54 Universitas Kristen Petra

6.1. Identifikasi Masalah

Selama ini strategi yang telah digunakan oleh pihak PT. (Persero) Pelabuhan Indonesia III Cabang Pelabuhan Tanjung Perak telah berjalan sesuai dengan sasaran yang dituju, akan tetapi dalam melaksanakannya tidak lepas dari kendala dan hambatan. Masalah-masalah yang timbul pada PT. (Persero) Pelabuhan Indonesia III Cabang Pelabuhan Tanjung Perak adalah sebagai berikut :

Masalah-masalah dalam PT. (Persero) Pelabuhan Indonesia III Cabang Pelabuhan Tanjung Perak:

1. Formula kinerja belum jelas batas-batasannya, sebagai contoh perhitungan waiting time saat ini dihitung sejak kapal ditetapkan bertambat dan produktifitas bongkar muat didermaga konvensional belum optimal

2. Lamanya dalam bongkar muat barang, sehingga ada antrian panjang di area parkir kapal.

Alasan-alasan timbulnya masalah dalam PT. (Persero) Pelabuhan Indonesia III Cabang Pelabuhan Tanjung Perak:

1. Terbatasnya fasilitas tambatan yaitu dengan berkembangnya armada kapal-kapal penumpang jenis Ro-Ro dan cepat yang rata-rata setiap hari jumlah kapal yang bertambat 3-4 unit, sedangkan fasilitas tambat untuk sandar kapal penumpang tersedia di Jamrud Utara 275 meter, disamping untuk kapal perang negara sahabat, sehingga meluber sampai diposisi tambatan untuk general cargo (posisi di depan Gudang 100), bahkan sering terjadi antrian kapal pengangkut batubara, pasir kwarsa dan kayu logs rata-rata diatas dengan berkembangnya armada kapal-kapal penumpang jenis Ro-Ro dan cepat yang rata-rata 48 jam, karena terbatasnya dermaga yang dialokasikan.

2. Pelabuhan lama masih digunakan, belum ada penambahan terminal baru, sehingga antrian kapal semakin panjang di area parkir.

Dalam bab ini akan dibahas mengenai penganalisaan data-data yang telah didapatkan di lapangan. Data-data tentang laju kedatangan dan laju pelayanan perlu dianalisa distribusinya agar pola-pola tampilan lalu lintasnya dapat dirumuskan dengan jelas. Pola-pola tampilan lalu lintas tersebut nantinya akan digunakan untuk memaksimalkan fungsi fasilitas yang tersedia dengan cara mensimulasikan jumlah pelayanan sebagai variabel. Analisa dan simulasi dilakukan pada masing-masing sub sistem baik secara terpisah maupun secara bersamaan.

6.2. Analisa data

6.2.1 Pola tampilan Lalu Lintas pada Laju Kedatangan

Rata-rata kedatangan pelanggan ke dalam sistem atau laju kedatangan (road arrival mean) Kontainer :

λ = Σ Fi / 4

= 2.5 kapal per minggu

Rata-rata kapal yang dapat dilayani (service rate) : m = Σ Xi*Fi / Σ Fi

= 150 / 10

= 15 kapal dalam bulan Januari

147

Rata-rata waktu pelayanan (distribusi eksponensial) tiap kapal : μ = (24*7) / 15

= 168 jam / 15 kapal Interval Waktu

(hari/Januari) 1 ≤ t < 7 8 ≤ t < 15 16 ≤ t < 23 24 ≤ t < 31

Frekuensi (Fi) Nilai Tengah

(Xi)

Xi*Fi

4 12 20 27

3 2 3 2

12 24 60 54 10

Total 150

= 11.2 jam tiap kapal / minggu Faktor utilitas untuk saluran tunggal :

ρ = λ / μ

= 2.5 kapal per minggu / 11.2 jam tiap kapal per minggu = 0.22 kapal per jam

Dalam faktor utilitas dikenal istilah (under saturated queue) untuk ρ < 1, yaitu bila tingkat kedatangan kurang dari maksimum tingkat pelayanan. Apabila kondisi sebaliknya disebut dengan(over saturated queue), dimana ρ > 1 akan terjadi suatu antrian yang semakin lama semakin panjang, bila sumber input atau kedatangan menunjukkan angka yang tak terhingga sehingga akibatnya akan terjadi antrian yang tidak akan habis. Pada kondisi (under saturated queue), laju kedatangan dapat diatasi oleh tingkat kemampuan pelayanan, sehingga akan tercapai suatu kondisi (steady state), yaitu suatu kondisi dimana terjadi keseimbangan antara laju kedatangan dengan tingkat pelayanan suatu fasilitas.

Simulasi mula-mula dilakukan untuk jumlah pelayan sebanyak satu berdasarkan pola (M/M/1) : (GD/∞/∞), perlu dijelaskan di sini model antrian tersebut dipilih karena distribusi kedatangan dan pelayanannya adalah Poisson dan Eksponensial, dengan jumlah pelayan 1 (satu), disiplin antriannya adalah FIFO dan jumlah kedatangan maupun sumbernya tidak dibatasi.

(M/M/1) : (GD/∞/∞)

Rata-rata jumlah pelanggan dalam sistem yang diharapkan ketika pelanggan tiba : Ls = ρ / (1 – ρ)

= 0.22/ (1 – 0.22) = 0.28 kapal

Rata-rata jumlah pelanggan yang diharapkan mengantri ketika pelanggan tiba : Lq = ρ² / (1 – ρ)

= 0.22² / (1 – 0.22) = 0.06 kapal

Rata-rata waktu tunggu pelanggan yang diharapkan dalam sistem : Ws = 1 / μ(1 – ρ)

= 1 / 11.2 (1 – 0.22) = 0.1145 hari

Rata-rata waktu tunggu pelanggan yang diharapkan dalam antrian : Wq = Lq / λ

= 0.06 / 2.5 = 0.024 hari

Prosentase pelayan dalam keadaan kosong (menganggur) : X1 = 100 ( 1 – 0.22/ 1)

= 78 %

(M/M/2) : (GD/∞/∞) dengan ρ = 0.22 dan c = 2

- 1 ρ0 =

0.22² 0.222 -1

= + = 0.084 2 2(1-0.22/2)

0.22²

ρ2 = = 0.002 2 !

2 * 0.22

Lq = = 0.14 kapal (2 – 0.22)²

Ls = 0.14 + 0.02 = 0.038 kapal

Wq = Lq / λ

= 0.14 / 2.5 = 0.056 hari

c-1

Σ

n=0

pⁿ + n!

ρ

²

c(1-ρ/c)

Ws = Wq + (1/μ)

= 0.056 + (1 / 11.2 ) = 0.14 hari

X2 = 100 (1 – 0.22 / 2)

= 39 %

(M/M/3) : (GD/∞/∞) dengan ρ = 0.22 dan c = 3

- 1 ρ0 =

0.22² 0.222 -1

= + = 0.0.2 3 3(1-0.22/3)

0.22²

ρ3 = x 0.2 = 0.0016 3 !

3 * 0.22

Lq = = 0.085 kapal (3 – 0.22)²

Ls = 0.085 + 0.22 = 0.305 kapal

Wq = Lq / λ

= 0.085 / 2.5 = 0.034 hari

Ws = Wq + (1/μ)

= 0.034 + (1 / 11.2 ) = 0.003 hari

c-1

Σ

n=0

pⁿ + n!

ρ

²

c(1-ρ/c)

X3 = 100 (1 – 0.22 / 3)

= 26 %

Tabel 6.1

Karesteristik Pola Tampilan Lalu Lintas dengan ρ = 0.22 dengan Jumlah Pelayan sebagai Variabel

Dari hasil perhitungan di atas, dapat terlihat dengan bertambahnya jumlah pelayan maka rata-rata waktu tunggu dalam sistem (Ws) maupun dalam antrian (Wq) mengalami pengurangan. Sedangkan prosentase pelayan dalam keadaan kosong atau menganggur (X) dan rata-rata jumlah pelanggan dalam sistem (Ls) maupun dalam antrian (Lq) menurun.

6.2.2 Analisa Biaya Tunggu (Waiting Cost)

Dalam perhitungan biaya, digunakan asumsi biaya produktivitas orang Indonesia tiap jamnya adalah Rp. 289.8 (BPS 1996). Sedangkan nilai biaya tunggu nya didapat dari hasil kali antara waktu pelanggan dalam antrian (Wq) dalam hari dengan laju kedatangan (road arrival).

Besaran Ws (hari) Wq (hari) Ls (kapal) Lq (kapal)

X (%)

M / M / 2 M / M / 1

0.14 0.056

0.38 0.14

39 0.1145

0.024 0.28 0.06 78

M / M / 3 0.003 0.034 0.305 0.085

26

Tabel 6.2

Biaya Tunggu Kedatangan dengan Berbagai Jumlah Pelayan dengan nilai λ = 2.5

Sama halnya dengan waktu tunggu dalam sistem dan antrian (Ws dan Wq) diatas, disini dapat dilihat dari tabel diatas bahwa dengan bertambahnya jumlah pelayan yang beroperasi pada suatu fasilitas menyebabkan biaya tunggu (Cw) yang ditanggung oleh pelanggan dalam hal inni pengguna jasa terminal Berlian akan berkurang.

Gambar 6.1

Grafik Hubungan antara Biaya Tunggu dengan Jumlah Pelayan pada Laju Kedatangan

1 2 3

417.312

973.728

591.2175

0 200 400 600 800 1000 1200

Jumlah Pelayan

Biaya Tunggu (Rp/hari)

Jumlah

Server Wq (hari) Biaya Tunggu

(Rp/hari) Biaya(Rp/hari)

289.8 * 24 Biaya(Rp/jam)

Lambda

1 0.024 6955.2

2 289.8

289,8 2.5

2.5

0.056 6955.2 973.728

417.312

3 0.034 2.5 289.8 6955.2 591.2175

6.2.3 Optimalisasi Jumlah Pelayan (Server)

Nilai waktu digunakan untuk mengetahui berapa jumlah pelayan minimum yang dibutuhkan agar tidak terjadi antrian yang panjang, sedangkan prosentase pelayan menganggur digunakan untuk mengetahui jumlah maksimum pelayan.

6.2.3.1 Ditinjau dari Nilai Waktu tunggu dan Prosentase pelayan Menganggur

Tabel 6.3

Waktu Tunggu (Ws) dan Prosentase Pelayan Menganggur (X) dengan Berbagai Jumlah Pelayan

Prosentase pengurangan nilai waktu tunggu dalam sistem (Ws) dan prosentase pelayan menganggur (X) :

(0.1145 – 0.14) Ws 1 -2 = x 100 % = 10.02 % (0.1145 + 0.14)

(0.14 – 0.003) Ws 2 -3 = x 100 % = 95 % (0.14 + 0.003)

(39 - 78)

X 1-2 = x 100 % = 33.3 % (39 + 78)

(26 – 39)

X 2 - 3 = x 100 % = 20 %

(26 + 39)

0.14 39 0.1145

78 Ws

X(%)

2 1

Jumlah Pelayan

0.003 26

3

Dari hasil perhitungan di atas dapat disimpulkan bahwa jumlah pelayan yang optimal pada kedatangan adalah 2 jadi 3 buah karena prosentase pengurangan waktu tunggu dalam sistem (Wq) dan prosentase pelayan menganggur yang tersebar pada jumlah server 1 jadi 2.

6.2.3.2 Ditinjau dari Biaya Tunggu

Tabel 6.4

Biaya Tunggu dan Berbagai Jumlah Pelayan

Rp. 417.312 – Rp. 973.728

Cw 1 – 2 = x 100 % = 40 %

Rp. 417.312 + Rp. 973.728

Rp. 973.728 – Rp. 591.2175

Cw 2 – 3 = x 100 % = 24.44 % Rp. 973.728 + Rp. 591.2175

Dari hasil perhitungan di atas dapat disimpulkan bahwa jumlah pelayan yang optimal pada kedatangan adalah 2 jadi 3 buah karena prosentase pengurangan waktu tunggu dalam sistem (Wq) dan prosentase pelayan menganggur terbesar pada jumlah pelayan 2 jadi 3. Jadi dari perhitungan tadi disimpulkan bahwa jumlah pelayan yang optimal adalah 2 buah.

6.2.4. Analisa Distribusi Sebaran Data

Berdasarkan hasil pengujian distribusi yang dilakukan dengan menggunakan uji Kolmogorov-Smirnov dan uji Eksponensial diperoleh hasil sebagai berikut:

Jumlah Pelayan 1 2 3

Biaya Tunggu (Rp/hari) ^{417.312 973.728 591.2175}

Tabel 6.5

Hasil Pengujian Distribusi Kolmogorov-Smirnov

One-Sample Kolmogorov-Smirnov Test

10 7,5170 3,61960 ,138 ,138 -,132 ,437 ,991 N

Mean Std. Deviation Normal Parameters ^a,b

Absolute Positive Negative Most Extreme

Differences

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

Service_Time

Test distribution is Normal.

a.

Calculated from data.

b.

Sumber : Hasil Pengolahan Data (Lampiran)

Berdasarkan data diatas dapat diketahui bahwa nilai rata-rata dari sebaran data yang digunakan adalah sebesar 7,5170 dan nilai Kolmogorov-Smirnov yang diperoleh dari hasl pengolahan data adalah sebesar 0,437 dengan taraf signifikan sebesar 0,991. Taraf signifikan yang lebih besar dari 0,05 tersebut menunjukkan bahwa distribusi sebaran data yang digunakan dalam penelitian ini telah berdistribusi normal menurut uji Kolmogorov-Smirnov.

Pengujian distribusi yang lain yang dilakukan adalah dengan melakukan uji Eksponential, berdasarkan hasil pengujian yang dilakukan diperoleh hasil sebagai berikut:

Tabel 6.6

Hasil Pengujian Distribusi Eksponensial

One-Sample Kolmogorov-Smirnov Test 2

10 7,5170 ,299 ,164 -,299 ,945 ,333 N

Mean Exponential parameter. ^a,b

Absolute Positive Negative Most Extreme

Differences

Kolmogorov-Smirnov Z Asymp. Sig. (2-tailed)

Service_Time

Test Distribution is Exponential.

a.

Calculated from data.

b.

Sumber : Hasil Pengolahan Data (Lampiran)

Berdasarkan data diatas dapat diketahui bahwa nilai rata-rata dari sebaran data yang digunakan adalah sebesar 7,51 dan nilai Kolmogorov-Smirnov yang diperoleh dari hasl pengolahan data adalah sebesar 0,945 dengan taraf signifikan

sebesar 0,333. Taraf signifikan yang lebih besar dari 0,05 tersebut menunjukkan bahwa distribusi sebaran data yang digunakan dalam penelitian ini telah berdistribusi normal menurut uji Eksponensial.

Berdasarkan kedua pengujian distribusi diatas dapat diputuskan bahwa, data yang digunakan dalam penelitian ini telah memenuhi distribusi Kolmogorov- Smirnov dan distribusi Eksponensial.

6.2.5. Analisa Efektifitas Pelayanan

Analisa efektifitas pelayanan perlu dilakukan untuk mengetahui seberapa efektif pelayanan yang telah diberikan selama ini, berikut ini disajikan data mengenai pelayanan yang diberikan yang antara lain berupa waktu pelayanan, waktu operasi dan muatan kapal.

Tabel 6.7

Data Waktu Pelayanan, Waktu Operasi dan Muatan Kapal

No Nama Type Service

Time

Operating

Time Ship Load

1 CMB Energy Cont 7,55 7,22 1238

2 Victoria Bay Cont 11,63 11,30 2071

3 CMB Enterprise Cont 5,33 5,17 1291

4 V de Rouen Cont 6,83 6,58 1927

5 CMB Eagle Cont 2,67 2,50 885

6 City of Liverpool Cont 11,00 11,00 3674

7 CMB Mallet Cont 3,33 3,00 493

8 CGM Monet Cont 5,17 5,00 548

9 Victoria Bay Cont 13,58 13,33 1793

10 Ile Maurice Cont 8,08 7,83 1455

Sumber: Data Layanan Perusahaan

Berdasarkan data diatas dapat diketahui bahwa muatan tiap-tiap kapal yang dilayani tidak selalu sama, dengan masa service time yang lebih lama dibandingkan dengan operating time, selisih tersebut menunjukkan bahwa terdapat idle time atau waktu menunggu selama dalam waktu layanan. Oleh karena itu untuk analisa selanjutnya yang digunakan adalah operating time.

Berdasarkan data diatas kemudian dilakukan analisa mengenai efektifitas pelayanan yang telah diberikan. Dengan standar pelayanan muatan kapal perjam yang ditetapkan oleh perusahaan adalah untuk setiap satu jam layanan, banyaknya container yang termuat kedalam kapal adalah 200 kontainer.

Untuk Kapal No. 1 CMB Energy :

Operating time = 7,22

Ship Load = 1238

Ship Load per Hour = 164 Ship Load Standar per Hour = 200

Efektifitas =

=

= 82%

Untuk Kapal No. 2 Victoria Bay :

Operating time = 11,30

Ship Load = 2071

Ship Load per Hour = 178 Ship Load Standar per Hour = 200

Efektifitas =

=

= 89%

Untuk Kapal No. 5 CMB Eagle:

Operating time = 2,50 Ship Load per Hour

x 100%

Ship Load Standar 164

x 100%

200

Ship Load per Hour

x 100%

Ship Load Standar 178

x 100%

200

Ship Load = 885 Ship Load per Hour = 332 Ship Load Standar per Hour = 200

Efektifitas =

=

= 166%

Untuk lebih lengkapnya disajikan data mengenai efektifitas pelayanan pada data yang digunakan dalam penelitian ini pada tabel 6.8 dibawah ini:

Tabel 6.8

Analisa Efektifitas Pelayanan No Nama Type Operating

Time Ship Load Container

Per Hours Efektifitas

1 CMB Energy Cont 7,22 1238 164 82,00

2 Victoria Bay Cont 11,30 2071 178 89,00

3 CMB

Enterprise Cont 5,17 1291 242 121,00

4 V de Rouen Cont 6,58 1927 282 141,00

5 CMB Eagle Cont 2,50 885 332 166,00

6 City of

Liverpool Cont 11,00 3674 334 167,00

7 CMB Mallet Cont 3,00 493 148 74,00

8 CGM Monet Cont 5,00 548 106 53,00

9 Victoria Bay Cont 13,33 1793 135 67,50

10 Ile Maurice Cont 7,83 1455 180 90,00

Sumber: Data Layanan Perusahaan (diolah)

Berdasarkan tabel diatas dapat diketahui dari 10 layanan yang diberikan terdapat 6 layanan yang memiliki nilai efektifitas layanan kurang dari 100%, yaitu pada kapal CMB Energy, Victoria Bay, CMB Mallet, CGM Monet, Ile Maurice, nilai tersebut menunjukkan bahwa pelayanan yang diberikan masih kurang efektif dari standar yang telah ditetapkan.

Ship Load per Hour

x 100%

Ship Load Standar

332

x 100%

200

Sedangkan pada kapal CMB Enterprise, V de Rouen, CMB Eagle dan City of Liverpool diperoleh nilai efektifitas yang lebih besar dari 100%, nilai tersebut menunjukkan layanan yang diberikan sudah cukup efektif atau telah melebihi standar yang ditetapkan.