WORKING PAPER
ANALISIS LINE BALANCING MODEL
BARU TIPE K41 PADA GENERAL SUB
ASSEMBLY LINI A BAGIAN STEERING
HANDLE DENGAN METODE ALGORITMA
SEMUT, ALGORITMA GENETIKA, RANK
POSITIONAL WEIGHT, DAN STOPWATCH
TIME STUDY DI PT ACD
Anisa Cicilya
Binus University, Jl.KH.Syahdan No. 9 Kemanggisan, (021)53696969,
a.cicilya@yahoo.com
Dr. Anggara Hayun Anujuprana S.T., M.T.
Binus University, Jl.KH.Syahdan No. 9 Kemanggisan, (021)53696969
ABSTRACT
Problems experienced by the achievement of production that the target of the units in 2150 units/day could not be fullfil as been defined in February-March 2014 with 1873 units/day. The longest cycle time can be caused by many things also, from the unequal division of labor so that the necessary analysis for the balance of the assembly line. Analysis used the method for line balancing are Ant Colony, Genetic Algorithms, Rank Positional Weight, and Stopwatch Time Study. With a high of efficiency line, low of balance delay, and low of smoothness index will makes decrease idle time for man power and increase the products output. The best analysis method for this case is using Ant Colony mix Initial Solution by Rank Positional Weight with 84,93% of Line Efficiency, 15,07% of Balance Delay and 10,87 of Smoothness Index.(AC)
Keywords : Line Balancing, Ant Colony, Genetic Algorithm, Rank Positional Weight, Line Efficiency, Balance Delay, Smoothness Index, Products Output.
ABSTRAK
Masalah yang dialami adalah tidak tercapainya target produksi yang telah ditetapkan perusahaan yaitu 2150 unit/hari pada periode Februari-Maret 2014 yang hanya mencapai 1873 unit/hari. Waktu siklus yang terlalu panjang dapat disebabkan banyak hal, salah satunya adalah pembagian beban kerja yang tidak merata sehingga diperlukan analisis terkait keseimbangan lini tersebut. Analisis keseimbangan lini yang digunakan adalah Algoritma Semut, Algoritma Genetika, Rank Positional Weight dan Stopwatch Time Study. Dengan efisiensi lini yang tinggi maka waktu menunggu dan kelancaran proses dari lini akan semakin rendah, dengan begitu tidak adanya waktu kosong dari man power sehingga hasil produksi akan meningkat. Metode analisis terbaik untuk masalah ini menggunakan Algoritma Semut dengan solusi awal Rank Positional Weight dengan Efisiensi Lini 84,93%, Balance Delay 15,07% dan Smoothness Index 10,87.(AC)
Kata kunci : Line Balancing, Algoritma Semut, Algoritma Genetika, Rank Positional Weight, Efisiensi Lini, Balance Delay, Smoothness Index, Hasil Produksi.
1. PENDAHULUAN
PT ACD merupakan salah satu perusahaan otomotif besar di Indonesia yang bergerak di bidang pembuatan sepeda motor yang saat ini memiliki 4 fasilitas pabrik perakitan dengan kapasitas produksi mencapai 4,2 juta unit sepeda motor pertahun dan total karyawan sekitar 20.789 orang. Dalam proses produksi di PT ACD masih melakukan beberapa perbaikan elemen kerja pada beberapa work station yang terdapat pada lini produksi. Hal ini akan mempengaruhi keseimbangan lini produksi dan dapat menimbulkan hambatan.
Algoritma Semut (AS) adalah metode metaheuristic untuk mengoptimalkan lini produksi. Karakteristik dari AS adalah adanya Pheromone semut yang digunakan sebagai jejak sebagai pembentuk jalur yang ditinggalkan untuk semut lainnya, dan kemudian semut lainnya memutuskan apakah akan mengikuti jejak tersebut atau tidak.
Algoritma Genetika (AG) merupakan algoritma pencarian dengan heuristic yang didasarkan atas mekanisme evolusi biologis. Evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme agar tetap hidup.
Rank Positional Weight (RPW) merupakan salah satu metode heuristic yang menggunakan cara penjumlahan waktu dari elemen-elemen kerja yang terkontrol dalam sebuah work station sebagai bobot posisi.
Stopwatch Time Study (STS) merupakan suatu metode pengukuran waktu kerja yang sangat baik untuk jenis pekerjaan yang berulang-ulang (repetitive). Data waktu diukur dengan stopwatch yang didapat berdasarkan aktifitas aktual, kemudian dicatat dan diolah untuk mempertimbangkan tempo waktu kerja man power dengan menambahkan faktor penyesuaian dan faktor kelonggaran (allowance) didalamnya.
Pada penelitian ini dilakukan Line Balancing untuk model baru tipe K41 di Gen Sub Assy Steering Handle Lini A dengan menggunakan metode AS, AG, RPW, dan STS agar target sesuai kapasitas produksi yang telah ditetapkan perusahaan dapat terpenuhi.
2. LANDASAN TEORI
2.1 Stopwatch Time Study (STS)
Wignjosoebroto (2003:132-135) mengatakan bahwa metode pengukuran waktu kerja
dengan jam henti (Stopwatch Time Study atau STS) sangat baik untuk jenis pekerjaan yang
berulang-ulang (repetitive). Data waktu diukur dengan stopwatch yang didapat berdasarkan
aktifitas aktual, kemudian dicatat dan diolah untuk mempertimbangkan tempo waktu kerja
man power dengan menambahkan faktor penyesuaian dan faktor kelonggaran (allowance)
didalamnya.
Niebel (1993:416-419) juga mengatakan setelah pengambilan sampel data Waktu
Siklus (Ws) secara aktual, selanjutnya melakukan perhitungan Waktu Normal (Wn) dengan
menambahkan Faktor Penyesuaian (P) di dalamnya dan Waktu Baku (Wb) dengan
menambahkan Faktor Kelonggaran (K) di dalamnya. Berikut adalah gambar diagram alir
perhitungan dengan metode STS yang terdapat pada gambar 2.1.
Persiapan 1. Observasi lapangan.
2. Pilih pekerjaan yang akan diukur. 3. Informasikan tujuan pengukuran ke atasan. 4. Pilih work station & man power lalu catat waktu
Elemental Breakdown 1. Urutkan waktu siklus sesuai elemen kerja.
Pengamatan & Pengukuran 1. Lakukan pengamatan dan pengukuran waktu
sejumlah N untuk tiap siklus atau elemen kegiatan. 2. Pilih pekerjaan yang akan diukur.
3. Tetapkan performance rate dari kegiatan man power. Cek Keseragaman & Kecukupan Data 1. Keseragaman.
a) Subjektif
b) Batas Kontrol 3
2. Pilih pekerjaan yang akan diukur.
N'
Waktu Normal (Wn) = Waktu Siklus (Ws) . Performance Rating
Waktu Baku (Wb) = Waktu Normal (Wn) . 100% . 100% x allowance
N' = N + n
Mulai
Selesai
Gambar 2.1 Perhitungan STS
2.2 Definisi Line Balancing
Hill (2013:193-195) mengatakan bahwa Line of balancing mempelajari bagaimana merancang suatu lintasan produksi agar tercapai keseimbangan beban pekerjaan yang dialokasikan kepada seluruh man power di tiap work station yang saling berkaitan dalam satu lini produksi, sehingga tiap work station tersebut memiliki waktu kerja yang lamanya tidak melebihi waktu siklus dari work station tersebut.
Konsep line balancing tepat diterapkan dalam lingkungan repetitive manufacture produksi massal. Suatu lini perakitan didefinisikan sebagai sekelompok orang dan atau mesin yang melakukan tugas-tugas sekuensial dalam merakit suatu produk.
Nasution (2003:149-150) mengatakan bahwa saling keterkaitannya antara pekerjaan digambarkan dalam precedence diagram atau precedence network. Sehingga diharapkan penyelesaian tugas produksi antar work station berjalan dengan lancar dan dengan kecepatan yang tetap atau seimbang. Untuk mendapatkan nilai kinerja sebuah lini, urutan pengerjaannya dapat dilihat pada gambar diagram alir 2.2.
Gambar 2.2 Diagram Alir Line Balancing
2.3 Algoritma Semut (AS)
Sabuncuoglu, Erel, dan Alp (2009:288-290) mengatakan bahwa Algoritma Semut berasal dari observasi kehidupan nyata. Semut dapat dieksploitasi untuk mengkoordinasi populasi dari agen artificial yang bekerjasama untuk memecahkan masalah dengan cara komputerisasi. Cara kerja dari Algoritma Semut ini sesuai dengan namanya, yaitu menggunakan sifat dari semut yang selalu mencari rute terpendek untuk menghubungkan antara tempat makanan dengan sarang semut. Algoritma Semut merupakan salah satu metode yang dilakukan oleh semut untuk memecahkan suatu permasalahan dari suatu kelompok yang menggunakan metode solusi optimal sebagai salah satu intelegensi heuristic. Cara kerja dari metode semut adalah menetapkan suatu lini produksi dengan pekerjaan yang paling minimal dari tempat produksi sehingga pekerjaan tersebut dapat dilakukan dengan waktu yang paling minimal.
Semut memiliki sifat komunikasi yang baik, yang menjadikan langkah utama dalam menyelesaikan suatu pekerjaan dengan baik, dimana semut menggunakan unsur kimia berupa Pheromones (Phi). Penggunaan Algoritma Semut ini dilakukan berdasarkan komunikasi semut yang menggunakan indera penciuman untuk memecahkan segala bentuk persoalan dengan menggunakan beberapa variabel tertentu.
Gozali, Widodo, dan Bernhard (2012:121-123) mengatakan bahwa tahapan dalam Algoritma Semut terbagi menjadi dua, yaitu tahap Inisialisasi dan tahap Local Search dengan menggunakan Simulasi Monte Carlo, adapun langkah-langkah dalam perhitungannya dengan menggunakan program Matlab dapat dilihat pada gambar 2.3.
Mulai Tahap Inisialisasi
B
Pemilihan kandidat elemen kerja (L)
Perhitungan nilai t*j dan σ*
(psuedo code)
Cum tj baru ≤ CT
(psuedo code)
Elemen kerja tidak masuk
work station (psuedo code)
Tidak Kandidat elemen kerja yang
dapat masuk work station
(psuedo code)
Perhitungan nilai Utilisasi dan Probabilitas tiap elemen
kerja
(psuedo code)
Perhitungan nilai Metric
(psuedo code)
Ya
Perhitungan nilai Pheromone
(psuedo code)
Tahap Local Search dengan Simulasi Monte Carlo Pemilihan elemen kerja dari
kandidat L
(psuedo code)
Elemen kerja terpilih akan masuk ke work station
(psuedo code)
Perbaharuan nilai statistik
(psuedo code)
Sisa elemen kerja
(psuedo code) B
Ya Tidak Perhitungan nilai objektif
(psuedo code) Selesai Variabel input R, t*j, σL, σ*, a, M, CT, sesuai L ke Matlab
2.4 Rank Positional Weight (RPW)
Langkah awal dalam penyelesaian dengan metode ini yaitu dengan membuat precedence diagram berdasarkan jaringan kerja serta besar waktu baku untuk tiap elemen kerjanya. Selanjutnya metode ini mengutamakan waktu elemen kerja yang terpanjang, dimana elemen kerja ini akan diprioritaskan terlebih dahulu untuk ditempatkan ke dalam work station yang kemudian akan diikuti oleh elemen kerja lain yang memiliki waktu lebih rendah. Berikut ini adalah gambar diagram alir 2.4 metode Rank Positional Weight (RPW) untuk menyelesaikan keseimbangan lini.
Mulai
Tentuka n prec ede nce diagram sesuai dengan a ktua l
Tentuka n bobot posisi untuk setiap elemen kerjannya dengan memperhatik an prec edence diagram. Cara m enentukan bobot
posisinya adalah ;
Bobot RP W = Waktu Elemen Kerja i + Waktu Elemen Kerja Pengikut
Urutkan elemen kerja berdasarkan bobot posisi yang telah didapatkan pada tahap-2, lakukan pengurutannya
mulai dari elemen kerja yang memiliki bobot posisi yang terbesar.
Penempatan elemen kerja yang memiliki bobot posisi terbesar sampai yang terkecil kesetiap work
station.
Ulangi lagi taha p- 4 dan taha p-5 diatas sampai seluruh elemen pekerjaan telah ditempatkan
ke dalam work station. Ws ≤ CT
Jika pada work station terdapat waktu yang berlebihan, maka ganti
elemen kerja yang dalam work station terse but ke work station berikutnya selama tidak menyalahi
precedence diagram
Selesai
Gambar 2.4 Perhitungan Metode RPW
2.5 Algoritma Genetika (AG)
Tiacci (2014:2-4) mengatakan bahwa Algoritma Genetika merupakan metode metaheuristic yang dapat berevolusi secara beragam, keberagaman evolusi biologis adalah variasi dari kromosom antar individu organisme. Variasi dari kromosom ini akan mempengaruhi laju reproduksi dan tingkat kemampuan organisme tersebut agar tetap hidup. Algoritma Genetika merupakan suatu metode untuk optimisasi yang didasari dari proses genetika organ-organ biological. Secara umum kekuatan dari metode Algoritma Genetika adalah teknik yang kuat dan dapat digunakan untuk menyelesaikan permasalahan dari berbagai sudut. Diagram alir proses optimisasi dengan metode Algoritma Genetika dengan menggunakan program simulasi Evolver dapat dilihat pada gambar 2.5.
Mulai
Data lini dengan solusi awal AS atau
RPW
Input data lini solusi awal AS
atau RPW ke Evolver
Setting : Mutation Rate
Setting : Crossover Rate
Setting : Population
Setting : Looping
Selesai
Gambar 2.5 Perhitungan AG Optimisasi AS Atau RPW Dengan Evolver
3. METODOLOGI PENELITIAN
Nazir (2005:35-43) mengatakan bahwa untuk memudahkan dalam melakukan analisis diperlukan beberapa tahap. Tahap-tahap tersebut dikonversikan menjadi sebuah metode penelitian yang dapat dilihat di gambar 3.1.
Mulai Observasi Lapangan Identifikasi Masalah Pengumpulan Data : 1. Data hasil produksi periode Februari-Maret 2014 2. Data elemen kerja 3. Data waktu elemen kerja 4. Precedence
diagram proses assy
K41
Penentuan Tujuan Penelitian
A Batasan Masalah
Analisis Lini Saat Ini Metode Stopwatch Time Study : 1. Uji Data 2. Efisiensi Lini 3. Balance Delay 4. Smoothness Index
Analisis Lini Usulan Untuk Perbaikan
Algoritma Semut Rank Positional
Weight
Algoritma Genetika
Perbandingan Kinerja Lini Saat Ini Dengan Usulan : 1. Efisiensi Lini 2. Balance Delay 3. Smoothness Index Kesimpulan Dan Saran Selesai A
Gambar 3.1(lanjutan) Diagram Alir Penelitian
4. ANALISIS DAN BAHASAN
Setelah menganalisis dengan metode Stopwatch Time Study, Algoritma Semut, Rank Positional Weight, Algoritma Genetika solusi awal Algoritma Semut, dan Algoritma Genetika solusi awal Rank Positional Weight, menunjukan bahwa Algoritma Genetika solusi awal Algoritma Semut menghasilkan kinerja yang lebih baik. Hal ini dikarenakan Efisiensi Lini, Balance Delay, dan Smoothness Index yang lebih baik jika dibandingkan dengan keadaan lini saat ini dan seluruh lini usulan perbaikan yang ada. Berikut adalah tabel perbandingan kinerja dari lini A yang dapat dilihat pada tabel 4.1.
Tabel 4.1 Perbandingan Antar Seluruh Nilai Kinerja Lini A
Saat Ini AS RPW AG-AS AG-RPW
Waktu Work Station
Terpanjang (detik) 25,24 23,99 23,99 23,99 23,99 Efisiensi Lini (%) 80,73 84,93 84,93 84,93 84,93 Balance Delay (%) 19,27 15,07 15,07 15,07 15,07 Smoothness Index 16,23 12,32 12,22 10,87 11,11 Jumlah Work Station 7 7 7 7 7 Output Perhari (unit) 1873 2150 2150 2150 2150
5. SIMPULAN DAN SARAN
5.1 Simpulan
Dari penelitian yang dilakukan untuk mendapatkan rancangan lini usulan perbaikan di PT ACD dapat ditarik kesimpulan :
1. Berdasarkan hasil pengolahan data lini saat ini, waktu baku siklus terpanjang yaitu 25,24 detik/unit. Kondisi ini menyebabkan tidak tercapainya target produksi dengan ketentuan Cycle Time atau Tact Time senilai 24 detik/unit, sehingga dibutuhkan perbaikan dalam keseimbangan lini perakitan.
2. Berdasarkan analisis pada penelitian ini ditemukan penyebab dari tidak tercapainya target produksi adalah terdapat potensi bottle neck karena tidak seimbangnya pembagian beban tugas atau elemen kerja antar work station, terutama pada work station 219 (F) yang memiliki waktu baku siklus terpanjang yaitu 25,24 detik.
3. Berdasarkan analisis perhitungan lini A usulan menggunakan metode Algoritma Semut jika dibandingkan dengan keadaan lini A saat ini, Efisiensi Lini meningkat dari 80,73% menjadi 84,93%. Balance Delay menurun dari 19,27% menjadi 15,07%. Dan Smoothness Index juga menurun dari 16,23 menjadi 12,32.
4. Berdasarkan analisis perhitungan lini A usulan menggunakan metode Rank Positional Weight jika dibandingkan dengan keadaan lini A saat ini, Efisiensi Lini meningkat dari 80,73% menjadi 84,93%. Balance Delay menurun dari 19,27% menjadi 15,07%. Dan Smoothness Index juga menurun dari 16,23 menjadi 12,22.
5. Berdasarkan analisis perhitungan lini A usulan menggunakan metode Algoritma Genetika dengan
solusi awal Algoritma Semut jika dibandingkan dengan keadaan lini A saat ini, Efisiensi Lini meningkat dari 80,73% menjadi 84,93%. Balance Delay menurun dari 19,27% menjadi 15,07%. Dan Smoothness Index juga menurun dari 16,23 menjadi 10,87.
6. Berdasarkan analisis perhitungan lini A usulan menggunakan metode Algoritma Genetika dengan
solusi awal Rank Positional Weight jika dibandingkan dengan keadaan lini A saat ini, Efisiensi Lini meningkat dari 80,73% menjadi 84,93%. Balance Delay menurun dari 19,27% menjadi 15,07%. Dan nilai Smoothness Index juga menurun dari 16,23 menjadi 11,11.
7. Berdasarkan perbandingan metode perhitungan yang telah dilakukan untuk usulan lini A, maka hasil perhitungan dengan metode Algoritma Genetika solusi awal Algoritma Semut dapat diusulkan sebagai usulan perbaikan lini A karena Efisiensi Lini A pada proses assembly untuk model baru tipe K41 di Gen Sub Steering Handle meningkat dari 80,73% menjadi 84,93% dengan Balance Delay menurun dari 19,27% menjadi 15,07% dan Smoothness Index juga menurun dari 16,23 menjadi 10,87 serta pembagian beban tugas pekerjan atau elemen kerja lebih seimbang sehingga dapat memenuhi target produksi sesuai dengan kapasitas produksi yang telah ditetapkan perusahaan yang semula hanya 1873 unit perhari kemudian setelah perbaikan menjadi 2150 unit perhari.
5.2 Saran
Saran yang dapat diberikan untuk PT ACD setelah dilakukan penelitian ini adalah sebagai berikut:
1. Perusahaan dapat mengaplikasikan usulan lini perbaikan ini dengan metode Algoritma Genetika solusi awal Algoritma Semut untuk dapat mencapai target produksi sesuai kapasitas produksi yang telah ditetapkan oleh perusahaan.
2. Perusahaan disarankan dapat menerapkan metode Algoritma Semut solusi awal Algoritma Genetika apabila terjadi perubahan sistem kerja.
Daftar Pustaka
Astra Honda Motor. 2010. Tentang AHM. (25-11-2013) dari http://www.astra-honda.com/index.php/about
Ayuningtyas R, Setyanto N. W, Efranto R. Y. (2014). Analisis Peningkatan Produktivitas dan Efisiensi Kerja Dengan Penerapan Kaizen. 175-186.
Gozali L, Widodo L, Bernhard M. (2012). Analisa Keseimbangan Lini Pada Departemen Chassis PT Toyota Motor Manufacturing Indonesia Dengan Algoritma Genetika Ant Colony, Rank Positional Weight, dan Algoritma Genetika. Jurnal Teknik Industri. 119-126.
Hamza R. M. A, & Al-Manaa J. Y. (2013). Selection of Balancing Method for Manual Assembly Line of Two Stages Gearbox. International Journal of Global Perspective on Engineering
Management, 2 (2), 70-81.
Hill, M. 2013. Technical Note Five Facility Layout Chapter 8. (01-03-2014) dari
http://home.snc.edu/eliotelfner/333/facility%20layout.pdf
Nasution, A. H. (2003). Perencanaan & Pengendalian Produksi. (Jilid-1). Surabaya : Guna Widya. Nazir, M. (2005). Metode Penelitian. (Jilid-6). Bogor : Ghalia Indonesia
Niebel, B. W. (1993). Motion and Time Study. (9 th edition). Boston : Massachusetts. Palisade. 2014. Evolver 6 Sophiscated Optimization for Spreadsheets. (15-05-2014) dari
http://www.palisade.com/evolver/
Sabuncuoglu I, Erel E, Alp A. (2009). Ant Colony Optimization for the Single Model U-type Assembly Line Balancing Problem. International Journal Production Economics. 287-300. Tiacci, L. (2014). Coupling a Genetic Algorithm Approach and a Discrete Event Simulator to Design
Mixed-Model Un-Paced Assembly Lines With Parallel Workstations and Stochastic Task Times.
UGM, Tim Pengarang. (2008). Laboratorium Komputasi Matematika dan Statiska Jurusan Matematika FMIPA UGM. Jogjakarta : UGM.
Wignjosoebroto, S. (2003). Pengantar Teknik & Manajemen Industri. (Jilid-1). Surabaya : Guna Widya.
