LAMPIRAN 1. Struktur Organisasi PT. Soho

(1)

LAMPIRAN 1

(2)

LAMPIRAN 2

Perhitungan Jumlah Sampel Minimum

Menurut Sritomo (1995, p 184), untuk menetapkan jumlah observasi yang seharusnya dibuat (N’) maka disini harus diputuskan terlebih dahlu berapa tingkat kepercayaan (convidence level) dan derajat ketelitian (degree of accuracy) untuk pengukuran kerja ini.

Formula untuk menentukan jumlah sampel minimum dengan tingkat kepercayaan 95% yaitu; N’ = 2 2 2 ) X X) ( -X N 40 (

∑

_∑

∑

Waktu Proses Stasiun Mixing

∑

X = 215.93684 2 ) X (

∑

= 46628.72 2

∑

X = 745.76295 N’ = ₎2 93684 . 215 46628.72 -745.76295 x 3 6 40 ( = 12.16 sampel = 13 sampel

Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.

(3)

Waktu Setup Stasiun Tableting

∑

X = 16.14 2 ) X (

∑

= 260.50 2

∑

X = 4.2 N’ = ₎2 16.14 260.5 -2 . 4 x 3 6 40 ( = 25.18 sampel = 26 sampel

Waktu Proses Stasiun Tableting

∑

X = 404.218 2 ) X (

∑

= 163392.78 2

∑

X = 2613.148 N’ = ₎2 404.218 163392.78 -2613.148 x 3 6 40 ( = 12.09 sampel = 13 sampel

(4)

Waktu Proses Tableting / Botol

∑

X = 0.05053 2 ) X (

∑

= 0.00255 2

∑

Waktu Proses Tableting / Botol

∑

X = 17.02 2 ) X (

∑

= 289.68 2

∑

(5)

Waktu Proses Filling / Botol

∑

X = 0.06919 2 ) X (

∑

= 0.004787 2

∑

Waktu Proses Filling / Botol

∑

X = 0.1012 2 ) X (

∑

= 0.01024 2

∑

(6)

LAMPIRAN 3

Uji Distribusi

Sebelum masuk ke dalam simulasi, data yang diperlukan dalam proses simulasi perlu diuji terlebih dahulu sebaran distribusinya. Uji distribusi dilakukan dengan menggunakan MiniTab.

Langkah kerja :

1. Pilih menu Stat Æ Quality Tools Æ Individual Distribution Qualification 2. Masukkan nama kolom tempat data yang hendak diuji berada.

3. Pilih uji distribusi yang diinginkan. Klik OK Uji Distribusi Waktu proses stasiun Mixing

Mixing Pe rc e n t 4 3 2 99.9 99 90 50 10 1 0.1 Mixing Pe rc e n t 100.00 10.00 1.00 0.10 0.01 99.9 90 50 10 1 Mixing Pe rc e n t 4.0 3.5 3.0 2.5 99.9 90 50 10 1 Mixing Pe rc e n t 4.8 4.0 3.2 2.4 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue = 0.182 Gamma A D = 0.300 P-V alue > 0.250 Normal A D = 0.272 P-V alue = 0.661 Exponential A D = 24.152 P-V alue < 0.003 Weibull A D = 0.535

Probability Plot for Mixing

Normal - 95% C I Exponential - 95% C I

(7)

Distribution Identification for Mixing

Distribution ID Plot for Mixing

Descriptive Statistics

N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 3.42746 0.300939 3.45 2.82 4.09 0.108632 -0.590393

Goodness of Fit Test

Distribution AD P Normal 0.272 0.661 Exponential 24.152 <0.003 Weibull 0.535 0.182 Gamma 0.300 >0.250

ML Estimates of Distribution Parameters

Distribution Location Shape Scale Threshold Normal* 3.42746 0.30094

Exponential 3.42746 Weibull 12.26070 3.56548 Gamma 131.61673 0.02604 * Scale: Adjusted ML estimate

(8)

Uji Distribusi Waktu setup Stasiun Tableting Ws T ableting Pe rc e n t 0.45 0.30 0.15 0.00 99.9 99 90 50 10 1 0.1 Ws T ableting Pe rc e n t 1.000 0.100 0.010 0.001 99.9 90 50 10 1 Ws T ableting Pe rc e n t 0.2 0.1 99.9 90 50 10 1 Ws T ableting Pe rc e n t 0.5 0.2 0.1 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue > 0.250 Gamma A D = 0.248 P-V alue > 0.250 Normal A D = 0.249 P-V alue = 0.739 Exponential A D = 18.021 P-V alue < 0.003 Weibull A D = 0.431

Probability Plot for Ws Tableting

Weibull - 95% C I Gamma - 95% C I

Distribution ID Plot for Ws Tableting Descriptive Statistics

Distribution AD P Normal 0.249 0.739 Exponential 18.021 <0.003 Weibull 0.431 >0.250 Gamma 0.248 >0.250

(9)

Uji Distribusi Waktu proses stasiun Tableting T ableting Pe rc e n t 8 7 6 5 99.9 99 90 50 10 1 0.1 T ableting Pe rc e n t 100.0 10.0 1.0 0.1 99.9 90 50 10 1 T ableting Pe rc e n t 8 6 4 99.9 90 50 10 1 T ableting Pe rc e n t 8 7 6 5 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue = 0.108 Gamma A D = 0.105 P-V alue > 0.250 Normal A D = 0.119 P-V alue = 0.989 Exponential A D = 24.201 P-V alue < 0.003 Weibull A D = 0.613

Probability Plot for Tableting

Distribution Identification for Tableting

Distribution ID Plot for Tableting Descriptive Statistics

(10)

Uji Distribusi Waktu proses Tableting / Botol tableting/botol Pe rc e n t 0.00100 0.00075 0.00050 99.9 99 90 50 10 1 0.1 tableting/botol Pe rc e n t 0.01000 0.00100 0.00010 0.00001 99.9 90 50 10 1 tableting/botol Pe rc e n t 0.00100 0.00075 0.00050 99.9 90 50 10 1 tableting/botol Pe rc e n t 0.00100 0.00075 0.00050 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue = 0.102 Gamma A D = 0.104 P-V alue > 0.250 Normal A D = 0.119 P-V alue = 0.989 Exponential A D = 24.209 P-V alue < 0.003 Weibull A D = 0.619

Probability Plot for tableting/botol

Distribution Identification for tableting/botol Distribution ID Plot for tableting/botol

N N* Mean StDev Median Minimum Maximum Skewness 63 0 0.0008020 0.0000703 0.0008047 0.0006353 0.0009774 0.110664 N Kurtosis

63 -0.0953999 Goodness of Fit Test

(11)

Uji distribusi Waktu Setup Stasiun Filling Ws Filling Pe rc e n t 0.6 0.4 0.2 0.0 99.9 99 90 50 10 1 0.1 Ws Filling Pe rc e n t 1.000 0.100 0.010 0.001 99.9 90 50 10 1 Ws Filling Pe rc e n t 1.0 0.1 99.9 90 50 10 1 Ws Filling Pe rc e n t 1.0 0.1 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue = 0.216 Gamma A D = 0.683 P-V alue = 0.080 Normal A D = 0.525 P-V alue = 0.174 Exponential A D = 12.538 P-V alue < 0.003 Weibull A D = 0.499

Probability Plot for Ws Filling

Distribution Identification for Ws Filling Distribution ID Plot for Ws Filling

N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 0.270159 0.0912015 0.25 0.07 0.44 -0.0157791 -0.646519 Goodness of Fit Test

Distribution AD P Normal 0.525 0.174 Exponential 12.538 <0.003 Weibull 0.499 0.216 Gamma 0.683 0.080

(12)

Uji Distribusi Waktu Proses Botol Pada Stasiun Filling Fill/Btl Pe rc e n t 0.00120 0.00105 0.00090 99.9 99 90 50 10 1 0.1 Fill/Btl Pe rc e n t 0.01000 0.00100 0.00010 0.00001 99.9 90 50 10 1 Fill/Btl Pe rc e n t 0.0012 0.0011 0.0010 0.0009 99.9 90 50 10 1 Fill/Btl Pe rc e n t 0.00120 0.00105 0.00090 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue < 0.010 Gamma A D = 0.238 P-V alue > 0.250 Normal A D = 0.278 P-V alue = 0.638 Exponential A D = 26.418 P-V alue < 0.003 Weibull A D = 1.446

Probability Plot for Fill/Btl

Distribution Identification for Fill/Btl Distribution ID Plot for Fill/Btl

63 0.611780

Distribution AD P Normal 0.278 0.638 Exponential 26.418 <0.003 Weibull 1.446 <0.010 Gamma 0.238 >0.250

(13)

Uji Distribusi Waktu Proses Botol Pada Stasiun Boxing Box/btl Pe rc e n t 0.0020 0.0015 0.0010 99.9 99 90 50 10 1 0.1 Box/btl Pe rc e n t 0.01000 0.00100 0.00010 0.00001 99.9 90 50 10 1 Box/btl Pe rc e n t 0.0020 0.0015 0.0010 99.9 90 50 10 1 Box/btl Pe rc e n t 0.0021 0.0018 0.0015 0.0012 99.9 99 90 50 10 1 0.1 Goodness of F it Test P-V alue < 0.010 Gamma A D = 0.392 P-V alue > 0.250 Normal A D = 0.489 P-V alue = 0.215 Exponential A D = 24.523 P-V alue < 0.003 Weibull A D = 1.264

Probability Plot for Box/btl

Distribution Identification for Box/btl Distribution ID Plot for Box/btl

63 -0.383797

Distribution AD P Normal 0.489 0.215 Exponential 24.523 <0.003 Weibull 1.264 <0.010 Gamma 0.392 >0.250

(14)

LAMPIRAN 4

Penjelasan Langkah-langkah Simulasi ProModel Sistem Aktual

Dalam melakukan simulasi dengan ProModel, langkah-langkah yang dilakukan, yaitu;

1. Menentukan entiti

- Pilih menu Build Æ Entities

- Kemudian masukan data, seperti dibawah ini;

(15)

2. Menentukan Lokasi

- Pilih menu Build Æ Locations

Tampilan ProModel Locations

DownTimes Stasiun Tableting

Frequency

First

Time Priority Scheduled Logic Disable

8 1 99 Yes

WAIT G (20.82067,

0.01230) No

Downtimes Stasiun Filling

Frequency

First

8 1 99 Yes

WAIT W(3.33440,

(16)

3. Menentukan Kedatangan - Pilih menu Build Æ Arrivals

Tampilan ProModel Arrivals

0 Kedatangan pesanan (order)

Entity : Orders Arrival

Location : Order Point

Quantity each : 1

First Time : 0

Occurrences : infinite

Frequency : 13.6*

*) Kedatangan pesanan akan mendorong proses batch tablet pada stasiun awal (Mixing). Sehingga frekuensi kedatangan dihitung untuk pesanan batch.

Rata-rata MS per hari = 4698 botol

1 batch = 8000 botol = hari / botol 4698 botol 8000 = 1.703 hari = 13.6 jam 4. Menentukan Variabel

- Pilih menu Build Æ More Elements Æ Variables (Global) - Kemudian masukan data, seperti dibawah ini;

(17)

Tampilan ProModel Variables

5. Menentukan Proses

- Pilih menu Build Æ Processing

Tampilan ProModel Processing

Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada

simulasi berjalan. Berikut proses yang terjadi Simulasi sistem aktual, 1. Mixing Æ Tableting

- Entity : Batch Tablet - Location : Mixing

(18)

- Operation :

>WIP_Mixing =WIP_Mixing + 1

>> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah.

> WAIT N(3.427,0.3009)

>> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.427 jam dan standar deviasi 0.3009 jam.

- Output : Batch Tablet - Destination : Tableting

- Rule : First 1 (langsung menuju stasiun selanjutnya jika kapasitas tersedia)

- Move Logic :

> MOVE FOR 4.5 MIN

>> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 4.5 menit

2. Tableting Æ Input Filling

- Entity : Batch Tablet - Location : Tableting - Operation :

>WIP_Tableting = WIP_Tableting + 1

>> Ketika Batch Tablet berada dalam stasiun Tableting maka jumlah WIP_Tableting akan bertambah.

(19)

>> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang.

> WAIT G(131.4004, 0.04883)

>> Menunjukkan waktu proses pada stasiun Tableting. Waktu proses mengikuti distribusi gamma dengan shape value 131.4004 dan scale value 0.04883.

- Output : Batch Tablet - Destination : Input Filling

- Move Logic :

> MOVE FOR 1 MIN

>> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 1 menit

3. Input Filling Æ Input Filling

- Entity : Batch Tablet - Location : Input Filling - Operation :

> WIP_Filling = WIP_Filling + 1 > WIP_Tableting = WIP_Tableting - 1

>> Ketika Batch Tablet berada dalam Input Filling maka jumlah WIP_Filling akan bertambah dan jumlah WIP pada stasiun Tableting akan berkurang.

- Output : Batch Tablet - Destination : Input Filling

(20)

- Move Logic : -

4. Input Filling Æ Input Filling

- Entity : Batch Tablet - Location : Input Filling - Operation :

> SPLIT 8000 AS Tablet

>> Memecah 1 bacth tablet menjadi 8000 tablet >WIP_Filling = WIP_Filling - 1

>> Ketika Batch Tablet telah di split ke dalam tablet, maka WIP Filling yang dihitung dalam batch tablet akan berkurang.

- Output : Tablet

- Destination : Input Filling

- Move Logic : -

5. Input Filling Æ Filling

- Entity : Tablet

- Location : Input Filling - Operation :

(21)

>> Menunjukkan tidak adanya proses menunggu. - Output : Tablet

- Destination : Filling

- Move Logic : - 6. Filling Æ Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE 1 AS Botol

>> 1 tablet akan digabungkan menjadi 1 botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi 1 botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet.

- Output : Botol - Destination : Filling

- Move Logic : -

7. Filling Æ Output

- Entity : Botol - Location : Filling

(22)

- Operation :

> WAIT N(0.001098,0.00005087)

>> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk 1 botol mengikuti distribusi normal dengan mean 0.001098 jam dan standar deviasi 0.00005087 jam.

- Output : Botol - Destination : Output

- Move Logic : -

8. Output Æ Input Boxing

- Entity : Botol - Location : Output - Operation :

> WIP_Boxing=WIP_Boxing+1

>> Ketika botol telah selesai diproses pada stasiun filling, maka botol akan berada pada output dan botol sudah dianggap menjadi bagian dari WIP stasiun boxing.

> ACCUM 8000

>> Botol akan diakumulasikan terlebih dahulu sampai mencapai jumlah 8000 (ukuran lot transfer) sebelum dipindahkan ke stasiun selanjutnya.

- Output : Botol

(23)

- Rule : 0.995 1 (botol menuju Input Boxing dengan probabilitas 0.995)

- Destination 2 : Exit

- Rule : 0.005 (botol akan keluar dari sistem dengan probabilitas 0.005)

- Move Logic : (untuk destination 1) > MOVE FOR 904 SEC

>> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 904 detik.

9. Input Boxing Æ Boxing

- Entity : Botol

- Location : Input Boxing - Operation : -

- Output : Botol - Destination : Boxing

- Move Logic : - 10. Boxing Æ Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G(153.43762, 0.00001)

(24)

>> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value 153.43762 dan scale value 0.00001.

- Output : Botol

- Destination : Warehouse

- Move Logic : - 11. Warehouse Æ Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + 1 > WIP_Boxing = WIP_Boxing - 1

>> Ketika Botol telah berada dalam Warehouse maka jumlah Produksi akan bertambah dan jumlah WIP Boxing akan berkurang.

- Output : Botol - Destination : Exit

- Move Logic : -

12. Order Point Æ Exit

(25)

- Location : Order Point - Operation :

>Orders = Orders + 1

>> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah.

> ORDER 1 Batch Tablet TO Mixing

>> Ketika pesanan tiba maka akan dipesan pula 1 Batch Tablet untuk diproses pada stasiun awal (Mixing).

- Output : Orders Arrival - Destination : Exit

(26)

LAMPIRAN 5

Penjelasan Langkah-langkah Simulasi ProModel Sistem Kanban

Dalam melakukan simulasi dengan ProModel untuk sistem Kanban, langkah-langkah yang dilakukan, yaitu;

1. Menentukan entiti

- Pilih menu Build Æ Entities

Tampilan ProModel Entities Sistem Kanban

2. Menentukan Lokasi - Pilih menu Build Æ Locations

(27)

Tampilan ProModel Locations Sistem Kanban

DownTimes Stasiun Tableting

Frequency

First

8 1 99 Yes

WAIT G (20.82067,

0.01230) No

Downtimes Stasiun Filling

Frequency

First

8 1 99 Yes

WAIT W(3.33440,

0.30137) No

3. Menentukan Kedatangan - Pilih menu Build Æ Arrivals

(28)

Tampilan ProModel Arrivals Sistem Kanban

0 Kedatangan pesanan (order)

Entity : Orders Arrival

Location : Order Point

Quantity each : 4698 (botol)*

First Time : 0

Occurrences : infinite

Frequency : 8

*) Pesanan datang dalam jumlah rata-rata MS per hari yaitu sebesar 4698 botol.

4. Menentukan Variabel

- Pilih menu Build Æ More Elements Æ Variables (Global) - Kemudian masukan data, seperti dibawah ini;

(29)

5. Menentukan Proses - Pilih menu Build Æ Processing

Tampilan ProModel Processing Sistem Kanban

Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada

simulasi berjalan. Berikut proses yang terjadi Simulasi sistem kanban, 1.Mixing Æ Tableting

- Entity : Batch Tablet - Location : Mixing - Operation :

>WIP_Mixing =WIP_Mixing + 1

>> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah.

> WAIT N(3.427,0.3009)

>> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.427 jam dan standar deviasi 0.3009 jam.

(30)

- Output : Batch Tablet - Destination : Tableting

- Move Logic : -

2.Tableting Æ Tableting

- Entity : Batch Tablet - Location : Tableting - Operation :

>WIP_Mixing = WIP_Mixing - 1

>> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang.

> SPLIT 8000 AS Tablet

>> Memecah 1 batch tablet menjadi 8000 tablet - Output : Tablet

- Destination : Tableting

- Move Logic : -

3.Tableting Æ Filling Queue

- Entity : Tablet - Location : Tableting

(31)

- Operation :

> WAIT G(131.82596, 0.00001)

>> Menunjukkan waktu proses 1 tablet pada stasiun Tableting. Dikarenakan 1 tablet mewakili 30 tablet, maka waktu proses yang digunakan adalah waktu proses untuk 30 tablet yang terdistribusi Gamma dengan shape value 131.82596 dan scale value 0.00001.

- Output : Tablet

- Destination 1 : Filling Queue

- Rule : 0.995 1 (Tablet akan menuju Filling Queue dengan probabilitas 0.995)

- Destination 2 : Exit

- Rule : 0.005 (Tablet akan keluar dari sistem yang menunjukkan adanya scrap

dengan probabilitas 0.005) - Move Logic : -

4.Filling Queue Æ Input Filling

- Entity : Tablet

- Location : Filling Queue - Operation :

>WIP_Tableting = WIP_Tableting + 1

>> Ketika Tablet memasuki Filling Queue, WIP_Tableting akan bertambah. - Output : Tablet

(32)

- Move Logic : -

5.Input Filling Æ Filling

- Entity : Tablet

- Location : Input Filling - Operation :

> WIP_Tableting = WIP_Tableting-1 > WIP_Filling = WIP_Filling + 1

>> Ketika tablet telah memasuki input filling, maka WIP pada stasiun tableting akan berkurang dan sebaliknya WIP pada stasiun Filling akan bertambah.

- Output : Tablet - Destination : Filling

- Move Logic : - 6. Filling Æ Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE 1 AS Botol

(33)

>> 1 tablet akan digabungkan menjadi 1 botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi 1 botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet.

- Output : Botol - Destination : Filling

- Move Logic : -

7.Filling Æ Output Filling

- Entity : Botol - Location : Filling - Operation :

> WAIT N(0.001098,0.00005087)

>> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk 1 botol mengikuti distribusi normal dengan mean 0.001098 jam dan standar deviasi 0.00005087 jam.

- Output : Botol - Destination : Output

(34)

8.Output Filling Æ Input Boxing

- Entity : Botol

- Location : Output Filling - Operation :

> ACCUM 250

>> Menunjukkan proses mengakumulasikan botol sampai berjumlah 250 (ukuran lot transfer) sebelum berpindah ke proses selanjutnya.

- Output : Botol

- Destination : Input Boxing

- Move Logic : -

9.Input Boxing Æ Boxing

- Entity : Botol

- Location : Input Boxing - Operation :

> WIP_Filling = WIP_Filling - 1

> WIP_Boxing = WIP_Boxing + 1

>> Ketika Batch Tablet berada dalam Input Boxing maka jumlah WIP_ Boxing akan bertambah dan jumlah WIP pada stasiun Filling akan berkurang.

- Output : Botol - Destination : Boxing

(35)

- Rule : First 1 (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 10. Boxing Æ Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G(153.43762, 0.00001)

>> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value 153.43762 dan scale value 0.00001.

- Output : Botol

- Destination : Warehouse

- Rule : SEND 1 (akan ditransfer ke stasiun tujuan jika terdapat perintah SEND)

- Move Logic : - 11. Warehouse Æ Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + 1 > WIP_Boxing = WIP_Boxing - 1

(36)

>> Ketika produk sudah berada pada warehouse, maka jumlah produksi akan bertambah dan jumlah WIP pada stasiun Boxing akan berkurang.

- Output : Botol - Destination : Exit

- Move Logic : -

12. Order Point Æ Exit

- Entity : Orders Arrival - Location : Order Point - Operation :

>Orders = Orders + 1

>> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah.

> IF Contents (Boxing) = 1 THEN {SEND 1 Botol TO Warehouse} ELSE

{ORDER 1 Batch_Tablet TO Mixing}

>> Jika saat pesanan tiba pada stasiun Boxing terdapat 1 botol maka botol tersebut akan dikirim ke Warehouse. Jika stasiun Boxing tidak terdapat produk (botol) maka akan dipesan 1 batch tablet ke stasiun awal (Mixing).

(37)

- Destination : Exit

- Move Logic : -

(38)

LAMPIRAN 6

Jumlah Minimum Replikasi Dalam Simulasi

Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Aktual

Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;

1. Melakukan replikasi awal dan menentukan point estimates.

Replikasi awal dilakukan sebanyak 10 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini.

Replikasi Output 1 4842 2 5000 3 5012 4 4989 5 4694 6 5026 7 4918 8 4982 9 5048 10 5011 Average 4952.2 StD 108.61

Point estimates merupakan nilai estimasi tunggal dari parameter data. Point

estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari

data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.

(39)

2. Menentukan interval estimates

Interval estimates menyediakan informasi mengenai seberapa jauh estimasi

nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya. P = tingkat kepercayaan = 0.95 α = 1 - P = 0.05 n = jumlah sampel = 10 X = 4952.2 S = standar deviasi = 108.61

tn-1, α/2 = 2.262 (Lih. Lampiran Student’s t table)

hw = half width = n )S (t_n_-_1,_α/2 = 10 108.61 * 2.262 = 77.68952 Lower Limit = X - hw = 4952.2 - 77.68952 = 4874.51 Upper Limit = X + hw = 4952.2 + 77.68952 = 5029.89 Kesimpulan : 4874.51 ≤μ≤ 5029.89

Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai 4874.51 dan 5029.89.

(40)

3. Menentukan jumlah replikasi minimum yang dibutuhkan

Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung

jumlah minimum replikasi yang dibutuhkan. e = error minimum yang diinginkan = hw = 50 (hw ingin dikurangi dari 77.68952 menjadi 50) P = 0.95

α = 0.05 S = 108.61

Zα/2 = Z0.025 = 1.96 (Lih. Lampiran Tabel Standar Distribusi Normal)

n’ = jumlah replikasi minimum

n’ = α/2 2 ) e S * Z ( = ₎2 50 108.61 * 1.96 ( = 18.12641 replikasi = 19 replikasi.

Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Kanban

Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;

1. Melakukan replikasi awal dan menentukan point estimates.

Replikasi awal dilakukan sebanyak 10 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini.

(41)

Replikasi Output 1 4842 2 5000 3 5012 4 4989 5 4694 6 5026 7 4918 8 4982 9 5048 10 5011 Average 4952.2 StD 108.61

Point estimates merupakan nilai estimasi tunggal dari parameter data. Point

estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari

data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.

2. Menentukan interval estimates

Interval estimates menyediakan informasi mengenai seberapa jauh

estimasi nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya.

P = tingkat kepercayaan = 0.95 α = 1 - P = 0.05

n = jumlah sampel = 10 X = 4952.2

(42)

S = standar deviasi = 108.61

tn-1, α/2 = 2.262 (Lih. Lampiran Student’s t table)

hw = half width = n )S (t_n_-_1,_α/2 = 10 108.61 * 2.262 = 77.68952 Lower Limit = X - hw = 4952.2 - 77.68952 = 4874.51 Upper Limit = X + hw = 4952.2 + 77.68952 = 5029.89 Kesimpulan : 4874.51 ≤μ≤ 5029.89

Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai 4874.51 dan 5029.89.

3. Menentukan jumlah replikasi minimum yang dibutuhkan

Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung jumlah minimum replikasi yang dibutuhkan.

e = error minimum yang diinginkan = hw = 50 (hw ingin dikurangi dari 77.68952 menjadi 50) P = 0.95

α = 0.05 S = 108.61

(43)

Zα/2 = Z0.025 = 1.96 (Lih. Lampiran Tabel Standar Distribusi Normal)

n’ = jumlah replikasi minimum

n’ = α/2 2 ) e S * Z ( = ₎2 50 108.61 * 1.96 ( = 18.12641 replikasi = 19 replikasi.

(44)

LAMPIRAN 7

Perhitungan Manual Validasi Simulasi Sistem Aktual Dengan Uji Sampel 2 t

- x = 4935, 1 x = 4861 2 - S1 = 116, S2 = 233 - n1 = n2 = 22 - α = 0.05

- μ1 = mean simulasi soho - μ2 = mean aktual soho - H0 : μ1 = μ2 H1 : μ1 ≠ μ2 - 2 -n + n 1)S -(n + 1)S -(n = S 2 1 2 2 2 2 1 1 2 p = ₂₂₊₂₂_-₂ 1)233 -(22 + 1)116 -(22 2 2 = 33872.5 - S_p = 33872.5 = 184.04 - 2 1 2 1 0 n 1 + n 1 04 . 84 1 x -x = t = 22 1 + 22 1 04 . 84 1 4861 -4935 = 1.33 - Kesimpulan = -t_α/2,_n1₊_n2_-₂ (-2.145) < t0 (1.33) < tα/2,n1+n2-2 (2.145)

Maka H0 diterima, yaitu mean simulasi soho tidak berbeda dengan mean aktual soho dengan selang kepercayaan 95%.

(45)

LAMPIRAN 8

(46)

LAMPIRAN 9

Student’s t Distribution

(47)

LAMPIRAN 10

(48)

LAMPIRAN 1. Struktur Organisasi PT. Soho

LAMPIRAN 1

LAMPIRAN 2

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

∑

LAMPIRAN 3

LAMPIRAN 4

LAMPIRAN 5

LAMPIRAN 6

LAMPIRAN 7

LAMPIRAN 8

LAMPIRAN 9

LAMPIRAN 10

LAMPIRAN 11

_∑