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 D
n
. Ketika nilai statistik D
n
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 Parameter 1 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
3 Stasiun Penerimaan Jenis Proses 2 Weibull 3P
α=0.55653 β=2.9306 γ=1.25 4
Stasiun Penerimaan
Jenis Proses
3 Weibull α=1.0393 β=1.1535
5 Stasiun Penerimaan Jenis Proses 4 Weibull 3P
α=0.57942 β=4.1059 γ=0.83 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 Parameter 1 Stasiun
Penerimaan Weibull 3P
α= 0.86442
β=19.765 γ=3.63 2
Stasiun Penerimaan Jenis Proses 1 Weibull 3P α=0.71844 β=20.551 γ=4.95
3 Stasiun Penerimaan Jenis Proses 2 Weibull 3P
α=0.5804 β=9.0434 γ=6.55 4
Stasiun Penerimaan Jenis
Proses 3 Weibull
α=3.1728 β=7.5644 5
Stasiun Penerimaan Jenis
Proses 4 Weibull
α=2.4041 β=23.808 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