BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATAthesis.binus.ac.id/Asli/Bab4/2008-2-00484-TI Bab 4.pdf · 10 Asam Mefenamat 28 Gram 11 Jam Permesinan 29 Jam 12 Stock Minimum 0.2 Batch

62

BAB 4

PENGUMPULAN, PENGOLAHAN DAN ANALISIS

DATA

4.1 Pengumpulan Data

Data-data untuk penelitian ini didapatkan dengan melakukan observasi dan

pengamatan di PT. Metiska Farma, data-data ini akan dibutuhkan untuk melakukan

pengolahan data. Data-data yang dikumpulkan berupa angka-angka yang terkait

langsung dengan produk/obat yang terjadi di lapangan agar dapat dijadikan sebagai

batasan-batasan (constraint) untuk menyelesaikan masalah optimasi tersebut.

Kemudian, untuk produk/obat yang diambil sebagai observasi adalah obat

Analspec 500, Progesic, Xepaprim, Tylonic 300 dan Gestamag. Variabel untuk

Analspec 500 adalah 1x , Progesic adalah 2x , Xepaprim adalah 3x , Tylonic 300

adalah 4x , dan Gestamag adalah 5x .

Dipilih kelima jenis obat ini karena pada saat melakukan observasi di PT.

Metiska Farma, perusahaan tersebut hanya sedang memproduksi kelima jenis produk

ini. Kelima obat ini memiliki proses produksi yang hampir sama, mungkin hanya

perbedaan pengunaan mesin saja.

Setiap jenis obat ini dijadikan variabel dan untuk constraint, digunakan

data-data bahan baku, waktu permesinan, jumlah tenaga kerja yang digunakan dan

63

juga stok minimum yang harus ada di gudang pada akhir bulan. Setiap pengumpulan

data yang diambil sudah berdasarkan batch masing-masing obat. Berikut adalah hasil

pengumpulan data yang telah berhasil dirangkum menjadi constraint selama

melakukan observasi dan pengamatan di PT. Metiska Farma, yaitu :

4.1.1 Bahan Baku

Untuk bahan baku, diambil sebanyak enambelas (16) buah jenis bahan yang

dapat dijadikan constraint, yaitu 4CaPO , Nip, SSG, Alkohol 95%, Nps, MgS, PVP,

AV, Dyes, Alupurinol, Pemanis, Aquadem, Asam Mefenamat, Cimeticon,

Trimetoprim dan Spearmint. Untuk semua obat, constraint ini menghitung jumlah

kadar masing-masing bahan dalam satu kali proses produksi atau dapat disebut juga

satu batch produksi.

Setelah dilakukan penelitian dan pengamatan di PT. Metiska Farma, untuk

constraint bahan baku, didapat hasil sebagai berikut :

64

Tabel 4.1 Tabel Bahan Baku per Produk

No Nama Bahan Baku

Analspec 500 ( 1x )

Progesic( 2x )

Xepaprim( 3x )

Tylonic 300 ( 4x )

Gestamag ( 5x ) Satuan

1 4CaPO 3500 0 3000 8995 2200 Gram 2 Nip 52 45 0 53 45 Gram 3 SSG 1050 900 0 500 250 Gram 4 Alkohol 95% 11 2.5 0 0 0 Liter 5 Nps 7 6 0 7 6 Gram 6 MgS 350 150 0 175 0 Gram 7 PVP 0 700 675 700 120 Gram 8 AV 0 3189 5325 4550 2159 Gram 9 Aquadem 10 2.5 20 10 0 Liter

10 Dyes 52 32 0 0 0 Gram 11 Alupurinol 0 0 0 9000 11000 Gram 12 Pemanis 300 0 330 0 280 Gram

13 Asam Mefenamat 28 0 0 0 0

Gram

14 Cimeticon 0 22 0 0 0 Gram 15 Trimetoprim 0 0 30 0 0 Gram 16 Spearmint 0 0 0 26 0 Gram

Sumber Tabel : Data dari PT. Metiska Farma

Jumlah bahan baku di atas sudah merupakan keseluruhan total penggunaan

bahan baku tersebut dalam satu batch produksi. Hal ini dilakukan untuk memudahkan

perhitungan selanjutnya. Berikut ini adalah jumlah produk satuan atau satu tablet

atau satu kapsul dalam satu batch produksi :

Tabel 4.2 Tabel Jumlah Produk dalam 1 Batch Produksi

Nama Obat Jumlah Produk/BatchAnalspec 500 ( 1x ) 50000 tablet

Progesic ( 2x ) 50000 tablet Xepaprim ( 3x ) 75000 tablet

Tylonic 300 ( 4x ) 50000 tablet Gestamag ( 5x ) 40000 tablet


65

4.1.2 Jam Permesinan

Untuk jam permesinan, data mulai diambil sejak awal produksi dimulai,

yaitu proses penimbangan bahan baku hingga obat jadi tersebut selesai di-packing

(proses produksi selengkapnya dapat dilihat di bab sebelumnya). Untuk memudahkan

perhitungan, jumlah jam permesinan ini juga diambil berdasarkan satu batch

produksi.

Berikut adalah data yang berhasil diambil selama penelitian dan observasi di

PT. Metiska Farma :

Tabel 4.3 Tabel Jam Permesinan per Obat

Nama Obat Jam Permesinan Analspec 500 ( 1x ) 29 jam

Progesic ( 2x ) 26 jam Xepaprim ( 3x ) 29 jam

Tylonic 300 ( 4x ) 28 jam Gestamag ( 5x ) 25 jam


4.1.3 Stock Minimum

Stock minimum adalah jumlah barang/produk yang harus tetap berada di

gudang barang jadi untuk menjadi pengaman jikalau ada hal yang tak terduga. Jumlah

ini merupakan kebijakan dari PT. Metiska Farma itu sendiri, berdasarkan peralaman

dan juga hal-hal lainnya. Kebijakan PT. Metiska Farma untuk hal ini adalah sebesar

0.2 dari jumlah batch produksi harus tetap berada di gudang barang jadi.

66

Tabel 4.4 Tabel Jumlah Stock Minimum di Warehouse

Nama Obat Jumlah Stock Minimum per Batch Analspec 500 ( 1x ) 0.2 batch

Progesic ( 2x ) 0.2 batch Xepaprim ( 3x ) 0.2 batch

Tylonic 300 ( 4x ) 0.2 batch Gestamag ( 5x ) 0.2 batch


Sekian untuk constraint-constraint yang dapat dirangkum selama

melakukan penelitian di PT. Metiska Farma, dan berikut ini adalah rangkuman

constraint per obat :

4.1.4 Analspec 500 ( 1x )

Analspec 500 ini adalah merk obat PT. Metiska Farma jenis penghilang rasa

sakit yang dipasarkan langsung ke apotik-apotik dan tidak diperjualbelikan secara

bebas. Obat ini diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah

constraint per obat Analspec 500 yang berhasil dirangkum berdasarkan constraint-

constraint di atas :

67

Tabel 4.5 Tabel Constraint untuk Obat Analspec 500

No Constraint Jumlah Satuan 1 4CaPO 3500 Gram 2 Nip 52 Gram 3 SSG 1050 Gram 4 Alkohol 95% 11 Liter 5 Nps 7 Gram 6 MgS 350 Gram 7 Aquadem 10 Liter 8 Dyes 52 Gram 9 Pemanis 300 Gram 10 Asam Mefenamat 28 Gram 11 Jam Permesinan 29 Jam 12 Stock Minimum 0.2 Batch

4.1.5 Progesic ( 2x )

Progesic adalah merk obat PT. Metiska Farma jenis penghilang sakit kepala

yang juga tidak diperjualbelikan secara bebas selain di apotik. Obat ini juga

diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah constraint per

obat Progesic yang berhasil dirangkum berdasarkan constraint-constraint di atas :

Tabel 4.6 Tabel Constraint untuk Obat Progesic

No Constraint Jumlah Satuan 1 Nip 45 Gram 2 SSG 900 Gram 3 Alkohol 95% 2.5 Liter 4 Nps 6 Gram 5 MgS 150 Gram 6 PVP 700 Gram 7 AV 3189 Gram 8 Aquadem 2.5 Liter 9 Dyes 32 Gram 10 Cimeticon 22 Gram 11 Jam Permesinan 26 Jam 12 Stock Minimum 0.2 Batch

68

4.1.6 Xepaprim ( 3x )

Xepaprim adalah merk obat PT. Metiska Farma jenis antibiotik yang dijual

hanya di apotik-apotik saja. Obat ini diproduksi langsung di pabrik milik PT. Metiska

Farma itu sendiri. Berikut ini adalah constraint per obat Xepaprim yang berhasil

dirangkum berdasarkan constraint-constraint di atas :

Tabel 4.7 Tabel Constraint untuk Obat Xepaprim

No Constraint Jumlah Satuan 1 4CaPO 3000 Gram 2 PVP 675 Gram 3 AV 5325 Gram 4 Aquadem 20 Liter 5 Pemanis 330 Gram 6 Trimetoprim 30 Gram 7 Jam Permesinan 29 Jam 8 Stock Minimum 0.2 Batch

4.1.7 Tylonic 300 ( 4x )

Tylonic 300 adalah merk obat PT. Metiska Farma untuk mengobati asam

urat dan juga hanya dijual di apotik-apotik saja. Obat ini juga diproduksi langsung

oleh PT. Metiska Farma di pabriknya sendiri. Berikut ini adalah constraint per obat

Tylonic 300 yang berhasil dirangkum berdasarkan constraint-constraint di atas :

69

Tabel 4.8 Tabel Constraint untuk Tylonic 300

No Constraint Jumlah Satuan 1 4CaPO 8995 Gram 2 Nip 53 Gram 3 SSG 500 Gram 4 Nps 7 Gram 5 MgS 175 Gram 6 PVP 700 Gram 7 AV 4550 Gram 8 Aquadem 10 Liter 9 Alupurinol 9000 Gram 10 Spearmint 26 Gram 11 Jam Permesinan 28 Jam 12 Stock Minimum 0.2 Batch

4.1.8 Gestamag ( 5x )

Gestamag adalah merk obat PT. Metiska Farma untuk mengobati sakit

maag. Obat ini juga diproduksi oleh PT. Metiska Farma itu sendiri dan dipasarkan

langsung ke apotik-apotik karena obat ini tidak diperjualbelikan secara bebas. Berikut

ini adalah constraint per obat Gestamag yang berhasil dirangkum berdasarkan

constraint-constraint di atas :

Tabel 4.9 Tabel Constraint untuk Gestamag

No Constraint Jumlah Satuan 1 4CaPO 2200 Gram 2 Nip 45 Gram 3 SSG 250 Gram 4 Nps 6 Gram 5 PVP 120 Gram 6 AV 2159 Gram 7 Alupurinol 11000 Gram 8 Pemanis 280 Gram 9 Jam Permesinan 25 Jam 10 Stock Minimum 0.2 Batch

70

4.1.9 Laba Bersih (z)

Karena ingin memaksimasi laba yang diperoleh dengan mengoptimasi

produk yang diproduksi, maka kita pun harus memperoleh data laba bersih yang

diterima oleh PT. Metiska Farma untuk kelima obat di atas agar dapat dilakukan

perhitungan selanjutnya. Nilai laba bersih ini nantinya akan dijadikan sebagai z yang

harus kita maksimalkan. Nilai laba bersih ini merupakan perhitungan keseluruhan

dari (Jumlah Obat/Batch x Harga/obat – Biaya produksi). Biaya produksi diperoleh

dari Biaya bahan baku + Biaya Simpan + Biaya permesinan + Biaya tenaga kerja +

Biaya lain-lain. Berikut ini adalah nilai laba bersih yang diperoleh PT. Metiska Farma

per obat :

Tabel 4.10 Tabel Perhitungan Laba Bersih

Nama Obat Penjualan Biaya Produksi/Batch Laba Bersih/Batch Analspec 500 ( 1x ) Rp. 76.125.000 Rp. 37.625.000 Rp. 38.500.000

Progesic ( 2x ) Rp. 46.361.500 Rp. 23.942.500 Rp. 22.419.000 Xepaprim ( 3x ) Rp. 65.896.500 Rp. 22.959.500 Rp. 42.937.000

Tylonic 300 ( 4x ) Rp. 87.437.500 Rp. 40.687.500 Rp. 46.750.000 Gestamag ( 5x ) Rp. 73.302.000 Rp. 37.427.000 Rp. 35.875.000 Sumber Tabel : Data dari PT. Metiska Farma

71

4.2 Pengolahan Data

Setelah dilakukan pengumpulan data di PT. Metiska Farma dan didapat

hasil seperti di atas, maka hal selanjutnya yang harus dilakukan adalah mengolah data

tersebut. Pengolahan ini menggunakan bentuk metode simpleks, sehingga kita perlu

melakukan langkah-langkah sebagai berikut :

4.2.1 Memformulasikan Data Menjadi Model Linear Programming

Data-data yang telah dikumpulkan sebelumnya masih berupa data mentah

saja, belum diubah menjadi model linear programming, oleh karena itu sebelum

memulai perhitungan linear programming tersebut, kita haruslah memformulasikan

data-data tersebut menjadi model linear programming. Karena akan dilakukan

maksimasi laba, maka nilai z haruslah dimaksimasi. Sehingga, model linear

programming-nya menjadi :

Tabel 4.11 Tabel Model Linear Programming

Max z 38500000

1x 22419000

2x 42937000

3x 46750000

4x 35875000

5x

Syarat 1) 3500 1x 0 2x 3000 3x 8995 4x 2200 5x ≤ 100000

2) 52 1x 45 2x 0 3x 53 4x 45 5x ≤ 2500

3) 1050 1x 900 2x 0 3x 500 4x 250 5x ≤ 25000

4) 11 1x 2.5 2x 0 3x 0 4x 0 5x ≤ 100

5) 7 1x 6 2x 0 3x 7 4x 6 5x ≤ 500

6) 350 1x 150 2x 0 3x 175 4x 0 5x ≤ 5000

7) 0 1x 700 2x 675 3x 700 4x 120 5x ≤ 15000

8) 0 1x 3189 2x 5325 3x 4550 4x 2159 5x ≤ 75000

72

Tabel 4.11 Tabel Model Linear Programming (lanjutan)

Max z 38500000

1x 22419000

2x 42937000

3x 46750000

4x 35875000

5x

Syarat 9) 10 1x 2.5 2x 20 3x 10 4x 0 5x ≤ 100000

10) 52 1x 32 2x 0 3x 0 4x 0 5x ≤ 315

11) 0 1x 0 2x 0 3x 9000 4x 11000 5x ≤ 89000

12) 300 1x 0 2x 330 3x 0 4x 280 5x ≤ 7500

13) 28 1x 0 2x 0 3x 0 4x 0 5x ≤ 200

14) 0 1x 22 2x 0 3x 0 4x 0 5x ≤ 200

15) 0 1x 0 2x 30 3x 0 4x 0 5x ≤ 200

16) 0 1x 0 2x 0 3x 26 4x 0 5x ≤ 200

17) 29 1x 26 2x 29 3x 28 4x 25 5x ≤ 200

18) 1 1x 0 2x 0 3x 0 4x 0 5x ≥ 0.2

19) 0 1x 1 2x 0 3x 0 4x 0 5x ≥ 0.2

20) 0 1x 0 2x 1 3x 0 4x 0 5x ≥ 0.2

21) 0 1x 0 2x 0 3x 1 4x 0 5x ≥ 0.2

22) 0 1x 0 2x 0 3x 0 4x 1 5x ≥ 0.2 1x , 2x , 3x , 4x , 5x ≥ 0

Formulasi di atas menggunakan maksimasi profit (z), untuk itu harus

didapat jumlah produk yang optimal, untuk mendapatkan jumlah yang optimal ini,

diperlukan pembatas (constraint), sedangkan nilai z adalah laba bersih yang didapat

oleh perusahaan.

73

4.2.2 Perhitungan Menggunakan Aplikasi LINDO

Aplikasi LINDO adalah salah satu aplikasi optimasi yang digunakan dalam

menghitung optimasi suatu formulasi. Sehingga aplikasi ini dapat memudahkan

seseorang dalam melakukan perhitungan optimasi.

Berikut adalah langkah-langkah dalam mengaplikasikan LINDO :

a. Tampilan awal

Gambar 4.1 Tampilan LINDO

b. Tabel Formulasi

Di tabel ini tujuan maksimum dan fungsi pembatas model optimasi dibuat.

Max berarti tujuan yang ingin dicapai adalah tujuan maksimum. Variabel

disini disimbolkan dengan 1x , 2x , 3x , 4x dan 5x . Untuk fungsi pembatas

74

diawali dengan Subject to yang kemudian fungsi pembatas tersebut

dimodelkan seperti fungsi pembatas yang sudah ada. Kemudian

dimasukkan constraint-constraint yang telah didapat sebelumnya dengan

cara mengetikannya langsung. Sehingga menjadi :

Gambar 4.2 Tabel Formulasi

c. Solve

Setelah fungsi tujuan sudah ditentukan, dan semua fungsi pembatas telah

lengkap dibuat, maka langkah selanjutnya adalah memproseskannya agar

didapatkan hasil jumlah produk yang optimal dengan tujuan

75

memaksimalkan laba. Caranya adalah dengan command CTRL+S atau

dapat dilihat dari tool bar Solve.

Gambar 4.3 Mengoptimasikan model pada LINDO

d. Hasil optimasi

Hasil optimasi dilampirkan dalam bentuk Reports Window. Berisi tentang

berapa kali iterasi yang dilakukan (diwakili oleh LP Optimum found at

step), keuntungan maksimum (diwakili oleh Objective function value),

76

jumlah unit (diwakili oleh value pada tabel variable) dan kelebihan atau

kekurangan pada fungsi pembatas dimana hal tersebut tidak akan

mengurangi hasil optimasi yang telah ada.

Gambar 4.4 Hasil Optimasi pada LINDO

Dari perhitungan LINDO di atas, didapatkan jumlah iterasi sebanyak 5

iterasi dengan nilai variabel untuk 1x sebesar 5.9346, 2x sebesar 0.2000, 3x sebesar

6.6667, 4x sebesar 7.6923 dan 5x sebesar 1.7972. Dan dari nilai-nilai variabel

tersebut, menjadikan nilai z maksimum yang diperoleh sebesar 943,303,200.

77

Hasil optimasi untuk variabel-variabel tersebut di atas masih dalam satuan

batch, sehingga harus dikonverdikan dahulu ke dalam satuan/butiran obat tersebut.

Maka, hal yang harus dilakukan adalah mengalikan jumlah batch optimum yang

didapat dari hasil optimasi tersebut dengan jumlah satuan/batch-nya. Sehingga

didapatkan hasil sebagai berikut:

Tabel 4.12 Tabel Jumlah Satuan Obat Optimum

Nama Obat Jumlah Satuan/batch

Jumlah Batch

Optimum

Jumlah Satuan

Optimum Analspec 500 ( 1x ) 50000 tablet 5.9346 296,730

Progesic ( 2x ) 50000 tablet 0.2000 10,000 Xepaprim ( 3x ) 75000 tablet 6.6667 500,002

Tylonic 300 ( 4x ) 50000 tablet 7.6923 384,615 Gestamag ( 5x ) 40000 tablet 1.7972 71,888

Nilai reduce cost menunjukkan besarnya penurunan nilai koefisien fungsi

tujuan yang memungkinkan namun dengan tetap mempertahankan optimalitas hasil

yang telah dicapai.

Nilai slack atau surplus yang positif menunjukkan kelebihan kapasitas yang

ada setelah diperoleh solusi optimal dan nilai nol menunjukkan kapasitas yang

terbatas. Maksud dari kapasitas terbatas adalah bahwa kapasitas yang tersedia telah

terpakai semuanya.

78

4.2.3 Uji Sensitivitas

4.2.3.1 Variabel 1x

Pada variabel 1x (Analspec 500) ini, akan dilakukan perubahan dalam

koefisien fungsi tujuannya. Perubahan ini dilakukan agar dapat diketahui seberapa

sensitif variabel 1x tersebut dan variabel-variabel apa saja yang turut dipengaruhi

oleh variabel 1x ketika nilai z-nya diturunkan dan dinaikkan.

• 1x dinaikkan 5%

Nilai 1x yang sebelumnya 38.500.000, diubah menjadi 40.425.000.

Kemudian setelah dimasukkan ke dalam aplikasi LINDO, maka didapatkan

hasil sebagai berikut :

Gambar 4.5 Hasil Uji Sensitivitas variabel 1x +5%

79

Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan

perubahan pada variabel 1x . Yang berubah hanya nilai z saja, ini

dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai

z. Namun tetap tidak mempengaruhi variabel lainnya. Karena tidak ada

perubahan pada variabel lainnya, maka akan dilakukan perubahan variabel

1x , namun kali ini dinaikkan menjadi 10%.

• 1x dinaikkan 10%

Nilai yang dimasukkan ke dalam variabel 1x setelah dinaikkan

sebesar 10% menjadi 42.350.000. Kemudian setelah dimasukkan ke dalam

program LINDO, maka didapatkan hasil optimasi sebagai berikut :


80




z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan

variabel 1x tidak dapat diperbesar kembali, dan ini juga menunjukkan

bahwa pembesaran laba variabel 1x tidak mempengaruhi sama sekali (tidak

sensitif terhadap perubahan).

• 1x diturunkan 5%

Nilai yang dimasukkan ke dalam variabel 1x setelah diturunkan



81

Gambar 4.7 Hasil Uji Sensitivitas variabel 1x -5%


perubahan nilai pada variabel 1x . Yang berubah hanya nilai z saja, ini


z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi

perubahan pada hasil optimasi, maka akan dicoba kembali dengan

mengurangi variabel 1x kembali, namun kali ini dengan dikurangi 10%.

82






Setelah variabel 1x diturunkan sebesar 10% dari kondisi aslinya,

hasil optimasi dengan program LINDO menjadi berubah, disini seperti

dapat dilihat pada gambar di atas, nilai 1x menjadi sebesar 5.8899, dari

sebelumnya sebesar 5.9346 atau turun sebesar 0.0447, selain itu,terjadi

perubahan juga pada variabel 2x , dari awalnya sebesar 0.2000, karena

83

dilakukan perubahan variabel 1x -10%, maka nilai variabel 2x setelah

dihitung dengan program LINDO menjadi sebesar 0.2728, atau naik sebesar

0.0728. Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya

sebesar 931,879,000 menjadi sebesar 920.534.700. Hal ini menunjukkan

penurunan variabel 1x sebesar 10% berpengaruh terhadap hasil optimasi,

terutama hasil variabel 1x dan 2x . Atau dengan kata lain, penurunan 1x

cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil

juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan

nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan

itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal.

Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10%

dahulu baru hasil yang didapat berubah.

• 2x dinaikkan 5%

Sekarang kita akan melakukan perubahan terhadap variabel 2x

sebesar 5%. Setelah diturunkan sebesar 5%, maka nilai variabel 2x menjadi

23.539.950, dari sebelumnya sebesar 22.419.000. Sehingga hasil optimasi

menggunakan LINDO menjadi sebagai berikut :

84







menaikkan nilai variabel 2x kembali, namun kali ini dengan dinaikkan10%.

85


Setelah dinaikkan 5% tidak ada perubahan kita akan melakukan

perubahan kembali terhadap variabel 2x . Dari sebesar 5%, menjadi sebesar

10%, maka nilai variabel 2x menjadi 24.660.900, dari sebelumnya sebesar

22.419.000. Sehingga hasil optimasi menggunakan LINDO menjadi sebagai

berikut :


Setelah variabel 2x dinaikkan sebesar 10% dari kondisi aslinya,

hasil optimasi dengan program LINDO menjadi berubah, disini seperti

86

dapat dilihat pada gambar di atas, nilai 1x menjadi sebesar 5.8899, dari

sebelumnya sebesar 5.9346 atau turun sebesar 0.0447, selain itu,terjadi

perubahan juga pada variabel 2x , dari awalnya sebesar 0.2000, karena

dilakukan perubahan variabel 1x -10%, maka nilai variabel 2x setelah

dihitung dengan program LINDO menjadi sebesar 0.2728, atau naik sebesar

0.0728. Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya

sebesar 931,879,000 menjadi sebesar 920.534.700. Hal ini menunjukkan

penurunan variabel 2x sebesar 10% berpengaruh terhadap hasil optimasi,

terutama hasil variabel 1x dan 2x . Atau dengan kata lain, penurunan 2x

cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil

juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan

nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan

itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal.

Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10%

dahulu baru hasil yang didapat berubah.





87







mengurangi variabel 2x kembali, namun kali ini dengan dikurangi 10%.

88


Setelah diturunkan sebesar 5% tidak ada perubahan, maka kita

akan melakukan perubahan kembali terhadap variabel 2x , namun kali ini

sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel 2x

menjadi 20.177.100, dari sebelumnya sebesar 22.419.000. Sehingga hasil

optimasi menggunakan LINDO menjadi sebagai berikut :





89


variabel 2x tidak dapat diperkecil kembali, dan ini juga menunjukkan

bahwa pengecilan laba variabel 2x tidak mempengaruhi sama sekali (tidak


• 3x dinaikkan 5%

Nilai yang dimasukkan ke dalam variabel 3x setelah dinaikkan




90






menaikkan besar nilai variabel 2x kembali, namun kali ini dengan

dinaikkan 10%.


Setelah dinaikkan sebesar 5% tidak ada perubahan, maka kita akan

melakukan perubahan kembali terhadap variabel 3x , namun kali ini sebesar

10%. Setelah dinaikkan sebesar 10%, maka nilai variabel 3x menjadi



91






variabel 3x tidak dapat diperbesar kembali, dan ini juga menunjukkan

bahwa pembesaran laba variabel 3x tidak mempengaruhi sama sekali (tidak


92








dikarenakan besar variabel yang berubah tersebut tentu saja mempengaruhi

nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum

93

terjadi perubahan pada hasil, maka akan dicoba kembali dengan mengurangi

variabel 3x kembali, namun kali ini dengan dturunkan 10%.


Setelah diturunkan sebesar 5% namun tetap tidak ada perubahan,

maka kita akan melakukan perubahan kembali terhadap variabel 3x , namun

kali ini sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel

3x menjadi 38.643.300, dari sebelumnya sebesar 42.937.000. Sehingga hasil

optimasi menggunakan LINDO menjadi sebagai berikut :


94





variabel 3x tidak perlu diperkecil kembali karena dengan mengurangi 10%

sudah mencakup keseluruhannya, dan ini juga menunjukkan bahwa

pengecilan laba variabel 3x tidak mempengaruhi variabelnya sendiri

maupun variabel-variabel lainnya sama sekali (tidak sensitif terhadap

perubahan).

• 4x dinaikkan 5%

Sekarang kita akan melakukan perubahan terhadap variabel 4x

sebesar 5%. Setelah diturunkan sebesar 5%, maka nilai variabel 4x menjadi



95




dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel 4x yang

dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum

terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan

menaikkan nilai variabel 4x kembali, namun kali ini dengan dinaikkan 10%.

96

• 4x dinaikkan 10 %

Setelah dinaikkan 5% tidak ada perubahan kita akan melakukan

perubahan kembali terhadap variabel 4x . Dari sebesar 5%, menjadi sebesar

10%, maka nilai variabel 4x menjadi 51.425.000, dari asalnya sebesar

46.750.000. Sehingga hasil optimasi menggunakan LINDO menjadi sebagai

berikut :





97

dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini dapat

diartikan variabel 4x tidak dapat diperbesar kembali, dan ini juga

menunjukkan bahwa pembesaran laba variabel 4x tidak mempengaruhi

sama sekali (tidak sensitif terhadap perubahan).


Nilai yang akan dimasukkan ke dalam variabel 4x adalah nilai

yang setelah diturunkan sebesar 5% yaitu menjadi 44.412.500. Kemudian

setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil

optimasi sebagai berikut :


98




dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum


menurunkan nilai variabel 4x kembali, namun kali ini dengan diturunkan

10%.


Setelah diturunkan 5% tetapi tetap tidak ada perubahan, maka kita

akan melakukan perubahan kembali terhadap variabel 4x . Dari sebesar 5%,

menjadi sebesar 10%, maka nilai variabel 4x menjadi 42.075.000, dari

asalnya sebesar 46.750.000. Sehingga hasil optimasi menggunakan LINDO

menjadi sebagai berikut :

99


Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi

perubahan walau telah dilakukan perubahan kembali pada variabel 4x .

Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan

perkalian dari nilai variabel 4x yang diturunkan tadi, sehingga tentu saja

nilai z akan berubah. Hal ini juga dapat diartikan variabel 4x tidak perlu

diperkecil kembali karena hasilnya pasti akan sama, dan ini juga

menunjukkan bahwa pengecilan laba variabel 4x tidak mempengaruhi sama

sekali (tidak sensitif terhadap perubahan).

100

• 5x dinaikkan 5%

Sekarang akan dilakukan uji sensitivitas dengan menaikkan nilai

variabel 5x sebanyak 5% dari aslinya. Setelah dinaikkan sebesar 5%, maka

nilai variabel 5x menjadi 37.668.750, dari sebelumnya sebesar 35.875.000.

Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :



pengurangan nilai sebesar 5 % pada variabel 5x . Yang berubah hanya nilai z

saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel

4x yang dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena

101

belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali

dengan menaikkan nilai variabel 5x kembali, namun kali ini dengan

dinaikkan 10%.

• 5x dinaikkan 10 %

Setelah dinaikkan 5%, namun tetap tidak ada perubahan, maka kita






102


perubahan nilai pada variabel 5x . Yang berubah setelah perubahan nilai

variabel 5x ini hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan

perkalian dari nilai variabel 5x yang dinaikkan tadi, sehingga tentu saja nilai

z akan berubah. Hal ini dapat diartikan variabel 5x tidak perlu diperbesar

kembali karena hasilnya akan sama saja, tetap tidak ada perubahan, dan ini

juga menunjukkan bahwa pembesaran laba variabel 4x tidak mempengaruhi

sama sekali (tidak sensitif terhadap perubahan).


Nilai yang akan dimasukkan ke dalam variabel 5x adalah nilai

yang setelah diturunkan sebesar 5% yaitu menjadi 34.081.250. Kemudian

setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil

optimasi sebagai berikut :

103





dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum


menurunkan nilai variabel 5x kembali, namun kali ini dengan diturunkan

sebesar 10%.

104


Setelah diturunkan 5% tetapi tetap tidak ada perubahan, maka kita






Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi

perubahan walau telah dilakukan perubahan kembali pada variabel 5x . Yang

berubah hanya nilai z saja, ini dikarenakan nilai z tersebut berhubungan

105

langsung dengan nilai variabel 5x yang diturunkan tadi, sehingga tentu saja

nilai z akan berubah. Hal ini juga dapat diartikan variabel 5x tidak perlu

diperkecil kembali karena hasilnya pasti akan sama, dan ini juga

menunjukkan bahwa pengecilan laba variabel 5x tidak mempengaruhi sama

sekali (tidak sensitif terhadap perubahan).

Berikut ini adalah summary dari uji sensitivitas yang dilakukan

terhadap kelima variabel tersebut di atas, yaitu :

Tabel 4.13 Tabel Summary Uji Sensitivitas

Variabel Perubahan Hasil Setelah Diubah + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan

1x - 10% 1x menjadi 5.8898 dari 5.9346

2x menjadi 0.2728 dari 0.2000 + 5% Tidak terjadi perubahan

+ 10% 1x menjadi 5.8898 dari 5.9346

2x menjadi 0.2728 dari 0.2000 - 5% Tidak terjadi perubahan

2x

- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan

3x


4x

- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan 5x

- 10% Tidak terjadi perubahan

106

4.2.4 Penjadwalan Produksi

4.2.4.1 Pendahuluan

Setelah didapatkan hasil optimasi yang memaksimumkan laba, berikutnya

akan coba dilakukan suatu penjadwalan produksi. Penjadwalan ini digunakan untuk

mendapatkan suatu penjadwalan yang optimum yang mampu meminimalkan

makespan dan flowtime. Dengan kemampuan untuk meminimumkan makespan dan

flowtime, maka pada akhirnya dapat mengurangi biaya produksi dan serta

meningkatkan keefisienan produksi. Berikut ini adalah hasil optimasi yang diperoleh

dan akan dilakukan penjadwalan terhadap jumlah produk optimum yang harus

diproduksi tersebut, yaitu :

Tabel 4.14 Tabel Jumlah produk obat yang harus diproduksi

Nama Obat Jumlah yang harus diproduksi

Analspec 500 ( 1x ) 296,730 Progesic ( 2x ) 10,000 Xepaprim ( 3x ) 500,002

Tylonic 300 ( 4x ) 384,615 Gestamag ( 5x ) 71,888

Kemudian, untuk waktu proses, di PT. Metiska Farma waktu proses

berdasarkan lamanya satu batch obat diproses pada satu mesin. Lamanya waktu

proses satu batch obat yang diproses pada satu mesin dikenal juga dengan sebutan

waktu standar yang telah dimiliki oleh perusahaan. PT. Metiska Farma memiliki

standar waktu proses satu batch obat di satu proses sebagai patokan dalam

107

serangkaian proses produksi tersebut. Namun, tentu saja, hal ini tidak perlu terlalu

diikuti, maka dilakukan observasi langsung ke proses produksi obat itu sendiri.

Proses produksi itu meliputi penimbangan, pencampuran, pembentukan, pencetakan,

pelapisan, pengemasan dan packing. Berikut ini adalah operation process chart dari

obat tersebut :

Gambar 4.25 Operation Process Chart

108

Berikut ini adalah waktu proses yang didapat setelah dilakukan observasi di

PT. Metiska Farma, yaitu :

Tabel 4.15 Tabel waktu proses per obat

Waktu proses Nama Obat Mesin

Timbang Mesin

HomogenizerMesin

Granulator Mesin Cetak

Mesin Coating

Mesin Stripping

Analspec 500 ( 1x ) 0.1892 0.2143 0.1806 0.2431 0.1280 0.1839

Progesic ( 2x ) 0.1998 0.2122 0.4338 0.2940 0.1890 0.2018

Xepaprim ( 3x ) 0.1316 0.1418 0.1933 0.1481 0.0830 0.1273

Tylonic 300 ( 4x ) 0.2307 0.2118 0.3713 0.2491 0.1490 0.1883

Gestamag ( 5x ) 0.2553 0.2845 0.4390 0.3827 0.2377 0.2566

Tabel 4.16 Tabel Frekuensi

Nama Obat Produk diproduksi

Frekuensi Proses

Analspec 500 ( 1x ) 296,730 296,730 Progesic ( 2x ) 10,000 10,000 Xepaprim ( 3x ) 500,002 500,002

Tylonic 300 ( 4x ) 384,615 384,615 Gestamag ( 5x ) 71,888 71,888

Sehingga, setelah didapat waktu proses dan jumlah yang harus diproduksi,

maka akan dilakukan perhitungan total waktu proses per obat per mesin dengan cara

mengalikan jumlah yang harus diproduksi dengan waktu proses per mesin dan akan

didapatkan hasil sebagai berikut :

109

Tabel 4.17 Tabel Total Waktu Proses Tiap Mesin

Total Waktu Proses Nama

Obat Frekuensi Mesin Timbang

Mesin Homogenizer

Mesin Granulator

Mesin Cetak

Mesin Coating

Mesin Stripping

Analspec 500 ( 1x ) 296730 56142.00 63589.24 53589.44 72135.06 37981.44 54568.65

Progesic ( 2x ) 10000 1998.00 62966.11 128721.47 87238.62 56081.97 59880.11

Xepaprim ( 3x ) 500002 65801.00 42076.31 57357.91 43945.71 24628.59 37773.73

Tylonic 300 ( 4x ) 384615 88731.00 62847.41 110175.85 73915.44 44212.77 55874.26

Gestamag ( 5x ) 71888 18354.00 84419.69 130264.47 113558.57 70532.72 76140.92

4.2.4.2 Perhitungan Waktu Baku Setting Setiap Mesin

Kemudian, untuk menghitung waktu siklus, waktu normal, dan waktu baku.

Dalam melakukan suatu pekerjaan, dibutuhkan penyesuaian untuk menormalkan

ketidakwajaran yang mungkin terjadi maka dibutuhkan penyesuaian untuk

pekerja/operator. Sedangkan untuk memberikan waktu tertentu bagi operator dalam

melaksanakan kepentingannya, yaitu kepentingan pribadi, menghilangkan rasa lelah

dan hambatan yang tidak dapat dihindarkan, maka diperlukan kelonggaran bagi

operator. Adapun penyesuaian dan kelonggaran ini didapatkan dari hasil observasi

dan pengamatan di PT. Metiska Farma. Setelah didapat besar penyesuaian dan

kelonggaran para operator, maka dapat dihitung besar waktu siklus, waktu normal,

dan waktu baku, sehingga didapat waktu setting untuk masin-masing mesin sebagai

berikut :

110

• Mesin Homogenizer

Tabel 4.18 Tabel Penyesuaian Operator Mesin Homogenizer

No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Good C1 0.05 3 Kondisi kerja Good C 0.02 4 Konsistensi Average D 0.00

Total 0.13 Penyesuaian (p) = 1 + total 1.13

Tabel 4.19 Tabel Kelonggaran Operator Mesin Homogenizer

Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Sedang 12

Sikap kerja B Berdiri diatas 2 kaki 2

Gerakan kerja C Normal 0

Kelelahan mata D Pandangan yang terputus-putus 5

Keadaan temperatur tempat kerja E Normal 5

Keadaan atmosfer F Cukup 4

Keadaan lingkungan yang baik G Siklus kerja berulang-ulang

antara 5-10 detik 1

Kebutuhan pribadi H Pria 2

Total 31

111

Tabel 4.20 Tabel Waktu Setting Mesin Homogenizer

Pengamatan ke

Waktu (detik)

Pengamatan ke

Waktu (detik)

1 913.80 16 958.80 2 922.80 17 909.60 3 927.60 18 914.40 4 934.80 19 969.60 5 961.80 20 938.40 6 949.20 21 904.20 7 943.80 22 935.40 8 910.80 23 927.00 9 966.00 24 967.80 10 903.60 25 945.60 11 951.60 26 958.80 12 909.00 27 915.60 13 922.20 28 952.80 14 929.40 29 906.60 15 946.80 30 940.80

Waktu baku setting Mesin Homogenizer adalah hasil yang didapat dari

perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga

kelonggaran, yaitu :

• Waktu Siklus

ikdet62.93430

60.28038NXiWS ==∑=

• Waktu Normal

pxWW SN =

= 934.62 x 1.13 = 1056.12

112

• Waktu Baku

( )a1xWW Nb +=

= 1056.12 x (1 + 0.31) = 1383.52

• Mesin Granulator

Tabel 4.21 Tabel Penyesuaian Operator Mesin Granulator

No Faktor Kelas Lambang Penyesuaian

1 Ketrampilan Good C1 0.06 2 Usaha Good C1 0.05 3 Kondisi kerja Good C 0.02 4 Konsistensi Average D 0.00


Tabel 4.22 Tabel Kelonggaran Operator Mesin Granulator

Bagian Faktor Kelonggaran (%)

Tenaga yang dikeluarkan A Sedang 12







antara 5-10 detik 1


Total 31

113

Tabel 4.23 Tabel Waktu Setting Mesin Granulator

Pengamatan ke

Waktu (detik)

Pengamatan ke

Waktu (detik)

1 1252.8 16 1255.2 2 1209.6 17 1262.4 3 1275 18 1245.6 4 1233.6 19 1249.8 5 1222.2 20 1216.2 6 1207.2 21 1228.2 7 1222.8 22 1209 8 1218 23 1281.6 9 1216.2 24 1243.8 10 1258.8 25 1213.8 11 1239 26 1237.8 12 1210.2 27 1208.4 13 1275.6 28 1251 14 1222.8 29 1213.8 15 1207.2 30 1239.6

Waktu baku setting Mesin Granulator adalah hasil yang didapat dari



• Waktu Siklus

ikdet08.123730

4.37112NXiWS ==∑=

• Waktu Normal

pxWW SN =

= 1237.08 x 1.13 = 1397.90

114

• Waktu Baku

( )a1xWW Nb +=

= 1397.90 x (1 + 0.31) = 1831.25

• Mesin Cetak

Tabel 4.24 Tabel Penyesuaian Operator Mesin Cetak

No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.02 4 Konsistensi Good C 0.01


Tabel 4.25 Tabel Kelonggaran Operator Mesin Cetak


Sikap kerja B Duduk 1

Gerakan kerja C Agak terbatas 5

Kelelahan mata D Pandangan yang hampir terus-

menerus 7




antara 5-10 detik 1


Total 37

115

Tabel 4.26 Tabel Waktu Setting Mesin Cetak

Pengamatan ke

Waktu (detik)

Pengamatan ke

Waktu (detik)

1 1042.8 16 1035.6 2 1054.2 17 1023 3 1077.6 18 1035 4 1101 19 1114.2 5 1075.8 20 1130.4 6 1048.8 21 1028.4 7 1035.6 22 1066.8 8 1114.8 23 1076.4 9 1045.2 24 1039.2 10 1139.4 25 1066.8 11 1048.2 26 1071.6 12 1036.2 27 1042.2 13 1063.2 28 1046.4 14 1077 29 1066.2 15 1047.6 30 1064.4

Waktu baku setting Mesin Cetak adalah hasil yang didapat dari perhitungan

dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu :

• Waktu Siklus

ikdet80.106330

00.31914NXiWS ==∑=

• Waktu Normal

pxWW SN =

= 1063.80 x 1.09 = 1159.54

• Waktu Baku

( )a1xWW Nb +=

= 1159.54 x (1 + 0.37) = 1588.57

116

• Mesin Coating

Tabel 4.27 Tabel Penyesuaian Operator Mesin Coating

No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.02 4 Konsistensi Good C 0.01


Tabel 4.28 Tabel Kelonggaran Operator Mesin Coating








antara 5-10 detik 1


Total 31

117

Tabel 4.29 Tabel Waktu Setting Mesin Coating

Pengamatan ke

Waktu (detik)

Pengamatan ke

Waktu (detik)

1 669.6 16 730.2 2 729.6 17 675.6 3 680.4 18 682.2 4 669 19 694.8 5 742.8 20 672 6 690 21 663.6 7 678 22 688.8 8 724.2 23 675 9 669.6 24 669.6 10 717 25 686.4 11 677.4 26 675 12 693.6 27 681 13 693 28 706.8 14 676.2 29 668.40 15 673.8 30 687.00

Waktu baku setting Mesin Coating adalah hasil yang didapat dari



• Waktu Siklus

ikdet02.68830

60.20640NXiWS ==∑=

• Waktu Normal

pxWW SN =

= 688.02 x 1.09 = 749.94

118

• Waktu Baku

( )a1xWW Nb +=

= 749.94 x (1 + 0.31) = 982.42

• Mesin Stripping

Tabel 4.30 Tabel Penyesuaian Operator Mesin Stripping

No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C1 0.06 2 Usaha Average D 0.00 3 Kondisi kerja Good C 0.01 4 Konsistensi Average D 0.00


Tabel 4.31 Tabel Kelonggaran Operator Mesin Stripping

Bagian Faktor Kelonggaran (%) Tenaga yang dikeluarkan A Ringan 8







antara 5-10 detik 1


Total 27

119

Tabel 4.32 Tabel Waktu Setting Mesin Stripping

Pengamatan ke

Waktu (detik)

Pengamatan ke

Waktu (detik)

1 1113.6 16 1078.2 2 1104.6 17 1099.2 3 1069.8 18 1086 4 1083 19 1060.2 5 1100.4 20 1101.6 6 1098 21 1081.8 7 1073.4 22 1114.8 8 1100.4 23 1061.4 9 1064.4 24 1107.6 10 1101.6 25 1027.8 11 1129.2 26 1090.8 12 1035 27 1101 13 1088.4 28 1121.4 14 1081.8 29 1118.40 15 1126.2 30 1080.60

Waktu baku setting Mesin Stripping adalah hasil yang didapat dari



• Waktu Siklus

ikdet02.109030

60.32700NXiWS ==∑=

• Waktu Normal

pxWW SN =

= 1090.02 x 1.07 = 1166.32

120

• Waktu Baku

( )a1xWW Nb +=

= 1166.32 x (1 + 0.27) = 1481.23

Sehingga, setelah dilakukan perhitungan seperti di atas, akhirnya didapatkan

lama waktu setting yang dibutuhkan oleh operator untuk mempersiapkan mesin-

mesin tersebut agar dapat bekerja dengan baik. Kemudian, berikut ini adalah lama

waktu setting tiap-tiap mesin yang berhasil diperoleh sebagai berikut :

Tabel 4.33 Tabel Waktu Setting Tiap Mesin

Nama Mesin Waktu Setting Satuan Homogenizer 1383.52 detik Granulator 1831.25 detik

Cetak 1588.57 detik Coating 982.42 detik Stripping 1481.23 detik

Setelah diperoleh waktu setting untuk tiap-tiap mesin, maka akan dilakukan

penjumlahan waktu setting dengan waktu proses yang akan menghasilkan total waktu

yang dibutuhkan secara keseluruhan dalam memproduksi tiap-tiap jenis obat, sebagai

berikut :

121

Tabel 4.34 Tabel Total Waktu Keseluruhan Proses

Total Waktu Keseluruhan Nama Obat Frekuensi Timbang Mesin

HomogenizerMesin

GranulatorMesin Cetak

Mesin Coating

Mesin Stripping

Analspec 500 ( 1x ) 296,730 56142.00 64973.52 55418.25 73724.57 38964.42 56050.23

Progesic ( 2x ) 10,000 1998.00 3505.52 6169.25 4528.57 2872.42 3499.23

Xepaprim ( 3x ) 500,002 65801.00 72284.52 98482.25 75639.57 42483.42 65132.23

Tylonic 300 ( 4x ) 384,615 88731.00 82845.52 144639.25 97396.57 58290.42 73905.23

Gestamag ( 5x ) 71,888 18354.00 21836.52 33390.25 29100.57 18070.42 19928.23

4.2.4.3 Penjadwalan Produksi dengan Algoritma Palmer

Di PT. Metiska Farma, tidak pernah ada suatu penjadwalan dengan

algoritma tertentu, di sana hanya ada suatu penjadwalan tanpa algoritma atau teori

tertentu, yang mereka pakai hanya suatu feeling saja di dalam melakukan suatu

penjadwalan produksi, hal ini dapat saja berakibat fatal, dikarenakan akan membuat

produksi tidak lancar, biaya produksi membesar, dan lain-lain. Oleh karena itu harus

ada suatu penjadwalan khusus agar tidak terjadi hal-hal yang tidak diinginkan.

Algoritma Palmer merupakan suatu algoritma penjadwalan flowshop untuk

m-machine dan n-job. Kriteria yang digunakan adalah makespan. Tujuan utama dari

penjadwalan job ini adalah untuk meminimasi makespan. Yand dimaksud job disini

adalah pekerjaan dalam satu kali pembuatan suatu jenis obat. Berikut ini adalah

susunan pekerjaan yang harus dilakukan dalam membuat penjadwalan job dengan

algoritma Palmer :

122

a. Untuk setiap job Jj, cari nilai dari jπ

( )( )[ ]∑ +−++−−=π=

−+

2m

1i)i1m(ijj j

t1i2mt)1i2m(

b. Pengurutan job berdasarkan jπ secara descending

Jika dua atau lebih job memiliki nilai jπ yang sama, maka urutkan

sesuai dengan keperluannya.

c. Jadwalkan job pada setiap mesin sesuai dengan urutan tersebut.

2. Perhitungan

a. Mencari nilai jπ

( )( )[ ]∑ +−++−−=π=

−+

2m

1i)i1m(ijj j

t1i2mt)1i2m(

j6j1j t5t5 +−=π

Tabel 4.35 Tabel Nilai jπ untuk Setiap Job

Nama Obat jπ Analspec 500

( 1x ) - 458.85

Progesic ( 2x ) 7506.15 Xepaprim ( 3x ) - 3343.85

Tylonic 300 ( 4x ) - 74128.85 Gestamag ( 5x ) 7871.15

123

Contoh perhitungan (Analspec 500) :

j6j1j t5t5 +−=π

)23.56050(5)56142(5j +−=π

85.458j −=π

b. Mengurutkan job berdasarkan jπ secara descending

Tabel 4.36 Tabel Pengurutan Job secara descending

Nama Obat jπ Gestamag ( 5x ) 7871.15 Progesic ( 2x ) 7506.15

Analspec 500 ( 1x ) - 458.85 Xepaprim ( 3x ) - 3343.85

Tylonic 300 ( 4x ) - 74128.85 c. Penjadwalan job

Tabel 4.37 Tabel Perhitungan Makespan dan Total Flow Time

Waktu Proses tiap Mesin Nama Obat Unit

Processed TimbangMesin

HomogenizerMesin


Mesin Coating

Mesin Stripping

40000 11972.00 28739.52 48130.77 65027.34 77917.76 91262.99 Gestamag ( 5x ) 31888 21516.08 41003.64 62129.60 77230.88 87410.82 100720.97

Progesic ( 2x ) 10000 24025.08 44124.64 65884.60 80170.88 90213.82 103738.97

50000 38955.08 62608.16 84650.85 94824.45 107681.24 121450.20 50000 53885.08 79708.16 101585.85 107889.45 124166.24 137680.20 50000 68815.08 96808.16 118520.85 120954.45 140651.24 153910.20 50000 83745.08 113908.16 135455.85 134019.45 157136.24 170140.20 50000 98675.08 131008.16 152390.85 147084.45 173621.24 186370.20

Analspec 500 ( 1x )

46730 112628.66 146989.82 168218.30 159295.00 189028.12 201538.76 75000 129181.16 172620.84 189324.55 178111.07 209735.54 220067.49 75000 145733.66 196868.34 208599.55 195338.57 229460.54 237114.99 75000 162286.16 221115.84 227874.55 212566.07 249185.54 254162.49

Xepaprim ( 3x )

75000 178838.66 245363.34 247149.55 229793.57 268910.54 271209.99

124

Tabel 4.37 Tabel Perhitungan Makespan dan Total Flow Time (lanjutan)

Waktu Proses tiap Mesin Nama Obat Unit

Processed TimbangMesin

HomogenizerMesin


Mesin Coating

Mesin Stripping

75000 195391.16 269610.84 266424.55 247021.07 288635.54 288257.49 75000 211943.66 293858.34 285699.55 264248.57 308360.54 305304.99

Xepaprim ( 3x )

50002 222979.10 310023.99 298550.07 275734.03 321511.06 316670.44 50000 236014.10 326497.51 319446.32 291277.60 337443.48 332566.67 50000 249049.10 341587.51 338511.32 305232.60 352393.48 346981.67 50000 262084.10 356677.51 357576.32 319187.60 367343.48 361396.67 50000 275119.10 371767.51 376641.32 333142.60 382293.48 375811.67 50000 288154.10 386857.51 395706.32 347097.60 397243.48 390226.67 50000 301189.10 401947.51 414771.32 361052.60 412193.48 404641.67 50000 314224.10 417037.51 433836.32 375007.60 427143.48 419056.67

Tylonic 300 ( 4x )

34615 323248.23 427484.32 447035.02 384668.64 437493.37 429036.18 Total Flow Time = 1151705.32

Makespan = 429,036.18

Total Flow Time = 1,151,705.32

0

300000

600000

900000

1200000

1500000

Timba

ng

Homog

enize

r

Granula

torCe

tak

Coati

ng

Stripp

ing

Tylonic 300XepaprimAnalspec 500ProgesicGestamag

Gambar 4.26 Kurva Makespan & Total Flow Time

Contoh perhitungan (Untuk Timbang):

1X = Unit processed x Waktu proses per obat + 1tX −

= 40000 x 0.2993 + 0 = 11972.00

125


= 31888 x 0.2993 + 11972 = 21516.08

Contoh perhitungan (Untuk Setiap Mesin):

1X = Unit processed x Waktu proses per obat + 1tX − + Waktu setting mesin

= 40000 x 0.3846 + 11972 + 1383.52 = 28739.52


= 31888 x 0.3846 + 28739.52 = 41003.64

Setelah didapatkan urutan produksi kelima obat diatas maka berikut

dapat dilihat urutan produksi obat dalam minggu.

Tabel 4.38 Tabel Penjadwalan Job

Minggu 1 Minggu 2 Minggu 3 Minggu 4 Gestamag

( 5x ) Progesic

( 2x ) Analspec 500 ( 1x ) Xepaprim ( 3x ) Tylonic 300 ( 4x )

4.3 Analisis Data

4.3.1 Analisis Model Linear Programming

Dalam mengoptimasi jumlah produk di PT. Metiska Farma ini dipilih 5

jenis obat, yaitu Analspec 500, Progesic, Xepaprim, Tylonic 300 dan Gestamag,

dipilih kelima jenis obat ini dikarenakan pada saat dilakukan observasi di PT.

Metiska Farma, memang hanya kelima jenis obat ini saja yang akan diproduksi ke

depannya. Sedangkan, untuk constraint-nya, terdapat 22 buah constraint yang

126

dijadikan sebagai pembatas dari memaksimasi laba yang dilakukan di PT. Metiska

Farma, yaitu :

Berikut ini adalah penjelasan mengenai nilai/angka yang terdapat didalam

constraint-constraint tersebut di atas yang digunakan untuk optimasi produk obat di

PT. Metiska Farma, yaitu:

• Constraint ke-1

3500 1x + 0 2x + 3000 3x + 8995 4x + 2200 5x ≤ 100000

Constraint pertama yaitu bahan baku 4CaPO , disini variabel Progesic ( 2x )

tidak memiliki/mengandung bahan baku ini, sehingga diformulasikan menjadi angka

0, sedangkan angka 100.000 didapat dari jumlah bahan baku 4CaPO yang tersisa di

gudang bahan baku pada awal bulan. Hal ini dapat dilakukan karena pada saat ini,

hanya kelima produk obat tersebut yang akan diproduksi.

• Constraint ke-2

52 1x + 45 2x + 0 3x + 53 4x + 45 5x ≤ 2500 Constraint kedua yaitu bahan baku Nip, disini variabel Xepaprim ( 3x ) juga

tidak memiliki/mengandung bahan baku Nip, sehingga diformulasikan menjadi angka

0, sedangkan angka 2.500 didapat dari jumlah bahan baku Nip yang tersisa di gudang

bahan baku pada awal bulan.

• Constraint ke-3

1050 1x + 900 2x + 0 3x + 500 4x + 250 5x ≤ 25000

127

Constraint ketiga yaitu bahan baku SSG, disini variabel Xepaprim ( 3x ) tidak

memiliki/mengandung bahan baku SSG, sehingga diformulasikan menjadi angka 0,

sedangkan angka 25.000 didapat dari jumlah bahan baku SSG yang tersisa di gudang

bahan baku.

• Constraint ke-4

11 1x + 2.5 2x + 0 3x + 0 4x + 0 5x ≤ 100

Constraint keempat yaitu bahan baku Alkohol 95%, disini variabel Xepaprim

( 3x ),Tylonic 300 ( 4x ), dan Gestamag ( 5x ) tidak memiliki/mengandung bahan baku

Alkohol 95%, sehingga diformulasikan menjadi angka 0, sedangkan angka 100

didapat dari jumlah bahan baku Alkohol 95% yang tersisa di gudang bahan baku.

• Constraint ke-5

7 1x + 6 2x + 0 3x + 7 4x + 6 5x ≤ 500

Constraint kelima yaitu bahan baku Nps, disini variabel Xepaprim ( 3x ) tidak

memiliki/mengandung bahan baku Nps, sehingga diformulasikan menjadi angka 0,

sedangkan angka 500 didapat dari jumlah bahan baku Nps yang tersisa di gudang

bahan baku pada saat ini.

• Constraint ke-6

350 1x + 150 2x + 0 3x + 175 4x + 0 5x ≤ 5000

Constraint keenam yaitu bahan baku MgS, disini variabel Xepaprim ( 3x ) dan

Gestamag ( 5x ) yang tidak memiliki/mengandung bahan baku MgS, sehingga harus

128

diformulasikan menjadi angka 0, sedangkan angka 5000 didapat dari jumlah bahan

baku MgS yang tersisa di gudang bahan baku.

• Constraint ke-7

0 1x + 700 2x + 675 3x + 700 4x + 120 5x ≤ 15000

Constraint ketujuh yaitu bahan baku PVP, disini variabel Analspec 500 ( 1x )

yang tidak memiliki/mengandung bahan baku PVP, sehingga dapat diformulasikan

menjadi angka 0, sedangkan angka 15.000 didapat dari jumlah bahan baku PVP yang

tersisa di gudang bahan baku.

• Constraint ke-8

0 1x + 3189 2x + 5325 3x + 4550 4x + 2159 5x ≤ 75000

Constraint kedelapan yaitu bahan baku AV, disini variabel Analspec 500 ( 1x )

yang tidak memiliki/mengandung bahan baku AV, sehingga dapat diformulasikan

menjadi angka 0, sedangkan angka 75.000 didapat dari jumlah bahan baku PVP yang

tersisa di gudang bahan baku.

• Constraint ke-9

10 1x + 2.5 2x + 20 3x + 10 4x + 0 5x ≤ 100000

Constraint kesembilan yaitu bahan baku Aquadem, disini variabel Gestamag

( 5x ) yang tidak memiliki/mengandung bahan baku Aquadem, sehingga harus

diformulasikan menjadi angka 0, sedangkan angka 100.000 didapat dari jumlah bahan

baku Aquadem yang tersisa.

129

• Constraint ke-10

52 1x + 32 2x + 0 3x + 0 4x + 0 5x ≤ 315

Constraint kesepuluh yaitu bahan baku Dyes, disini variabel Xepaprim ( 3x ),

Tylonic 300 ( 4x ), dan Gestamag ( 5x ) yang tidak memiliki/mengandung bahan baku

Dyes ini, sehingga harus diformulasikan menjadi angka 0, sedangkan angka 315

didapat dari jumlah bahan baku Aquadem yang tersisa di gudang.


0 1x + 0 2x + 0 3x + 9000 4x + 11000 5x ≤ 89000

Constraint kesebelas yaitu bahan baku Alupurinol, disini variabel Analspec

500 ( 1x ), Progesic ( 2x ), dan Xepaprim ( 3x ) yang tidak memiliki/mengandung bahan

baku Alupurinol ini, sehingga harus diformulasikan menjadi angka 0, sedangkan

angka 89000 didapat dari jumlah bahan baku Alupurinol yang tersisa di gudang.


300 1x + 0 2x + 330 3x + 0 4x + 280 5x ≤ 7500

Constraint keduabelas yaitu bahan baku Pemanis, disini variabel Progesic

( 2x ) dan Tylonic 300 ( 4x ) yang tidak memiliki/mengandung bahan baku Pemanis ini,

sehingga harus diformulasikan menjadi angka 0, sedangkan angka 7500 didapat dari

jumlah bahan baku Pemanis yang tersisa di gudang bahan baku PT. Metiska Farma.

130


28 1x + 0 2x + 0 3x + 0 4x + 0 5x ≤ 200

Constraint ketigabelas yaitu bahan baku Asam Mefenamat, disini hanya

variabel Analspec 500 ( 1x ) yang memiliki/mengandung bahan baku Asam

Mefenamat ini, sehingga variabel lain yang tidak memiliki jenis bahan baku ini harus

diformulasikan menjadi angka 0, sedangkan angka 200 didapat dari jumlah bahan

baku Asam Mefenamat yang terdapat di gudang bahan baku PT. Metiska Farma.


0 1x + 22 2x + 0 3x + 0 4x + 0 5x ≤ 200

Constraint keempatbelas yaitu bahan baku Cimeticon, disini hanya variabel

Progesic ( 2x ) yang memiliki/mengandung bahan baku Cimeticon ini, sehingga

variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan menjadi angka

0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah bahan baku

Cimeticon yang terdapat di gudang bahan baku PT. Metiska Farma.


0 1x + 0 2x + 30 3x + 0 4x + 0 5x ≤ 200

Constraint kelimabelas yaitu bahan baku Trimetoprim, disini hanya variabel

Xepaprim ( 3x ) yang memiliki/mengandung bahan baku Trimetoprim ini, sehingga

variabel-variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan

131

menjadi angka 0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah

bahan baku Trimetoprim yang terdapat di gudang bahan baku PT. Metiska Farma.


0 1x 0 2x 0 3x 26 4x 0 5x ≤ 200

Constraint keenambelas yaitu bahan baku Spearmint, disini hanya variabel

Tylonic 300 ( 4x ) yang memiliki/mengandung bahan baku Spearmint ini, sehingga

variabel-variabel lain yang tidak memiliki jenis bahan baku ini diformulasikan

menjadi angka 0, sedangkan angka 200 yang menjadi batasannya didapat dari jumlah

bahan baku Spearmint yang tersisa di gudang bahan baku PT. Metiska Farma.


29 1x 26 2x 29 3x 28 4x 25 5x ≤ 200

Untuk jam permesinan (constraint 17), pembatasnya diambil dari jumlah

waktu permesinan yang berlangsung dari awal produksi hingga akhir produksi.

Sedangkan angka 200 diambil dari jumlah jam kerja yang tersedia per bulan yaitu 25

hari kerja dikalikan dengan jumlah jam kerja per hari yaitu 8 jam.

• Constraint ke-18 sampai 22

1 1x + 0 2x + 0 3x + 0 4x + 0 5x ≥ 0.2

0 1x + 1 2x + 0 3x + 0 4x + 0 5x ≥ 0.2

0 1x + 0 2x + 1 3x + 0 4x + 0 5x ≥ 0.2 0 1x + 0 2x + 0 3x + 1 4x + 0 5x ≥ 0.2 0 1x + 0 2x + 0 3x + 0 4x + 1 5x ≥ 0.2

132

Terakhir, untuk constraint stock minimum (constraint 18 sampai 22), angka

0.2 diambil berdasarkan kebijakan PT. Metiska Farma yang mewajibkan stock

minimum yang harus tersisa di gudang pada akhir bulan sebanyak 0.2 dari jumlah

batch produksinya.

Dipilih ke-22 constraint ini dikarenakan constraint-constraint ini adalah

yang paling cocok untuk dijadikan sebagai pembatas karena sangat mencerminkan

produk obat tersebut masing-masing. Ke-22 constraint itu diantaranya yaitu,

constraint bahan baku pokok dari obat tersebut, seperti 4CaPO , Nip, SSG, Alkohol

95%, Nps, MgS, PVP, AV, Dyes, Alupurinol, Pemanis, Aquadem, Asam Mefenamat,

Cimeticon, Trimetoprim, dan juga Spearmint, yang keseluruhan dari bahan baku di

atas menjadikan 16 constraint untuk mengoptimasi laba di PT. Metiska Farma, bahan

baku dipilih menjadi constraint dikarenakan bahan baku adalah suatu hal yang sangat

berpengaruh dalam memaksimalkan laba karena bahan baku adalah biaya terbesar

yang harus dikeluarkan oleh perusahaan dalam memproduksi suatu jenis obat.

Sedangkan untuk jenis constraint lainnya, yaitu constraint jam permesinan,

ini dipakai menjadi suatu constraint dikarenakan jam permesinan ini juga merupakan

hal yang penting dalam memproduksi suatu jenis obat, dikarenakan jam permesinan

ini cukup mempengaruhi dalam segi biaya, seperti biaya tenaga kerja, biaya listrik,

dan biaya lain-lainnya. Oleh karena itu, jam permesinan ini digunakan pula sebagai

suatu pembatas dalam tujuan memaksimasi laba bagi PT. Metiska Farma.

133

Untuk constraint yang terakhir, yaitu constraint stock minimum, dipilih

menjadi constraint dikarenakan stock minimum harus dipenuhi oleh setiap jenis obat,

sesuai dengan kebijakan perusahaan dalam mengatur inventorynya.

Fungsi tujuan yang dipilih adalah memaksimumkan laba dari masing-

masing jenis obat. Laba yang dimaksud disini adalah laba bersih yang akan diperoleh

perusahaan, dimana laba bersih merupakan selisih antara hasil yang didapatkan dari

penjualan dengan seluruh biaya yang dikeluarkan oleh perusahaan yang berhubungan

dengan obat yang bersangkutan.

4.3.2 Analisis Linear Programming

Untuk melakukan perhitungan ini, digunakan software, yaitu software

LINDO. Software LINDO ini digunakan karena software ini sudah teruji dan sangat

dapat dibuktikan keakuratan hasil perhitungannya dibandingkan dengan perhitungan

manual sehingga dengan menggunakan software ini sudah cukup dan tidak perlu lagi

dilakukan perhitungan manual karena hasil perhitungan tidak akan jauh berbeda.

Kemudian, setelah constraint-constraint dan fungsi tujuan dimasukkan kedalam

software LINDO, akan didapatkan jumlah produk optimum untuk masing-masing

obat. Dimana jumlah optimum untuk masing-masing obat dapat dilihat pada tabel

dibawah ini:

134

Tabel 4.39 Tabel Summary Jumlah Optimum Untuk Masing-Masing Obat

Nama Obat Jumlah Satuan/batch

Jumlah Batch

Optimum

Jumlah Satuan

Optimum Analspec 500 ( 1x ) 50000 tablet 5.9346 296,730

Progesic ( 2x ) 50000 tablet 0.2000 10,000 Xepaprim ( 3x ) 75000 tablet 6.6667 500,002

Tylonic 300 ( 4x ) 50000 tablet 7.6923 384,615 Gestamag ( 5x ) 40000 tablet 1.7972 71,888

Untuk obat Analspec 500, jumlah optimum yang didapat untuk

mendapatkan laba maksimum adalah 296,730 unit. Untuk obat Progesic, jumlah

optimum yang didapat untuk mendapatkan laba maksimum adalah 10,000 unit. Untuk

obat Xepaprim, jumlah optimum yang didapat untuk mendapatkan laba maksimum

adalah 500,002 unit. Untuk obat Tylonic 300, jumlah optimum yang didapat untuk

mendapatkan laba maksimum adalah 384,615 unit. Untuk obat Gestamag, jumlah

optimum yang didapat untuk mendapatkan laba maksimum adalah 71,888 unit.

Dan, jika PT. Metiska Farma melakukan produksi sebanyak jumlah unit di

atas, maka dimungkinkan bahwa perusahaan akan mendapatkan nilai laba maksimum

sesuai dengan hasil perhitungannya, yaitu sebesar Rp. 943,303,200.

4.3.3 Analisis Sensitivitas

Uji sensitivitas ini dibutuhkan untuk mengetahui seberapa sensitifkah

variabel yang diuji. Seperti bisa dilihat berikut ini adalah hasil dari uji sensitivitas

yang dilakukan pada setiap variabel :

135

Tabel 4.40 Tabel Summary Hasil Uji Sensitivitas

Variabel Perubahan Hasil Setelah Diubah + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan

1x - 10% 1x menjadi 5.8898 dari 5.9346

2x menjadi 0.2728 dari 0.2000 + 5% Tidak terjadi perubahan

+ 10% 1x menjadi 5.8898 dari 5.9346

2x menjadi 0.2728 dari 0.2000 - 5% Tidak terjadi perubahan

2x


3x


4x

- 10% Tidak terjadi perubahan + 5% Tidak terjadi perubahan + 10% Tidak terjadi perubahan - 5% Tidak terjadi perubahan 5x

- 10% Tidak terjadi perubahan

Semua variabel dari 1x hingga 5x dinaikkan dan diturunkan sebanyak 5%

dan 10%, nilai ini diambil karena sudah dilakukan percobaan bahwa nilai 10% ini

sudah mewakili hingga kenaikan atau penurunan sebesar 50%.

Dari tabel di atas, dapat dilihat bahwa hanya terjadi perubahan pada saat

variabel 1x diturunkan sebesar 10% dari kondisi aslinya. Hal ini dapat diartikan

bahwa variabel 1x dapat dikatakan cukup sensitif jika dilakukan penurunan laba.

Namun, jika dilakukan penaikkan laba sebesar 10%, tetap tidak terjadi perubahan, hal

136

ini dapat terjadi dikarenakan ini adalah produk jenis obat yang tidak akan terlalu

berpengaruh meski sudah menaikkan atau menurunkan harga sekalipun.

Kemudian, dari tabel di atas juga didapat perubahan nilai variabel pada saat

dilakukan kenaikkan pada laba variabel tersebut sebesar 10%, ini juga dapat diartikan

bahwa pembesaran laba sebesar 10% dari nilai aslinya mampu menjadikan produksi

berubah agar didapatkan laba yang maksimum, hal ini juga dapat dikatakan variabel

2x ini cukup sensitif terhadap perubahan.

Dari seluruh uji sensitivitas yang dilakukan pada setiap variabel, baik

dengan menaikkan maupun menurunkan nilai variabel tersebut, namun yang banyak

terjadi adalah variabel tetap tidak berubah. Hal ini dikarenakan uji sensitivitas ini

dilakukan pada produk obat, yang tidak bisa menaikkan harga jual dengan seenaknya

karena persaingan harga yang ketat diantara perusahaan obat lainnya. Dan obat ini

pun sudah mempunyai harga standarnya sendiri, seperti jika kita membeli obat

demam, kita pasti sudah mengetahui standar harga obat tersebut, sehingga jika harga

tersebut naik, pasti kita tidak jadi membeli, sebaliknya jika harga obat tersebut lebih

mura, maka kita dapat menjadi curiga apakah obat tersebut palsu atau tidak, hal inilah

yang menjadi penyebab mengapa uji sensitivitas ini tidak berubah pada banyak

variabel lainnya.

Dan, untuk 3x , 4x dan 5x , tidak terjadi perubahan sama sekali walaupun

sudah dinaikkan dan diturunkan nilai variabelnya, sehingga hal ini dapat dikatakan

bahwa variabel-variabel tersebut kurang sensitif terhadap perubahan.

137

4.3.4 Analisis Penjadwalan

Penjadwalan ini diperlukan oleh PT. Metiska Farma karena perusahaan ini

tidak pernah memiliki atau menggunakan suatu penjadwalan tertentu dalam

mengurutkan produksi yang harus dikerjakannya. Oleh karena itu akan dicoba

mengusulkan suatu jenis penjadwalan yang cocok dengan PT.Metiska Farma, maka

coba diusulkan menggunakan algoritma Palmer. Algoritma yang digunakan dalam

melakukan penjadwalan ini adalah algoritma Palmer, ini adalah suatu algoritma

penjadwalan flowshop untuk jumlah mesin lebih dari 4. Kriteria dari algoritma ini

adalah makespan dan total flow time. Alasan dalam menggunakan jenis algoritma ini

adalah dikarenakan algoritma ini memiliki kriteria makespan dan total flow time yang

sangat penting dalam penjadwalan flowshop, kemudian penerapan dari algoritma

Palmer ini mudah dimengerti dengan cepat oleh para operator sekalipun.

Algoritma Palmer ini menjadwalkan job sesuai kriteria makespan dan total

flow time, dan setelah dihitung dengan algoritma ini, maka dihasilkan urutan jadwal

produksi yang baik menurut Algoritma ini, yaitu :

Tabel 4.41 Tabel Urutan Penjadwalan Produksi

Minggu 1 Minggu 2 Minggu 3 Minggu 4 Gestamag

( 5x ) Progesic

( 2x ) Analspec 500

( 1x ) Xepaprim

( 3x ) Tylonic 300

( 4x )

Ini berarti, perusahaan pada minggu pertama memproduksi Gestamag

terlebih dahulu, jumlah yang harus diproduksi oleh perusahaan untuk obat ini, sesuai

dengan perhitungan jumlah produk optimum yang diperoleh dari perhitungan Linear

138

Programming yaitu sebanyak 71,888 unit, kemudian dilanjutkan dengan

memproduksi Progesic sebanyak 10,000 unit. Lalu, pada minggu kedua, perusahaan

harus memulai memproduksi obat Analspec 500, untuk minggu kedua ini digunakan

seluruhnya untuk memproduksi obat ini, karena jumlah yang harus diproduksi amat

banyak, yaitu sebanyak 296,730 unit. Minggu ketiga harus digunakan oleh

perusahaan untuk memproduksi obat Xepaprim, sama seperti minggu sebelumnya,

keseluruhan minggu ini digunakan untuk memproduksi obat jenis ini, dikarenakan

jumlah yang harus diproduksi pun cukup banyak, yaitu sebanyak 500,002 unit.

Terakhir, pada minggu keempat, perusahaan akan memproduksi obat Tylonic 300

sebanyak 384,615 unit, dan 1 minggu ini pun hanya cukup untuk memproduksi obat

terakhir ini. Dan dari urutan jadwal seperti tersebut diatas, maka diperoleh nilai-nilai

makespan dan total flow time sebagai berikut :

• Makespan = 429036.18 detik

• Total Flow Time = 1151705.32 detik

Ini berarti jumlah waktu yang dibutuhkan dalam memproduksi keseluruhan

obat tersebut yaitu 429,036.18 detik. Ini dapat diartikan penjadwalan ini cukup

berhasil, karena hasil ini lebih cepat dari waktu yang diinginkan, yaitu 200 jam,

namun dengan dibuatnya penjadwalan ini, waktu penyelesaian ini dapat dipercepat

menjadi 120 jam. Sedangkan total waktu aliran adalah 1,151,705.32 detik. Nilai ini

dinilai cukup cepat dalam memproduksi keseluruhan obat tersebut dibandingkan

139

dengan urutan produksi yang digunakan selama ini oleh PT. Metiska Farma pada

bulan sebelumnya.

Documents

BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATAthesis.binus.ac.id/Asli/Bab4/2008-2-00484-TI Bab 4.pdf · 10 Asam Mefenamat 28 Gram 11 Jam Permesinan 29 Jam 12 Stock Minimum 0.2 Batch