Analisis kinerja sistem antrian pada industri pengolahan fillet ikan beku (studi kasus di PT. Global Tropical Seafood, Jawa Barat)

(1)

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


(2)

ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja Sistem Antrian 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 menjadi primadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar komoditas perikanan dunia. 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. 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, tuntutan kualitas produk yang prima, serta kebutuhan akan efektivitas dan efisiensi sistem produksi.

Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuah penilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerja sistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam hal efisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakan bahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandai dengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanya penolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitian ini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.

Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialah teknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasi antrian dengan teknik simulasi monte carlo menggunakan bantuan paket program WinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkan simulasi model keseimbangan aliran bahan dilakukan secara manual. Uji distribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrian yang digunakan sebagai input dalam melakukan simulasi menggunakan bantuan perangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metode grafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluang normal, 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 waktu pelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistem antrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4 diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh lini produksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem Antrian Produksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model. Model tersebut ialah model antrian yang mensimulasikan antrian sejak dari stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),


(3)

model keseimbangan aliran bahan pada stasiunfreezing (Model B), model antrian yang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub model penerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan, Sub model penyisikan merupakan model simulasi antrian parsial pada stasiun penyisikan, Sub model Filleting merupakan model simulasi antrian parsial pada stasiun Filleting dan Sub modelAfter Curing merupakan model simulasi antrian parsial pada stasiunAfter Curing. Pola antrian yang ada dalam SAPFIB ini ialah pola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel. Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dan kg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).

Model antrian SAPFIB terdiri dari rangkaian komponen distribusi kedatangan bahan dan distribusi kecepatan pelayanan operator dengan attribut pendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruh komponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi pada sistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukan simulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan, kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historis selama penelitian. Asumsi pada simulasi sub model antrian ialah kedatangan bahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saat puncaknya dalam sistem produksi.

Berdasarkan hasil simulasi model utama pada sistem 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, ditemukan sejumlah bahan baku yang mengalami penolakan bahan (balking) pada lini produksi fillet ikan beku di PT. Global Tropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Pada stasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packing dalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletak pada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensi penggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialah terdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utama terletak pada rendahnya tingkat utilitas operator.

Pengembangan model antrian pada penelitian ini dilakukan dengan dua pendekatan, yakni pengembangan model dengan merubah tingkat kedatangan bahan, serta pengembangan model dengan merubah komposisi unit pelayanan (operator). Asumsi yang digunakan dalam mengembangkan model ialah sistem antrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dan kecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selama penelitian.

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


(4)

penelitian ialah jumlah operator pada stasiun penerimaan 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, stasiunafter curing dari 5 orang menjadi 7 orang, stasiun freezing dari 3 unit menjadi 5 unit serta stasiunpacking dari 24 orang menjadi 12 orang, jumlah operator pada stasiun lainnya tetap.

Berdasarkan analisa hasil simulasi, pengembangan model alternatif menghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikan beku. Pengembangan model antrian dengan skenario perubahan tingkat kedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari 26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi 3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36 %. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kg menjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 % menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisi operator pada model A dapat menghilangkan bahan yang tidak terproses dari 26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi 1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari 979,11 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 detik serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selain itu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadi penghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86 /bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas operator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembangan model dengan skenario perubahan tingkat kedatangan dan komposisi unit pelayanan memberikan hasil berupa tidak adanya antrian dalam stasiunFreezing.

Verifikasi dan validasi model dilakukan untuk mengetahui apakah model dapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuan software MINITAB 11. Validasi model dilakukan dengan cara menggunakan uji kesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasi dilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan (proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasil uji kesamaan menunjukkan bahwa data tersebut seragam pada selang kerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untuk digunakan.


(5)

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

SUMMARY

Fishing industrys is one of Indonesia huge source for Indonesia capital income. Based on its archipelago, Indonesia have 6.7 billion tons/years of marine natural resources. Indonesia is one of the biggest exporter of fisheries comodity in the global market. In order to support the economic growth in the fishing industry and the expansion of global market, a mordern science study for increasing the productivity of the industry is important to be held. PT. Global Tropical Seafood is one of the company in Indonesia that run on the fishing industry with the best product of frozen fish fillet. In the daily activities the company face the condition of uncertainty of raw material arrival, pressure to maintain the quality of their product, and the need of effectivity and efficiency in the production system.

Productivity of queueing system in a production line can be the indicator for it effectivity and efficiency. The low productivity of queueing system can decerease the efficiency and effectivity of resource management and increase the risk of material damage. Inefficiency and ineffectivity in a queueing system can be mark with the happening of queueuing, low server utilization, and balking in the system. The boundary in this research is bounded in the queueing system of frozen fish fillet production line.

Analysis technique that used in this research are monte carlo simulation technique and line balancing model. Queueing simulation is done with the help of WinQSB Software with program package called Queueing System Simulation 1.0 (QSS 1.0) and for the line balancing model is done with manual calculation. Distribution test for interarrival time and service time that used for input in the simulation system are using a software that called Easyfit 3.2. The distribution 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 and service time have weibull, triangular, gamma and lognormal distribution with 90 % level of confidence. Queueing system in the frozen fish fillet production line is composed by 13 work station and 4 of the station is a join work station (handle material from all of production line). This queueing system simulation is named SAPFIB Sistem Antrian Produksi Fillet Ikan Beku , it is formed by three models and four sub models. Those models are models that simulate queueing start from receiving station to panning and after curing station (Model A), line balancing model at freezing station (Model B), and queueing model that simulate queueing system at packing station (Model C). Sub Model Penerimaan simulate queueing system for receiving station partially, Sub Model Penyisikan simulate queueing system for scaling station partially, Sub Model Filleting simulate queueing system for filleting station partially and Sub Model After Curing simulate queueing system for after curing station partially. The queueing pattern in SAPFIB are the


(6)

SAPFIB queueing model are arranged from interarrival distribution component and service time component with supporting attribut such as queue disciple, queue capacity and material transfer time. All of the componet is used to imitate the real condition of queueing system simulation. The assumtion that used in simulating the models is material time that is below two second is ignored, and the 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 analize the sub model that are the assumion is it simulate queueing system with the interarrival that is continue at the peak condition.

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

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

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

The best alternate model for scenario of changing the server compotition in each work station at the rate of incoming material same as the historical data that collected at the research period are the operators in the receiving station are reduced from 5 operators into 4 operators, 3 operators into 1 operators at production direction station, 5 operators into 3 operators at the filleting station, 7 operators into 2 operators at the scaling station, 16 operators into 10 operators at trimming station, 2 operators into 1 operators at washing station, 5 operators into 7 operators at after curing station, 3 units into 5 units at freezing station, 24 operators into 12 operators at packing station, as for the other station the operators remain the same compotition

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


(7)

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

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


(8)

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 SAHAR F34103128


(9)

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh

ARVIANO HARYANTO SAHAR F34103128

2007

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR


(10)

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh

ARVIANO HARYANTO SAHAR 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


(11)

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


(12)

ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja Sistem Antrian 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 menjadi primadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar komoditas perikanan dunia. 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. 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, tuntutan kualitas produk yang prima, serta kebutuhan akan efektivitas dan efisiensi sistem produksi.

Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuah penilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerja sistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam hal efisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakan bahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandai dengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanya penolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitian ini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.

Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialah teknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasi antrian dengan teknik simulasi monte carlo menggunakan bantuan paket program WinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkan simulasi model keseimbangan aliran bahan dilakukan secara manual. Uji distribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrian yang digunakan sebagai input dalam melakukan simulasi menggunakan bantuan perangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metode grafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluang normal, 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 waktu pelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistem antrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4 diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh lini produksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem Antrian Produksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model. Model tersebut ialah model antrian yang mensimulasikan antrian sejak dari stasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),


(13)

model keseimbangan aliran bahan pada stasiunfreezing (Model B), model antrian yang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub model penerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan, Sub model penyisikan merupakan model simulasi antrian parsial pada stasiun penyisikan, Sub model Filleting merupakan model simulasi antrian parsial pada stasiun Filleting dan Sub modelAfter Curing merupakan model simulasi antrian parsial pada stasiunAfter Curing. Pola antrian yang ada dalam SAPFIB ini ialah pola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel. Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dan kg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).

Model antrian SAPFIB terdiri dari rangkaian komponen distribusi kedatangan bahan dan distribusi kecepatan pelayanan operator dengan attribut pendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruh komponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi pada sistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukan simulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan, kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historis selama penelitian. Asumsi pada simulasi sub model antrian ialah kedatangan bahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saat puncaknya dalam sistem produksi.

Berdasarkan hasil simulasi model utama pada sistem 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, ditemukan sejumlah bahan baku yang mengalami penolakan bahan (balking) pada lini produksi fillet ikan beku di PT. Global Tropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Pada stasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packing dalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletak pada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensi penggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialah terdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utama terletak pada rendahnya tingkat utilitas operator.

Pengembangan model antrian pada penelitian ini dilakukan dengan dua pendekatan, yakni pengembangan model dengan merubah tingkat kedatangan bahan, serta pengembangan model dengan merubah komposisi unit pelayanan (operator). Asumsi yang digunakan dalam mengembangkan model ialah sistem antrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dan kecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selama penelitian.

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


(14)

penelitian ialah jumlah operator pada stasiun penerimaan 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, stasiunafter curing dari 5 orang menjadi 7 orang, stasiun freezing dari 3 unit menjadi 5 unit serta stasiunpacking dari 24 orang menjadi 12 orang, jumlah operator pada stasiun lainnya tetap.

Berdasarkan analisa hasil simulasi, pengembangan model alternatif menghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikan beku. Pengembangan model antrian dengan skenario perubahan tingkat kedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari 26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi 3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36 %. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kg menjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 % menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisi operator pada model A dapat menghilangkan bahan yang tidak terproses dari 26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi 1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari 979,11 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 detik serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selain itu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadi penghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86 /bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitas operator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembangan model dengan skenario perubahan tingkat kedatangan dan komposisi unit pelayanan memberikan hasil berupa tidak adanya antrian dalam stasiunFreezing.

Verifikasi dan validasi model dilakukan untuk mengetahui apakah model dapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuan software MINITAB 11. Validasi model dilakukan dengan cara menggunakan uji kesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasi dilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan (proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasil uji kesamaan menunjukkan bahwa data tersebut seragam pada selang kerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untuk digunakan.


(15)

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

SUMMARY

Fishing industrys is one of Indonesia huge source for Indonesia capital income. Based on its archipelago, Indonesia have 6.7 billion tons/years of marine natural resources. Indonesia is one of the biggest exporter of fisheries comodity in the global market. In order to support the economic growth in the fishing industry and the expansion of global market, a mordern science study for increasing the productivity of the industry is important to be held. PT. Global Tropical Seafood is one of the company in Indonesia that run on the fishing industry with the best product of frozen fish fillet. In the daily activities the company face the condition of uncertainty of raw material arrival, pressure to maintain the quality of their product, and the need of effectivity and efficiency in the production system.

Productivity of queueing system in a production line can be the indicator for it effectivity and efficiency. The low productivity of queueing system can decerease the efficiency and effectivity of resource management and increase the risk of material damage. Inefficiency and ineffectivity in a queueing system can be mark with the happening of queueuing, low server utilization, and balking in the system. The boundary in this research is bounded in the queueing system of frozen fish fillet production line.

Analysis technique that used in this research are monte carlo simulation technique and line balancing model. Queueing simulation is done with the help of WinQSB Software with program package called Queueing System Simulation 1.0 (QSS 1.0) and for the line balancing model is done with manual calculation. Distribution test for interarrival time and service time that used for input in the simulation system are using a software that called Easyfit 3.2. The distribution 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 and service time have weibull, triangular, gamma and lognormal distribution with 90 % level of confidence. Queueing system in the frozen fish fillet production line is composed by 13 work station and 4 of the station is a join work station (handle material from all of production line). This queueing system simulation is named SAPFIB Sistem Antrian Produksi Fillet Ikan Beku , it is formed by three models and four sub models. Those models are models that simulate queueing start from receiving station to panning and after curing station (Model A), line balancing model at freezing station (Model B), and queueing model that simulate queueing system at packing station (Model C). Sub Model Penerimaan simulate queueing system for receiving station partially, Sub Model Penyisikan simulate queueing system for scaling station partially, Sub Model Filleting simulate queueing system for filleting station partially and Sub Model After Curing simulate queueing system for after curing station partially. The queueing pattern in SAPFIB are the


(16)

SAPFIB queueing model are arranged from interarrival distribution component and service time component with supporting attribut such as queue disciple, queue capacity and material transfer time. All of the componet is used to imitate the real condition of queueing system simulation. The assumtion that used in simulating the models is material time that is below two second is ignored, and the 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 analize the sub model that are the assumion is it simulate queueing system with the interarrival that is continue at the peak condition.

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

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

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

The best alternate model for scenario of changing the server compotition in each work station at the rate of incoming material same as the historical data that collected at the research period are the operators in the receiving station are reduced from 5 operators into 4 operators, 3 operators into 1 operators at production direction station, 5 operators into 3 operators at the filleting station, 7 operators into 2 operators at the scaling station, 16 operators into 10 operators at trimming station, 2 operators into 1 operators at washing station, 5 operators into 7 operators at after curing station, 3 units into 5 units at freezing station, 24 operators into 12 operators at packing station, as for the other station the operators remain the same compotition

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


(17)

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

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


(18)

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 SAHAR F34103128


(19)

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh

ARVIANO HARYANTO SAHAR F34103128

2007

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR


(20)

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

ANALISIS KINERJA SISTEM ANTRIAN

PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknologi Industri Pertanian

Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh

ARVIANO HARYANTO SAHAR 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


(21)

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 .


(22)

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


(23)

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.


(24)

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


(25)

Halaman 4. StasiunFilleting ... 40 5. StasiunTrimming ... 41 6. StasiunWashing ... 41 7. StasiunSizing ... 41 8. StasiunPanning ... 42 9. StasiunBagging ... 42 10. StasiunCuring ... 42 11. StasiunAfter Curing ... 42 12. StasiunFreezing ... 43 13. StasiunPacking ... 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 Stasiun

Panning Dan StasiunAfter Curing (Model A) ... 55 2. Kinerja Model Antrian Pada StasiunFreezing (Model B) ... 58 3. Kinerja Model Antrian Pada StasiunPacking(Model C) ... 60 C. Sub Model Antrian ... 62 1. Sub Model Penerimaan ... 62 2. Sub Model Penyisikan ... 64 3. Sub ModelFilleting ... 66 4. Sub ModelAfter Curing... 67 D. Pengembangan Model ... 68 1. Pengembangan Model Dengan Skenario Perubahan Tingkat Kedatangan 69 2. Pengembangan Model Dengan Skenario Perubahan Komposisi Unit

Pelayanan ... 76 E. Kinerja Sistem Antrian... 83

1. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan


(26)

v

Halaman 2. Analisa Kinerja Pengembangan Model Dengan Skenario Perubahan

Komposisi Unit Pelayanan ... 96 F. Verifikasi dan Validasi Model ... 107 VI. KESIMPULAN DAN SARAN

A. Kesimpulan ... 110 B. Saran ... 112 DAFTAR PUSTAKA ... 114


(27)

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 dalam

model A ... 71 Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiunafter curing dalam

model A ... 72 Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiunpacking dalam

model C ... 75 Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja pada

pengembangan model antrian SAPFIB ... 78 Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan

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

waktu pelayanan hasil simulasi antrian sub model kondisi nyata ... 108 Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan

waktu pelayanan hasil simulasi antrian model utama sistem alternatif dengan skenario perubahan tingkat kedatangan ... 109 Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis dengan

waktu pelayanan hasil simulasi antrian model utama sistem alternatif dengan skenario perubahan komposisi unit pelayanan ... 109


(28)

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. Global

Tropical Seafood ... 50 Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam bentuk

matriks ... 56 Gambar 13. Grafik antrian maksimum pada stasiunFreezing ... 60 Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam bentuk

matriks ... 61 Gambar 15. Penulisan model simulasi sub model penerimaan pada program QSS

1.0 dalam bentuk grafis ... 63 Gambar 16. Penulisan model simulasi sub model penyisikan pada program QSS 1.0

dalam bentuk matriks ... 65 Gambar 17. Penulisan model simulasi sub modelfilleting pada program QSS 1.0

dalam bentuk matriks ... 66 Gambar 18. Penulisan model simulasi sub modelafter curing pada program QSS

1.0 dalam bentuk matriks ... 67 Gambar 19. Penulisan model simulasi A alternatif skenario perubahan tingkat

kedatangan pada program QSS 1.0 dalam bentuk matriks ... 73 Gambar 20. Penulisan model simulasi C alternatif skenario perubahan tingkat

Kedatangan pada program QSS 1.0 dalam bentuk matriks ... 76 Gambar 21. Penulisan model simulasi A alternatif skenario perubahan komposisi


(29)

Halaman Gambar 22. Penulisan model simulasi C alternatif skenario perubahan komposisi

unit pelayanan pada program QSS 1.0 dalam bentuk matriks ... 82 Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses pada

pengembangan model A secara skenario perubahan tingkat

kedatangan ... 84 Gambar 24. Diagram perbandingan jumlah bahan yang terproses pada

pengembangan model A dengan skenario perubahan tingkat

kedatangan ... 85 Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan pada

pengembangan model A dengan skenario perubahan tingkat

kedatangan ... 86 Gambar 26. Diagram perbandingan tingkat utilitas operator secaraoverallpada

pengembangan model A dengan skenario perubahan tingkat

kedatangan ... 87 Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada

pengembangan model A dengan skenario perubahan tingkat

kedatangan ... 88 Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu pada

pengembangan model A dengan skenario perubahan tingkat

kedatangan ... 89 Gambar 29. Diagram perbandingan biaya penggunaan es pada pengembangan

model A dengan skenario perubahan tingkat kedatangan ... 90 Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada stasiun

freezing dengan skenario perubahan tingkat kedatangan ... 91 Gambar 31. Diagram perbandingan jumlah bahan yang terproses pada

pengembangan model C dengan skenario perubahan tingkat

kedatangan ... 92 Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan pada

pengembangan model C dengan skenario perubahan tingkat

kedatangan ... 93 Gambar 33. Diagram perbandingan tingkat utilitas operator secaraoverallpada

pengembangan model C dengan skenario perubahan tingkat

kedatangan ... 94 Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada

pengembangan model C dengan skenario perubahan tingkat

kedatangan ... 95 Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu pada

pengembangan model C dengan skenario perubahan tingkat


(30)

ix

Halaman Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses pada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 97 Gambar 37. Diagram perbandingan jumlah bahan yang terproses pada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 98 Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan pada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 98 Gambar 39. Diagram perbandingan tingkat utilitas operator secaraoverallpada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 99 Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 100 Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu pada

pengembangan model A dengan skenario perubahan komposisi unit pelayanan ... 101 Gambar 42. Diagram perbandingan biaya penggunaan es pada pengembangan

model A dengan skenario perubahan komposisi unit pelayanan ... 102 Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada stasiun

freezing dengan skenario perubahan jumlah unit pelayanan ... 102 Gambar 44. Diagram perbandingan jumlah bahan yang terproses pada

pengembangan model C dengan skenario perubahan komposisi

operator... 103 Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan pada

pengembangan model C dengan skenario perubahan komposisi

operator... 104 Gambar 46. Diagram perbandingan tingkat utilitas operator secaraoverallpada

pengembangan model C dengan skenario perubahan komposisi

operator... 105 Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang menunggu pada

pengembangan model C dengan skenario perubahan komposisi

operator... 106 Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu pada

pengembangan model C dengan skenario perubahan komposisi


(31)

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. ContohOutputUji 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 ModelFilleting Kondisi Nyata ... 156 Lampiran 11. Output Simulasi SAPFIB Sub ModelAfter Curing Kondisi Nyata . 157 Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario

Perubahan Tingkat Kedatangan ... 158 Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario

Perubahan Tingkat Kedatangan ... 161 Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif Skenario

Perubahan Komposisi Operator ... 164 Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif Skenario

Perubahan Komposisi Operator ... 165 Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood ... 166 Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model

Alternatif Skenario Perubahan Tingkat Kedatangan ... 167 Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model


(32)

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 sepertimad 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.


(33)

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

Negara Tujuan

2003 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 1.447.167

AMERIKA

SERIKAT 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 6.380 REP.RAKYAT

CINA - - 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


(34)

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.


(35)

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.


(36)

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.


(37)

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) atauair 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 cartonyang 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


(38)

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.


(39)

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.


(40)

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.


(41)

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.


(42)

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 λn∆t.

e. Peluang adanya pelanggan meninggalkan sistem pada selang waktu t sampai t +∆t, untuk ∆t cukup kecil adalahµn∆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).


(43)

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.


(44)

13 . ,..., 2 , 1 , 0 , ! )

( K n

k e k X P k = =

= −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


(45)

sebaran poisson adalah menghitung peluang adanya n kejadian dalam selang waktu tertentu (Pn) dengan rumus :

, ! ) ( n e n Pn n n

= 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

n n

n f p

e       =

=0

Untuk n yang mempunyai frekwensi terlalu kecil (<5) sebaiknya dipilih nilai fn dan enterdekat 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 n n

e e

f − 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 :

t

e−α untuk t≥0 fT

( )

t =


(46)

15 Fungsi kepadatan peluang komulatifnya adalah :

F(T) = P(T≤t) =

t t dt e 0 α α = 1- t,

e−α untuk t≥0 = 0, untuk t<0

Nilai harapan dari T diperoleh dengan rumus: E(T) =

~

0

dt e tα αt =

[

− −

]

+

− = ~ 0 ~ 0 1 α α α dt e

te t t

Selanjutnya keragaman dari T dapat diperoleh dengan cara integrasi yang sama, yaitu :

V(T) = E(T2)-(E(T))2 = 12 α

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


(47)

Nilai rata-ratanya dihitung sebagai berikut :

(

)

(

)

(

)

fn f f fn t t f t t f t

t n n

+ + + − + + − + − = − K K 2 1 2 1 2 2 1 1 2 1

1 1 2 2 3 1

µ

Besarnya kemungkinan eksponensial Gi (t) untuk setiap kelas

interval dihitung sebagai berikut : Gi(t) =

− = − − −

b a b a t t t t t e e dt

e µ µ µ

µ

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 n h e e f 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) = ( )

2 2

2 1

2

1 σ µ

π σ −       x e

dengan : π : nilai konstant (3,1416) e : nilai konstan (2,7183)

µ : rata-rata

σ : simpangan baku


(1)

165 Lampiran 15.Output Simulasi SAPFIB Model C Sistem Alternatif Skenario

Perubahan Komposisi Operator

Customer Analysis for SAPFIB

07/ 07/ 2007 Result

Ulangan 1 Ulangan 2 Ulangan 3 Kedat angan Kedat angan Kedat angan

1 Tot al Number of Arrival 1644 1706 1664

2 Total Number of Balking 0 0 0

3 Average Number in t he Syst em (L) 3,361 3,5894 3,2977 4 M aximum Number in t he Syst em 23 39 18

5 Current Number in t he Syst em 7 1 5

6 Number Finished 1637 1705 1659

7 Average Process Time 145,9099 144,0245 142,3193 8 St d. Dev. of Process Time 97,6673 95,6743 93,0638 9 Average Wait ing Time (Wq) 8,836 15,1295 7,7888 10 St d. Dev. of Wait ing Time 29,8451 53,1869 28,273

11 Average Transfer Time 0 0 0

12 St d. Dev. of Transfer Time 0 0 0

13 Average Flow Time (W) 154,7457 159,1541 150,108 14 St d. Dev. of Flow Time 102,9206 109,2152 97,412 15 M aximum Flow Time 729,9688 803,7949 608,666

Dat a Collect ion: 0 t o 75600 Seconds CPU Seconds = 16,109

Dengan contohserver analysis dan queue analysissebagai berikut :

Server Analysis for SAPFIB

07/ 10/ 2007 Server Name Server Ut ilizat ion

Average Process Time

St d. Dev. Process Time

M aximum Process Time

Blocked Percent age

# Cust omers Processed 1 Operat or11 25,01% 146,5475 102,7939 567,0898 0,00% 129 2 Operat or12 25,03% 143,332 96,0451 573,5234 0,00% 132 3 Operat or13 26,45% 150,3674 100,5854 470,9727 0,00% 133 4 Operat or14 26,66% 143,9611 93,6235 526,8008 0,00% 140 5 Operat or21 26,43% 147,9962 101,8333 552,3535 0,00% 135 6 Operat or22 25,40% 147,7049 101,9582 729,9688 0,00% 130 7 Operat or23 25,85% 148,0497 104,7033 719,0625 0,00% 132 8 Operat or24 25,87% 137,751 96,0324 532,2148 0,00% 142 9 Operat or31 28,02% 144,0867 86,1434 393,2289 0,00% 147 10 Operat or32 26,66% 153,8634 102,3631 619,6484 0,00% 131 11 Operat or33 26,21% 154,8067 96,6392 553,2539 0,00% 128 12 Operat or34 28,36% 135,697 88,7396 502,749 0,00% 158

13 Overall 26,33% 145,9099 97,6673 729,9688 0,00% 1637

Dat a Collect ion: 0 t o 75600 Seconds CPU Seconds = 2,517

Queue Analysis for SAPFIB 07/ 10/ 2007 Queue

Name

Average Q. Lengt h (Lq)

Current Q. Lengt h

M aximum Q. Lengt h

Average Wait ing (Wq)

St d. Dev. of Wq

M aximumof Wq

1 Buffer1 0,0669 0 5 9,4489 33,2072 230,1787

2 Buffer2 0,0565 0 6 7,9224 27,9159 209,7578

3 Buffer3 0,0683 2 4 9,05 28,0788 187,791

4 Overall 0,1917 2 6 8,8098 29,8034 230,1787

Dat aCollect ion : 0 t o 75600 Seconds CPU Seconds = 3,327


(2)

(3)

167 Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model

Alternatif Skenario Perubahan Tingkat Kedatangan

Waktu tunggu maksimum pada simulasi 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 yang mengantri pada simulasi model antrian 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 pada

simulasi model antrian sistem alternatif

Stasiun Ulangan 1(detik) 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 yang mengantri pada simulasi model antrian sistem alternatif

Stasiun Ulangan 1(Kg) 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


(4)

(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

Perhitungan biaya penggunaan es pada 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)

(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

Perhitungan biaya penggunaan es pada model antrian sistem alternatif

Biaya Tambahan Penggunaan Es = { 1006 Kg x 8570,437 detik x Rp. 90/ Kg } : 3600 detik = Rp. 215.456 (per hari)

Biaya Tambahan Penggunaan Es per bulan = Rp. 215.456 x 30 hari


(5)

169 Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada Model

Alternatif Skenario Perubahan Komposisi Operator Waktu tunggu maksimum pada

simulasi 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 yang mengantri pada simulasi model antrian 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 pada

simulasi model antrian sistem alternatif

Stasiun Ulangan 1

(detik)

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 yang mengantri pada simulasi model antrian sistem alternatif

Stasiun Ulangan 1

(Kg)

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


(6)

(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

Perhitungan biaya penggunaan es pada 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)

(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

Perhitungan biaya penggunaan es pada model antrian sistem alternatif

Biaya Tambahan Penggunaan Es = { 1006 Kg x 8570,437 detik x Rp. 90/ Kg } : 3600 detik = Rp. 215.456 (per hari)

Biaya Tambahan Penggunaan Es per bulan = Rp. 215.456 x 30 hari