PENENTUAN WAKTU OPTIMUM PREVENTIVE …
Transcript of PENENTUAN WAKTU OPTIMUM PREVENTIVE …
i
1 HALAMAN SAMPUL DEPAN
TUGAS AKHIR – SS141501
PENENTUAN WAKTU OPTIMUM PREVENTIVE MAINTENANCE PADA MESIN PELLET MILL DI PT JAPFA COMFEED INDONESIA, Tbk UNIT MARGOMULYO MENGGUNAKAN METODE GEOMETRIC PROCEES ZAHRINA LUTHFI RAUDINA NRP 062114 4000 0070 Dosen Pembimbing Dr. Drs. Agus Suharsono, M.S Drs. Haryono, M.SIE PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
ii
i
2 HALAMAN SAMPUL DALAM
TUGAS AKHIR – SS141501
PENENTUAN WAKTU OPTIMUM PREVENTIVE MAINTENANCE PADA MESIN PELLET MILL DI PT JAPFA COMFEED INDONESIA, Tbk UNIT MARGOMULYO MENGGUNAKAN METODE GEOMETRIC PROCEES ZAHRINA LUTHFI RAUDINA NRP 062114 4000 0070 Dosen Pembimbing Dr. Drs. Agus Suharsono, M.S Drs. Haryono, M.SIE PROGRAM STUDI SARJANA DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA, KOMPUTASI, DAN SAINS DATA INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
ii
iii
3
ALAMAN SAMPUL DTITLE PAGE
FINAL PROJECT – SS141501
DETERMINATION OF PREVENTIVE MAINTENANCE OPTIMUM TIME FOR PELLET MILL MECHINE USING GEOMETRIC PROCESS IN PT JAPFA COMFEED INDONESIA, Tbk. UNIT MARGOMULYO
ZAHRINA LUTHFI RAUDINA SN 062114 4000 0070 Supervisors Dr. Drs. Agus Suharsono, M.S Drs. Haryono, M.SIE UNDERGRADUATE PROGRAMME DEPARTEMEN OF STATISTICS FACULTY OF MATHEMATICS, COMPUTING, AND DATA SCIENCE INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2018
iv
v
LEMBAR PENGESAHAN
PENENTUAN WAKTU OPTIMUM PREVENTIVE
MAINTENANCE PADA MESIN PELLET MILL DI PT
JAPFA COMFEED INDONESIA, Tbk UNIT
MARGOMULYO MENGGUNAKAN METODE
GEOMETRIC PROCESS
TUGAS AKHIR
Diajukan Untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Sains
pada
Program Studi Sarjana Departemen Statistika
Fakultas Matematika, Komputasi, dan Sains Data
Institut Teknologi Sepuluh Nopember
Oleh :
Zahrina Luthfi Raudina
NRP. 062114 4000 0070
Disetujui oleh Pembimbing:
Dr. Drs. Agus Suharsono, M.S ( )
NIP. 19580823 198403 1 003
Drs. Haryono, M.SIE ( )
NIP. 19520919 197901 1 001
Mengetahui,
Kepala Departemen
Dr. Suhartono
NIP. 19710929199512 1 001
SURABAYA,JULI 2018
vi
vii
PENENTUAN WAKTU OPTIMUM PREVENTIVE
MAINTENANCE PADA MESIN PELLET MILL
DI PT JAPFA COMFEED INDONESIA, Tbk UNIT
MARGOMULYO MENGGUNAKAN METODE
GEOMETRIC PROCESS
Nama : Zahrina Luthfi Raudina
NRP : 062114 4000 0070
Departemen : Statistika FMKSD-ITS
Dosen Pembimbing : Dr. Drs. Agus Suharsono, M.S
Drs. Haryono, M.SIE
Abstrak PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo merupakan
perusahaan yang berfokus pada kebutuhan pakan ternak khususnya
ternak ayam broiler. Proses produksi pakan ternak dibantu oleh
beberapa mesin salah satunya adalah mesin Pellet Mill. Mesin Pellet
Mill merupakan mesin yang berfungsi untuk pembentukan pellet pada
pakan ternak. Beberapakali mesin Pellet Mill mengalami kerusakan
ditengah proses produksi, sehingga mengganggu proses produksi. Jika
mesin mengalami kerusakan, perusahaan akan melakukan corrective
maintenance atau perbaikan. Perbaikan pada mesin tidak selamanya
efisien karena semakin sering mesin mengalami perbaikan maka
keandalan mesin akan semakin menurun dan laju kerusakan semakin
meningkat seiring bertambahnya waktu. Penelitian ini bertujuan untuk
menentukan waktu optimum perusahaan melakukan tindakan
pemeliharaan pada mesin Pellet Mill 5.12 dan 8.12 berupa pengecekan
seluruh komponen dan melakukan penggantian komponen utama yaitu
Die Press. Metode yang digunakan pada penelitian ini adalah
Geometric Process yang menyatakan bahwa setelah mesin mengalami
perbaikan maka dianggap memiliki kinerja dan keandalan yang
menurun secara linier. Hasil penelitian menunjukkan waktu optimum
untuk pemeliharaan mesin Pellet Mill 5.12 adalah pada kerusakan ke-
8 dengan estimasi rata-rata biaya jangka panjang sebesar Rp
3.812.096 perjam dan pada mesin Pellet Mill 8.12 pada kerusakan ke-
7 dengan estimasi rata-rata biaya jangka panjang Rp 7.344.398
perjam.
Kata Kunci : Geometric Process, Mesin Pellet Mill, Preventive
Maintenance.
viii
(Halaman ini sengaja dikosongkan)
ix
DETERMINATION OF PPREVENTIVE MAINTENANCE
OPTIMUM TIME FOR PELLET MILL MECHINE USING
GEOMETRIC PROCESS IN PT JAPFA COMFEED
INDONESIA, Tbk. UNIT MARGOMULYO
Name : Zahrina Luthfi Raudina
SN : 062114 4000 0070
Department : Statistics FMKSD-ITS
Supervisors : Dr. Drs. Agus Suharsono, M.S
Drs. Haryono, M.SIE
Abstract PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo is a company that
focuses on animal feed needs, especially broiler chickens. Livestock
feed production process is assisted by several machines, one of them is
Pellet Mill machine. Pellet Mill machine is machine that serves to form
animal feed into pellet. Some of Pellet Mill machines are damaged
during production process, thus disrupting the production process. If
the machine is damaged, the company will perform corrective
maintenance or repair it. Repairing the engine is not always efficient
because the more often the machine is repaired then the reliability of
the machine will decrease and the rate of damage will increase along
time. This study aims to determine the optimum time for the company to
take preventive maintenance on the Pellet Mill 5.12 and 8.12 in the form
of checking all components and perform component replacement. The
method used in this study is Geometric Process which states that after
the machine has repaired then considered its performance and
reliability would be decreases linearly. The result showed that the
optimum time for preventive maintenance of Pellet Mill 5.12 was on the
the 8th damage with the estimated cost of Rp 3.812.096 and the Pellet
Mill 8.12 machine on the 7th damage with the estimated cost of Rp
7.344.398 Keywords : Geometric Process, Mesin Pellet Mill, Preventive
Maintenance.
x
(Halaman ini sengaja dikosongkan)
xi
KATA PENGANTAR
Puji syukur kepada kehadirat Allah SWT yang telah
memberikan rahmat, hidayah, karunia serta pertolongan-Nya
yang tak pernah henti diberikan, sehingga penulis dapat
menyelesaikan laporan Tugas Akhir dengan judul “Penentuan
Waktu Optimum Preventive Maintenance pada Mesin Pellet
Mill di PT Japfa Comfeed Indonesia, Tbk Unit Margomulyo
Menggunakan Metode Geometric Process” dengan baik,
lancar, dan tepat waktu.
Penyusunan laporan Tugas Akhir ini dapat diselesaikan
bukan tanpa bantuan serta dukungan dari berbagai pihak. Oleh
karena itu, penulis ingin menyampaikan rasa terimakasih yang
sebesar-besarnya kepada:
1. Ayah penulis Moch. Rusmadi, ibu penulis Yayuk
Nurhayati, adik penulis Aditya Aqilathif, yang telah
memberikan dukungan, doa, dan nasehat untuk penulis
sehingga menjadi motivasi dan penyemangat penulis
dalam menghadapi kesulitan dan menyelesaikan laporan
Tugas Akhir ini.
2. Bapak Dr. Drs. Agus Suharsono, M.S dan Bapak Drs.
Haryono, M.SIE selaku dosen pembimbing yang telah
membimbing, memberikan waktu, serta arahan dan
masukan dalam penyusunan laporan Tugas Akhir ini.
3. Ibu Diaz Fitra Aksioma, M.Si dan Ibu Ni Luh Putu
Setyaning P. Paramitha, S.Si.,M.Sc. selaku dosen penguji
yang telah memberikan kritikan serta saran demi
kesempurnaan tugas akhir ini.
4. Pak Andrea Pradhana, Pak Hari W., dan Pak Heru S.
selaku pembimbing penulis di lapangan yang sangat
ramah, mau membagikan ilmu kepada penulis dan
membantu dalam proses penyusunan laporan Tugas Akhir
ini.
5. Eka Auliya, Anisa Nur Fadilah, Carianto, dan Dedi
Setiawan yang telah membantu penulis, memberikan
saran, dan motivasi dalam proses pengerjaan Tugas Akhir
ini.
xii
6. Octavianta, Lilik, Salafiyah, Intan Nurul, Ulfi, dan Endah,
yang telah menemani penulis dari awal kuliah, memberi
kesan saat masa kuliah, dan memberi semangat serta
motivasi kepada penulis untuk menyelesaikan laporan
Tugas Akhir ini.
7. Intan, Erlin, Tanti, Ajeng, Fatchi, Nikita, Ikacipta, dan
Aini yang telah membuat masa kuliah penulis lebih
berwarna dan bermakna.
8. Nintia, Kiki, Amel, Ima, dan Prima sahabat-sahabat
penulis sejak SMP yang bersama-sama sedang meraih
cita-cita, seling mendukung,dan selalu ada hingga penulis
dapat menyeleaikan masa studi.
9. Semua pihak yang telah membantu dalam penulisan
laporan Tugas Akhir ini, yang tidak dapat penulis sebutkan
satu per satu.
Penulis menyadari bahwa Tugas Akhir ini masih jauh dari kata
sempurna, sehingga saran dan kritik dari segala pihak yang
bersifat membangun sangat penulis harapkan demi
kesempurnaan penulis selanjutnya.
Surabaya, Juli 2018
Penulis
xiii
4 DAFTAR ISI HALAMAN DEPAN ................................................................. i
TITLE PAGE ............................................................................ iii
LEMBAR PENGESAHAN ...................................................... v
KATA PENGANTAR ............................................................. xi
DAFTAR ISI .......................................................................... xiii
DAFTAR GAMBAR .............................................................. xv
DAFTAR TABEL ................................................................. xvii
DAFTAR LAMPIRAN ......................................................... xix
BAB I PENDAHULUAN ........................................................ 1
1.1 Latar Belakang .................................................................... 1
1.2 Rumusan Masalah............................................................... 5
1.3 Tujuan ................................................................................. 5
1.4 Manfaat ............................................................................... 5
1.5 Batasan Masalah ................................................................. 6
BAB II TINJAUAN PUSTAKA ............................................. 7
2.1 Strategi Pemeliharaan ......................................................... 7
2.2 Stochastic Process .............................................................. 7
2.3 Geometric Poisson (GP) ..................................................... 9
2.4 Pemeriksaan Trend dengan Laplace ................................. 10
2.5 Estimasi Parameter Geometric Process ............................ 10
2.6 Uji Geometric Process (GP) ............................................. 11
2.7 Estimasi Mean dan Variansi dari Gn ................................. 12
2.8 Kebijakan Waktu Optimal (Penggantian) ......................... 13
2.9 Proses Produksi di PT Japfa Comfeed Indonesia, Tbk
Unit Margomulyo ............................................................. 14
2.9.1 Proses Pelleting dengan mesin Pellet Mill di PT
Japfa Comfeed Indonesia, Tbk Unit Margomulyo .... 16
BAB III METODOLOGI PENELITIAN ............................ 19
3.1 Sumber Data ..................................................................... 19
3.2 Variabel Penelitian ........................................................... 19
3.3 Langkah Analisis .............................................................. 19
3.4 Diagram Alir ..................................................................... 21
BAB IV ANALISIS DAN PEMBAHASAN ......................... 23
4.1 Karakteristik Data Mesin Pellet Mill ................................ 23
4.2 Pemeriksaan Trend Data Umur Mesin dan Lama Waktu
Perbaikan Mesin Pellet Mill ............................................. 25
xiv
4.3 Estimasi Parameter ln 𝑟, 𝛼, 𝜎𝑒2 untuk Umur Mesin dan
Lama Waktu Perbaikan Pellet Mill ................................... 26
4.4 Pengujian Geometric Process Umur Mesin dan Lama
Perbaikan Mesin Pellet Mill ............................................. 27
4.5 Estimasi Rata-rata Umur Mesin dan Lama Perbaikan
Mesin Pellet Mill .............................................................. 28
4.5.1 Estimasi Rata-rata Umur Mesin Pellet Mill .............. 28
4.5.2 Estimasi Rata-rata Lama Perbaikan Mesin Pellet
Mill ............................................................................ 30
4.6 Penentuan Waktu Kebijakan Optimum Preventive
Maintenance ..................................................................... 31
BAB V KESIMPULAN DAN SARAN ............................... 37
5.1 Kesimpulan ....................................................................... 37
5.2 Saran ................................................................................. 37
DAFTAR PUSTAKA ............................................................. 39
LAMPIRAN
BIODATA PENULIS
xv
DAFTAR GAMBAR
Gambar 2. 2 Alur Proses Produksi ......................................... 15 Gambar 2. 3 Mesin Pellet Mill ............................................... 17
Gambar 3. 1 Diagram Alir ..................................................... 21
Gambar 4. 1 Plot Kumulatif Umur Mesin (t) dan Banyaknya
Kerusakan n(t) Mesin Pellet Mill 5.12 (a) dan
Pellet Mill 8.12 (b) ............................................ 24 Gambar 4. 2 Plot Jumlah Kerusakan (N) dengan Rata-rata
Biaya Mesin Pellet Mill 5.12............................. 33 Gambar 4. 3 Plot Jumlah Kerusakan (N) dengan Rata-rata
Biaya Perawatan Mesin Pellet Mill 8.12 ........... 35
xvi
(Halaman ini sengaja dikosongkan)
xvii
5 DAFTAR TABEL
Tabel 3. 1 Struktur Data Penelitian ....................................... 19
Tabel 4. 1 Statistika Deskriptif Umur Mesin dan Lama
Waktu Perbaikan .................................................. 23 Tabel 4. 2 Nilai Laplace Umur Mesin dan Lama Waktu
Perbaikan Pellet Mill ........................................... 25 Tabel 4. 3 Estimasi Parameter Umur Mesin dan Lama
Waktu Perbaikan Pellet Mill ................................ 26 Tabel 4. 4 Statistik Uji Lama mesin bekerja Pellet Mill ....... 28 Tabel 4. 5 Estimasi Mean Umur Mesin Pellet Mill .............. 28 Tabel 4. 6 Estimasi Rata-rata Mesin Pellet Mill Bekerja
Baik ...................................................................... 29 Tabel 4. 7 Estimasi Mean Lama Perbaikan Mesin Pellet
Mill ....................................................................... 30 Tabel 4. 8 Estimasi Rata-rata Mesin Pellet Mill Mengalami
Perbaikan ............................................................. 30 Tabel 4. 9 Estimasi Biaya ..................................................... 31 Tabel 4. 10 Rata-rata Biaya Perawatan Mesin Pellet Mill
5.12 Jangka Panjang Per-Jam .............................. 32 Tabel 4. 11 Rata-rata Biaya Perawatan Mesin Pellet Mill
8.12 Jangka Panjang Per-Jam .............................. 34
xviii
(Halaman ini sengaja dikosongkan)
xix
6 DAFTAR LAMPIRAN
LAMPIRAN 1 Data Umur mesin dan Lama Perbaikan
Mesin Pellet Mill 1 LAMPIRAN 2 Data Umur mesin dan Lama Perbaikan
Mesin Pellet Mill 2 LAMPIRAN 3 Syntax Pemerikasaan Trend Laplace Umur
Mesin dan Lama Waktu Perbaikan Mesin
Pellet Mill 5.12 dan 8.12 (MATLAB) LAMPIRAN 4 Output Pemerikasaan Trend Laplace Umur
Mesin dan Lama Waktu Perbaikan Mesin
Pellet Mill 5.12 (MATLAB) LAMPIRAN 5 Output Pemerikasaan Trend Laplace Umur
Mesin dan Lama Waktu Perbaikan Mesin
Pellet Mill 8.12 (MATLAB) LAMPIRAN 6 Syntax Parameter, Uji Geometric Process,
dan Estimasi Mean Umur Mesin dan Lama
Perbaikan Mesin Pellet Mill 5.12 LAMPIRAN 7 Output Parameter, Uji Geometric Process,
dan Estimasi Mean Umur Mesin dan Lama
Perbaikan Mesin Pellet Mill 5.12 LAMPIRAN 8 Output Parameter, Uji Geometric Process,
dan Estimasi Mean Umur Mesin dan Lama
Perbaikan Mesin Pellet Mill 8.12 LAMPIRAN 9 Syntax Optimasi Waktu Pemeliharaan
(Preventive Maintenance) Mesin Pellet
Mill 5.12 (MATLAB) LAMPIRAN 10 Output Optimasi Waktu Pemeliharaan
(Preventive Maintenance) Mesin Pellet
Mill 5.12 (MATLAB) LAMPIRAN 11 Output Optimasi Waktu Pemeliharaan
(Preventive Maintenance) Mesin Pellet
Mill 8.12 (MATLAB) LAMPIRAN 12 Estimasi Parameter 𝜶 dengan OLS LAMPIRAN 13 Estimasi Parameter ln𝒓 dengan OLS
LAMPIRAN 13 A Estiimasi Parameter ln𝒓 dengan OLS
(Lanjutan)
xx
(Halaman ini sengaja dikosongkan)
1
1 BAB I
PENDAHULUAN
1.1 Latar Belakang
Pada saat ini, industri peternakan terutama ayam ras
pedaging (broiler) dari tahun ketahun terus mengalami
peningkatan. Berdasarkan data dari BPS (2017), Indonesia mampu
memproduksi 1,68 juta ayam broiler atau meningkat 4% dari tahun
2015. Peningkatan tersebut akan diiringi dengan meningkatnya
kebutuhan pakan ternak. Dinas Peternakan Provinsi Jawa Timur
menyebutkan bahwa kontribusi yang paling besar dari biaya
produksi peternakan adalah pakan ternak yaitu sebesar 70-80%.
Hal ini yang menyebabkan perusahaan penghasil pakan ternak
harus mampu bersaing dalam meningkatkan kapasitas produksi
agar memenuhi kebutuhan konsumen, salah satunya PT Japfa
Comfeed Indonesia, Tbk Unit Margomulyo.
PT Japfa Comfeed Indonesia, Tbk merupakan perusahaan
pakan ternak terbesar dan terkemuka di Indonesia. PT Japfa
Comfeed Indonesia, Tbk memiliki beberapa pabrik yang salah
satunya berada di Surabaya atau disebut dengan PT Japfa Comfeed
Indonesia, Tbk Unit Margomulyo. Unit Margomulyo berfokus
pada kebutuhan pakan ternak khususnya ternak ayam broiler.
Produk yang dihasilkan berupa pakan ternak dengan jenis pellet
dan crumble (potongan pellet). Selain memenuhi permintaan pasar
pakan ternak, PT Japfa Comfeed Indonesia, Tbk Unit Margomulyo
harus tetap mempertahankan dan menjaga kualitas produk yang
dihasilkan. Seperti visi, misi yang disampaikannya yaitu menjadi
penyedia terkemuka dan terpercaya di bidang produk pangan
berprotein terjangkau di Indonesia, berlandaskan kerjasama dan
pengalaman teruji, dalam upaya memberikan manfaat bagi seluruh
pihak terkait (PT Japfa Comfeed Indonesia, Tbk, 2015).
Kualitas produksi pada perusahaan manufaktur
merupakan hal yang sangat penting dan dianggap sebagai
tolok ukur kesuksesan suatu produk. Menurut Ariani (2004),
bagi perusahaan manufaktur selain menekankan pada produk
yang dihasilkan, perusahaan juga perlu memperhatikan
kualitas pada proses produksi. Salah satu yang menunjang
2
kualitas proses produksi adalah adanya suatu proses yang
baik, meliputi mesin-mesin yang berada dalam sebuah
sistem. Proses produksi pakan ayam broiler di PT Japfa Comfeed
Indonesia, Tbk Unit Margomulyo dibagi menjadi beberapa section
yaitu intake, dosing, press, dan finish produk. Section intake
dimulai dari mempersiapkan bahan baku atau material nabati.
Kemudian dilanjut dengan section dosing yaitu menimbang bahan
baku, mengaluskan bahan baku, dan mencampur seluruh bahan
baku dengan vitamin. Section press merupakan bagian proses
untuk mengubah bahan tepung menjadi bentuk pellet dan atau
crumble. Kemudian section finish product merupakan proses
pengemasan produk kedalam karung yang kemudian dijahit dan
disusun kedalam bentuk palet. Masing-masing section didukung
oleh mesin-mesin yang bekerja untuk mendukung proses produksi.
Mesin merupakan komponen pokok dalam proses produksi
terutama untuk perusahaan manufaktur (Fadhil & Mashuri, 2016).
Mesin dikatakan baik bila menghasilkan output yang maksimal
namun memiliki frekuensi kerusakan minimal. Berdasarkan hasil
aktual dilapangan, proses produksi di PT Japfa Comfeed Indonesia,
Tbk Unit Margomulyo sering mengalami downtime atau kegagalan
mesin produksi. Sementara mulai tahun 2018, perusahaan harus
meningkatkan produksi sebesar 50% (dibanding tahun 2017).
Akibatnya perusahaan mengalami kesulitan untuk memenuhi
target produksi. Section yang paling banyak mengalami downtime
adalah section press terutama pada mesin Pellet Mill. Mesin Pellet
Mill merupakan mesin yang berfungsi untuk mengubah bahan baku
berupa tepung menjadi bentuk pellet. Bahan baku atau material
yang sudah dihaluskan menjadi tepung akan diberi uap hingga 80-
850 C agar berubah menjadi gel. Tepung yang menjadi gel masuk
ke dalam mesin Pellet Mill untuk dipress hingga membentuk pellet
atau bentuk akhir dari produk. Dengan kata lain, mesin Pellet Mill
ini menentukan hasil akhir dari produksi.
Terdapat dua mesin Pellet Mill yang beroperasi secara
terpisah. Bila salah satu mesin mengalami kerusakan, maka mesin
Pellet Mill lain akan beroperasi lebih berat. Hal tersebut dapat
menyebabkan meningkatnya laju kerusakan mesin lain karena
3
kinerja mesin yang tidak seimbang. Terlebih sekarang lamanya
proses produksi di PT Japfa Comfeed Indonesia, Tbk Unit
Margomulyo berubah menjadi 24 jam. Meyebabkan mesin harus
beroperasi lebih lama dibandingkan sebelumnya.
Selama ini perawatan yang diterapkan oleh PT Japfa
Comfeed Indonesia, Tbk Unit Margomulyo adalah preventive
maintenance dengan tujuan untuk mengganti atau overhaul pada
mesin tersebut. Jadwal yang dilakukan untuk preventive
maintenance pada mesin Pellet Mill adalah 6 bulan sekali (satu
tahun 2 kali). Namun tak jarang tindakan corrective maintenance
dilakukan untuk perbaikan mesin yang mengalami kerusakan
(downtime) ditengah proses produksi. Perbaikan untuk mesin yang
mengalami kerusakan (downtime) tidak selamanya efisien. Jika
mesin yang mengalami kegagalan telah dilakukan beberapa kali
perbaikan, maka kehandalan mesin juga akan menurun serta laju
kerusakan yang terjadi semakin meningkat seiring bertambahnya
waktu (Rigdon & Basu, 2000). Hal ini mengakibatkan
bertambahnya waktu dan biaya yang dikeluarkan karena tingkat
kerusakan yang terus meningkat dan perbaikan tiap mesin Pellet
Mill yang dioperasikan berbeda-beda. Selain itu, perusahaan tidak
dapat memenuhi target produksi yang sudah ditetapkan. Kerugian
tersebut akibat kerusakan pada mesin Pellet Mill ditengah operasi
sehingga diperlukan adanya pengontrolan agar segera dilakukan
perbaikan atau penggantian komponen mesin guna mencegah
kerusakan (downtime)
Oleh sebab itu, statistika diterapkan sebagai bentuk
evaluasi untuk menentukan waktu optimum perbaikan atau
penggantian komponen mesin dan menentukan waktu preventive
yang optimal dengan meminimumkan biaya. Penelitian
sebelumnya oleh Krisnadi, Soemadi, dan Mustafa (2014),
menyatakan bahwa penggantian komponen roda pada lokomotif
kereta api DE CC201 seri 99 yang optimal adalah 54 hari dan
penggantian radiator adalah 23 hari. Penelitian tersebut memiliki
asumsi bahwa mesin yang rusak akan beroperasi seperti baru
kembali setelah dilakukan perbaikan atau dianggap as good as
new. Sementara permasalahan dalam pemeliharaan adalah banyak
mesin yang mengalami penurunan kinerja karena pengaruh
penuaan dan kausan. Dalam praktiknya, jika mesin semakin sering
4
digunakan, maka laju kerusakan mesin semakin meningkat seiiring
bertambahnya waktu serta mesin yang telah diperbaiki akan
memiliki kinerja dan keandalan yang menurun daripada mesin
baru. Seperti pada mesin Pellet Mill, meskipun sudah mendapatkan
preventive maintenance masih harus dilakukan corrective
maintenance dengan waktu yang berdekatan. Menurut Lam (1992)
dalam Leung & Fong (2000) permasalahan dalam mesin yang
mengalami penurunan kinerja setelah dilakukan perbaikan dapat
dimodelkan dengan Geometric Process.
Geometric Process menyatakan bahwa sistem yang
diperbaiki maka akan dianggap memiliki kinerja dan keandalan
yang menurun. Pada kejadian kerusakan, kerusakan mesin
dianggap sebagai random variabel N(t) atau jumlah kejadian yang
muncul dari sebuah kegagalan pada interval waktu tertentu (0,t).
Proses dari [N(t), t ≤ 0] disebut proses stokastik digunakan untuk
mengetahui hubungan dari runtutan peristiwa atau kejadian yang
bersifat tidak pasti seperti kejadian runtutan kerusakan mesin.
Apabila runtutan kejadian kerusakan mesin merupakan sistem
yang memiliki laju kerusakan yang menurun atau meningkat, maka
untuk memodelkan sistem tersebut dapat menggunakan metode
statistika yaitu Geometric Process. Menurut Lam (1992) dalam
Leung & Fong (2000) pendekatan dengan Geometric Process lebih
relevan dan realistis untuk memodelkan permasalahan penurunan
kinerja mesin setelah dilakukan perbaikan.
Leung & Fong (2000) melakukan penelitian untuk
menyelesaikan masalah perawatan dan penggantian gearbox bus.
Hasil penelitian tersebut mendapatkan waktu penggantian optimal
dengan meminimalkan biaya rata-rata jangka panjang perhari yang
ditentukan untuk setiap jenis gearbox. Selain itu, penelitian
mengenai kebijakan optimasi perbaikan atau penggantian dengan
pendekatan Geometric Process juga dilakukan oleh Puspita
Permatasari (2016) untuk komponen Air Cycle Machine (ACM)
pesawat terbang CRJ-1000. Didapatkan waktu untuk penggantian
komponen ACM adalah setelah terjadi kerusakan ke-4 dengan
meminimumkan biaya penggantian.
Dalam penelitian ini data yang digunakan merupakan data
sekunder mengenai data kerusakan mesin Pellet Mill. Berdasarkan
5
penelitian sebelumnya, dengan pendekatan Geometric Process
akan didapatkan penentuan waktu optimum perbaikan atau
penggantian mesin Pellet Mill di PT Japfa Comfeed Indonesia,
Tbk Unit Margomulyo sehingga memaksimalkan hasil produksi
dan mengurangi biaya perawatan mesin bagi perusahaan.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, mesin
Pellet Mill di PT Japfa Comfeed Indonesia, Tbk Unit Margomulyo
sering mengalami kerusakan mendadak ketika sedang beroperasi.
Padahal telah dilakukan perawatan atau maintenance terhadap
mesin tersebut setiap 6 bulan sekali. Terlebih, sekarang mesin
bekerja lebih lama dibandingkan dengan sebelumnya yaitu 16 jam
menjadi 24 jam. Hal ini menyebabkan laju kerusakan mesin
semakin meningkat seiiring bertambahnya waktu serta mesin yang
rusak akan diperbaiki dan memiliki kinerja dan keandalan yang
menurun. Akibatnya fatal yaitu turunnya kapasitas produksi. Oleh
karena itu diperlukan penelitian untuk memodelkan sistem yang
dianggap mengalami penurunan kinerja dan keandalan mesin
setelah diperbaiki menggunakan metode Geometric Process
sehingga dapat menentukan waktu perbaikan atau penggantian
yang optimum dengan meminimumkan biaya yang dapat
diterapkan pada mesin Pellet Mill di PT Japfa Comfeed Indonesia,
Tbk Unit Margomulyo.
1.3 Tujuan
Berdasarkan rumusan masalah yang telah disebutkan, tujuan
yang ingin dicapai yaitu untuk mengetahui waktu optimum
perbaikan atau penggantian mesin dengan biaya minimum pada
mesin Pellet Mill di Japfa Comfeed Indonesia Tbk, Unit
Margomulyo.
1.4 Manfaat
Pada penelitian ini diharapkan mampu memberikan
pertimbangan bagi pihak perusahaan dalam mengambil keputusan
dan menggunakan metode Geometric Process untuk mengetahui
waktu yang tepat dalam preventive maintenance berupa perbaikan
atau penggantian mesin Pellet Mill di PT Japfa Comfeed Indonesia,
Tbk Unit Margomulyo. Serta bagi pembaca diharapkan penelitian
6
ini dapat digunakan sebagai bahan belajar dari aplikasi metode
Geometric Process.
1.5 Batasan Masalah
Batasan masalah yang diterapkan pada penelitian ini adalah
sebagai berikut.
1. Mesin yang dianalisa yaitu mesin Pellet Mill 5.12 dan
Pellet Mill 8.12 pada PT Japfa Comfeed Indonesia, Tbk
Unit Margomulyo.
2. Diasumsikan mesin dioperasikan setiap hari.
3. Diasumsikan waktu kerusakan dan waktu perbaikan mesin
independen satu sama lain
4. Diasumsikan sebelumnya mesin tidak mengalami
kerusakan (X0 = 0)
7
2 BAB II
TINJAUAN PUSTAKA
2.1 Strategi Pemeliharaan
Strategi pemeliharaan adalah teknik/metode yang digunakan
untuk mencapai tingkat keandalan dan ketersediaan sistem yang
tinggi dengan biaya operasional yang minimal. Maka strategi
pemeliharaan sangatlah penting bagi suatu perusahaan untuk
menekan biaya yang harus dikeluarkan, karena kegiatan
pemeliharaan secara proporsional mempunyai konsekuensi
terhadap biaya keseluruhan operasi. Hal-hal penting dalam
penerapan strategi pemeliharaan adalah (Hamsi, 2009):
1. Frekuensi kerusakan dan pengeluaran biaya untuk perbaikan
termasuk upah.
2. Item-item yang dipilih harus benar-benar penting dan dapat
berakibat fatal untuk keseluruhan pabrik tersebut.
3. Penaksiran biaya-biaya pemeliharaan.
4. Melakukan pekerjaan sebanyak mungkin pada saat
pembongkaran pabrik tahunan(overhaul) dan efektifitas
kerja dari para mekanik harus tinggi selama dilakukannya
pembongkaran pabrik tahunan tersebut.
5. Meramalkan kerusakan-kerusakan yang akan terjadi.
6. Data yang dikumpul dari pabrik secara harian, periodik,
tahunan merupakan dasar informasi untuk sistim
pemeliharaan yang baik.
7. Pengawasan pekerjaan pemeliharaan harus merupakan suatu
pekerjaan yang terintegrasi.
Untuk itu perlu suatu jadwal pemeliharaan untuk setiap mesin dan
komponen.
2.2 Stochastic Process
Random variabel N(t) adalah jumlah kejadian yang muncul
dari sebuah kegagalan pada interval waktu (0,t). Proses dari [N(t)
,t = 0] yang disebut dengan stochastic prosess digunakan untuk
mengetahui hubungan dari suatu runtutan peristiwa atau proses
kejadian yang bersifat tidak pasti (Hoyland & Rausand, 1994).
Terdapat dua jenis sistem mesin yaitu repairable dan
nonrepairable. Repairable yaitu sebuah komponen dimana ketika
8
terjadi sebuah kerusakan maka komponen tersebut dapat diperbaiki
dengan beberapa proses perbaikan selain penggantian pada seluruh
sistem. Non-repairable jika mengalami kerusakan maka harus
diganti dengan komponen yang baru dalam artian komponen
tersebut tidak bisa diperbaiki (O'Connor, 2012).
2.1 Poisson Process
Jika sebuah komponen memiliki tingkat kerusakan konstan
(λ) atau rusak secara tiba-tiba maka secara langsung diperbaiki atau diganti ketika mengalami kerusakan. N adalah jumlah kejadian
yang muncul dari sebuah kegagalan pada interval waktu (0,t)
(Rigdon & Basu, 2000). Proses Poisson dibagi menjadi dua macam
yaitu proses poisson homogen dan proses poisson nonhomogen.
( )( ) ( )
!
nep x P N n
n
−
= = = (2.1)
Dimana n = 0, 1, 2, ... N
2.1.1 Homogeneous Poisson Process (HPP)
Proses Poisson Homogen atau Homogeneus Poisson
Processes (HPP) adalah proses Poisson dengan fungsi intensitas
konstan, dimana waktu kerusakan bersifat independen dan
berdistribusi exponensial dengan parameter yang sama yaitu
failure rate (λ) (Hoyland & Rausand, 1994).
( )[ ( ) ]
!
nnt
P N t n en
−= =
(2.2)
2.1.2 Non-Homogeneous Poisson Process (HPP)
Proses Poisson Non Homogen atau Non-Homogeneus
Poisson Processes (NHPP) adalah proses Poisson dengan fungsi intensitas tidak konstan dengan laju kerusakan terpengaruh waktu. NHPP merupakan model yang sederhana, dapat diaplikasikan untuk sistem dengan laju kerusakan yang menurun atau meningkat,
dengan menggunakan metode statistika yang relevan dan mudah
untuk diaplikasikan (Crowder, et.al, 1991). NHPP
menggambarkan proses kerusakan komponen yang memiliki pola
tertentu dengan jumlah kumulatif hingga waktu t adalah N(t).
9
2.3 Geometric Poisson (GP)
Analsis statistik dalam rangkaian kejadian atau untuk
memodelkan operasi yang berurutan dari sebuah sistem yang
diperbaiki, menurut Cox dan Lewis (1966) dalam Lam (1992)
metode yang umum adalah memodelkan dengan sebuah point
process. Jika data menunjukkan tidak ada trend, maka dapat
dimodelkan dengan stationary point process. Namun biasanya,
data antar waktu berturut-turut akan mengalami trend. Seperti
permasalahaan pemeliharaan, banyak mesin yang mengalami
penurunan kinerja karena pengaruh penuaan dan keausan. Dalam
praktiknya, setelah dilakukan perbaikan pada mesin, maka mesin
akan mengalami kinerja yang tidak sama atau penurunan kinerja
dibandingkan dengan mesin baru. Berdasarkan fenomena ini, Lam
(1998) dalam Leung & Fong (2000) pertama kali mengusulkan
sebuah pendekatan Geometric Process (GP) untuk memodelkan
fenomena tersebut. Dalam model tersebut, Lam meneliti dua
macam kebijakan penggantian, dimana yang pertama didasarkan
pada usia kerja mesin (T) dan yang lainnya didasarkan pada jumlah
kerusakan sebanyak N kali. Kebijakan optimal N atau T diperoleh
dengan meminimalkan rata-rata biaya jangka panjang (Wang &
Zhang, 2014)
Pendekatan Geometric Process (GP) dianggap lebih
realistis, relevan, dan langsung memodelkan karakteristik sistem
suatu mesin dan dapat memodelkan operasi mesin secara berturut-
turut (Leung & Fong, 2000). Menurut Lam (1988), terdapat dua
definisi Geometric Process (GP) yang diberikan sebagai berikut.
Definisi 1. Diberikan variabel random G1, G2, ... untuk r >
0, {rn-1 Gn, n = 1,2, ...} membentuk suatu Renewal Process (RP)
maka {Gn , n = 1, 2, ... } merupakan suatu Geometric Process (GP),
r disebut sebagai rasio atau parameter dari Geometric Proceess
(GP).
Definisi 2. Jika r > 1, maka Geometric Process (GP) tersebut
merupakan suatu Geometric Process (GP) yang menurun. Jika 0 <
r < 1, maka Geometric Process (GP) tersebut merupakan suatu
Geometric Process (GP) yang meningkat. Jika r = 1, maka
Geometric Process (GP) merupakan suatu Renewal Process (RP)
dengan
Gn = Geometric Process (Xn maupun Yn ) untuk n = 1,2, ... N
10
dimana
Xn = umur komponen setelah ke (n-1) perbaikan dengan X0 = 0
Yn = waktu perbaikan setelah n kerusakan untuk 1,2,3, ... N.
Komponen yang mengalami penurunan keandalan dapat
diasumsikan bahwa umur komponen membentuk Geometric
Process (GP) yang menurun, sedangkan waktu perbaikan akan
membentuk Geometric Process (GP) yang meningkat. Waktu
penggantian komponen pada umumnya bersifat skotastik, sehingga
tidak mempertimbangkan usia komponen.
2.4 Pemeriksaan Trend dengan Laplace
Suatu sistem yang bersifat Non-Homogeneus Poisson
Process (NHPP) memiliki trend kerusakan yang naik ataupun
turun. Menurut (Adams, 2017), salah satu pemeriksaan trend yang
dapat digunakan adalah nilai Laplace. Perhitungan nilai Laplace
mesin ke-k untuk time truncated data diberikan sebagai berikut.
(2.3)
dengan
1
n
n n
i
T G=
=
Dimana L merupakan pendekatan distribusi normal standar untuk
N > 3 dan T adalah time truncated yang telah ditentukan pada
sistem. Jika nilai L>0 maka data set kerusakan {G1,G2,G3,...,GN}
menunjukkan adanya trend naik, sedangkan jika nilai L < 0 maka data set
kerusakan {G1,G2,G3,...,GN} menunjukkan adanya trend turun (Adams,
2017).
2.5 Estimasi Parameter Geometric Process
Terdapat beberapa metode yang dapat digunakan untuk
estimasi parameter, salah satunya adalah ordinary linier square.
1
2
1
12( )
N
n
n
n
TT
NL
TN
= −
=
11
Lam (1988) dalam (Leung & Fong, 2000) menyatakan untuk
mengestimasi paramater model geometric procees dengan
persamaan regresi linier sederhana sebagai berikut.
ln ln ( 1)n nG r n e= − − + + (2.4)
untuk n=1,2,...,N
Dimana 𝑒𝑛 adalah bentuk error yang menjelaskan
pengaruh (effect) variabel dependen 𝑙𝑛𝐺𝑛 dan 𝑒𝑛 adalah variabel
random dengan mean 0 dan varians 𝜎𝑒2 untuk semua n=1,2,...,N.
Menurut Lam (1992) dalam (Leung & Fong, 2000),
estimasi estimasi titik menggunakan metode least square ln r, α,
dan 𝜎𝑒2 dihitung menggunakan formula
1 1
6ln ( 1) 2 ( 1) ln
( 1) ( 1)
N N
n n
n n
r N G n GN N N = =
= − − − − +
(2.5)
1
ln1
ln2
N
n
n
GN
rN
= − = +
(2.6)
( )
2
2 12
1 1 1
ln1 1
ln ln ln ( 1) ln2 2
N
nN N Nn
e n n n
n n n
GN
G r G n GN N
=
= = =
− = − − − − −
(2.7)
2.6 Uji Geometric Process (GP)
Untuk menguji apakah data berasal dari Geometric Process
(GP), Lam (1992) dalam Leung & Fong (2000) dengan hipotesis
sebagai berikut.
𝐻0: 𝑟 = 1 (rasio keandalan sama dengan 1 atau merupakan
renewal process)
𝐻1: 𝑟 ≠ 1 (rasio keandalan tidak sama dengan 1 atau merupakan
geometric process).
Statistik Uji:
ln ( 1) ( 1)
12e
r N N Nt
− − += (2.8)
t berdistribusi student-t dengan derajat bebas (𝑁 − 2).
12
Jika |t| > nilai kritis t(N-2);0.025, maka 𝐻0 ditolak pada level
signifikansi 5% yang berarti data set {𝐺1, 𝐺2, … , 𝐺𝑁} berasal dari
Geometric Process.
2.7 Estimasi Mean dan Variansi dari Gn
Pertama, estimasi mean dan variansi dari G1 dilakukan
dengan menggunakan estimator yang sesuai dengan nilai r yang
didapatkan. Persamaan yang digunakan adalah sebagai berikut
Lam (1992) dalam Leung & Fong (2000).
a. Jika rasio r > 1, estimasi mean dan variansi dari G1 sebagai
berikut.
( )1
1
1
ˆ1
ˆˆ1
N
n
nG N
r G
r
−
=
−
−
=−
(2.9)
Dan
( )1
2
1
21 1
2 1
ˆ
ˆ
ˆ1
Nn
nNn n
n
nG
r G
r GN
N
−
− =
=
−
=−
(2.10)
b. Jika 0 < r < 1, 1G diestimasi menggunakan persamaan
berikut ini.
1 1 1 1
2 2 2ˆ2 ln 2 0G G G G − − = (2.11)
Dimana 1
2ˆ ˆ dan G masing-masing ditentukan oleh
persamaan (2.6) dan (2.10).
c. Jika r = 1, estimasi 1G dan
1
2ˆG masing-masing ditentukan
sebagai berikut.
( )
1 1
2
121 1
ˆ
ˆ ˆ dan 1
N N
n n
n nG G
G G G
N N
= =
−
= =−
(2.12)
Kedua, estimasi mean dan varians dari Gn untuk n=2,3,...N dengan
menggunakan rumus sebagai berikut.
( )
221 1
1 2 1
ˆ ˆˆ ˆ dan
ˆ ˆn nG Gn n
G G
r r
− −= = (2.13)
13
2.8 Kebijakan Waktu Optimal (Penggantian)
Diberikan Zn merupakan waktu antara penggantian ke (n-1)
dan penggantian ke-n dengan Z0=0, maka {Zn, n=1,2,…}
membentuk renewal process. Menerapkan hasil yang telah
diketahui dari teori renewal sebagai berikut.
( )
( )
Total pendapatan yang diharapkan terjadi dalam siklus - Total biaya yang diharapkan
panjang siklus yang diharapkan
Biaya yang diharapkan terjadi dalam siklus
panjang siklus yang diharapkan
l N
l N
=
=
Rata-rata biaya jangka panjang diberikan sebagai berikut.
( )1 1
1 1
1
1 11 1
1
1 11 1
1 1
1 1
N N
f Y R Xn nn n
N N
X Y Rn nn n
c c wb a
l N
da b
−
− −= =
−
− −= =
+ −
=
+ +
(2.14)
Untuk N = 1,2,…
dengan :
Cf = Biaya rata-rata perbaikan
CR = Biaya rata-rata penggantian
𝛼 = Parameter Geometric Process umur mesin
b = Parameter Geometric Process lama waktu perbaikan
1X = rata-rata umur mesin setelah kerusakan pertama
1Y = rata-rata lama waktu perbaikan setelah kerusakan pertama
l(N) = biaya rata-rata jangka panjang, fungsi dari jumlah
kerusakan
Waktu penggantian untuk komponen rusak yang dapat
diperbaiki biasanya bersifat stokastik, sehingga tidak
mempertimbangkan berapa umur komponen yang digunakan,
maka akan membentuk renewal process. Untuk mempermudah
perhitungan, waktu penggantian diasumsikan diabaikan. Oleh
karena itu, w=1 dan dR = 0 sehingga persamaan (2.12) yaitu rata-
rata biaya jangak panjang (Lam, 1988) menjadi:
14
( )1 1
1 1
1
1 11 1
1
1 11 1
1 1
1 1
N N
f Y R Xn nn n
N N
X Yn nn n
c cb a
l N
a b
−
− −= =
−
− −= =
+ −
=
+
(2.15)
Kebijakan penggantian optimal ditentukan dengan
meminimalkan l1(N) terhadap N. Berikut ini adalah langkah-
langkah dalam menentukan kebijakan waktu penggantian yang
optimal.
1. Menghitung rata-rata biaya jangka panjang l1 (N) untuk N =
1,2,3, ... menggunakan persamaan (2.13)
2. Plot rata-rata biaya jangka panjang l1 (N) terhadap N,
kemudian dapat diperoleh waktu penggantian optimal yang
ditunjukkan oleh titik minimum pada kurva.
2.9 Proses Produksi di PT Japfa Comfeed Indonesia, Tbk
Unit Margomulyo
Proses produksi di PT Japfa Comfeed Indonesia, Tbk Unit
Margomulyo dibagi menjadi 4 section yaitu intake, dosing, press,
dan finish product. Produksi hanya dilakukan di satu lokasi atau
area. Berikut merupakan alur produksi pakan ternak di PT Japfa
Comfeed Indonesia, Tbk Unit Margomulyo.
15
Gambar 2. 1 Alur Proses Produksi
Keterangan :
1. Intake
Tahapan untuk memenuhi bin dengan bahan baku (nabati).
Sebelumnya melakukan pengecekan bahan baku secara visual (cek
jumlah, kontaminasi, dll).
2. Dosing
a. Dosing
Bahan baku dari bin ditimbang sesuai dengan formula yang
telah di-input oleh komputer dosing. Pada proses ini bahan baku
hewani langsung bercampur dengan bahan baku nabati yang telah
ditimbang.
b. Grinding
Proses mengancurkan atau menghaluskan bahan baku (nabati
dan hewani) yang telah di dosing menjadi tepung menggunakan
mesin hummer mill.
c. Mixing
Tepung yang telah dihaluskan dari mesin hummer mill masuk
kedalam mixer untuk dilakukan proses pencampuran. Di dalam
mixer tepung ditambah permix (vitamin), tepung batu, dan minyak.
3. Press
a. Pelleting
16
Tepung masuk ke bin press kemudian dengan mesin feeder
diarahkan ke conditioner untuk diberi uap. Tepung berubah
menjadi gel sehingga memudahkan untuk proses press hingga
menjadi bentuk pellet di mesin pellet mill.
b. Cooling
Hasil pellet yang masih dalam kondisi panas didingankan
didalam mesin cooler.
c. Crumble
Pellet yang telah dingin disalurkan ke mesin crumbler untuk
dipotong atau dipecah sesuai dengan bentuk yang diinginkan. Bila
menginginkan hasil produk berbentuk pellet maka mesin clumber
dinonaktifkan (pellet hanya melewati mesin crumbler). Terdapat 3
jenis yaitu fine crumble, crumble, dan coarse crumbel.
d. Pengayakan
Hasil crumble akan melewati 3 ayakan yang memisahkan
bentuk pellet, crumble, dan tepung. Bila masih berupa pellet maka
akan dikembalikan lagi ke mesin crumbler untuk dipotong atau
dipecah ulang. Bila dalam bentuk crumble maka dilanjutkan ke
proses finish produk. Dan bila dalam bentuk tepung maka
dikembalikan lagi ke bin press untuk diproses ulang.
4. Finish Product
a. Bagging off
Hasil pakan yang telah sesuai akan dikemas dengan karung
kemudian ditutup dengan cara dijahit. Pakan ternak dalam bentuk
karung akan disusun secara palet.
2.9.1 Proses Pelleting dengan mesin Pellet Mill di PT Japfa
Comfeed Indonesia, Tbk Unit Margomulyo
Proses pelleting dilakukan di dua line secara terpisah.
Mesin-mesin yang mendukung dalam proses tersebut adalah
feeder, conditioner, dan pellet mill. Tepung yang berasal dari mixer
dipindahkan ke bin press yang selanjutnya disalurkan ke hooper
atau tempat penampungan sementara. Selanjutnya tepung masuk
bin feeder untuk dilanjutkan ke mesin conditioner. Di dalam
conditioner dilakukan pemberian uap dengan tingkat suhu 80℃-
85℃. Tujuan dari pemberian uap ini adalah untuk pemasakan
tepung dan menjaga higienitas tepung dari bakteri-bakteri yang
ada. Selain itu, pemberian uap terhadap tepung merubah tekstur
17
dari tepung menjadi gel dan terasa lengket. Hal tersebut yang
memudahkan proses press menghasilkan pellet yang tidak mudah
pecah.
Di mesin pellet mill, tepung yang telah berubah tekstur dari
Conditioner jatuh ke dalam press die. Didalam die terdapat dua roll
berbentuk lingkaran yang berputar untuk menekan tepung (gel)
sehingga melewati lubang-lubang silinder yang mengelilingi die.
Diluar silinder terdapat pisau untuk memotong pelet yang keluar
dari silinder secara stationer sesuai dengan ukuran yang
diinginkan. Hasil pelet diteruskan ke mesin cooler. Terdapat dua
mesin pellet mill yaitu mesin Pellet Mill 5.12 dan mesin Pellet Mill
8.12.
(sumber : PT. Japfa Comfeed Indonesia, Tbk. Unit Margomulyo)
Gambar 2. 2 Mesin Pellet Mill
18
(Halaman ini sengaja dikosongkan)
19
3 BAB III
METODOLOGI PENELITIAN
3.1 Sumber Data
Data pada penelitian ini adalah data sekunder yang diperoleh
dari PT. Japfa Comfeed Indonesia, Tbk Unit Margomulyo. Data
merupakan data downtime mesin dan data lama waktu perbaikan
mesin Pellet Mill 5.12 dan Pellet Mill 8.12 pada tahun 2012-2017.
Data downtime dikonversikan menjadi data waktu antar kegagalan
yang dianggap sebagai lamanya mesin bekerja atau umur mesin.
3.2 Variabel Penelitian
Variabel yang digunakan dalam penelitian ini adalah
lamanya mesin bekerja (umur mesin) dalam satuan jam dan data
perbaikan kerusakan mesin (lama waktu perbaikan) dalam satuan
jam. Mesin yang akan dianalisa pada penelitian ini adalah mesin
Pellet Mill 5.12 dan Pellet Mill 8.12. Struktur data yang
ditampilkan pada Tabel 3.1. Tabel 3. 1 Struktur Data Penelitian
Data
kerusakan
ke-
Lama Mesin Bekerja
(jam)
Lama Perbaikan Mesin
(jam)
Pellet Mill
5.12
Pellet Mill
8.12
Pellet Mill
5.12
Pellet Mill
8.12
1 𝑥1,1 𝑥1,1 𝑦1,1 𝑦2,1
2 𝑥1,2 𝑥2,2 𝑦1.2 𝑦2,2
... ... ... ... ...
N 𝑥1.𝑛 𝑥2.𝑛 𝑦1,𝑛 𝑦2.𝑛
3.3 Langkah Analisis
Langkah-langkah analisis yang dilakukan untuk mencapai
tujuan dari penelitian adalah sebagai berikut.
1. Data umur mesin yang digunakan merupakan data lama
mesin bekerja dan lama perbaikan mesin Pellet Mill 5.12 dan
Pellet Mill 8.12 di PT Japfa Comfeed Indonesia, Tbk Unit
Margomulyo
2. Mendeskripsikan karakteristik data lama mesin bekerja dan
lama perbaikan mesin Pellet Mill 5.12 dan Pellet Mill
20
8.12 di PT Japfa Comfeed Indonesia, Tbk Unit
Margomulyo.
3. Melakukan pemeriksaan trend pada data lama mesin bekerja
dan lama perbaikan mesin Pellet Mill 5.12 dan Pellet Mill
8.12 di PT Japfa Comfeed Indonesia, Tbk Unit Margomulyo
dengan statistik uji Laplace pada persamaan (2.3).
4. Mengestimasi parameter ln r, 𝛼, 𝜎𝑒2 untuk data umur mesin
dan lama perbaikan Pellet Mill 5.12 dan Pellet Mill 8.12 di
PT Japfa Comfeed Indonesia, Tbk Unit Margomulyo dengan
menggunakan persamaan (2.5), (2.6), dan (2.7).
5. Melakukan pengujian Geometric Process pada umur mesin
mesin dan lama perbaikan mesin Pellet Mill 5.12 dan Pellet
Mill 8.12 di PT Japfa Comfeed Indonesia, Tbk Unit
Margomulyo menggunakan persamaan (2.8).
6. Melakukan estimasi mean dan varians dari Gn dengan
menggunakan persamaan (2.9) sampai (2.13).
7. Menghitung rata-rata biaya jangka panjang dengan
persamaan (2.14) dengan mencobakan jumlah kerusakan
(N) dan membuat kurva antara lI (N) terhadap N
8. Mendapatkan optimasi waktu preventive dengan
meminimumkan biaya kerusakan mesin pada Pellet Mill
5.12 dan Pellet Mill 8.12 di PT Japfa Comfeed Indonesia,
Tbk Unit Margomulyo.
9. Menarik kesimpulan dari hasil analisis.
21
3.4 Diagram Alir
Tidak
Ya
Tidak
Ya
Gambar 3. 1 Diagram Alir
Mulai
Mengumpulkan Data Umur Mesin
Mendiskripsikan Karakteristik Mesin
Mengestimasi mean dan varians Gn
Menghitung rata-rata biaya jangka panjang
Mendapatkan waktu preventive maintenance
selesai
Mengestimasi parameter ln r, 𝛼, 𝜎𝑒2
Uji Geometric
Process
Membuat kurva antara l1(N)
Renewal
Process
Poisson
Process
Renewal
Process
Pemeriksaan Trend
Apakah Data
Ada Trend?
22
(Halaman ini sengaja dikosongkan)
23
4 BAB IV
ANALISIS DAN PEMBAHASAN Di PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo,
pada proses pelleting atau proses pembentukan pakan ternak
menjadi pellet menggunakan dua mesin Pellet Mill yaitu Pellet
Mill 5.12 dan Pellet Mill 8.12. Kedua mesin bekerja secara terpisah
atau independen namun memiliki spesifikasi yang sama. Pada bab
ini akan dibahas mengenai pmeriksaan trend menggunakan
Laplace untuk data umur mesin dan lama perbaikan mesin Pellet
Mill. Selanjutkan dilakukan estimasi parameter ln r, 𝛼, 𝜎𝑒2 untuk
menguji hipotesis data berasal dari Geometric Process serta
menghitung estimasi mean dari Gn. Pada bab ini juga dibahas
penentuan waktu optimum preventive maintenance untuk mesin
Pellet Mill di PT Japfa Comfeed Indonesia, Tbk. Unit Margomulyo
dengan membuat kurva antara rata-rata biaya jangka panjang per
jam l1(N) terhadap N.
4.1 Karakteristik Data Mesin Pellet Mill
Karakteristik mesin dapat diketahui dengan melihat
bagaimana statistika deskriptif dari data variabel umur mesin dan
lama waktu perbaikan. Umur mesin merupakan usia lama mesin
mulai bekerja sampai mesin mengalami kerusakan atau downtime.
Data yang diperoleh dari perusahaan berupa data mesin mengalami
kerusakan yang di catat setiap hari. Dari data tersebut dapat
diketahui lamanya mesin bekerja sampai mengalami downtime.
Karena data berupa data harian maka diubah menjadi satuan jam
dengan diasumsikan 1 hari mesin bekerja selama 16 jam. Tabel 4.1
menunjukkan karakteristik dari data umur mesin (jam) dan lama
waktu perbaikan (jam) mesin Pellet Mill 5.12 dan Pellet Mill 8.12
di pabrik Margomulyo. Tabel 4. 1 Statistika Deskriptif Umur Mesin dan Lama Waktu Perbaikan (jam)
Variabel Mesin N Mean Variance Min Max
Umur
Mesin (jam)
5.12 22 1.552 2.409.947 96 5728
8.12 15 2.031 3.919.633 112 5824
Lama Waktu
Perbaikan (jam)
5.12 22 0,962 0,791 0,083 3,5
8.12 15 0,672 0, 315 0,083 1,75
24
Dari Tabel 4.1 menunjukkan bahwa jumlah kerusakan yang
dialami oleh kedua mesin berbeda. Mesin Pellet Mill 5.12 lebih
sering mengalami kerusakan dibandingkan dengan mesin Pellet
Mill 8.12 pada tahun 2012 hingga tahun 2017. Jika dilihat dari rata-
rata umur mesin, mesin Pellet Mill 5.12 memiliki rata-rata umur
lebih pendek dibandingkan mesin Pellet Mill 8.12, namun varians
dari kedua mesin tinggi. Varians yang tinggi menandakan adanya
data umur mesin yang lebih tersebar. Terlihat dari nilai minmum
umur kedua mesin yang terpaut jauh dengan nilai maksimum.
Umur terpendek mesin Pellet Mill 5.12 sampai mengalami
kerusakan adalah 96 jam, lebih singkat dibandingkan dengan mesin
Pellet Mill 8.12. Hasil tersebut sesuai dengan usia mesin Pellet Mill
5.12 yang sudah lama beroperasi dibandingkan dengan Pellet Mill
8.12 sehingga lebih sering mengalami kerusakan. Rata-rata mesin
Pellet Mill 5.12 diperbaiki selama 0,962 jam atau sekitar 57 menit,
sementara pada mesin Pellet Mill 8.12 rata-rata mesin diperbaiki
selama 0,672 jam atau 40 menit.
Selain menggunakan statistika deskriptif, karakteristik data
mesin dapat dilihat melalui variabel kumulatif umur mesin
(lifetime). Variabel kumulatif tersebut akan dibuat plot untuk
dijadikan dugaan awal apakah waktu antar kerusakan mesin
menandakan adanya trend atau mengikuti NHPP.
(a) (b) Gambar 4. 1 Plot Kumulatif Umur Mesin (t) dan Banyaknya Kerusakan n(t)
Mesin Pellet Mill 5.12 (a) dan Pellet Mill 8.12 (b)
Gambar 4.1 merupakan plot antara banyak kerusakan yang
terjadi (N) dengan kumulatif umur mesin (T). Berdasarkan Gambar
4.1, terlihat jarak antar titik plot pada (a) semakin sempit seiring
dengan berjalannya waktu, sementara jarak antar titik plot (b) lebih
lebar seiring dengan berjalannya waktu. Jarak titik plot yang
6543210
25
20
15
10
5
0
T (Tahun)
N
543210
16
14
12
10
8
6
4
2
0
T(Tahun)
N
25
semakin sempit menandakan mesin Pellet Mill 5.12 semakin cepat
mengalami kerusakan seiring dengan berjalannya. Hal ini sudah
sesuai dengan data yang ada pada Lampiran 1 dan 2. Dari hal
tersebut, diasumsikan bahwa mesin Pellet Mill 5.12 ada indikasi
memiliki trend naik atau laju kerusakan yang meningkat sementara
pada mesin Pellet Mill 8.12 memiliki trend turun. Adanya trend
pada data dapat dimodelkan dengan Non-Homogeneus Poisson
Process (Ridgon & Basu, 2000). Metode dari NHPP salah satunya
adalah Geometric Process. Oleh sebab itu, data lifetime atau umur
mesin dan data lama perbaikan mesin Pellet Mill dianalisa lebih
lanjut dengan pendekatan Geometric Process sehingga dapat
diperoleh waktu yang tepat untuk melakukan perbaikan dari biaya
yang paling minimum.
4.2 Pemeriksaan Trend Data Umur Mesin dan Lama Waktu
Perbaikan Mesin Pellet Mill
Langkah awal yang harus dilakukan sebelum analisa
selanjutnya adalah melakukan pemeriksaan apakah data waktu
kerusakan dan lama waktu perbaikan memiliki trend atau tidak.
Hal ini sebagai pendugaan awal data berasal dari Geometric
Process. Berikut merupakan hasil dari pemerikaan trend untuk
mesin Pellet Mill 5.12 dan Pellet Mill 8.12 menggunakan
persamaan (2.3). Tabel 4. 2 Nilai Laplace Data Umur Mesin dan Lama Waktu Perbaikan Mesin
Pellet Mill
Data Variabel Statistik
L
Mesin Pellet Mill 5.12 Umur mesin -0,4896681
Lama waktu perbaikan -0,8664866
Mesin Pellet Mill 8.12 Umur mesin -0,435778
Lama waktu perbaikan -1,21598
Tabel 4.2 menunjukkan nilai statistik L untuk pemeriksaan
trend. Dari Tabel 4.2 dapat dilihat nilai L untuk data umur mesin
Pellet Mill 5.12 sebesar -0,4896681 dan mesin Pellet Mill 8.12
sebesar -0,435778. Nilai L pada kedua mesin bertanda negatif artinya
terdapat trend menurun. Trend yang menurun berarti laju kerusakan pada
kedua mesin semakin menurun atau umur mesin semakin lama semakin
26
meningkat seiring berjalannya waktu. Jika dibandingkan dengan plot
kumulatif pada Gambar 4.1(a), mesin Pellet Mill 5.12 memiliki jarak
antar titik plot yang sempit, namun ada yang memiliki jarak antar titik
plot yang jauh. Hal ini bisa saja menyebabkan hasil perhitungan
menunjukkan adanya trend yang menurun, bukan meningkat. Sementara
untuk mesin Pellet Mill 8.12 yang menghasilkan nilai L negatif, sesuai
dengan visualisasi Gambar 4.1 (b)
Nilai statistik L untuk data lama waktu perbaikan pada mesin
Pellet Mill 5.12 sebesar -0,8664866 dan pada mesin Pellet Mill 8.12
sebesar -1,21598. Nilai L kedua mesin bertanda negatif artinya data lama
waktu perbaikan memiliki trend yang turun. Hal tersebut menunjukkan
bahwa kegiatan perbaikan yang dilakukan oleh perusahaan masih belum
optimum, karena lama waktu perbaikan semakin lama meningkat seiring
dengan berjalannya waktu. Adanya trend pada data umur mesin dan lama
waktu perbaikan diduga data berasal dari Geometric Process. Untuk
membuktikan dugaan tersebut, maka dapat dilakukan pengujian lebih
lanjut.s
4.3 Estimasi Parameter ln �̂�, �̂�, �̂�𝒆𝟐 untuk Umur Mesin dan
Lama Waktu Perbaikan Pellet Mill
Pada subbab 4.2 telah diketahui bahwa data umur mesin dan
lama waktu perbaikan pada mesin Pellet Mill terdapat trend dan
diduga mengikuti Geometric Process. Kemudian dilakukan uji
apakah data mengikuti Geometric Process atau tidak. Sebelum
melakukan pengujian tersebut, perlu dilakukan perhitungan
estimasi parameter ln �̂�, �̂�, �̂�𝑒2. Estimasi parameter pada
perhitungan ini dilakukan menggunakan metode Least Square
(kuadrat terkecil). Pada Tabel 4.3 menunjukkan hasil estimasi
parameter dengan persamaan (2.5), (2.6), dan (2.7) untuk data pada
Lampiran 1 dan 2. Tabel 4. 3 Estimasi Parameter Umur Mesin dan Lama Waktu Perbaikan Mesin
Pellet Mill
Parame-
ter
Umur Mesin Lama Waktu Perbaikan
Pellet Mill
5.12
Pellet Mill
8.12
Pellet Mill
5.12
Pellet Mill
8.12
ln �̂� 0,59341 0,74077 2,4381 3.55291
�̂� 1,81014 2,09755 11,402 34.9146
𝛼 4,32826 3,47712 15,962 14.9971
2
e 0,78773 2,38709 8,7037 12.4921
27
Berdasarkan Tabel 4.3, parameter 𝑟 ̂ pada umur mesin
memiliki nilai lebih dari 1 untuk kedua mesin. Hal ini
megindikasikan bahwa seiring dengan pemakaian mesin Pellet
Mill, maka lama mesin bekerja atau umur mesin semakin pendek
dan terus memendek sehingga mesin akan sering mengalami
kerusakan. Nilai parameter 𝑟 ̂ pada mesin Pellet Mill 8.12 lebih
besar dibandingkan dengan Pellet Mill 5.12, sehingga mesin Pellet
Mill 8.12 akan mengalami kerusakan lebih dahulu dibandingkan
dengan mesin Pellet Mill 5.12. Estimasi parameter variansi 𝜎𝑒2̂
tergolong kecil, yaitu sebesar 0,78773 untuk mesin Pellet Mill 5.12
dan 2,38709 untuk mesin Pellet Mill 8.12. Nilai variansi yang kecil
menunjukkan bahwa parameter yang dihasilkan model regresi
untuk usia mesin pada mesin Pellet Mill cukup baik menangkap
kejadian kebedaraan trend.
Estimasi 𝑟 ̂untuk lama waktu perbaikan pada kedua mesin
menghasilkan nilai lebih besar dari 1. Hal ini berarti lama waktu
perbaikan mesin Pellet Mill akan semakin berkurang atau
cenderung menuju ke 0. Estimasi parameter varians untuk kedua
mesin tergolong kecil yaitu 8,7037 dan 12.4921. Hal ini
menunjukkan estimasi parameter yang dihasilkan model regresi
untuk lama waktu perbaikan pada mesin Pellet Mill cukup baik
menangkap kejadian keberadaan trend.
4.4 Pengujian Geometric Process Umur Mesin dan Lama
Perbaikan Mesin Pellet Mill
Setelah mendapatkan estimasi parameter ln �̂�, �̂�, �̂�𝑒2 untuk
umur mesin dam lama perbaikan mesin Pellet Mill, kemudian
dilakukan pengujian Geometric Process. Pengujian ini dilakukan
untuk mengetahui apakah umur mesin dam lama perbaikan mesin
Pellet Mill 5.12 dan Pellet Mill 8.12 mengikuti Geometric Process
atau tidak. Berikut merupakan hasil pengujian Geometric Process
berdasarkan persamaan (2.8) untuk data pada Lampiran 1 dan 2.
28
Tabel 4. 4 Statistik Uji Umur Mesin dan Lama Perbaikan Mesin Pellet Mill
Mesin
Statistik Uji
Titik
Kritis Umur Mesin
Lama Perbaikan
Mesin
Pellet Mill 5.12 -19.8957 -24.5486 2,08596
Pellet Mill 8.12 -8.02283 -16.8208 2.16037
Tabel 4.4 memberikan informasi bahwa data umur mesin
dan lama perbaikan mesin untuk kedua mesin baik mesin Pellet
Mill 5.12 atau mesin Pellet Mill 8.12 memiliki nilai statistik uji
yang lebih besar dari nilai kritis (|t|>tn,0.025), sehingga H0 ditolak
dengan tingkat signifikan 5%. Dapat disimpulkan bahwa data umur
mesin dan lama perbaikan mesin Pellet Mill mengikuti Geometric
Process. Hal ini menunjukkan bahwa mesin yang mengalami
kerusakan kemudian diperbaiki memiliki kinerja yang akan
menurun seiiring dengan berjalannya waktu. Serta tingkat laju
kerusakan mesin terus semakin meningkat.
4.5 Estimasi Rata-rata Umur Mesin dan Lama Perbaikan
Mesin Pellet Mill
Pada subbab sebelumnya telah diketahui bahwa data umur
mesin dan lama perbaikan mesin Pellet Mill 5.12 dan Pellet Mill
8.12 berasal dari Geometric Procesc. Selanjutnya dilakukan
estimasi mean untuk mengetahui mean atau rata-rata lama waktu
mesin Pellet Mill bekerja dengan baik dan lama mesin dalam
kondisi perbaikan.
4.5.1 Estimasi Rata-rata Umur Mesin Pellet Mill
Pada subbab ini akan dibahas mengenai hasil estimasi rata-
rata umur mesin berdasarkan data pada Lampiran 1 menggunakan
persamaan (2.9). Berikut merupakan hasil estimasi rata-rata umur
mesin Pellet Mill. Tabel 4. 5 Estimasi Rata-rata Umur Mesin Pellet Mill
Estimasi Paramater Pellet Mill 5.12 Pellet Mill 8.12
𝝁𝑿𝟏 (tahun) 2,61791 2.72956
𝝁𝑿𝟏 (jam) 15288,596 15940,608
𝝁𝑮𝒏 15288,6/1,81^n-1 15940,6/2,1^n-1
29
Berdasarkan Tabel 4.5 didapatkan informasi bahwa rata-rata
umur mesin Pellet Mill di PT Japfa Comfeed Indonesia bekerja
dengan baik untuk pertama kali adalah selama 15289 jam (Pellet
Mill 5.12) dan selama 15941 jam (Pellet Mill 8.12). Kemudian,
Tabel 4.6 merupakan hasil perhitungan untuk rata-rata umur mesin
bekerja dengan baik pada kerusakan ke-n. Tabel 4. 6 Estimasi Rata-rata Umur Mesin Pellet Mill (satuan dalam jam)
N Umur Mesin
Pellet Mill 5.12 Pellet Mill 8.12
1 15289 15941
2 8446 7600
3 4666 3623
4 2578 1727
5 1424 823
6 787 393
7 435 187
8 240 89
9 133 43
10 73 20
11 40 10
12 22 5
13 12 2
14 7 1
15 4 0
16 2
17 1
18 1
19 0
Berdasarkan hasil perhitungan pada Tabel 4.6, mesin Pellet
Mill 5.12 tidak dapat beroperasi kembali setelah 18 kali mengalami
kerusakan jika tidak dilakukan pemeliharaan. Sementara pada
mesin Pellet Mill 8.12 tidak dapat beroperasi kembali setelah 14
kali mengalami kerusakan jika tidak dilakukan pemeliharaan.
30
Diperkirakan rata-rata mesin bekerja dengan baik secara
menyeluruh untuk mesin Pellet Mill 5.12 adalah 34160 jam dan
untuk mesin Pellet Mill 8.12 adalah 30464 jam. Supaya mesin
Pellet Mill dapat bekerja kembali dengan baik maka perlu
dilakukan preventive maintenance dengan melakukan pengecekan
seluruh komponen mesin dan melakukan penggantian komponen
mesin dengan komponen yang baru.
4.5.2 Estimasi Rata-rata Lama Perbaikan Mesin Pellet Mill
Hasil estimasi rata-rata untuk data lama perbaikan mesin
pada Lampiran 2 menggunakan persamaan (2.9). Berikut
merupakan hasil rata-rata lama perbiakan mesin mesin Pellet Mill. Tabel 4. 7 Estimasi Rata-rata Lama Perbaikan Mesin Pellet Mill
Estimasi Paramater Pellet Mill 5.12 Pellet Mill 8.12
𝝁𝒚𝟏 (tahun) 0,0022 0,0011
𝝁𝒚𝟏 (jam) 19,31 9,7945
𝝁𝑮𝒏 19,31/11,4^n-1 9,7945/34,9^n-1
Berdasarkan Tabel 4.7 didapatkan informasi bahwa rata-rata
lama perbaikan mesin Pellet Mill di PT Japfa Comfeed Indonesia
setelah pertama kali mengalami kerusakan adalah selama 19,3 jam
untuk mesin Pellet Mill 5.12 dan selama 9,8 jam untuk mesin Pellet
Mill 8.12. Kemudian, Tabel 4.8 merupakan hasil perhitungan untuk
rata-rata lama mesin diperbaiki setelah beberapa kali mengalami
kerusakan ke-n. Tabel 4. 8 Estimasi Rata-rata Mesin Pellet Mill Mengalami Perbaikan (Satuan
dalam Jam)
n Lama Perbaikan
Pellet Mill 5.12 Pellet Mill 8.12
1 19,31 9,79
2 1,69 0,28
3 0,15 0
4 0,01
5 0
Berdasarkan hasil perhitungan pada Tabel 4.8 diketahui
bahwa rata-rata lama waktu perbaikan mesin Pellet Mill 5.12
31
adalah 0 sampai 4 kali kerusakan dan mesin Pellet Mill 8.12 adalah
0 sampai 2 kali kerusakan. Hal ini menunjukkan bahwa perusahaan
tidak akan melakukan perbaikan kepada salah satu komponen
setelah mengalami kerusakan ke-4 atau ke-2. Perusahaan
melakukan penggantian salah satu komponen dimana pada mesin
Pellet Mill 5.12 setelah 4 kali kerusakan dan mesin Pellet Mill 8.12
setelah 2 kerusakan. Rata-rata mesin mengalami perbaikan secara
menyeluruh adalah 21,17 jam untuk mesin 5.12 dan 10,07 jam
untuk mesin 8.12.
4.6 Penentuan Waktu Kebijakan Optimum Preventive
Maintenance
Kegiatan maintenance pada suatu mesin memerlukan
perhitungan waktu yang tepat. Selain itu, kegiatan maintenance
juga memperhitungkan dari segi biaya. Oleh karena itu, pada
bagian ini akan dibahas mengenai waktu optimum untuk perbaikan
dan penggantian dengan biaya yang minimum pada mesin Pellet
Mill. Dalam menentukan model optimasi yang tepat, diperlukan
nilai cost of failure dan cost of replacement. Nilai tersebut berupa
estimasi biaya berdasarkan informasi yang diperoleh dari PT Japfa
Comfeed Indonesia, Tbk. Unit Margomulyo. Tabel 4. 9 Estimasi Biaya
Pellet Mill 5.12 Pellet Mill 8.12
Lost Production 8 ton / jam 15 ton / jam
Harga Produk 6500 / kg 6500 / kg
Biaya Pekerja Rp 18.000/jam Rp 18.000/jam
Biaya Perbaikan Rp 2.500.000/jam Rp 5.500.000/jam
Biaya Penggantian Rp 22.000.000 Rp 38.000.000
Dari estimasi biaya tersebut didapatkan estimasi rata-rata biaya
jika mengalami kerusakan atau cost of failure adalah sebesar Rp
54.536.000 perjam untuk mesin Pellet Mill 5.12 dan sebesar Rp
103.036.000 perjam untuk mesin Pellet Mill 8.12. Kemudian cost
of replacement atau biaya penggantian komponen sebesar Rp
22.000.000 untuk mesin Pellet Mill 5.12 dan Rp 38.000.000 untuk
mesin Pellet Mill 8.12. Biaya penggantian didapatkan dari biaya
penggantian komponen die press yang merupakan salah satu
komponen utama pada mesin Pellet Mill. Komponen die press
32
merupakan komponen yang berfungsi mengubah pakan ternak
yang sudah menjadi jel menjadi bentuk butiran pellet. Nilai
estimasi biaya tersebut kemudian disubtitusikan kedalam
persamaan l1(N) (2.15) yang merupakan fungsi rata-rata biaya
perbaikan dan penggantian jangka panjang. Berikut merupakan
fungsi rata-rata biaya untuk mesin Pellet Mill 5.12.
( )1 1
1 1
1
1 11 1
1
1 11 1
1 154.536.000 22.000.000
1 1
N N
Y Xn nn n
N N
X Yn nn n
b al N
a b
−
− −= =
−
− −= =
+ −
=
+
Selanjutnya didapatkan hasil rata-rata biaya jangka panjang untuk
mesin Pellet Mill 5.12 sebagai berikut. Tabel 4. 10 Rata-rata Biaya Jangka Panjang Mesin Pellet Mill 5.12 Per-Jam
Kerusakan
ke (N) l1(N)
Kerusakan
ke (N) l1(N)
1 8.436.809 14 3.779.962
2 5.435.969 15 3.779.545
3 4.544.945 16 3.779.315
4 4.167.039 17 3.779.187
5 3.983.976 18 3.779.117
6 3.889.571 19 3.779.078
7 3.839.310 20 3.779.057
8 3.812.096 21 3.779.045
9 3.797.227 22 3.779.038
10 3.789.061 23 3.779.035
11 3.784.565 24 3.779.033
12 3.782.086 25 3.779.032
13 3.780.718
33
Berikut merupakan plot antara l1(N) dengan N yang ditunjukkan
pada Gambar 4.2.
Gambar 4. 2 Plot Jumlah Kerusakan (N) dengan Rata-rata Biaya Mesin Pellet
Mill 5.12
Pada Gambar 4.2 memberikan informasi mengenai estimasi
rata-rata biaya jangka panjang pemeliharaan berupa perbaikan dan
penggantian komponen die press untuk mesin Pellet Mill 5.12.
Dapat dilihat Gambar 4.2 menunjukkan biaya perbaikan dan
penggantian komponen untuk mesin Pellet Mill 5.12 semakin lama
akan semakin menurun seiring dengan banyaknya kerusakan yang
telah dialami oleh mesin Pellet Mill 5.12. Meskipun semakin lama
biaya semakin menurun, mesin Pellet Mill 5.12 yang mengalami
beberapa kali kerusakan akan menyebabkan umur dari mesin
semakin menurun sehingga semakin sering mengalami perbaikan.
Perbaikan juga semakin tidak efektif karena semakin lama waktu
perbaikan semakin bertambah. Penurunan umur mesin setelah
dilakukan perbaikan dapat dilihat pada Tabel 4.6. Hal yang
dilakukan untuk mengantisipasi seringnya terjadi kerusakan adalah
melakukan pemeliharaan (preventive maintenance) dengan
mengecek keseluruhan komponen dan menggantikan komponen
die press dengan yang baru. Mengacu pada Gambar 4.2, kegiatan
pemeliharaan pada mesin Pellet Mill 5.12 yang optimum adalah
saat mesin mengalami kerusakan ke-8. Estimasi biaya pada
kerusakan ke-8 dan seterusnya cenderung stationer dengan selisih
biaya yang tidak terlalu signifikan dan tidak memiliki arti bagi
perusahaan. Selain itu, mengacu pada Tabel 4.6 apabila perusahaan
tidak melakukan pemelihaaraan pada kerusakan ke-8 maka mesin
hanya dapat bekerja selama 240 jam atau sekitar 15 hari. Hal ini
24222018161412108642
9000000
8000000
7000000
6000000
5000000
4000000
Index
l1(N
)
34
dapat menganggu proses produksi karena mesin harus diperbaiki
kembali dalam jangka waktu yang pendek dan kapasitas. Oleh
karena itu, kegiatan pemeliharaan yang optimum pada mesin Pellet
Mill 5.12 adalah saat kerusakan ke-8 dengan estimasi biaya sebesar
Rp 3.812.096 perjam.
Selanjutnya penentuan waktu optimum untuk pemeliharaan
(preventive maintenance) pada mesin Pellet Mill 8.12. Berikut
merupakan fungsi rata-rata biaya untuk mesin Pellet Mill 8.12.
( )1 1
1 1
1
1 11 1
1
1 11 1
1 1103.036.000 38.000.000
1 1
N N
Y Xn nn n
N N
X Yn nn n
b al N
a b
−
− −= =
−
− −= =
+ −
=
+
Didapatkan hasil rata-rata biaya jangka panjang untuk biaya pada
mesin Pellet Mill 8.12 sebagai berikut. Tabel 4. 11 Rata-rata Biaya Jangka Panjang Mesin Pellet Mill 8.12 Per-Jam
Kerusakan
ke (N) l1(N)
Kerusakan
ke (N) l1(N)
1 13.954.293 14 7.303.516
2 9.450.392 15 7.303.396
3 8.190.691 16 7.303.339
4 7.701.080 17 7.303.312
5 7.487.683 18 7.303.299
6 7.390.053 19 7.303.293
7 7.344.398 20 7.303.290
8 7.322.829 21 7.303.288
9 7.312.591 22 7.303.288
10 7.307.720 23 7.303.287
11 7.305.400 24 7.303.287
12 7.304.294 25 7.303.287
13 7.303.767
Berikut merupakan plot antara l1(N) dengan N yang ditunjukkan
pada Gambar 4.3.
35
Gambar 4.3 Plot Jumlah Kerusakan (N) dengan Rata-rata Biaya Perawatan
Mesin Pellet Mill 8.12
Gambar 4.3 merupakan estimasi rata-rata biaya jangka
panjang perjam untuk mesin Pellet Mill 8.12. Seperti estimasi
biaya pada mesin Pellet Mill 5.12, estimasi biaya Pellet Mill 8.12
semakin lama semakin menurun seiring dengan jumlah kerusakan
yang telah dialami. Meskipun biaya semakin lama semakin
stasioner, jika mesin yang sering mengalami kerusakan atau
beberapa kali diperbaiki maka menyebabkan umur mesin akan
semakin pendek. Penurunan mesin dapat dilihat pada tabel 4.6
untuk estimasi rata-rata umur mesin. Perbaikan semakin lama
semakin tidak efektif sehingga perusahaan perlu melakukan
tindakan pemeliharaan (preventive maintenance) dengan
mengecek keseluruhan komponen dan mengganti komponen die
press dengan yang baru. Mengacu pada Gambar 4.3, kegiatan
pemeliharaan pada mesin Pellet Mill 8.12 pada saat optimum
dengan biaya yang minimum adalah ketika mesin Pellet Mill 8.12
mengalami kerusakan ke-7 dengan estimasi biaya sebesar Rp
7.344.398 perjam. Estimasi rata-rata biaya pada kerusakan ke-7
dan seterusnya cenderung stationer dan memiliki selisih yang tidak
terlalu signifikan. Selain itu apabila perusahaan tidak melakukan
pemeliharaan pada kerusakan ke-7, mesin akan mengalami
kerusakan dengan jangka waktu 12 hari.
Hasil dari perhitungan rata-rata biaya jangka panjang,
didapatkan waktu optimum untuk melakukan pemeliharaan pada
mesin Pellet Mill. Waktu yang optimum untuk pemeliharaan
dengan melakukan pengecekan mesin dan penggantian komponen
die press mesin Pellet Mill 5.12 adalah pada saat kerusakan ke-8
24222018161412108642
14000000
13000000
12000000
11000000
10000000
9000000
8000000
7000000
N
l1(T
)
36
dan pada mesin Pellet Mill 8.12 pada saat kerusakan ke-7.
Kebijakan tersebut patut dipertimbangkan dan diterapkan pada
mesin Pellet Mill di PT Japfa Comfeed Indonesia, Tbk. Unit
Margomulyo. Harapannya dengan ilmu statsitik, hasil analisis ini
dapat menjadi pertimbangan perusahaan sehingga mampu
mengurangi biaya operasi produksi.
37
5 BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil analisa dan pembahasan, didapatkan
kesimpulan bahwa lifetime atau umur mesin dan lama waktu
perbaikan mesin Pellet Mill di PT Japfa Comfeed Indonesia, Tbk.
Unit Margomulyo mengikuti Geometric Process. Berdasarkan
biaya jangka panjang, didapatkan waktu optimum untuk
melakukan kegiatan pemeliharaan pada mesin Pellet Mill 5.12
adalah saat mesin mengalami kerusakan ke-8 dengan estimasi rata-
rata biaya sebesar Rp 3.812.096 perjam. Waktu optimum untuk
melakukan pemeliharaan pada mesin Pellet Mill 8.12 adalah saat
kerusakan ke-7 dengan estimasi rata-rata biaya sebesar Rp
7.344.398 perjam. Kegiatan pemeliharaan berupa pengecekan
seluruh komponen mesin serta melakukan penggantian komponen
die press.
5.2 Saran
Berdasarkan hasil analisa dan pembahasan didapatkan
beberapa saran untuk perusahaan sebagai berikut.
1. Kegiatan pemeliharaan pada mesin Pellet Mill 5.12
dilakukan setelah mesin mengalami kerusakan ke-8.
2. Kegiatan pemeliharaan pada mesin Pellet Mill 8.12
dilakukan setelah mesin mengalami kerusakan ke-7.
3. Sebaiknya pencatatan data terkait data kerusakan mesin di
PT. Japfa Comfeed Indonesia, Tbk. Unit Margomulyo lebih
diperinci dan diperjelas komponen yang diperbaiki, agar
dapat dilakukan perhitungan pemeliharaan yang lebih tepat
dan sesuai.
4. Penelitian ini hanya terbatas pada rasio penurunan umur
mesin dan lama perbaikan mesin (r) yang konstan.
Sebaiknya untuk mendapatkan waktu optimum
pemeliharaan (preventive maintenance) yang tepat, maka
penelitian selanjutnya dapat menggunakan metode yang
mempertimbangkan tingkat penururnan yang tidak sama
disetiap kerusakan dan perbaikan.
38
(Halaman ini sengaja dikosongkan)
6 DAFTAR PUSTAKA
Adams, T. C. (2017, Juni 6). kscddms.ksc.nasa.gov. Diambil
kembali dari John F Kenedy Space Center:
https://kscddms.ksc.nasa.gov/Reliability/Document/Lapla
ce_Test.pdf Ariani, D. W. (2004). Pengendalian Kualitas Statistik Pendekatan
Kuantitatif dalam Manajemen Kualitas . Yogyakarta:
Andi.
BPS. (2017). Statistical Indoensia 2017. Jakarta: Badan Pusat
Statistika Indonesia. Dipetik 2 25, 2018, dari Badan Pusat
Statistika: https://www.bps.go.id/
Fadhil, M., & Mashuri, M. (2016). Optimasi Preventive
Maintenance Pada Mesin Rotary Kiln dengan Metode
Analisis Reliabilitas di PT Semen Indonesia, Tbk Tuban
Plant. Jurnal Sains dan Seni ITS.
Hamsi, A. (2009). Manajemen Pemeliharaan Pabrik. e-USU
Repository: Universitas Sumatera Utara.
Hoyland, A., & Rausand, M. (1994). System Reliability Theory.
New York: John Wiley & Sons.
Krisnadi, J., Soemadi, K., & Mustofa, F. (2014). Optimasi Waktu
Penggantian Komponen pada Lokomotif DE CC 201 seri
99 Menggunakan Metoda Age Replacement di PT Kereta
Api Indonesia. Teknik Industri Itenas, 01.
Lam, Y. (1988). A Note on the optimal replacement problem.
Advances in Applied Probability, 479-482.
Lam, Y. (1992). Nonparametric Inference for Geometric
Processes. Communications in Statistics - Teory and
Methods, 2083-2105.
Leung, F. K., & Fong, C. (2000). A Repair-Replacement Study for
Gearboxes Using Geometric Processes. International
Journal of Quality & Reliability Management, Vol. 17(3),
285-304.
O'Connor, P. (2012). Practical Reliability Engineering . New
York: John Wiley & Sons.
Permatasari, P. (2016). Optimasi Waktu Penggantian Komponen
Air Cycle Machine (ACM) Pesawat Terbang CRJ-1000
Menggunakan Metode Geometric Process. Jurnal Sains
dan Seni ITS, 5.
PT Japfa Comfeed Indonesia, Tbk. (2015). Visi, Misi, Nilai
Perusahaan. Dipetik 2 14, 18, dari PT Japfa Comfeed
Indonesia, Tbk;:
https://www.japfacomfeed.co.id/id/about-us/vision-
mission-values
Rigdon, S., & Basu, A. (2000). Statistical Methods for the
Reliability of Repairable System. New York: John Wiley
& Sons.
Wang, G. J., & Zhang, Y. L. (2014). Geometric Process model for
a system with inspections adn preventive repair.
Computers & Industrial Engineering, 13-19.
LAMPIRAN 1
Data Umur mesin dan Lama Perbaikan Mesin Pellet Mill 1
Tanggal
Kerusakan
Lama Umur
mesin (jam)
Lama Umur
mesin (tahun)
Lama
Perbaikan
(jam)
Lama
Perbaikan
(tahun)
18/01/2012
14/03/2012 896 0,15342 0,2500 2,85E-05
12/04/2012 464 0,07945 1,2500 1,43E-04
07/06/2012 896 0,15342 0,0833 9,51E-06
27/06/2012 320 0,05479 0,0833 9,51E-06
26/11/2012 2432 0,41644 1,4167 1,62E-04
22/02/2013 1408 0,24110 1,0000 1,14E-04
13/03/2013 304 0,05205 0,5000 5,71E-05
11/04/2013 464 0,07945 0,0833 9,51E-06
22/07/2013 1632 0,27945 3,5000 4,00E-04
22/08/2013 496 0,08493 0,7500 8,56E-05
18/03/2014 3328 0,56986 0,2500 2,85E-05
29/05/2014 1152 0,19726 0,1667 1,90E-05
23/07/2014 880 0,15068 1,0000 1,14E-04
04/03/2015 3584 0,61370 0,8333 9,51E-05
25/02/2016 5728 0,98082 0,8333 9,51E-05
09/11/2016 4128 0,70685 0,5000 5,71E-05
28/04/2017 2720 0,46575 1,0833 1,24E-04
13/10/2017 2688 0,46027 2,0833 2,38E-04
28/10/2017 240 0,04110 2,0833 2,38E-04
04/11/2017 112 0,01918 0,4167 4,76E-05
16/11/2017 192 0,03288 0,5000 5,71E-05
22/11/2017 96 0,01644 2,5000 2,85E-04
LAMPIRAN 2
Data Umur mesin dan Lama Perbaikan Mesin Pellet Mill 2
Tanggal
Kerusakan
Lama Umur
mesin (jam)
Lama Umur
mesin (tahun)
Lama
Perbaikan
(jam)
Lama
Perbaikan
(tahun)
11/05/2012
10/07/2012 960 0,16438 0,16667 1,90E-05
02/04/2013 4256 0,72877 0,08333 9,51E-06
15/04/2013 208 0,03562 0,25000 2,85E-05
22/04/2013 112 0,01918 0,16667 1,90E-05
21/04/2014 5824 0,99726 0,83333 9,51E-05
02/02/2015 4592 0,78630 0,16667 1,90E-05
17/02/2015 240 0,04110 0,16667 1,90E-05
09/04/2015 816 0,13973 1,41667 1,62E-04
08/06/2015 960 0,16438 0,41667 4,76E-05
03/10/2015 1872 0,32055 1,75000 2,00E-04
26/10/2015 368 0,06301 1,08333 1,24E-04
23/08/2016 4832 0,82740 1,58333 1,81E-04
03/01/2017 2128 0,36438 0,83333 9,51E-05
17/01/2017 224 0,03836 0,50000 5,71E-05
28/07/2017 3072 0,52603 0,66667 7,61E-05
LAMPIRAN 3
Syntax Pemerikasaan Trend Laplace Umur Mesin dan Lama
Waktu Perbaikan Mesin Pellet Mill 5.12 dan 8.12 (MATLAB)
%-----------------------------------------------
------ %Laplace Umur Mesin %-----------------------------------------------
------- [X]=xlsread('D:\Data1umur.xlsx'); N=length(X); a=0; T=6 for i=1:N a=a+X(i); at=a/(N); end b=T/2; c=T/sqrt(12*(N)); L=(at-b)/c; L
%-----------------------------------------------
------ %Laplace Lama Perbaikan %-----------------------------------------------
------- [X]=xlsread('D:\Data1perbaikan.xlsx'); N=length(X); a=0; T=6 for i=1:N a=a+X(i); at=a/(N); end b=T/2; c=T/sqrt(12*(N)); L=(at-b)/c; L
LAMPIRAN 4
Output Pemerikasaan Trend Laplace Umur Mesin dan Lama
Waktu Perbaikan Mesin Pellet Mill 5.12 (MATLAB)
-----------------------------------------------
Laplace Umur Mesin -----------------------------------------------
LAPLACE
T =
6
L =
-0.4897
----------------------------------------------- Laplace Lama Perbaikan -----------------------------------------------
LAPLACE
T =
6
L =
-0,8665
LAMPIRAN 5
Output Pemerikasaan Trend Laplace Umur Mesin dan Lama
Waktu Perbaikan Mesin Pellet Mill 8.12 (MATLAB)
----------------------------------------------- Laplace Umur Mesin -----------------------------------------------
LAPLACE
T =
6
L =
--0,4358
----------------------------------------------- Laplace Lama Perbaikan -----------------------------------------------
LAPLACE
T =
6
L =
-1,2159
LAMPIRAN 6
Syntax Parameter, Uji Geometric Process, dan Estimasi Mean
Umur Mesin dan Lama Perbaikan Mesin Pellet Mill 5.12
%------------------ %Geometric Process %------------------ X=xlsread('D:\Dataper2tahun.xlsx'); N=length(X); sigmaXn=0;
sigmalnXn=0;sigmanmin1lnXn=0;sigmalnXn2=0; for i=1:N sigmaXn=sigmaXn+X(i); sigmalnXn=sigmalnXn+log(X(i)); sigmanmin1lnXn=sigmanmin1lnXn+(i-
1)*log(X(i)); sigmalnXn2=sigmalnXn2+(log(X(i))).^2; end; lnrtopi=(6./((N-1)*N*(N+1)))*((N-1)*sigmaXn-
2*sigmanmin1lnXn); rtopi=exp(lnrtopi) alfatopi=sigmalnXn./N+(N-1)*lnrtopi/2; vare=(1./(N-2))*(sigmalnXn2-((sigmalnXn).^2)./N-
lnrtopi*((N-1)*sigmalnXn./2-sigmanmin1lnXn)); thit=-lnrtopi*sqrt((N-
1)*N*(N+1))./sqrt(12*vare); ttab=tinv(1-0.025,(N-2)); if abs(thit)>ttab Kesimpulan ='Tolak H0'; else Kesimpulan='Gagal Tolak H0'; end; fprintf('---------------\n') fprintf('lnr = % g\n',lnrtopi) fprintf('lnr = % g\n',rtopi) fprintf('alfa topi = % g\n',alfatopi) fprintf('var = % g\n',vare) fprintf('Uji Geometric Process \n') fprintf('---------------\n') fprintf('t hitung = % g\n',thit) fprintf('t tabel = %g\n',ttab) Kesimpulan
%------------------------------------- %Estimasi Mean dan Varians %------------------------------------- rtopi=exp(lnrtopi);a=rtopi; if rtopi==1 muX(1)=sigmaXn./N; sigmaXnminmuX1=0; for i=i:N sigmaXnminmuX1=sigmaXminmuX1+(X(i)-
muX1).^2; end; varX(1)=sigmaXnminmuX1./(N-1); else muX(1)=(1-(rtopi.^(-1)))*sigmaXn./(1-
(rtopi.^(-N))); rXn=0;rXn2=0; for i=1:N rXn=rXn+X(i)*rtopi.^(i-1); rXn2=rXn2+(X(i)*rtopi.^(i-1)).^2; end; varX(1)=(rXn2-(rXn.^2)./N)./(N-1); end;
nstopX=1 while muX(nstopX)>0.0001 nstopX=nstopX+1; muX(nstopX)=muX(1)./rtopi.^(nstopX-1); end;
for i=2:N varX(i)=var(1)./rtopi.^(2*(i-1)); end; fprintf('----------------------------\n') fprintf('Estimasi Mean\n') fprintf('----------------------------\n') fprintf('Mu X1 =%g\n',muX(1)) %fprintf('Mu Xn = %g\n',sum(muX)); %fprintf('n iterasi=%g\n'nstopX); fprintf('VarX1 =%g\n',varX(1)) %fprintf('\n')
%fprintf('\n')
LAMPIRAN 7
Output Parameter, Uji Geometric Process, dan Estimasi Mean
Umur Mesin dan Lama Perbaikan Mesin Pellet Mill 5.12
>> Umur Mesin
rtopi =
1.8101
---------------
lnr = 0.593406
lnr = 1.81014
alfa topi = 4.32826
var = 0.787726
Uji Geometric Process
---------------
t hitung = -19.8957
t tabel = 2.08596
Kesimpulan =
'Tolak H0'
nstopX =
1
----------------------------
Estimasi Mean
----------------------------
Mu X1 =2.61791
VarX1 =8.3806e+06
>> Lama Waktu Perbaikan
rtopi =
11.4022
---------------
lnr = 2.43381
lnr = 11.4022
alfa topi = 15.9617
var = 8.70379
Uji Geometric Process
---------------
t hitung = -24.5486
t tabel = 2.08596
Kesimpulan =
'Tolak H0'
nstopX =
1
----------------------------
Estimasi Mean
----------------------------
Mu X1 =0.00220437
VarX1 =9.1485e+35
LAMPIRAN 8
Output Parameter, Uji Geometric Process, dan Estimasi Mean
Umur Mesin dan Lama Perbaikan Mesin Pellet Mill 8.12
>> Umur Mesin
rtopi =
2.0975
---------------
lnr = 0.740769
lnr = 2.09755
alfa topi = 3.47712
var = 2.38709
Uji Geometric Process
---------------
t hitung = -8.02283
t tabel = 2.16037
Kesimpulan =
'Tolak H0'
nstopX =
1
----------------------------
Estimasi Mean
----------------------------
Mu X1 =2.72956
VarX1 =1.86409e+07
>> Lama Waktu Perbaikan
rtopi =
34.9146
---------------
lnr = 3.55291
lnr = 34.9146
alfa topi = 14.9971
var = 12.4921
Uji Geometric Process
---------------
t hitung = -16.8208
t tabel = 2.16037
Kesimpulan =
'Tolak H0'
nstopX =
1
----------------------------
Estimasi Mean
----------------------------
Mu X1 =0.0011181
VarX1 =6.16188e+3
LAMPIRAN 9
Syntax Optimasi Waktu Pemeliharaan (Preventive
Maintenance) Mesin Pellet Mill 5.12 (MATLAB)
%----------------------------------------------- %Menentukan Optimasi Biaya %----------------------------------------------- fprintf('------------------\n') fprintf('Optimasi Biaya\n') fprintf('------------------\n') a=1.8101; b=11.4; cf=54536000 ; cR=22000000; muX1=2.618;muY1=0.002;
N=25; for j=1:N sigma1perb=0;sigma1pera=0; if j==1 sigma1perb=1; sigma1pera=1; else for i=1:(j-1) sigma1perb=sigma1perb+1./(b.^(i-1)); end; for i=1:j sigma1pera=sigma1pera+1./(a.^(i-1)); end; end; I1(j)=(cf*muY1*sigma1perb-
muX1*sigma1pera+cR)./(muX1*sigma1pera+muY1*sigma
1perb); end
stasioner=2; while abs(I1(stasioner)-I1(stasioner-1))>1 stasioner=stasioner+1; end %fprintf('Titik stasioner = %g\n',stasioner) %fprintf('Biaya optimum = %g\n',I1(stasioner))
X=(1:N); plot(X,I1,'Color','blue') I1
LAMPIRAN 10
Output Optimasi Waktu Pemeliharaan (Preventive
Maintenance) Mesin Pellet Mill 5.12 (MATLAB)
------------------
Optimasi Biaya
------------------
I1 =
1.0e+06 *
Columns 1 through 5
8.4368 5.4360 4.5449 4.1670 3.9840
Columns 6 through 10
3.8896 3.8393 3.8121 3.7972 3.7891
Columns 11 through 15
3.7846 3.7821 3.7807 3.7800 3.7795
Columns 16 through 20
3.7793 3.7792 3.7791 3.7791 3.7791
Columns 21 through 25
3.7790 3.7790 3.7790 3.7790 3.7790
LAMPIRAN 11
Output Optimasi Waktu Pemeliharaan (Preventive
Maintenance) Mesin Pellet Mill 8.12 (MATLAB)
------------------
Optimasi Biaya
------------------
I1 =
1.0e+07 *
Columns 1 through 5
1.3954 0.9450 0.8191 0.7701 0.7488
Columns 6 through 10
0.7390 0.7344 0.7323 0.7313 0.7308
Columns 11 through 15
0.7305 0.7304 0.7304 0.7304 0.7303
Columns 16 through 20
0.7303 0.7303 0.7303 0.7303 0.7303
Columns 21 through 25
0.7303 0.7303 0.7303 0.7303 0.7303
LAMPIRAN 12
Estimasi Parameter 𝜶 dengan OLS
( )
( )
22
1 1
22
1 1
1
1
1
ln ln ( 1)
ln ( ( 1) ln )
( ) ln ( ( 1) ln )
( ) ln ( ( 1) ln )
0 2 (ln ( ( 1) ln ).(0 (1 0))
0 2 (ln ( ( 1) ln )
0 (ln ( ( 1) ln
n n
n n
N N
n n
n n
N N
n n
n n
N
n
n
N
n
n
N
n
n
G r n e
e G n r
e G n r
d e G n r
d d
G n r
G n r
G n r
= =
= =
=
=
=
= − − + +
= − − −
= − − −
− − −
=
= − − − − −
= − − − −
= − − − −
1 1
1 1
1 1
1
1
)
0 ln ( ( 1) ln )
0 ln ( 1) ln )
ln ( 1) ln )
( 1)ln ln
2
ln( 1)
ln2
N N
n
n n
N N
n
n n
N N
n
n n
N
n
n
N
n
n
G n r
G N n r
N G n r
N NN G r
GN
rN
= =
= =
= =
=
=
= − + − −
= − + − −
= + −
−= +
−= +
LAMPIRAN 13
Estimasi Parameter ln�̂� dengan OLS
1 1
2 2
1 1
2
1
1
1
lnG ( 1) ln
lnG ( ( 1) ln )
[lnG ( ( 1) ln )]
( ) [lnG ( ( 1) lnr)]
( )
2 [lnG ( ( 1) lnr)].[0 (0 ( 1))]lnr
0 2 [lnG ( ( 1) lnr)].( 1)
0
n n
n n
N N
n n
n n
N N
n n
n n
N
n Nn
n
n
N
n
n
n a e
e n a
e n a
e n
d e
n nd
n n
= =
= =
=
=
=
= − − +
= − − −
= − − −
= − − −
= − − − − − −
= − − − −
=
1
1 1
1 1 1
21 1
1 1 1
[lnG ( ( 1) lnr)].( 1)
0 lnG ( 1) ( ( 1) lnr).( 1)
0 lnG ( 1) ( 1) ( 1) lnr .( 1)
lnG ( 1) lnr
0 lnG ( 1) ( 1) ( 1) lnr
N
n
n
N N
n
n n
N N N
n
n n n
N N
nN Nn n
n
n n n
n n
n n n
n n n n
n
n n nN N
=
= =
= = =
= =
= = =
− − − −
= − − − − −
= − − − + − −
−
= − − − + + −
21 1
1 1 1
2
21 1 1
1 1
lnG ( 1) lnr
lnG ( 1) ( 1) ( 1) lnr
( 1) lnG ( 1) lnr
lnG ( 1) ( 1) lnr
N
N N
nN N Nn n
n
n n n
N N N
nN Nn n n
n
n n
n
n n nN N
n n
n nN N
= =
= = =
= = =
= =
−
− = − + − −
− −
− = + − −
LAMPIRAN 13 A
Estimasi Parameter ln�̂� dengan OLS (Lanjutan)
21 1( 1) lnG ( 1)2 121lnG ( 1) ln ( 1)(2 1) ln
61
1 1 12lnG ( 1) ( 1) lnG ( 1) ln ( 1)(2 1) ln2 4 61 1
1 1 1lnG ( 1) ( 1) lnG ( 1) ln ( 1) (2 1)
2 4 61 1
NN N N NnN
nn r N N N rn N Nn
N Nn N N N r N N N r
n nn n
N Nn N N N r N N
n nn n
− − =− = + − − −
=
− = − + − − − − = =
− = − + − − − −
= =
1 3 3 4 2lnG ( 1) ( 1) lnG ( 1) ln
2 121 1
1 1lnG ( 1) ( 1) lnG ( 1) ln
2 121 1
( 1) ( 1) 1ln ( 1) lnG lnG ( 1)
12 2 1 1
6( 1) lnG 12 lnG ( 1)
1 1ln
N N N Nn N N N r
n nn n
N N Nn N N N r
n nn n
N NN N Nr N n
n nn n
N NN n
n nn nr
− − + − − − = −
= =
+ − − − = − −
= =
− += − − −
= =
− − − = ==
( 1) ( 1)
6ln ( 1) lnG 2 lnG
( 1) ( 1) 1 1
N N N
N Nr N
n nN N N n n
− +
= − −
− + = =
BIODATA PENULIS
Penulis bernama Zahrina Luthfi Raudina yang
lahir di Kediri pada tanggal 06 April 1996,
merupakan anak dari pasangan Moch. Rusmadi
dan Yayuk Nurhayati. Penulis merupakan anak
pertama dari 2 bersaudara. Penulis memulai
jenjang pendidikan pertama di SDN Groogol
I/IV (2002-2008), kemudian melanjutkan di
SMPN 1 Kediri (2008-2011). Setelah
menamatkan pendidikan SMP, penulis
melanjutkan pendidikan di SMAN 2 Kediri (2011-2014) dan pada
tahun 2014 penulis memulai masa perkuliahannya di Departemen
Statistika ITS. Selama masa perkuliahan, penulis juga aktif di
beberapa kegiatan serta menjadi fungsionaris di UKM WE&T
(sekarang menjadi TDC) dan HIMASTA-ITS. Di UKM TDC,
awalnya penulis menjadi staf WE&T Corp kemudian melanjutkan
menjadi Asisten Direktur Manager II TDC Cloth. Sementara di
HIMASTA-ITS, penulis memulai dengan menjadi Sekretaris II
dan melanjutkan menjadi Sekretaris I. Penulis juga sering
mengikuti dan menjadi panitia pada beberapa kegiatan kepanitian
di lingkup departemen Statistika maupun ITS. Selain mengikuti
kegiatan, penulis juga mengikuti beberapa lomba dan menjadi
finalis RASIO 2017 dan GEMASTIK 2017. Penulis memiliki
pengalaman kerja praktek di PLN Distribusi Jawa Timur pada
tahun 2017.
Penulis menerima segala kritikan, masukan, dan saran yang
bersifat membangun demi meningkatkan manfaat Tugas Akhir ini.
Oleh karena itu, bagi pembaca yang tertarik untuk diskusi lebih
lanjut dapat menghubungi emil [email protected].