Distribusi Kerusakan - Konsep Realibilitas

3.2 Konsep Realibilitas

3.2.3. Distribusi Kerusakan

3.2.2.8. Ketersediaan

Ketersediaan dalam teknik pemeliharaan merupakan perbandingan antara running time suatu alat terhadap periode tertentu pada setiap siklus. Maksudnya adalah seberapa lama alat tersebut dapat berjalan melakukan misinya dalam periode waktu operasional suatu alat dalam satu siklus. Persamaan ketersediaan (Availability) dinyatakan dengan persamaan sebagai berikut:

A=MTBF−tf MTBF (3.15)

Keterangan:

A = Nilai ketersediaan yang dimiliki oleh suatu alat setiap MTBF = Waktu rata-rata antara kegagalan

tf = downtime yang dialami oleh suatu alat karena kegagalan Jika optimalisasi preventive maintenance dengan kriteria minimasi downtime telah diterapkan, maka nilai ketersediaan akan menjadi:

A '(tp)=ECL−Etr ECL (3.16)

Keterangan:

A’(tp) = Nilai ketersediaan yang baru.

ECL = Estimasi panjang siklus

Etr = Estimasi waktu perbaikan kerusakan

3.2.3.1. Distribusi Eksponensial

Ini merupajan distribusi probabilitas yang paling dasar dan banyak digunakan dalam pekerjaan pemeliharaan karena mudah dalam penggunaannya. Dalam kurva Bathtub hazard rate, distribusi ini memodelkan sebuah item pada wilayah kedua yang memiliki laju kegagalan konstan. Persamaan reliabilitas yang digunakan pada distribusi eksponensial adalah pada fungsi berikut:

R(t)=e^−λt ^(3.17)

Dengan �(�) merupakan perikiraan reliabilitas terhadap waktu, � untuk menyatakan laju kegagalan/hazard rate, dan e sebagai bilangan dasar logaritma. Untuk mencari laju kegagalan atau failure rate untuk jenis distribusi eksponensial, dengan memasukkan persamaan 3.6 ke dalam persamaan 3.7, persamaan yang didapat adalah:

λ(t)= 1

R(t)∙dR(t) dt (3.18)

Substitusi persamaan 3.16 ke dalam persamaan 3.17 menghasilkan:

λ(t)= 1

e^−λt∙d e⁻^λt

dt =λ (3.19)

Dari hasil substitusi persamaan di atas, � diketahui tidak memiliki fungsi waktu pada persamaan barunya sehingga nilai failure rate yang akan dihasilkan akan selalu sama. Untuk mencari MTBF dan MTTF pada distribusi kerusakan eksponensial, dengan mensubstitusikan persamaan 3.16 ke dalam persaman 3.7, maka akan didapat persamaan berikut:

MTTF=

∫

∞

e^−λtdt=1 λ (3.20)

Dari persamaan di atas pula bisa ditafsirkan bahwa MTTF atau MTBF berbanding terbalik dengan laju kerusakan distribusi eksponensial.

Kemudian, fungsi densitas probabilitas distribusi dapat ditentukan melalui perubahan pada persamaan 3.6 sehingga:

λ(t)=f(t)

R(t)→ f(t)=λ(t). R(t) (3.21)

Persamaan 3.16 dan 3.18 disubstitusikan ke dalam persamaan 3.20 sehingga menghasilkan persamaan berikut:

λ(t)=λ . e^−λt ^(3.22)

Di mana t adalah waktu, �(�) merupakan PDF, dan λ merupakan parameter distribusi (failure rate), �(�) merupakan laju reliabilitas terhadap waktu. Dengan mensubstitusikan persamaan 3.21 ke dalam persamaan 3.1, kita mendapat:

F(t)

∫

∞

λ e^−λtdt=1−e^−λt (3.23)

3.2.3.2. Distribusi Weibull

Distribusi ini dikembangkan oleh W. Weibull pada awal dekade 1950an dan bisa digunakan untuk menggambarkan banyak fenomena yang berbeda dalam teknik pemeliharaan.

Parameter β disebut dengan parameter bentuk atau kemiringan weibull (weibull slope), sedangkan parameter α disebut dengan parameter skala atau arakteristik hidup. Bentuk fungsi distribusi weibull bergantung pada parameter bentuknya (β), yaitu [CITATION Hud19 \l 1033 ]:

a. β < 1: Distribusi weibull akan menyerupai distribusi hyper- exponential dengan laju kerusakan cenderung menurun.

b. β = 1: Distribusi weibull akan menyerupai distribusi eksponensial dengan laju kerusakan cenderung konstan.

c. β > 1: Distribusi weibull akan menyerupai distribusi normal dengan laju kerusakan cenderung meningkat.

Gambar 3. 2 Pola distribusi Weibull Sumber: [CITATION Hud19 \l 1033 ]

Jika suatu kumpulan data dianggap mengikuti distribusi weibull, penentuan nilai parameter skala dan bentuk dapat dilakukan dengan metode regresi linier dengan bentuk persamaan dasarnya adalah sebagai berikut[CITATION Rid15 \l 1033 ]:

Yi=c+mXi (3.24)

Dengan:

𝑌� = ln 𝑇�

𝑋� = ln{ln( 1 /(1−�(�� ) )}

� = ln(�)

� = 1/β

Nilai fungsi distribusi kumulatif dari regresi linier dapat ditaksir dengan persamaan berikut[CITATION Rid15 \l 1033 ]:

(

^ti

)

⁼_n+0,4^i−0,3

(3.25)

Dengan i sebagai parameter urutan dan n senagai jumlah data yang terdapat dalam satu kelompok. Selanjutnya, penentuan nilai a dan b pada persamaan 3.18 dapat dihitung dengan rumus-rumus berikut:

m=N Σ Xi . Yi−(Σ Xi)(Σ Yi) N Σ X i²−(Σ Xi)² c=(ΣYi)

N −b(Σ Xi) N β= 1

m α=e^c

(3.26)

Fungsi densitas probabilitasya bisa ditulis sebagai:

f(t)=β

(

α^t

)

^β−1^e⁻

⁽

^α^t

⁾

, untuk t ≥0, α.0, β>0 ^(3.27) Di mana masing-masing � dan � merupakan skala distribusi dan parameter bentuk. Jika mengikuti persamaan 3.8, maka masing-masing laju kegagalan dan reliabilitas adalah sebagai berikut:

λ(t)=β

(

α^t

)

^β−1 ^(3.28)

R(t)=e⁻

(

α^t

)

^β _(3.29)

Dari persamaan 3.9, fungsi distribusi kumulatif untuk jenis distribusi Weibull dapat ditulis sebagai berikut:

F(t)=1−e⁻

(

α^t

)

^β _(3.30)

Nilai MTBF atau MTTF untuk distribusi Weibull bisa diperoleh dari persamaan:

MTBF=α . Γ

(

¹⁺¹β

)

(3.31)

Dengan � merupakan fungsi gamma. Nilai dari �(1 + 1 � ) diperoleh dari:

(

¹⁺¹β

)

⁼

^∫

^∞₀ ^e⁻^t^t

⁽

¹^β

⁾

^dt ^(3.32)

Persamaan di atas dapat digunakan untuk mengkalkulasikan bilangan non-integer positif.

BAB IV

ANALISIS DAN PEMBAHASAN

4.1 Analisis Pengumpulan Data

Berikut adalah data beberapa mesin yang ada di PT. Pupuk Kujang Cikampek Bagian Amonia 1B beserta total breakdown mesin, last report failure dan frekuensi mesin breakdown dari tahun 2016 sampai dengan bulan Mei 2022.

Tabel 4. 1 Data Kegagalan di Pabrik Amonia 1B

Sumber: [ CITATION Has22 \l 1033 ]

Data yang ada pada tabel di atas merupakan data kegagalan yang pernah terjadi di Pabrik Ammonia 1B PT Pupuk Kujang dan dirangkum dari arsip laporan kegagalan yang dimiliki oleh Bagian Pemeliharaan Mekanik 1B PT Pupuk Kujang. Kemudian data downtime setiap unit yang ada pada tabel di atas dimasukkan ke dalam grafik pareto downtime sebagai berikut:

Gambar 4. 1 Grafik Pareto Downtime

Sumber: [ CITATION Has22 \l 1033 ]

Dari grafik pareto yang disusun berdasarkan lamanya downtime, 62,58% dari total downtime berasal dari 2 unit, yaitu CA-101-B72/T dan CA-141-JA. Tidak semua unit di pabrik perlu dianalisis, karena hanya unit- unit yang mengalami downtime terlama yang sekiranya akan mempengaruhi proses produksi di pabrik secara signifikan. Dengan ini, hanya 2 unit tersebut yang akan dianalisis dalam pengolahan data.

4.2 Analisis Pengolahan Data

Data laporan kerusakan yang telah didapat dari tahun 2016 sampai dengan mei 2022 disaring lagi, hingga menyisakan dua unit mesin/

equipment yang mengalami downtime terlama, untuk 2 unit mesin/

equipment yang mengalami downtime terlama dapat dilihat pada tebel berikut:

Tabel 4. 2 Data Kegagalan Unit Kategori 2 No. Equipment total breakdown

(jam) report

terakhir frekuensi

1 CA-101-B72/T 409,02 07/09/2021 7

2 CA-141-JA 2957,44 04/02/2020 16

Sumber: [ CITATION Has22 \l 1033 ]

4.2.1. Nilai index of fit time TTR mesin/equipment CA-101-B72/T Perhitungan index of fit TTR untuk mesin/equipment CA-101- B72/T menggunakan data Riwayat kegiatan perawatan (downtime) yang melibatkan mesin/equipment CA-101-B72/T. pada tabel ditampilkan perhitungan index of fit TTR untuk mesin/equipment CA-101-B72/T. x adalah waktu antar terjadinya kerusakan (TTR) untuk mesin/equipment CA-101-B72/T.

Tabel 4. 3 perhitungan index of fit TTR untuk mesin/equipment CA-101-B72/T

CA-101-B72/T

i x sort x ln(x) F(x) ln(ln(1/(1-F(x))) 1 160 4 1,386294 0,045455 -3,067872615

2 27 6 1,791759 0,11039 -2,145823454

3 175 7 1,94591 0,175325 -1,646280772

4 149 24 3,178054 0,24026 -1,29178935

5 4 27 3,295837 0,305195 -1,010261447

6 24 40 3,688879 0,37013 -0,771667529

7 40 97 4,574711 0,435065 -0,560288167

8 114 114 4,736198 0,5 -0,366512921

9 228 127 4,844187 0,564935 -0,183610407 1

0 148 140 4,941642 0,62987 -0,006117338 1

1 140 148 4,997212 0,694805 0,171264823 1

2 6 149 5,003946 0,75974 0,354897648

3 127 160 5,075174 0,824675 0,554526136 1

4 7 175 5,164786 0,88961 0,79015558

5 97 228 5,429346 0,954545 1,128508398

Sumber: [ CITATION Has22 \l 1033 ]

Selanjutnya ditampilkan perhitungan xi, yi dan F(x) sesuai dengan persamaan 3.24 untuk mesin/equipment CA-101-B72/T secara lengkap ditampilkan pada tabel 4.4.

Tabel 4. 4 perhitungan index of fit 2 untuk mesin/equipment CA-101-B72/T

CA-101-B72/T

n xi F(xi) yi xi^2 yi^2 xiyi

1 -

3,06787 0,04545

5 1,38629

4 9,41184

2 1,92181

2 -

4,25297 2

2,14582 0,11039

1,79175 9

4,60455 8

3,21040

2 -3,8448 3

- 1,64628

0,17532

5 1,94591 2,71024

3,78656 6

- 3,20351 4

1,29179 0,24026

3,17805

4 1,66872

10,1000 3

- 4,10538 5

- 1,01026

0,30519 5

3,29583 7

1,02062 8

10,8625 4

- 3,32966

6 -

0,77167 0,37013 3,68887

9 0,59547

1 13,6078

3 -

2,84659

7 -

0,56029 0,43506

5 4,57471

1 0,31392

3 20,9279

8 -

2,56316 8

0,36651 0,5

4,73619 8

0,13433 2

22,4315 8

- 1,73588 9

- 0,18361

0,56493 5

4,84418 7

0,03371 3

23,4661 5

- 0,88944

0,00612 0,62987

4,94164 2

3,74E- 05

24,4198 3

- 0,03023 11

0,17126 5

0,69480 5

4,99721 2

0,02933 2

24,9721 3

0,85584 7 12

0,35489

8 0,75974

5,00394 6

0,12595 2

25,0394 8

1,77588 9 13 0,55452

6 0,82467

5 5,07517

4 0,30749

9 25,7573

9 2,81431 7 14 0,79015

6 0,88961 5,16478

6 0,62434

6 26,6750

1 4,08098 4 15

1,12850 8

0,95454 5

5,42934 6

1,27353 1

29,4777 9

6,12706 2 su

8,05087 7,5

60,0539 4

22,8541 2

266,656 5

- 11,1475

Sumber: [ CITATION Has22 \l 1033 ]

Selanjutnya ditampilkan grafik index of fit time untuk mesin /equipment CA-101-B72/T. Grafik index of fit time untuk mesin /equipment CA-101-B72/T dapat di;ihat pada gambar 4.2.

Gambar 4. 2 Grafik Index of Fit time untuk Mesin CA-101-B72/T Sumber: [ CITATION Has22 \l 1033 ]

Pada gambar 4.2, ditunjukan grafik index of fit time untuk mesin /equipment CA-101-B72/T. Distribusi ini memiliki karakteristik yang cenderung naik, artinya kerusakan mesin /equipment CA-101- B72/T akan semakin meningkat seiring waktu penggunaannya. Jenis karakteristik ini membutuhkan perlakuan perawatan preventive maintenance.

Perhitungan MTBF actual menggunakan persamaan, kemudian menentukan MTBF estimasi Weibull untuk mesin /equipment CA-101-

B72/T dengan menentuikan terlebih dahulu nilai β dan nilai α dengan menggunakan persamaan 3.24, persamaan 3.25 dan persamaan 3.26.

Menentukan β:

m=N Σ Xi . Yi−(Σ Xi)(Σ Yi) N Σ X i²−(Σ Xi)²

(−8,05087) (15×22,85412)−(¿¿2)

m=(15×(−11,1475))−((−8,05087)×60,05394)

¿ m=1,137694

β= 1

1,137694 β=0,878971 Menentukan α:

c=(ΣYi)

N −m(Σ Xi) N c=(60,05394)

15 −

(

^1,137694^×^(−8,0508715 ⁾

)

c=¿ 4,614225 α=e^c

α=2,718282^4,614225 α=¿ 100,9095 Menentukan MTBF aktual:

MTBF aktual=

∑

n MTBF aktual=1446

15 MTBF aktual=96,4 Menentukan MTBF estimasi:

MTBF estimasi=α . Γ

(

¹⁺¹β

)

Atau dengan formula dari Microsoft excel:

¿α∗exp

(

^GAMMALN

⁽

¹⁺¹^β

⁾ )

¿100,9095∗exp

(

^GAMMALN

⁽

¹⁺^0,878971¹

⁾ )

¿107,5961 Menentukan Variansi:

Variansi

(

S²

)

∑

⁽^{x− ´}^x⁾²

(n−1)

Atau dengan formula dari Microsoft excel:

¿VAR . S(x₁; x_n)

¿5289,971

Selanjutnya menentukan tingkat kepercayaan

(

R²

)

menggunakan formula excel:

¿RSQ(Yi1:Yin; Xi1:Xin)

¿0,914713

¿91,48 %

Nilai β dan nilai α merupakan koefisien Weibull yang digunakan untuk menghitung MTBF estimasi Weibull. MTBF actual adalah perhitungan MTBF dengan menghitung rata-rata waktu kerusakan terjadi seperti perhitungan diatas, dengan hasil 96,4 hari. MTBF estimasi Weibull yang dihitung menggunakan nilai β dan nilai α merupakan interval perawatan dari mesin /equipment CA-101-B72/T yang direkomendasikan yaitu setiap 107,5961 hari.

4.2.2. Nilai index of fit time TTR mesin/equipment CA-141-JA

Perhitungan index of fot TTR untuk mesin/equipment CA-141-JA menggunakan data Riwayat kegiatan perawatan (downtime)yang melibatkan mesin/equipment CA-141-JA. Pada tabel ditampilkan perhitungan index of fit TTR untuk mesin/equipment CA-141-JA. x adalah waktu antar terjadinya kerusakan (TTR) untuk mesin/equipment CA-141-JA.

Tabel 4. 5 perhitungan index of fit TTR untuk mesin/equipment CA-141- JA

CA-141-JA

i x sort x ln(x) F(x) ln(ln(1/(1-F(x))) 1 247 50 3,912023 0,109375 -2,155616006 2 917 140 4,941642 0,265625 -1,175270415 3 229 229 5,433722 0,421875 -0,601543551 4 308 247 5,509388 0,578125 -0,147287035 5 50 308 5,7301 0,734375 0,281917795 6 140 917 6,821107 0,890625 0,794336831

Sumber: [ CITATION Has22 \l 1033 ]

Selanjutnya ditampilkan perhitungan xi, yi dan F(x) sesuai dengan persamaan 3.24 untuk mesin/equipment CA-141-JA secara lengkap ditampilkan pada tabel .

Tabel 4. 6 perhitungan index of fit 2 untuk mesin/equipment CA-141-JA

CA-141-JA

n xi F(xi) yi xi^2 yi^2 xiyi

- 2,15562

0,10937 5

3,91202

3 4,64668

15,3039 2

- 8,43282 2

- 1,17527

0,26562 5

4,94164 2

1,38126 1

24,4198 3

- 5,80777 3

- 0,60154

0,42187 5

5,43372 2

0,36185 5

29,5253 3

- 3,26862

4 -

0,14729 0,57812

5 5,50938

8 0,02169

3 30,3533

6 -

0,81146 5 0,28191

8 0,73437

5 5,7301 0,07947

8 32,8340

4 1,61541 7 6

0,79433 7

0,89062 5

6,82110 7

0,63097 1

46,5275 1

5,41825 7 su

3,00346 3

32,3479 8

7,12193

8 178,964 -11,287

Sumber: [ CITATION Has22 \l 1033 ]

Selanjutnya ditampilkan grafik index of fit time untuk mesin /equipment CA-141-JA. Grafik index of fit time untuk mesin /equipment CA-141-JA dapat dilihat pada gambar .

Gambar 4. 3 Grafik Index of Fit time untuk Mesin CA-141-JA Sumber: [ CITATION Has22 \l 1033 ]

Pada gambar 4.3, ditunjukan grafik index of fit time untuk mesin /equipment CA-141-JA. Distribusi ini memiliki karakteristik yang cenderung naik, artinya kerusakan mesin /equipment CA-141-JA akan semakin meningkat seiring waktu penggunaannya. Jenis karakteristik ini membutuhkan perlakuan perawatan preventive maintenance

Perhitungan MTBF actual menggunakan persamaan, kemudian menentukan MTBF estimasi Weibull untuk mesin /equipment CA-141- JA dengan menentuikan terlebih dahulu nilai β dan nilai α dengan menggunakan persamaan 3.24, persamaan 3.25 dan persamaan 3.26.

Menentukan β:

m=NΣXi. Yi−(ΣXi)(ΣYi) N ΣX i²−(ΣXi)²

(−3,00346) (6×7,121938)−(¿¿2)

m=(6×(−11,287))−((−3,00346)×32,34798)

¿ m=0,873131

β= 1

0,873131 β=1,145303 Menentukan α:

c=(ΣYi)

N −m(ΣXi) N

c=(32,34798)

6 −

(

^0,873131^×⁽^−3,003466 ⁾

)

c=5,8284 α=e^c

α=2,718282^5,8284 α=339,8145 Menentukan MTBF actual:

MTBF aktual=

∑

n MTBF aktual=1891

6 MTBF aktual=315,1667 Menentukan MTBF estimasi:

MTBF estimasi=α . Γ

(

¹⁺¹β

)

Atau dengan formula dari Microsoft excel:

¿α∗exp

(

^GAMMALN

⁽

¹⁺¹^β

⁾ )

¿339,8145∗exp

(

^GAMMALN

⁽

¹⁺^1,145303¹

⁾ )

¿323,7901 Menentukan Variansi:

Variansi

(

S²

)

∑

⁽^{x− ´}^x⁾²

(n−1)

Atau dengan formula dari Microsoft excel:

¿VAR . S(x1; xn)

¿95064,57

Selanjutnya menentukan tingkat kepercayaan

(

R²

)

menggunakan formula excel

¿RSQ(Yi₁:Yi_n; Xi₁:Xi_n)

¿0,938211

¿93,83 %

Nilai β dan nilai α merupakan koefisien Weibull yang digunakan untuk menghitung MTBF estimasi Weibull. MTBF actual adalah perhitungan MTBF dengan menghitung rata-rata waktu kerusakan terjadi seperti perhitungan diatas, dengan hasil 315,1667 hari. MTBF estimasi Weibull yang dihitung menggunakan nilai β dan nilai α merupakan interval perawatan dari mesin /equipment CA-141-JA yang direkomendasikan yaitu setiap 323,7901 hari.

BAB V

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan dari hasil perhitungan dan pembahasan diatas, maka sebagai hasil analisa di lapangan dan hasil dari penelitian, sehingga didapatkan kesimpulan sebagai berikut;

a. Bagian Pemeliharaan Mekanik 1B menggunakan strategi Preventive Maintenance (PM) yang dilaksanakan pada alat-alat yang telah ditentukan setiap 3 bulan sekali.

b. Dari sekumpulan arsip catatan historis mengenai kerusakan unit di wilayah Pabrik Ammonia 1B, 62,58 % dari seluruh downtime yang dialami Pabrik Ammonia 1B yang dialami berasal dari 2 unit, yaitu CA- 101-B72/T, dan CA-141-JA.

c. Nilai index of time to failure yang menjadi acuan expected lifetime atau selang waktu dari preventive maintenance dari mesin CA-101-B72/T dan mesin CA-141-JA adalah 107,5961 hari untuk mesin CA-101- B72/T dan 323,7901 hari untuk mesin CA-141-JA

5.2. Saran

Berdasarkan dari hasil kajian diatas yang terdiri dari pembahasan di atas sebagai hasil analisa di lapangan atau kerja praktek, didapat saran pada bagian ini diantaranya;

a. Usulan pembaharuan jadwal preventive maintenance mesin agar mempertimbangkan penambahan kegiatan preventive maintenance baru yang mengakomodir nilai durasi expected lifetime dari komponen komponen penyebab mesin breakdown, sehingga tidak terjadi kegiatan perawatan yang tidak terencana dan menyebabkan line produksi berhenti.

DAFTAR PUSTAKA

Anonim. (2004). Teori Dasar Pemeliharaan. Cikampek: PT. Pupuk Kujang.

Assauri. (1999). Manajemen Produksi dan Operasi. Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.

Ebeling, C. E. (1997). An Introduction to Reliability and Maintainability Engineering (2nd ed.). New York: TheMcGraw-Hill Company Inc.

Harja, H. B., & Nugraha, N. A. (2019). Usulan Pembaharuan jadwal Kegiatan Preventive Maintenance pada Mesin Curing PCR PT. XYZ Menggunakan Metoda Distribusi Weibull. Jurnal teknologi dan rekayasa Manufaktur, 23-35.

Hasil Pengolahan Data. (2022).

Huda S. (2019). Analisis Perawatan Mesin Produksi dan Penyebeb Kegagalan Mesin dengan Metode Reliability Centered Maintenance (RCM) dan Fault Trees Analysis (FTA). Medan: DEPARTEMEN TEKNIK INDUSTRI, FAKULTAK TEKNIK UNIVERSITAS SUMATERA UTARA.

O'Connor, P. D. (2001). Practical Reability Engineering, Fourth Edition (4th ed.).

England: John Wiley & Sons. Ltd.

PT PUPUK KUJANG. (2016). PT PUPUK KUJANG. Retrieved June 2, 2022, from https://www.pupuk-kujang.co.id/profil-perusahaan/logo-kujang PUPUK KUJANG. (2016). RIWAYAT SINGKAT PERUSAHAAN . Retrieved june

3, 2022, from https://www.pupuk-kujang.co.id/profil-perusahaan/riwayat- singkat-perusahaan

Ridho M. (2015). Optimalisasi Penjadwalan Preventive Mauntenance di Pabrik Ammonia 1B PT. Pupuk Kujang. DEPOK: FAKULTAS MESIN, UNIVERSITAS INDONESIA.

Robbins, S. P., & Judge, A. T. (2014). perilaku Organisasi. Jakarta: Salemba Empat.

Tampubolon, M. (2004). Manajemen Operasional. Jakarta: Ghalia Indonesia.

LAMPIRAN

Logbook

Berikut ini adalah beberapa gambar yang diambil saat melakukan kerja praktek.

a. Pertemuan pertama pada tanggal 11 april 2022, membahas tentang penjelasan umum PT. Pupuk Kujang dapat dilihat pada Gambar .

Gambar 6. 1 Screenshoot pertemuan pertama Sumber: [ CITATION Fac22 \l 1033 ]

b. Pertemuan kedua pada tanggal 18 april 2022, membahas tentang penjelasan tentang pemeliharaan dapat dilihat pada Gambar .

Gambar 6. 2 Screenshoot pertemuan kedua Sumber:[ CITATION Fac22 \l 1033 ]

c. Pertemuan ketiga pada tanggal 21 april 2022, membahas tentang penjelasan tentang pemeliharaan dapat dilihat pada Gambar .

Gambar 6. 3 Screenshoot pertemuan ketiga Sumber:[ CITATION Fac22 \l 1033 ]

d. Pertemuan keempat pada tanggal 22 april 2022, membahas tentang penjelasan tentang pemeliharaan dapat dilihat pada Gambar .

Gambar 6. 4 Screenshoot pertemuan keempat Sumber:[ CITATION Fac22 \l 1033 ]

e. Pertemuan kelima pada tanggal 26 april 2022, membahas tentang penjelasan tentang pemeliharaan dapat dilihat pada Gambar .

Gambar 6. 5 Screenshoot pertemuan kelima Sumber:[ CITATION Fac22 \l 1033 ]

f. Pertemuan keenam pada tanggal 28 april 2022, membahas tentang penjelasan tentang pemeliharaan dapat dilihat pada Gambar .

Gambar 6. 6 Screenshot pertemuan keenam Sumber:[ CITATION Fac22 \l 1033 ]

g. Pertemuan ketujuh pada tanggal 10 mei 2022, membahas tentang penjelasan data yang akan diolah di bab IV dapat dilihat pada Gambar .

Gambar 6. 7 Screenshot Pertemuan Ketujuh Sumber:[ CITATION Fac22 \l 1033 ]

Data Work Order untuk Mesin CA-101-BJ2T

Data Actual Work untuk Mesin CA-101-BJ2T

Data Actual Work untuk Mesin CA-141-JA

Dalam dokumen LAPORAN KERJA PRAKTEK USULAN PEMBAHARUAN JADWAL PREVENTIVE MAINTENANCE PADA MESIN DI PT. PUPUK KUJANG CIKAMPEK MENGGUNAKAN METODE DISTRIBUSI WEIBULL (Halaman 37-42)