BAB III
LANDASAN TEORI
3.1. Perawatan3
Beberapa pengertian perawatan (maintenance) menurut ahli :
Pemeliharaan atau maintenance adalah suatu kombinasi dari berbagai
tindakan yang dilakukan untuk menjaga suatu barang dalam, atau
memperbaikinya sampai suatu kondisi yang bisa diterima. Maintenance
mempunyai peranan yang sangat menentukan dalam kegiatan produksi dari suatu
perusahaan yang menyangkut kelancaran dan kemacetan produksi, kelambatan,
dan volume produksi serta efisiensi produski. Dengan demikian, maintenance
mempunyai fungsi yang sama pentingnya dengan fungsi-fungsi lain di
perusahaan.
Pemeliharaan pabrik dan peralatan dalam tatanan kerja yang baik sangat
penting untuk mencapai kualitas dan keandalan (reliability) tertentu serta kerja
yang efektif dan efisien. Perawatan pada umumnya dilihat sebagai kegiatan fisik
seperti membersihkan peralatan yang bersangkutan, memberi oli (pelumas),
memperbaiki kerusakan, mengganti komponen dan semacamnya bila diperlukan.
Pendeknya kegiatan perawatan memerlukan adanya sumber daya seperti yang
diperlukan dalam aktivitas usaha lain, yaitu manusia (man), mesin (machine),
bahan baku (material), cara (method), dan uang (money) yang sering disebut
1. Menurut Corder (1992), perawatan merupakan suatu kombinasi dari tindakan
yang dilakukan untuk menjaga suatu barang dalam, atau untuk
memperbaikinya sampai, suatu kondisi yang bisa diterima.
2. Menurut Assauri (1993), perawatan diartikan sebagai suatu kegiatan
pemeliharaan fasilitas pabrik serta mengadakan perbaikan, penyesuaian atau
penggantian yang diperlukan agar terdapat suatu keadaan operasi produksi
yang sesuai dengan yang direncanakan.
3. Menurut Dhillon (1997), perawatan adalah semua tindakan yang penting
dengan tujuan untuk menghasilkan produk yang baik atau untuk
mengembalikan ke dalam keadaan yang memuaskan.
3.2. Tujuan Perawatan4
1. Memperpanjang usia kegunaan aset (yaitu setiap bagian darisuatu tempat
kerja, bangunan dan isinya). Hal ini terutama penting di negara berkembang
karena kurangnya sumber daya modal untuk penggantian. Di negara-negara
maju kadang-kadang lebih menguntungkan untuk ‘mengganti’ daripada
memelihara.
Tujuan pemeliharaan (maintenance) yang utama dapat didefenisikan
sebagai berikut:
2. Menjamin ketersediaan optimum peralatan yang dipasang untuk produksi
atau jasa untuk mendapatkan laba investasi (return of Investment) semaksimal
mungkin.
3. Menjamin kesiapan operasional dari seluruh peralatan yang diperlukan dalam
keadaan darurat setiap waktu, misalnya unit cadangan, unit pemadam
kebakaran dan penyelamat, dan sebagainya.
4. Menjamin keselamatan orang yang menggunakan sarana tersebut.
3.3. Jenis-jenis Tindakan Perawatan5
1. Corrective Maintenance (perawatan perbaikan) yaitu perawatan yang
dilakukan setelah kerusakan terjadi yang bertujuan untuk memperbaiki
kerusakan tersebut. Tidak terdapat kegiatan perencanaan untuk
mengoptimumkan perawatan peralatan dan manajemen pendukung
keputusan. Strategi ini dipengaruhi oleh pemenuhan suku cadang dan biaya
kegiatan perawatan sangat bergantung pada tersedianya atau tidak tesedianya
kebutuhan suku cadang untuk melakukan kegiatan perbaikan. Jenis-jenis tindakan perawatan terbagi atas:
2. Maintenance (perawatan pencegahan) yaitu kegiatan perawatan terencana
yang dilakukan untuk menghadapi dan mencegah kegagalan potensial pada
suatu komponen atau sistem. Pemilihan waktu dan hasil dari kegiatan
perawatan pencegahan harus direncanakan dan dioptimalkan dengan baik
untuk memaksimumkan hasil produksi dan meminimumkan biaya perawatan.
3. Replacement (penggantian)
a. Planned replacement (penggantian terencana) yaitu pemilihan waktu
terbaik penggantian berdasarkan penentuan interval waktu optimum
untuk meminimumkan biaya perawatan. Kegiatan perawatan ini disebut
juga preventive replacement atau penggantian pencegahan.
b. Replacement upon failure (penggantian saat kerusakan) yaitu
penggantian yang dilakukan jika komponen atau sistem rusak. Kegiatan
perawatan ini disebut juga corrective replacement atau penggantian
perbaikan.
4. Inspection Maintenance (IM)
Tindakan perawatan ini terlebih dahulu menentukan keadaan peralatan dan
metode untuk mengidentifikasi waktu di mana tindakan ini harus dilakukan.
Strategi ini juga disebut "menenmukan kesalahan" yaitu pengukuran dan
inspeksi dapat direncanakan dengan baik secara berkala, tetapi restoratif atau
pencegahan tugas tidak bisa. Keadaan fungsi sistem/ komponen dapat
didasarkan pada seperangkat indikator yang mampu menggambarkan
kesehatan sistem sesuai dengan spesifikasi.
5. Condition-based maintenance
Strategi ini membutuhkan pemantauan variabel yang relevan atau satu set
variabel yang relevan yang berkaitan erat dengan kegagalan peralatan. Seperti
digambarkan sebelumnya, pemeliharaan berdasarkan kondisi mengacu pada
model dan aturan yang dapat menjadi milik pemeliharaan preventif atau
untuk pemeliharaan inspeksi, ketika keadaan peralatan hanya diketahui
6. Opportunistic Maintenance
Tindakan pemeliharaan dilakukan ketika kesempatan muncul (seperti selama
pabrik belum beroperasi).
3.4. Teori Keandalan (Reliability)
3.4.1. Pengertian Keandalan6
Keandalan atau reliability dapat didefinisikan sebagai probabilitas bahwa
suatu komponen/sistem akan menginformasikan suatu fungsi yang dibutuhkan
dalam periode waktu tertentu ketika digunakan dalam kondisi operasi (Ebeling;
1997). Definisi keandalan menurut Kapur (1997) adalah, “probabilitas dimana
ketika operasi berada pada kondisi lingkungan tertentu, sistem akan menunjukkan
kemampuannya sesuai dengan fungsi yang diharapkan dalam selang waktu
tertentu”. Keandalan juga dapat didefenisikan sebagai probabilitas yang selalu
dikaitkan dengan akumulasi waktu dimana suatu alat beroperasi tanpa mengalami
kerusakan dalam kondisi lingkungan tertentu.
Perawatan komponen atau peralatan tidak bisa lepas dari pembahasan
mengenai keandalan (reliability), selain keandalan merupakan salah satu ukuran
keberhasilan sistem perawatan juga keandalan digunakan untuk menentukan
3.4.2. Distribusi Kerusakan
Setiap mesin memiliki karakteristik kerusakan yang berbeda-beda.
Sejumlah mesin yang sama jika dioperasikan dalam kondisi yang berbeda akan
memiliki karaketistik kerusakan yang berbeda. Bahkan mesin yang sama juga jika
dioperasikan dalam kondisi yang sama akan memiliki karakteristik kerusakan
yang berbeda. Dalam menganalisai perawatan ada beberapa jenis distribusi yang
umum dipakai yaitu:
1. Distribusi Normal (Jardine, 2010)
Distribusi normal (Gausian) merupakan distribusi probabilitas yang paling
penting baik dalam teori maupun aplikasi statistik. Distribusi ini digunakan
jika pengaruh suatu kerandoman diakibatkan oleh sejumlah besar variasi
random yang tidak bergantungan (saling bebas/independent) yang kecil atau
sedikit. Fungsi Kepadatan Probabilitas dalam distribusi normal adalah :
� (�) = 1
�√2���� �−
(� − �)2
2�2 �; −∞⊲ � ⊲ ∞
MTTF (Mean Time To Failure) adalah rata-rata waktu atau interval waktu
kerusakan mesin atau komponen dalam distribusi.
MTTF = µ
Konsep reliability distribusi normal tergantung pada nilai μ dan σ. Dimana:
µ = rata-rata
σ = standar deviasi
Gambar 3.1. Kurva Distribusi Normal
2. Distribusi lognormal
Distribusi lognormal merupakan distribusi yang berguna untuk
menggambarkan distribusi kerusakan untuk situasi yang bervariasi. Distribusi
lognormal banyak digunakan di bidang teknik, khusunya sebagai model untuk
berbagai jenis sifat material dan kelelahan material.
Fungsi Kepadatan Probabilitas dalam distribusi lognormal adalah:
� (�) = 1
�� √2���� �−
[ln (�)−�]2
2�2 �; −∞⊲ � ⊲ ∞
Untuk MTTF (Mean Time To Failure) adalah
MTTF = ��� ��+ �2
2 �
Konsep reliability distribusi lognormal tergantung pada nilai μ dan σ.
3. Distribusi Eksponensial
Distribusi eksponensial menggambarkan suatu kerusakan dari mesin yang
disebabkan oleh kerusakan pada salah satu komponen dari mesin atau
peralatan yang menyebabkan mesin terhenti. Dalam hal ini kerusakan tidak
dipengaruhi oleh unsur pemakaian peralatan. Dengan kata lain distribusi ini
memiliki kelajuan yang konstan terhadap waktu. Distribusi eksponensial akan
tergantung pada nilai λ, yaitu laju kegagalan (konstan).
Fungsi Kepadatan Probabilitas dalam distribusi eksponensia adalah:
f (t) = λ e−λt
t > 0
Untuk MTTF (Mean Time To Failure) adalah
MTTF = 1 �
Gambar 3.3. Kurva Distribusi Eksponensial
4. Distribusi Weibull
Distribusi weibull pertama sekali diperkenalkan oleh ahli fisika dari Swedia
Wallodi Weibull pada tahun 1939. Dalam aplikasinya, distribusi ini sering
dari suatu sistem fisika. Ilustrasi yang khas, misalnya pada sistem dimana
jumlah kegagalan meningkat dengan berjalannya waktu (misalnya keausan
bantalan), berkurang dengan berjalannya waktu (misalnya daya hantar
beberapa semi konduktor) atau kegagalan yang terjadi oleh suatu kejutan
(shock) pada sistem.
Distribusi weibull merupakan bagian distribusi kerusakan yang paling sering
dipakai sebagai model distribusi masa hidup (life time). Distribusi Weibull
merupakan distribusi empirik sederhana yang mewakili data yang aktual.
Distribusi ini biasa digunakan dalam menggambarkan karakteristik kerusakan
dan keandalan pada komponen.
Fungsi Kepadatan Probabilitas dari distribusi Weibull:
f(t) = β
Fungsi keandalan dari distribusi Weibull dimodelkan sebagai berikut:
R(t) = exp��−t−ηγ�β�
MTTF (Mean Time To Failure) adalah rata-rata waktu atau interval waktu
kerusakan mesin atau komponen dalam distribusi kegagalan.
MTTF =γ + ηΓ� 1
β +1 �
Γ = Fungsi Gamma, dapat diperoleh melalui nilai fungsi gamma.
Parameter β disebut dengan parameter bentuk atau kemiringan weibull
β < 1: Distribusi weibull akan menyerupai distribusi hyper-exponential
dengan laju kerusakan cenderung menurun.
β = 1: Distribusi weibull akan menyerupai distribusi eksponensial dengan laju
kerusakan cenderung konstan.
β > 1: Distribusi weibull akan menyerupai distribusi normal dengan laju
kerusakan cenderung meningkat.
Gambar 3.4. Kurva Distribusi Weibull
3.5. Identifikasi Distribusi Kerusakan dengan Software Weibull++ 107
Reliasoft Weibull++ merupakan perangkat lunak yang melakukan analisis
data usia pakai dengan antarmuka yang jelas dan ringkas yang diarahkan rekayasa
keandalan. Interface Weibull++ merupakan lembar kerja yang intuitif, fleksibel
dan terpadu yang memungkinkan untuk mengelola beberapa folio analisis dan
informasi terkait secara bersamaan. Weibull++ menyediakan semua tool yang
butuhkan untuk analisis standar usia data pakai, termasuk pilihan fleksibel untuk
jenis data, distribusi usia pakai dan metode estimasi parameter.
Dalam analisis data usia pakai, tujuannya adalah untuk memodelkan dan
memahami perilaku tingkat kegagalan dari item, proses atau produk tertentu.
Model dibangun dengan mengambil atau mengamati data "hidup" yang dapat
diperoleh dari lapangan atau dari pengujian. Karena waktu adalah ukuran umum
dari usia produk, titik umur data sering disebut data antar kegagalan.
Kasus yang paling sederhana data usia pakai adalah kumpulan data di
mana waktu kegagalan setiap spesimen dalam sampel diketahui. Jenis set data
disebut dengan complete data dan diperoleh dengan merekam waktu yang tepat
ketika setiap unit mengalami kegagalan. Misalkan ada permintaan dari sebuah tim
insinyur yang bekerja pada desain sebuah proyektor. Anda diminta untuk
mengukur karakteristik usia bola proyektor untuk memahami keandalannya. Anda
diberi satu set data untuk 10 lampu yang semua diuji untuk kegagalan oleh
pemasok bola ini. Waktu kegagalannya adalah 513, 649, 740, 814, 880, 944, 1009,
1078, 1161 dan 1282 jam. Kegagalan kali ini disebut complete data.
Untuk menjawab kasus tersebut dapat dilakukan dengan melakukan
analisis usia data dengan langkah-langkah sebagi berikut:
1. Membuat folio standar baru dengan memilih Insert> Folios> Weibull ++
Standard Folio. Ketika diminta untuk menentukan tipe data, pilih data Times
to-Failure dan menghapus semua pilihan lain. Gunakan daftar drop-down
unit untuk menunjukkan bahwa nilai waktu dalam lembar data akan
Gambar 3.5. Tampilan Weibull++ Folio Data Setup
2. Setelah folio data dibuat, memasukkan data kegagalan yang diberikan.
3. Setelah data set dimasukkan, langkah selanjutnya adalah menyiapkan analisis.
Pilihan analisis yang tersedia di daerah Analisis Pengaturan dari panel
kontrol. Daerah ini memberikan ringkasan dari pengaturan yang akan
digunakan untuk menyesuaikan distribusi ke set data.
4. Selanjutnya adalah atur distribusi yang ingin dicocokan dengan data untuk
menentukan distribusi akan bekerja terbaik dengan data yang ada.
5. Untuk menganalisis data (misalnya, sesuai dengan distribusi yang dipilih
berdasarkan pengaturan analisis yang dipilih), klik ikon Calculate pada panel
kontrol.
6. Setelah distribusi ditentukan, analysis summary area dari panel kontrol
menampilkan parameter dari distribusi dan informasi terkait lainnya.
Hasilnya seperti yang ditunjukkan berikut ini.
Gambar 3.7. Tampilan Ringkasan Perhitungan Parameter Distribusi
3.6. Identifikasi Diagram Pareto8
Diagram pareto adalah suatu diagram yang menggambarkan urutan
penyimpangan akan menyebabkan 80% masalah yang timbul. Digaram pareto
berguna untuk:
1. Menentukan jenis persoalan utama.
2. Membandingkan masing-masing jenis persoalan terhadap keseluruhan.
3. Menunjukkan tingkat perbaikan yang berhasil dicapai.
4. Membandingkan hasil perbaikan masing-masing jenis persoalan sebelum dan
setelah perbaikan.
Langkah-langkah pembuatan diagram Pareto diagram sebagai berikut:
1. Stratifikasi dari problem, dinyatakan dalam angka.
2. Tentukan jangka waktu pengumpulan data yang akan dibahas untuk
memudahkan melihat perbandingan sebelum dan sesudah penanggulangan
(jangka waktu harus sama).
3. Atur masing-masing penyebab (sesuai dengan stratifikasi) secara berurutan
sesuai besarnya nilai dan gambarkan dalam grafik kolom. Penyebab dengan
nilai lebih besar terletak di sisi kiri, kecuali ”dan lain-lain” terletak di paling
kanan.
4. Gambarkan grafik garis yang menunjukkan jumlah persentase (total 100%)
pada bagian atas grafik kolom dimulai dengan nilai yang terbesar dan di
bagian bawah/keterangan kolom tersebut.
5. Pada bagian atas dan samping berikan keterangan/nama diagram dan jumlah
3.7. Simulasi Monte Carlo9
Simulasi Monte Carlo dikenal juga dengan istilah Sampling Simulation
atau Monte Carlo Sampling Technique. Sampling simulasi ini menggambarkan
kemungkinan penggunaan data sampel dalam metode monte carlo dan juga sudah
dapat diketahui atau diperkirakan distribusinya. Simulasi ini menggunakan data
yang sudah ada (historical data).
Kunci dari metode monte carlo adalah penggunaan bilngan acak atau
random number dimana bilangan ini akan dibangkitkan dan digunakan dalam
proses simulasinya. Kegunaan bilang random ini digunakan untuk
memperlihatkan ketidakpastian atas resiko yang sedang diamati. Sebelum hal ini
dilakukan terlebih dahulu pendefinisian tingkat proabilitas yang ada pada setiap
elemen yang mengandung unsure resiko. Tingkat kemungkinan yang telah
ditentukan tersebut akan ditunjukkan dalam bentuk bilangan random yang
dihasilkan dari generator bilangan acak.
Simulasi Monte Carlo dilakukan dengan menggunakan perangkat lunak
Excel untuk menghasilkan random number sebagai pengganti fungsi laju
kerusakan F(t) dan fungsi laju perbaikan M(t). Simulasi dilakukan sebanyak 100
kali. Parameter distribusi waktu kegagalan dan waktu perbaikan yang telah
dihasilkan oleh perangkat lunak Weibull++ 10 dari langkah pertama digunakan
3.7.1. Pembangkitan Random Number10
Pembangkitan random number bertujuan untuk menghasilkan nilai-nilai
yang mempunyai distribusi setara dengan populasi data TTF dan TTR komponen
kritis mesin sheeter yang sebenarnya. Unsur dasar dalam pembangkitan random
number adalah data berdistribusi uniform (0,1) yang dibangkitkan dengan
menggunakan software Microsoft Excel dengan fungsi =RAND().
3.7.2. Transformasi Data Random Number
Data random number yang dibangkitkan harus dikonversi ke distribusi
non-uniform dengan metode transformasi invers. Transformasi invers (t)
dilakukan menggunakan fungsi distribusi kumulatif (cummulative distribution
function).
10 Eva Listiana Putri, et al, Usulan Jadwal Perawatan pada Mesin Electric Arc Furnace 5
dengan Simulasi Monte Carlo (Jurnal Teknik Industri, Vol.1, No.4, Desember 2013, pp.352-357)
3.7.3. Langkah-langkah Simulasi Monte Carlo11
Simulasi Monte Carlo dilakukan terhadap data TTF dan TTR dari hasil
pembangkitan random number pada beberapa nilai tp (interval perawatan) untuk
mendapatkan nilai kehandalan, ketersediaan, dan laju biaya perawatan. Interval
perawatan optimum adalah interval perawatan yang menghasilkan laju biaya
• Parameter distribusi waku kegagalan dan waktu perbaikan sub sistem • PDF dan CDF distribusi waktu kegagalan dan waktu perbaikan
Mulai
• Keandalan R(Tp), Ketersediaan A(Tp) • Laju Biaya Perawatan untuk semua Tp
Penentuan Tp optimum berdasarkan R(Tp), A(Tp), dan laju biaya minimum
Langkah-langkah yang dilakukan dalam simulasi monte carlo dapat
dijabarkan sebagai berikut:
1. Perhitungan ti
Nilai ti diperoleh dari nilai TTF hasil pembangkitan random number.
2. Penentuan Kesuksesan/Kegagalan Sub Sistem
a. Sub sistem sukses beroperasi apabila waktu menuju kerusakan berikutnya
(Ti) lebih besar dari jadwal perawatan pencegahan (Tp). Jika sub system
sukses beroperasi maka harus dilakukan perawatan pencegahan selama
Tpmi.
b. Sub sistem gagal beroperasi apabila waktu menuju kerusakan berikutnya
lebih kecil dari jadwal perawatan pencegahan (Tp). Jika sub sistem gagal
beroperasi maka harus dilakukan perbaikan selama Tcmi.
3. Perhitungan Topr danTjam
Waktu operasi pada setiap run ditentukan dengan fungsi berikut:
����� =�����,�����,� +���,����,�
�� �
�=1
Lama total waktu pada setiap run ditentukan dengan fungsi berikut:
����� =������,����,�
4. Perhitungan Keandalan R(Tp) dan Ketersediaan A(Tp)
5. Perhitungan Ketersediaan A(Tp)
Nilai A(Tp) dihitung dengan fungsi berikut:
A(Tp) = �����/�����
6. Perhitungan Laju Biaya Perawatan (Ci)
Laju Biaya Perawatan (Ci) dihitung dengan fungsi berikut:
�� =���������,� +������,�
�� �
�=1
/�����
a. Perhitungan Cost of Preventive (���)
Cost Of Preventive (���) adalah biaya yang timbul karena adanya
perawatan secara terencana. Biaya ini terdiri dari biaya tenaga kerja, biaya
kehilangan produksi, dan biaya pembelian komponen. ��� dapat dihitung
dengan menggunakan rumus:
��� = (biaya tenaga kerja + biaya kehilangan produksi) x Tpmi + harga
komponen
b. Perhitungan Cost of Failure (���)
Cost Of Failure (���) adalah biaya yang timbul karena adanya perbaikan
saat sub sistem gagal memnuhi misi operasi (rusak). Biaya ini terdiri dari
biaya tenaga kerja, biaya kehilangan produksi, dan biaya pembelian
komponen. ��� dapat dihitung dengan menggunakan rumus:
��� = (biaya tenaga kerja + biaya kehilangan produksi) x Tcmi + harga
7. Penentuan Tp optimum
Jadwal waktu perawatan pencegahan optimum ditentukan berdasarkan R(Tp),
A(Tp), dan pertimbangan laju biaya minimum.
Dimana :
r = Subskrip (r) untuk run
n = Total rundom number
g = Superskrip (g), indikator gagal
s = Superskrip (s), indikator sukses
Ii,rs = 1; jika ti,r > �p
Ii,rs = 0; jika ti,r < �p
Ii,rg = 1; jika ti,r < �p
Ii,rg = 0; jika ti,r > �p
ti,r = Waktu hidup sub sistem (i)
Tpmi = Lama waktu perawatan pencegahan sub sistem run (i)
Tcmi = Lama perbaikan sub sistem run (i)
Topri = lama waktu operasi
Tjami = total waktu pada setiap run
��� = Biaya perawatan pencegahan sub sistem (i)
��� = Biaya perbaikan sub sistem (i)
BAB IV
METODOLOGI PENELITIAN
4.1. Tempat dan Waktu Penelitian
Penelitian dilakukan di PT. Perkebunan Nusantara III Kebun Rantau
Prapat yang berada di Kabupaten Labuhan Batu, Kota Rantau Prapat, Sumatera
Utara. Waktu penelitian dilakukan pada September 2016 sampai Januari 2017.
4.2. Jenis Penelitian
Jenis penelitian adalah penelitian tindakan (action research) yaitu
penelitian yang dilakukan untuk mendapatkan temuan-temuan praktis / untuk
keperluan pengambilan keputusan operasional (Sinulingga, 2014).
4.3. Objek Penelitian
Objek penelitian yang diamati adalah kegagalan/kerusakan pada mesin
Sheeter.
4.4. Variabel Penelitian
Variabel adalah sesuatu yang memiliki nilai yang berbeda-beda atau
bervariasi. Nilai dari variabel dapat bersifat kuantitatif atau kualitatif
(Sinulinggga, 2014). Variabel-variabel yang terdapat dalam penelitian ini adalah
sebagai berikut:
Variabel ini menyatakan waktu pemeliharaan terhadap mesin/peralatan
dengan laju biaya pemeliharaan minimum.
2. Interval Kerusakan Komponen
Variabel yang menyatakan interval waktu antar kerusakan yang dihitung dari
selisih antara waktu komponen selesai diperbaiki sampai dengan waktu
kerusakan komponen berikutnya.
3. Waktu Perbaikan
Variabel yang menyatakan waktu yang diperlukan untuk melakukan
perbaikan terhadap komponen yang mengalami masalah atau kerusakan
sampai mesin atau komponen tersebut dapat beroperasi dengan baik.
4. Biaya Pemeliharaan
Variabel yang menyatakan biaya tetap yang dibebankan kepada perawatan
pencegahan (preventive maintenance/PM) dan perbaikan karena adanya
kerusakan (corrective maintenance/CM) terdiri dari biaya tenaga kerja, harga
suku cadang, serta opportunity lost yaitu kerugian akibat kesempatan yang
4.5. Kerangka Berpikir
Kerangka berpikir menunjukan hubungan logis antara faktor/variabel yang
telah diidentifikasi untuk menganalisis masalah penelitian (Sinulingga, 2014).
Permasalahan pada penelitian ini adalah kerusakan mesin yang terjadi tiba-tiba
menyebabkan pemberhentian proses produksi dan menimbulkan kerugian bagi
perusahaan sehingga perlu adanya perawatan pencegahan yang terencana untuk
meredam kegagalan potensial yang akan terjadi. Perencanaan perawatan
pencegahan ditentukan berdasarkan pola interval kerusakan yang pernah terjadi
pada mesin. Selain itu lamanya waktu perbaikan yang diperlukan hingga mesin
dapat kembali beroperasi juga menjadi faktor penentu dalam menyusun rencana
perawatan pencegahan. Output yang diperoleh dari perencanaa perawatan
pencegahan ini adalah jadwal perawatan pencegahan yang optimum, yaitu jadwal
perawatan pencegahan yang memiliki laju biaya pemeliharaan minimum.
Penggunaan metode simulasi monte carlo turut mempengaruhi dalam untuk
mendapatkan jadwal perawatan pencegahan yang optimum.
Kerangka berpikir penelitian ini dapat digambarkan pada Gambar 4.1.
Interval Kerusakan Komponen
Waktu Perbaikan
Biaya Pemeliharaan
Jadwal Perawatan Pencegahan Optimum
Metode Simulasi Monte Carlo
4.6. Rancangan Penelitian
Prosedur penelitian adalah tahapan-tahapan dalam melaksanakan suatu
penelitian. Blok diagram prosedur dalam penelitian ini dapat dilihat pada Gambar
MULAI
Studi Pendahuluan
1. Kondisi Perusahaan 3. Informasi Pendukung
Studi Literatur
1. Teori Buku 2. Referensi Jurnal dan Penelitian
Identifikasi Masalah Awal
Kegagalan mesin Sheeter saat beroperasi
1. Penentuan komponen kritis pada mesin sheeter dilakukan dengan cara melihat frekuensi breakdown yang mengacu pada prinsip Pareto.
2. Menentukan parameter keandalan dan parameter maintainability.
• Melakukan perhitungan Time to Failure (TTF) dan Time to Repair (TTR) komponen kritis.
• Menentukan jenis distribusi data time to failure dan time to repair komponen kritis dengan software Weibull++ 10.
• Penentuan parameter sesuai distribusi terpilih dengan software Weibull++ 10.
• Perhitungan Mean Time to Failure (MTTF) dan Mean Time to Repair (MTTR).
• Perhitungan fungsi keandalan
3. Melakukan simulasi keandalan dan maintainability dengan metode Monte Carlo pada beberapa skenario waktu perawatan. Simulasi keandalan dan maintainability dilakukan dengan langkah-langkah berikut:
• Pembangkitan bilangan acak time to failure dan time to repair.
• Melakukan simulasi perawatan komponen kritis mesin Sheeter terhadap beberapa skenario waktu perawatan.
• Perhitungan reliability dan laju biaya perawatan hasil simulasi komponen kritis mesin Sheeter.
4. Menentukan jadwal perawatan pencegahan optimum berdasarkan laju biaya perawatan minimum..
Kesimpulan dan Saran
Gambaran umum hasil penelitian dan masukan untuk
kebijakan perbaikan
SELESAI Analisis Pemecahan Masalah
Analisis hasil dari jadwal perawatan pencegahan optimal
Pengumpulan Data
1. Data frekuensi kegagalan mesin/ peralatan
2. Data waktu antar kegagalan dan waktu perawatan
3. Biaya perbaikan dan perawatan pencegahan
4.7. Metode Pengumpulan Data
Metode pengumpulan data yang dilakukan pada penelitian adalah dengan
melakukan observasi. Pada penelitian ini observasi dilakukan di stasiun kerja
penggilingan untuk mengamati kondisi mesin yaitu mengenai spesifikasi mesin
dan jumlah komponen-komponen mesin yang digunakan serta jenis tindakan
perawatan yang diterapkan oleh perusahaan khususnya terhadap mesin Sheeter.
Jenis data yang digunakan pada penelitian ini adalah data sekunder. Data
sekunder yang digunakan untuk penelitian ini diperoleh langsung dari perusahaan.
Adapun data sekunder yang diperoleh dari perusahaan yaitu:
1. Data historis kerusakan mesin periode September 2015 sampai Agustus 2016.
Data kerusakan mesin diperlukan dalam penentuan interval waktu kerusakan
komponen. Interval waktu antar kerusakan dihitung dari selisih antara waktu
komponen selesai diperbaiki sampai dengan waktu kerusakan komponen
berikutnya
2. Data waktu perbaikan.
Data waktu perbaikan diperoleh dari lamanya waktu yang terpakai untuk
melakukan perbaikan setiap kali terjadi sampai mesin atau komponen dapat
beroperasi lagi dengan baik.
3. Data biaya pemeliharaan.
Data biaya perbaikan diperoleh dari biaya tetap yang dibebankan perusahaan
terhadap perbaikan karena adanya kerusakan (corrective maintenance/CM)
biaya tenaga kerja, harga suku cadang, dan opportunity lost yaitu kerugian
akibat kehilangan kapasitas produksi.
4.8. Pengolahan Data
Pengolahan data dilakukan dengan langkah-langkah sebagai berikut :
1. Menentukan komponen kritis mesin sheeter.
Penentuan komponen kritis pada mesin sheeter dilakukan dengan analisis
Pareto..
2. Menentukan parameter keandalan dan parameter maintainability.
Parameter-parameter keandalan dan maintanability digunakan untuk
melakukan simulasi perawatan. Parameter-parameter keandalan dan
maintanability dilakukan dengan langkah-langkah berikut:
a. Melakukan perhitungan Time to Failure (TTF) dan Time to Repair (TTR)
komponen kritis.
b. Menentukan jenis distribusi data time to failure dan time to repair
komponen kritis dengan software Weibull++ 10.
c. Penentuan parameter sesuai distribusi terpilih dengan software
Weibull++ 10.
d. Perhitungan Mean Time to Failure (MTTF) dan Mean Time to Repair
(MTTR).
3. Melakukan simulasi keandalan dan maintainability dengan metode Monte
Carlo pada beberapa skenario waktu perawatan. Simulasi keandalan dan
maintainability dilakukan dengan langkah-langkah berikut:
a. Pembangkitan bilangan acak time to failure dan time to repair.
b. Melakukan simulasi perawatan komponen kritis mesin Sheeter terhadap
beberapa skenario waktu perawatan.
c. Perhitungan reliability dan laju biaya perawatan hasil simulasi komponen
kritis mesin Sheeter.
4. Menentukan jadwal perawatan pencegahan optimum berdasarkan laju biaya
perawatan minimum.
Penentuan Komponen Kritis Mesin Sheeter
Penentuan Parameter Keandalan dan
Maintainability
• Perhitungan Time To Failure (TTF) dan
Time To Repair (TTR)
• Penentuan jenis distribusi data TTF dan
TTR
• Penentuan parameter distribusi terpilih
• Perhitungan nilai Mean Time to Failure
(MTTF) dan Mean Time to Repair (MTTR)
• Perhitungan nilai reliability dan fungsi
keandalan
Simulasi Monte Carlo
• Pembangkitan bilangan acak data TTF
dan TTR
• Melakukan simulai perawatan pada
beberapa skenario waktu perawatan
• Perhitungan nilai reliabilit dan laju biaya perawatan
Penentuan Jadwal Perawatan Pencegahan Optimum
Langkah-langkah simulasi monte carlo digambarkan pada Gambar 4.4.
• Parameter distribusi waku kegagalan dan waktu perbaikan sub sistem • PDF dan CDF distribusi waktu kegagalan dan waktu perbaikan
Mulai
• Keandalan R(Tp), Ketersediaan A(Tp) • Laju Biaya Perawatan untuk semua Tp
4.9. Analisis Data
Analisis pemecahan masalah menguraikan jawaban dari pertanyaan yang
berkaitan dengan masalah dalam penelitian ini. Analisis yang dilakukan adalah:
1. Analisis Penentuan Komponen Kritis Mesin Sheeter
Pemilihan komponen kritis mesin sheeter ditentukan dengan menggunakan
prinsip Pareto 80/20 sehingga dapat ditentukan komponen kritis yang akan
difokuskan untuk dibahas pada panelitian ini.
2. Analisis Penentuan Jadwal Perawatan Optimum
Jadwal perawatan pencegahan optimum dilakukan menggunakan simulasi
Monte Carlo pada beberapa nilai tp (waktu perawatan pencegahan) dan dipilih
berdasarkan laju biaya pemeliharaan minimum.
4.10. Kesimpulan dan Saran
Tahap terakhir yang dilakukan adalah penarikan kesimpulan yang berisi
butir penting dalam penelitian ini yaitu jadwal perawatan mesin sheeter.
Sedangkan saran yang diberikan akan diarahkan pada beberapa rancangan atau
usulan perbaikan yang bermanfaat bagi perusahaan dan penelitian-penelitian
BAB V
PENGUMPULAN DAN PENGOLAHAN DATA
5.1. Pengumpulan Data
Pengumpulan data dilakukan dengan mewawancarai teknisi pada bagian
maintenance. Data yang diperoleh antara lain daftar komponen mesin sheeter,
data kerusakan komponen mesin sheeter, harga komponen mesin sheeter, dan data
biaya pemeliharaan mesin sheeter pada PT. Perkebunan Nusantara III Kebun
Rantau Prapat.
5.1.1. Daftar Komponen Mesin Sheeter
Daftar nama komponen-komponen yang terdapat pada mesin sheeter dapat
dilihat pada Tabel 5.1.
Tabel 5.1. Daftar Komponen Mesin Sheeter
No. Nama Komponen
1 Bearing 22208 C3
2 Body
3 Chain Kopling
4 Elektro Motor
5 Gearbox
6 Instalasi Air
7 Sproket
8 Tapak Alas
9 Roll Gilingan
10 Rounded Gear
5.2. Pengolahan Data
5.2.1. Penentuan Komponen Kritis
Berdasarkan data historis frekuensi kerusakan dan biaya kerusakan pada
komponen mesin sheeter periode September 2015 sampai Agustus 2016 dari
maka dilakukan perhitungan besar biaya kerusakan untuk mendapatkan komponen
kritis mesin sheeter.
Berdasarkan aturan pareto 80/20: the law of the vital few & trivial many,
80% dari permasalahan yang terlihat dapat dikaitkan dengan 20% penyebab,
dengan kata lain bahwa total biaya kerusakan timbul akibat dari sebagian kecil
komponen rusak sedangkan sebagian besar komponen rusak lainnya tidak begitu
berkontribusi besar terhadap total biaya kerusakan yang ada. Maka komponen
kritis yang menjadi sasaran perbaikan dalam mengatasi besarnya total biaya
kerusakan yaitu komponen vital yang berkontribusi hingga 80% dari total biaya
kerusakan. Adapun komponen tersebut adalah bearing 22208 C3, rounded gear,
dan chain kopling.
5.3. Pengujian Distribusi Data Interval Kerusakan Komponen Kritis
Uji distribusi dilakukan dengan menggunakan software Weibull++ 10
untuk mengetahui jenis distribusi pada data-data interval kerusakan komponen
5.3.1. Pengujian Distribusi Komponen Bearing 22208 C3
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
1. Buka Weibull++ 10 lalu masukkan data interval kerusakan komponen Bearing
22208 C3 pada kolom time failed.
2. Klik Life Data > Distribution Wizard
Sumber: Pengolahan Data
Gambar 5.3. Menu Ditribution Wizard
3. Pilih jenis distribusi yang akan diuji lalu klik analize. Hasil uji distribusi dan
juga ranking distribusinya ditampilkan pada gambar berikut.
Sumber: Pengolahan Data
4. Berdasarkan hasil uji distribusi terhadap data interval kerusakan komponen
Bearing 22208 C3 diperoleh distribusi Weibull-3P sebagai peringkat satu.
Hasil parameter pengujian distribusinya adalah sebagai berikut:
Sumber: Pengolahan Data
Gambar 5.5. Parameter Pengujian Distribusi Data Interval Waktu
Kerusakan Komponen Bearing 22208 C3
5.3.2. Pengujian Distribusi Komponen Rounded Gear
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
1. Buka Weibull++ 10 lalu masukkan data interval kerusakan komponen
Rounded Gear pada kolom time failed.
2. Klik Life Data > Distribution Wizard
Sumber: Pengolahan Data
3. Pilih jenis distribusi yang akan diuji lalu klik analize. Hasil uji distribusi dan
juga ranking distribusinya ditampilkan pada gambar berikut.
Sumber: Pengolahan Data
Gambar 5.8. Kotak Dialog Distribution Wizard Komponen Rounded Gear
4. Berdasarkan hasil uji distribusi terhadap data interval kerusakan komponen
Rounded Gear diperoleh distribusi Weibull-3P sebagai peringkat satu. Hasil
parameter pengujian distribusinya adalah sebagai berikut:
5.3.3. Pengujian Distribusi Komponen Chain Kopling
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
1. Buka Weibull++ 10 lalu masukkan data interval kerusakan komponen Chain
Kopling pada kolom time failed.
2. Klik Life Data > Distribution Wizard
Sumber: Pengolahan Data
Gambar 5.11. Menu Ditribution Wizard
3. Pilih jenis distribusi yang akan diuji lalu klik analize. Hasil uji distribusi dan
juga ranking distribusinya ditampilkan pada gambar berikut.
Sumber: Pengolahan Data
Gambar 5.12. Kotak Dialog Distribution Wizard Komponen Chain
4. Berdasarkan hasil uji distribusi terhadap data interval kerusakan komponen
Chain Kopling diperoleh distribusi Weibull-2P sebagai peringkat satu. Hasil
parameter pengujian distribusinya adalah sebagai berikut:
Sumber: Pengolahan Data
Gambar 5.13. Parameter Pengujian Distribusi Data Interval Waktu
Kerusakan Komponen Chain Kopling
5.4. Pengujian Distribusi Waktu Perbaikan Komponen Mesin Kritis
Uji distribusi dilakukan dengan menggunakan software Weibull++ 10
untuk mengetahui jenis distribusi pada data waktu perbaikan komponen kritis
mesin sheeter dan parameter distribusi waktu perbaikannya.
5.4.1. Pengujian Distribusi Komponen Bearing 22208 C3
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
Sumber: Pengolahan Data
Gambar 5.15. Menu Ditribution Wizard
3. Pilih jenis distribusi yang akan diuji lalu klik analize. Hasil uji distribusi dan
juga ranking distribusinya ditampilkan pada gambar berikut.
Sumber: Pengolahan Data
Gambar 5.16. Kotak Dialog Distribution Wizard Komponen Bearing
22208 C3
4. Berdasarkan hasil uji distribusi terhadap data waktu perbaikan komponen
Bearing 22208 C3 diperoleh distribusi Weibull-3P sebagai peringkat satu.
Sumber: Pengolahan Data
Gambar 5.17. Parameter Pengujian Distribusi Data Waktu Perbaikan
Komponen Bearing 22208 C3
5.4.2. Pengujian Distribusi Komponen Rounded Gear
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
1. Buka Weibull++ 10 lalu masukkan data waktu perbaikankomponen Rounded
Gear pada kolom time failed.
2. Klik Life Data > Distribution Wizard
Sumber: Pengolahan Data
Gambar 5.19. Menu Ditribution Wizard
Sumber: Pengolahan Data
Gambar 5.20. Kotak Dialog Distribution Wizard Komponen Rounded Gear
4. Berdasarkan hasil uji distribusi terhadap data waktu perbaikankomponen
Rounded Gear diperoleh distribusi Weibull-3P sebagai peringkat satu. Hasil
parameter pengujian distribusinya adalah sebagai berikut:
Sumber: Pengolahan Data
Gambar 5.21. Parameter Pengujian Distribusi Data Waktu Perbaikan
5.4.3. Pengujian Distribusi Komponen Chain Kopling
Adapun langkah-langkah dalam pengujian ini adalah sebagai berikut.
1. Buka Weibull++ 10 lalu masukkan data waktu perbaikan komponen Chain
Kopling pada kolom time failed.
2. Klik Life Data > Distribution Wizard
Sumber: Pengolahan Data
Gambar 5.23. Menu Ditribution Wizard
3. Pilih jenis distribusi yang akan diuji lalu klik analize. Hasil uji distribusi dan
juga ranking distribusinya ditampilkan pada gambar berikut.
Sumber: Pengolahan Data
4. Berdasarkan hasil uji distribusi terhadap data waktu perbaikankomponen
Chain Kopling diperoleh distribusi Weibull-2P sebagai peringkat satu. Hasil
parameter pengujian distribusinya adalah sebagai berikut:
Sumber: Pengolahan Data
Gambar 5.25. Parameter Pengujian Distribusi Data Waktu Perbaikan
Komponen Chain Kopling
5.5. Rekapitulasi Jenis dan Paramater Distribusi Interval Kerusakan dan
Waktu Perbaikan
Rekapitulasi hasil pengujian jenis dan paramater distibusi interval
kerusakan dengan menggunakan software Weibull++ 10 pada komponen kritis
Tabel 5.11. Rekapitulasi Penentuan Jenis dan Paramater Distibusi Interval
Kerusakan Komponen Kritis Mesin Sheeter
No Komponen Jenis Distribusi
Parameter
Sumber: Penglohana Data
Rekapitulasi hasil pengujian jenis dan paramater distibusi waktu perbaikan
dengan menggunakan software Weibull++ 10 pada komponen kritis mesin
sheeter ditunjukkan pada Tabel 5.12.
Tabel 5.12. Rekapitulasi Penentuan Jenis dan Paramater Distibusi Waktu
Perbaikan Komponen Kritis Mesin Sheeter
No Komponen Jenis Distribusi
Parameter
Sumber: Penglohana Data
5.6. Perhitungan MTTF, MTTR, Fungsi Keandalan dan Laju Biaya
Pemeliharaan Aktual Komponen Kritis
Setelah parameter-parameter distribusi interval kerusakan dan waktu
5.6.1. Komponen Bearing 22208 C3
Langkah-langkahnya adalah sebagai berikut:
1. Perhitungan Nilai MTTF
Perhitungan MTTF komponen Bearing 22208 C3 menggunakan parameter
distribusi interval kerusakan yang telah diperoleh sebelumnya. Perhitungan
nilai MTTF adalah sebagai berikut:
MTTF = γ+ηΓ� 1β+1 �
= 12,2550+(13,3152)Γ� 1
9,6285+1 �
= 12,2550+(13,3152)Γ( 1,10)
= 12,2550+(13,3152)(0,95135))
= 24,9224
2. Perhitungan Nilai MTTR
Perhitungan MTTR komponen Bearing 22208 C3 menggunakan parameter
distribusi data waktu perbaikan yang telah diperoleh sebelumnya.
Perhitungan nilai MTTR adalah sebagai berikut:
MTTR = γ+ηΓ� 1β+1 �
= 0,0282+(0,0891)Γ� 1
4,8069+1 �
= 0,0282+(0,0891)Γ(1,21 )
= 0,0282+(0,0891)(0,91558)
3. Perhitungan Fungsi Keandalan
Fungsi keandalan terhadap interval waktu kerusakan dimodelkan sebagai
berikut:
Keandalan (R(t)) = exp�–�t-γ
η� β
�
= exp�–�24,9224-12,2550
13,3152 � 9,6285
�
= 0,5387
4. Perhitungan Laju Biaya Pemeliharaan Aktual
Total biaya pemeliharaan korektif dihitung dengan rumus:
Cf = harga komponen + (biaya tenaga kerja+biaya kehilangan produksi) x TTR
Sedangkan laju biaya pemeliharaan aktual dapat dihitung dengan
menggunakan rumus:
Ca= Cf Tjam
Dimana : Cf = Total biaya pemeliharaan aktual
Ca = Laju biaya pemeliharaan aktual
TTR = Waktu perbaikan setiap kerusakan
Tjam = TTF (time to failure) + TTR
Hasil perhitungan laju biaya pemeliharaan aktual dapat dilihat pada tabel
Tabel 5.13. Laju Biaya Pemeliharaan Aktual Bearing 22208 C3 12 22,1042 12.342.915 558.396,82 13 24,125 14.746.875 611.269,43 14 25,125 14.746.875 586.940,30
Rata-rata 528.083,05
Sumber: Pengolahan Data
5.6.2. Komponen Rounded Gear
Langkah-langkahnya adalah sebagai berikut:
1. Perhitungan Nilai MTTF
Perhitungan MTTF komponen Rounded Gear menggunakan parameter
distribusi interval kerusakan yang telah diperoleh sebelumnya. Perhitungan
nilai MTTF adalah sebagai berikut:
2. Perhitungan Nilai MTTR
Perhitungan MTTR komponen Rounded Gear menggunakan parameter
distribusi data waktu perbaikan yang telah diperoleh sebelumnya.
Perhitungan nilai MTTR adalah sebagai berikut:
MTTR = γ+ηΓ� 1β+1 �
= 0,0680+(0,0891)Γ� 1
1,7467+1 �
= 0,0680+(0,0891)Γ(1,57)
= 0,0680+(0,0891)(0,89049)
= 0,1021
3. Perhitungan Fungsi Keandalan
Fungsi keandalan terhadap interval waktu kerusakan dimodelkan sebagai
berikut:
4. Perhitungan Laju Biaya Pemeliharaan
Total biaya pemeliharaan korektif dihitung dengan rumus:
Cf = harga komponen + (biaya tenaga kerja+biaya kehilangan produksi) x TTR
Sedangkan laju biaya pemeliharaan aktual dapat dihitung dengan
Dimana : Cf = Total biaya pemeliharaan aktual
Ca = Laju biaya pemeliharaan aktual
TTR = Waktu perbaikan setiap kerusakan
Tjam = TTF (time to failure) + TTR
Hasil perhitungan laju biaya pemeliharaan aktual dapat dilihat pada tabel
berikut:
Tabel 5.14. Laju Biaya Pemeliharaan Aktual Rounded Gear
No Tjam Cf Ca
1 31,0833 9.727.398 312.946,10 2 37,0833 9.727.398 262.312,08 3 28,125 14.546.875 517.222,22 4 34,1042 12.142.915 356.053,36 5 31,125 14.546.875 467.369,48 6 31,1042 12.142.915 390.394,71 7 35,0833 9.727.398 277.265,75 8 34,0833 9.727.398 285.400,69 9 30,125 14.546.875 482.883,82 10 28,1042 12.142.915 432.067,63 11 37,0833 9.727.398 262.312,08
Rata-rata 367.838,90
5.6.3. Komponen Chain Kopling
Langkah-langkahnya adalah sebagai berikut:
1. Perhitungan Nilai MTTF
Perhitungan MTTF komponen Chain Kopling menggunakan parameter
distribusi interval kerusakan yang telah diperoleh sebelumnya. Perhitungan
nilai MTTF adalah sebagai berikut:
MTTF = ηΓ� 1β+1 �
= (45,8675)Γ� 1
6,7405+1 �
= (45,8675)Γ( 1,15)
= (45,8675)(0,93304)
= 42,7962
2. Perhitungan Nilai MTTR
Perhitungan MTTR komponen Chain Kopling menggunakan parameter
distribusi data waktu perbaikan yang telah diperoleh sebelumnya.
Perhitungan nilai MTTR adalah sebagai berikut:
MTTR = γ+ηΓ� 1
β+1 �
= 0,0447+(0,0370)Γ� 1
2,0234+1 �
= 0,0447+(0,0370)Γ(1,49 )
= 0,0447+(0,0370)(0,88595)
3. Perhitungan Fungsi Keandalan
Fungsi keandalan terhadap interval waktu kerusakan dimodelkan sebagai
berikut:
Keandalan (R(t)) = exp�–�t
η� β
�
= exp�–�42,7962
45,8675� 6,7405
�
= 0,5343
4. Perhitungan Laju Biaya Pemeliharaan
Total biaya pemeliharaan korektif dihitung dengan rumus:
Cf = harga komponen + (biaya tenaga kerja+biaya kehilangan produksi) x TTR
Sedangkan laju biaya pemeliharaan aktual dapat dihitung dengan
menggunakan rumus:
Ca= Cf Tjam
Dimana : Cf = Total biaya pemeliharaan aktual
Ca = Laju biaya pemeliharaan aktual
TTR = Waktu perbaikan setiap kerusakan
Tjam = TTF (time to failure) + TTR
Hasil perhitungan laju biaya pemeliharaan aktual dapat dilihat pada tabel
Tabel 5.15. Laju Biaya Pemeliharaan Aktual Chain Kopling
Rata-rata 213.573,82
Sumber: Pengolahan Data
Rekapitulasi hasil perhitungan nilai MTTF, MTTR, nilai keandalan, dan
laju biaya pemeliharaan aktual komponen kritis mesin sheeter ditunjukkan pada
tabel 5.16.
Tabel 5.16. Rekapitulasi Perhitungan Nilai MTTF, MTTR, Keandalan, dan
Laju Biaya Pemeliharaan Aktual Komponen Kritis Mesin Sheeter
No Komponen MTTF
Laju Biaya Pemeliharaan (Rp/hari)
1 Bearing 22208 C3 24,9224 0,1098 53,87 528.083,05
2 Rounded Gear 32,4123 0,1021 49,39 367.838,90
3 Chain Kopling 42,7962 0,0775 53,43 213.573,82
Sumber: Pengolahan Data
5.7. Simulasi Monte Carlo
Simulasi Monte Carlo dilakukan dengan menggunakan perangkat lunak
Excel untuk menghasilkan random number sebagai pengganti fungsi laju
dihasilkan oleh perangkat lunak Weibull++ 10 dari langkah pertama digunakan
sebagai input pada simulasi Monte Carlo.
5.7.1. Pembangkitan Random Number
Pembangkitan random number bertujuan untuk menghasilkan nilai-nilai
yang mempunyai distribusi setara dengan populasi data TTF dan TTR komponen
kritis mesin sheeter yang sebenarnya. Unsur dasar dalam pembangkitan random
number adalah data berdistribusi uniform (0,1) yang dibangkitkan dengan
menggunakan software Microsoft Excel dengan fungsi =RAND().
Tabel 17. Hasil Pembangkitan Random Number
No Random Number No Random Number
1 0,1979 14 0,1509
2 0,7393 15 0,0100
3 0,8480 16 0,7641
4 0,9474 17 0,9346
5 0,4415 18 0,5062
6 0,5955 19 0,1784
7 0,8909 20 0,4411
8 0,6671 21 0,7726
9 0,5254 22 0,0672
10 0,6397 23 0,3886
11 0,5516 24 0,4563
12 0,1342 25 0,6447
5.7.2. Transformasi Data Random Number
Data random number yang dibangkitkan harus dikonversi ke distribusi
non-uniform dengan metode transformasi invers. Transformasi invers (t)
dilakukan menggunakan fungsi distribusi kumulatif (cummulative distribution
function).
Hasil transformasi random number terhadap data TTF dan TTR
Tabel 5.18. Transformasi Data Random Number Terhadap TTF dan TTR
Komponen Komponen Kritis
No Random
Number
Bearing 22208C3 Rounded Gear Chain Kopling
Tabel 5.18. Transformasi Data Random Number Terhadap TTF dan TTR
Komponen Komponen Kritis (Lanjutan)
No Random
Number
Bearing 22208C3 Rounded Gear Chain Kopling
Tabel 5.18. Transformasi Data Random Number Terhadap TTF dan TTR
Komponen Komponen Kritis (Lanjutan)
No Random
Number
Bearing 22208C3 Rounded Gear Chain Kopling
Tabel 5.18. Transformasi Data Random Number Terhadap TTF dan TTR
Komponen Komponen Kritis (Lanjutan)
No Random
Number
Bearing 22208C3 Rounded Gear Chain Kopling
TTF Sumber: Pengolahan Data
5.7.3. Penentuan Interval Waktu Perawatan Pencegahan Optimum
Simulasi Monte Carlo dilakukan pada beberapa nilai tp (waktu perawatan)
terhadap data TTF dan TTR dari hasil transformasi random number untuk
mendapatkan interval waktu perawatan pencegahan optimum, yaitu waktu
perawatan pencegahan yang memiliki laju biaya pemeliharaan minimum.
Langkah-langkah penentuan interval waktu perawatan pencegahan optimum yang
dilakukan dalam simulasi monte carlo adalah sebagai berikut:
8. Penentuan nilai ti
9. Penentuan Kesuksesan/Kegagalan Sub Sistem
c. Sub sistem sukses beroperasi apabila waktu menuju kerusakan berikutnya
(Ti) lebih besar dari jadwal perawatan pencegahan (Tp). Jika sub sistem
sukses beroperasi maka harus dilakukan perawatan pencegahan selama
Tpmi.
d. Sub sistem gagal beroperasi apabila waktu menuju kerusakan berikutnya
lebih kecil dari jadwal perawatan pencegahan (Tp). Jika sub sistem gagal
beroperasi maka harus dilakukan perbaikan selama Tcmi.
10. Perhitungan Topr danTjam
Waktu operasi pada setiap run ditentukan dengan fungsi berikut:
����� =�����,����,�
Lama total waktu pada setiap run ditentukan dengan fungsi berikut:
����� =������,����,�
11. Perhitungan Keandalan R(Tp)
Nilai R(Tp) dihitung dengan fungsi berikut:
R(tp) = ��� �–���η−γ�β�
12. Perhitungan Laju Biaya Perawatan (Ci)
Laju Biaya Perawatan (Ci) dihitung dengan fungsi berikut:
�� =���������,� +������,�
�� �
�=1
c. Perhitungan Cost of Preventive (���)
Cost Of Preventive (���) adalah biaya yang timbul karena adanya
perawatan secara terencana. Biaya ini terdiri dari biaya tenaga kerja, biaya
kehilangan produksi, dan biaya pembelian komponen. ��� dapat dihitung
dengan menggunakan rumus:
��� = (biaya tenaga kerja + biaya kehilangan produksi) x Tpmi + harga
komponen
d. Perhitungan Cost of Failure (���)
Cost Of Failure (���) adalah biaya yang timbul karena adanya perbaikan
saat sub sistem gagal memnuhi misi operasi (rusak). Biaya ini terdiri dari
biaya tenaga kerja, biaya kehilangan produksi, dan biaya pembelian
komponen. ��� dapat dihitung dengan menggunakan rumus:
��� = (biaya tenaga kerja + biaya kehilangan produksi) x Tcmi + harga
komponen
13. Penentuan Tp optimum
Jadwal waktu perawatan pencegahan optimum ditentukan berdasarkan R(Tp),
A(Tp), dan pertimbangan laju biaya minimum.
Dimana :
r = Subskrip (r) untuk run
n = Total rundom number
g = Superskrip (g), indikator gagal
Ii,rs = 1; jika ti,r > �p
Ii,rs = 0; jika ti,r < �p
Ii,rg = 1; jika ti,r < �p
Ii,rg = 0; jika ti,r > �p
ti,r = Waktu hidup sub sistem (i)
Tpmi = Lama waktu perawatan pencegahan sub sistem run (i)
Tcmi = Lama perbaikan sub sistem run (i)
Topri = lama waktu operasi
Tjami = total waktu pada setiap run
��� = Biaya perawatan pencegahan sub sistem (i)
��� = Biaya perbaikan sub sistem (i)
Ci = Laju Biaya Perawatan
5.7.3.1. Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Optimum Komponen Bearing 22208 C3
Berdasarkan data bilangan random yang telah dibangkitkan sebelumnya
maka dapat diketahui lamanya waktu hidup sub sistem pada setiap run dan lama
waktu perbaikannya. Selanjutnya dilakukan simulasi terhadap data waktu hidup
sub sistem dan waktu perbaikannya pada beberapa nilai tp untuk mendapatkan
interval waktu perawatan pencegahan optimum.
Tabel 5.19. Hasil Perhitungan Simulasi Komponen Bearing 22208 C3 tp 24 Hari
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.19. Hasil Perhitungan Simulasi Komponen Bearing 22208 C3 tp 24 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.19. Hasil Perhitungan Simulasi Komponen Bearing 22208 C3 tp 24 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.19. Hasil Perhitungan Simulasi Komponen Bearing 22208 C3 tp 24 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.19. Hasil Perhitungan Simulasi Komponen Bearing 22208 C3 tp 24 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
V-114
Simulasi juga dilakukan terhadap beberapa nilai tp lain. Rekapitulasi hasil
simulasi untuk beberapa nilai tp ditunjukkan pada Tabel 5.20.
Tabel 5.20. Hasil Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Komponen Bearing 22208 C3
SIMULATION RESULT tp (hari)
N=100 21 22 23 24 25
Bearing
22208 C3
Success 100 96 88 75 43
Failure 0 4 12 25 57
Reliability 98,27% 95,17% 88,09% 74,17% 51,89%
Cost Rate
(Rp/hr) 470.865 447.708 428.618 419.697 441.089 Sumber: Pengolahan Data
Berdasarkan hasil simulasi terhadap beberapa nilai tp diperoleh bahwa laju
biaya perawatan dan kehilangan produksi paling minimum berada pada hari ke 24
dengan total cost rate adalah Rp 419.697 per hari.
5.7.3.2. Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Optimum Komponen Rounded Gear
Berdasarkan data bilangan random yang telah dibangkitkan sebelumnya
maka dapat diketahui lamanya waktu hidup sub sistem pada setiap run dan lama
waktu perbaikannya. Selanjutnya dilakukan simulasi terhadap data waktu hidup
sub sistem dan waktu perbaikannya pada beberapa nilai tp untuk mendapatkan
interval waktu perawatan pencegahan optimum.
Tabel 5.21. Hasil Perhitungan Simulasi Komponen Rounded Gear tp 31 Hari
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.21. Hasil Perhitungan Simulasi Komponen Rounded Gear tp 31 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.21. Hasil Perhitungan Simulasi Komponen Rounded Gear tp 31 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.21. Hasil Perhitungan Simulasi Komponen Rounded Gear tp 31 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.21. Hasil Perhitungan Simulasi Komponen Rounded Gear tp 31 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
V-120
Simulasi juga dilakukan terhadap beberapa nilai tp lain. Rekapitulasi hasil
simulasi untuk beberapa nilai tp ditunjukkan pada Tabel 5.22.
Tabel 5.22. Hasil Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Komponen Rounded Gear
SIMULATION
Berdasarkan hasil simulasi terhadap beberapa nilai tp diperoleh bahwa laju
biaya perawatan dan kehilangan produksi paling minimum berada pada hari ke 31
dengan total cost rate adalah Rp 319.720 per hari.
5.7.3.3. Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Optimum Komponen Chain Kopling
Berdasarkan data bilangan random yang telah dibangkitkan sebelumnya
maka dapat diketahui lamanya waktu hidup sub sistem pada setiap run dan lama
waktu perbaikannya. Selanjutnya dilakukan simulasi terhadap data waktu hidup
sub sistem dan waktu perbaikannya pada beberapa nilai tp untuk mendapatkan
interval waktu perawatan pencegahan optimum.
Tabel 5.23. Hasil Perhitungan Simulasi Komponen Chain Kopling tp 41 Hari
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.23. Hasil Perhitungan Simulasi Komponen Chain Kopling tp 41 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.23. Hasil Perhitungan Simulasi Komponen Chain Kopling tp 41 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.23. Hasil Perhitungan Simulasi Komponen Chain Kopling tp 41 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Tabel 5.23. Hasil Perhitungan Simulasi Komponen Chain Kopling tp 41 Hari (Lanjutan)
i ti (hari)
Tcmi
(hari) tp
(hari) Indikator
Simulasi juga dilakukan terhadap beberapa nilai tp lain. Rekapitulasi hasil
simulasi untuk beberapa nilai tp ditunjukkan pada Tabel 5.24.
Tabel 5.24. Hasil Simulasi Penentuan Interval Waktu Perawatan Pencegahan
Komponen Chain Kopling
SIMULATION
RESULT tp (hari)
N=100 27 29 31 33 35 37 39 41 43
Rounded Gear
Success 100 97 91 90 85 80 70 61 44
Failure 0 3 9 10 15 20 30 39 56
Reliability 97,23% 95,55% 93,12% 89,70% 85,08% 79,06% 71,53% 62,53% 52,35% Cost Rate
(Rp/hr) 271.721 251.963 234.604 221.401 209.591 200.040 193.010 188.487 188.648
Sumber: Pengolahan Data
Berdasarkan hasil simulasi terhadap beberapa nilai tp diperoleh bahwa laju
biaya perawatan dan kehilangan produksi paling minimum berada pada hari ke 41
BAB VI
ANALISIS PEMECAHAN MASALAH
6.1. Analisis Penentuan Komponen Kritis Mesin Sheeter
Penentuan komponen kritis mesin sheeter dilakukan menggunakan aturan
pareto 80/20: the law of the vital few & trivial many, yang menyatakan bahwa
80% dari permasalahan yang terlihat dapat dikaitkan dengan 20% penyebab.
Pada kenyataannya, angka tersebut tidak selalu persis sama pada persentase 80-20
tapi ide sentralnya adalah bahwa sebagian besar total biaya kerusakan timbul
akibat dari sebagian kecil komponen rusak sedangkan sebagian besar komponen
rusak lainnya tidak begitu berkontribusi besar terhadap total biaya kerusakan.
Sehingga sangat penting untuk fokus pada faktor yang memicu timbulnya total
biaya kerusakan.
Berdasarkan diagram pareto didapatkan tiga komponen yang menjadi
penyebab total biaya kerusakan hingga dapat mencapai angka kumulatif 78,8%.
Ketiga komponen ini menjadi prioritas yang vital yang perlu diperbaiki untuk
dapat menyelesaikan masalah total biaya kerusakan yang ada. Adapun komponen
kritis mesin sheeter ditunjukkan pada Tabel 6.1.
Tabel 6.1. Komponen Kritis Mesin Sheeter
No. Nama Komponen
Persentase Kumulatif
(%) 1 Bearing 22208 C3 51,6
2 Rounded Gear 65,4
3 Chain Kopling 78,8
6.2. Analisis Penentuan Jadwal Perawatan Pencegahan Optimum
Penentuan jadwal perawatan pencegahan optimum dilakukan dengan
menggunakan simulasi Monte Carlo. Simulasi dilakukan terhadap data waktu
hidup dan waktu perbaikan setiap komponen kritis pada beberapa nilai tp (waktu
perawatan pencegahan) dimulai pada tp yang menghasilkan nol kegagalan dan
finite pada tp yang menghasilkan keandalan komponen bernilai di bawah
keandalan aktual.
6.2.1. Analisis Penentuan Jadwal Perawatan Pencegahan Optimum
Komponen Bearing 22208 C3
Jadwal perawatan pencegahan optimum dipilih berdasarkan skenario
perawatan yang menghasilkan laju biaya perawatan pencegahan minimum.
Simulasi perawatan pencegahan komponen Bearing 22208 C3 dilakukan pada
rentang nilai tp hari ke 21 sampai hari ke 25. Hasil dari simulasi perawatan