Pengolahan Data PENGUMPULAN DAN PENGOLAHAN DATA

5.1.3. Data Kecacatan Produk yang di Rework

Data kecacatan produk pakan ternak ayam crumble yang di rework diperoleh dari hasil dokumentasi cacatan perusahaan selama bulan Agustus 2014 sampai Juli 2015 dapat dilihat pada tabel 5.3. Tabel 5.3. Data Kecacatan Produk yang di Rework No Bulan Jenis Kecacatan yang di Rework Bags 1 Bag = 50 Kg Butiran Belang Butiran Basah Butiran Hancur 1 Agustus 2014 53 100 59 2 September 2014 64 65 94 3 Oktober 2014 53 99 48 4 November 2014 63 43 82 5 Desember 2014 51 33 54 6 Januari 2015 65 92 32 7 Februari 2015 72 46 64 8 Maret 2015 50 66 75 9 April 2015 78 86 71 10 Mei 2015 97 26 92 11 Juni 2015 70 29 62 12 Juli 2015 79 35 71 Total 795 720 804 S mber: ok me i Per h

5.2. Pengolahan Data

Pengolahan data yang dilakukan pada laporan ini adalah menggunakan metode DMAIC dan fuzzy FMEA. DMAIC Define, Measure, Analyze, Improve dan Control merupakan sebuah tahapan proses yang sangat sistematis dan mengacu pada fakta yang terjadi untuk untuk melakukan perbaikan secara terus-menerus. Universitas Sumatera Utara 5.2.1. Define 5.2.1.1.Pemilihan Objek Penelitian PT. Gold Coin Indonesia Medan Mill merupakan pabrik yang memproduksi berbagai jenis produk pakan ternak, pada penelitian ini fokus penelitian hanya pada jenis pakan ternak ayam bentuk crumble butiran. Tujuan dari metode DMAIC ini yaitu untuk meningkatkan kualitas produk pakan ternak ayam bentuk crumble dengan meminimalisasi jumlah produk cacat sampai pada tingkat terendah, dengan mengendalikan faktor-faktor yang diindikasikan sebagai penyebabnya munculnya kecacatan produk sehingga bisa meminimalisasi aktivitas rework . 5.2.1.2.Mengidentifikasi CTQ Critical to Quality CTQ Critical to Quality merupakan kriteria produk yang telah ditetapkan standarnya sebagai patokan kualitas produk yang diproduksi oleh perusahaan agar dapat memenuhi kebutuhan pelanggan. Dalam penelitian ini data jenis kecacatan yang dikelompokkan dapat dilihat pada tabel 5.4. sebagai berikut: Universitas Sumatera Utara Tabel 5.4. CTQ Potensial Produk Pakan Ternak Ayam Crumble No. CTQ Critical to Quality Keterangan 1 Butiran Belang Warna produk tidak homogen, terdapat yang coklat dan juga yang terlalu hitam. Sehingga kurang menarik 2 Butiran Basah Moisture produk masih basah, karena kadar air 12 3 Butiran Hancur Bentuk dan ukuran produk tidak sesuai dengan bentuk crumble yang telah ditetapkan perusahaan 5.2.2. Measure 5.2.2.1.Pengukuran DPMO Defect Per Million Opportunities dan Nilai Sigma Perhitungan DPMO merupakan ukuran yang baik bagi kualitas produk ataupun proses, sebab berkorelasi langsung dengan cacat, biaya dan waktu yang terbuang. Perhitungan besarnya nilai sigma produk dilakukan dengan menggunakan rumus-rumus perhitungan sigma yang sudah baku, sebelum dilakukan perhitungan nilai sigma, perlu diketahui dahulu oppurtinity yang mempengaruhi nilai sigma tersebut. Oppurtinity adalah kesempatan yang memungkinkan terjadinya cacat defect . Nilai DPMO untuk periode bulan agustus 2014 adalah : DPMO = e e U i r i i x 10 6 = 212 9.370 3 x 10 6 = 7.542 Universitas Sumatera Utara Dilakukan perhitungan untuk mencari nilai sigma , yang merupakan ukuran dari kinerja perusahaan yang menggambarkan kemampuan dalam menghasilkan produk bebas cacat. Nilai sigma untuk periode bulan agustus 2014 adalah : Nilai Sigma = Normsinv 10 6 - DPM 10 6 + 1,5 = Normsinv 10 6 - 7.542 10 6 + 1,5 = 3,93 Rekapitulasi perhitungan untuk nilai DPMO dan nilai sigma dapat dilihat pada tabel 5.5. sebagai berikut : Tabel 5.5. Rekapitulasi Nilai DPMO dan Nilai Sigma No. Bulan Jumlah Produksi Bags 1 Bags = 50 Kg Jumlah Cacat Jumlah CTQ Nilai DPMO Nilai Sigma 1 Agustus 2014 9370 212 3 7.542 3,93 2 September 2014 11800 223 3 6.299 3,99 3 Oktober 2014 8440 200 3 7.899 3,91 4 November 2014 10455 188 3 5.994 4,01 5 Desember 2014 9219 138 3 4.990 4,08 6 Januari 2015 8790 189 3 7.167 3,95 7 Februari 2015 9817 182 3 6.18 4,00 8 Maret 2015 7500 191 3 8.489 3,89 9 April 2015 9250 235 3 8.468 3,89 10 Mei 2015 13183 215 3 5.436 4,05 11 Juni 2015 9820 161 3 5.465 4,04 12 Juli 2015 10122 185 3 6.092 4,01 Proses 117.766 2319 3 6.668 3,98 Universitas Sumatera Utara Untuk nilai DPMO dan nilai sigma selama periode bulan agustus 2014- juli 2015 dapat dilihat pada gambar 5.1. dan 5.2. sebagai berikut : Gambar 5.1. Grafik Nilai DPMO Periode Bulan Agustus 2014 – Juli 2015 Gambar 5.2. Grafik Nilai Sigma Periode Bulan Agustus 2014 – Juli 2015 1000 2000 3000 4000 5000 6000 7000 8000 9000 Nilai DPMO Nilai DPMO 3,75 3,8 3,85 3,9 3,95 4 4,05 4,1 Nilai Sigma Nilai Sigma Universitas Sumatera Utara 5.2.2.2.Peta Kontrol Atribut Peta kontrol dibuat untuk mengetahui apakah proses dalam kendali dan untuk memonitor variasi proses secara terus-menerus. Peta p menggambarkan bagian yang ditolak karena tidak sesuai dengan spesifikasi yang diinginkan. Perhitungan untuk 12 periode jenis kecacatan pada produk pakan ternak ayam crumble dapat dilihat pada Tabel 5.7. Bedasarkan data yang ada, didapat nilai mean p CL sebagai berikut: 0200 , 12 2401 ,      n np p Batas kelas Atas UCL dan Batas Kelas Bawah LCL dapat dihitung seperti dibawah ini : n p 1 p 3 p UCL    n p 1 p 3 p LCL    Perhitungan UCL adalah sebagai berikut :   1412 , 12 0200 , 1 0200 , 3 0200 , 1 3 1 1 1        UCL UCL n p p p UCL Perhitungan LCL adalah sebagai berikut:   1012 , 12 0200 , 1 0200 , 3 0200 , 1 3 1 1 1         LCL LCL n p p p LCL  Universitas Sumatera Utara Nilai pada LCL yang minus dibuat menjadi 0 karena tidak ada kecacatan per produk unit yang minus jumlahnya. Minimal jumlah kecacatan per unit adalah 0 sehingga angka minus diganti dengan 0. Tabel 5.6. Perhitungan Peta p No Jumlah Produksi Jumlah Kecacatan P CL UCL LCL 1 9370 212 0.0226 0.0200 0.1412 2 11800 223 0.0189 0.0200 0.1412 3 8440 200 0.0237 0.0200 0.1412 4 10455 188 0.0180 0.0200 0.1412 5 9219 138 0.0150 0.0200 0.1412 6 8790 189 0.0215 0.0200 0.1412 7 9817 182 0.0185 0.0200 0.1412 8 7500 191 0.0255 0.0200 0.1412 9 9250 235 0.0254 0.0200 0.1412 10 13183 215 0.0163 0.0200 0.1412 11 9820 161 0.0164 0.0200 0.1412 12 10122 185 0.0183 0.0200 0.1412 Peta kontrol untuk produk pakan ternak ayam crumble dapat dilihat pada gambar 5.3. Universitas Sumatera Utara Gambar 5.3. Peta Kontrol 5.2.3. Analyze 5.2.3.1. Pareto Diagram Pareto Diagram digunakan untuk mengetahui jenis-jenis kecacatan yang memberikan kontribusi terhadap kecacatan dalam suatu perusahaan. Langkah awal yang dilakukan adalah mengurutkan setiap jenis kecacatan dari jumlah kecacatan terbesar hingga yang terkecil. Kemudian dilakukan perhitungan persentase kecacatan dan persentase kumulatif dari setiap jenis kecacatan. Pengurutan jenis kecacatan alas sandal dapat dilihat pada Tabel 5.7. 0,0000 0,0200 0,0400 0,0600 0,0800 0,1000 0,1200 0,1400 0,1600 1 2 3 4 5 6 7 8 9 10 11 12 P CL UCL LCL Periode Universitas Sumatera Utara Tabel 5.7. Pengurutan Jenis Kecacatan Produk Pakan Ternak Ayam Crumble No. Jenis Kecacatan Jumlah Cacat Persentase Persentase Kumulatif 1 Butiran Hancur 804 34.670 34.670 2 Butiran Belang 795 34.282 68.952 3 Butiran Basah 720 31.048 100 Total 2319 100 S mber: Pe go h Dari tabel diatas, maka dapat dibuat pareto diagram untuk kecacatan produk pakan ternak ayam crumble yang dapat dilihat pada Gambar 5.4. Sumber : Pengolahan Data Program Minitab16 Gambar 5.4. Pareto Diagram Produk Pakan Ternak Ayam Crumble Berdasarkan aturan 80-20 dapat dilihat bahwa terdapat dua jenis kecacatan yang memiliki persentase kesalahan kumulatif berkisar 80 yaitu butiran hancur dan butiran belang. Hasil diagram Pareto menunjukkan bahwa jenis kecacatan yang harus dianalisis lebih lanjut penyebab terjadinya permasalahan adalah produk pakan ternak Jumlah Cacat 804 795 720 Percent 34.7 34.3 31.0 Cum 34.7 69.0 100.0 Jenis Kecacatan Butiran Basah Butiran Belang Butiran Hancur 2500 2000 1500 1000 500 100 80 60 40 20 J u m la h C a c a t P e r c e n t Pareto Chart of Jenis Kecacatan Universitas Sumatera Utara ayam crumble yang hancur dan belang. Setelah didapat bahwa jenis kecacatan yang paling tinggi yaitu produk pakan ternak ayam crumble yang hancur dan belang, maka dilakukan pengumpulan data untuk mengetahui penyebab-penyebab apa saja yang menjadi faktor terjadinya cacat tersebut. Rekapitulasi hasil jawaban kuesioner semi terbuka dapat dilihat pada tabel 5.8. Universitas Sumatera Utara Tabel 5.8. Rekapitulasi Hasil Jawaban Kuesioner Semi Terbuka No. Responden Nama Umur Jenis Kelamin Jabatan Manusia Metode Mesin Material Responden I Heronimus P Barus 47 Tahun Laki- Laki Supervisor Produksi Salah destinasi bin Raw Material - Slide pada bin masuk material tidak normal Tekstur bahan baku kurang bagus Salah destinasi bin barang jadi Sistem program PLC rusak Kadar air bahan baku jagung kuning terlalu tinggi Ukuran Produk yang tidak tepat sesuai Responden II Imeng Z 42 Tahun Laki- Laki Supervisor Produksi Operator tidak tanggap dalam mengoperasikan mesin Jadwal produksi terlalu padat Proses penggilingan tidak halus Tekstur bahan baku kurang bagus Pengawasan dalam pergantian ration jalur harus diperhatikan kembali sudah tepat apa belum Terkendala banyak ration dadakan dari sales yang mengganggu proses produksi Jalur produksi yang kurang optimal Kadar air terlalu tinggi yang bisa mengakibatkan moistur terlalu tinggi, tidak mencapai yang diinginkan oleh standart produksi kita Sampel harus di check kembali baik mashcrumble - - - Universitas Sumatera Utara Tabel 5.8. Rekapitulasi Hasil Jawaban Kuesioner Semi Terbuka Lanjutan No. Responden Nama Umur Jenis Kelamin Jabatan Manusia Metode Mesin Material Responden III Laode Muhazir 34 Tahun Laki- Laki Pellet Operator - - Jalur steam sering mengeluarkan air, sehingga menyebabkan mesin pellet dan crumble overload dan mengakibatkan pakan crumble menjadi belang - Responden IV Suhardiman 41 Tahun Laki- Laki Operator Pellet Mill - - Kerusakan pada jalur proses pellet seperti elevator dan coller serta computer comco yang sering error sehingga menghambat proses produksi - Responden V Syahril 54 Tahun Laki- Laki Operator Pellet Mill - - Mesin penyaringan vibrator shifter tidak bekerja optimal Tekstur bahan baku kurang bagus Responden VI James Manalu 32 Tahun Laki- Laki Operator Pellet Mill Pencampuran bahan pakan kurang sesuai aturan Kejar target steam uap tidak stabil Tekstur bahan baku kurang bagus Sumber : Pengumpulan Data Kuesioner Terbuka Universitas Sumatera Utara 5.2.3.2. Cause and Effect Diagram Sebelum dilakukan langkah-langkah perbaikan, maka terlebih dahulu harus dianalisa penyebab kecacatan produk pakan ternak ayam crumble dengan menggunakan diagram sebab akibat. Diagram sebab akibat untuk produk pakan ternak ayam crumble yang cacat dapat dilihat pada Gambar 5.5. dan Gambar 5.6. berikut : Universitas Sumatera Utara Butiran Hancur MATERIAL MANUSIA METODE MESIN Operator tidak tanggap dalam mengoperasikan mesin Pencampuran bahan pakan kurang sesuai aturan Kurangnya pelatihan secara berkala Operator mengalami kelelahan Tekstur bahan baku kurang bagus Kadar air bahan baku terlalu tinggi Slide pada bin masuk material tidak normal Jadwal produksi terlalu padat Salah destinasi bin raw material Operator kurang teliti Mesin penyaringan tidak bekerja optimal Ukuran produk yang tidak tepat sesuai Proses penggilingan tidak halus Kejat target Gambar 5.5. Diagram Sebab-akibat Kecacatan Produk Pakan Ternak Ayam Crumble Butiran Hancur Universitas Sumatera Utara Butiran Belang MATERIAL MANUSIA METODE MESIN Operator tidak tanggap dalam mengoperasikan mesin Pencampuran bahan pakan kurang sesuai aturan Operator mengalami kelelahan Tekstur bahan baku kurang bagus Kadar air bahan baku terlalu tinggi Slide pada bin masuk material tidak normal Steam uap tidak stabil Terkendala banyak ration dadakan yang mengganggu proses produksi Salah destinasi bin raw material Operator kurang teliti Computer comco sering error menghambat proses produksi Sistem program PLC rusak Kurangnya pelatihan manusia secara berkala Gambar 5.6. Diagram Sebab-akibat Kecacatan Produk Pakan Ternak Ayam Crumble Butiran Belang Universitas Sumatera Utara 5.2.3.3. Scatter Diagram Scatter Diagram dibuat untuk mengidentifikasi korelasi yang mungkin ada antara karakteristik kualitas dan faktor yang mungkin mempengaruhinya. Berdasarkan pareto diagram dapat dilihat bahwa karakteristik kualitas yang paling banyak cacat adalah butiran hancur dan butiran belang. Gambar scatter diagram dapat dilihat pada Gambar 5.7. berikut ini: Gambar 5.7. Scatter Diagram Butiran Hancur vs Jumlah Cacat Perhitungan korelasi dilakukan untuk mengetahui hubungan antara kecacatan butiran hancur dengan jumlah cacat. Adapun perhitungan korelasi dapat ditunjukkan pada Tabel 5.9. 50 100 150 200 250 20 40 60 80 100 Butiran Hancur X vs Jumlah Cacat Y Universitas Sumatera Utara Tabel 5.9. Perhitungan Korelasi Antara Butiran Hancur dan Jumlah Cacat No. Butiran Hancur X Jumlah Cacat Y X 2 Y 2 XY 1 59 212 3481 44944 12508 2 94 223 8836 49729 20962 3 48 200 2304 40000 9600 4 82 188 6724 35344 15416 5 54 138 2916 19044 7452 6 32 189 1024 35721 6048 7 64 182 4096 33124 11648 8 75 191 5625 36481 14325 9 71 235 5041 55225 16685 10 92 215 8464 46225 19780 11 62 161 3844 25921 9982 12 71 185 5041 34225 13135 Total 804 2319 57396 455983 157541 Perhitungan korelasi pada Tabel 5.9. dapat ditunjukkan sebagai berikut Nilai korelasi yang diperoleh adalah positif lemah yang berarti terdapat hubungan antara butiran hancur dengan jumlah cacat pada produk pakan ternak ayam crumble .                             4123 , 2319 455983 12 804 57396 12 2319 804 157541 12 2 2 2 2 2 2                 r r y y n x x n y x xy n r Universitas Sumatera Utara Gambar scatter diagram antara kecacatan butiran belang dan jumlah kecacatan dapat dilihat pada Gambar 5.8. berikut ini. Gambar 5.8. Scatter Diagram Butiran Belang vs Jumlah Cacat Perhitungan korelasi dilakukan untuk mengetahui hubungan antara kecacatan butiran belang dengan jumlah cacat. Adapun perhitungan korelasi dapat ditunjukkan pada Tabel 5.10. Tabel 5.10. Perhitungan Korelasi Antara Butiran Belang dan Jumlah Cacat No. Butiran Belang X Jumlah Cacat Y X 2 Y 2 XY 1 53 212 2809 44944 11236 2 64 223 4096 49729 14272 3 53 200 2809 40000 10600 4 63 188 3969 35344 11844 5 51 138 2601 19044 7038 6 65 189 4225 35721 12285 7 72 182 5184 33124 13104 50 100 150 200 250 20 40 60 80 100 120 Butiran Belang X vs Jumlah Cacat Y Universitas Sumatera Utara Tabel 5.10. Perhitungan Korelasi Antara Butiran Belang dan Jumlah Cacat Lanjutan No. Butiran Belang X Jumlah Cacat Y X 2 Y 2 XY 8 50 191 2500 36481 9550 9 78 235 6084 55225 18330 10 97 215 9409 46225 20855 11 70 161 4900 25921 11270 12 79 185 6241 34225 14615 Total 795 2319 54827 455983 154999 Perhitungan korelasi pada Tabel 5.10. dapat ditunjukkan sebagai berikut Nilai korelasi yang diperoleh adalah positif lemah yang berarti terdapat hubungan antara butiran belang dengan jumlah cacat pada produk pakan ternak ayam crumble .                             332 , 2319 455983 12 795 54827 12 2319 795 154999 12 2 2 2 2 2 2                 r r y y n x x n y x xy n r Universitas Sumatera Utara 5.2.3.4. F ailure Mode and Effect Analysis FMEA FMEA merupakan suatu metode yang sistematik dalam mengidentifikasi dan mencegah masalah yang terjadi pada produk dan proses. Tujuan dari penerapan FMEA adalah mencegah masalah terjadi pada proses dan produk. Tahapan pembuatan FMEA yaitu sebagai berikut:

5.2.3.4.1. Penentuan Jenis Kegagalan yang Potensial Pada Setiap Proses

Dari diagram pareto pada gambar 5.4. diperoleh dua jenis kecacatan yang berpotensial besar terjadi selama proses produksi di lantai produksi yaitu butiran hancur dan butiran belang. Dilakukan analisis penyebab kecacatan dengan menggunakan diagram sebab-akibat yang dapat dilihat pada gambar 5.5. dan gambar 5.6.

5.2.3.4.2. Penentuan DampakEfek yang Ditimbulkan oleh Kegagalan

Berdasarakan dua jenis kecacatan yang ada, maka dapat ditentukan efek yang dapat ditimbulkan jika kecacatan ini ditemukan, yaitu sebagai berikut : 1. Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework untuk jenis kecacatan “butiran hancur”. 2. Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework untuk jenis kecacatan “butiran belang”. Universitas Sumatera Utara

5.2.3.4.3. Penentuan Nilai Efek Kegagalan

Severity , S Berdasarkan hasil wawancara dengan pihak perusahaan, dapat ditentukan nilai efek kegagalan severity dari kedua jenis kecacatan tersebut. Kriteria pemberian rating dapat dilihat pada lampiran. Alasan pemberian rating berdasarkan pada lampiran adalah sebagai berikut : 1. Butiran hancur, memiliki efek yang ditimbulkan yaitu : Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework . Maka, diberikan nilai 7. 2. Butiran belang, memiliki efek yang ditimbulkan yaitu : Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework . Maka, diberikan nilai 5.

5.2.3.4.4. Identifikasi Penyebab Kecacatan dari Kegagalan

Berdasarkan diagram sebab-akibat pada gambar 5.5. dan 5.6. diperoleh penyebab utama terjadinya kegagalan yaitu : 1. ntuk efek “Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework ”. Disebabkan oleh : a. Proses penggilingan tidak halus b. Mesin penyaringan tidak bekerja optimal Universitas Sumatera Utara 2. ntuk efek “Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework ”. Disebabkan oleh : a. Proses steam uap tidak stabil b. Computer comco sering error menghambat proses produksi

5.2.3.4.5. Penentuan Nilai Peluang Kegagalan

Occurance , O Berdasarkan hasil wawancara dengan pihak perusahaan, dapat ditentukan nilai peluang kegagalan Occurance dari jenis kegagalan tersebut. Pedoman pemberian nilai dapat dilihat di lampiran. Adapun alasan pemberian nilai peluang kegagalan occurance adalah sebagai berikut : 1. Proses penggilingan tidak halus diberikan nilai 5, dikarenakan penyebab ini dapat ditemukan terjadi sekali dalam kurang lebih 280-350 pengamatan. Berdasarkan tabel pada lampiran, termasuk dalam kategori sedang dengan nilai 5. 2. Mesin penyaringan tidak optimal diberikan nilai 4, dikarenakan penyebab ini dapat ditemukan terjadi sekali dalam kurang lebih 600-950 pengamatan. Berdasarkan tabel pada lampiran, termasuk dalam kategori sedang dengan nilai 4. 3. Proses steam uap tidak stabil diberikan nilai 5, dikarenakan penyebab ini dapat ditemukan terjadi sekali dalam kurang lebih 120-380 pengamatan. Berdasarkan tabel pada lampiran, termasuk dalam kategori sedang dengan nilai 5. 4. Computer comco sering error menghambat proses produksi diberikan nilai 6, dikarenakan penyebab ini dapat ditemukan terjadi sekali dalam kurang lebih 40- Universitas Sumatera Utara 70 pengamatan. Berdasarkan tabel pada lampiran, termasuk dalam kategori sedang dengan nilai 5.

5.2.3.4.6. Identifikasi Metode Pengendalian Kegagalan

Dengan memperhatikan penyebab kegagalan dari diagram sebab-akibat pada gambar 5.5. dan gambar 5.6, maka dapat dilakukan pengendalian kontrol penyebab terjadinya kegagalan yang dapat dilakukan oleh pekerja, operator ataupun pihak perusahaan yang bertujuan untuk meminimumkan resiko kegagalan tersebut yang dapat dilihat pada tabel 5.11. berikut : Universitas Sumatera Utara Tabel 5.11. Identifikasi Metode Deteksi Kegagalan Mode Kegagalan Efek Kegagalan Penyebab Kegagalan Metode Deteksi Butiran Hancur Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework Proses penggilingan tidak halus Periksa mesin penggilingan sebelum dilakukannya proses produksi Mesin penyaringan tidak bekerja optimal Periksa setiap bagian- bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang tersangkut Butiran Belang Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework Proses steam uap tidak stabil Memperhatikan temperatur pada suhu yang tepat Computer comco sering error menghambat proses produksi Periksa apakan computer comco dalam kondisi yang baik atau tidak Universitas Sumatera Utara

5.2.3.4.7. Penentuan Nilai Deteksi Kegagalan

Detection , D Berdasarkan hasil wawancara dengan pihak perusahaan, dapat ditentukan nilai deteksi kegagalan Detection dari kedua jenis kegagalan tersebut. Kriteria pemberian rating dapat dilihat pada lampiran, pemberian nilai rating dapat dilihat pada tabel 5.12. berikut : Universitas Sumatera Utara Tabel 5.12. Penilaian Deteksi Kegagalan Detection , D Mode Kegagalan Efek Kegagalan Penyebab Kegagalan Metode Deteksi D Butiran Hancur Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework Proses penggilingan tidak halus Periksa mesin penggilingan sebelum dilakukannya proses produksi 5 Mesin penyaringan tidak bekerja optimal Periksa setiap bagian- bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang tersangkut 6 Butiran Belang Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework Proses steam uap tidak stabil Memperhatikan temperatur pada suhu yang tepat 4 Computer comco sering error menghambat proses produksi Periksa apakan computer comco dalam kondisi yang baik atau tidak 2 Universitas Sumatera Utara Alasan penilaian yang diberikan untuk 4 kendali deteksi seperti diatas yaitu sebagai berikut : 1. Periksa mesin penggilingan sebelum dilakukannya proses produksi diberikan nilai 5. Dikarenakan kendali yang dilakukan memerlukan inspeksi pemeriksaan yang sangat hati-hati oleh operator agar mesin penggilingan bekerja optimal sebagaimana seharusnya. 2. Periksa setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang tersangkut diberikan nilai 6. Dikarenakan kendali yang dilakukan memerlukan bantuan dan pembongkaran sederhana. 3. Memperhatikan temperatur pada suhu yang tepat diberikan nilai 4. Dikarenakan kendali yang dilakukan memerlukan inspeksi yang hati-hati oleh operator agar suhu tetap dalam keadaan yang telah ditentukan perusahaan. 4. Periksa apakan computer comco dalam kondisi yang baik atau tidak diberikan nilai 2. Dikarenakan kendali yang dilakukan dapat dengan mudah dilakukan dengan pengamatan langsung.

5.2.3.4.8. Menghitung Nilai RPN

Rizk Priority Number Dihitung nilai RPN risk priority number melalu hasil perkalian antara rating severity S, occurance O dan detection D untuk menentukan prioritas dalam rekomendasi tindakan perbaikan. Contoh perhitungan nilai RPN Risk Priority Number untuk mode kegagalan butiran hancur yaitu : Universitas Sumatera Utara RPN = S x O x D = 7 x 5 x 5 = 175 Perhitungan RPN Risk Priority Number selengkapnya dapat dilihat pada tabel 5.13. berikut : Universitas Sumatera Utara Tabel 5.13. FMEA Produk Pakan Ternak Ayam Crumble Mode Kegagalan Efek Kegagalan S Penyebab Kegagalan O Metode Deteksi D RPN Butiran Hancur Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework 7 Proses penggilingan tidak halus 5 Periksa mesin penggilingan sebelum dilakukannya proses produksi 5 175 Mesin penyaringan tidak bekerja optimal 4 Periksa setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang tersangkut 6 168 Butiran Belang Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework 5 Proses steam uap tidak stabil 5 Memperhatikan temperatur pada suhu yang tepat 4 100 Computer comco sering error menghambat proses produksi 6 Periksa apakan computer comco dalam kondisi yang baik atau tidak 2 60 Keterangan : S Severity : Tingkat keseriusan kegagalan O Occurance : Frekuensi terjadinya kegagalan D Detection : Tingkat kegagalan dapat dideteksi Universitas Sumatera Utara 5.2.3.5. F uzzy F ailure Mode and Effect Analysis F uzzy FMEA Logika fuzzy pada FMEA merupakan suatu cara yang tepat untuk menentukan suatu ruang input ke dalam suatu ruang output . Input dalam pendekatan logika fuzzy ini diperoleh atas nilai efek kegagalan severity , peluang kegagalan occurance dan deteksi kegagalan detection dari tahap FMEA.

5.2.3.5.1. Proses

F uzzifikasi Proses Fuzzifikasi yang dilakukan menggunakan metode Mamdani sering dikenal sebagai metode Maximum-Minimum . Dikarenakan variabel inputnya dibagi atas 3 himpunan fuzzy , yaitu untuk variabel S severity , O occurance dan D detection dimana varibel output nya memiliki satu himpuana fuzzy , yaitu Fuzzy Risk Priority Number FRPN. Pada metode ini digunakan fungsi implikasi minimum.

5.2.3.5.2. Pembuatan Himpunan

Input F uzzy Terdapat tiga variabel fuzzy yang akan dimodelkan, yaitu S severity , O occurance dan D detection . Ketiga variabel ini merupakan variabel input dengan nilai masing-masing antara 1 sampai dengan 10. Nilai tersebut akan dibagi atas lima kategori, yaitu : 1. Very Low VL atau Sangat Rendah 2. Low L atau Rendah 3. Moderate M atau Menengah 4. High H atau Tinggi Universitas Sumatera Utara 5. Vey High VH atau Sangat Tinggi Penilaian untuk setiap kategori indeks bilangan crisp S severity , O occurance dan D detection dapat dilihat pada tabel 5.14 dibawah ini. Sebagai contoh untuk rangking S severity adalah 1, rangking O occurance adalah 1 dan rangking D detection adalah 1 diperoleh kategorinya adalah Very Low VL atau Sangat Rendah. Tabel 5.14. Kategori Variabel Input Rangking Kategori Severity S Occurance O Detection D 1 1 1 VL 2,3 2,3 2,3 L 4,5,6 4,5,6 4,5,6 M 7,8 7,8 7,8 H 9,10 9,10 9,10 VH Parameter untuk fungsi keanggotaan variabel input dapat dilihat pada tabel 5.15. Tabel 5.15. Parameter Fungsi Keanggotaan Variabel Input Kategori Tipe Kurva Parameter VL BahuTrapesium [0; 0; 1; 2,5] L Segitiga [1; 2,5; 4,5] M Trapesium [2,5; 4,5; 5,5; 7,5] H Segitiga [5,5; 7,5; 9] VH BahuTrapesium [7,5; 9; 10; 10] Universitas Sumatera Utara

5.2.3.5.3. Perhitungan Fungsi Keanggotaan

Input Perhitungan fungsi keanggotaan input dibuat berdasarkan tipe kurva yang ditunjukkan pada tabel 5.12. untuk setiap kategori sebagai berikut : a. Very Low VL f x; 0, 0, 1, 2.5 = { Nilai keanggotaan input 1 = 1 Nilai keanggotaan input 2 = 2,5-2 2,5-1 = 0,33 Nilai keanggotaan input 3 = 0 Nilai keanggotaan input 4 = 0 Nilai keanggotaan input 5 = 0 Nilai keanggotaan input 6 = 0 Nilai keanggotaan input 7 = 0 Nilai keanggotaan input 8 = 0 Nilai keanggotaan input 9 = 0 Nilai keanggotaan input 10 = 0 Universitas Sumatera Utara b. Low L f x; 1, 2.5, 4.5 = { Nilai keanggotaan input 1 = 0 Nilai keanggotaan input 2 = 2-1 2,5-1 = 0,67 Nilai keanggotaan input 3 = 4,5-3 4,5-2,5 = 0,75 Nilai keanggotaan input 4 = 4,5-4 4,5-2,5 = 0,25 Nilai keanggotaan input 5 = 0 Nilai keanggotaan input 6 = 0 Nilai keanggotaan input 7 = 0 Nilai keanggotaan input 8 = 0 Nilai keanggotaan input 9 = 0 Nilai keanggotaan input 10 = 0 c. Moderate M f x; 2.5, 4.5, 5.5, 7.5 = { Nilai keanggotaan input 1 = 0 Nilai keanggotaan input 2 = 0 Universitas Sumatera Utara Nilai keanggotaan input 3 = 3-2,5 4,5-2,5 = 0,25 Nilai keanggotaan input 4 = 4-2,5 4,5-2,5 = 0,75 Nilai keanggotaan input 5 = 1 Nilai keanggotaan input 6 = 7,5-6 7,5-5,5 = 0,75 Nilai keanggotaan input 7 = 7,5-7 7,5-5,5 = 0,25 Nilai keanggotaan input 8 = 0 Nilai keanggotaan input 9 = 0 Nilai keanggotaan input 10 = 0 d. High H f x; 5.5, 7.5, 9 = { Nilai keanggotaan input 1 = 0 Nilai keanggotaan input 2 = 0 Nilai keanggotaan input 3 = 0 Nilai keanggotaan input 4 = 0 Nilai keanggotaan input 5 = 0 Nilai keanggotaan input 6 = 6-5,5 7,5-5,5 = 0,25 Nilai keanggotaan input 7 = 7-5,5 7,5-5,5 = 0,75 Nilai keanggotaan input 8 = 9-8 9-7,5 = 0,67 Nilai keanggotaan input 9 = 0 Universitas Sumatera Utara Nilai keanggotaan input 10 = 0 e. Very High VH f x; 7.5, 9, 10, 10 = { Nilai keanggotaan input 1 = 1 Nilai keanggotaan input 2 = 0 Nilai keanggotaan input 3 = 0 Nilai keanggotaan input 4 = 0 Nilai keanggotaan input 5 = 0 Nilai keanggotaan input 6 = 0 Nilai keanggotaan input 7 = 0 Nilai keanggotaan input 8 = 8-7,5 9-7,5 = 0,33 Nilai keanggotaan input 9 = 1 Nilai keanggotaan input 10 = 1

5.2.3.5.4. Pembuatan Himpunan

Output Fuzzy Nilai tertinggi untuk masing-masing input S severity , O occurance dan D detection adalah 10, maka batas nilai output FRPN yang tertinggi adalah 1000. Rentang nilai output FRPN adalah 1-1000. Nilai output FRPN dibagi atas Sembilan kategori, yaitu : Universitas Sumatera Utara 1. Very Low VL 2. Very Low-Low VLL 3. Low L 4. Low-Moderate L-M 5. Moderate M 6. Moderate-High M-H 7. High H 8. High-Very High H-VH 9. Very-High VH Parameter untuk fungsi keanggotaan variabel output dapat dilihat pada tabel 5.16. Tabel 5.16. Parameter Fungsi Keanggotaan Variabel Output Kategori Tipe Kurva Parameter VL BahuTrapesium [0, 0, 25, 75] VL-L Segitiga [25, 75, 125] L Segitiga [75, 125, 200] L-M Segitiga [125, 200, 300] M Segitiga [200, 300, 400] M-H Segitiga [300, 400, 500] H Segitiga [400, 500, 700] H-VH Segitiga [500, 700, 900] VH BahuTrapesium [700, 900, 1000, 1000]

5.2.3.5.5. Perhitungan Fungsi Keanggotaan

Output Perhitungan fungsi keanggotaan output dibuat berdasarkan tipe kurva yang ditunjukkan pada tabel 5.13. untuk setiap kategori sebagai berikut : Universitas Sumatera Utara a. Very Low VL f x; 0, 0, 25, 75 = { b. Very Low-Low VL-L f x; 25, 75, 125 = { c. Low L f x; 75, 125, 200 = { d. Low-Moderate L-M f x; 125, 200, 300 = { e. Moderate M f x; 200, 300, 400 = { f. Moderate-High M-H f x; 300, 400, 500 = { g. High H f x; 400, 500, 700 = { Universitas Sumatera Utara h. High-Very High H-VH f x; 500, 700, 900 = { i. Very High VH f x;700,900, 1000, 1000= { Dalam merepresentasikan variabel output , digunakan representasi kurva bentuk bahun untuk variabel Very Low VL dan Very High VH untuk mengakhiri vaiabel suatu daerah fuzzy . Kurva segitiga digunakan untuk merepresentasikan variabel Very Low-Low VL-L, Low L, Low Moderate LM, Moderate M, Moderate High M-H, High H dan High-Very High H-VH. Representasi variabel output dapat dilihat pada gambar 5.9. Gambar 5.9. Representasi Variabel Output domain Universitas Sumatera Utara 5.2.3.5.6. F uzzy Rules Aturan F uzzy Fuzzy rules adalah suatu aturan yang menggambarkan tingkat kekritisan dari sebuah kegagalan untuk setiap kombinasi variabel input . Aturan-aturan ini secara konvensioanal diformulasikan dalam bentuk linguistik dan diekspresikan dalam sbentuk if – then . Karena terdapat tiga variabel input yang digunakan, yaitu S Severity , O Occurance dan D Detection dengan masing-masing variabel mempunyai 5 kategori untuk setiap variabel input tersebut, maka terdapat 125 aturan yang diterapakn pada fuzzy rules ini. Sebagai contoh nilai variabel input S Severity adalah Very Low VL, O Occurance adalah Very Low VL dan D Detection adalah Very Low VL. Maka diperoleh nilai variabel output FRPN berdasaran fuzzy rules adalah Very Low VL. Fuzzy rules selengkapnya dapat dilihat pada tabel 5.17. Tabel 5.17. Aturan Nilai Variabel Input Berdasarkan F uzzy Rules No. S O D F uzzy RPN 1 Very Low VL Very Low VL Very Low VL Very Low VL 2 Very Low VL Very Low VL Low L Very Low VL 3 Very Low VL Very Low VL Moderate M Very Low VL 4 Very Low VL Very Low VL High H Very Low-Low VL-L 5 Very Low VL Very Low VL Very High VH Very Low-Low VL-L 6 Very Low VL Low L Very Low VL Very Low VL 7 Very Low VL Low L Low L Very Low-Low VL-L 8 Very Low VL Low L Moderate M Very Low-Low VL-L 9 Very Low VL Low L High H Low L 10 Very Low VL Low L Very High VH Low L 11 Very Low VL Moderate M Very Low VL Very Low VL 12 Very Low VL Moderate M Low L Very Low-Low VL-L 13 Very Low VL Moderate M Moderate M Low L 14 Very Low VL Moderate M High H Low L 15 Very Low VL Moderate M Very High VH Low L Universitas Sumatera Utara Tabel 5.17. Aturan Nilai Variabel Input Berdasarkan F uzzy Rules Lanjutan No. S O D F uzzy RPN 16 Very Low VL High H Very Low VL Very Low-Low VL-L 17 Very Low VL High H Low L Low L 18 Very Low VL High H Moderate M Low L 19 Very Low VL High H High H Low-Moderate L-M 20 Very Low VL High H Very High VH Low-Moderate L-M 21 Very Low VL Very High VH Very Low VL Very Low-Low VL-L 22 Very Low VL Very High VH Low L Low L 23 Very Low VL Very High VH Moderate M Low L 24 Very Low VL Very High VH High H Low-Moderate L-M 25 Very Low VL Very High VH Very High VH Moderate M 26 Low L Very Low VL Very Low VL Low L 27 Low L Very Low VL Low L Low L 28 Low L Very Low VL Moderate M Low L 29 Low L Very Low VL High H Low-Moderate L-M 30 Low L Very Low VL Very High VH Low-Moderate L-M 31 Low L Low L Very Low VL Low L 32 Low L Low L Low L Low-Moderate L-M 33 Low L Low L Moderate M Low-Moderate L-M 34 Low L Low L High H Moderate M 35 Low L Low L Very High VH Moderate M 36 Low L Moderate M Very Low VL Low L 37 Low L Moderate M Low L Low-Moderate L-M 38 Low L Moderate M Moderate M Moderate M 39 Low L Moderate M High H Moderate M 40 Low L Moderate M Very High VH Moderate M 41 Low L High H Very Low VL Moderate M 42 Low L High H Low L Moderate M 43 Low L High H Moderate M Moderate M 44 Low L High H High H Moderate-High M-H 45 Low L High H Very High VH Moderate-High M-H 46 Low L Very High VH Very Low VL Low-Moderate L-M 47 Low L Very High VH Low L Moderate M 48 Low L Very High VH Moderate M Moderate M Universitas Sumatera Utara Tabel 5.17. Aturan Nilai Variabel Input Berdasarkan F uzzy Rules Lanjutan No. S O D F uzzy RPN 49 Low L Very High VH High H Moderate-High M-H 50 Low L Very High VH Very High VH High H 51 Moderate M Very Low VL Very Low VL Moderate M 52 Moderate M Very Low VL Low L Moderate M 53 Moderate M Very Low VL Moderate M Moderate M 54 Moderate M Very Low VL High H Moderate-High M-H 55 Moderate M Very Low VL Very High VH Moderate-High M-H 56 Moderate M Low L Very Low VL Moderate M 57 Moderate M Low L Low L Moderate-High M-H 58 Moderate M Low L Moderate M Moderate-High M-H 59 Moderate M Low L High H High H 60 Moderate M Low L Very High VH High H 61 Moderate M Moderate M Very Low VL Moderate M 62 Moderate M Moderate M Low L Moderate-High M-H 63 Moderate M Moderate M Moderate M High H 64 Moderate M Moderate M High H High H 65 Moderate M Moderate M Very High VH High H 66 Moderate M High H Very Low VL Moderate-High M-H 67 Moderate M High H Low L High H 68 Moderate M High H Moderate M High H 69 Moderate M High H High H High-Very High H-VH 70 Moderate M High H Very High VH High-Very High H-VH 71 Moderate M Very High VH Very Low VL High H 72 Moderate M Very High VH Low L High H 73 Moderate M Very High VH Moderate M High H 74 Moderate M Very High VH High H High-Very High H-VH 75 Moderate M Very High VH Very High VH Very High VH 76 High H Very Low VL Very Low VL High H 77 High H Very Low VL Low L High H 78 High H Very Low VL Moderate M High H 79 High H Very Low VL High H High-Very High H-VH 80 High H Very Low VL Very High VH High-Very High H-VH 81 High H Low L Very Low VL High H Universitas Sumatera Utara Tabel 5.17. Aturan Nilai Variabel Input Berdasarkan F uzzy Rules Lanjutan No. S O D F uzzy RPN 82 High H Low L Low L High-Very High H-VH 83 High H Low L Moderate M High-Very High H-VH 84 High H Low L High H Very High VH 85 High H Low L Very High VH Very High VH 86 High H Moderate M Very Low VL High H 87 High H Moderate M Low L High-Very High H-VH 88 High H Moderate M Moderate M Very High VH 89 High H Moderate M High H Very High VH 90 High H Moderate M Very High VH Very High VH 91 High H High H Very Low VL High-Very High H-VH 92 High H High H Low L Very High VH 93 High H High H Moderate M Very High VH 94 High H High H High H Very High VH 95 High H High H Very High VH Very High VH 96 High H Very High VH Very Low VL High-Very High H-VH 97 High H Very High VH Low L Very High VH 98 High H Very High VH Moderate M Very High VH 99 High H Very High VH High H Very High VH 100 High H Very High VH Very High VH Very High VH 101 Very High VH Very Low VL Very Low VL Very High VH 102 Very High VH Very Low VL Low L Very High VH 103 Very High VH Very Low VL Moderate M Very High VH 104 Very High VH Very Low VL High H Very High VH 105 Very High VH Very Low VL Very High VH Very High VH 106 Very High VH Low L Very Low VL Very High VH 107 Very High VH Low L Low L Very High VH 108 Very High VH Low L Moderate M Very High VH 109 Very High VH Low L High H Very High VH 110 Very High VH Low L Very High VH Very High VH 111 Very High VH Moderate M Very Low VL Very High VH 112 Very High VH Moderate M Low L Very High VH 113 Very High VH Moderate M Moderate M Very High VH 114 Very High VH Moderate M High H Very High VH 115 Very High VH Moderate M Very High VH Very High VH Universitas Sumatera Utara Tabel 5.17. Aturan Nilai Variabel Input Berdasarkan F uzzy Rules Lanjutan No. S O D F uzzy RPN 116 Very High VH High H Very Low VL Very High VH 117 Very High VH High H Low L Very High VH 118 Very High VH High H Moderate M Very High VH 119 Very High VH High H High H Very High VH 120 Very High VH High H Very High VH Very High VH 121 Very High VH Very High VH Very Low VL Very High VH 122 Very High VH Very High VH Low L Very High VH 123 Very High VH Very High VH Moderate M Very High VH 124 Very High VH Very High VH High H Very High VH 125 Very High VH Very High VH Very High VH Very High VH Nilai-nilai input yang telah diperoleh dari proses FMEA, akan dievaluasi berdasarkan kombinasi fuzzy rules . Nilai-nilai input untuk variabel S Severity , O Occurance dan D Detection dapat dilihat pada tabel 5.18. Tabel 5.18. Nilai Variabel Input Proses FMEA Fungsi Proses Jenis Kegagalan Proses S O D Produksi Pakan Ternak Ayam Crumble Butiran Hancur 7 5 5 4 6 Butiran Belang 5 5 4 6 2 5.2.3.5.7. Perhitungan Nilai FRPN Proses FMEA 5.2.3.5.7.1. Perhitungan Nilai FRPN Variabel Input S=7, O=5, D=5 A. Aplikasi Fungsi Implikasi Evaluasi variabel input untuk nilai S=7, O=5, D=5, yaitu : Aturan 1 : Nilai input S Severity , untuk kategori VL Very Low bernilai 0 Universitas Sumatera Utara Nilai input O Occurance , untuk kategori VL Very Low bernilai 0 Nilai input D Detection , untuk kategori VL Very Low bernilai 0 Maka, dengan menggunakan fungsi implikasi minimum diperoleh : Aturan 1 A1 = min µS VL [7]; µO VL [5]; µD VL [5] = min 0, 0, 0 = 0 Evaluasi variabel input selengkapnya dapat dilihat pada tabel 5.19. Tabel 5.19. Evaluasi Variabel Input S=7, O=5, D=5 Aturan S = 7 O = 5 D = 5 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 1 VL VL VL 2 VL VL L 3 VL VL M 1 4 VL VL H 5 VL VL VH 6 VL L VL 7 VL L L 8 VL L M 1 9 VL L H 10 VL L VH 11 VL M 1 VL 12 VL M 1 L 13 VL M 1 M 1 14 VL M 1 H 15 VL M 1 VH 16 VL H VL 17 VL H L 18 VL H M 1 19 VL H H 20 VL H VH 21 VL VH VL Universitas Sumatera Utara Tabel 5.19. Evaluasi Variabel Input S=7, O=5, D=5 Lanjutan Aturan S = 7 O = 5 D = 5 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 22 VL VH L 23 VL VH M 1 24 VL VH H 25 VL VH VH 26 L VL VL 27 L VL L 28 L VL M 1 29 L VL H 30 L VL VH 31 L L VL 32 L L L 33 L L M 1 34 L L H 35 L L VH 36 L M 1 VL 37 L M 1 L 38 L M 1 M 1 39 L M 1 H 40 L M 1 VH 41 L H VL 42 L H L 43 L H M 1 44 L H H 45 L H VH 46 L VH VL 47 L VH L 48 L VH M 1 49 L VH H 50 L VH VH 51 M 0.25 VL VL 52 M 0.25 VL L 53 M 0.25 VL M 1 54 M 0.25 VL H Universitas Sumatera Utara Tabel 5.19. Evaluasi Variabel Input S=7, O=5, D=5 Lanjutan Aturan S = 7 O = 5 D = 5 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 55 M 0.25 VL VH 56 M 0.25 L VL 57 M 0.25 L L 58 M 0.25 L M 1 59 M 0.25 L H 60 M 0.25 L VH 61 M 0.25 M 1 VL 62 M 0.25 M 1 L 63 M 0.25 M 1 M 1 0.25 64 M 0.25 M 1 H 65 M 0.25 M 1 VH 66 M 0.25 H VL 67 M 0.25 H L 68 M 0.25 H M 1 69 M 0.25 H H 70 M 0.25 H VH 71 M 0.25 VH VL 72 M 0.25 VH L 73 M 0.25 VH M 1 74 M 0.25 VH H 75 M 0.25 VH VH 76 H 0.75 VL VL 77 H 0.75 VL L 78 H 0.75 VL M 1 79 H 0.75 VL H 80 H 0.75 VL VH 81 H 0.75 L VL 82 H 0.75 L L 83 H 0.75 L M 1 84 H 0.75 L H 85 H 0.75 L VH 86 H 0.75 M 1 VL 87 H 0.75 M 1 L Universitas Sumatera Utara Tabel 5.19. Evaluasi Variabel Input S=7, O=5, D=5 Lanjutan Aturan S = 7 O = 5 D = 5 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 88 H 0.75 M 1 M 1 0.75 89 H 0.75 M 1 H 90 H 0.75 M 1 VH 91 H 0.75 H VL 92 H 0.75 H L 93 H 0.75 H M 1 94 H 0.75 H H 95 H 0.75 H VH 96 H 0.75 VH VL 97 H 0.75 VH L 98 H 0.75 VH M 1 99 H 0.75 VH H 100 H 0.75 VH VH 101 VH VL VL 102 VH VL L 103 VH VL M 1 104 VH VL H 105 VH VL VH 106 VH L VL 107 VH L L 108 VH L M 1 109 VH L H 110 VH L VH 111 VH M 1 VL 112 VH M 1 L 113 VH M 1 M 1 114 VH M 1 H 115 VH M 1 VH 116 VH H VL 117 VH H L 118 VH H M 1 119 VH H H 120 VH H VH Universitas Sumatera Utara Tabel 5.19. Evaluasi Variabel Input S=7, O=5, D=5 Lanjutan Aturan S = 7 O = 5 D = 5 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 121 VH VH VL 122 VH VH L 123 VH VH M 1 124 VH VH H 125 VH VH VH Pada tabel 5.19. diperoleh aturan-aturan yang memiliki daerah hasil fungsi implikasi minimum yang dapat dilihat pada tabel 5.20. Aturan 63, nilai S berkategori Moderate M, nilai O berkategori Moderate M dan nilai D berkategori Moderate M memiliki nilai minimum 0,25 dan berdasarkan fuzzy rules pada tabel 5.17. menghasilkan nilai FRPN berkategori High H. Tabel 5.20. Aturan yang Memiliki Daerah Hasil Fungsi Minimum Atura n S = 7 O = 5 D = 5 Nilai A Min Nilai FRP N Kategor i µS[x] Kategor i µO[x] Kategor i µD[x] 63 M 0.25 M 1 M 1 0.25 H 88 H 0.75 M 1 M 1 0.75 VH

1. Aturan 63

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output High , sebagai berikut : a. 0,25 = x-400 100 25 = x-400 x = 425 Universitas Sumatera Utara b. 0,25 = 700-x 200 50 = 700-x x = 650 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.10. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.10. Grafik Fungsi Output Aturan 63 2. Aturan 88 Pada saat µFRPN [x] = 0,75, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Very High , sebagai berikut : 0,75 = x-700 200 150 = x-700 Universitas Sumatera Utara x = 850 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.11. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.11. Grafik Fungsi Output Aturan 88

B. Pembuatan Komposisi Semua

Output Kompisisi semua output untuk nilai S=7, O=5, D=5 dengan menggunakan aturan maksimum. Grafik komposisi semua output dapat dilihat pada gambar 5.12. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.12. Komposisi Semua Output untuk Input S=7, O=5 dan D=5 Berdasarkan perhitungan aplikasi fungsi implikasi tidak terdapat titik potong antara aturan-aturan yang memiliki nilai daerah hasil, sehingga nilai daerah hasil keseluruhan adalah sebagai berikut : µFRPN [x] = {

C. Proses Defuzzifikasi

Proses defuzzifikasi dilakukan dengan metode centroid . Tahap ini, dilakukan dengan pengubahan terhadap himpunan fuzzy pada variabel input S Severity , O Occurance dan D Detection yang diperoleh dari komposisi output aturan fuzzy menjadi bilangan crisp tertentu, yaitu nilai FRPN. Solusi daerah fuzzy dapat dilihat pada gambar 5.13. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 A1 A2 A3 A4 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.13. Solusi Daerah F uzzy untuk Input S=7, O=5 dan D=5 Untuk memperoleh nilai crisp x, dilakukan dengan membagi daerah menjadi empat bagian dengan luas masing-masing A1, A2, A3 dan A4. Momen terhadap nilai keanggotaan masing-masing adalah M1, M2, M3 dan M4. Rumus untuk menghitung nilai crisp titik pusat yaitu : Titik Pusat = Momen Luas = M A Ket : -M adalah momen terhadap nilai keanggotaan -A adalah luas masing-masing daerah solusi fuzzy Perhitungan nilai momen M: M1 = 425 400 425 400 = -105364,583 – -106666,666 = 1302,083 Universitas Sumatera Utara M2 = 750 425 = 70312,5 – 22578,125 = 47734,375 M3 = 850 750 850 750 = -2408333,333 – -281250 = 40416,667 M4 = 1000 850 = 375000 – 270937,5 = 104062,5 Perhitungan nilai luas A: A1 = Alas Tinggi 2 = 425-400 0,25 2 = 3,125 A2 = Panjang x Lebar = 750 – 425 x 0,25 = 81,25 A3 = Jumlah isi ejajar Tinggi 2 = 0,25 0,75 850-750 2 = 50 A4 = Panjang x Lebar = 1000 – 850 x 0,75 = 112,5 Perhitungan titik pusat: Titik Pusat = Momen M Luas A = 1302,083 47734,375 40416,667 104062,5 3,125 81,25 50 112,5 Universitas Sumatera Utara = 193515,625 246,875 = 783,860 Maka, hasil evaluasi variabel input proses FMEA untuk nilai S=7, O=5, D=5 adalah 783,860.

5.2.3.5.7.2. Perhitungan Nilai FRPN Variabel

Input S=7, O=4, D=6 A. Aplikasi Fungsi Implikasi Evaluasi variabel input untuk nilai S=7, O=4, D=6, yaitu : Aturan 1 : Nilai input S Severity , untuk kategori VL Very Low bernilai 0 Nilai input O Occurance , untuk kategori VL Very Low bernilai 0 Nilai input D Detection , untuk kategori VL Very Low bernilai 0 Maka, dengan menggunakan fungsi implikasi minimum diperoleh : Aturan 1 A1 = min µS VL [7]; µO VL [4]; µD VL [6] = min 0, 0, 0 = 0 Evaluasi variabel input selengkapnya dapat dilihat pada tabel 5.21. Tabel 5.21. Evaluasi Variabel Input S=7, O=4, D=6 Aturan S = 7 O = 4 D = 6 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 1 VL VL VL 2 VL VL L 3 VL VL M 0.75 4 VL VL H 0.25 Universitas Sumatera Utara Tabel 5.21. Evaluasi Variabel Input S=7, O=4, D=6 Lanjutan Aturan S = 7 O = 4 D = 6 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 5 VL VL VH 6 VL L 0.25 VL 7 VL L 0.25 L 8 VL L 0.25 M 0.75 9 VL L 0.25 H 0.25 10 VL L 0.25 VH 11 VL M 0.75 VL 12 VL M 0.75 L 13 VL M 0.75 M 0.75 14 VL M 0.75 H 0.25 15 VL M 0.75 VH 16 VL H VL 17 VL H L 18 VL H M 0.75 19 VL H H 0.25 20 VL H VH 21 VL VH VL 22 VL VH L 23 VL VH M 0.75 24 VL VH H 0.25 25 VL VH VH 26 L VL VL 27 L VL L 28 L VL M 0.75 29 L VL H 0.25 30 L VL VH 31 L L 0.25 VL 32 L L 0.25 L 33 L L 0.25 M 0.75 34 L L 0.25 H 0.25 35 L L 0.25 VH 36 L M 0.75 VL 37 L M 0.75 L Universitas Sumatera Utara Tabel 5.21. Evaluasi Variabel Input S=7, O=4, D=6 Lanjutan Aturan S = 7 O = 4 D = 6 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 38 L M 0.75 M 0.75 39 L M 0.75 H 0.25 40 L M 0.75 VH 41 L H VL 42 L H L 43 L H M 0.75 44 L H H 0.25 45 L H VH 46 L VH VL 47 L VH L 48 L VH M 0.75 49 L VH H 0.25 50 L VH VH 51 M 0.25 VL VL 52 M 0.25 VL L 53 M 0.25 VL M 0.75 54 M 0.25 VL H 0.25 55 M 0.25 VL VH 56 M 0.25 L 0.25 VL 57 M 0.25 L 0.25 L 58 M 0.25 L 0.25 M 0.75 0.25 59 M 0.25 L 0.25 H 0.25 0.25 60 M 0.25 L 0.25 VH 61 M 0.25 M 0.75 VL 62 M 0.25 M 0.75 L 63 M 0.25 M 0.75 M 0.75 0.25 64 M 0.25 M 0.75 H 0.25 0.25 65 M 0.25 M 0.75 VH 66 M 0.25 H VL 67 M 0.25 H L 68 M 0.25 H M 0.75 69 M 0.25 H H 0.25 70 M 0.25 H VH Universitas Sumatera Utara Tabel 5.21. Evaluasi Variabel Input S=7, O=4, D=6 Lanjutan Aturan S = 7 O = 4 D = 6 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 71 M 0.25 VH VL 72 M 0.25 VH L 73 M 0.25 VH M 0.75 74 M 0.25 VH H 0.25 75 M 0.25 VH VH 76 H 0.75 VL VL 77 H 0.75 VL L 78 H 0.75 VL M 0.75 79 H 0.75 VL H 0.25 80 H 0.75 VL VH 81 H 0.75 L 0.25 VL 82 H 0.75 L 0.25 L 83 H 0.75 L 0.25 M 0.75 0.25 84 H 0.75 L 0.25 H 0.25 0.25 85 H 0.75 L 0.25 VH 86 H 0.75 M 0.75 VL 87 H 0.75 M 0.75 L 88 H 0.75 M 0.75 M 0.75 0.75 89 H 0.75 M 0.75 H 0.25 0.25 90 H 0.75 M 0.75 VH 91 H 0.75 H VL 92 H 0.75 H L 93 H 0.75 H M 0.75 94 H 0.75 H H 0.25 95 H 0.75 H VH 96 H 0.75 VH VL 97 H 0.75 VH L 98 H 0.75 VH M 0.75 99 H 0.75 VH H 0.25 100 H 0.75 VH VH 101 VH VL VL 102 VH VL L 103 VH VL M 0.75 Universitas Sumatera Utara Tabel 5.21. Evaluasi Variabel Input S=7, O=4, D=6 Lanjutan Aturan S = 7 O = 4 D = 6 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 104 VH VL H 0.25 105 VH VL VH 106 VH L 0.25 VL 107 VH L 0.25 L 108 VH L 0.25 M 0.75 109 VH L 0.25 H 0.25 110 VH L 0.25 VH 111 VH M 0.75 VL 112 VH M 0.75 L 113 VH M 0.75 M 0.75 114 VH M 0.75 H 0.25 115 VH M 0.75 VH 116 VH H VL 117 VH H L 118 VH H M 0.75 119 VH H H 0.25 120 VH H VH 121 VH VH VL 122 VH VH L 123 VH VH M 0.75 124 VH VH H 0.25 125 VH VH VH Pada tabel 5.21. diperoleh aturan-aturan yang memiliki daerah hasil fungsi implikasi minimum yang dapat dilihat pada tabel 5.22. Aturan 58, nilai S berkategori Moderate M, nilai O berkategori Low L dan nilai D berkategori Moderate M memiliki nilai minimum 0,25 dan berdasarkan fuzzy rules pada tabel 5.17. menghasilkan nilai FRPN berkategori Moderate - High M-H. Universitas Sumatera Utara Tabel 5.22. Aturan yang Memiliki Daerah Hasil Fungsi Minimum Aturan S = 7 O = 4 D = 6 Nilai A Min Nilai FRPN Kategori µS[x] Kategori µO[x] Kategori µD[x] 58 M 0.25 L 0.25 M 0.75 0.25 M-H 59 M 0.25 L 0.25 H 0.25 0.25 H 63 M 0.25 M 0.75 M 0.75 0.25 H 64 M 0.25 M 0.75 H 0.25 0.25 H 83 H 0.75 L 0.25 M 0.75 0.25 H-VH 84 H 0.75 L 0.25 H 0.25 0.25 VH 88 H 0.75 M 0.75 M 0.75 0.75 VH 89 H 0.75 M 0.75 H 0.25 0.25 VH

1. Aturan 58

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Moderate High , sebagai berikut: a. 0,25 = x-300 100 25 = x-300 x = 325 b. 0,25 = 500-x 100 25 = 500-x x = 475 µFRPN [x] = { Universitas Sumatera Utara Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.14. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.14. Grafik Fungsi Output Aturan 58

2. Aturan 59, 63 dan 64

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output High , sebagai berikut : a. 0,25 = x-400 100 25 = x-400 x = 425 b. 0,25 = 700-x 200 50 = 700-x x = 650 Universitas Sumatera Utara µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.15. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.15. Grafik Fungsi Output Aturan 59, 63 dan 64

3. Aturan 83

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output High-Very High , sebagai berikut : a. 0,25 = x-500 200 50 = x-500 x = 550 Universitas Sumatera Utara b. 0,25 = 900-x 200 50 = 900-x x = 850 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.16. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.16. Grafik Fungsi Output Aturan 83

4. Aturan 84 dan 89

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Very High , sebagai berikut : 0,25 = x-700 200 Universitas Sumatera Utara 50 = x-700 x = 750 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.17. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.17. Grafik Fungsi Output Aturan 84 dan 89 5. Aturan 88 Pada saat µFRPN [x] = 0,75, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Very High , sebagai berikut : 0,75 = x-700 200 150 = x-700 x = 850 Universitas Sumatera Utara µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.18. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.18. Grafik Fungsi Output Aturan 88

B. Pembuatan Kompisisi Semua

Output Kompisisi semua output untuk nilai S=7, O=4, D=6 dengan menggunakan aturan maksimum. Grafik komposisi semua output dapat dilihat pada gambar 5.19. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.19. Komposisi Semua Output untuk Input S=7, O=4 dan D=6 Berdasarkan perhitungan aplikasi fungsi implikasi tidak terdapat titik potong antara aturan-aturan yang memiliki nilai daerah hasil, sehingga nilai daerah hasil keseluruhan adalah sebagai berikut : µFRPN [x] = {

C. Proses Defuzzifikasi

Proses defuzzifikasi dilakukan dengan metode centroid . Tahap ini, dilakukan dengan pengubahan terhadap himpunan fuzzy pada variabel input S Severity , O Occurance dan D Detection yang diperoleh dari komposisi output aturan fuzzy menjadi bilangan crisp tertentu, yaitu nilai FRPN. Solusi daerah fuzzy dapat dilihat pada gambar 5.20. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 A1 A2 A3 A4 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.20. Solusi Daerah F uzzy untuk Input S=7, O=4 dan D=6 Untuk memperoleh nilai crisp x, dilakukan dengan membagi daerah menjadi empat bagian dengan luas masing-masing A1, A2, A3 dan A4. Momen terhadap nilai keanggotaan masing-masing adalah M1, M2, M3 dan M4. Rumus untuk menghitung nilai crisp titik pusat yaitu : Titik Pusat = Momen Luas = M A Ket : -M adalah momen terhadap nilai keanggotaan -A adalah luas masing-masing daerah solusi fuzzy Perhitungan nilai momen M: M1 = 325 300 325 300 = 989,583 Universitas Sumatera Utara M2 = 750 325 = 57109,375 M3 = 850 750 850 750 = 40416,667 M4 = 1000 850 = 104062,5 Perhitungan nilai luas A: A1 = Alas Tinggi 2 = 325-300 0,25 2 = 3,125 A2 = Panjang x Lebar = 850 – 325 x 0,25 = 118,75 A3 = Jumlah isi ejajar Tinggi 2 = 0,25 0,75 850-750 2 = 50 A4 = Panjang x Lebar = 1000 – 850 x 0,75 = 112,5 Perhitungan titik pusat: Titik Pusat = Momen M Luas A = 989,583 57109,375 40416,667 104062,5 3,125 118,75 50 112,5 = 202578,125 284,375 = 712,362 Maka, hasil evaluasi variabel input proses FMEA untuk nilai S=7, O=4, D=6 adalah 712,362. Universitas Sumatera Utara

5.2.3.5.7.3. Perhitungan Nilai FRPN Variabel

Input S=5, O=5, D=4 A. Aplikasi Fungsi Implikasi Evaluasi variabel input untuk nilai S=5, O=5, D=4, yaitu : Aturan 1 : Nilai input S Severity , untuk kategori VL Very Low bernilai 0 Nilai input O Occurance , untuk kategori VL Very Low bernilai 0 Nilai input D Detection , untuk kategori VL Very Low bernilai 0 Maka, dengan menggunakan fungsi implikasi minimum diperoleh : Aturan 1 A1 = min µS VL [5]; µO VL [5]; µD VL [4] = min 0, 0, 0 = 0 Evaluasi variabel input selengkapnya dapat dilihat pada tabel 5.23. Tabel 5.23. Evaluasi Variabel Input S=5, O=5, D=4 Aturan S = 5 O = 5 D = 4 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 1 VL VL VL 2 VL VL L 0.25 3 VL VL M 0.75 4 VL VL H 5 VL VL VH 6 VL L VL 7 VL L L 0.25 8 VL L M 0.75 9 VL L H 10 VL L VH 11 VL M 1 VL 12 VL M 1 L 0.25 13 VL M 1 M 0.75 Universitas Sumatera Utara Tabel 5.23. Evaluasi Variabel Input S=5, O=5, D=4 Lanjutan Aturan S = 5 O = 5 D = 4 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 14 VL M 1 H 15 VL M 1 VH 16 VL H VL 17 VL H L 0.25 18 VL H M 0.75 19 VL H H 20 VL H VH 21 VL VH VL 22 VL VH L 0.25 23 VL VH M 0.75 24 VL VH H 25 VL VH VH 26 L VL VL 27 L VL L 0.25 28 L VL M 0.75 29 L VL H 30 L VL VH 31 L L VL 32 L L L 0.25 33 L L M 0.75 34 L L H 35 L L VH 36 L M 1 VL 37 L M 1 L 0.25 38 L M 1 M 0.75 39 L M 1 H 40 L M 1 VH 41 L H VL 42 L H L 0.25 43 L H M 0.75 44 L H H 45 L H VH 46 L VH VL Universitas Sumatera Utara Tabel 5.23. Evaluasi Variabel Input S=5, O=5, D=4 Lanjutan Aturan S = 5 O = 5 D = 4 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 47 L VH L 0.25 48 L VH M 0.75 49 L VH H 50 L VH VH 51 M 1 VL VL 52 M 1 VL L 0.25 53 M 1 VL M 0.75 54 M 1 VL H 55 M 1 VL VH 56 M 1 L VL 57 M 1 L L 0.25 58 M 1 L M 0.75 59 M 1 L H 60 M 1 L VH 61 M 1 M 1 VL 62 M 1 M 1 L 0.25 0.25 63 M 1 M 1 M 0.75 0.75 64 M 1 M 1 H 65 M 1 M 1 VH 66 M 1 H VL 67 M 1 H L 0.25 68 M 1 H M 0.75 69 M 1 H H 70 M 1 H VH 71 M 1 VH VL 72 M 1 VH L 0.25 73 M 1 VH M 0.75 74 M 1 VH H 75 M 1 VH VH 76 H VL VL 77 H VL L 0.25 78 H VL M 0.75 79 H VL H Universitas Sumatera Utara Tabel 5.23. Evaluasi Variabel Input S=5, O=5, D=4 Lanjutan Aturan S = 5 O = 5 D = 4 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 80 H VL VH 81 H L VL 82 H L L 0.25 83 H L M 0.75 84 H L H 85 H L VH 86 H M 1 VL 87 H M 1 L 0.25 88 H M 1 M 0.75 89 H M 1 H 90 H M 1 VH 91 H H VL 92 H H L 0.25 93 H H M 0.75 94 H H H 95 H H VH 96 H VH VL 97 H VH L 0.25 98 H VH M 0.75 99 H VH H 100 H VH VH 101 VH VL VL 102 VH VL L 0.25 103 VH VL M 0.75 104 VH VL H 105 VH VL VH 106 VH L VL 107 VH L L 0.25 108 VH L M 0.75 109 VH L H 110 VH L VH 111 VH M 1 VL 112 VH M 1 L 0.25 Universitas Sumatera Utara Tabel 5.23. Evaluasi Variabel Input S=5, O=5, D=4 Lanjutan Aturan S = 5 O = 5 D = 4 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 113 VH M 1 M 0.75 114 VH M 1 H 115 VH M 1 VH 116 VH H VL 117 VH H L 0.25 118 VH H M 0.75 119 VH H H 120 VH H VH 121 VH VH VL 122 VH VH L 0.25 123 VH VH M 0.75 124 VH VH H 125 VH VH VH Pada tabel 5.23. diperoleh aturan-aturan yang memiliki daerah hasil fungsi implikasi minimum yang dapat dilihat pada tabel 5.24. Aturan 62, nilai S berkategori Moderate M, nilai O berkategori Moderate M dan nilai D berkategori Low L memiliki nilai minimum 0,25 dan berdasarkan fuzzy rules pada tabel 5.17. menghasilkan nilai FRPN berkategori Moderate-High M-H. Tabel 5.24. Aturan yang Memiliki Daerah Hasil Fungsi Minimum Atura n S = 5 O = 5 D = 4 Nilai A Min Nilai FRP N Kategor i µS[x] Kategor i µO[x] Kategor i µD[x] 62 M 1 M 1 L 0.25 0.25 M-H 63 M 1 M 1 M 0.75 0.75 H Universitas Sumatera Utara

1. Aturan 62

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Moderate High , sebagai berikut: a. 0,25 = x-300 100 25 = x-300 x = 325 b. 0,25 = 500-x 100 25 = 500-x x = 475 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.21. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.21. Grafik Fungsi Output Aturan 62

2. Aturan 63

Pada saat µFRPN [x] = 0,75, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output High , sebagai berikut : a. 0,75 = x-400 100 75 = x-400 x = 475 b. 0,75 = 700-x 200 150 = 700-x x = 550 Universitas Sumatera Utara µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.22. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.22. Grafik Fungsi Output Aturan 63

B. Pembuatan Kompisisi Semua

Output Komposisi semua output untuk nilai S=5, O=5, D=4 dengan menggunakan aturan maksimum. Grafik komposisi semua output dapat dilihat pada gambar 5.23. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.23. Komposisi Semua Output untuk Input S=5, O=5 dan D=4 Berdasarkan perhitungan aplikasi fungsi implikasi tidak terdapat titik potong antara aturan-aturan yang memiliki nilai daerah hasil, sehingga nilai daerah hasil keseluruhan adalah sebagai berikut : µFRPN [x] = {

C. Proses Defuzzifikasi

Proses defuzzifikasi dilakukan dengan metode centroid . Tahap ini, dilakukan dengan pengubahan terhadap himpunan fuzzy pada variabel input S Severity , O Occurance dan D Detection yang diperoleh dari komposisi output aturan fuzzy menjadi bilangan crisp tertentu, yaitu nilai FRPN. Solusi daerah fuzzy dapat dilihat pada gambar 5.24. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 A1 A2 A3 A4 A5 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.24. Solusi Daerah F uzzy untuk Input S=5, O=5 dan D=4 Untuk memperoleh nilai crisp x, dilakukan dengan membagi daerah menjadi empat bagian dengan luas masing-masing A1, A2, A3 dan A4. Momen terhadap nilai keanggotaan masing-masing adalah M1, M2, M3 dan M4. Rumus untuk menghitung nilai crisp titik pusat yaitu : Titik Pusat = Momen Luas = M A Ket : -M adalah momen terhadap nilai keanggotaan -A adalah luas masing-masing daerah solusi fuzzy Perhitungan nilai momen M: M1 = 325 300 325 300 = 989,583 M2 = 425 325 = 9375 Universitas Sumatera Utara M3 = 475 425 475 425 = 11354,166 M4 = 550 475 = 28828,125 M5 = 700 550 700 550 = -33750 Perhitungan nilai luas A: A1 = Alas Tinggi 2 = 325-300 0,25 2 = 3,125 A2 = Panjang x Lebar = 425 – 325 x 0,25 = 25 A3 = Jumlah isi ejajar Tinggi 2 = 0,25 0,75 475-425 2 = 25 A4 = Panjang x Lebar = 550 – 475 x 0,75 = 56,25 A5 = Alas Tinggi 2 = 700-550 0,25 2 = 18,75 Perhitungan titik pusat: Titik Pusat = Momen M Luas A = 989,583 9375 11354,166 28828,125 -33750 3,125 25 25 56,25 18,75 = 16796,875 128,125 = 131,097 Universitas Sumatera Utara Maka, hasil evaluasi variabel input proses FMEA untuk nilai S=5, O=5, D=4 adalah 131,097.

5.2.3.5.7.4. Perhitungan Nilai FRPN Variabel

Input S=5, O=6, D=2 A. Aplikasi Fungsi Implikasi Evaluasi variabel input untuk nilai S=5, O=6, D=2, yaitu : Aturan 1 : Nilai input S Severity , untuk kategori VL Very Low bernilai 0 Nilai input O Occurance , untuk kategori VL Very Low bernilai 0 Nilai input D Detection , untuk kategori VL Very Low bernilai 0 Maka, dengan menggunakan fungsi implikasi minimum diperoleh : Aturan 1 A1 = min µS VL [5]; µO VL [6]; µD VL [2] = min 0, 0, 0 = 0 Evaluasi variabel input selengkapnya dapat dilihat pada tabel 5.25. Tabel 5.25. Evaluasi Variabel Input S=5, O=6, D=2 Aturan S = 5 O = 6 D = 2 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 1 VL VL VL 0.33 2 VL VL L 0.67 3 VL VL M 4 VL VL H 5 VL VL VH 6 VL L VL 0.33 7 VL L L 0.67 Universitas Sumatera Utara Tabel 5.25. Evaluasi Variabel Input S=5, O=6, D=2 Lanjutan Aturan S = 5 O = 6 D = 2 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 8 VL L M 9 VL L H 10 VL L VH 11 VL M 0.75 VL 0.33 12 VL M 0.75 L 0.67 13 VL M 0.75 M 14 VL M 0.75 H 15 VL M 0.75 VH 16 VL H 0.25 VL 0.33 17 VL H 0.25 L 0.67 18 VL H 0.25 M 19 VL H 0.25 H 20 VL H 0.25 VH 21 VL VH VL 0.33 22 VL VH L 0.67 23 VL VH M 24 VL VH H 25 VL VH VH 26 L VL VL 0.33 27 L VL L 0.67 28 L VL M 29 L VL H 30 L VL VH 31 L L VL 0.33 32 L L L 0.67 33 L L M 34 L L H 35 L L VH 36 L M 0.75 VL 0.33 37 L M 0.75 L 0.67 38 L M 0.75 M 39 L M 0.75 H 40 L M 0.75 VH Universitas Sumatera Utara Tabel 5.25 Evaluasi Variabel Input S=5, O=6, D=2 Lanjutan Aturan S = 5 O = 6 D = 2 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 41 L H 0.25 VL 0.33 42 L H 0.25 L 0.67 43 L H 0.25 M 44 L H 0.25 H 45 L H 0.25 VH 46 L VH VL 0.33 47 L VH L 0.67 48 L VH M 49 L VH H 50 L VH VH 51 M 1 VL VL 0.33 52 M 1 VL L 0.67 53 M 1 VL M 54 M 1 VL H 55 M 1 VL VH 56 M 1 L VL 0.33 57 M 1 L L 0.67 58 M 1 L M 59 M 1 L H 60 M 1 L VH 61 M 1 M 0.75 VL 0.33 0.33 62 M 1 M 0.75 L 0.67 0.67 63 M 1 M 0.75 M 64 M 1 M 0.75 H 65 M 1 M 0.75 VH 66 M 1 H 0.25 VL 0.33 0.25 67 M 1 H 0.25 L 0.67 0.25 68 M 1 H 0.25 M 69 M 1 H 0.25 H 70 M 1 H 0.25 VH 71 M 1 VH VL 0.33 72 M 1 VH L 0.67 73 M 1 VH M Universitas Sumatera Utara Tabel 5.25. Evaluasi Variabel Input S=5, O=6, D=2 Lanjutan Aturan S = 5 O = 6 D = 2 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 74 M 1 VH H 75 M 1 VH VH 76 H VL VL 0.33 77 H VL L 0.67 78 H VL M 79 H VL H 80 H VL VH 81 H L VL 0.33 82 H L L 0.67 83 H L M 84 H L H 85 H L VH 86 H M 0.75 VL 0.33 87 H M 0.75 L 0.67 88 H M 0.75 M 89 H M 0.75 H 90 H M 0.75 VH 91 H H 0.25 VL 0.33 92 H H 0.25 L 0.67 93 H H 0.25 M 94 H H 0.25 H 95 H H 0.25 VH 96 H VH VL 0.33 97 H VH L 0.67 98 H VH M 99 H VH H 100 H VH VH 101 VH VL VL 0.33 102 VH VL L 0.67 103 VH VL M 104 VH VL H 105 VH VL VH 106 VH L VL 0.33 Universitas Sumatera Utara Tabel 5.25. Evaluasi Variabel Input S=5, O=6, D=2 Lanjutan Aturan S = 5 O = 6 D = 2 Nilai A Min Kategori µS[x] Kategori µO[x] Kategori µD[x] 107 VH L L 0.67 108 VH L M 109 VH L H 110 VH L VH 111 VH M 0.75 VL 0.33 112 VH M 0.75 L 0.67 113 VH M 0.75 M 114 VH M 0.75 H 115 VH M 0.75 VH 116 VH H 0.25 VL 0.33 117 VH H 0.25 L 0.67 118 VH H 0.25 M 119 VH H 0.25 H 120 VH H 0.25 VH 121 VH VH VL 0.33 122 VH VH L 0.67 123 VH VH M 124 VH VH H 125 VH VH VH Pada tabel 5.25. diperoleh aturan-aturan yang memiliki daerah hasil fungsi implikasi minimum yang dapat dilihat pada tabel 5.26. Aturan 61, nilai S berkategori Moderate M, nilai O berkategori Moderate M dan nilai D berkategori Very Low VL memiliki nilai minimum 0,33 dan berdasarkan fuzzy rules pada tabel 5.17. menghasilkan nilai FRPN berkategori Moderate M. Universitas Sumatera Utara Tabel 5.26. Aturan yang Memiliki Daerah Hasil Fungsi Minimum Aturan S = 5 O = 6 D = 2 Nilai A Min Nilai FRPN Kategori µS[x] Kategori µO[x] Kategori µD[x] 61 M 1 M 0.75 VL 0.33 0.33 M 62 M 1 M 0.75 L 0.67 0.67 M-H 66 M 1 H 0.25 VL 0.33 0.25 M-H 67 M 1 H 0.25 L 0.67 0.25 H

1. Aturan 61

Pada saat µFRPN [x] = 0,33, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Moderate , sebagai berikut: a. 0,33 = x-200 100 33 = x-200 x = 233 b. 0,33 = 400-x 100 33 = 400-x x = 367 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.25. Universitas Sumatera Utara 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.25. Grafik Fungsi Output Aturan 61 2. Aturan 62 Pada saat µFRPN [x] = 0,67, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Moderate High , sebagai berikut: a. 0,67 = x-300 100 67 = x-300 x = 367 b. 0,67 = 500-x 100 67 = 500-x x = 433 Universitas Sumatera Utara µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.26. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.26. Grafik Fungsi Output Aturan 62 3. Aturan 66 Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output Moderate High , sebagai berikut: a. 0,25 = x-300 100 25 = x-300 x = 325 Universitas Sumatera Utara b. 0,25 = 500-x 100 25 = 500-x x = 475 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.27. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.27. Grafik Fungsi Output Aturan 66

4. Aturan 67

Pada saat µFRPN [x] = 0,25, maka nilai x dapat dicari berdasarkan perhitungan fungsi keanggotaan output High , sebagai berikut : Universitas Sumatera Utara a. 0,25 = x-400 100 25 = x-400 x = 425 b. 0,25 = 700-x 200 50 = 700-x x = 650 µFRPN [x] = { Grafik fungsi output berdasarkan batas nilai untuk µFRPN tersebut dapat dilihat pada gambar 5.28. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.28. Grafik Fungsi Output Aturan 67 Universitas Sumatera Utara

B. Pembuatan Kompisisi Semua

Output Kompisisi semua output untuk nilai S=5, O=6, D=2 dengan menggunakan aturan maksimum. Grafik komposisi semua output dapat dilihat pada gambar 5.29. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.29. Komposisi Semua Output untuk Input S=5, O=6 dan D=2 Berdasarkan perhitungan aplikasi fungsi implikasi tidak terdapat titik potong antara aturan-aturan yang memiliki nilai daerah hasil, sehingga nilai daerah hasil keseluruhan adalah sebagai berikut : µFRPN [x] = { C. Proses Defuzzifikasi Proses defuzzifikasi dilakukan dengan metode centroid . Tahap ini, dilakukan dengan pengubahan terhadap himpunan fuzzy pada variabel input S Severity , O Universitas Sumatera Utara Occurance dan D Detection yang diperoleh dari komposisi output aturan fuzzy menjadi bilangan crisp tertentu, yaitu nilai FRPN. Solusi daerah fuzzy dapat dilihat pada gambar 5.30. 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 100 200 300 400 500 600 700 800 900 1000 0,25 0,50 0,75 1 A1 A2 A1 A3 A4 A5 A6 A7 N il ai D era ja t K ea nggot aa n µ [x] Nilai Fungsi Keanggotaan Domain Gambar 5.30. Solusi Daerah F uzzy untuk Input S=5, O=6 dan D=2 Untuk memperoleh nilai crisp x, dilakukan dengan membagi daerah menjadi empat bagian dengan luas masing-masing A1, A2, A3 dan A4. Momen terhadap nilai keanggotaan masing-masing adalah M1, M2, M3 dan M4. Rumus untuk menghitung nilai crisp titik pusat yaitu : Titik Pusat = Momen Luas = M A Ket : -M adalah momen terhadap nilai keanggotaan -A adalah luas masing-masing daerah solusi fuzzy Universitas Sumatera Utara Perhitungan nilai momen M: M1 = 233 200 233 200 = 1208,79 M2 = 325 233 = 8470,44 M3 = 367 325 367 325 = 6746,46 M4 = 433 367 = 17688 M5 = 475 433 475 433 = 10358,46 M6 = 650 475 = 24609,375 M7 = 700 650 700 650 = -4166,66 Perhitungan nilai luas A: A1 = Alas Tinggi 2 = 233-200 0,33 2 = 5,445 A2 = Panjang x Lebar = 325 – 233 x 0,33 = 30,36 A3 = Jumlah isi ejajar Tinggi 2 = 0,33 0,67 367-325 2 = 21 Universitas Sumatera Utara A4 = Panjang x Lebar = 433 – 367 x 0,67 = 44,22 A5 = Jumlah isi ejajar Tinggi 2 = 0,67 0,25 475-433 2 = 19,32 A6 = Panjang x Lebar = 650 – 475 x 0,25 = 43,75 A7 = Alas Tinggi 2 = 700-650 0,25 2 = 6,25 Perhitungan titik pusat: Titik Pusat = Momen M Luas A = 1208,79 8470,44 6746,46 17688 10358,46 24609,375 -4166,66 5,445 30,36 21 44,22 19,32 43,75 6,25 = 64914,865 170,355 = 381,056 Maka, hasil evaluasi variabel input proses FMEA untuk nilai S=5, O=6, D=2 adalah 381,056. Hasil FRPN dapat diliha pada tabel 5.27. berikut : Universitas Sumatera Utara Tabel 5.27. F uzzy FMEA Produk Pakan Ternak Ayam Crumble Mode Kegagalan Efek Kegagalan Penyebab Kegagalan Metode Deteksi FRPN Butiran Hancur Tampilan produk jelek, sehingga mengganggu fungsi produk secara keseluruhan, produk tidak diterima oleh konsumen dan penggunaan butiran yang hancur dapat diproduksi ulang rework Proses penggilingan tidak halus Periksa mesin penggilingan sebelum dilakukannya proses produksi 783,860 Mesin penyaringan tidak bekerja optimal Periksa setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang tersangkut 712,362 Butiran Belang Tampilan produk tidak menarik, produk pasti dikembalikan oleh konsumen dan penggunaan butiran yang belang 100 dapat diproduksi ulang rework Proses steam uap tidak stabil Memperhatikan temperatur pada suhu yang tepat 131,097 Computer comco sering error menghambat proses produksi Periksa apakah computer comco dalam kondisi yang baik atau tidak 381,056 Universitas Sumatera Utara Berdasarkan tabel 5.27, diperoleh nilai FRPN tertinggi sebesar 783,860 dengan penyebab kegagalan yaitu proses penggilingan tidak halus, yang merupakan jenis kegagalan yang dijadikan sebagai prioritas pertama untuk segera dilakukan perbaikan. 5.2.4. Improve Usulan Perbaikan Pada tahapan ini dilakukan penetapan rencana tindakan atau usulan perbaikan untuk melakukan peningkatan kualitas. Pada dasarnya rencana-rencana tindakan akan mendeskripsikan tentang alokasi sumber-sumber daya serta prioritas danatau alternatif yang dilakukan dalam implementasi dari rencana tersebut. Perbaikan dilakukan terhadap semua sumber yang berpotensi untuk menciptakan produk cacat berdasarkan hasil analisis diagram sebab akibat cause and effect diagram dan prioritas tindakan perbaikan didasarkan pada nilai FRPN fuzzy risk priotity number hasil dari analisi fuzzy FMEA.

5.2.4.1. Faktor Manusia Operator

Faktor manusia merupakan salah satu penyebab terjadinya kecacatan produk pakan ternak ayam crumble . Oleh karena itu diperlukan beberapa perbaikan terhadap kinerja dari manusiaoperator, sehingga potensi yang menyebabkan kecacatan dapat dicegah, yaitu dengan : Universitas Sumatera Utara 1. Memeriksa mesin penggilingan hammer mill sebelum dilakukannya proses produksi, sehingga dapat diketahui mesin penggilingan telah bekerja dalam keadaan optimal atau belum. 2. Memeriksa setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang masih tersangkut dan tidak menghalangi kelancaran selama proses produksi. 3. Memperhatikan dan diawasi temperatur yang tertera pada mesin steam agar tetap dalam suhu yang tepat. 4. Memeriksa computer comco sebagai pengatur semua mesin dalam kondisi yang baik atau tidak, karena bisa menganggu jalannya proses produksi. 5. Melakukan pemeriksaan takaran yang tepat pada saat pencampuran bahan pakan, sehingga produk yang dihasilkan sesuai dengan standar mutu yang telah ditetapkan perusahaan.

5.2.4.2. Faktor Metode

Faktor metode merupakan salah satu penyebab terjadinya kecacatan produk pakan ternak ayam crumble . Perbaikan yang perlu dilakukan pada faktor metode ini adalah perusahaan membuat jadwal produksi yang tepat untuk setiap jenis produknya, agar tidak terjadi jadwal yang tidak teratur dan mengganggu proses produksi dengan hanya berpatokan pada kejar target. Universitas Sumatera Utara

5.2.4.3. Faktor Mesin

Faktor mesin merupakan salah satu penyebab terjadinya kecacatan produk pakan ternak ayam crumble . Oleh karena itu diperlukan beberapa perbaikan terhadap mesin agar bekerja optimal, sehingga potensi yang menyebabkan kecacatan dapat dicegah, yaitu dengan : 1. Melakukan maintenance secara berkala terhadap mesin penggilingan hammer mill , apabila ada yang bermasalah pada mesin hammer mill dilakukan pergantian elemen-elemen ataupun roll yang terdapat pada mesin tersebut. Agar bekerja optimal selama berjalannya proses produksi. 2. Melakukan maintenance secara berkala terhadap mesin penyaringan dan dibersihkan setiap bagian-bagian mesin penyaringan agar tidak adanya sisa- sisa bahan yang masih tersangkut agar tidak menghalangi kelancaran selama proses produksi. 3. Melakukan maintenance secara berkala terhadap mesin computer comco dan sistem program PLC sebagai pengatur semua mesin dalam kondisi yang baik atau tidak, karena bisa menganggu jalannya proses produksi.

5.2.4.4. Faktor Material

Faktor material merupakan salah satu penyebab terjadinya kecacatan produk pakan ternak ayam crumble . Dilakukan perbaikan berupa pemeriksaan setiap kadar bahan baku sudah sesuai standar atau belum, sebelum dilakukan proses Universitas Sumatera Utara pencampuran antar bahan maupun sebelum masuk proses produksi, agar produk yang dihasilkan sesuai dengan spesifikasi perusahaan. 5.2.5. Control Pada tahap c ontrol , hasil-hasil peningkatan kualitas didokumentasikan dan disebarluaskan, praktek-praktek terbaik yang sukses dalam meningkatkan proses distandarisasikan dan disebarluaskan, prosedur-prosedur didokumentasikan dan dijadikan pedoman kerja standar, serta kepemilikan atau tanggung jawab ditransfer dari tim Six Sigma kepada pemilik atau penanggung jawab proses. Tujuan dilakukannya control , supaya kegagalan yang pernah terjadi tidak terulang lagi. Tindakan yang telah dilakukan yaitu : 1. Memeriksa mesin penggilingan hammer mill sebelum dilakukannya proses produksi dan dilakukan maintenance secara berkala terhadap, apabila ada yang bermasalah pada mesin hammer mill dilakukan pergantian elemen-elemen ataupun roll yang terdapat pada mesin tersebut. Agar bekerja optimal selama berjalannya proses produksi. 2. Memeriksa setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang masih tersangkut dan maintenance secara berkala terhadap mesin penyaringan dan dibersihkan setiap bagian-bagian mesin penyaringan agar tidak adanya sisa-sisa bahan yang masih tersangkut agar tidak menghalangi kelancaran selama proses produksi. Universitas Sumatera Utara 3. Memperhatikan dan diawasi temperatur yang tertera pada mesin steam agar tetap dalam suhu yang tepat 4. Memeriksa computer comco sebagai pengatur semua mesin dalam kondisi yang baik atau tidak, karena bisa menganggu jalannya proses produksi dan dilakukan maintenance secara berkala terhadap mesin computer comco dan sistem program PLC sebagai pengatur semua mesin dalam kondisi yang baik atau tidak, karena bisa menganggu jalannya proses produksi. 5. Melakukan pemeriksaan takaran yang tepat pada saat pencampuran bahan pakan, sehingga produk yang dihasilkan sesuai dengan standar mutu yang telah ditetapkan perusahaan. 6. Melakukan perhitungan DPMO dan nilai sigma secara berkala tiap periodenya untuk mengetahui kemampuan proses dalam menghasilkan produk tanpa cacat per satu juta kesempatan. 7. Melakukan perhitungan peta kontrol untuk mengetahui kestabilan proses secara berkala tiap periodenya. Universitas Sumatera Utara

BAB VI ANALISIS PEMECAHAN MASALAH

6.1. Analisis Tahap

Define Pada penelitian ini fokus penelitian hanya pada jenis pakan ternak ayam crumble butiran dikarenakan banyak dilakukan aktivitas rework untuk produk ini. Dari hasil wawancara, dokumentasi perusahaan dan pengumpulan data langsung dengan menggunakan kuesioner terbuka dapat diketahui terdapat 3 jenis CTQ Critical To Quality yaitu butiran belang, butiran basah dan butiran hancur.

6.1.2. Analisis Tahap

Measure 6.1.2.1.Analisis DPMO Defect Per Million Oppurtinities dan Nilai Sigma Adapun hasil perhitungan nilai DPMO dan nilai six sigma dapat dilihat pada tabel 6.1. Tabel 6.1. Hasil Perhitungan Nilai DPMO dan Nilai Sigma No. Bulan Nilai DPMO Nilai Sigma 1 Agustus 2014 7.542 3,93 2 September 2014 6.299 3,99 3 Oktober 2014 7.899 3,91 4 November 2014 5.994 4,01 5 Desember 2014 4.990 4,08 6 Januari 2015 7.167 3,95 7 Februari 2015 6.18 4,00 8 Maret 2015 8.489 3,89 9 April 2015 8.468 3,89 Universitas Sumatera Utara