sistem antrian ikan beku
DESCRIPTION
asaaaTRANSCRIPT
-
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
Oleh
ARVIANO HARYANTO SAHAR
F34103128
2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
-
ARVIANO HARYANTO SAHAR. F34103128. Analisis Kinerja SistemAntrian Pada Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood, Jawa Barat). Di bawah bimbingan : MACHFUD.2007
RINGKASAN
Industri perikanan merupakan salah satu sektor industri yang menjadiprimadona di dalam penyumbang devisa Indonesia. Sebagai negara kepulauandengan potensi perikanan laut sebesar 6,7 juta ton per tahun Indonesia merupakansalah satu negara pengekspor terbesar komoditas perikanan dunia. Dalam rangkamendukung peningkatan pertumbuhan ekonomi di sektor perikanan danpemenuhan tuntutan pasar ekspor, kajian ilmiah yang berorientasi padapeningkatan kinerja industri perikanan perlu dilakukan dengan berdasarkan ilmupengetahuan dan teknologi modern. PT. Global Tropical Seafood merupakansalah satu perusahaan yang bergerak di industri perikanan yang berorientasiekspor dengan salah satu produk unggulannya fillet ikan beku. Dalam kegiatanproduksinya perusahaan dihadapkan pada kondisi kedatangan bahan baku yangbersifat probalistik, tuntutan kualitas produk yang prima, serta kebutuhan akanefektivitas dan efisiensi sistem produksi.
Kinerja sistem antrian dalam sebuah lini produksi dapat menjadi sebuahpenilaian tentang efektivitas dan efisiensi sistem produksi lini tersebut. Kinerjasistem antrian yang rendah akan memberikan kerugian bagi perusahaan dalam halefisiensi dan efektivitas penggunaan sumberdaya serta naiknya resiko kerusakanbahan. Inefisiensi dan inefektivitas dalam sebuah sistem antrian dapat ditandaidengan terjadinya antrian, rendahnya tingkat utilitas unit pelayanan, serta adanyapenolakan bahan (balking) dalam sistem tersebut. Ruang lingkup dalam penelitianini dibatasi pada analisa kinerja sistem antrian pada lini produksi fillet ikan beku.
Teknik analisa sistem antrian yang digunakan dalam penelitian ini ialahteknik simulasi monte carlo dan model keseimbangan aliran bahan. Simulasiantrian dengan teknik simulasi monte carlo menggunakan bantuan paket programWinQSB yang bernama QSS 1.0 (Queueing System Simulation 1.0) sedangkansimulasi model keseimbangan aliran bahan dilakukan secara manual. Ujidistribusi data waktu antar kedatangan dan waktu pelayanan dalam sistem antrianyang digunakan sebagai input dalam melakukan simulasi menggunakan bantuanperangkat lunak Easyfit 3.2. Uji distribusi data tersebut menggunakan metodegrafis dan Kolmogorov-Smirnov goodness of fit test dengan sebaran peluangnormal, weibull, triangular, poisson, gamma, uniform, laplace, logistik,eksponensial dan lognormal.
Hasil uji distribusi data menghasilkan sebaran peluang antara lain weibull,triangular, gamma dan lognormal untuk waktu antar kedatangan dan waktupelayanan dalam sistem antrian dengan selang kepercayaan sebesar 90 %. Sistemantrian dalam lini produksi fillet ikan beku ini terdiri dari 13 stasiun kerja yang 4diantaranya merupakan stasiun kerja bersama (menangani bahan dari seluruh liniproduksi). Simulasi sistem antrian tersebut yang disebut SAPFIB (Sistem AntrianProduksi Fillet Ikan Beku) terdiri dari tiga buah model dan empat buah sub model.Model tersebut ialah model antrian yang mensimulasikan antrian sejak daristasiun penerimaan hingga stasiun panning dan stasiun after curing (Model A),
-
model keseimbangan aliran bahan pada stasiun freezing (Model B), model antrianyang mensimulasikan sistem antrian pada stasiun packing (Model C). Sub modelpenerimaan merupakan model simulasi antrian parsial pada stasiun penerimaan,Sub model penyisikan merupakan model simulasi antrian parsial pada stasiunpenyisikan, Sub model Filleting merupakan model simulasi antrian parsial padastasiun Filleting dan Sub model After Curing merupakan model simulasi antrianparsial pada stasiun After Curing. Pola antrian yang ada dalam SAPFIB ini ialahpola antrian kombinasi jalur tunggal dan jalur ganda dengan pelayanan pararel.Satuan yang digunakan dalam simulasi ini ialah detik untuk satuan unit waktu dankg bahan baku (raw material) untuk satuan unit bahan yang dilayani (customer).
Model antrian SAPFIB terdiri dari rangkaian komponen distribusikedatangan bahan dan distribusi kecepatan pelayanan operator dengan attributpendukung berupa disiplin antrian, kapasitas antrian, dan waktu transfer. Seluruhkomponen beserta attributnya disusun dengan mengikuti kondisi yang terjadi padasistem antrian dalam kondisi nyata. Asumsi yang digunakan dalam melakukansimulasi model utama ialah waktu transfer bahan dibawah dua detik diabaikan,kecepatan kedatangan dan kecepatan pelayanan sesuai dengan kondisi historisselama penelitian. Asumsi pada simulasi sub model antrian ialah kedatanganbahan pada sub model adalah kontinyu dengan kondisi kedatangan pada saatpuncaknya dalam sistem produksi.
Berdasarkan hasil simulasi model utama pada sistem nyata selama 25200detik (7 jam kerja) untuk Model A, 24 jam kerja untuk Model B dan 75600 detik(21 jam kerja) untuk Model C, ditemukan sejumlah bahan baku yang mengalamipenolakan bahan (balking) pada lini produksi fillet ikan beku di PT. GlobalTropical Seafood, balking tersebut terjadi pada stasiun kerja After Curing. Padastasiun Freezing antrian terjadi pada saat tertentu saja. Pada stasiun Packingdalam Model C tidak terjadi antrian. Permasalahan pada Model A ialah terletakpada ketidakseimbangan aliran bahan antar stasiun kerja dan inefisiensipenggunaan sumber daya manusia, pada Model B permasalahan yang terjadi ialahterdapat antrian pada saat tertentu saja, dan pada Model C permasalahan utamaterletak pada rendahnya tingkat utilitas operator.
Pengembangan model antrian pada penelitian ini dilakukan dengan duapendekatan, yakni pengembangan model dengan merubah tingkat kedatanganbahan, serta pengembangan model dengan merubah komposisi unit pelayanan(operator). Asumsi yang digunakan dalam mengembangkan model ialah sistemantrian bersifat steady state, kecepatan kedatangan serta pola kedatangan dankecepatan kedatangan serta pola pelayanan sesuai dengan kondisi historis selamapenelitian.
Model alternatif terbaik hasil pengembangan dengan skenario perubahantingkat kedatangan dengan komposisi unit pelayanan tetap adalah tingkatkedatangan pada stasiun penerimaan dinaikkan sebesar 3 kali lipat darikedatangan historis selama penelitian (6482,47 kg/jam) dan pada stasiun aftercuring diturunkan sebesar 0,75 kali lipat dari kedatangan historis selama penelitan(129,44 kg/jam), pada stasiun freezing tingkat kedatangan bahan diturunkanmenjadi 18000 kg per hari dan pada stasiun Packing tingkat kedatangan diubahsebesar 6 kali lipat dari kedatangan historis selama penelitian (15308,29 kg/jam).
Model alternatif terbaik hasil pengembangan dengan skenario perubahankomposisi unit pelayanan pada tingkat kedatangan tetap sesuai kondisi selama
-
penelitian ialah jumlah operator pada stasiun penerimaan dikurangi dari 5 orangmenjadi 4 orang, stasiun arahan produksi dari 3 orang menjadi 1 orang, stasiunfilleting dari 5 orang menjadi 3 orang, stasiun Penyisikan 7 orang menjadi 2orang, stasiun trimming dari 16 orang menjadi 10 orang, stasiun Washing dari 2orang menjadi 1 orang, stasiun after curing dari 5 orang menjadi 7 orang, stasiunfreezing dari 3 unit menjadi 5 unit serta stasiun packing dari 24 orang menjadi 12orang, jumlah operator pada stasiun lainnya tetap.
Berdasarkan analisa hasil simulasi, pengembangan model alternatifmenghasilkan kinerja yang lebih baik pada sistem antrian lini produksi fillet ikanbeku. Pengembangan model antrian dengan skenario perubahan tingkatkedatangan pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi3099 kg, serta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 75,36%. Pada model C jumlah bahan yang terproses meningkat dari 1673,67 kgmenjadi 10118,67 kg dan tingkat utilitas operator meningkat dari 13,49 %menjadi 80,79 %. Pengembangan model dengan skenario perubahan komposisioperator pada model A dapat menghilangkan bahan yang tidak terproses dari26,33 kg menjadi 0 kg, jumlah bahan yang terproses dari 1856,67 kg menjadi1991,67 kg, mempercepat rata-rata waktu bahan mengalir secara keseluruhan dari979,11 detik (16,3 menit) menjadi 275,33 detik (4,59 menit), meminimasi rata-rata waktu antrian bahan secara keseluruhan dari 141,75 detik menjadi 4,42 detikserta meningkatkan tingkat utilitas operator dari 27,50 % menjadi 42,75 %, selainitu ketika dihitung biaya tambahan penggunaan es akibat antrian maka terjadipenghematan biaya tambahan dari Rp.296.020,03 /bulan menjadi Rp.40.651,86/bulan. Pada model C hasil analisis simulasi memperlihatkan tingkat utilitasoperator meningkat dari 13,49 % menjadi 26,48 %. Pada model B pengembanganmodel dengan skenario perubahan tingkat kedatangan dan komposisi unitpelayanan memberikan hasil berupa tidak adanya antrian dalam stasiun Freezing.
Verifikasi dan validasi model dilakukan untuk mengetahui apakah modeldapat mewakili sistem yang ada, validasi tersebut dengan menggunakan bantuansoftware MINITAB 11. Validasi model dilakukan dengan cara menggunakan ujikesamaan nilai tengah antara dua populasi (Uji-t). Dalam penelitian ini validasidilakukan dengan cara menguji kesamaan nilai tengah antara waktu pelayanan(proses) data historis dengan waktu pelayanan (proses) data hasil simulasi. Hasiluji kesamaan menunjukkan bahwa data tersebut seragam pada selangkerpercayaan 95%. Hal tersebut menunjukkan model simulasi valid untukdigunakan.
-
ARVIANO HARYANTO SAHAR. F34103128. Queueing SystemProductivity Analysis In Frozen Fish Fillet Process Industry (Case Study atPT. Global Tropical Seafood, West Java). Supervised by MACHFUD.2007
SUMMARY
Fishing industrys is one of Indonesia huge source for Indonesia capitalincome. Based on its archipelago, Indonesia have 6.7 billion tons/years of marinenatural resources. Indonesia is one of the biggest exporter of fisheries comodity inthe global market. In order to support the economic growth in the fishing industryand the expansion of global market, a mordern science study for increasing theproductivity of the industry is important to be held. PT. Global Tropical Seafoodis one of the company in Indonesia that run on the fishing industry with the bestproduct of frozen fish fillet. In the daily activities the company face the conditionof uncertainty of raw material arrival, pressure to maintain the quality of theirproduct, and the need of effectivity and efficiency in the production system.
Productivity of queueing system in a production line can be the indicator forit effectivity and efficiency. The low productivity of queueing system candecerease the efficiency and effectivity of resource management and increase therisk of material damage. Inefficiency and ineffectivity in a queueing system canbe mark with the happening of queueuing, low server utilization, and balking inthe system. The boundary in this research is bounded in the queueing system offrozen fish fillet production line.
Analysis technique that used in this research are monte carlo simulationtechnique and line balancing model. Queueing simulation is done with the help ofWinQSB Software with program package called Queueing SystemSimulation 1.0 (QSS 1.0) and for the line balancing model is done with manualcalculation. Distribution test for interarrival time and service time that used forinput in the simulation system are using a software that called Easyfit 3.2. Thedistribution test is based on graphical comparing method and Kolmogorov-Smirnov goodness of fit test with used of normal, weibull, triangular, poisson,gamma, uniform, laplace, logistik, eksponensial dan lognormal distribution.
The result of the distribution test shows that the data of interarrival time andservice time have weibull, triangular, gamma and lognormal distribution with 90% level of confidence. Queueing system in the frozen fish fillet production line iscomposed by 13 work station and 4 of the station is a join work station (handlematerial from all of production line). This queueing system simulation is namedSAPFIB ?Sistem Antrian Produksi Fillet Ikan Beku?, it is formed by three modelsand four sub models. Those models are models that simulate queueing start fromreceiving station to panning and after curing station (Model A), line balancingmodel at freezing station (Model B), and queueing model that simulate queueingsystem at packing station (Model C). Sub Model Penerimaan simulate queueingsystem for receiving station partially, Sub Model Penyisikan simulate queueingsystem for scaling station partially, Sub Model Filleting simulate queueing systemfor filleting station partially and Sub Model After Curing simulate queueingsystem for after curing station partially. The queueing pattern in SAPFIB are thecombination of single channel and multiple channel with pararel server. The unitthat is used in the system simulation are seconds and kilograms of raw material.
-
SAPFIB queueing model are arranged from interarrival distributioncomponent and service time component with supporting attribut such as queuedisciple, queue capacity and material transfer time. All of the componet is used toimitate the real condition of queueing system simulation. The assumtion that usedin simulating the models is material time that is below two second is ignored, andthe interarrival and service time distribution is the same as in the real system.Beside assumtion for the main model, there is assumtion that was used for analizethe sub model that are the assumion is it simulate queueing system with theinterarrival that is continue at the peak condition.
The result for the main model simulation in the real state of Model A thatwas run for 25200 seconds (7 work hour), 24 hours for Model B and 75600 (21work hour) for model C are balking in after curing station, queue in the freezingstation and there is no queue in packing station. The main problem of Model A isthe inbalance of material flow between the work station and inefficient of humanresource utilization. In Model B the main problem is the queue only exist at atime. Model C problem is the inefficient of human resource utilization.
The development of queueing models in this research is done by twoapproach, that is by changing its rate of incoming material and changing theserver compotition in each work station. The assumtion that used in developingThe models are the queueing system is in the steady state, speed and pattern ofincoming material with the speed and pattern of service time is same as thehistorical data that collected at the research period.
The best alternate model for scenario of changing the rate of incomingmaterial with the server compotition at the real state are the rate of incomingmaterial in the receiving station increased 3 times from the historical data thatcollected at the research period (6482.47 kg/hours) and decrease the incomingmaterial at after curing station 0.75 times from the historical data that collected atthe research period (129.44 kg/hours), at the freezing station the rate of incomingmaterial are decreased into 18000 kg/days and at the packing station the rate oficoming material is increased into 6 times from the historical data that collected atthe research period (15308.28 kg/hours).
The best alternate model for scenario of changing the server compotition ineach work station at the rate of incoming material same as the historical data thatcollected at the research period are the operators in the receiving station arereduced from 5 operators into 4 operators, 3 operators into 1 operators atproduction direction station, 5 operators into 3 operators at the filleting station, 7operators into 2 operators at the scaling station, 16 operators into 10 operators attrimming station, 2 operators into 1 operators at washing station, 5 operators into7 operators at after curing station, 3 units into 5 units at freezing station, 24operators into 12 operators at packing station, as for the other station the operatorsremain the same compotition
Based on the simulation analysis, the alternate models give an increasedproductivity from the simulation in the real system. The alternate models with thescenario of changing the rate of incoming materials at Model A can remove thebalking from 26.33 kg into 0 kg, the processed material increased from 1856.67kg into 3099 kg, the server utilization increased from 27.50 % into 75.36%. InModel C the processed material increased from 1673.67 kg into 10118.67 kg andthe server utilization increased from 13.49 % into 80.79 %. The alternate model
-
with scenario of changing operator server compotition in each work station inModel A can remove balking from 26.33 kg into 0 kg, number of processedmaterial increased from 1856.67 kg menjadi 1991.67 kg, speed up the averageflow time from 979.11 seconds (16.3 minutes) into 275,33 seconds (4.59minutes), minimize overall average waiting time from 141.75 seconds into 4.42seconds and increased the server utilization from 27.50 % into 42.75% and canreduced the cost of ice usage because of queueing from Rp. 296.020,03 /monthinto Rp. 40.651,86 /month. In Model C the simulation analisys show that serverutilization increased from 13.49 % into 26.48 %. As for Model B both scenariocould remove the queueing from the freezing station.
Verification and validation is done for knowing if the model that was buildcan represent the real system, t-test is used for validate the model with the help ofMINITAB 11 software. By comparing the mean value of two population that isservice time from simulation output and service time from the historical data themodel, will be valid to use when the value of the test said there is no significantdifference between the two population. The t-test result the mean value from thetwo population does not different significantly at the confidence level of 95 %.Those result show the simulation model is valid to be used.
-
SURAT PERNYATAAN
Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul
ANALISIS KINERJA SISTEM ANTRIAN PADA INDUSTRI
PENGOLAHAN FILLET IKAN BEKU (Studi Kasus di PT.Global Tropical
Seafood, Jawa Barat) adalah asli karya saya sendiri dengan arahan dosen
pembimbing, kecuali yang jelas ditunjukkan rujukkannya. Skripsi ini belum
pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan
tinggi lain. Semua sumber data dan informasi yang digunakan telah dinyatakan
secara jelas dan dapat diperiksa kebenarannya.
Bogor, 26 Agustus 2007
Yang membuat pernyataan,
ARVIANO HARYANTO SAHARF34103128
-
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
ARVIANO HARYANTO SAHAR
F34103128
2007
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
-
INSTITUT PERTANIAN BOGOR
FAKULTAS TEKNOLOGI PERTANIAN
ANALISIS KINERJA SISTEM ANTRIAN
PADA INDUSTRI PENGOLAHAN FILLET IKAN BEKU
(Studi Kasus di PT.Global Tropical Seafood, Jawa Barat)
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknologi Industri Pertanian
Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh
ARVIANO HARYANTO SAHAR
F34103128
Dilahirkan pada tanggal 11 Januari 1986
Di Jakarta
Tanggal lulus: 24 Agustus 2007
Menyetujui,
Bogor, 26 Agustus 2007
Dr. Ir. Machfud, MS.
Dosen Pembimbing
-
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 11 Januari 1986 di
Jakarta. Penulis merupakan anak pertama dari tiga bersaudara
dari pasangan bapak Ir.Haryanto Sahar M.Sc dan Ibu Sylvia
Hasan.
Pendidikan formal penulis diawali dari Taman Kanak-
kanak TKI Dian Didaktika pada tahun 1990-1991 dan dilanjutkan dengan tingkat
pendidikan dasar di SDI Dian Didaktika (1991-1997). Penulis menyelesaikan
tingkat pendidikan lanjutan pada SLTPI Dian Didaktika (1997-2000) dan SMUN
34 Pondok Labu Jakarta Selatan (2000-2003). Sejak tahun 2003, penulis
memasuki program Strata-1, Departemen Teknologi Industri Pertanian pada
Fakultas Teknologi Pertanian Institut Pertanian Bogor melalui jalur Seleksi
Penerimaan Mahasiswa Baru (SPMB).
Selama kuliah, penulis aktif menjadi asisten praktikum mk. penerapan
komputer pada tahun ajaran 2005/2006 dan mk. sistem inforrnasi manajemen pada
tahun ajaran 2006/2007. Penulis dipercaya sebagai ketua kelas TIN 40 selama
tahun 2005-2007 dan Wakil Ketua Himpunan Mahasiswa Teknologi Industri
(HIMALOGIN) periode 2005/2006. Pada tahun 2006 penulis melakukan kegiatan
praktek lapang dengan topik ?Mempelajari Human Relationship dan Produktivitas
Tenaga Kerja di PT. ISM Bogasari Flour Mills Tj. Priok - Jakarta?. Pada tahun
2007 penulis melakukan penelitian di PT. Global Tropical Seafood, Cikampek
dan berhasil menyelesaikan tugas akhir dengan topik masalah khusus ?Analisis
Kinerja Sistem Antrian Pada Industri Pengolahan Fillet Ikan Beku?.
-
iKATA PENGANTAR
Segala puji dan syukur bagi Allah SWT yang telah memberikan rahmat dan
kasih sayangnya, sehingga penulis dapat menyelesaikan kegiatan penelitian di PT.
Global Tropical Seafood, Jawa Barat sesuai jadwal dan dapat menyusun serta
menyelesaikan skripsi dengan judul ?Analisis Kinerja Sistem Antrian Pada
Industri Pengolahan Fillet Ikan Beku (Studi Kasus di PT.Global Tropical Seafood,
Jawa Barat)? dengan baik.
Merupakan sebuah anugrah dari Allah SWT karena selama waktu penelitian
dan penyusunan skripsi, penulis dapat memperoleh pengalaman-pengalaman
berharga yakni berupa pembelajaran mengenai teori antrian dan penerapan ilmu-
ilmu akademis dan non akademis yang didapatkan oleh penulis selama menimba
ilmu di kampus IPB ini.
Dalam proses penyusunan skripsi ini terdapat banyak pihak yang terkait,
dengan segala ketulusan hati penulis ingin menyampaikan ucapan terima kasih
kepada :
v Dr. Ir. Machfud, MS sebagai dosen pembimbing akademik yang telah
membimbing dan mengarahkan penulis dalam mempersiapkan
,melaksanakan dan menyelesaikan kegiatan penelitian dan penyusunan
skripsi ini.
v Ir. Lien Herlina, Msc dan Ir. Sugiarto, Msi selaku dosen penguji yang telah
memberikan saran dan kritiknya untuk penyempurnaan skripsi ini serta
masukannya kepada penulis untuk pengembangan diri penulis.
v Bapak Ir. Haryanto Sahar, MSc dan Ibu Sylvia Hasan sebagai kedua orang
tua penulis yang memberikan segala kasih sayang dan dukungan yang tak
ternilai kepada penulis serta kedua adik penulis yang senantiasa
mendoakan dan memberikan dukungan moril kepada penulis dalam
menyelesaikan skripsi ini.
v Bapak Sidiq selaku Pimpinan Pabrik dan Bapak Sumardi selaku Manajer
Personalia PT. Global Tropical Seafood, Jawa Barat yang telah membantu
penulis dalam mewujudkan kegiatan penelitian pada perusahaan tersebut.
v Bapak Citra Asmara Putra, bapak Ahmad Rifani, dan bapak Tegas selaku
manager di PT. Global Tropical Seafood yang telah membantu penulis
-
ii
dalam mengumpulkan informasi yang diperlukan bagi penulis beserta
saran dan kritiknya dalam penyusunan skripsi ini.
v Mba Rina, Mba Nina, Mba Rum, Pak Sunari, Pak Iwan berserta Seluruh
staff dan karyawan PT. Global Tropical Seafood yang telah membantu
penulis dalam kegiatan pengumpulan data dan informasi sehari-harinya
v Bapak Mardianto, Bapak Achmad atas motivasi yang diberikan kepada
penulis selama penulis melaksanakan penelitian di PT. Global Tropical
Seafood.
v Yasmin dan Henny selaku rekan penulis yang bersama-sama
melaksanakan penelitian di PT. Global Tropical Seafood.
v Kukuh dan Puji selaku rekan sebimbingan yang bersama-sama saling
mendukung dalam suka dan duka penyelesaian skripsi ini.
v Sahabat-sahabatku Indah, Farah, Derry, Riri, Fardian, Helmi, Adit, Ratih,
Ayip, Indra, Amin, Adriel, Jerry, Lutfi atas kebersamaannya dalam
penyelesaian skripsi ini.
v Bang riki, Mas ade, Uda Paul, Uda Edwin, Uda Ansor, Dion, Sigit, Wita,
Dani, Dung-dung, Aldo, Jejeng dan seluruh penghuni wisma galih yang
selalu mengisi hari-hari penulis dengan keceriaan selama penulis
menyelesaikan skripsi ini.
v Seluruh Civitas TIN?40 dan HIMALOGIN yang telah memberi
pengalaman-pengalaman berharga bagi pengembangan diri penulis.
v Semua pihak yang terkait dan turut membantu hingga selesainya skripsi ini
yang tidak dapat penulis sebutkan satu-persatu pada lembar ini.
Semoga skripsi ini dapat bermanfaat bagi semua pihak yang
membutuhkannya.
Bogor, Agustus 2006
Penulis
-
iii
DAFTAR ISI
Halaman
KATA PENGANTAR ........................................................................................... i
DAFTAR ISI ......................................................................................................... iii
DAFTAR TABEL ................................................................................................. vi
DAFTAR GAMBAR ............................................................................................. vii
DAFTAR LAMPIRAN .......................................................................................... x
I. PENDAHULUAN
A. Latar Belakang ............................................................................................ 1
B. Ruang Lingkup ............................................................................................ 3
C. Tujuan ......................................................................................................... 3
D. Manfaat ....................................................................................................... 4
II. TINJAUAN PUSTAKA
A. Fillet Ikan Beku ........................................................................................... 5
B. Teori Antrian ............................................................................................... 6
C. Uji Distribusi ............................................................................................... 18
D. Model .......................................................................................................... 22
E. Teknik Heuristik .......................................................................................... 24
F. Simulasi ....................................................................................................... 24
G. Verifikasi dan Validasi ................................................................................ 27
H. Penelitian Terdahulu .................................................................................... 28
III. METODE PENELITIAN
A. Kerangka Pemikiran .................................................................................... 30
B. Pendekatan Berencana ................................................................................. 31
C. Tata Laksana ............................................................................................... 32
IV. KONDISI SISTEM ANTRIAN DI PT. GLOBAL TROPICAL SEAFOOD
A. Sistem Produksi Fillet Ikan Beku ................................................................. 35
1. Stasiun Penerimaan ................................................................................. 39
2. Stasiun Arahan Produksi.......................................................................... 39
3. Stasiun Penyisikan ................................................................................... 40
-
iv
Halaman
4. Stasiun Filleting ...................................................................................... 40
5. Stasiun Trimming .................................................................................... 41
6. Stasiun Washing ...................................................................................... 41
7. Stasiun Sizing .......................................................................................... 41
8. Stasiun Panning ...................................................................................... 42
9. Stasiun Bagging ...................................................................................... 42
10. Stasiun Curing ......................................................................................... 42
11. Stasiun After Curing ................................................................................ 42
12. Stasiun Freezing ...................................................................................... 43
13. Stasiun Packing ....................................................................................... 43
B. Konfigurasi Sistem Antrian Produk Fillet Ikan Beku ................................... 46
V. ANALISIS DAN PEMBAHASAN
A. Distribusi Data ............................................................................................ 51
B. Model Antrian............................................................................................. 53
1. Kinerja Model Antrian dari Stasiun Penerimaan Hingga StasiunPanning Dan Stasiun After Curing (Model A) ........................................ 55
2. Kinerja Model Antrian Pada Stasiun Freezing (Model B) ....................... 58
3. Kinerja Model Antrian Pada Stasiun Packing (Model C) ........................ 60
C. Sub Model Antrian ..................................................................................... 62
1. Sub Model Penerimaan ........................................................................... 62
2. Sub Model Penyisikan ............................................................................ 64
3. Sub Model Filleting ................................................................................ 66
4. Sub Model After Curing.......................................................................... 67
D. Pengembangan Model ................................................................................. 68
1. Pengembangan Model Dengan Skenario Perubahan Tingkat Kedatangan 69
2. Pengembangan Model Dengan Skenario Perubahan Komposisi UnitPelayanan ............................................................................................... 76
E. Kinerja Sistem Antrian................................................................................. 83
1. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanTingkat Kedatangan ................................................................................ 83
-
vHalaman
2. Analisa Kinerja Pengembangan Model Dengan Skenario PerubahanKomposisi Unit Pelayanan ...................................................................... 96
F. Verifikasi dan Validasi Model ...................................................................... 107
VI. KESIMPULAN DAN SARAN
A. Kesimpulan ................................................................................................. 110
B. Saran ........................................................................................................... 112
DAFTAR PUSTAKA ............................................................................................ 114
-
vi
DAFTAR TABEL
Halaman
Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara ....... 1
Tabel 2. Sebaran frekwensi data waktu antar kedatangan .................................. 15
Tabel 3. Ketentuan mutu bahan baku fillet ikan beku ........................................ 36
Tabel 4. Bobot standar fillet .............................................................................. 41
Tabel 5. Waktu perpindahan bahan antar stasiun ............................................... 46
Tabel 6. Jumlah operator, kapasitas dan disiplin antrian kondisi nyata ............... 48
Tabel 7. Hasil Uji distribusi waktu kedatangan bahan........................................ 52
Tabel 8. Hasil Uji distribusi waktu pelayanan operator ...................................... 52
Tabel 9. Definisi nama komponen dalam model dan sub model SAPFIB........... 54
Tabel 10. Uji coba berbagai tingkat kedatangan pada stasiun penerimaan dalammodel A .............................................................................................. 71
Tabel 11. Uji coba berbagai tingkat kedatangan pada stasiun after curing dalammodel A .............................................................................................. 72
Tabel 12. Uji coba berbagai tingkat kedatangan pada stasiun packing dalammodel C .............................................................................................. 75
Tabel 13. Perubahan komposisi operator pada setiap stasiun kerja padapengembangan model antrian SAPFIB ................................................ 78
Tabel 14. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama kondisi nyata ..... 108
Tabel 15. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian sub model kondisi nyata ......... 108
Tabel 16. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan tingkat kedatangan ................................... 109
Tabel 17. Hasil uji kesamaan nilai tengah waktu pelayanan data historis denganwaktu pelayanan hasil simulasi antrian model utama sistem alternatifdengan skenario perubahan komposisi unit pelayanan ......................... 109
-
vii
DAFTAR GAMBAR
Halaman
Gambar 1. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Tunggal ... 8
Gambar 2. Model Antrian Jalur Tunggal dengan Fasilitas Pelayanan Ganda
Serial ............................................................................................... 8
Gambar 3. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda
Pararel ............................................................................................. 8
Gambar 4. Model Antrian Jalur Ganda dengan Fasilitas Pelayanan Ganda ........ 8
Gambar 5. Skema Simulasi Stokastik ................................................................ 26
Gambar 6. Skema Tahapan Pendekatan Berencana............................................ 32
Gambar 7. Diagram Tahapan Penelitian ............................................................34
Gambar 8. Diagram Alir Proses Pembuatan Fillet Ikan Beku tanpa CO ............. 37
Gambar 9. Diagram Alir Proses Pembuatan Fillet Ikan Beku dengan CO .......... 38
Gambar 10. Sistem Produksi Fillet Ikan Beku ..................................................... 45
Gambar 11. Pola Sistem Antrian Lini Produksi Fillet Ikan Beku PT. GlobalTropical Seafood .............................................................................. 50
Gambar 12. Penulisan model simulasi A pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 56
Gambar 13. Grafik antrian maksimum pada stasiun Freezing .............................. 60
Gambar 14. Penulisan model simulasi C pada program QSS 1.0 dalam bentukmatriks ............................................................................................. 61
Gambar 15. Penulisan model simulasi sub model penerimaan pada program QSS1.0 dalam bentuk grafis ................................................................... 63
Gambar 16. Penulisan model simulasi sub model penyisikan pada program QSS 1.0dalam bentuk matriks ....................................................................... 65
Gambar 17. Penulisan model simulasi sub model filleting pada program QSS 1.0dalam bentuk matriks ...................................................................... 66
Gambar 18. Penulisan model simulasi sub model after curing pada program QSS1.0 dalam bentuk matriks ................................................................. 67
Gambar 19. Penulisan model simulasi A alternatif skenario perubahan tingkatkedatangan pada program QSS 1.0 dalam bentuk matriks ............... 73
Gambar 20. Penulisan model simulasi C alternatif skenario perubahan tingkatKedatangan pada program QSS 1.0 dalam bentuk matriks ............... 76
Gambar 21. Penulisan model simulasi A alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks .......... 79
-
viii
Halaman
Gambar 22. Penulisan model simulasi C alternatif skenario perubahan komposisiunit pelayanan pada program QSS 1.0 dalam bentuk matriks ........... 82
Gambar 23. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A secara skenario perubahan tingkatkedatangan ...................................................................................... 84
Gambar 24. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 85
Gambar 25. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 86
Gambar 26. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 87
Gambar 27. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 88
Gambar 28. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan tingkatkedatangan ....................................................................................... 89
Gambar 29. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan tingkat kedatangan .................. 90
Gambar 30. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan tingkat kedatangan ................... 91
Gambar 31. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 92
Gambar 32. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 93
Gambar 33. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 94
Gambar 34. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 95
Gambar 35. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan tingkatkedatangan ....................................................................................... 96
-
ix
Halaman
Gambar 36. Diagram perbandingan jumlah bahan yang tidak terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ........................................................................................ 97
Gambar 37. Diagram perbandingan jumlah bahan yang terproses padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98
Gambar 38. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 98
Gambar 39. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 99
Gambar 40. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 100
Gambar 41. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model A dengan skenario perubahan komposisi unitpelayanan ......................................................................................... 101
Gambar 42. Diagram perbandingan biaya penggunaan es pada pengembanganmodel A dengan skenario perubahan komposisi unit pelayanan ........ 102
Gambar 43. Grafik perbandingan jumlah bahan yang mengantri pada stasiunfreezing dengan skenario perubahan jumlah unit pelayanan .............. 102
Gambar 44. Diagram perbandingan jumlah bahan yang terproses padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 103
Gambar 45. Diagram perbandingan rata-rata waktu aliran bahan padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 104
Gambar 46. Diagram perbandingan tingkat utilitas operator secara overall padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 105
Gambar 47. Diagram perbandingan rata-rata jumlah bahan yang menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 106
Gambar 48. Diagram perbandingan rata-rata waktu bahan menunggu padapengembangan model C dengan skenario perubahan komposisioperator............................................................................................ 107
-
xDAFTAR LAMPIRAN
Halaman
Lampiran 1. Hasil Pengamatan Kecepatan Kedatangan Bahan........................... 116
Lampiran 2. Hasil Pengamatan Kecepatan Pelayanan Operator ......................... 123
Lampiran 3. Rendemen Setiap Stasiun Proses dengan Bahan Baku ................... 139
Lampiran 4. Contoh Output Uji Distribusi Peluang Software EasyFit 3.2 .......... 141
Lampiran 5. Output Simulasi SAPFIB Model A Kondisi Nyata ........................ 142
Lampiran 6. Simulasi Keseimbangan Aliran Bahan SAPFIB Model B .............. 145
Lampiran 7. Output Simulasi SAPFIB Model C Kondisi Nyata......................... 152
Lampiran 8. Output Simulasi SAPFIB Sub Model Penerimaan Kondisi Nyata .. 154
Lampiran 9. Output Simulasi SAPFIB Sub Model Penyisikan Kondisi Nyata ... 155
Lampiran 10. Output Simulasi SAPFIB Sub Model Filleting Kondisi Nyata ....... 156
Lampiran 11. Output Simulasi SAPFIB Sub Model After Curing Kondisi Nyata . 157
Lampiran 12. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 158
Lampiran 13. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Tingkat Kedatangan ..................................................... 161
Lampiran 14. Output Simulasi SAPFIB Model A Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 164
Lampiran 15. Output Simulasi SAPFIB Model C Sistem Alternatif SkenarioPerubahan Komposisi Operator ..................................................... 165
Lampiran 16. Tata Letak Ruang Produksi PT. Global Tropical Seafood .............. 166
Lampiran 17. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Tingkat Kedatangan ..................... 167
Lampiran 18. Perhitungan Estimasi Biaya Tambahan Penggunaan Es Pada ModelAlternatif Skenario Perubahan Komposisi Operator ..................... 169
-
I. PENDAHULUAN
A. Latar Belakang
Industri perikanan merupakan salah satu sektor industri yang menjadi
primadona di dalam penyumbang sumber devisa Indonesia. Ketika Indonesia
mengalami krisis moneter pada tahun 1997 sektor tersebut menjadi salah satu
sektor yang mampu tumbuh berkembang di tengah keterpurukan sektor
ekonomi lainnya. Perkembangan sektor perikanan ini terutama disebabkan oleh
karena pasarnya yang bererorientasi ekspor. Pasar ekspor memberikan
pemasukan berupa mata uang dollar yang pada saat itu nilainya melambung
tinggi di Indonesia akibat dari turunnya nilai mata uang rupiah.
Sebagai negara kepulauan dengan potensi perikanan laut sebesar 6,7 juta
ton per tahun Indonesia merupakan salah satu negara pengekspor terbesar
komoditas perikanan dunia. Selama periode 1999-2002 produk domestik bruto
(PDB) subsektor perikanan mengalami kenaikan sebesar 21,72 %.
(Departemen Kelautan dan Perikanan, 2002).
Peningkatan permintaan ikan di pasaran dunia antara lain dipengaruhi
oleh meningkatnya jumlah penduduk dunia, bergesernya selera konsumen dari
?red meat? ke ?white meat?, dan kebutuhan manusia akan makanan sehat.
Selain itu kondisi yang mengancam kesehatan manusia akibat mengonsumsi
daging ternak yang mempunyai resiko penyakit seperti mad cow disease, serta
penyakit mulut dan kuku yang melanda kawasan Eropa, Asia dan Amerika
membuat keinginan manusia untuk mendiversifikasi sumber pangan berprotein
tinggi semakin tinggi.
Jika melihat perkembangan jumlah ekspor produk fillet ikan beku
Indonesia ke mancanegara terlihat bahwa dari tahun ketahun penerimaan
produk fillet ikan beku di setiap negara berbeda-beda, mayoritas memiliki
kecenderungan naik namun tidak semuanya bersifat konsisten. Salah satu hal
yang dapat menyebabkan kondisi tersebut ialah karena tingginya persaingan
antar negara-negara pengekspor produk perikanan beku.
-
2Tabel 1. Data ekspor produk fillet ikan beku Indonesia ke beberapa negara
Negara Tujuan2003 2004 2005 (Jan-Nop) 2006 (Jan-Nop)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
Berat(Kg)
Nilai(US$)
JEPANG 15.410 1.420.463 98.535 3.237.528 97.579 3.211.469 33.420 1.447.167AMERIKASERIKAT 2.842 9.344 36.800 505.035 36.800 505.035 - -
POLANDIA - - 47.000 265.400 - - 69.000 531.700
HONGKONG 476 1.736 7.095 58.277 4.858 40.484 10.762 32.344
MALAYSIA 1.053 6.562 9.386 38.741 9.386 38.741 458 6.380REP.RAKYATCINA - - 9.023 29.514 9.023 29.514 8.500 310.524
AUSTRALIA 1.687 9.376 2.277 12.943 2.277 12.943 10.405 52.047 *) dalam ribuan, sumber : Deprin 2007
Dalam rangka mendukung peningkatan pertumbuhan ekonomi di sektor
perikanan dan pemenuhan tuntutan pasar ekspor, kajian ilmiah yang
berorientasi pada peningkatan kinerja industri perikanan perlu dilakukan
dengan berdasarkan ilmu pengetahuan dan teknologi modern.
Menurut Machfud (1999) produktivitas perusahaan merupakan hal
penting yang harus diperhatikan dalam rangka mengembangkan perusahaan
yang berdaya saing tinggi. Perencanaan dan pengendalian produksi yang baik
akan menghasilkan proses produksi dengan tingkat efisiensi dan efektivitas
tinggi melalui penghematan sumber daya yang ada dan waktu produksi yang
optimal.
PT. Global Tropical Seafood merupakan salah satu perusahaan yang
bergerak di industri perikanan yang berorientasi ekspor dengan salah satu
produk unggulannya fillet ikan beku. Dalam kegiatan produksinya perusahaan
dihadapkan pada kondisi kedatangan bahan baku yang bersifat probalistik,
adanya tuntutan kualitas produk yang prima, serta perlunya efektivitas dan
efisiensi dalam sistem produksi.
Ketidakseimbangan aliran bahan dan antrian dalam lini produksi
pengolahan fillet ikan beku akan menyebabkan timbulnya inefisiensi dan
inefektifitas sistem produksi akibat terjadinya kemacetan (bottleneck) bahan
maupun rendahnya utilitas stasiun pelayanan. Nilai produktivitas lini produksi
suatu perusahaan dapat menjadi sebuah indikator tingkat keefesienan dan
keefektifan perusahaan tersebut dalam mengelola sumber daya yang ada. Nilai
-
3produktivitas yang setinggi-tingginya merupakan suatu pencapaian yang
diinginkan oleh perusahaan pada umumnya.
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Model antrian dalam lini produksi suatu perusahaan dapat dikembangkan
dengan teori antrian untuk meningkatkan produktivitas kerja dari pendekatan
tingkat utilitas unit pelayanan dan waktu tunggu bahan dengan memaksimalkan
efisiensi dan efektifitas proses. Perbaikan kinerja sistem produksi dapat
mengurangi tambahan biaya yang disebabkan oleh adanya antrian dan
inefisiensi penggunaan sumber daya.
B. Ruang Lingkup
Penelitian ini dibatasi pada analisis sistem antrian dan pengembangan
modelnya pada lini produksi fillet ikan beku.
C. Tujuan
Tujuan yang ingin dicapai dari penelitian ini adalah :
1. Mengidentifikasi faktor-faktor yang menyebabkan terjadinya antrian pada
lini produksi industri pengolahan fillet ikan beku.
2. Menganalisis kinerja sistem antrian yang ada di dalam lini produksi industri
pengolahan fillet ikan beku.
3. Mengembangkan model antrian untuk meningkatkan kinerja lini produksi
pengolahan fillet ikan beku melalui perubahan tingkat kedatangan bahan
baku dan pengubahan komposisi operator pada stasiun-stasiun kerja dalam
sistem antrian.
D. Manfaat
Penelitian yang dilakukan dapat memberikan pemahaman yang lebih
mendalam mengenai aplikasi teori antrian dalam memecahkan permasalahan
sistem produksi dalam suatu industri.
-
4Hasil penelitian ini dapat memberikan model alternatif antrian proses
produksi fillet ikan beku. Model alternatif tersebut dapat digunakan sebagai
pembanding dari model antrian yang saat ini berjalan di perusahaan.
Perbandingan tersebut bermanfaat untuk menilai kinerja sistem produksi yang
berjalan di perusahaan saat ini sehingga dapat dijadikan sebagai referensi
dalam pengambilan keputusan untuk perbaikan kinerja lini produksi fillet ikan
beku.
-
II. TINJAUAN PUSTAKA
A. Fillet Ikan Beku
Fillet ikan merupakan daging ikan yang diperoleh dengan penyayatan
ikan utuh sepanjang tulang belakang dimulai dari belakang kepala hingga
mendekati bagian ekor. Tulang belakang dan tulang rusuk yang membatasi
badan dengan rongga perut tidak dipotong pada waktu penyayatan, hal ini
bertujuan agar tulang atau duri yang terikut dalam daging menjadi sedikit.
Proses pengawetan dengan cara pembekuan yang berlaku untuk daging ikan
tanpa tulang disebut fillet ikan beku (Suparno, 1992).
Menurut DSN (1992), tahapan pengolahan fillet ikan beku adalah :
(1) Pencucian
Ikan dicuci kemudian ditampung di dalam bak fiberglass yang
dilengkapi drainage (lubang pembuangan air bagian bawah).
Penyusunan ikan dibuat berlapis-lapis dengan es. Diusahakan agar
ikan tidak terendam air karena dapat memudarkan warna kulit hingga
menjadi pucat, suram dan tidak mengkilap.
(2) Pengambilan daging (filleting)
Sebelum ikan diambil dagingnya (difillet) maka terlebih dahulu
dilakukan pemotongan kepala dengan pisau tajam sekaligus
penarikan atau pengeluaran isi perut temasuk pembuangan sisik,
selanjutnya dilakukan pengambilan daging dengan cara penyayatan
yang dimulai dari punggung yang mengarah ke perut dan ekor
sehingga diperoleh kepingan dua sisi tanpa tulang.
(3) Perapihan (trimming)
Hasil potongan daging kemudian dirapihkan bentuknya dengan cara
menyisir permukaan hasil potongan dan bagian sisi samping dengan
menggunakan pisau tajam.
(4) Pengelompokan ukuran (sizing)
Pada tahap ini dilakukan penimbangan terhadap tiap-tiap keping
daging dan dikelompokkan menurut ukuran yang ditentukan.
(5) Penyusunan dalam pan pembeku
-
6Pan pembeku diisi dengan fillet dengan permukaan kulit menghadap
ke atas dan tiap keping fillet tidak saling menumpuk serta diusahakan
penyusunan fillet hanya satu lapis saja. Hal ini dimaksudkan agar
daging fillet beku yang dihasilkan mempunyai penampilan rapi,
halus, lurus dan rata. Sebelum fillet disusun terlebih dahulu pan
pembeku dilapisi dengan selembar plastik dan pada bagian atas
daging ditutup dengan selapis plastik.
(6) Pembekuan
Ikan yang telah tersusun dalam pan dimasukkan ke dalam contact
plate freezer (CPF) atau air blast freezer (ABF) dengan suhu operasi
-40oC. Bila menggunakan CPF waktu pembekuan yang diperlukan
adalah 4-5 jam sedangkan ABF memerlukan waktu 8-9 jam.
(7) Pelapisan (glazing)
Fillet beku yang dihasilkan kemudian dilepas dari pan pembeku
selanjutnya dilakukan pengelasan dengan cara tiap keping fillet
dicelup ke dalam campuran air dan es yang bersuhu 0-5oC.
(8) Pengemasan (packaging)
Tiap-tiap keping fillet dimasukkan ke dalam plastik dan kemudian
bagian ujungnya dilipat untuk selanjutnya disusun ke dalam
mastercarton dan diikat dengan mesin pengikat (Strapping band
machines), pada tiap kemasan dicantumkan keterangan atau label
yang jelas.
(9) Penyimpanan beku
Master carton yang berisi produk disimpan dalam gudang beku (cold
storage) dengan suhu -25oC, penyusunan dalam cold storage diatur
sedemikian rupa sehingga memiliki sirkulasi udara.
B. Teori Antrian
Teori Antrian merupakan studi yang berkaitan dengan suatu keadaan-
keadaan yang berhubungan dengan segala aspek dalam situasi seseorang atau
lebih harus menunggu untuk dilayani. Dengan menggunakan teori antrian kita
dapat menganalisa kinerja antrian dengan menggunakan model-model
-
7matematik pada keadaan yang berbeda-beda, dan dengan teori antrian ini pula
dapat dibuat keputusan tentang berapa jumlah fasilitas pelayanan yang harus
digunakan, luasan tempat antrian yang dibutuhkan, saat pemberian pelayanan
dan sebagainya (Heizer dan Render ,2004).
Pendekatan analitis yang dapat digunakan untuk memecahkan masalah
sistem aliran bahan yang bersifat acak secara efektif adalah dengan
menggunakan analisis garis antrian atau teori antrian (Machfud, 1999).
Menurut Machfud (1999) Teori antrian memiliki ciri-ciri sebagai berikut:
1. Adanya pemasukan objek ke dalam suatu sistem
2. Objek yang bergerak melalui sistem bersifat diskret
3. Objek yang masuk ke dalam sistem untuk mendapatkan pelayanan atau
proses diurut berdasarkan suatu aturan tertentu
4. Adanya suatu mekanisme tertentu yang menentukan waktu pelayanan
5. Mekanisme yang tidak dapat ditentukan secara pasti dapat
dipertimbangkan sebagai suatu sistem yang bersifat probalistik
Menurut Aminudin (2005), ada beberapa tipe sistem antrian yang
semuanya dapat diklasifikasikan menurut karateristik di bawah ini.
1. Masukan atau kejadian kedatangan, yaitu meliputi sebaran jumlah
kedatangan tiap satuan waktu, jumlah antrian yang diizinkan
terbentuk, panjang maksimum antrian dan jumlah maksimum
langganan yang harus dilayani.
2. Proses pelayanan, yang meliputi sebaran waktu pelayanan untuk satu
satuan unit pelanggan, jumlah fasilitas pelayanan serta bentuk fasilitas
pelayanan (pararel, seri dan lain-lain).
3. Disiplin antrian, merupakan cara penentuan antrian atau baris
antrian (FIFO, LIFO, dan Lain-Lain).
Menurut Pangestu dkk (1993), terdapat empat struktur dasar dari sistem
antrian yang melukiskan kondisi umum dari fasilitas pelayanan, yaitu (1) jalur
tunggal satu fasilitas pelayanan, (2) jalur tunggal fasilitas pelayanan ganda, (3)
jalur ganda fasilitas pelayanan tunggal, (4) jalur ganda fasilitas pelayanan
ganda.
-
8Selain empat struktur dasar antrian tersebut, masih terdapat struktur
model antrian lain yang pada dasarnya merupakan gabungan dari dua atau
lebih struktur antrian diatas.
1. Pola Kedatangan.
Pola kedatangan adalah menggambarkan cara individu-individu dari
suatu populasi memasuki sistem. Individu-individu mungkin datang
-
9dengan laju kedatangan yang konstan atau juga secara acak. Untuk laju
kedatangan yang acak dan mempunyai sebaran tertentu.
Sebaran peluang poisson adalah salah satu dari sebaran pola
kedatangan yang paling umum bila beberapa faktor mempengaruhi waktu
kedatangan. Hal tersebut disebabkan sebaran poisson sesuai dengan suatu
pola kedatangan yang bersifat acak sempurna, berarti bahwa masing-
masing kedatangan saling bebas satu dengan lainnya (Gordon, 1980).
Apabila laju kedatangan mempunyai sebaran poisson, waktu antar
kedatangan akan mempunyai sebaran eksponensial (Pangestu 1993 dan
Taha 2003).
2. Pola Pelayanan.
Jumlah unit yang dapat dilayani persatuan waktu disebut sebagai
laju pelayanan dari fasilitas pelayanan. Laju pelayanan dapat berpola
konstan, dan dapat pula berpola acak. Untuk laju pelayanan yang
berpola acak, akan mempunyai sebaran peluang seperti halnya pola
kedatangan acak, yaitu sebaran poisson. Bila laju pelayanan
mempunyai sebaran poisson, maka waktu pelayanan mempunyai
sebaran peluang eksponensial (Pangestu 1993 dan Taha 2003).
3. Model-Model Antrian.
Untuk mempelajari model antrian diperlukan beberapa notasi
yang digunakan untuk menggambarkan model antrian yang dimaksud.
Menurut Aalto (2005) Notasi Kendall dapat digunakan untuk
menggambarkan karakteristik dari antrian dengan sistem paralel
secara umum yang dibakukan dengan format sebagai berikut :
(xb / yb / z) : (u / v / w)
Keterangan :
x : sebaran kedatangan.
y : sebaran waktu pelayanan.
z : jumlah fasilitas pelayanan paralel.
u : disiplin pelayanan atau disiplin antrian.
-
10
v : jumlah maksimum pelanggan dengan sistem.
w : ukuran dari popolasi asal pelanggan.
b : kedatangan bulk, pelayanan bulk.
Notasi baku yang menggunakan x dan y dapat diisi dengan notasi
sebagai berikut :
M : Sebaran kedatangan atau laju pelayanan Poisson
(ekivalen dengan sebaran waktu antar kedatangan atau
waktu pelayanan eksponensial).
D : Waktu pelayanan atau waktu antar kedatangan konstan
atau deterministik.
G : Sebaran waktu pelayanan umum (normal, binomial).
GI : Sebaran kedatangan atau tingkat pelayanan mempunyai
sebaran khusus.
K : Sebaran erlang untuk waktu antar kedatangan atau waktu
pelayanan.
Notasi untuk mengganti V dan W adalah :
I : Jumlah maksimum pelanggan di dalam sistem dan
ukuran populasi asal pelanggan tak terhingga.
F : Jumlah maksimum pelanggan di dalam sistem an ukuran
populasi asal pelanggan terhingga.
Disiplin antrian yang digunakan untuk mengisi u adalah :
FCFS : First Come, First Serve.
LCFS : Last Come, First Serve.
SIRO : Service in Random Order.
SPT : Shortest Processing (Service) Time.
GD : General (Service) Discipline.
Dengan format baku tersebut dapat diketahui berbagai model
antrian yang terbentuk. Masing-masing model antrian dapat
diselesaikan secara analitis dengan rumus-rumus pada model baku.
-
11
Menurut Gillet (1979), penyelesaian masalah antrian secara analitis
dengan rumus-rumus pada model baku dapat dilakukan apabila kondisi-kondisi
dibawah ini bisa dipenuhi :
a. Kedatangan pelanggan kedalam sistem terjadi secara acak sempurna
dan mengikuti sebaran poisson.
b. Proses pelayanan terjadi secara acak sempurna, dan waktu pelayanan
megikuti sebaran exponensial.
c. Disiplin antrian adalah FIFO.
d. Peluang terjadinya suatu kedatangan pada selang waktu t sampai t
+ D t, untuk untuk D t cukup kecil adalah Dnl t.
e. Peluang adanya pelanggan meninggalkan sistem pada selang waktu t
sampai t + D t, untuk D t cukup kecil adalah Dnm t.
f. Laju kedatangan lebih kecil dari laju pelayanan.
B. Sebaran Peluang
Untuk mendapatkan model yang lebih mendekati keadaan sebenarnya,
diperlukan pemilihan fungsi sebaran peluang yang sesuai dengan keadaan
nyata. Langkah-langkah yang harus ditempuh dalam memilih fungsi sebaran
peluang untuk kecepatan kedatangan dan kecepatan pelayanan adalah sebagai
berikut :
1. Mengelompokkan data menurut bentuknya, yaitu jumlah
kedatangan dan jumlah unit yang dilayani per unit waktu.
2. Mencari frekwensi, frekwensi relatif dan frekwensi komulatif dari
data.
3. Menghitung rata-rata, keragaman dan simpangan baku.
4. Mencari bentuk baku dari data.
5. Menguji apakah sebaran yang dipilih sesuai (langkah 6) atau tidak
(langkah 7)
6. Menetapkan bentuk parameter penduga dari sebaran baku yang
dipilih.
7. Sebaran yang tidak dapat diterapkan pada model-model sebaran
baku ditetapkan sebagai sebaran khusus (sebaran empiris).
-
12
Metode pengambilan data ialah dapat dilakukan dengan dua cara
yakni yang pertama ialah sensus, dan yang kedua ialah sampel. Sensus
mengambil data dari keseluruhan jumlah populasi. Sampel merupakan
bagian dari populasi yang diambil dengan cara-cara tertentu yang juga
memiliki karakteristik tertentu, jelas, dan lengkap yang bisa dianggap
mewakili populasi. Populasi yang tak terbatas membuat pengambilan
data dengan cara sensus tidak dapat dilaksanakan sehingga dipilih
pengambilan data dengan cara sampling. Pengambilan sampel
memerlukan beberapa kriteria yang perlu diperhatikan yakni :
1. Penentuan daerah generalisasinya agar sampel dapat berlaku terhadap
populasinya.
2. Pembatasan yang tegas dalam populasi.
3. Penentuan sumber informasi populasi.
4. Pemilihan Teknik Sampling.
5. Perumasan masalah.
6. Pendefinisian unit-unit yang dipakai.
7. Penentuan unit sampel.
8. Pencarian keterangan masalah yang akan dibahas.
9. Penentuan ukuran sampel.
10. Penentuan teknik pengumpulan data.
11. Penentuan Metode Analisis.
12. Penyediaan sarana prasaranan untuk penelitian.
(Hasan, 2001)
Teknik pengambilan sampel dapat dilakukan denan dua cara yaitu :
(1) Sampling random : merupakan sampel yang diambil secara acak
dengan cara undian, ordilnal atau dengan komputer.Pengambilannya
dapat dilakukan dengan cara sederhana, bertingkat, kluster, sistematis
dan proporsional.
(2) Sampling non random : Merupakan pengambilan sampel dengan
tidak acak yang dapat dilakukan dengan tiga cara yakni Kebetulan,
Bertujuan dan Quota.
(Usman, 2003).
-
13
.,...,2,1,0,!
)( nKk
ekXPk
===- aa
Sebenarnya tidak ada aturan yang tegas mengenai besarnya anggota
sampel yang diisyaratkan dalam suatu penelitian. Demikian pula batasan apa
batasan bahwa sampel itu besar atau kecil yang jelas ialah jika sampelnya
besar, maka biaya, tenaga dan waktu yang akan disediakan besar pula,
demikian sebaliknya. Sehingga mutu penelitian tidaklah ditentukan oleh
besarnya anggota sampel yang digunakan, melainkan oleh kuatnya dasar-dasar
teori pengambilan sampel tersebut. Sesungguhnya tidak ada anggota sampel
yang 100% representatif, kecuali anggota sampelnya yang sama dengan
anggota populasinya (total sampling) (Usman, 2003).
Sistem antrian umumnya ditentukan oleh dua buah kelengkapan statistik,
yaitu sebaran peluang antar kedatangan dan sebaran peluang waktu pelayanan.
Dalam sistem antrian nyata, waktu antar kedatangan dan waktu pelayanan
mengikuti berbagai macam bentuk sebaran. Bentuk sebaran yang mendasari
model-model antrian adalah sebaran poisson dan exponensial.
1. Sebaran Poisson
Menurut Meyer (1974), definisi dari sebaran poisson adalah
sebagai berikut. Misal X adalah peubah acak yang diskret dan
dianggap mempunyai nilai-nilai 0,1,2,?, n Jika :
Maka X dikatakan mempunyai sebaran poisson dengan parameter
0>a
Selanjutnya dikatakan bahwa apabila X mempunyai sebaran
poisson dengan parameter a , maka nilai harapannya (E(X)) adalah
a .Hal ini merupakan sifat khusus yang menarik dari sebaran poisson
yaitu bahwa nilai harapannya sama dengan nilai keragamannya.
2. Uji Kesesuaian Sebaran Poisson
Uji ini dilakukan apabila kita mempunyai dugaan bahwa data yang
diperoleh (misalkan data tingkat kedatangan atau tingkat pelayanan)
mempunyai sebaran poisson. Tahap pertama dalam uji kesesuaian
-
14
sebaran poisson adalah menghitung peluang adanya n kejadian dalam
selang waktu tertentu (Pn) dengan rumus :
,!
)(n
enPnnn -
= n adalah rata-rata data.
Setelah nilai Pn ditemukan, kemudian dilakukan perhitungan nilai
frekwensi harapan (expected frequency) yang dilambangkan en,
nilainya ditentukan sebagai berikut.
n
n
nnn pfe
=
=0
Untuk n yang mempunyai frekwensi terlalu kecil (
-
15
Fungsi kepadatan peluang komulatifnya adalah :
F(T) = P(T t) = -t
t dte0
aa
= 1- ,te a- untuk t 0
= 0, untuk t
-
16
Nilai rata-ratanya dihitung sebagai berikut :
( ) ( ) ( )fnff
fnttfttftt nn+++
-++-+-=
-
K
K
21212
211
21
1 13221
m
Besarnya kemungkinan eksponensial Gi (t) untuk setiap kelas
interval dihitung sebagai berikut :
Gi (t) = --- -=b
a
ba
t
t
ttt eedte mmmm
Frekwensi teoritis (ei) pada setiap kelas interval dihitung sebagai
berikut :
ei=Gi (t) N , N adalah jumlah data pengamatan
setelah itu, menghitung nilai Chi-kuadrat dengan rumus :
X2 hitung =( )
=
-n
n n
nh
eef
0
2
Apabila nilai X2 hitung X2(a ) tabel maka diterima hipotesis
bahwa data mengikuti sebaran eksponensial. Apabila hasilnya
sebaliknya maka hipotesis bahwa data mengikuti sebaran Eksonensial
ditolak.
5. Sebaran Normal
Dalam dunia nyata terdapat beberapa tipe kejadian acak yang
dibentuk oleh sebaran normal. Sebaran ini mempunyai karakteristik
kepadatan peluangnya berbentuk lonceng yang simetris terhadap garis
x = m dengan fungsi densitas pada X = x dengan persamaan :
f(x) =( )22
21
21 ms
ps
-
x
e
dengan : p : nilai konstant (3,1416)
e : nilai konstan (2,7183)
m : rata-rata
s : simpangan baku
dan nilai x mempunyai batas -~
-
17
Sebaran normal dapat dibedakan dari sebaran norml lainnya atas
dasar perbedaan nilai rata-rata dan simpangan bakunya atau kedua-
duanya (Sudjana, 1982 di dalam Henryardinanto, 2003).
6. Uji Kenormalan Data
Uji kenormalan data didasarkan pada fakta bahwa nilai tengah
contoh dan keragaman contoh tidak saling tergantung satu sama
lainnya, jika dan hanya jika contoh berasal dari sebaran normal.
Misalkan kita mempunyai sampelacak dengan hasil pengamatan x1, x2,
....., xn. Berdasarkan sampel ini akan dilakukan uji hipotesis bahwa data
yang diambil berasal dari populasi yang memiliki sebaran normal atau
data tersebut berasal dari populasi yang memiliki sebaran tidak
normal.
Menurut Sudjana (1982) di dalam Henryardinanto (2003) prosedur
pengujian hipotesis tersebut adalah sebagai berikut.
a. Pengamatan x1, x2, ?, xn dijadikan angka baku z1, z2, ?, zn
dengan menggunakan rumus zi =s
xx
-
-
1
(-
x dan s masing-
masing merupakan rata-rata dan simpangan baku dari data).
b. Untuk tiap angka baku ini dan dengan menggunakan daftar
sebaran normal baku, kemudian dihitung peluang F(zi) = P(z
zi).
c. Selanjutnya dihitung proporsi z1, z2, ?, zn yang lebih kecil atau
sama dengan zi. Jika proporsi ini dinyatakan oleh S(zi), maka:
S(zi), maka: S(zi) = (banyaknya z1, z2, ?, zn yang zi)/ n.
d. Hitung selisih F(zi??S(zi) kemudian tentukan harga mutlak.
e. Ambil harga yang paling besar diantara harga-harga mutlak
selisih tersebut. Sebutlah harga terbesar ini L0.
Untuk menerima atau menolak hipotesis, L0 harus dibandingkan
dengan nilai kritis L yang diambil dari daftar nilai kritis L untuk uji
Lilliefors untuk taraf a yang dipilih. Kriterianya adalah tolak
hipotesis bahwa populasi bersebaran normal jika L0 yang diperoleh
-
18
dari data pengamatan melebihi nilai L dari daftar. Apabila hasilnya
sebaliknya maka hipotesis bahwa data mengikuti sebaran normal
diterima.
7. Sebaran Empiris
Sebaran empiris adalah sebaran yang diperoleh dari hasil
pengamatan lapang yang mempunyai bentuk khusus dan hanya
berlaku pada kejadian tersebut. Untuk memperoleh peubah acak yang
dibangkitkan dari suatu sebaran empiris dapat digunakan metode
transformasi kebalikan
Peubah acak dari suatu sebaran empiris dipergunakan persamaan
sebagai berikut :
X = XLj + ( )XLjXUjYYYU
jj
j --
-
-
-
1
1
XLj adalah batas bawah selang sebaran komulatif dan U adalah
angka acak, Yj adalah peluang komulatifnya.
C. Uji Distribusi
Perlakuan terhadap input data yang bersifat acak untuk program simulasi
dapat dilakukan sebagai berikut (Conover, 1971) :
1. Nilai-nilai data tersebut digunakan secara langsung dalam simulasi.
Sebagai contoh, jika data menggambarkan waktu pelayanan, maka
salah satu data digunkan jika sebuah waktu pelayanan diperlukan
dalam sebuah simulasi. Hal ini disebut trace-driven simulation.
2. Nilai data-data tersebut digunakan untuk mendefinisikan sebuah
fungsi distribusi empiris dengan cara tertentu. Jika diperlukan dalam
sebah simulasi, sampel diambil dari distribusi ini.
3. Data dicocokan terhadap bentuk teoritis distribusi tertentu, misal
exponensial atau poisson, dengan menampilkan hipotesis tes untuk
menentukan kecocokan tersebut (the goodness of fit). Pencocokan ini
-
19
menghasilakan sejumlah parameter statistika. Saat dilakukan simulasi,
sampel diambil dari jenis distribusi teoritis dan nilai-nilai parameter
yang cocok ini.
Menurut Conover (1971) lebih lanjut, kelemahan dari pendekatan
pertama di atas adalah:
1. Simulasi hanya dapat menghasilkan apa yang telah terjadi sebelumnya
(historically).
2. Jarang diperoleh data yang cukup untuk membuat semua simulasi
yang diinginkan untuk dijalankan.
Jika ditemukan sebuah distribusi teoritis yang sesuai dengan data
pengamatan baik (pendekatan tiga) maka hal ini umumnya lebih dipilih
daripada menggunakan sebuah distribusi empirik (pendekatan dua). Hal ini
disebabkan sebuah fungsi distribusi empirik dapat memiliki sejumlah
ketidakteraturan, terutama jika data yang tersedia hanya sedikit. Keuntungan
lain dari pendekatan tiga adalah distribusi teoritis dapat ?memuluskan?
(smooth out) data dan dapat menghasilkan informasi. Ada sejumlah situasi
dimana tidak ada distribusi teoritis yang tidak cukup cocok dengan data-data
pengamatan. Pada kasus ini, penggunaan distribusi empiris sangat dianjurkan
(Conover, 1971).
Ditambahkan oleh Law dan Kelton (2000), tahapan dalam menentukan
jenis distribusi dari data yang ada adalah :
1. Membuat hipotesis pendugaan awal
2. Menduga parameter-parameter didalam data
3. Menentukan tingkat kesesuaian distribusi data dengan distribusi
teoritis
Menurut Law dan Kelton (2000), prosedur untuk menentukan kualitas
distribusi yang sudah dicocokan (fitted distributions) ada dua yaitu:
1. Prosedur heuristik atau grafis
Ada sejumlah prosedur heuristik atau grafis yang dapat digunakan
untuk membandingkan distribusi yang telah dicocokan (fitted
distributions) dengan distribusi sesungguhnya, diantaranya adalah
density / histogram overplots dan perbandingan frekuensi, distribusi
-
20
fungsi perbedaan plots dan plot peluang (Probability Plots). Sebuah
plot peluang dapat digambarkan sebagai grafik perbandingan sebuah
estimasi distribusi data sesungguhnya X1, X2, X3?Xn dengan fungsi
distribusi yang sudah dicocokan (fitted distributions).
Plot peluang dapat dibagi menjadi dua yaitu Q-Q plots dan P-P
plots. P-P (probability-probability) plot adalah sebuah grafik model
peluang yang dibandingkan dengan sample peluang
, untuk i=1,2,?n dan valid untuk kedua jenis kelompok
data (kontinu atau diskret). Jika dan berdekatan, maka P-P
plot akan mendekatisebuah lintasan miring antara 0 dan 1 secara
linier. Asumsi yang digunakan adalah Xi adalah jelas (tidak ada
pembatas). Plot P-P cenderung lebih linier pada nilai q?i yang cukup
besar dibandingkan dengan Q-Q plot karena plot Q-Q akan
memperkuat perbedaaan yang kecil antara dan ketika
keduanya mendekati nilai satu. Kelinieran plot menunjukkan
kesesuaian antara distribusi teoritis dengan sesungguhnya.
2. Prosedur goodness-of-fit hypotesis test
Pada sebagian besar situasi, sifat dasar pada satu atau beberapa
distribusi populasi merupakan hal yang paling penting. Kesahihan
prosedur-prosedur inferensi statistika prametrik bergantung pada
bentuk populasi-populasi asal sampel-sampel yang dianalasis. Apabila
bentuk-bentuk fungsi dari populasi-populasi yang dianalisis tidak
diketahui maka populasi tersebut harus diuji kecenderungannya apakah
terdistribusi sesuai dengan asumsi-asumsi yang mendasari prosedur
parametrik yang diuji. Metode-metode keselarasan (goodness of fit
test) digunakan untuk menentukan sampai seberapa jauh data sampel
yang teramati ?selaras?, ?cocok? atau fit dengan model tertentu yang
diujikan. Uji-uji keselarasan merupakan alat yang bermanfaat untuk
mengevaluasi sampai seberapa jauh suatu model mampu mendekati
situasi nyata yang digambarkannya.
-
21
Daniel (1989) di dalam Anggraini (2005) menambahkan bahwa ada
sejumlah uji keselarasan yang diperkenalkan yaitu :
1. Uji khi-kuadrat
2. Uji Kolmogorov-Smirnov
3. Uji Cramer-von Mises, yang diperkenalkan oleh Cramer pada tahun
1928 dan von Mises pada tahun 1931.
4. Uji Binbaum-Hall, yaitu sebuah uji yang analog dengan uji dua
sampel dua sisi Kolmogorov-Smirnov yang sesuai untuk beberapa
sampel bebas. Sayangnya, tabel distribusi statistik uji untuk prosedur
ini baru tersedia untuk kasus tiga sampel yang berukuran sama.
5. Gibbons telah mengusulkan sebuah uji keselarasan distribusi dua
sampel bebas dengan uji hipotesis-hipotesis tandingan yang umum.
Uji ini merupakan suatu uji pengacakan kelompok (group
randomization test) yang statistik ujinya adalah fungsi dari jumlah
deviasi kuadrat antara frekuensi-frekuensi relatif kelompok dalam
sampel-sampel.
Uji keselarasan yang paling umum digunakan ialah uji khi-kuardrat (Chi-
square goodness of fitness test) dan uji Kolmogorov-Smirnov (K-S). Uji
sampel tunggal K-S pada dasarnya dirancang untuk penggunaan data kontinu
dengan skala minimal ordinal. Pada penerapan uji keselarasan sampel tunggal
K-S, terdapat dua buah fungsi distribusi kumulatif yang dianalisis yaitu
distribusi kumulatif yang dihipotesiskan dan distribusi kumulatif yang teramati.
(Law dan Kelton, 2000).
Keunggulan dari penggunaan Kolmogorov-Smirnov sebagai penguji
keselarasan goodness of fitness test adalah uji ini tidak membutuhkan
pengelompokan data seperti khi-kuadrat sehingga tidak ada informasi yang
hilang dari data. Hal tersebut dapat menghilangkan masalah spesifikasi interval
yang berarti akan memberi kesempatan data diuji dengan semua distribusi yang
lebih luas di banding dengan khi-kuardrat. Keuntungan lain dari penggunaan
Kolmogorov-Smirnov ialah tes ini tepat untuk semua ukuran n (untuk kasus
semua parameter yang telah diketahui) sehingga lebih kuat (powerfull) dalam
-
22
pembandingan dengan banyak fungsi distribusi, dibandingkan dengan tes khi-
kuadrat (Law dan Kelton, 2000).
Kelemahan dari tes Kolmogorov-Smirnov ialah rentang kemampuan
aplikasinya lebih terbatas dibandingkan dengan tes khi-kuadrat oleh karena
untuk data diskret nilai kritis yang dibutuhkan tidak tersedia, melainkan harus
dihitung dengan menggunakan komputer menggunakan sejumlah formula yang
rumit. Selain itu oleh karena bentuk asli Kolmogorov-Smirnov valid jika
distribusi tersebut kontinu dan semua parameter distribusi hipotesis telah
diketahui, dengan kata lain parameter tidak dapat dianalisis dari data. Namun
saat ini penggunaan Kolmogorov-Simrnov telah diperluas sehingga mampu
mengestimasi beberapa parameter untuk distribusi normal, log normal,
eksponensial, weibull dan log-logistik (Law dan Kelton, 2000).
Uji Kolmogorov-Smirnov dilakukan untuk menguji tingkat kesesuaian
antara distribusi hasil pengamatan dengan distribusi teoritis tertentu. Tes ini
memusatkan perhatian pada penyimpangan terbesar yang dinotasikan dengan
D. Nilai ini dapat dihitung dengan persamaan berikut :
D = Max |fo(x) ? Sn(x) | , dengan :
Fo (x) = Suatu fungsi distribusi frekuensi kumulatif teoritis
Sn (x) = Suatu fungsi distribusi frekuensi kumulatif pengamatan dari
suatu sampel acak.
Pada uji Kolmogorov-Smirnov sebagai hipotesa nol adalah Fo(x) =
Sn(x), sedangan hipotesa tandingannya adalah Fo(x) tidak sama dengan Sn(x).
Keputusan dihasilkan dengan membandingkan nilai D yang dihasilkan dengan
nilai kritiknya pada tingkat kepercayaan 90% apabila nilai D lebih kecil dari
nilai kritiknya maka hipotesa nol dapat diterima (Steel dan Torrie, 1991).
D. Model
Model adalah pendekatan atau abstraksi dari suatu sistem yang
dikembangkan untuk tujuan studi. Model berisikan hal-hal (variabel) yang
relevan dengan sistem nyata yang ada. Observasi dalam sebuah sistem dapat
menjadi dasar dalam pembentukan sebuah model (Law dan Kelton, 2000).
-
23
Ada lima tipe model yang sering diaplikasikan dalam dunia nyata yaitu :
model fisik, model, matematik, model deskriptif, model prosedural dan model
simulasi (Maarif, 2003)
1. Model fisik
Dasar dari model fisik ialah analogi.
2. Model Deskriptif
Model deskriptif bersifat kualitatif.
3. Model Matematik
Model matematik terdiri dari simbol-simbol matematik atau
persamaan untuk menjelaskan suatu sistem. Atribut model adalah
variabel dan aktivitas model adalah fungsi.
Model matematika dapat dikelompokkan dalam tiga dimensi
yaitu pengaruh waktu, tingkat keyakinan, dan kemampuan
mencapai tingkat optimasi
a. Model statis atau dinamis
Model statis tidak menyatakan waktu sebagai variabel. Model
ini berkaitan pada suatu titik waktu tertentu. Model yang
menyertakan waktu sebagai variabel ialah model dinamis.
Model ini menggambarkan perilaku entitas dari waktu ke waktu.
b. Model probalistik atau deterministik
Probilita adalah peluang terjadinya sesuatu yang berkisar antara
0,00 (Sama sekali tidak) hingga 1,00 (Sama sekali pasti). Model
yang mencakup probabilita adalah model probalistik sebaliknya
adalah model deterministik.
c. Model optimasi atau suboptimasi
Model optimasi adalah model yang memilih solusi terbaik dari
berbagai alternatif. Agar dapat mencapai hal ini, masalah harus
terstruktur dengan baik. Model suboptimasi sering disebut
satisfiying model, oleh karena solusi terbaik diserahkan pada
pengguna.
-
24
4. Model prosedural
Model prosedural terdiri dari flowchart yang menjelasan
langkah-langkah yang terjadi dalam sistem.
5. Model Simulasi
Model simulasi adalah gabungan dari model prosedural dan
model matematik.
E. Teknik Heuristik
Program heuristik merupakan pengembangan operasi aritmatika dan
matematika logika. Ciri-ciri program heuristik secara umum : 1) adanya
operasi aljabar, yaitu penjumlahan, pengurangan dan perkalian; 2) adanya
perhitungan bertahap; 3) mempunyai tahapan terbatas sehingga dapat dibuat
algoritma komputernya (Gautney, 1995)
Teknik heuristik tidak menjamin diperolehnya pemecahan optimal tetapi
menjamin pemecahan yang memuaskan pengambil keputusan (Bedworth dan
Bailey, 1982). Pengembilan keputusan menggunakan aturan situasi/aksi. Jika
(s1..sn), maka (a1..an). (s1..sn) merupakan situasi yang dinyatakan dengan
operasi dan; (a1..an) adalah aksi atau keputusan yang diambil (Gautney, 1995).
F. Simulasi
Simulasi adalah suatu aktifitas dimana pengkaji dapat menarik
kesimpulan-kesimpulan tentang perilaku model yang selaras, dimana hubungan
sebab akibat terjadi seperti pada sistem yang sebenarnya. Dengan demikian,
simulasi berkepentingan dalam pembentukan serta pemanfaaatan model-model
yang secara realistis memplotkan perkembangan sistem sesuai jalur waktu.
Simulasi lebih menunjukkan suatu estimasi statistik, dibandingkan hasil eksak
yang lebih cenderung hanya merupakan suatu perbandingan dari berbagai
alternatif untuk mencapai titik optimum (Eriyatno, 1999 di dalam Sipahelut
(2002)).
Menurut subagyo et. al (1989) simulasi merupakan duplikasi atau
abstraksi persoalan dalam kehidupan nyata yang bersifat luwes sesuai dengan
keperluan sistem yuang sebenarnya. Selain itu keuntungan menggunakan
-
25
Sistem
Model
X, sP(x) n = N
n = n +1
Bilangan AcakVariabel Acak
Ya
Tidak
Gambar 5. Skema Simulasi Stokastik (Gottfried, 1984)
simulasi antara lain dapat memberikan jawaban bila model analitik yang
digunakan tidak memberikan solusi yang optimal.
Model simulasi yang diklasifikasikan berdasarkan dimensinya terdiri dari
model statis dan dinamis. Model simulasi statis, biasanya direkayasa guna
mewakili suatu sistem yang pada keadaaan tertentu tidak berperan aktif,
sebaliknya model simulasi dinamis mewakili suatu sistem yang berubah-ubah
sesuai perubahan dimensi waktu atau yang lainnya. Salah satu contoh model
statis ialah model-model simulasi monte carlo (Eriyatno, 1999 di dalam
Sipahelut ,2002).
Simulasi probalisatik atau simulasi monte-carlo, mempunyai kelebihan
karena simulasi ini dapat diatur jumlah ulangan simulasinya sesuai yang
dikehendaki dalam rangka memperoleh peubah acak dengan simpangan baku
kecil.
Untuk menguji kecukupan simulasi digunakan perhitungan dengan rumus
sebagai berikut (Gottfried, 1984) :
-
26
Dimana :
N = Panjang hari simulasi
n = Jumlah data pengamatan
? = Standar deviasi pengamatan
?* = Standar deviasi pada tingkat kepercayaan tertentu
Dalam simulasi monte carlo terdapat dua bagian yaitu bilangan acak dan
variabel acak, yaitu pembangkitan bilangan acak yang digunakan untuk input
simulasi dan pembangkitan variabel acak yang berfungsi untuk menjadi model
distribusi data yang dibangkitkan.
Untuk sampel acak yang berdistribusi normal, pembangkitan variabel
acak (X) menggunakan rumus sebagai berikut :
, dengan :
X = Variabel acak
= Rata-rata sampel pengamatan
? = Standar deviasi pengamatan
Z = Jumlah bilangan acak yang digunakan
Untuk menghitung nilai Z, rumus yang digunakan adalah
, dengan :
N = Jumlah hari simulasi
Ui = bilangan acak
Sedangkan variabel acak dengan distribusi empirik dibangkitkan dengan
rumus berikut :
, dengan :
Xi = Variabel acak ke-i
U = Bilangan acak
Xki = Distribusi peluang frekuensi kumulatif
Xui = Batas atas kelas data pengamatan ke-i
Xli = Batas bawah kelas data pengamatan ke-i
-
27
G. Verifikasi dan Validasi
Verifikasi merupakan proses penentuan apakah model simulasi yang
dibuat telah sesuai dengan yang diinginkan. Hal tersebut dapat dilakukan
dengan beberapa cara, yakni :
1. Tes data : Mengevaluasi setiap kejadian yang mungkin,
mempersiapkan data masukan secara khusus dan kemampuan
program pada kondisi ekstrim.
2. Tulis dan debug prodram dalam modul-modul atau subprogram-
subprogram
3. Di uji oleh banyak orang.
4. Run pada asumsi penyerdehanaan dimana model simulasi dapat
dihitung dengan mudah.
5. Lihat Hasil Simulasi.
(Maarif,2006)
Validasi model dilakukan untuk mengetahui apakah model yang telah
dibuat sesuai dengan kondisi nyata. Uji yang dapat dilakukan salah satunya
ialah dengan menggunakan uji-t (distribusi student). Uji t menguji kesamaan
nilai tengah () antara dua populasi dengan hipotesis sebagai berikut :
H0 :
H1 :
Hipotesis tersebut diterima ataupun ditolak dengan menggunakan nilai t,
apabila nilai thitung masuk ke dalam wilayah kritis yakni < t?/2 dan > -t?/2 maka
H0 akan di tolak dan H1 akan diterima, sebaiknya jika t diluar wilayah kritis
maka H0 diterima dan H1 akan ditolak. Perhitungan nilai t dihitung dengan
rumus :
dengan : X1 = Rata-rata data pengamatan
X2 = Rata-rata data hasil simulasi
-
28
?1 = Standar deviasi pengamatan
?2 = Standar deviasi hasil simulasi
n1 = Jumlah Data pengamatan
n2 = Jumlah Data hasil simulasi
(Hasan, 2001)
H. PENELITIAN TERDAHULU
Djamaris (1984), telah melakukan simulasi model antrian siste