KM+WM+

Bekutak 9,51

14.35-15.00 0,42 211,0 211,0 5 100,48 KM+Bekutak 35,8330-Mar-07 08.00-08.25 0,42 378,5 378,5 5 180,24 KM+WM+Bek

utak 19,97

08.15-08.40 0,42 808,0 808,0 5 384,76 KM+Bekutak 9,36*) Nilai Konversi Basis RM : 100 %

3. Stasiun Arahan Produksi

Tanggal Jam Durasi(Detik)

BahanTerproses

(kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


14-Mar-07 09.00-10.00 24,85 45,0 45,0 3 2173,04 1,6618,38 42,0 42,0 3 2742,11 1,3119,56 40,5 40,5 3 2484,66 1,4513,85 46,0 46,0 3 3985,56 0,9011,13 40,5 40,5 3 4366,58 0,8211,53 46,5 46,5 3 4839,55 0,7420,32 47,0 47,0 3 2775,59 1,3014,28 44,5 44,5 3 3739,50 0,96

126


BahanTerproses

(kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


11,00 39,0 39,0 3 4254,55 0,8516-Mar-07 09.00-10.00 8,62 48,0 48,0 3 6682,13 0,54

10,53 41,0 41,0 3 4672,36 0,7719,21 52,0 52,0 3 3248,31 1,1111,53 38,5 38,5 3 4006,94 0,9016,06 37,0 37,0 3 2764,63 1,3014,78 47,0 47,0 3 3815,97 0,94

8,53 23,5 23,5 3 3305,98 1,0912,59 41,0 41,0 3 3907,86 0,92

9,13 35,0 35,0 3 4600,22 0,7810,51 39,5 39,5 3 4509,99 0,80

9,24 21,5 21,5 3 2792,21 1,2920-Mar-07 09.00-10.00 12,23 23,5 23,5 3 2305,81 1,56

14,22 44,5 44,5 3 3755,27 0,9610,54 27,5 27,5 3 3130,93 1,1515,54 36,5 36,5 3 2818,53 1,2812,55 33,5 33,5 3 3203,19 1,1213,45 35,5 35,5 3 3167,29 1,1412,45 40,5 40,5 3 3903,61 0,9214,45 41,0 41,0 3 3404,84 1,06

9,54 34,0 34,0 3 4276,73 0,8418,23 42,0 42,0 3 2764,67 1,30

*) Nilai Konversi Basis RM : 100 %4. Stasiun Penyisikan


Durasi(Jam)

BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


Orang)01-Mar-07 07.00-10.00 - 3 583,8 610,0 7 29,05 123,93

08.30-16.00 - 6,5 817,2 853,9 7 18,77 191,8202-Mar-07 06.00-07.30 - 1,5 278,0 290,5 3 64,55 55,7703-Mar-07 06.00-08.00 - 2 662,4 692,2 8 43,26 83,2206-Mar-07 07.00-07.30 - 0,5 75,0 78,4 8 19,59 183,7408-Mar-07 07.00-09.30 - 2,5 760,0 794,1 7 45,38 79,3310-Mar-07 07.00-08.00 - 1 639,0 667,7 10 66,77 53,9212-Mar-07 14.30-16.00 - 2,5 304,0 317,7 4 31,77 113,3313-Mar-07 07.00-10.00 - 3 317,4 331,7 9 12,28 293,0721-Mar-07 06.00-09.30 - 3,5 1.026,0 1.072,1 6 51,05 70,5222-Mar-07 06.00-07.30 - 1,5 315,0 329,2 7 31,35 114,8422-Mar-07 09.00-10.00 46,16 - 0,65 0,68 1 52,97 67,96

68,00 - 0,65 0,68 1 35,96 100,1252,16 - 0,65 0,68 1 46,88 76,8042,12 - 0,65 0,68 1 58,05 62,0140,11 - 0,65 0,68 1 60,96 59,0539,56 - 0,65 0,68 1 61,81 58,2451,12 - 0,65 0,68 1 47,83 75,2645,32 - 0,65 0,68 1 53,95 66,7261,01 - 0,65 0,68 1 40,08 89,8367,02 - 0,65 0,68 1 36,48 98,6772,05 - 0,65 0,68 1 33,94 106,0865,10 - 0,65 0,68 1 37,56 95,85

23-Mar-07 09.30-10.30 52,35 - 0,65 0,68 1 46,71 77,0848,23 - 0,65 0,68 1 50,70 71,0145,56 - 0,65 0,68 1 53,67 67,0851,23 - 0,65 0,68 1 47,73 75,4342,23 - 0,65 0,68 1 57,90 62,1849,51 - 0,65 0,68 1 49,39 72,8954,53 - 0,65 0,68 1 44,84 80,2840,55 - 0,65 0,68 1 60,30 59,70

39,5 - 0,65 0,68 1 61,90 58,1649,42 - 0,65 0,68 1 49,48 72,7644,28 - 0,65 0,68 1 55,22 65,1938,53 - 0,65 0,68 1 63,46 56,73


127



Durasi(Jam)

BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


Orang)01-Mar-07 08.00-08.20 - 0,3 73,9 141,8 3 157,60 22,8402-Mar-07 07.00-14.00 - 5 595,5 1.143,0 5 45,72 78,7403-Mar-07 07.00-11.30 - 4,5 1.858,7 3.567,6 5 158,56 22,7005-Mar-07 08.00-16.45 - 7,75 2.048,9 3.932,6 5 101,49 35,4706-Mar-07 07.00-15.30 - 7,5 1.608,5 3.087,3 5 82,33 43,7307-Mar-07 08.00-12.00 - 4 216,8 416,1 4 26,01 138,4209-Mar-07 08.00-15.30 - 6,5 984,2 1.889,1 4 72,66 49,5510-Mar-07 07.00-16.00 - 8 2.040,7 3.916,9 5 97,92 36,7612-Mar-07 07.00-16.00 - 8 2.567,1 4.927,3 5 123,18 29,2313-Mar-07 07.00-11.00 - 4 642,3 1.232,8 5 61,64 58,4014-Mar-07 08.00-15.00 - 6 2.133,5 4.095,0 5 136,50 26,3715-Mar-07 07.00-13.00 - 5,5 1.632,5 3.133,4 5 113,94 31,6016-Mar-07 08.00-15.30 - 6,5 879,0 1.687,1 5 51,91 69,3517-Mar-07 08.00-15.00 - 6 1.784,0 3.424,2 5 114,14 31,5418-Mar-07 07.00-14.00 - 6 448,0 859,9 3 47,77 75,3620-Mar-07 07.00-14.30 - 6,5 1.956,7 3.755,7 4 144,45 24,9221-Mar-07 07.00-15.30 - 7,5 2.116,6 4.062,6 4 135,42 26,5822-Mar-07 07.00-14.00 - 6 1.740,9 3.341,5 4 139,23 25,8623-Mar-07 07.00-15.00 - 7 1.878,4 3.605,4 4 128,76 27,9624-Mar-07 08.00-12.00 - 4 400,3 768,3 4 48,02 74,9726-Mar-07 08.00-15.30 - 6,5 1.097,9 2.107,3 2 162,10 22,2128-Mar-07 08.00-10.30 - 2,5 591,3 1.134,9 4 113,49 31,7229-Mar-07 08.00-11.00 - 3 1.032,7 1.982,1 4 165,18 21,7931-Mar-07 07.00-14.30 - 6,5 922,8 1.771,2 4 68,12 52,8514-Mar-07 10.00-11.00 25,03 - 0,65 1,25 1 179,44 20,06

27,19 - 0,65 1,25 1 165,18 21,7928,81 - 0,65 1,25 1 155,90 23,0927,31 - 0,65 1,25 1 164,46 21,8932,63 - 0,65 1,25 1 137,65 26,1549,13 - 1,00 1,92 1 140,64 25,6046,94 - 1,00 1,92 1 147,20 24,4652,16 - 1,00 1,92 1 132,47 27,1847,16 - 1,00 1,92 1 146,52 24,5753,39 - 1,00 1,92 1 129,42 27,82

*) Nilai Konversi Basis RM : 52,1 %6. Stasiun Trimming


BahanTerproses

(Kg)

BahanTerprosesBasis RM

(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


Orang)

Produk

01-Mar-07 08.00-08.25 0,4 46,4 93,4 8 29,18 123,39 Skin On 15.15-16.50 1,6 361,9 728,2 8 56,89 63,28 Skin On 15.00-15.45 0,75 108,5 218,3 6 48,51 74,21 Skin On 15.10-15.50 0,7 75,8 152,5 6 36,31 99,14 Skin On

02-Mar-07 07.10-08.00 0,8 64,0 128,8 3 53,66 67,10 Skin On 07.10-07.50 0,7 51,1 102,8 3 48,96 73,53 Skin On 07.10-07.30 0,3 63,9 128,6 7 61,22 58,80 Skin On 09.30-10.30 1,9 109,3 297,0 8 19,54 184,24 SkinLess 13.20-14.15 09.30-10.40 2,4 103,3 280,7 7 16,71 215,46 SkinLess 13.20-14.30

03-Mar-07 07.00-08.20 1,3 184,8 371,8 8 35,75 100,69 Skin On 07.10-08.25 1,25 212,7 428,0 8 42,80 84,12 Skin On 07.20-08.45 1,4 86,5 174,0 7 17,76 202,71 Skin On 08.25-11.50 3,6 365,0 991,8 8 34,44 104,53 SkinLess 08.25-12.15 3,8 255,1 693,2 8 22,80 157,88 SkinLess 08.30-12.30 4 137,7 374,2 7 13,36 269,39 SkinLess

05-Mar-07 08.35-09.20 0,75 62,0 124,7 4 41,58 86,57 Skin On 08.35-09.35 1 44,3 89,1 3 29,71 121,16 Skin On 08.05-17.25 8,3 553,3 1.503,5 7 25,88 139,11 SkinLess

128


BahanTerproses

(Kg)

BahanTerprosesBasis RM

(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


Orang)

Produk

08.05-16.45 7,6 447,7 1.216,6 8 20,01 179,91 SkinLess 14.45-17.00 2,25 53,5 145,4 6 10,77 334,30 SkinLess

08-Mar-07 07.05-08.35 1,5 208,5 419,5 8 34,96 102,98 Skin On 07.05-08.35 1,5 206,5 415,5 9 30,78 116,97 Skin On 07.05-07.45 1,8 44,8 90,1 5 10,02 359,44 Skin On 08.35-15.15 5,7 264,6 719,0 8 15,77 228,31 SkinLess 08.35-15.15 5,75 239,0 649,5 9 12,55 286,86 SkinLess 09.00-16.00 6 123,2 334,8 5 11,16 322,60 SkinLess

12-Mar-07 13.00-14.00 1,5 118,8 322,8 6 35,87 100,36 SkinLess15-Mar-07 07.10-08.30 1,3 229,9 462,6 8 44,48 80,94 Skin On

07.10-08.15 1,08 146,8 295,4 8 34,19 105,30 Skin On 08.35-15.00 6,5 526,0 1.429,3 8 27,49 130,97 SkinLess 08.30-15.30 6,7 492,3 1.337,8 8 24,96 144,24 SkinLess

17-Mar-07 08.20-09.05 0,75 46,9 94,4 8 15,73 228,90 Skin On 08.20-09.30 1,2 68,5 137,8 4 28,71 125,37 Skin On 09.05-15.20 5,25 510,7 1.387,8 8 33,04 108,95 SkinLess 09.30-15.30 5,5 388,8 1.056,5 8 24,01 149,93 SkinLess

22-Mar-07 07.10-08.05 0,9 94,9 190,9 8 26,52 135,75 Skin On23-Mar-07 07.10-08.06 0,9 158,1 318,1 8 44,18 81,48 Skin On

08.10-14.30 5,3 496,8 1.350,0 8 31,84 113,07 SkinLess 08.10-15.00 5,8 475,9 1.293,2 8 27,87 129,17 SkinLess

24-Mar-07 07.15-07.45 0,5 53,3 107,2 7 30,64 117,49 Skin On 07.15-07.40 0,4 50,0 100,6 8 31,44 114,51 Skin On 07.15-08.00 0,75 55,7 112,1 7 21,35 168,64 Skin On 07.50-15.00 6,3 399,3 1.085,1 7 24,60 146,32 SkinLess 07.45-15.15 6,3 378,7 1.029,1 8 20,42 176,31 SkinLess 08.05-15.15 5,7 259,6 705,4 7 17,68 203,62 SkinLess

Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

7. Stasiun Washing


BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)

Waktu Pelayanan(Detik/Kg/Orang) Produk

15-Mar-07 14.00-15.00 122,00 11,3 30,7 2 453,05 7,95 SkinLess141,00 10,6 28,8 2 367,72 9,79 SkinLess132,00 10,5 28,5 2 389,08 9,25 SkinLess135,00 12,6 34,2 2 456,52 7,89 SkinLess150,00 10,4 28,3 2 339,13 10,62 SkinLess143,00 10,4 28,3 2 355,73 10,12 SkinLess


23-Mar-07 14.00-15.00 133,00 12,1 24,3 2 329,50 10,93 Skin On154,00 13,1 26,4 2 308,08 11,69 Skin On164,00 10,2 20,5 2 225,25 15,98 Skin On142,00 11,5 23,1 2 293,31 12,27 Skin On178,00 11,2 22,5 2 227,88 15,80 Skin On

24-Mar-07 11.00-12.00 163,00 10,4 28,3 2 312,08 11,54 SkinLess136,00 11,6 31,5 2 417,20 8,63 SkinLess163,00 12,1 32,9 2 363,10 9,91 SkinLess154,00 13,4 36,4 2 425,61 8,46 SkinLess152,00 11,5 31,3 2 370,07 9,73 SkinLess175,00 11 29,9 2 307,45 11,71 SkinLess

28-Mar-07 13.30-14.30 162,00 13,1 35,6 2 395,53 9,10 SkinLess130,00 12,5 34,0 2 470,32 7,65 SkinLess126,00 12,3 33,4 2 477,48 7,54 SkinLess126,00 11,1 30,2 2 430,90 8,35 SkinLess

129


BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)

Waktu Pelayanan(Detik/Kg/Orang) Produk

171,00 13,5 36,7 2 386,16 9,32 SkinLess153,00 11,5 31,3 2 367,65 9,79 SkinLess141,00 12,4 33,7 2 430,16 8,37 SkinLess

*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

8. Stasiun Sizing


BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)

WaktuPelayanan

(Detik/Kg/Orang)Produk


28-Mar-07 15.30-16.30 208,00 10,3 28,0 4 121,11 29,73 SkinLess258,00 9,2 25,0 4 87,21 41,28 SkinLess135,00 9,5 25,8 4 172,10 20,92 SkinLess212,00 10,2 27,7 4 117,67 30,59 SkinLess214,00 4,54 12,3 4 51,88 69,39 SkinLess225,00 10,5 28,5 4 114,13 31,54 SkinLess222,00 10,3 28,0 4 113,47 31,73 SkinLess

29-Mar-07 14.00-15.00 292,00 10,5 28,5 4 87,94 40,94 SkinLess154,00 10,2 27,7 4 161,98 22,22 SkinLess203,00 9,9 26,9 4 119,27 30,18 SkinLess203,00 9,7 26,4 4 116,86 30,81 SkinLess144,00 10,5 28,5 4 178,33 20,19 SkinLess195,00 10,5 28,5 4 131,69 27,34 SkinLess179,00 9,5 25,8 4 129,80 27,74 SkinLess120,00 4,9 13,3 4 99,86 36,05 SkinLess133,00 5,3 14,4 4 97,46 36,94 SkinLess203,00 9,5 25,8 4 114,45 31,45 SkinLess

31-Mar-07 13.30-14.30 152,00 9,5 25,8 4 152,85 23,55 SkinLess271,00 10,5 28,5 4 94,76 37,99 SkinLess221,00 10,5 28,5 4 116,20 30,98 SkinLess153,00 10,5 28,5 4 167,84 21,45 SkinLess255,00 5,5 14,9 4 52,75 68,25 SkinLess221,00 10,3 28,0 4 113,98 31,58 SkinLess265,00 10,3 28,0 4 95,06 37,87 SkinLess198,00 10,2 27,7 4 125,99 28,57 SkinLess

*) Nilai Konversi Basis RM : 49,7 % (Skin On) dan 36,8 % (SkinLess)

9. Stasiun Bagging


Durasi(Jam)

BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


03-Mar-07 08.00-14.00 - 5 1072,4 2482,41 6 82,75 43,5106-Mar-07 09.00-09.30 - 0,5 26 60,19 2 60,19 59,8207-Mar-07 09.00-09.30 - 0,5 35,1 81,25 2 81,25 44,3111-Mar-07 07.00-13.30 - 6 1329,3 3077,08 7 73,26 49,1412-Mar-07 13.00-18.00 - 5 662,2 1532,87 4 76,64 46,9713-Mar-07 08.00-16.00 - 7 776,4 1797,22 7 36,68 98,1514-Mar-07 09.00-20.00 - 9,5 1409 3261,57 6 57,22 62,9115-Mar-07 08.00-17.00 - 6,5 822 1902,78 4 73,18 49,1916-Mar-07 09.00-11.00 - 2 118 273,15 2 68,29 52,7221-Mar-07 08.00-17.00 - 8 843,8 1953,24 4 61,04 58,9824-Mar-07 08.30-09.00 - 1,5 98,4 227,78 2 75,93 47,4126-Mar-07 09.00-14.00 - 4 378,2 875,46 2 109,43 32,90

130


Durasi(Jam)

BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


28-Mar-07 11.00-12.00 12,78 - 0,142 0,33 2 46,21 77,909,28 - 0,142 0,33 2 63,64 56,56

13,31 - 0,142 0,33 2 44,37 81,1310,13 - 0,142 0,33 2 58,30 61,759,29 - 0,142 0,33 2 63,58 56,63

13,31 - 0,142 0,33 2 44,37 81,1310,13 - 0,142 0,33 2 58,30 61,759,29 - 0,142 0,33 2 63,58 56,63

11,93 - 0,142 0,33 2 49,51 72,7210,19 - 0,142 0,33 2 57,96 62,1113,94 - 0,142 0,33 2 42,37 84,97

29-Mar-07 11.00-12.00 15,23 - 0,198 0,46 2 54,29 66,3112,23 - 0,198 0,46 2 67,61 53,2512,51 - 0,198 0,46 2 66,10 54,4710,53 - 0,198 0,46 2 78,52 45,8511,32 - 0,198 0,46 2 73,04 49,2913,22 - 0,198 0,46 2 62,55 57,5612,56 - 0,198 0,46 2 65,83 54,68

*) Nilai Konversi Basis RM : 42,4 %10. Stasiun Panning

Tanggal Waktu Durasi(Detik)

Durasi(Jam)

BahanTerproses

(Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)

WaktuPelayanan

(Detik/Kg/Orang)

01-Mar-07 08.30-16.00 - 6,5 817,2 1891,7 7 41,58 86,5902-Mar-07 08.00-16.00 - 6 483,6 1119,4 8 23,32 154,36

09.00-11.00 - 2 123,3 285,4 2 71,35 50,4503-Mar-07 14.00-15.00 - 1 97,4 225,5 3 75,15 47,9005-Mar-07 07.00-18.00 - 10 1644,6 3806,9 7 54,38 66,19

10.00-10.30 - 0,5 53,4 123,6 2 123,61 29,1206-Mar-07 08.00-17.00 - 8 947,4 2193,1 8 34,27 105,0607-Mar-07 08.00-14.00 - 5 544,0 1259,3 7 35,98 100,0608-Mar-07 08.00-17.00 - 8 805,1 1863,7 7 33,28 108,17

13.00-16.00 - 3 173,9 402,5 2 67,09 53,6609-Mar-07 08.00-17.00 - 8 443,9 1027,5 6 21,41 168,1710-Mar-07 08.00-15.00 - 6 255,2 590,8 7 14,07 255,9312-Mar-07 08.00-12.00 - 4 767,7 1777,1 8 55,53 64,8315-Mar-07 08.00-17.00 - 6 561,3 1299,3 5 43,31 83,1216-Mar-07 08.00-17.00 - 8 608,0 1407,4 8 21,99 163,7117-Mar-07 08.00-17.00 - 8 820,3 1898,8 8 29,67 121,3420-Mar-07 08.00-19.00 - 10 1078,2 2495,8 6 41,60 86,5421-Mar-07 08.00-17.00 - 8 874,6 2024,5 6 42,18 85,3522-Mar-07 08.00-17.00 - 8 1220,1 2824,3 7 50,43 71,3823-Mar-07 08.00-16.30 - 7,5 1095,4 2535,6 7 48,30 74,5424-Mar-07 08.00-12.00 - 4 203,4 470,8 7 16,82 214,0926-Mar-07 08.30-16.30 - 7 592,4 1371,3 6 32,65 110,2627-Mar-07 08.00-16.00 - 7 359,7 832,6 2 59,47 60,5328-Mar-07 08.00-14.00 - 5 466,9 1080,8 6 36,03 99,9329-Mar-07 09.00-16.00 - 6 554,4 1283,3 8 26,74 134,6516-Mar-07 15.00-16.00 65,60 - 1,361 3,15 2,00 86,43 41,65

70,00 - 1,361 3,15 2,00 81,00 44,45102,00 - 1,361 3,15 2,00 55,59 64,76

73,00 - 1,361 3,15 2,00 77,67 46,3585,00 - 1,361 3,15 2,00 66,70 53,97


131



BahanTerproses (Kg)


(Kg)

JumlahOperator

TingkatPelayanan

(Kg/Jam/Orang)


10-Mar-07 08.00-15.00 6 255,2 628,6 7 14,97 240,5211-Mar-07 06.00-13.00 6,5 1332,4 3281,8 7 72,13 49,9113-Mar-07 06.00-17.00 10 628,7 1548,5 6 25,81 139,4916-Mar-07 06.00-18.00 11 735,8 1812,3 6 27,46 131,1020-Mar-07 09.00-10.00 1 41,9 103,20 5 20,64 174,42

10.00-10.30 1 30 73,89 5 14,78 243,6010.30-11.00 0,5 29,1 71,67 5 28,67 125,5711.30-11.45 0,25 20,9 51,48 5 41,18 87,4211.45-12.00 0,25 12,2 30,05 5 24,04 149,7513.00-13.15 0,25 24,3 59,85 5 47,88 75,1914.00-14.15 0,25 22,7 55,91 5 44,73 80,4814.15-15.00 0,75 64,8 159,61 5 42,56 84,5815.00-15.30 0,5 20,6 50,74 5 20,30 177,38

21-Mar-07 09.00-09.30 0,5 49,7 122,41 7 34,98 102,9309.30-09.45 0,25 14,7 36,21 7 20,69 174,0009.45-10.00 0,25 31,4 77,34 7 44,19 81,4610.00-10.15 0,25 14,1 34,73 7 19,85 181,4010.15-11.00 0,75 69,4 170,94 7 32,56 110,5711.00-11.15 0,25 17,3 42,61 7 24,35 147,8511.15-11.45 0,5 29,9 73,65 7 21,04 171,09

22-Mar-07 06.00-19.30 12,5 865,9 2132,8 7 24,37 147,7024-Mar-07 06.00-16.30 9,5 888,1 2187,4 7 32,89 109,4427-Mar-07 07.00-13.00 7 341,4 840,9 7 17,16 209,7829-Mar-07 08.00-13.00 5 230,4 567,5 7 16,21 222,0330-Mar-07 08.30-08.45 0,25 13,1 32,27 6 21,51 167,36

08.45-09.00 0,25 15,6 38,42 6 25,62 140,5409.00-09.15 0,25 17,3 42,61 6 28,41 126,7309.15-09.30 0,25 29,9 73,65 6 49,10 73,3209.30-10.00 0,5 69,4 170,94 6 56,98 63,1810.00-10.15 0,25 28,9 71,18 6 47,45 75,86

*) Nilai Konversi Basis RM : 40,6 %12. Stasiun Packing

Tanggal Jam Durasi(Jam) Produk Jumlah

MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)01-Mar-07 19.00-07.00 12 Steak @ 10 lbs 350 1589,00 2118,67 8 22,07 163,12

15.00-18.30 2 Steak @ 10 lbs 46 208,84 278,45 9 15,47 232,7120.31-23.00 2,5 Steak @ 10 lbs 100 454,00 605,33 9 26,90 133,8123.00-03.00 4 Steak @ 10 lbs 370 1120,00 1493,33 8 69,99 51,4323.00-01.30 2,5 Steak @10 lbs 264 1198,56 1598,08 8 79,90 45,05

02-Mar-07 07.30-11.00 3,5 Steak @ 10 lbs 192 870,90 1161,20 9 36,86 97,6613.00-15.00 2 Steak @ 10 lbs 246 1116,84 1489,12 9 82,73 43,5207.00-09.00 2 Steak @ 10 lbs 30 136,20 181,60 8 11,35 317,1809.00-12.00 3 Steak @ 10 lbs 42 190,68 254,24 8 10,59 339,8401.00-02.30 1,5 Steak @ 10 lbs 202 917,08 1222,77 9 67,93 52,9903.30-04.30 1 Steak @ 10 lbs 110 499,4 665,87 9 55,49 64,88

03-Mar-07 19.00-21.00 2 Steak @ 10 lbs 18 81,72 108,96 8 6,81 528,6321.00-24.00 3 Steak @ 10 lbs 30 136,2 181,60 8 7,57 475,7701.00-03.00 2 Steak @ 10 lbs 20 90,8 121,07 8 7,57 475,7703.00-05.00 2 Steak @ 10 lbs 15 68,1 90,80 8 5,68 634,3605.00-07.00 2 Steak @ 10 lbs 19 86,26 115,01 8 7,19 500,81

05-Mar-07 08.00-08.30 0,5 Steak @ 10 lbs 58 263,32 351,09 9 78,02 46,1424.00-02.00 2 Steak @ 10 lbs 186 844,44 1125,92 9 62,55 57,5507.00-12.00 5 Steak @ 20 lbs 51 463,08 617,44 8 15,44 233,2213.00-15.00 2 Steak @ 20 lbs 22 199,76 266,35 8 16,65 216,2619.30-23.00 3,5 Steak @ 10 lbs 32 145,15 193,53 6 9,22 390,63

06-Mar-07 15.00-16.30 1,5 Steak @ 10 lbs 11 49,94 66,59 7 6,34 567,6807-Mar-07 11.00-11.30 0,5 Steak @ 10 lbs 9 40,86 54,48 9 12,11 297,36

07.00-09.00 2 Steak @ 10 lbs 294 1333,56 1778,08 9 98,78 36,44

132


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)08-Mar-07 08.00-09.00 1 Steak @ 20 lbs 14 127,01 169,34 8 21,17 170,07

09.00-11.00 2 Steak @ 20 lbs 22 199,58 266,11 8 16,63 216,4511.00-12.00 1 Steak @ 20 lbs 15 136,08 181,44 8 22,68 158,7313.00-15.00 2 Steak @ 20 lbs 22 199,58 266,11 8 16,63 216,4509.00-12.00 3 Steak @ 20 lbs 128 1160,96 1547,95 11 35,18 102,3313.00-16.00 3 Steak @ 10 lbs 353 1601,18 2134,91 11 48,52 74,20

09-Mar-07 07.00-09.00 2 Steak @ 10 lbs 35 158,90 211,87 7 15,13 237,8909.00-11.00 2 Steak @ 10 lbs 40 181,60 242,13 7 17,30 208,1511.00-12.00 1 Steak @ 10 lbs 25 113,50 151,33 7 21,62 166,5213.00-15.00 2 Steak @ 10 lbs 38 172,52 230,03 7 16,43 219,1114.00-16.00 2 Steak @ 20 lbs 17 154,22 205,63 7 14,69 245,1016.00-21.00 4 Steak @ 20 lbs 27 244,94 326,58 7 11,66 308,65

12-Mar-07 07.30-14.30 6 Steak @ 10 lbs 120 544,311 725,75 8 15,12 238,1014.30-15.00 0,5 Steak @ 10 lbs 36 163,293 217,72 8 54,43 66,1415.00-23.00 7 Steak @ 5 lbs 400 907,185 1209,58 8 21,60 166,67

13-Mar-07 07.00-08.00 1,5 Steak @ 10 lbs 41 185,97 247,96 9 18,37 196,0008.30-15.00 5,5 Steak @ 10 lbs 260 1179,34 1572,45 9 31,77 113,3315.00-18.00 3 Steak @ 10 lbs 104 471,74 628,98 8 26,21 137,3619.00-21.00 2 Steak @ 10 lbs 87 394,63 526,17 8 32,89 109,4721.00-23.00 2 Steak @ 10 lbs 87 394,63 526,17 8 32,89 109,47

14-Mar-07 15.00-18.00 3 Steak @ 20 lbs 30 272,16 362,87 8 15,12 238,1019.00-21.00 2 Steak @ 20 lbs 20 181,44 241,92 8 15,12 238,1021.00-23.00 2 Steak @ 10 lbs 80 362,87 483,83 8 30,24 119,05




18-Mar-07 07.00-11.00 4 Steak @ 10 lbs 355 1610,25 2147,00 7 76,68 46,9520-Mar-07 09.00-12.00 3 Steak @ 10 lbs 107 485,34 647,13 8 26,96 133,51

13.00-15.00 2 Steak @ 10 lbs 104 471,74 628,98 8 39,31 91,5816.00-18.00 2 Steak @ 10 lbs 90 408,23 544,31 8 34,02 105,8218.30-19.00 0,5 Steak @ 10 lbs 25 113,40 151,20 8 37,80 95,2419.00-07.00 11 Steak @ 10 lbs 496 2249,82 2999,76 9 30,30 118,81

21-Mar-07 07.00-19.00 11 Steak @ 10 lbs 608 2757,84 3677,12 9 37,14 96,9203.00-04.00 1 Steak @ 10 lbs 43 195,04 260,06 9 28,90 124,5908.00-11.00 3 Steak @ 10 lbs 300 1360,78 1814,37 8 75,60 47,6214.00-18.00 4 Steak @ 20 lbs 37 335,66 447,54 8 13,99 257,40

22-Mar-07 18.00-19.00 1 Steak @ 20 lbs 11 99,79 133,05 8 16,63 216,4508.00-10.30 2,5 Steak @ 10 lbs 300 1360,78 1814,37 9 80,64 44,6407.00-09.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7309.00-12.00 3 Steak @ 10 lbs 127 576,06 768,08 8 32,00 112,4913.00-15.00 2 Steak @ 10 lbs 62 281,23 374,97 8 23,44 153,6115.00-17.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7317.00-19.00 2 Steak @ 10 lbs 60 272,16 362,87 8 22,68 158,7319.00-02.00 6 Steak @ 10 lbs 221 1002,44 1336,59 9 24,75 145,4511.00-12.00 1 Steak @ 10 lbs 18 81,65 108,86 9 12,10 297,6213.00-15.00 2 Steak @ 10 lbs 183 830,07 1106,77 9 61,49 58,5515.00-17.00 2 Steak @ 10 lbs 50 226,80 302,39 9 16,80 214,29

23-Mar-07 07.00-10.00 3 Steak @ 10 lbs 286 1297,27 1729,70 9 64,06 56,1914.00-15.00 1 Steak @ 10 lbs 200 907,18 1209,58 9 134,40 26,7919.00-06.00 10 Steak @ 10 lbs 269 1220,16 1626,88 8 20,34 177,0302.00-07.00 5 Steak @ 10 lbs 166 752,96 1003,95 9 22,31 161,3607.00-09.00 2 Steak @ 10 lbs 42 190,51 254,01 7 18,14 198,4209.00-12.00 3 Steak @ 10 lbs 94 426,38 568,50 7 27,07 132,9813.00-15.00 2 Steak @ 10 lbs 40 181,44 241,92 7 17,28 208,3415.00-17.00 2 Steak @ 10 lbs 40 181,44 241,92 7 17,28 208,3417.00-18.30 1,5 Steak @ 10 lbs 30 136,08 181,44 7 17,28 208,3423.00-03.00 4 Steak @ 10 lbs 488 2213,53 2951,37 9 81,98 43,91

24-Mar-07 07.00-09.00 2 Steak @ 10 lbs 40 181,44 241,92 8 15,12 238,1009.00-11.00 2 Steak @ 10 lbs 56 254,01 338,68 8 21,17 170,07

133


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)11.00-12.00 1 Steak @ 10 lbs 28 127,01 169,34 8 21,17 170,0713.00-14.00 1 Steak @ 10 lbs 29 131,54 175,39 8 21,92 164,2101.00-07.00 5 Steak @ 10 lbs 444 2013,95 2685,27 7 76,72 46,92

25-Mar-07 09.30-12.00 3,5 Steak @ 10 lbs 74 335,66 447,54 7 18,27 197,0813.00-15.00 2 Steak @ 10 lbs 51 231,33 308,44 7 22,03 163,4015.00-18.00 3 Steak @ 10 lbs 113 512,56 683,41 7 32,54 110,6219.00-23.00 4 Steak @ 10 lbs 131 1188,41 1584,55 7 56,59 63,6108.00-10.30 2,5 Steak @ 10 lbs 218 988,83 1318,44 9 58,60 61,44

26-Mar-07 07.00-09.00 2 Steak @ 10 lbs 77 349,27 465,69 8 29,11 123,6909.00-12.00 3 Steak @ 10 lbs 40 362,87 483,83 8 20,16 178,5713.00-15.00 2 Steak @ 10 lbs 41 185,97 247,96 8 15,50 232,2915.00-17.00 2 Steak @ 10 lbs 65 294,84 393,11 8 24,57 146,5217.00-19.00 2 Steak @ 10 lbs 75 340,19 453,59 8 28,35 126,9919.00-07.00 11 Steak @ 10 lbs 432 1959,52 2612,69 9 26,39 136,4107.00-12.00 5 Steak @ 10 lbs 491 2227,14 2969,52 9 65,99 54,5513.00-16.30 3,5 Steak @ 10 lbs 425 1927,77 2570,36 9 81,60 44,12

27-Mar-07 10.00-11.00 1 Steak @ 10 lbs 69 312,98 417,30 8 52,16 69,0101.00-05.30 3,5 Steak @ 10 lbs 57 258,55 344,73 9 10,94 328,9507.00-09.00 2 Steak @ 10 lbs 64 290,30 387,07 8 24,19 148,8109.00-12.00 3 Steak @ 10 lbs 80 362,87 483,83 8 20,16 178,5713.00-16.30 3,5 Steak @ 10 lbs 87 394,63 526,17 8 18,79 191,5716.30-18.00 2,5 Steak @ 10 lbs 78 353,80 471,74 8 23,59 152,6318.30-19.00 0,5 Steak @ 10 lbs 33 149,69 199,58 8 49,90 72,1519.00-07.00 11 Steak @ 10 lbs 392 1778,08 2370,78 9 23,95 150,3307.00-09.00 2 Steak @ 10 lbs 58 263,08 350,78 8 21,92 164,21

28-Mar-07 09.00-12.00 3 Steak @ 10 lbs 111 503,49 671,32 8 27,97 128,7013.00-15.00 2 Steak @ 10 lbs 76 344,73 459,64 8 28,73 125,3215.00-18.30 3,5 Steak @ 10 lbs 69 312,98 417,30 8 14,90 241,5519.00-07.00 11 Steak @ 10 lbs 449 2036,63 2715,51 9 27,43 131,25



31-Mar-07 03.00-05.00 2 Steak @ 10 lbs 42 190,51 254,01 9 14,11 255,1105.00-06.30 1,5 Steak @ 10 lbs 43 195,04 260,06 9 19,26 186,8807.00-09.00 2 Steak @ 10 lbs 75 340,19 453,59 8 28,35 126,9909.00-11.00 2 Steak @ 10 lbs 85 385,55 514,07 8 32,13 112,0513.00-15.00 2 Steak @ 10 lbs 84 381,02 508,02 8 31,75 113,3815.00-18.00 3 Steak @ 10 lbs 80 362,87 483,83 8 20,16 178,5718.30-19.00 0,5 Steak @ 10 lbs 32 145,15 193,53 8 48,38 74,4119.00-07.00 11 Steak @ 10 lbs 517 2345,07 3126,76 9 31,58 113,9814.30-17.00 2,5 Steak @ 10 lbs 193 875,43 1167,24 10 35,02 102,8114.00-18.00 4 Steak @ 10 lbs 146 662,24 882,99 9 18,40 195,7010.00-12.00 2 Steak @ 10 lbs 143 648,64 864,85 8 40,54 88,8013.00-17.00 4 Steak @ 10 lbs 626 2839,49 3785,98 8 88,73 40,57

*) Nilai Konversi Basis RM : 75 %


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)02-Mar-07 13.00-15.00 2 Butterfly @ 18

lbs 15 122,47 194,40 8 12,15 296,30

15.00-19.00 3,5 Butterfly @ 18lbs 21 171,46 272,16 8 9,72 370,38

15.00-19.30 3,5 Butterfly @ 4lbs 31 56,234 89,26 6 4,25 846,96

16.30-23.00 5,5 Butterfly @ 18lbs 45 367,41 583,19 7 15,15 237,66

05-Mar-07 07.00-09.00 2 Butterfly @ 18lbs 12 97,98 155,52 9 8,64 416,67

09.00-11.00 2 Butterfly @ 18lbs 13 106,14 168,48 9 9,36 384,62

11.30-12.00 0,5 Butterfly @ 18 5 40,82 64,80 9 14,40 250,00

134


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)lbs

13.00-15.00 2 Butterfly @ 15lbs 15 102,00 161,90 9 8,99 400,24


07.00-09.00 2 Butterfly @ 18lbs 13 106,14 168,48 8 10,53 341,89

09.00-12.00 3 Butterfly @ 18lbs 30 244,94 388,79 8 16,20 222,23

13.00-14.00 1 Butterfly @ 18lbs 10 81,65 129,60 8 16,20 222,23

07-Mar-07 07.00-07.30 0,5 Butterfly @ 18lbs 5 40,823 64,80 8 16,20 222,23



14.00-14.30 0,5 Butterfly @ 8lbs 5 18,15 24,20 7 6,91 520,66

15.30-16.30 1 Butterfly @ 4lbs 61 110,68 175,68 9 12,30 292,74


13.00-13.30 0,5 Butterfly @ 4lbs 30 54,43 86,40 10 10,89 330,69

15.30-16.30 1 Butterfly @ 4lbs 64 116,12 184,32 9 20,48 175,78

13.00-16.00 3 Butterfly @ 8lbs 145 526,17 835,19 11 15,94 225,78



MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)01-Mar-07

07.30-10.00 2,5Fillet Smoke@ 10 lbs 72 326,88 754,92 9 14,53 247,80

10.00-11.00 1Fillet Reguler@ 30 lbs 12 163,44 477,89 9 18,16 198,24


02-Mar-0704.30-05.30 1

Fillet Smoke@ 10 lbs 20 90,8 209,70 9 10,09 356,83

09.00-10.00 1Fillet Mix @5,5 Kg 35 192,5 507,78 10 19,25 187,01



05-Mar-0709.00-10.00 1

Fillet Mix @22 lbs 39 389,18 1026,60 10 38,92 92,50

08.00-09.00 1Fillet Mix @5,5 Kg 27 148,50 391,72 11 13,50 266,67

11.30-12.00 0,5 Fillet @ 20 lbs 18 163,29 477,46 5 65,32 55,1208-Mar-07

07.00-08.00 1Fillet WM @40 lbs 17 308,44 951,98 11 28,04 128,39

08.00-10.00 2Fillet Mix @5,5 Kg 230 1265,00 3336,85 11 57,50 62,61

16.00-17.00 1Fillet WM @40 lbs 49 889,04 2743,95 11 80,82 44,54

09-Mar-0708.00-09.00 1

Fillet Smoke@ 10 lbs 40 181,44 419,02 9 20,16 178,57

09.00-10.00 1Fillet Smoke@ 10 lbs 63 285,76 659,96 9 31,75 113,38

10.00-11.00 1Fillet Smoke@ 10 lbs 56 254,01 586,63 9 28,22 127,55


135


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)14.00-16.00 2 Fillet @ 20 lbs 25 249,48 729,46 9 13,86 259,74

12-Mar-0710.00-10.30 0,5

Fillet Mix @22 lbs 14 139,71 368,52 10 27,94 128,84

10.30-11.00 0,5Fillet Mix @22 lbs 29 289,39 763,37 10 57,88 62,20

11.00-12.00 1Fillet Mix @22 lbs 45 449,06 1184,53 10 44,91 80,17

13.00-13.30 0,5Fillet Smoke@ 10 lbs 91 412,77 953,28 10 82,55 43,61

13.30-14.30 1Fillet Smoke@ 10 lbs 61 276,69 639,01 10 27,67 130,11

16-Mar-0707.00-07.30 0,5

Fillet Smoke@ 10 lbs 60 272,16 628,53 9 60,48 59,52

11.00-12.00 1Fillet Mix @5,5 Kg 46 253,00 667,37 9 28,11 128,06

13.00-14.00 1Fillet Smoke@ 10 lbs 62 281,23 649,49 9 31,25 115,21

08.00-09.00 1Fillet Smoke@ 10 lbs 72 326,59 754,24 9 36,29 99,21

11.30-12.00 0,5Fillet Smoke@ 10 lbs 15 68,04 157,13 9 15,12 238,10

13.00-14.00 1Fillet Smoke@ 10 lbs 83 376,48 869,47 9 41,83 86,06

17-Mar-0708.00-09.30 1,5

Fillet Smoke@ 10 lbs 74 335,66 775,19 10 22,38 160,88


14.00-14.30 0,5Fillet WM @40 lbs 18 326,59 1007,98 10 65,32 55,12


16.30-17.00 0,5Fillet Reguler@ 30 lbs 6 81,65 238,73 10 16,33 220,46

18-Mar-0708.00-09.30 1,5

Fillet Smoke@ 10 lbs 68 308,72 712,98 10 20,58 174,92

13.00-14.00 1Fillet Smoke@ 10 lbs 89 403,70 932,33 10 40,37 89,18

14.00-15.30 1,5Fillet WM @40 lbs 17 308,44 951,98 10 20,56 175,07

15.30-16.00 0,5Fillet Smoke@ 10 lbs 29 131,66 304,06 10 26,33 136,72

21-Mar-0707.00-08.00 1

Fillet Smoke@ 10 lbs 70 317,51 733,29 10 31,75 113,38

08.00-09.30 1,5Fillet Mix @22 lbs 64 638,72 1684,83 10 42,58 84,54

08.00-09.00 1Fillet Smoke@ 10 lbs 55 249,48 576,16 8 31,18 115,44

22-Mar-0708.00-09.00 1

Fillet Smoke@ 10 lbs 31 140,61 324,74 9 15,62 230,42

10.00-10.30 0,5 Fillet @ 20 lbs 18 163,29 477,47 9 36,29 99,21

10.30-11.00 0,5Fillet Reguler@ 30 lbs 6 81,65 238,73 9 18,14 198,42


14.00-15.00 1Fillet WM @40 lbs 19 344,73 1063,98 9 38,30 93,99

28-Mar-0709.00-11.00 2

Fillet Mix @5,5 Kg 124 682,00 1799,00 9 37,89 95,01

11.00-12.00 1Fillet WM @40 lbs 19 344,73 1063,98 9 38,30 93,99

14.30-16.00 1,5Fillet WM @40 lbs 40 725,75 2239,96 9 53,76 66,97

14.30-16.00 1,5Fillet Mix @22 lbs 12 119,75 315,88 10 21,06 170,95

29-Mar-0705.00-07.00 2

Fillet Smoke@ 10 lbs 114 517,56 1195,29 8 74,71 48,19

10.00-11.00 1 Fillet Smoke 47 213,38 492,79 10 49,28 73,05

136


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)@ 10 lbs

10.30-11.30 1Fillet WM @40 lbs 11 199,58 615,99 9 68,44 52,60

13.00-15.00 2Fillet WM @40 lbs 23 417,30 1287,98 9 71,55 50,31

30-Mar-0706.00-10.00 4

Fillet WM @40 lbs 54 979,76 3023,95 8 94,50 38,10

11.00-12.00 1Fillet WM @40 lbs 10 181,44 559,99 8 70,00 51,43

09.30-10.30 1Fillet WM @40 lbs 15 272,10 839,81 10 83,98 42,87

*) Nilai Konversi Basis RM : 43,3 % (Smoke) ; 34,2 % (Reguler) ; 32,4 % (WM) ; 37,91 % (Mix)


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)02-Mar-07 17.00-18.00 1 WG @ 10 Kg 437 4370,00 4698,92 11 397,27 9,06

16.00-20.00 4WGGS @39,6 Kg 59 2336,40 2567,47 11 53,10 67,80

16.30-17.30 1,5WGGS @ 9,9Kg 87 861,30 946,48 9 63,80 56,43

05-Mar-0710.30-11.30 1

WGGS @ 9,9Kg 74 732,60 805,05 5 146,52 24,57

10.30-11.00 0,5WGGS @ 9,9Kg 15 148,50 163,19 9 33,00 109,09

09-Mar-0708.30-10.00 1,5

WGGS @ 9,9Kg 100 990,00 1087,91 10 66,00 54,55

13.00-14.00 1WGGS @ 9,9Kg 58 574,20 630,99 10 57,42 62,70

21-Mar-0707.00-07.30 0,5

WGGS @ 9,9Kg 45 445,50 489,56 10 89,10 40,40

09.30-10.00 0,5WGGS @ 9,9Kg 24 216,00 237,36 10 43,20 83,33

10.00-12.00 2WGGS @ 9,9Kg 133 1316,70 1446,92 10 65,84 54,68

09.00-10.00 1WGGS @ 9,9Kg 56 554,40 609,23 9 61,60 58,44

23-Mar-0708.00-09.00 1

WGGS @ 9,9Kg 53 524,70 576,59 9 58,30 61,75

13.00-14.30 1,5WGGS @ 9,9Kg 59 584,10 641,87 9 43,27 83,20

03.00-04.30 1,5WGGS @ 9,9Kg 50 495,00 543,96 9 40,29 89,35

13.00-14.00 1WGGS @ 9,9Kg 40 396,00 435,16 8 54,40 66,18

29-Mar-0710.00-11.00 1

WGGS @ 9,9Kg 159 1574,10 1729,78 9 192,20 18,73

10.30-12.00 1,5WGGS @ 9,9Kg 88 871,20 957,36 10 63,82 56,40

13.00-16.00 3WGGS @ 9,9Kg 135 1336,50 1468,68 10 48,96 73,54

*) Nilai Konversi Basis RM : 91 % (WGGS) dan 93 % (WG)


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)

02-Mar-07 14.00-15.00 1CF WR @ 10Kg 29 290,00 290,00 10 29,00 124,14

05-Mar-0707.00-07.30 0,5

CF WR @ 10Kg 48 480,00 480,00 10 96,00 37,50

10.00-10.30 0,5CF WR @ 10Kg 17 170,00 170,00 9 37,78 95,29

11.00-11.30 0,5CF WR @ 10Kg 15 150,00 150,00 9 33,33 108,00

16-Mar-0709.30-10.00 0,5

CF WR @ 10Kg 26 260,00 260,00 8 65,00 55,38

08.30-09.00 0,5 CF WR @ 10 23 230,00 230,00 9 51,11 70,43

137


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)Kg

10.30-11.00 0,5CF WR @ 10Kg 17 170,00 170,00 10 34,00 105,88

11.00-12.00 1CF WR @ 10Kg 37 370,00 370,00 7 52,86 68,11

18-Mar-0710.30-11.00 0,5

CF WR @ 10Kg 53 530,00 530,00 9 117,78 30,57

13.00-14.00 1CF WR @ 20Kg 22 440,00 440,00 10 44,00 81,82

21-Mar-0710.00-10.30 0,5

Octopus WR@ 5 Kg 10 50,00 50,00 5 20,00 180,00

15.00-16.00 1Octopus WR@ 5 Kg 48 240,00 240,00 9 26,67 135,00

30-Mar-0713.00-16.00 3

Octopus WR@ 30 lbs 46 625,96 625,96 8 26,08 138,03

23.00-01.00 2CF WR @ 10Kg 53 530,00 530,00 9 29,44 122,26



MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)01-Mar-07

03.00-04.00 1Kerang Bulu@ 20 Kg 40 800,00 800,00 9 88,89 40,50

23.00-00.30 1,5Kerang Bulu@ 20 Kg 106 2120,00 2120,00 7 201,90 17,83

02-Mar-0700.30-01.00 0,5

Kerang Bulu@ 20 Kg 30 600,00 600,00 7 171,43 21,00

02.30-04.00 1,5Kerang Bulu@ 20 Kg 36 720,00 720,00 8 60,00 60,00

05-Mar-0701.00-03.00 2

Kerang Bulu@ 20 Kg 45 900,00 900,00 9 50,00 72,00

07.00-07.30 0,5Kerang Bulu@ 20 Kg 21 420,00 420,00 9 93,33 38,57

23.00-01.00 2Kerang Bulu@ 20 Kg 93 1860 1860,00 9 103,33 34,84

08-Mar-0708.00-09.00 1

Kerang Bulu@ 20 Kg 35 700 1860,00 10 70,00 51,43

07.00-09.00 2Kerang Bulu@ 20 Kg 92 1840,00 1860,00 10 92,00 39,13

13.30-14.00 0,5Kerang Bulu@ 20 Kg 16 320,00 320,00 10 64,00 56,25

10.00-12.00 2Kerang Bulu@ 20 Kg 92 1840,00 1840,00 11 83,64 43,04

12-Mar-0708.00-10.00 2

Kerang Bulu@ 20 Kg 100 2000,00 2000,00 10 100,00 36,00

07.30-08.00 0,5Kerang Bulu@ 20 Kg 25 500,00 500,00 9 111,11 32,40

16-Mar-0708.00-10.00 2

Kerang Bulu@ 20 Kg 106 2120,00 2120,00 9 117,78 30,57

09.00-11.00 2Kerang Bulu@ 20 Kg 327 6540,00 6540,00 9 363,33 9,91

07.30-08.00 0,5Kerang Bulu@ 20 Kg 22 440,00 1016,17 10 88,00 40,91

09.30-12.00 2,5Kerang Bulu@ 20 Kg 204 4080,00 4080,00 10 163,20 22,06

17-Mar-0707.00-08.00 1

Kerang Bulu@ 20 Kg 27 540,00 540,00 8 67,50 53,33

09.00-09.30 0,5Kerang Bulu@ 20 Kg 38 760,00 760,00 8 190,00 18,95

13.00-14.00 1Kerang Bulu@ 20 Kg 31 620,00 620,00 9 68,89 52,26

18-Mar-0703.00-04.00 1

Kerang Bulu@ 20 Kg 56 1120,00 1120,00 8 140,00 25,71

01.30-02.30 1Kerang Bulu@ 20 Kg 12 240,00 240,00 8 30,00 120,00

07.00-07.30 0,5 Kerang Bulu 20 400,00 401,00 9 89,11 40,40

138


MC

BahanTerproses

(Kg)


(Kg)

JumlahOperator



Orang)@ 20 Kg

15.10-15.30 0,3Kerang Bulu@ 20 Kg 11 132,00 132,00 9 48,89 73,64

23.00-24.00 1Kerang Bulu@ 20 Kg 82 1640,00 1640,00 9 182,22 19,76

21-Mar-07 09.00-10.30 1,5Kerang Bulu@ 20 Kg 76 1520,00 1520,00 9 112,59 31,97

22-Mar-07 07.00-10.00 3Kerang Bulu@ 20 Kg 131 2620,00 2620,00 10 87,33 41,22

23-Mar-0708.00-10.30 2,5

Kerang Bulu@ 20 Kg 209 4180,00 4180,00 10 167,20 21,53

13.00-14.00 1Kerang Bulu@ 20 Kg 46 920,00 920,00 7 131,43 27,39

25-Mar-0711.00-12.00 1

Kerang Bulu@ 20 Kg 30 600,00 600,00 8 75,00 48,00

13.00-14.00 1Kerang Bulu@ 20 Kg 24 480,00 480,00 9 53,33 67,50

26-Mar-0707.00-08.00 1

Kerang Bulu@ 20 Kg 53 1060,00 1060,00 9 117,78 30,57

10.30-12.00 1,5Kerang Bulu@ 20 Kg 91 1820,00 1820,00 9 134,81 26,70

27-Mar-07 08.00-09.30 1,5Kerang Bulu@ 20 Kg 55 1100,00 1100,00 10 73,33 49,09


139

Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku

1. Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)

No. Jenis Ikan

StasiunPenerimaan

(%)Arahan

Produksi(%)

Scaling(%)

Filleting(%)

Trimming(%)

Sizing(%)

Panning(%)

Bagging +Injection CO (%)

AfterCuring(%)

AfterFreezing(%)

1 Kakap Merah SO 100 100 95 53 48 48 48 48 47 452 Kakap Merah SL 100 100 - 50 32 32 32 32 31 -3 Kakap Sawo Merah SO 100 100 95 56 50 50 50 50 49 514 Kakap Sawo Merah SL 100 100 - 54 48 48 48 48 47 495 Kakap Batu SO 100 100 97 46 41 41 41 41 40 -6 Kakap Batu SL 100 100 - 52 33 33 33 33 32 -7 Kakap Nunuk 100 100 - 61 54 54 54 54 53 -8 Kakap Batu Hitam 100 100 - 52 30 30 30 30 29 -9 Samge 100 100 - 46 26 26 26 26 25 -

10 Lencan 100 100 - 44 31 31 31 31 30 -11 Baramundi 100 100 - 60 53 53 53 53 52 -12 Kaci-Kaci 100 100 - 53 37 37 37 37 36 -13 Ngangas 100 100 - 50 32 32 32 32 31 -14 Jenaha 100 100 - 51 32 32 32 32 31 -15 Jarang Gigi 100 100 - 52 38 38 38 38 37 -16 Angkoli Merah 100 100 - 58 34 34 34 34 33 -17 Angkoli Perak 100 100 - 51 33 33 33 33 32 -18 Kerapu 100 100 - 49 36 36 36 36 35 -19 Gogokan 100 100 - 47 40 40 40 40 39 -20 Lemadang 100 100 - 62 46 46 46 46 45 -

*) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut

140

2. Konversi Bobot Produk Fillet Terhadap RM (Kg)

No. Jenis Produk After freezing (%)

1 Fillet Smoke 43,32 Fillet/Fillet Reguler 34,23 Fillet WM 32,44 Fillet Mix 37,915 Kerang Bulu 1006 Steak Tenggiri 757 WGGS 918 WG 939 WR 100

10 Butterfly 63

3. Rata-Rata Konversi Bobot Produk Fillet dalam Setiap Tahapan Proses Terhadap RM (Kg)

No. Jenis Ikan

StasiunPenerimaan

(%)Arahan

Produksi(%)

Scaling(%)

Filleting(%)

Trimming(%)

Sizing(%)

Panning(%)

Bagging +Injection CO (%)

AfterCuring (%)

1 Skin On 100 100 95,7 51,7 49,7 49,7 49,7 49,7 45,32 Skinless 100 100 - 52,5 36,8 36,8 36,8 37,8 35,8

Total Rata-Rata 100 100 95,7 52,1 43,2 43,2 43,2 43,7 40,6 *) - : Data Tidak Tersedia/Tidak Melalui Stasiun Tersebut

141

Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2

Goodness of Fit - Summary

Kolmogorov-Smirnov

Sample SizeStatisticRank

500.0581

α 0.2 0.15 0.1 0.05 0.01

Critical Value 0.15132 0.16122 0.17253 0.19233 0.23052

Reject? No No No No No

# DistributionKolmogorov

Smirnov

Statistic Rank

1 Exponential 0.22148 6

2 Exponential (2P) 0.22828 8

3 Gamma 0.13166 5

4 Gamma (3P) 0.09014 4

5 Laplace 0.24618 10

6 Logistic 0.2254 7

7 Lognormal 0.07414 2

8 Normal 0.24157 9

9 Triangular 0.50616 12

10 Uniform 0.29568 11

11 Weibull 0.084 3

12 Weibull (3P) 0.058 1

# Distribution Parameters

1 Weibull (3P) α=0.65549 β=9.5183 γ=0.16

142

Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata

Customer Analysis for SAPFIB

07/07/2007 Result

Ulangan 1 Ulangan 2 Ulangan 3

KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall

1Total Number ofArrival

1791 1075 2866 1942 1078 3020 1880 1076 2956

2Total Number ofBalking

0 23 23 0 52 52 0 4 4

3Average Number inthe System (L)

14,97 61,894 76,87 17,30 69,996 87,303 16,15 56,21 72,361

4Maximum Numberin the System

32 105 137 37 105 142 31 105 136

5Current Number inthe System

15 104 119 18 102 120 12 102 114

6 Number Finished 848 948 1796 978 924 1902 902 970 1872

7Average ProcessTime

352,97 131,98 236,32 352,07 135,47 246,84355,14

6129,24 238,09

8Std. Dev. of ProcessTime

106,32 52,706 137,74 98,44 50,48 133,94 98,891 50,813 137,08

9Average WaitingTime (Wq)

6,52 1364,6 723,39 12,38 1614,5 790,69 11,10 1196,8 625,48

10Std. Dev. of WaitingTime

15,46 893,94 938,94 26,60 939,72 1034,6 22,91 724,14 789,28

11Average TransferTime

52,10 0 24,60 52,10 0 26,791 52,10 0 25,10

12Std. Dev. of TransferTime

0,42 0 26,015 0,4024 0 26,042 0,4096 0 26,03

13Average Flow Time(W)

411,6 1496,6 984,32 416,56 1750 1064,3 418,35 1326 888,67

14Std. Dev. of FlowTime

106,32 894,33 849,06 100,32 942,27 938,42 101,65 725,39 695,22

15 Maximum Flow Time 923,41 2819,6 2819,5 969,18 3033,5 3033,5 1201,0 2588,9 2588,9

Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021

Dengan contoh server analysis, queue analysis, dan garbage collector sebagaiberikut :

Server Analysis for SAPFIB07/07/2007 Server

NameServer

UtilizationAverage

Process TimeStd. Dev.

Process TimeMaximum

Process TimeBlocked

Percentage# Customers

Processed1 A1 33,92% 24,3552 24,9366 222,5518 0,00% 3512 A2 37,09% 27,4093 25,5161 138,7767 0,00% 3413 A3 34,33% 22,7062 23,9373 233,3418 0,00% 3814 A4 35,92% 25,5734 27,5108 230,1543 0,00% 3545 A5 36,25% 25,1621 25,0948 179,6074 0,00% 3636 B1 2,58% 1,0501 0,2555 1,7422 0,00% 6207 B2 2,56% 1,0345 0,2666 1,6885 0,00% 6248 B3 2,30% 1,0653 0,2666 1,7021 0,00% 5459 CA1 22,43% 35,114 18,0186 160,1115 0,00% 161

10 CA2 26,08% 39,3608 24,5539 142,0378 0,00% 16711 CA3 25,27% 37,4651 19,997 145,833 0,00% 17012 CA4 26,08% 34,7698 18,7676 151,9707 0,00% 18913 CA5 24,54% 36,5891 19,2152 124,4121 0,00% 16914 CB1 7,24% 91,2066 37,5099 179,793 0,00% 2015 CB2 5,09% 91,5872 40,1368 199,5986 0,00% 1416 CB3 11,71% 105,383 64,1267 363,584 0,00% 2817 CB4 9,65% 105,7068 46,9125 231,0107 0,00% 2318 CB5 10,97% 86,3596 38,1895 222,3811 0,00% 32

143

07/07/2007 ServerName

ServerUtilization

AverageProcess Time

Std. Dev.Process Time

MaximumProcess Time

BlockedPercentage

# CustomersProcessed

19 CB6 10,47% 114,6768 76,0569 321,1777 0,00% 2320 CB7 11,08% 87,256 40,3662 221,2354 0,00% 3221 D11 32,68% 132,8261 61,6137 338,6631 0,00% 6222 D12 30,35% 139,0681 55,1612 300,2556 0,00% 5523 D13 35,01% 152,1274 78,4017 429,9268 0,00% 5824 D14 36,54% 153,4643 76,8175 381,3281 0,00% 6025 D15 31,25% 131,2355 59,8339 455,666 0,00% 6026 D16 32,24% 147,7134 73,8658 354,9277 0,00% 5527 D17 33,64% 141,2947 56,1037 321,665 0,00% 6028 D18 29,42% 145,3937 68,4156 356,6545 0,00% 5129 D21 29,43% 172,4493 90,3898 496,3809 0,00% 4330 D22 30,18% 161,8284 90,6151 488,0918 0,00% 4731 D23 27,62% 158,1783 84,3835 415,8311 0,00% 4432 D24 26,37% 130,3123 65,0674 373,4308 0,00% 5133 D25 28,93% 165,6682 74,3646 395,1855 0,00% 4434 D26 28,24% 131,7654 52,7208 302,9316 0,00% 5435 D27 33,37% 161,7015 92,2298 579,582 0,00% 5236 D28 31,81% 145,7481 64,9893 317,168 0,00% 5537 E1 16,89% 9,9914 1,8231 18,5645 0,00% 42638 E2 17,18% 10,209 1,8788 21,7523 0,00% 42439 F1 29,27% 35,1254 14,2033 88,9297 0,00% 21040 F2 29,64% 34,2573 12,9035 93,193 0,00% 21841 F3 29,78% 36,2517 16,1964 122,6455 0,00% 20742 F4 31,07% 36,4121 15,1967 100,0498 0,00% 21543 GA1 29,81% 100,1748 47,0091 262,0508 0,00% 7544 GA2 29,40% 97,4693 61,2029 366,9053 0,00% 7645 GA3 26,70% 93,4666 43,937 230,6152 0,00% 7246 GA4 29,22% 95,6264 48,2352 222,6406 0,00% 7747 GA5 30,01% 93,3581 53,8823 274,9958 0,00% 8148 GA6 30,34% 98,0135 45,4493 252,3008 0,00% 7849 GB1 43,55% 58,0619 3,2876 67,1035 0,00% 18950 GB2 45,92% 57,8537 3,1577 66,4121 0,00% 20051 GC1 99,32% 131,7239 55,8828 285,0752 0,00% 19052 GC2 99,59% 129,3669 50,7785 251,1758 0,00% 19453 GC3 99,42% 128,4827 48,072 275,5313 0,00% 19554 GC4 98,88% 134,6841 54,3055 328,541 0,00% 18555 GC5 99,31% 136,0048 53,9557 273,7715 0,00% 18456 Overall 32,51% 50,3186 61,0623 579,582 0,00% 8954


Queue Analysis for SAPFIB07/07/2007 Queue

NameAverage Q.Length (Lq)

Current Q.Length

MaximumQ. Length

AverageWaiting (Wq)

Std. Dev.of Wq

MaximumofWq

1 BufferA 0,0991 0 8 1,3943 5,4181 57,22272 BufferB 0 0 1 0 0 03 BufferCA 0,0035 0 2 0,1033 1,2047 18,6084

4 BufferCB 0 0 1 0 0 05 BufferD1 0,0039 0 2 0,2096 1,8499 19,4844

6 BufferD2 0 0 1 0 0 07 BufferE 0,0078 0 2 0,2321 1,0617 9,71348 BufferF 0,0126 0 3 0,3729 2,2474 28,30579 BufferGA 0,0145 0 3 0,7926 5,5347 60,5029

10 BufferGB 0,1405 0 4 9,1011 18,9976 108,0322

11 BufferGC 56,9191 99 100 1371,06 895,9612 2647,73412 Overall 57,201 99 100 146,4248 513,3484 2647,734


144

Garbage Collector Analysis for SAPFIB07/07/2007 Garbage

Collector# Customers

CollectedAverage

Flow TimeStd. Dev.

Flow TimeMaximumFlow Time

AverageProcess Time


1 NonFillet 928 27,7128 25,2764 234,5059 26,024 24,3682Data Collection: 0 to 25200 SecondsCPU Seconds = 10,021

145

Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B

Tanggal JamKedatangan

Jumlah BahanYang Datang

(kg)

Freezer 1(6000 kg)

Freezer 2(6500 kg)

Freezer 3(5500 kg) Waktu

JumlahAntrian Bahan

(kg)

Waktu Idle Freezer(%)

1 2 315-Mar-07

idle idle

idle

00.00 0

54,2 54,2 37,5

01.00 0

02.00 0

03.00 0

04.00 0

05.00 0

06.00 0

07.00 0

08.30 2437,5 08.00 0

Loading

09.00 0

10.30 2539,5 10.00 0

11.00 0

Runing(5017 kg)

12.00 0

13.00 1265,3 Loading Loading13.00 0

13.30 12500 14.00 0

Runing(6000 kg)

Runing(6500 kg)

15.00 1265,3

16.00 324 16.00 1589,3

17.00 1589,3

18.00 1589,3

19.00 1589,3

20.00 1589,3

Unloading& Cleaning

21.00 1589,3

22.00 1589,3

23.00 1589,316-Mar-07

Unloading& Cleaning

Unloading& Cleaning

Loading 00.00 0

37,5 91,6 12,5

Runing(1589,3 kg)

01.00 0

02.00 0

idle

idle

03.00 0

04.00 0

05.00 0

06.00 0

07.00 0

08.30 2840,5 08.00 0

Loading

09.00 0

10.00 1403,5Unloading& Cleaning

10.00 0

11.00 0

Runing(4244 kg)

12.00 0

13.00 3501,5 Loading13.00 0

14.00 0

idle 15.00 0

146

16.30 577 16.00 0

Loading17.00 0

18.00 0

Runing(4078,5 kg)

19.00 0

20.00 0

Unloading& Cleaning

21.00 0

22.00 0

23.00 017-Mar-07

idle

00.00 0

79,2 100 25

01.00 0

02.00 0

03.00 0

Unloading& Cleaning

04.00 0

05.00 0

06.00 0

idle07.00 0

08.20 141,9 08.00 0

Loading

09.00 0

10.00 0

11.00 2104 idle 11.00 0

12.00 0

idle13.00 0

14.30 105,5 14.00 0

15.00 399Loading

15.00 0

16.00 2153,5 16.00 0

17.30 4623 17.00 0

Loading

Runing(4903,9

Kg)

18.00 0

19.00 0

20.30 33 idle 20.00 0

Loading 21.00 0

Runing(4656 kg)

22.00 0

23.00 018-Mar-07 00.00 0

- - -

01.00 0

02.00 0

Unloading& Cleaning

03.00 0

04.00 0

idle 05.00 0

idle

06.00 0

Unloading& Cleaning

07.00 0

08.00 0

09.00 020-Mar-07 idle idle idle 00.00 0

147

idle idle

idle

01.00 0

58,3 58,3 37,5

02.00 0

03.00 0

04.00 0

05.00 0

06.00 0

07.00 0

08.15 367,8 08.00 0

08.40 101

Loading

09.00 0

10.45 2980,5 10.00 0

11.00 0

12.00 0

Runing(3449,3 kg)

13.00 0

14.35 12955Loading Loading

14.00 0

15.00 0

16.30 5723,2 16.00 0

Runing(6000 kg)

Runing(6500 kg)

17.00 6178,2

18.00 6178,2

19.00 6178,2

20.30 101,9 20.00 6178,2

21.00 100,7 21.00 6380,8

21.05 1414Unloading& Cleaning

22.00 7808,3

21.35 13,5 23.00 7808,321-Mar-07 00.00 7808,3

25 83,3 0

Loading01.00 2308,3

Unloading& Cleaning

Unloading& Cleaning

02.00 2308,3

Runing(5500 kg)

03.00 2308,3

04.00 2308,3

Loading

idle

05.00 0

06.00 0

idle

07.00 0

08.00 0

09.30 1015,8 09.00 0

Loading 10.00 0

Runing(3324,1 kg)

11.00 0

Unloading& Cleaning

12.00 0

13.15 325,5 13.00 0

13.45 182,5 14.00 0

14.10 3799,9

Loading

15.00 0

16.00 44,5 16.00 0

17.00 0

18.00 0

19.00 0

148

Unloading& Cleaning idle

Runing(4352,4 kg)

20.00 0

21.00 0

22.00 0

idle 23.00 022-Mar-07 00.00 0

100 50 37,5

01.00 0

02.00 0

03.00 0

idleUnloading& Cleaning

04.00 0

05.00 0

06.00 0

idle

07.00 0

08.00 0

09.00 2922,5 Loading09.00 0

idle 10.00 0

idle11.00 0

12.00 0

13.00 781Loading

13.00 0

14.00 3072 14.00 0

Loading

15.00 0

16.00 291

Runing(6500 kg)

16.00 0

16.30 2257,5 17.00 0

18.00 0

Runing(2824 kg)

19.00 0

20.00 0

21.00 0

22.00 0

23.00 023-Mar-07 00.00 0

58,3 87,5 16,7

Unloading& Cleaning

01.00 0

02.00 0

03.00 0

idle

Unloading& Cleaning

04.00 0

05.00 0

idle 06.00 0

idle07.00 0

08.00 0

09.00 699

Loading

09.00 0

10.00 0

11.00 2415 11.00 0

12.00 0

idle 13.00 0

14.30 5854 Loading Loading 14.00 0

149

idle

15.00 0

Runing(4568 kg)

Runing(4400 kg)

16.00 0

17.00 0

18.00 0

19.00 0

20.00 0

21.00 0

22.00 0

23.00 024-Mar-07

idle

00.00 0

33,3 100 87,5

Unloading& Cleaning

Unloading& Cleaning

01.00 0

02.00 0

03.00 0

idle

idle

04.00 0

05.00 0

06.00 0

07.00 0

08.30 1932 08.00 0

Loading09.00 0

10.00 0

idle11.00 0

12.00 0

13.00 1654,5

Loading

13.00 0

14.00 0

15.30 1770 15.00 0

16.30 270 16.00 0

17.00 0

Runing(5626,5 kg)

18.00 0

19.00 0

20.00 0

21.00 0

22.00 0

23.00 025-Mar-07

idle idle

00.00 0

- - -

01.00 0

02.00 0

Unloading& Cleaning

03.00 0

04.00 0

05.00 026-Mar-07

idle idle idle

00.00 0

01.00 0

02.00 0

03.00 0

150

idle idle

idle

04.00 0

100 100 37,5

05.00 0

06.00 0

07.00 0

08.05 185,5 Loading08.00 0

09.00 0

idle 10.00 0

11.00 121

Loading

11.00 0

12.00 0

13.03 133,3 13.00 0

13.30 1840,5 14.00 0

15.30 939,8 15.00 0

15.45 260,5 16.00 0

Runing(3480,6 kg)

17.00 0

18.00 0

19.00 0

20.00 0

21.00 0

22.00 0

23.00 027-Mar-07

idle idle

00.00 0

100 100 37,5

01.00 0

Unloading& Cleaning

02.00 0

03.00 0

04.00 0

idle

05.00 0

06.00 0

07.00 0

08.00 0

09.00 0

10.00 0

11.00 0

12.00 0

13.03 1505,5 Loading13.00 0

14.00 0

Runing(1505,5 kg)

15.00 0

16.00 0

17.00 0

18.00 0

19.00 0

20.00 0

21.00 0

22.00 0

151

idle idle 23.00 028-Mar-07

idle idle

Unloading& Cleaning

00.00 0

100 100 41,6

01.00 0

02.00 0

idle

03.00 0

04.00 0

05.00 0

06.00 0

07.00 0

08.05 448,2 Loading08.00 0

09.00 0

idle

10.00 0

11.00 0

12.00 0

13.05 1624Loading

13.00 0

13.38 2065 14.00 0

14.10 218,6 15.00 0

Runing(4355,8 kg)

16.00 0

17.00 0

18.00 0

19.00 0

20.00 0

21.00 0

22.00 0

23.00 029-Mar-07 00.00 0

- - -Unloading& Cleaning

01.00 0

Idle idle 02.00 0

03.00 0

Rata-rata 67,8 84,0 33,7

152

Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata


07/07/2007 ResultUlangan 1 Ulangan 2 Ulangan 3

Kedatangan Kedatangan Kedatangan

1 Total Number of Arrival 1714 1663 16542 Total Number of Balking 0 0 03 Average Number in the System (L) 3,271 3,2611 3,21564 Maximum Number in the System 22 23 185 Current Number in the System 4 4 26 Number Finished 1710 1659 16527 Average Process Time 143,9224 148,034 146,9258 Std. Dev. of Process Time 97,4007 96,9142 96,01089 Average Waiting Time (Wq) 0,2353 0,4548 0,0128

10 Std. Dev. of Waiting Time 3,9887 4,4437 0,51911 Average Transfer Time 0 0 012 Std. Dev. of Transfer Time 0 0 013 Average Flow Time (W) 144,1576 148,489 146,937714 Std. Dev. of Flow Time 97,4903 96,9457 96,000615 Maximum Flow Time 653,3008 710,8906 727,5

Data Collection: 0 to 75600 secondsCPU Seconds = 1,581

Dengan contoh server analysis dan queue analysis sebagai berikut :

Server Analysis for SAPFIB07/07/2007 Server Name Server

UtilizationAverageProcess

TimeStd. Dev.Process

Time

MaximumProcess

Time

BlockedPercentage

#CustomersProcessed

1 Operator11 14,16% 144,6908 77,8663 386,0098 0,00% 74

2 Operator12 13,45% 141,277 105,6131 596,8125 0,00% 72

3 Operator13 11,97% 139,2499 81,2949 361,0273 0,00% 65

4 Operator14 11,45% 137,4528 96,0066 539,3926 0,00% 63

5 Operator15 13,16% 142,1767 93,9713 396,5918 0,00% 70

6 Operator16 13,34% 150,5136 101,3868 468,1152 0,00% 67

7 Operator17 14,44% 138,1826 93,1916 403,9746 0,00% 79

8 Operator18 14,09% 140,198 96,8986 457,2891 0,00% 76

9 Operator21 11,91% 138,5434 82,4697 362,3242 0,00% 65

10 Operator22 15,84% 159,6305 115,7134 471,3203 0,00% 75

11 Operator23 10,71% 139,59 79,6908 429,4766 0,00% 58

12 Operator24 9,31% 110,0064 77,0984 383,7695 0,00% 64

13 Operator25 16,54% 152,5289 104,1262 540,3516 0,00% 82

14 Operator26 14,03% 136,0294 85,7951 454,6563 0,00% 78

15 Operator27 13,27% 156,7838 104,7038 521,5664 0,00% 64

16 Operator28 14,20% 157,9166 100,67 440,2969 0,00% 68

17 Operator31 14,73% 140,9689 88,6358 437,8516 0,00% 79

18 Operator32 17,00% 156,7187 117,1836 653,3008 0,00% 82

19 Operator33 13,88% 143,7402 92,1117 436,5938 0,00% 73

20 Operator34 13,35% 132,8123 77,1715 363,0273 0,00% 76

21 Operator35 13,70% 156,9278 111,1676 652,877 0,00% 66

22 Operator36 11,55% 134,3493 97,11 543,8418 0,00% 65

23 Operator37 14,73% 146,4836 120,106 634,0586 0,00% 76

24 Operator38 14,69% 152,1603 96,0898 419,5273 0,00% 73

Overall 13,56% 143,9223 97,4008 653,3008 0,00% 1710Data Collection: 0 to 75600 secondsCPU Seconds = 1,581

153



Current Q.Length

MaximumQ.Length

AverageWaiting (Wq)

Std. Dev.of Wq

Maximum ofWq

1 Buffer1 0,0009 0 2 0,1205 2,1563 46,63282 Buffer2 0,0039 0 2 0,5272 6,4073 108,92293 Buffer3 0,0005 0 1 0,0692 1,682 40,9238

Overall 0,0053 0 2 0,2347 3,984 108,9229Data Collection: 0 to 75600 secondsCPU Seconds = 1,581

154

Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata

Contoh Customer Analysis, Server Analysis dan Queue Analysis adalah sebagai berikut :

Customer Analysis for SAPFIB08/19/2007 Result KedItem1 KedItem2 KedItem3 KedItem4 Overall

1 Total Number of Arrival 2831 4189 22291 3443 327542 Total Number of Balking 1559 2179 11737 1923 173983 Average Number in the System (L) 363,7529 578,7405 3035,697 452,6462 4430,8364 Maximum Number in the System 448 682 3480 546 51565 Current Number in the System 383 655 3454 508 50006 Number Finished 889 1355 7100 1012 103567 Average Process Time 32,3066 20,8162 6,7855 20,605 12,16268 Std. Dev. of Process Time 38,611 24,3815 2,3139 9,3357 17,01079 Average Waiting Time (Wq) 7748,398 7776,993 7783,005 8252,784 7825,155

10 Std. Dev. of Waiting Time 4122,343 4069,736 4133,045 4096,925 4122,78811 Average Transfer Time 0 0 0 0 012 Std. Dev. of Transfer Time 0 0 0 0 013 Average Flow Time (W) 7780,704 7797,801 7789,772 8273,387 7837,30314 Std. Dev. of Flow Time 4122,858 4069,838 4133,037 4097,456 4122,97715 Maximum Flow Time 12532,26 12615,22 12474,51 12487,38 12615,22



UtilizationAverage

Process TimeStd. Dev.Process

Time

MaximumProcess Time

BlockedPercentage


1 Operator1 99,98% 12,3809 16,7473 300,6152 0,00% 20352 Operator2 99,97% 12,0764 17,2635 376,8223 0,00% 20863 Operator3 99,95% 11,9425 15,928 228,5762 0,00% 21094 Operator4 99,97% 12,4464 17,8025 296,4551 0,00% 20245 Operator5 99,96% 11,9842 17,2744 314,4727 0,00% 21026 Overall 99,96% 12,1626 17,0107 376,8223 0,00% 10356

Data Collection: 0 to 25200 Seconds

CPU Seconds = 17,641



Current Q.Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev. ofWq

MaximumofWq

1 Buffer 4427,497 4995 4995 7827,334 4122,986 12465,55Data Collection: 0 to 25200 SecondsCPU Seconds = 17,641

155

Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata







Contoh Server Analysis dan Queue Analysis adalah sebagai berikut :


UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 Operator1 99,80% 91,1201 43,6099 310,8818 0,00% 2762 Operator2 99,67% 81,545 31,334 236,8535 0,00% 3083 Operator3 99,82% 94,2085 49,1219 392,1992 0,00% 2674 Operator4 99,35% 89,0995 45,4505 426,569 0,00% 2815 Operator5 99,82% 89,8339 47,0563 432,6816 0,00% 2806 Operator6 99,43% 88,5382 46,3299 437,8174 0,00% 2837 Operator7 99,83% 90,4966 36,7918 209,7129 0,00% 2788 Overall 99,67% 89,1148 43,2009 437,8174 0,00% 1973

Data Collection : 0 to 25200 Seconds

CPU Seconds = 7,283



Current Q.Length

Maximum Q.Length

AverageWaiting

(Wq)

Std. Dev. ofWq

Maximumof Wq

1 Buffer 748,829 800 800 7429,695 3361,574 10521,08Data Collection : 0 to 25200 SecondsCPU Seconds = 7,283

156

Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata


08/19/2007 ResultUlangan 1 Ulangan 2 Ulangan 3Kedatangan Kedatangan Kedatangan






UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed

1 Operator1 99,93% 36,3902 22,78 298,0098 0,00% 6922 Operator2 99,97% 36,8837 22,1161 211,8984 0,00% 6833 Operator3 99,90% 35,1586 19,7473 167,8564 0,00% 7164 Operator4 99,90% 35,4087 19,4988 163,3604 0,00% 7115 Operator5 99,75% 35,3051 19,3814 164,6602 0,00% 7126 Operator6 99,89% 35,8167 20,7416 298,0098 0,00% 3514


CPU Seconds = 3,2



Current Q.Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev. ofWq

MaximumofWq

1 Buffer 169,6601 245 250 1157,14 609,9396 2027,309

CPU Seconds = 3,327

157

Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata


08/19/2007 ResultUlangan 1 Ulangan 2 Ulangan 3Kedatangan Kedatangan Kedatangan






UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 Operator1 99,22% 133,7142 51,0549 272,6387 0,00% 1872 Operator2 99,86% 127,7398 51,7636 264,0327 0,00% 1973 Operator3 99,76% 130,931 51,4608 254,1133 0,00% 1924 Operator4 99,33% 129,6958 51,3879 258,082 0,00% 1935 Operator5 99,00% 131,3102 52,7247 283,0273 0,00% 1906 Operator6 99,44% 130,6447 51,72 283,0273 0,00% 959


CPU Seconds = 0,903



Current Q.Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev. ofWq

MaximumofWq

1 Buffer 52,8004 99 100 1249,751 594,2574 2502,693Data Collection : 0 to 25200 SecondsCPU Seconds = 0,903

158

Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan


07/07/2007 Result


KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall

1Total Number ofArrival 5686 797 6483 5685 807 6492 6004 788 6792

2Total Number ofBalking 0 0 0 0 0 0 0 0 0

3Average Number inthe System (L) 505,94 4,5558 510,5 426,92 4,7012 431,62 687,01 4,568 691,57

4Maximum Numberin the System 897 10 907 765 10 775 1223 13 1236

5Current Number inthe System 896 3 899 764 6 770 1214 6 1220

6 Number Finished 2303 794 3097 2320 801 3121 2297 782 3079

7Average ProcessTime 359,73 133,16 301,64 357,87 132,74 300,09 359,18 131,31 301,30

8Std. Dev. of ProcessTime 104,23 52,302 136,26 106,62 52,293 137,19 103,25 52,02 135,94

9Average WaitingTime (Wq) 2546,3 11,296 1896,4 2199,3 14,494 1638,6 3362,6 15,179 2512,4

10Std. Dev. of WaitingTime 1510,8 22,724 1709,5 1409,2 24,347 1545,0 1798,0 28,179 2129,6

11Average TransferTime 52,107 0 38,748 52,113 0 38,738 52,103 0 38,870

12Std. Dev. of TransferTime 0,3428 0 22,753 0,3494 0 22,764 0,3403 0 22,681

13Average Flow Time(W) 2958,2 144,45 2236,8 2609,3 147,23 1977,4 3773,9 146,49 2852,6

14Std. Dev. of FlowTime 1505,5 57,082 1787,6 1396,8 57,731 1614,8 1795,1 59,002 2213,1





NameServer

UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 A1 99,83% 25,0572 23,9244 200,7271 0,00% 10042 A2 99,81% 25,076 24,2978 164,5977 0,00% 10033 A3 99,86% 25,7312 24,8549 190,2437 0,00% 9784 A4 99,93% 25,4873 24,4169 178,0547 0,00% 9885 A5 99,79% 25,9237 26,6339 164,6133 0,00% 9706 B1 6,83% 1,0544 0,2646 1,7227 0,00% 16327 B2 6,96% 1,0487 0,2669 1,7344 0,00% 16728 B3 6,88% 1,0575 0,2683 1,7246 0,00% 16399 CA1 73,47% 38,977 25,8716 211,9536 0,00% 475

10 CA2 73,97% 37,5816 21,8016 156,9121 0,00% 49611 CA3 74,00% 37,9775 25,4176 198,9897 0,00% 49112 CA4 73,89% 39,616 27,1615 212,4316 0,00% 47013 CA5 76,07% 37,6626 21,9605 180,4863 0,00% 50914 CB1 24,94% 88,515 40,4078 245,6289 0,00% 7115 CB2 24,28% 89,9807 50,3956 339,1387 0,00% 68

159


ServerUtilization

AverageProcess Time


MaximumProcess Time

BlockedPercentage


16 CB3 23,30% 102,9955 46,8212 228,1074 0,00% 5717 CB4 22,42% 88,2845 29,4957 178,2656 0,00% 6418 CB5 22,29% 86,4096 36,1934 214,0999 0,00% 6519 CB6 30,81% 97,0498 53,604 338,6855 0,00% 8020 CB7 25,46% 91,638 42,8256 206,4683 0,00% 7021 D11 88,80% 149,178 74,4688 439,9934 0,00% 15022 D12 91,04% 150,9328 66,1045 406,4336 0,00% 15223 D13 91,43% 155,6766 77,1641 500,1582 0,00% 14824 D14 90,95% 147,8704 65,4637 500,8545 0,00% 15525 D15 89,80% 146,9499 66,9009 369,5322 0,00% 15426 D16 90,84% 154,6796 80,0571 616,9385 0,00% 14827 D17 90,67% 155,4363 85,0696 423,4512 0,00% 14728 D18 89,41% 147,2703 74,3155 491,5918 0,00% 15329 D21 90,92% 149,7445 73,4916 577,6697 0,00% 15330 D22 89,42% 147,2854 82,5258 525,7869 0,00% 15331 D23 88,87% 144,4903 76,6771 439,2798 0,00% 15532 D24 92,54% 154,4339 76,9707 427,1206 0,00% 15133 D25 87,56% 148,0914 64,8814 367,9648 0,00% 14934 D26 89,02% 152,6113 72,1446 438,3516 0,00% 14735 D27 90,19% 154,6099 79,2953 481,7432 0,00% 14736 D28 89,61% 143,8308 75,0191 463,1953 0,00% 15737 E1 48,11% 10,1275 1,9329 25,0176 0,00% 119738 E2 49,38% 10,1824 1,888 20,9648 0,00% 122239 F1 86,20% 34,9798 13,7209 101,3047 0,00% 62140 F2 84,09% 35,8573 15,6473 120,7095 0,00% 59141 F3 84,47% 35,7763 14,6104 125,6572 0,00% 59542 F4 84,41% 35,0999 14,5628 126,7778 0,00% 60643 GA1 90,97% 101,4396 51,9542 285,6938 0,00% 22644 GA2 90,85% 95,7911 42,6768 271,5859 0,00% 23945 GA3 89,77% 90,4847 41,7675 261,0137 0,00% 25046 GA4 91,45% 92,1855 43,7442 273,7715 0,00% 25047 GA5 91,74% 94,7451 52,3427 524,8013 0,00% 24448 GA6 91,69% 97,0832 45,8503 332,3213 0,00% 23849 GB1 98,12% 57,7707 3,051 67,7012 0,00% 42850 GB2 98,15% 57,7917 3,1209 66,1484 0,00% 42851 GC1 84,08% 136,705 53,2185 255,4063 0,00% 15552 GC2 83,57% 136,7561 52,7878 286,3828 0,00% 15453 GC3 84,27% 134,4105 52,2356 258,3965 0,00% 15854 GC4 82,77% 130,3657 51,8347 251,3499 0,00% 16055 GC5 84,85% 128,0329 50,9183 253,4941 0,00% 16756 Overall 74,63% 44,6828 57,7575 616,9385 0,00% 23150




CurrentQ. Length

MaximumQ. Length

AverageWaiting (Wq)

Std. Dev.of Wq

MaximumofWq

1 BufferA 358,9954 738 744 1586,867 946,006 3311,0612 BufferB 0 0 1 0,0002 0,0068 0,37353 BufferCA 0,8128 0 13 8,3737 14,827 104,44634 BufferCB 0 0 1 0 0 05 BufferD1 4,0671 0 18 84,3543 88,958 352,21396 BufferD2 5,4841 6 28 112,982 121,938 495,49717 BufferE 0,1417 0 5 1,4759 3,1783 24,83898 BufferF 1,3059 2 11 13,6045 18,3082 96,26569 BufferGA 13,254 3 49 229,85 208,624 701,3125

10 BufferGB 80,0014 99 100 2188,342 985,4507 2921,02911 BufferGC 0,3559 0 5 11,2535 22,6918 133,152312 Overall 464,4183 848 744 447,1012 865,861 3311,061


160



CollectedAverage

Flow TimeStd. Dev.


AverageProcess

Time

Std. Dev.Process

Time1 NonFillet 2487 1627,885 946,9225 3393,592 26,4311 24,3873


161

Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan









UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 Operator11 80,21% 145,0673 95,6935 540,9609 0,00% 4182 Operator12 78,41% 144,573 90,157 578,0977 0,00% 4103 Operator13 79,92% 147,7159 95,0032 589,3188 0,00% 4094 Operator14 78,72% 152,9875 104,4024 784,6436 0,00% 3895 Operator15 79,59% 144,2948 99,0454 603,4673 0,00% 4176 Operator16 80,76% 149,6474 97,1676 631,6738 0,00% 4087 Operator17 80,11% 149,9069 101,368 809,6025 0,00% 4048 Operator18 81,27% 140,9105 94,1257 644,375 0,00% 4369 Operator21 75,46% 144,0594 97,2176 706,4746 0,00% 396

10 Operator22 76,52% 143,1921 97,856 527,4727 0,00% 40411 Operator23 76,59% 152,3764 104,5744 610,2656 0,00% 38012 Operator24 76,89% 140,0718 99,8663 763,1582 0,00% 41513 Operator25 74,78% 142,0529 92,5552 491,418 0,00% 39814 Operator26 75,39% 139,0058 94,0633 543,2773 0,00% 41015 Operator27 76,30% 144,2127 89,4642 435,375 0,00% 40016 Operator28 76,98% 147,7117 93,1943 525,0654 0,00% 39417 Operator31 75,57% 148,0147 92,6186 639,1367 0,00% 38618 Operator32 77,10% 149,4464 103,2516 593,875 0,00% 39019 Operator33 77,09% 147,543 97,0429 743,8301 0,00% 39520 Operator34 76,47% 152,5453 103,6651 720,1797 0,00% 37921 Operator35 74,90% 143,7262 95,4736 551,4531 0,00% 39422 Operator36 75,50% 149,0238 99,2238 491,4336 0,00% 38323 Operator37 74,02% 134,508 93,3599 557,167 0,00% 41624 Operator38 76,56% 143,6304 87,9123 509,5508 0,00% 40325 Overall 77,30% 145,5745 96,7464 809,6025 0,00% 9634


162


NameAverage

Q. Length(Lq)

Current Q.Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev.of Wq

MaximumofWq

1 Buffer1 3,5668 9 28 81,5214 98,9353 451,98442 Buffer2 2,9397 3 31 69,2973 96,891 520,35553 Buffer3 2,4999 2 21 59,9044 81,1658 449,0938

4 Overall 9,0064 14 31 70,4054 93,214 520,3555


163

Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Komposisi Operator


07/07/2007 Result


KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall KedatanganP

KedatanganAC

Overall

1Total Number ofArrival

1973 1069 3042 1893 1067 2960 1816 1112 2928

2Total Number ofBalking

0 0 0 0 0 0 0 0 0

3Average Number inthe System (L)

17,34 5,6375 22,97 17,306 5,8864 23,193 16,555 6,4331 22,988

4Maximum Numberin the System

36 11 47 40 14 54 36 12 48

5Current Number inthe System

21 4 25 11 5 16 16 9 25

6 Number Finished 933 1065 1998 927 1062 1989 885 1103 1988

7Average ProcessTime

346,41 129,46 230,77 351,12 131,24 233,72 351,69 134,77 231,33

8Std. Dev. of ProcessTime

101,29 52,122 134 100,99 52,717 135,16 96,335 53,095 131,59

9Average WaitingTime (Wq)

31,75 3,7624 16,835 34,746 8,1297 20,534 32,218 11,411 20,674

10Std. Dev. of WaitingTime

55,59 10,501 41,199 50,987 19,202 39,809 48,146 20,662 37,091

11Average TransferTime

52,09 0 24,328 52,096 0 24,280 52,121 0 23,202

12Std. Dev. of TransferTime

0,4039 0 25,993 0,4025 0 25,989 0,429 0 25,904

13Average Flow Time(W)

430,27 133,22 271,93 437,97 139,37 278,53 436,03 146,18 275,21

14Std. Dev. of FlowTime

114,01 52,781 171,80 112,83 56,971 172,78 107,95 56,896 166,53





NameServer

UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 A1 46,71% 25,4769 26,1245 222,5234 0,00% 4622 A2 47,51% 23,6128 21,3881 133,469 0,00% 5073 A3 49,56% 24,6798 25,2425 175,4063 0,00% 5064 A4 49,79% 25,2967 25,1568 170,668 0,00% 4965 B1 8,31% 1,0627 0,2588 1,7284 0,00% 19706 CA1 46,07% 38,6999 25,6098 269,3633 0,00% 3007 CA2 49,79% 38,9628 25,5491 189,7773 0,00% 3228 CA3 47,80% 36,8373 24,665 180,9358 0,00% 3279 CB1 30,61% 82,9454 28,964 164,3848 0,00% 93

10 CB2 29,41% 88,2294 34,8818 209,9287 0,00% 8411 D11 54,30% 141,0697 73,737 498,8555 0,00% 9712 D12 55,31% 140,7917 68,0297 458,7461 0,00% 9913 D13 50,11% 143,5021 70,3 458,5084 0,00% 8814 D14 57,68% 156,281 84,0942 494,0762 0,00% 9315 D15 53,42% 141,7141 70,974 391,2051 0,00% 95

164


ServerUtilization

AverageProcess Time


MaximumProcess Time

BlockedPercentage


16 D21 51,46% 139,4464 73,9568 409,1689 0,00% 9317 D22 56,08% 139,9151 68,9726 452,4414 0,00% 10118 D23 55,90% 148,2937 85,3419 497,7695 0,00% 9519 D24 49,00% 132,7873 61,1686 382,6553 0,00% 9320 D25 51,73% 149,8411 73,451 374,7715 0,00% 8721 E1 37,82% 10,1279 1,9001 20,0254 0,00% 94122 F1 32,40% 35,3419 13,719 124,8545 0,00% 23123 F2 32,56% 35,5193 14,9586 109,5684 0,00% 23124 F3 33,04% 34,9783 14,4693 107,9023 0,00% 23825 F4 33,44% 35,1086 13,8064 94,4219 0,00% 24026 GA1 30,87% 93,7175 55,4175 322,858 0,00% 8327 GA2 28,96% 102,795 48,4952 276,0321 0,00% 7128 GA3 31,32% 98,6473 55,554 326,7578 0,00% 8029 GA4 27,53% 91,2672 45,7431 264,0898 0,00% 7630 GA5 31,40% 96,4836 46,7468 252,1536 0,00% 8231 GA6 31,04% 89,8994 37,937 193 0,00% 8732 GB1 54,12% 58,0387 2,9434 67,2168 0,00% 23533 GB2 50,57% 58,186 3,3255 66,3253 0,00% 21934 GC1 76,62% 136,9412 54,8434 283,4258 0,00% 14135 GC2 81,20% 125,5344 53,325 297,6699 0,00% 16336 GC3 76,66% 123,0492 49,313 247,0957 0,00% 15737 GC4 76,07% 125,2871 48,4266 266,334 0,00% 15338 GC5 79,85% 133,2598 55,7332 278,3451 0,00% 15139 GC6 79,38% 134,2512 53,2501 296,3711 0,00% 14940 GC7 77,34% 129,0717 48,0354 243,1545 0,00% 15141 Overall 48,57% 49,5157 59,7091 498,8555 0,00% 9887



NameAverage

Q. Length(Lq)

CurrentQ. Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev.of Wq

MaximumofWq

1 BufferA 0,365 0 11 4,6614 11,2655 75,07892 BufferB 0,0038 0 2 0,0483 0,1998 2,09473 BufferCA 0,2099 0 7 5,5729 13,853 109,57234 BufferCB 0,0318 0 2 4,5247 13,615 99,50785 BufferD1 0,1013 0 5 5,376 15,8551 89,54446 BufferD2 0,3908 0 13 20,7783 61,3121 357,19147 BufferE 0,1078 0 4 2,8863 5,0655 308 BufferF 0,0072 0 3 0,1939 1,909 33,0019 BufferGA 0,0063 0 3 0,3298 2,6541 30,3425

10 BufferGB 0,1601 1 4 8,8477 17,1211 106,948211 BufferGC 0,159 0 4 3,7492 10,4836 72,792612 Overall 1,543 1 13 3,9242 16,9569 357,1914

Data Collection: 0 to 25200 Seconds

CPU Seconds = 13,749



CollectedAverage

Flow TimeStd. Dev.


AverageProcess Time


1 NonFillet 1019 30,0781 25,471 171,4395 25,4452 22,9425


165

Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Komposisi Operator









UtilizationAverage


Process TimeMaximum

Process TimeBlocked


Processed1 Operator11 25,01% 146,5475 102,7939 567,0898 0,00% 1292 Operator12 25,03% 143,332 96,0451 573,5234 0,00% 1323 Operator13 26,45% 150,3674 100,5854 470,9727 0,00% 1334 Operator14 26,66% 143,9611 93,6235 526,8008 0,00% 1405 Operator21 26,43% 147,9962 101,8333 552,3535 0,00% 1356 Operator22 25,40% 147,7049 101,9582 729,9688 0,00% 1307 Operator23 25,85% 148,0497 104,7033 719,0625 0,00% 1328 Operator24 25,87% 137,751 96,0324 532,2148 0,00% 1429 Operator31 28,02% 144,0867 86,1434 393,2289 0,00% 147

10 Operator32 26,66% 153,8634 102,3631 619,6484 0,00% 13111 Operator33 26,21% 154,8067 96,6392 553,2539 0,00% 12812 Operator34 28,36% 135,697 88,7396 502,749 0,00% 15813 Overall 26,33% 145,9099 97,6673 729,9688 0,00% 1637



NameAverage

Q. Length(Lq)

Current Q.Length

MaximumQ. Length

AverageWaiting

(Wq)

Std. Dev.of Wq

MaximumofWq

1 Buffer1 0,0669 0 5 9,4489 33,2072 230,17872 Buffer2 0,0565 0 6 7,9224 27,9159 209,75783 Buffer3 0,0683 2 4 9,05 28,0788 187,7914 Overall 0,1917 2 6 8,8098 29,8034 230,1787

DataCollection : 0 to 75600 SecondsCPU Seconds = 3,327

166

Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood

167

Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Tingkat Kedatangan

Waktu tunggu maksimum padasimulasi model antrian sistem nyata

Stasiun Ulangan 1(detik)

Ulangan 2(detik)

Ulangan 3(detik)

BufferA 63,3506 27,0757 54,6863

BufferB 0,1699 0 0

BufferC 15,0469 18,9064 28,6094

BufferC1 0 0 0

BufferD1 13,2793 73,416 76,1465

BufferD2 0 74,1699 118,699

BufferE 10,0234 12,457 14,1826

BufferF 15,3086 40,5566 30,2715

BufferGA 102,1367 93,2593 189,8848

BufferGB 50,2949 36,1172 21,7998

BufferGD 2681,688 2618,102 2701,943

Total 2951,2983 2994,0601 3236,2229

Rata-rata 3060,5271

Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem nyata

Stasiun Ulangan 1(Kg)

Ulangan 2(Kg)

Ulangan 3(Kg)

BufferA 6 9 11

BufferB 1 1 1

BufferC 2 3 3

BufferC1 1 1 1

BufferD1 4 1 2

BufferD2 4 1 4

BufferE 3 2 3

BufferF 3 3 5

BufferGA 4 4 7

BufferGB 2 3 2

BufferGD 100 100 100

Total 130 128 139

Rata-rata 132,3333333

Waktu tunggu maksimum padasimulasi model antrian sistem alternatif


Ulangan 2(detik)

Ulangan 3(detik)

BufferA 3311,061 2608,949 4174,348

BufferB 0,3735 0,6074 0

BufferCA 104,4463 103,8477 101,9785

BufferCB 0 0 11,1748

BufferD1 352,2139 281,1699 626,2754

BufferD2 495,4971 874,2646 469,8398

BufferE 24,8389 17,9941 34,126

BufferF 96,2656 85,9434 66,6582

BufferGA 701,3125 439,6094 1476,815

BufferGB 2921,029 2928,492 2928,308

BufferGC 133,1523 154,6426 186,0771

Total 8140,19 7495,5201 10075,601

Rata-rata 8570,437

Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem alternatif


Ulangan 2(Kg)

Ulangan 3(Kg)

BufferA 744 576 949

BufferB 1 1 1

BufferCA 13 13 16

BufferCB 1 1 2

BufferD1 18 15 34

BufferD2 28 39 24

BufferE 5 4 6

BufferF 11 9 10

BufferGA 49 30 100

BufferGB 100 100 100

BufferGC 5 5 8

Total 975 793 1250

Rata-rata 1006

168

Biaya Tambahan Penggunaan Es(Rp) = {Total maksimum bahan yangmengantri pada setiap stasiun kerja(Kg) x Total maksimum waktumenunggu bahan (detik) x harga es(Rp/Kg)} : 3600 detik

Perhitungan biaya penggunaan espada model antrian sistem nyata

Biaya Tambahan Penggunaan Es

= { 132,33 Kg x 3060,5271 detik x

Rp. 90/ Kg } : 3600 detik

= Rp. 10.125 (per hari)

Biaya Tambahan Penggunaan Es per

bulan = Rp. 10.125 x 30 hari

= Rp.303.749,66 (per bulan)


Perhitungan biaya penggunaan espada model antrian sistem alternatif


= { 1006 Kg x 8570,437 detik x

Rp. 90/ Kg } : 3600 detik

= Rp. 215.456 (per hari)



= Rp.6.466.394,72 (per bulan)

169

Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Komposisi Operator

Waktu tunggu maksimum padasimulasi model antrian sistem nyata


Ulangan 2(detik)

Ulangan 3(detik)

BufferA 63,3506 27,0757 54,6863

BufferB 0,1699 0 0

BufferC 15,0469 18,9064 28,6094

BufferC1 0 0 0

BufferD1 13,2793 73,416 76,1465

BufferD2 0 74,1699 118,699

BufferE 10,0234 12,457 14,1826

BufferF 15,3086 40,5566 30,2715

BufferGA 102,1367 93,2593 189,8848

BufferGB 50,2949 36,1172 21,7998

BufferGD 2681,688 2618,102 2701,943

Total 2951,2983 2994,0601 3236,2229

Rata-rata 3060,5271

Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem nyata


Ulangan 2(Kg)

Ulangan 3(Kg)

BufferA 6 9 11

BufferB 1 1 1

BufferC 2 3 3

BufferC1 1 1 1

BufferD1 4 1 2

BufferD2 4 1 4

BufferE 3 2 3

BufferF 3 3 5

BufferGA 4 4 7

BufferGB 2 3 2

BufferGD 100 100 100

Total 130 128 139

Rata-rata 132,3333333

Waktu tunggu maksimum padasimulasi model antrian sistem alternatif


Ulangan 2(detik)

Ulangan 3(detik)

BufferA 3311,061 2608,949 4174,348

BufferB 0,3735 0,6074 0

BufferCA 104,4463 103,8477 101,9785

BufferCB 0 0 11,1748

BufferD1 352,2139 281,1699 626,2754

BufferD2 495,4971 874,2646 469,8398

BufferE 24,8389 17,9941 34,126

BufferF 96,2656 85,9434 66,6582

BufferGA 701,3125 439,6094 1476,815

BufferGB 2921,029 2928,492 2928,308

BufferGC 133,1523 154,6426 186,0771

Total 8140,19 7495,5201 10075,601

Rata-rata 8570,437

Jumlah bahan maksimum yangmengantri pada simulasi modelantrian sistem alternatif


Ulangan 2(Kg)

Ulangan 3(Kg)

BufferA 744 576 949

BufferB 1 1 1

BufferCA 13 13 16

BufferCB 1 1 2

BufferD1 18 15 34

BufferD2 28 39 24

BufferE 5 4 6

BufferF 11 9 10

BufferGA 49 30 100

BufferGB 100 100 100

BufferGC 5 5 8

Total 975 793 1250

Rata-rata 1006

170


Perhitungan biaya penggunaan espada model antrian sistem nyata


= { 132,33 Kg x 3060,5271 detik x

Rp. 90/ Kg } : 3600 detik

= Rp. 10.125 (per hari)



= Rp.303.749,66 (per bulan)


Perhitungan biaya penggunaan espada model antrian sistem alternatif


= { 1006 Kg x 8570,437 detik x

Rp. 90/ Kg } : 3600 detik

= Rp. 215.456 (per hari)



= Rp.6.466.394,72 (per bulan)

Documents

ANALISIS KINERJA SISTEM ANTRIAN PADA INDUSTRI …repository.ipb.ac.id/bitstream/123456789/2536/4/F07ahs.pdf · distribusi data waktu antar kedatangan dan waktu ... eksponensial dan