METODE PENELITIAN
3.1 Tempat Dan Waktu
Penelitian ini dilaksanakan di PT. Mars, yang bertempat di Jl. Kima 10 Kav A6, Kawasan Industri Makassar,Daya, Biringkanaya, Kota Makassar, Sulawesi selatan 90241, Indonesia, penelitian ini dilaksanakan pada 4 Februari 2019 – 3 Mei 2019.
3.2 Alat Dan Bahan
Alat dan bahan yang digunakan: 1. Aplikasi Weibull-DR 21
2. Microsoft Word 2010 3. Microsoft Excel 2010 4. Laptop
5. Alat tulis
6. Data primer dari PT.Mars tahun 2018 3.3 Jenis Penelitian
Jenis penelitian yang digunakan pada penelitian ini adalah penelitian kuantitatif dan deskriptif. Metode penelitian kuantitatif adalah penelitian menggunakan eksperimental untuk menguji hipotesis dengan tujuan menemukan generalisasi dan menekankan pada pengukuran dan analisis hubungan sebab akibat diantara variabel.
20
Sedangkan penelitian desktiptif menurut Widodo dan Mukhtar (2000) kebanyakan tidak dimaksudkan untuk menguji hipotesis tertentu, melainkan lebih pada menggambarkan apa adanya suatu gejala, variabel, atau keadaan.
Namun demikian, tidak berarti semua penelitian deskriptif bukan dimaksudkan untuk diuji melainkan bagaimana berusaha menemukan sesuatu yang berarti sebagai alternatif dalam mengatasi masalah penelitian melalui prosedur ilmiah.
Penelitian deskriptif tidak hanya terbatas pada masalah pengumpulan data dan penyususnan data, tapi juga meliputi analasis dan interpretasi tentang arti data tersebut.
3.4 Teknik Pengumpulan Data
Dalam pengumpulan data, peneliti memperoleh data, petunjuk dan bahan-bahan lainnya dengan menggunakan data primer dan data sekunder.
1. Data primer adalah data yang diperoleh atau dikumpulkan secara langsung dari sumber data baru. Untuk mendapatkan data primer, harus mengumpulkan data secara langsung. Teknik yang dapat digunakan peneliti untuk mengumpulkan data primer antara lain observasi, wawancara, dan pengambilan data.
2. Data sekunder adalah data yang diperoleh atau dikumpulkan peneliti dari berbagai sumber seperti buku, dan lain-lain.
3.5 Analisa Data
Data yang diperoleh dari hasil penelitian ini berupa data downtime akan dianalisa menggunakan perhitungan waktu antar kerusakan tiap komponen
21
kritis dengan menggunkan pendekatan critical analysis dengan 4 kriteria yaitu frekuensi kerusakan tinggi, dampak kerusakan pada sistem, pembongkaran dan pemasangannnya yang sulit, serta harga komponen mahal. Lalu dilanjutkan dengan Analisis ABC atau dikenal dengan klasifikasi pareto yang digunakan untuk memecahkan masalah penentuan titik optimum serta berguna dalam menentukan komponen yang harus di prioritaskan.
Setelah didapatkan komponen yang di prioritaskan maka selanjutnya perhitungan distribusi yang dilakukan dengan menggunakan software weibull-dr 21 dimana perhitungan ini bertujuan mendapatkan nilai kemungkinan mesin dapat beroperasi sampai waktu tertentu dan menghitung nilai harapan siklus kerusakan. Pemilihan distribusi berdasarkan nilai peluang atau P- value terbesar.
Setelah di dapatkan nilai peluang dan parameter distribusi maka selanjutnya perhitungan MTTF (Mean time To failure) dan MTTR (Mean Time To repair) perhitungan MTTF dan MTTR dilakukan berdasarkan parameter distribusi yang terpilih.
22
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil
Data waktu kerusakan mesin merupakan data yang menunjukkan bahwa mesin tidak dapat menjalankan fungsinya dan tidak dioperasikan yang disebabkan karena mesin mengalami kerusakan. Data kerusakan menunjukkan mesin-mesin yang mengalami kerusakan dan lamanya waktu kerusakan mesin. Berikut merupakan data kerusakan dari liquor line dapat dilihat pada Tabel 4.1.
Tabel 4. 1 Data Kerusakan Mesin Liquor Line
Sumber: Data diolah 2019
Berdasarkan data pada tabel 4.1 diketahui bahwa nilai downtime terkecil ditujukan pada air conditioner dengan nilai downtime 4,75 menit atau
No Nama Mesin Downtime
(Menit)
Downtime (Jam)
1 Air Conditioner 4,75 0,0791667
2 Blower Shell 735 12,25
3 Boiler 20 0,3333333
4 Bucket Return Winnower Liquor 80 1,3333333
5 Cooling Tower 20 0,3333333
6 Genset 274 4,5666667
7 Micronizing Liquor 930 15,5
8 RO 120 2
9 Roaster 92906,8 1548,4467
10 Screw Press B 150 2,5
11 SCS 10127 168,78333
12 Bean Granding Liquor 180 3
13 Bean Granding Milling Liquor 60 1
23
0,0791667. Sedangkan nilai downtime tertinggi ditujukan pada mesin roaster dengan nilai downtime 92906,8 menit atau 1548,446 jam. Jadi mesin yang paling kritis yaitu mesin roaster dengan total downtime tertinggi.
4.2 Pembahasan
1. Penentuan Mesin Kritis
Untuk penentuan mesin kritis dilakukan berdasarkan downtime terbesar.
Dan pada proses liquor line mesin yang memiliki downtime terbesar yaitu mesin roaster, dan pada mesin roaster terdapat beberapa komponen yang memiliki presentase downtime seprti pada gambar 4.1.
Gambar 4. 1 Diagram Downtime Sumber : Data diolah 2019
Piston 39%
Ducting 33%
Gearbox 27%
Uv Sensor 1%
Servo
0% Sensor Temperatur
0%
Pompa Injeksi
0%
Alarm Gas 0%
Downtime
24
Pada gambar 4.1 dapat dilihat presentase downtime dari masing-masing komponen kritis mesin roaster. Dari 8 komponen yang mengalami downtime, terdapat 3 komponen dengan total downtime tertinggi yaitu, piston dengan downtime sebesar 39%, ducting 33%, dan gearbox 27%.
2. Penentuan Komponen Kritis
Pemilihan komponen kritis menggunakan prinsip pareto yaitu 80:20.
dilakukan dengan melihat frekuensi kerusakan dan waktu downtime setiap komponen. Hasil diagram pareto dapat dilihat pada gambar 4.2.
Gambar 4. 2 Diagram Pareto (Komponen Kritis) Sumber : Data diolah 2019
Berdasarkan gambar 4.2 diketahui bahwa komponen yang berada dalam rentan 80% adalah komponen piston, ducting, dan gearbox. Sehingga
36000
30540
25192.8
540 270 180 175 9
38.74850926 71.62016128
98.73636806 99.3175957
99.60820952
99.80195206
99.99031287 100
0 20 40 60 80 100 120
0 5000 10000 15000 20000 25000 30000 35000 40000
Downtime (Menit)
Nama Komponen
Diagram Pareto
Dow ntim e
% Kum ulatif Dow ntim e
25
komponen kritis yang harus dianalisis dalam penelitian ini adalah komponen Piston, Ducting, dan Gearbox.
3. Perhitungan Waktu Antar Kerusakan dan Perbaikan
Tabel 4. 2 Perhitungan TTR dan TTF Komponen Piston
Sumber : Data diolah 2019
Tabel 4. 3 Perhitungan TTR dan TTF Komponen Ducting
Sumber : Data diolah 2019
Tabel 4. 4 Perhitungan TTR dan TTF Komponen Gearbox
Sumber : Data diolah 2019
No Tanggal Downtime TTR (Jam) Waktu Operasi
Waktu Kumulatif
Oprasi
TTF (Jam)
1 07-Mar-18 20880 348 0 0 0
2 22-Mar-18 14970 249,5 12960 12960 -12612
3 03-Apr-18 150 2,5 11520 24480 11270,5
36000
PISTON
No Tanggal Downtime TTR (Jam) Waktu Operasi
Waktu Kumulatif
Oprasi
TTF (Jam)
1 29-Jan-18 2820 47 0 0 0
2 01-Feb-18 4680 78 4320 4320 4273
3 04-Feb-18 23040 384 4320 8640 4242
30540
DUCTING
No Tanggal Downtime TTR (Jam) Waktu Operasi
Waktu Kumulatif
Oprasi
TTF (Jam)
1 31-Jan-18 960 16 0 0 0
2 01-Apr-18 11520 192 1440 1440 1424
3 14-Apr-18 480 8 18720 20160 18528
4 17-Apr-18 6660 111 4320 23040 4312
5 24-Apr-18 5572,8 92,88 10080 14400 9969 25192,8
GEARBOX
26
4. Distribusi Waktu Kerusakan / Time To Failure (TTF) dan Perbaikan / Time to Repair (TTR)
Penentuan distribusi yang mewakili data TTF dan TTR dilakukan dengan perhitungan index of fit (r) atau koefisien korelasi. Distribusi yang dihitung nilai index of fit (r) adalah distribusi Weibull, Eksponensial, Normal dan Lognormal. Koefisien korelasi mumpunyai nilai antara 0 dan +1 yang menunjukkan kekuatan hubungan linear antara variabel x dan y. Apabila nilai koefisien korelasi data mendekati 1 maka dapat dikatakan penyebaran data TTF atau TTR dari komponen pada distribusi sangat baik.
Berikut hasil perhitungan distribusi TTF dan TTR masing-masing komponen dengan menggunakan aplikasi weibull-dr 21.
Tabel 4. 5 Distibusi TTF Komponen Piston
Sumber : Data diolah 2019
Tabel 4. 6 Distibusi TTF Komponen Ducting
Sumber : Data diolah 2019
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTF Correlation β = 11,3189
Ꝋ = 12381 σ = 1223 μ = 11941
Log Normal tmed = 11922 9,3862 1 Exponensial λ = 0,843 11866 0,8977
TTF
Roaster Piston
Weibull 1
Normal 1
11839 11941
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTF Correlation β = 174,8902
Ꝋ = 4267 σ = 28,26 μ = 4257,50
Log Normal tmed = 4257 8,3564 1 Exponensial λ = 2,433 4110 0,8733
TTF
Roaster Ducting
Weibull 1
Normal 1
4253 4257,5
27
Tabel 4. 7 Distibusi TTF Komponen Gearbox
Sumber : Data diolah 2019
Tabel 4. 8 Distibusi TTR Komponen Piston
Sumber : Data diolah 2019
Tabel 4. 9 Distibusi TTR Komponen Ducting
Sumber : Data diolah 2019
Tabel 4. 10 Distibusi TTR Komponen Gearbox
Sumber : Data diolah 2019
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTF Correlation β = 0,9076
Ꝋ = 9908 σ = 8757 μ = 8639,57
Log Normal tmed = 5853 8,6748 0,9915 Exponensial λ = 0,982 10184 0,9993
TTF
Roaster Gearbox
Weibull 0,9989
Normal 0,9751
10374 8639,57
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTR Correlation β = 0,3606
Ꝋ = 198,895 σ = 210,77 μ = 199,66
Log Normal tmed = 55,75 4,0209 0,8936 Exponensial λ = 4,193 238,52 0,9705
898,9 199,66
0,9276 0,9708 TTR
Weibull
Roaster Piston Normal
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTR Correlation β = 0,9462
Ꝋ = 181,9884 σ = 205,30 μ = 169,66
Log Normal tmed = 112,07 4,7192 0,9581 Exponensial λ = 4,512 221,61 0,9777
186,55 169,66 TTR
Roaster Ducting
Weibull 0,9312
Normal 0,9046
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter MTTR Correlation β = 0,7867
Ꝋ = 89,3075 σ = 84,16 μ = 83,80
Log Normal tmed = 47,85 3,8682 0,9533 Exponensial λ = 10,402 96,14 0,9904
102,38 83,8 TTR
Roaster Gearbox
Weibull 0,9652
Normal 0,966
28
Berikut rekapitulasi distribusi waktu antar kerusakan dan waktu antar perbaikan dapat dilihat pada Tabel 4.2 dan Tabel 4.3 berikut ini.
Tabel 4. 11 Rekapitulasi Distribusi Waktu Antar Kerusakan Komponen Kritis
Sumber : Data diolah 2019
Tabel 4. 12 Rekapitulasi Distribusi Waktu Antar Perbaikan Komponen Kritis
Sumber : Data diolah 2019
5. Perhitungan Nilai Mean Time to Failure (MTTF) pada Mesin Roaster
a. Perhitungan Nilai Mean Time to Failure (MTTF) pada Komponen Piston.
Distribusi yang terpilih untuk data komponen Piston adalah distribusi Normal. Dengan MTTF sebesar 11941, ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
b. Perhitungan Nilai Mean Time to Failure (MTTF) pada Komponen Ducting.
Distribusi yang terpilih untuk data komponen Ducting adalah distribusi Normal. Dengan MTTF sebesar 4257,5, ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter σ = 1223 μ = 11941 σ = 28,26 μ = 4257,50 Gearbox Exponensial λ = 0,982 Roaster
Piston Normal
Ducting Normal
Mesin Kritis Komponen Kritis Distribusi Kerusan Parameter σ = 210,77 μ = 199,66 Ducting Exponensial λ = 4,512 Gearbox Exponensial λ = 10,402 Roaster
Piston Normal
29
c. Perhitungan Nilai Mean Time to Failure (MTTF) pada Komponen Gearbox.
Distribusi yang terpilih untuk data komponen Gearbox adalah distribusi Exponensial. Dengan MTTF sebesar 10184, ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
6. Perhitungan Nilai Mean Time to Repair (MTTR) pada Komponen Kritis Mesin Roaster
a. Perhitungan Nilai Mean Time to Repair (MTTR) pada Komponen Piston.
Distribusi yang terpilih untuk data perbaikan Piston adalah distribusi Normal. Dengan MTTR sebesar 199,66 ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
b. Perhitungan Nilai Mean Time to Repair (MTTR) pada Komponen Ducting.
Distribusi yang terpilih untuk data perbaikan Ducting adalah distribusi Exponensial. Dengan MTTR sebesar 221,61 ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
c. Perhitungan Nilai Mean Time to Repair (MTTR) pada Komponen Gearbox.
Distribusi yang terpilih untuk data perbaikan Gearbox adalah distribusi Exponensial. Dengan MTTR sebesar 96,14 ini di dapatkan dari hasil perhitungan Software Weibull-DR-21.
7. Model Optimal Preventive Age Raplecement Untuk Meminimasi Downtime a. Komponen Piston
30
Berdasarkan penentuan distribusi kerusakan komponen piston berdistribusi normal. Data-data yang telah diketahui adalah:
Tf = MTTR = 199,66 jam Tp = 300 menit = 5 jam σ = 1223
μ = 11941
Mean Time To Failure untuk komponen piston menggunakan rumus M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
Fungsi keandalan R (tp) = 1 − ɸ𝑡−𝜇
𝜎
Dengan demikian dapat ditentukan total downtime per satuan waktu saat pereventive replacement dengan menggunakan persamaan berikut:
Tabel 4. 13 Interval waktu penggantian pencegahan pada komponen piston
Sumber : Data diolah 2019
tp R(tp) M(tp) D(tp) A(tp)
300 5,882369583 -40,89407748 28,45518084 -27,45518084 350 5,857103843 -41,10680077 28,5447637 -27,5447637 400 5,831838103 -41,32174873 28,55504041 -27,55504041 450 5,806572363 -41,53895644 -0,494506971 1,494506971 500 5,781306623 -41,75845971 -0,427670664 1,427670664 550 5,756040883 -41,98029515 28,39177141 -27,39177141 600 5,730775143 -42,2045001 28,30690072 -27,30690072 650 5,705509403 -42,43111274 28,21409409 -27,21409409 700 5,680243663 -42,66017207 28,11543179 -27,11543179 750 5,654977923 -42,89171792 28,01232546 -27,01232546 800 5,629712183 -43,125791 27,90576676 -26,90576676 850 5,604446443 -43,36243291 27,79647273 -26,79647273 900 5,579180703 -43,60168618 27,68497471 -26,68497471 950 5,553914963 -43,84359427 27,57167479 -26,57167479 1000 5,528649223 -44,08820162 27,45688289 -26,45688289
31 R (tp) = 1 − ɸ𝑡−𝜇
𝜎
= 1- 1,618 [450−1223
11941 ] = 5,806572363 M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
= 11941
1−5,806572363
= -41,53895644
D (tp) = 𝑇𝑝.𝑅(𝑡𝑝)+𝑇𝑓.(1−𝑅(𝑡𝑝)) (𝑡𝑝+𝑇𝑝).𝑅(𝑡𝑝)+(𝑀(𝑡𝑝)+𝑇𝑓).(1−𝑅(𝑡𝑝))
= (5𝑥5,806572363)+(199,66𝑥(1−5,806572363))
(450+5).(5,806572363)+(−41,53895644)+199,66).(1−5,806572363)
= -0,494506971 A (tp) = 1- D (tp) min
= 1- (-0,494506971)
= 1,494506971 b. Komponen Ducting
Berdasarkan penentuan distribusi kerusakan komponen ducting berdistribusi normal. Data-data yang telah diketahui adalah:
Tf = MTTR = 221,61 jam Tp = 300 menit = 5 jam σ = 28,26
μ = 4257,50
Mean Time To Failure untuk komponen piston menggunakan rumus M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
Fungsi keandalan
32 R (tp) = 1 − ɸ𝑡−𝜇
𝜎
Dengan demikian dapat ditentukan total downtime per satuan waktu saat pereventive replacement dengan menggunakan persamaan berikut:
Tabel 4. 14 Interval waktu penggantian pencegahan pada komponen piston
Sumber : Data diolah 2019 R (tp) = 1 − ɸ𝑡−𝜇
𝜎
= 1- 1,618 [450−4257,50 28,26 ]
= 83,26380042 M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
= 4257,5
1−83,26380042
= -2,693894506
D (tp) = 𝑇𝑝.𝑅(𝑡𝑝)+𝑇𝑓.(1−𝑅(𝑡𝑝)) (𝑡𝑝+𝑇𝑝).𝑅(𝑡𝑝)+(𝑀(𝑡𝑝)+𝑇𝑓).(1−𝑅(𝑡𝑝))
Tp R(tp) M(tp) D(tp) A(tp)
300 86,5440552 -2,59059498 430,2454589 -429,2454589 350 85,45063694 -2,624136514 425,6727146 -424,6727146 400 84,35721868 -2,658557993 420,6252674 -419,6252674 450 83,26380042 -2,693894506 -0,896257791 1,896257791 500 82,17038217 -2,730183031 -0,74073739 1,74073739 550 81,07696391 -2,767462566 404,7388925 -403,7388925 600 79,98354565 -2,805774268 399,3550601 -398,3550601 650 78,89012739 -2,845161607 393,9522387 -392,9522387 700 77,79670913 -2,885670526 388,5362605 -387,5362605 750 76,70329087 -2,927349623 383,1107911 -382,1107911 800 75,60987261 -2,970250347 377,6782501 -376,6782501 850 74,51645435 -3,014427205 372,2402992 -371,2402992 900 73,42303609 -3,059937997 366,7981173 -365,7981173 950 72,32961783 -3,106844067 361,352564 -360,352564 1000 71,23619958 -3,15521058 355,9042808 -354,9042808
33
= (5𝑥83,26380042)+(221,61𝑥(1−83,26380042))
(450+5).(83,26380042)+(−2,693894506)+221,61).(1−83,26380042)
= -0,896257791 A (tp) = 1- D (tp) min
= 1- (-0,896257791)
= 1,896257791 c. Komponen Gearbox
Berdasarkan penentuan distribusi kerusakan komponen gearbox berdistribusi exponensial. Data-data yang telah diketahui adalah:
Tf = MTTR = 96,14 jam Tp = 300 menit = 5 jam λ = 0,982
Mean Time To Failure untuk komponen gearbox menggunakan rumus M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
Fungsi keandalan R (tp) = 𝑒(−𝜆𝑡)
Dengan demikian dapat ditentukan total downtime per satuan waktu saat pereventive replacement dengan menggunakan persamaan berikut:
34
Tabel 4. 15 Interval waktu penggantian pencegahan pada komponen gearbox
Sumber : Data diolah 2019 R (tp) = 𝑒(−𝜆𝑡)
= 𝑒(−0,982𝑥450)
= 0,013667256 M (tp) = 𝑀𝑇𝑇𝐹
1−𝑅(𝑡𝑝)
= 10184
1−0,013667256
= 97,47217715
D (tp) = 𝑇𝑝.𝑅(𝑡𝑝)+𝑇𝑓.(1−𝑅(𝑡𝑝)) (𝑡𝑝+𝑇𝑝).𝑅(𝑡𝑝)+(𝑀(𝑡𝑝)+𝑇𝑓).(1−𝑅(𝑡𝑝))
= (5𝑥0,013667256)+(97,47217715𝑥(1−0,013667256)) (450+5).(0,013667256)+(97,47217715+96,14).(1−0,013667256)
= 0,000463033 A (tp) = 1- D (tp) min
Tp R(tp) M(tp) D(tp) A(tp)
300 0,009111503 97,02403478 0,536146321 0,463853679 350 0,010630088 97,17295705 0,540855879 0,459144121 400 0,012148672 97,3223371 0,545214827 0,454785173 450 0,013667256 97,47217715 0,000463033 0,999536967 500 0,01518394 97,62229101 0,477389491 0,522610509 550 0,015185839 97,62247929 0,551115651 0,448884349 600 0,018223007 97,92447849 0,559418952 0,440581048 650 0,019741591 98,07617986 0,562240258 0,437759742 700 0,021260175 98,22835197 0,564803932 0,435196068 750 0,022778759 98,38099704 0,567128156 0,432871844 800 0,024297343 98,53411725 0,569231463 0,430768537 850 0,025815927 98,68771484 0,571132586 0,428867414 900 0,027334511 98,84179205 0,572850318 0,427149682 950 0,028853095 98,99635111 0,574403375 0,425596625 1000 0,030371679 99,15139431 0,575810272 0,424189728
35
= 1- (0,000463033)
= 0,999536967
8. Perhitungan waktu pemeriksaan optimal a. Komponen Piston
Berikut ini adalah perhitungan waktu optimal pemeriksaan komponen piston
1) Waktu yang dibutuhkan perusahaan untuk pemeriksaan komponen piston adalah 30 menit atau 0,5 jam
2) Jumlah pemeriksaan (k)
1 bulan = 30 hari kerja, 1 hari 24 jam kerja.
t = 30 hari/bulan x 24 jam/hari = 720 jam/bulan Jumlah kerusakan piston selama 1 tahun = 3 kali k = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛 𝑠𝑒𝑙𝑎𝑚𝑎 1 𝑡𝑎ℎ𝑢𝑛
12 𝑏𝑢𝑙𝑎𝑛
k = 3
12
k = 0,25
3) Waktu rata-rata yang dibutuhkan untuk perbaikan (1/μ) MTTR = 199,66
t = 720 jam/bulan 1/μ = MTTR / t 1/μ = 199,66/ 720 1/μ = 0,277305556 μ = 3,606130422
36
4) Waktu rata-rata melakukan pemeriksaan (1/i)
Waktu untuk melakukan pemeriksaan (ti) = 30 menit Ti = 0,5 jam
t = 720 jam/bulan 1/i = 𝑡𝑖
𝑡
1/i = 0,5
720
1/i = 0,00069 i = 1440
5) Perhitungan frekuensi dan interval pemeriksaan n = √𝑘.𝑖𝜇
n = √3,6061304220,25𝑥1440
n = 9,991496384 pemeriksaan/bulan Interval waktu pemeriksaan = 𝑡
𝑛
Interval waktu pemeriksaan = 720/9,991496384
= 72,06127814 Interval waktu pemeriksaan = 3 hari
6) Perhitungan nilai downtime D (n) = 𝑘
𝜇 . 𝑛+1
𝑖
D (n) = 0,25
3,606130422𝑥9,991496384 + 1
1440
D (n) = 7,6329836
37 7) Perhitungan availability
A (tp) = 1 - D (tp) min A (tp) = 1 - 7,6329836 A (tp) = -6,6329836 b. Komponen Ducting
Berikut ini adalah perhitungan waktu optimal pemeriksaan komponen piston
1) Waktu yang dibutuhkan perusahaan untuk pemeriksaan komponen piston adalah 30 menit atau 0,5 jam
2) Jumlah pemeriksaan (k)
1 bulan = 30 hari kerja, 1 hari 24 jam kerja.
t = 30 hari/bulan x 24 jam/hari = 720 jam/bulan Jumlah kerusakan piston selama 1 tahun = 3 kali k = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛 𝑠𝑒𝑙𝑎𝑚𝑎 1 𝑡𝑎ℎ𝑢𝑛
12 𝑏𝑢𝑙𝑎𝑛
k = 3
12
k = 0,25
3) Waktu rata-rata yang dibutuhkan untuk perbaikan (1/μ) MTTR = 221,61
t = 720 jam/bulan 1/μ = MTTR / t 1/μ = 221,61/ 720 1/μ = 0,307791667 μ = 3,24895086
38
4) Waktu rata-rata melakukan pemeriksaan (1/i)
Waktu untuk melakukan pemeriksaan (ti) = 30 menit Ti = 0,5 jam
t = 720 jam/bulan 1/i = 𝑡𝑖
𝑡
1/i = 0,5
720
1/i = 0,00069 i = 1440
5) Perhitungan frekuensi dan interval pemeriksaan n = √𝑘.𝑖𝜇
n = √3,248950860,25𝑥1440
n = 10,52639539 pemeriksaan/bulan Interval waktu pemeriksaan = 𝑡
𝑛
Interval waktu pemeriksaan = 720/10,52639539
= 68,39948276 Interval waktu pemeriksaan = 2 hari
6) Perhitungan nilai downtime D (n) = 𝑘
𝜇 . 𝑛+1
𝑖
D (n) = 0,25
3,24895086𝑥10,52639539 + 1
1440
D (n) = 8,004441248
39 7) Perhitungan availability
A (tp) = 1 - D (tp) min A (tp) = 1 - 8,004441248 A (tp) = -7,004441248 c. Komponen Gearbox
Berikut ini adalah perhitungan waktu optimal pemeriksaan komponen gearbox:
1) Waktu yang dibutuhkan perusahaan untuk pemeriksaan komponen gearbox adalah 30 menit atau 0,5 jam
2) Jumlah pemeriksaan (k)
1 bulan = 30 hari kerja, 1 hari 24 jam kerja.
t = 30 hari/bulan x 24 jam/hari = 720 jam/bulan Jumlah kerusakan gearbox selama 1 tahun = 5 kali k = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑟𝑢𝑠𝑎𝑘𝑎𝑛 𝑠𝑒𝑙𝑎𝑚𝑎 1 𝑡𝑎ℎ𝑢𝑛
12 𝑏𝑢𝑙𝑎𝑛
k = 5
12
k = 0,416666667
3) Waktu rata-rata yang dibutuhkan untuk perbaikan (1/μ) MTTR = 96,14
t = 720 jam/bulan 1/μ = MTTR / t 1/μ = 96,14 / 720 1/μ = 0,133527778 μ = 7,489078427
40
4) Waktu rata-rata melakukan pemeriksaan (1/i)
Waktu untuk melakukan pemeriksaan (ti) = 30 menit Ti = 0,5 jam
t = 720 jam/bulan 1/i = 𝑡𝑖
𝑡
1/i = 0,5
720
1/i = 0,00069 i = 1440
5) Perhitungan frekuensi dan interval pemeriksaan n = √𝑘.𝑖𝜇
n = √0,416666667𝑥1440 7,489078427
n = 8,950791773 pemeriksaan/bulan Interval waktu pemeriksaan = 𝑡
𝑛
Interval waktu pemeriksaan = 720/8,950791773
= 80,43981117 Interval waktu pemeriksaan = 3 hari
6) Perhitungan nilai downtime D (n) = 𝑘
𝜇 . 𝑛+1
𝑖
D (n) = 0,416666667
7,489078427𝑥8,950791773+ 1
1440
D (n) = 0,006910272
41 7) Perhitungan availability
A (tp) = 1 - D (tp) min A (tp) = 1 - 0,006910272 A (tp) = 0,993089728 9. Availability
Perhitungan availability ini dilakukan untuk mengetahui tingkat keandalan mesin setelah dilakukan perawatan yang bersifat preventif. Interval pemeriksaan tidak saling mempengaruhi terhadap tingkat ketersediaan suatu komponen. Kedua kejasian tersebut dapat dikatakan sebagai kejadian saling bebas, maka untuk dapat mengetahui peluang dua kejadian yang saling bebas adalah dengan mengalikan nilai availability dua kejadian tersebut.
Perhitungan nilai availability pada masing-masing komponen kritis dapat dihitung dengan menggunakan rumus A (tp) = 1 – D (tp)
Rekapitulasi perbandingan nilai availability pada komponen kritis dapat dilihat pada tabel 4.7 berikut ini.
Tabel 4. 16 Rekapitulasi nilai availability
Sumber : Data diolah 2019
Nama Komponen Availability jika dilakukan penggatian pencegahan
Availability jika
dilakukan pemeriksaan Availability total
Piston 1,4945 -6,6329 -5,1384
Ducting 1,8962 -7,0044 -5,1082
Gearbox 0,9995 0,9930 1,9925
42
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil perhitungan critical analysis di peroleh mesin yang keritis adalah mesin roaster. Hasil penentuan komponen kritis dengan menggunkan konsep pareto adalah komponen piston, gearbox, dan ducting.
Tindakan perawatan yang dilakukan adalah preventive maintenance yang berupa pemeriksaan dan penggantian yang dilakukan secara terjadwal.
Dari hasil perhitungan MTTR didapatkan waktu yang tepat untuk perawatan pada komponen piston yaitu setiap 3 hari, komponen gearbox yaitu setiap 3 hari, komponen ducting setiap 2 hari.
5.2 Saran
Dalam penelitian ini penulis menyarankan bahwa perusahaan khususnya pada departemen maintenance untuk lebih memperhatikan penjadwalan perawatan setiap mesin, utamanya untuk mesin-mesin kritis agar dapat mencegah terjadinya kerusakan, serta memberikan pemahaman kepada karyawan mengenai resiko kerusakan yang dimana manusia juga berpengaruh terhadap kerusakan mesin industri, salah satu contohnya seperti menetapkan dan menjalankan jadwal perawatan mesin.
43
DAFTAR PUSTAKA
Adigama A. S, Konstruksi Sub-Assembly Rem dan Penentuan Komponen Kritis [Skripsi], Universitas Diponegoro, Semarang, 2011.
Assauri S, Manajemen Produksi dan Operasi, Edisi Revisi, Jakarta: Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia, 2008.
Atmaja H. K, Penggunaan Analisis ABC Indeks Kritis untuk Pengendaliaan Persediaan Obat Antibiotik di Rumah Sakit M. H. Thamrin Salemba [Thesis], Universitas Indonesia, Salemba, 2012.
D. Indrajit, Dari MRP Menuju ERP, Jakarta: Grasindo, 2003.
Ebeling, Charles, E. An Introduction to Reliability and Maintainability, Mcgraw – Hill Companies, Inc, Singapore 1997.
Erlina, Analisis dan Perancangan Sistem Informasi Penerapan Preventive Maintenance untuk Menentukan Jadwal Perawatan Pencegahan yang Optimum dan Meningkatkan Kehandalan Komponen Kritis Mesin HD/PE- 120 pada PT. Metropoly Jaya Nusa [Skripsi], Universitas Bina Nusantara, Jakarta, 2007.
Fadrila F, Usulan Penerapan Preventive Maintenance Berdasarkan Minimasi Downtime pada Komponen Kritis dari Mesin Puller di PT. Alakasa Ekstrusindo [Skripsi], Universitas Bina Nusantara, Jakarta, 2006.
Jardine A. K. S. and Tsang A. H. C, “Maintenance, Replacement, and Reliability”, Canada: Pitman Publishing Corporation, 1973.
Silalahi H, Pengendalian Persediaan Suku Cadang Mesin-Mesin Pabrik di PT Perkebunan Nusantara III PKS Rambutan Tebing Tinggi [Tugas Sarjana], Universitas Sumatera Utara, Medan, 2009.
44 LAMPIRAN