5

2. KAJIAN PUSTAKA

2.1. Pengertian Sistem

Definisi sistem menurut Schmidt dan Taylor (1970) adalah:

"Sekumpulan entiti misalnya orang atau mesin, yang saling bergantung dan

berinteraksi satu sama lain untuk mencapai suatu tujuan tertentu". Lingkungan sistem

adalah segala komponen yang berada di luar sistem dan mempunyai pengaruh

terhadap sistem tersebut.

Komponen-komponen dari sistem meliputi:

1. Entiti, yaitu obyek pengamatan dari sistem atau obyek sistem yang menjadi pusat

perhatian. Di dalam sistem, entiti akan diproses dan setelah selesai diproses,

entiti tersebut dapat meninggalkan atau tidak meninggalkan sistem.

2. Atribut, yaitu perlengkapan atau sifat yang dimiliki oleh entiti.

3. Aktivitas, yaitu menyatakan suatu proses selama interval waktu tertentu yang

menyebabkan perubahaan dalam sistem, baik mengubah atribut maupun entiti.

4. Kejadian, yaitu peristiwa sesaat yang dapat mengubah keadaan sistem atau

peristiwa sesaat yang dapat mengubah variabel status dalam sistem.

5. Status, yaitu suatu variabel untuk menggambarkan keadaan dari sistem pada

suatu waktu atau keadaan entiti dan aktivitas pada saat-saat tertentu kumpulan

variabel yang penting untuk menggambarkan sistem bergantung pada tujuan studi

sistemnya.

Contoh sistem dan komponen-komponennya dapat dilihat pada Tabel 2.1.

Tabel 2.1. Contoh Sistem dan Komponennya Sistem Entiti Atribut Aktivitas Kejadian Variabel status

Bank Pelanggan No

rekening

Menabung,

transfer,

mengambil

Kedatangan,

kepergian

Jumlah teller yang

sibuk, jumlah

pelanggan yang

menunggu

Bandara Penumpang Asal,

tujuan

Perjalanan Tiba di bandara,

tiba di tujuan

Jumlah penumpang

di lobby

6

Tabel 2.1. Contoh Sistem dan Komponennya (sambungan) Sistem Entiti Atribut Aktivitas Kejadian Variabel status

Produksi Mesin Kecepatan,

kapasitas,

breakdown

Mengelas,

memotong

Terjadinya

breakdown

Status mesin (idle,

sibuk, atau rusak)

Sistem dapat dibagi menjadi dua macam, yaitu:

1. Sistem diskrit

Sistem diskrit adalah sistem yang variabel statusnya berubah pada periode waktu

tertentu saja, contoh: sistem pelayanan di bank. Variabel status berupa jumlah

pelanggan yang ada di bank akan berubah ketika terjadi kedatangan dan

kepergian pelanggan saja.

2. Sistem kontinu

Sistem kontinu adalah sistem dimana variabel statusnya berubah secara kontinu

seiring dengan jalannya waktu. Contohnya adalah posisi dan kecepatan kereta api

yang sedang berjalan.

2.2. Model

Model adalah gambaran yang mewakili suatu sistem yang dapat digunakan

untuk suatu tujuan tertentu. Menurut Averill M. Law dan David Kelton (2000), jenis

model dibedakan atas:

• Model fisik (physical model)

Contohnya adalah miniatur, prototipe dan maket.

• Model matematis (mathematical model)

Model matematis adalah model yang menyatakan sistem dalam bentuk hubungan

logika dan kuantitatif yang nantinya akan dimanipulasi dan diubah-ubah nilainya

untuk mengetahui bagaimana reaksi dari sistem.

Berdasarkan cara penyelesaiaannya, model matematis dibedakan menjadi:

• Model analitik

Digunakan untuk sistem yang sederhana dan kurang mampu memuat dinamika

dari proses.

• Simulasi

7

Digunakan untuk sistem yang kompleks dan mampu menjelaskan dinamika dari

proses.

2.3. Simulasi

Simulasi adalah bentuk imitasi dari sebuah operasi yang bergantung pada

suatu sistem nyata ataupun suatu sistem baru yang hendak dibuat. Simulasi berupa

proses perancangan model sistem nyata yang digunakan untuk melakukan uji coba

sekaligus pembanding sebelum membuat sistem baru. Maksud dan tujuan banyaknya

simulasi digunakan dalam dunia industri antara lain:

• Memungkinkan dilakukannya proses pembelajaran dan percobaan terhadap

sistem-sistem yang kompleks sekalipun.

• Menganalisa keadaan sistem sekarang untuk melihat kekurangan-kekurangannya.

• Aliran informasi, struktur organisasi dan perubahan pada lingkungan dapat

disimulasikan, sehingga dapat dilakukan observasi terhadap efek yang timbul.

• Memberikan masukan yang mengarah pada perkembangan sistem.

• Mencari hubungan-hubungan yang terjadi antar variabel yang ada dalam suatu

sistem.

• Membandingkan suatu alternatif perancangan sistem yang baru.

Model simulasi dibagi menjadi dua, yaitu:

a. Model simulasi statis dan dinamis.

Model simulasi statis merupakan suatu perwakilan dari sistem pada suatu

periode waktu saja, atau digunakan untuk menyatakan suatu sistem dimana

waktu tidak memegang peranan penting. Contohnya adalah simulasi Monte

Carlo.

Sedangkan model simulasi dinamis adalah suatu model simulasi dimana waktu

memegang peranan yang penting. Contohnya adalah simulasi pada lantai

produksi dengan jam kerja pukul 08.00-16.00.

b. Model simulasi deterministik dan stokastik.

Suatu model simulasi tidak mengandung komponen yang sifatnya probabilistik

atau random disebut model simulasi deterministik. Suatu output model yang

dianalisa secara lengkap berdasarkan inputnya tanpa memperhatikan bilangan

random, merupakan model simulasi deterministik. Sedangkan suatu model

8

simulasi mengandung komponen yang sifatnya random disebut model simulasi

stokastik.

Keuntungan simulasi adalah memudahkan orang dalam memodelkan suatu sistem

dan menganalisanya, sehingga mereka tidak perlu melakukan percobaan langsung di

lapangan.

2.4. Entity Flow

Pengumpulan data yang baik berangkat dari hal-hal umum hingga ke hal-hal

khusus. Entity flow menggambarkan perpindahan entiti dalam sistem, dari satu lokasi

ke lokasi yang lain. Diagram alir entiti berbeda dengan flowchart, karena flowchart

menggambarkan perubahan aktivitas, sedangkan diagram alir entiti menggambarkan

perubahan fisik dan lokasi yang dialami oleh entiti. Pada sistem sederhana, diagram

ini dapat berfungsi sebagai informasi operasional. Contoh entity flow dapat dilihat

pada Gambar 2.1.

Entiti A

Gambar 2.1. Diagram Aliran Entiti

(Sumber: Harrell, Dr. Charles, Ghosh, Dr. Biman K., dan Bowden, Dr. Royce, 2003)

2.5. Tabel Deskripsi Proses

Setelah entity flow dibuat, diperlukan suatu deskripsi proses untuk

menjelaskan bagaimana entiti-entiti tersebut diproses dalam sistem. Pendeskripsian

proses ini ditampilkan dalam bentuk tabel, yang merupakan penjelasan dari diagram

alir entiti. Entity flow dan tabel deskripsi proses akan menjadi informasi penting

sebelum membuat model awal pada simulasi. Contoh tabel deskripsi proses dapat

dilihat pada Tabel 2.2.

Tabel 2.2. Tabel Deskripsi Proses

Location Activity Time

Activity Resource

Next Location

Move Trigger

Move Resource

Stasiun Pengeplongan

N(7.5,0.81) detik

Mesin, operator

Stasiun Pencetakan

Spon telah dipotong

- Operator - Kereta dorong

Stasiun 1 Stasiun 2

Stasiun 3B

Stasiun 3A

9

Tabel 2.2. Tabel Deskripsi Proses (sambungan)

Location Activity Time

Activity Resource

Next Location

Move Trigger

Move Resource

Stasiun Pencetakan

N(91.23,14.2) detik

Mesin, operator

Stasiun Penyelepan

Spon telah dicetak

- Operator - Kereta dorong

2.6. Uji Independensi

Uji independensi data bertujuan untuk mengetahui apakah ada korelasi/

ketergantungan antar data yang diambil, karena salah satu syarat penggunaan data

sebagai inputan simulasi adalah data-data sitem nyata harus saling independen (tidak

saling mempengaruhi).

Suatu data dikatakan independen terhadap data yang lain bila hasil plot pada

scatter diagram yaitu antara Xi dan Xi-j (sesuai dengan urutan sampel yang diambil

pada saat pengambilan data) membentuk pola random/ acak secara visual. Selain

cara tersebut, untuk menyimpulkan bahwa apakah pola data tersebut independen atau

tidak, ada 2 cara numerik yang dapat digunakan yaitu dengan melihat nilai

autokorelasi antara Xi dan Xi-j atau pengujian hipotesa.

Rumus untuk mencari nilai autokorelasi (ρ) menurut Dr. Charles Harrel

(1950) adalah:

ρ = ∑−

=

−

−

−−jn

1i2

jii

j)(nσ)X)(XX(X

(2.1)

Dimana:

ρ = koefisien relasi atau nilai autokorelasi

Xi = data ke-i

X = rata-rata data

Xi-j = j data sebelum data ke-i

σ2 = varians data

Jika nilai autokorelasi antara Xi dan Xi-j ≈ 0, maka pola data bersifat

independen yang berarti bahwa data-data yang diuji membentuk pola acak dan tidak

membentuk relasi linear. Sedangkan dengan pengujian hipotesa adalah sebagai

berikut:

Ho: Pola data independen

H1: Pola data tidak independen

10

Jika Pvalue < α maka kesimpulan yang diambil adalah tolak Ho, dimana α=0.05.

Jika ternyata data-data tersebut saling bergantung satu sama lain, maka data-

data tersebut tidak dapat digunakan sebagai inputan simulasi, karena tidak sesuai

dengan kondisi nyata.

2.7. Uji Homogenitas

Uji homogenitas digunakan untuk mengidentifikasi apakah dua kelompok

data yang diuji memiliki pola distribusi yang identik. Pengujian ini dilakukan jika

ada dua kelompok data yang terlihat tidak homogen, seperti:

1. Waktu pengukuran antara periode yang sama pada hari yang berbeda.

2. Waktu pengamatan yang satu lebih lama dibandingkan pengamatan yang lain.

3. interval data waktu yang diambil terlihat berfluktuasi tergantung pada hari

pengamatan.

Untuk melakukan pengujian tersebut dapat digunakan uji two sample-t. Jika

pada pengujian ini didapatkan bahwa data yang diambil sudah cukup mewakili

keseluruhan data/ homogen, maka kedua kelompok data tersebut dapat dijadikan 1

kelompok data. Uji hipotesa yang dilakukan:

Ho: Data-data homogen

H1: Data-data tidak homogen

Jika Pvalue < α maka kesimpulan yang diambil adalah tolak Ho, dimana α=0.05.

2.8. Uji Kesesuaian Keluarga Distribusi

Uji kesesuaian keluarga distribusi atau Distribution Fitting Test digunakan

untuk mengetahui jenis distribusi yang sesuai untuk data yang akan digunakan dalam

simulasi, contohnya adalah data waktu proses. Data mean tidak cukup digunakan

sebagai data inputan simulasi, karena tidak valid dan tidak sesuai dengan realita.

Jenis pengujian yang biasa digunakan untuk melakukan distribution fitting adalah uji

Chi-Square dan uji Kolmogorov-Smirnov (K-S).

Menurut Averill M. Law dan David Kelton (2000), dasar pengujian yang

paling baik adalah dengan melihat nilai expected frequency.

Rumus yang digunakan untuk mendapatkan nilai expected ferequency:

n x Pj (2.2)

11

Di mana:

n = jumlah data.

Pj = probabilitas dari data untuk masuk ke dalam interval tertentu.

Jika nilai expected frequency lebih besar atau sama dengan 5, maka

disarankan untuk menggunakan uji Chi-Square, tetapi jika nilai expected frequency

kurang dari 5, maka disarankan untuk menggunakan uji Kolmogorov-Smirnov.

Uji hipotesa yang dilakukan:

Ho: Data X1, X2,…, Xi dengan distribusi F

H1: Data X1, X2,…, Xi tidak sesuai dengan distribusi F

Keterangan:

Data X1, X2,…, Xi : variabel random yang diperoleh dari pengamatan.

Distribusi F : distribusi tertentu yang hendak diuji kesesuaian polanya dengan

data yang diambil.

2.8.1. Uji Chi-Square

K. Pearson (1900) mengatakan bahwa:

Uji Chi-Square merupakan perbandingan formal dari histogram data

dengan suatu distibusi yang ada.

Uji Chi-Square valid jika digunakan pada ukuran sampel yang besar baik untuk

distribusi diskrit maupun kontinu. Jika Pvalue < α maka kesimpulan yang diambil

adalah tolak Ho.

2.8.2. Uji Kolmogorov-Smirnov

Uji Kolmogorov-Smirnov membandingkan fungsi distribusi empiris dari

data yang telah didapat dengan fungsi distribusi F yang diduga. Keuntungan dari uji

K-S ini adalah valid untuk ukuran sampel yang kecil, sehingga tidak perlu dilakukan

pengelompokan data ke dalam kelas interval. Kelemahan dari uji K-S adalah semua

parameter dari distribusi yang diduga harus diketahui dan sifat distribusinya kontinu.

Namun parameter untuk distribusi khusus seperti normal, lognormal,

eksponensial dan weibull dapat diestimasikan. Untuk pengujian K-S pada distribusi

yang nilai parameternya diestimasikan tersebut, perbandingan Dn dan Dn tabel tidak

dapat dijadikan sebagai acuan lagi. Oleh karena itu, acuan yang digunakan adalah

12

perbandingan antara Dn modified dan critical value C1-α. Jika Dn modified form <

critical value, maka kesimpulan yang diambil adalah gagal tolak Ho.

Perhitungan Dn modified dan critical value pada pengujian K-S untuk jenis

distribusi tertentu dapat dilihat pada Tabel 2.3. dan Tabel 2.4.

Tabel 2.3. Modified Critical Value for Adjusted K-S

1 - α Case Adjusted test statistic

0.85 0.9 0.95 0.975 0.99

All parameters

known Dn

nn

++

11.012.0 1.138 1.224 1.358 1.48 1.625

))(),((/ 2 nSnXLN

Dnn

n )85.001.0( +− 0.775 0.819 0.895 0.955 1.035

))(( nXekspo )5.026.0)(2.0(n

nn

Dn ++−

0.926 0.99 1.094 1.19 1.305

Tabel 2.4. Modified Critical Value for the K-S Test for the Weibull Distribution

1-α N

0.9 0.95 0.975 0.99

10 0.76 0.819 0.88 0.944

20 0.779 0.843 0.907 0.973

50 0.79 0.856 0.922 0.988

X 0.803 0.874 0.939 1.007

.

2.9. Steady State

Data yang digunakan untuk analisa pada simulasi merupakan data dari

proses yang sudah mencapai keadaan stabil (steady state). Untuk mencapai keadaan

steady state ini, maka sistem harus dijalankan selama kurun waktu tertentu dahulu,

istilahnya sering disebut sebagai warm up time. Besar warm up time diketahui dari

plot jumlah output yang dihasilkan oleh sistem dalam jangka waktu tertentu.

Gambar 2.2. merupakan contoh dari plot steady state suatu produk minuman

untuk menentukan warm up time. Pada plot tersebut terlihat bahwa produksi

minuman mencapai kondisi steady state setelah simulasi dijalankan selama 10 menit.

13

Oleh karena itu, warm up time yang digunakan dalam analisa model sebesar 10

menit.

Gambar 2.2.Contoh Plot Steady State

2.10. Replikasi

Suatu analisa tidak dapat dilakukan hanya dengan satu kali simulasi saja

kemudian ditarik kesimpulan, apalagi jika data-data di dalamnya mengandung unsur

stokastik. Untuk memastikan kebenaran suatu model yang telah disimulasikan, maka

perlu dilakukan pengulangan/ replikasi. Jumlah replikasi yang harus dilakukan

tergantung dari standar deviasi dan eror yang diinginkan. Rumus yang digunakan

untuk menguji apakah jumlah replikasi yang dilakukan sudah dapat mewakili sistem

nyata adalah: 2

./2

eSoZ

Ro

≥ α (2.3)

(Sumber: Banks, Jerry, et. al., 1996)

Di mana:

R = jumlah replikasi yang harus dilakukan

Zα/2 = 1.96 (dari tabel distribusi normal untuk α=0.05)

So = standar deviasi yang didapatkan dari replikasi awal Ro

e = besar eror yang diinginkan

Apabila jumlah replikasi yang dilakukan sudah dapat mewakili sistem

nyata, maka tidak perlu melakukan replikasi tambahan. Tabel distribusi normal untuk

mencari nilai Z, dapat dilihat pada Lampiran 1.

2.11. Verifikasi

14

Verifikasi merupakan proses untuk membandingkan apakah konsep model

yang diinginkan sudah sesuai dengan model yang dibuat pada software komputer.

Beberapa cara dalam melakukan proses verifikasi ini adalah:

• Melakukan compile pada model.

Software Pro Model akan menjalankan compile secara otomatis ketika program

akan dirunning. Jika terjadi eror pada model, maka program akan langsung

menampilkan bagian mana yang terjadi eror.

• Membuat flow diagram untuk tiap peristiwa yang terjadi, sehingga dapat

memastikan sifat-sifat model.

• Menunjukkan model kepada orang lain yang memahami sistem tersebut untuk

dapat dicek kebenarannya.

2.12. Validasi

Validasi adalah proses membandingkan model di komputer beserta dengan

sifat-sifatnya dengan sistem nyata. Setelah model divalidasi, ada kalanya model

harus dikalibrasi, yaitu proses berulang-ulang untuk menyesuaikan dan memperbaiki

model agar sesuai dengan sistem aslinya.

Validasi dapat dilakukan dengan 3 cara pendekatan sebagai berikut:

1. Face validity

Menunjukkan model kepada orang yang ahli untuk membantu mengidentifikasi

kekurangan dari model, misalnya: kepala departemen produksi.

2. Validasi asumsi model

Asumsi model terdiri atas 2 bagian, yaitu:

a. Asumsi struktural, yaitu asumsi akan struktur untuk menyederhanakan model

dari sistem aslinya. Contoh: aturan dalam antrian FIFO, padahal dalam

kenyataannya mungkin tidak menggunakan antrian FIFO.

b. Asumsi data, yaitu asumsi akan pengumpulan data yang dapat dipercaya dan

analisa statistiknya. Contoh: pengambilan data hanya dilakukan selama 2 jam,

padahal jumlah data tersebut mungkin belum mewakili sistem nyata secara

keseluruhan.

3. Validasi input-output trasnformation

15

Mengambil parameter proses dari simulasi yang telah dilakukan untuk

dibandingkan dengan hasil sesungguhnya dari sistem nyata. Contoh:

membandingkan output produksi harian dari model dengan output harian

sesungguhnya. Data yang digunakan sebagai pembanding dapat berupa waktu

kedatangan, output produksi, jumlah entiti yang dilayani dan utilitas server. Alat

yang digunakan untuk perbandingan tersebut adalah uji one sample-t atau uji two

sample-t.

2.12.1. Uji One Sample-t

Pengujian ini dilakuan jika ada 1 kelompok data yang akan dibandingkan dengan

suatu nilai mean. Uji hipotesa yang dilakukan:

Ho: E(x) = rata-rata pada sistem nyata

H1: E(x) ≠ rata-rata pada sistem nyata

Pengujian dengan One Sample-t menggunakan rumus:

to = /

X os n

µ− (2.4)

(Sumber: Bhattacharya Gouri K. dan Richard A. Johnson, 1940)

Di mana:

E(x) = X = rata-rata hasil simulasi

µo = rata-rata pada sistem nyata

s = standar deviasi hasil simulasi

n = jumlah data atau banyak replikasi

Jika to> t hitung, maka kesimpulan yang diambil adalah tolak Ho.

2.12.2. Uji Two Sample-t

Pengujian ini dilakukan jika ada 2 kelompok data yang akan dibandingkan. Uji

hipotesa yang dilakukan:

Ho: µ model = µ sistem nyata

H1: µ model ≠ µ sistem nyata

Berdasarkan ukuran sampel yang diambil, uji two sample-t ini dibedakan atas:

a. Uji statistik untuk ukuran besar

16

2 21 2

1 2

X Y ozS Sn n

δ− −=

+

(2.5)

Di mana:

X = rata-rata pada sistem model

Y = rata-rata pada sistem nyata

δo = besar selisih rata-rata sistem model dan rata-rata sistem nyata

S1 = standar deviasi pada sistem model

S2 = standar deviasi pada sistem nyata

n1 = jumlah data pada sistem model

n2 = jumlah data pada sistem nyata

Jika z≥ zα/2, maka kesimpulan yang diambil adalah tolak Ho.

b. Uji statistik untuk ukuran kecil 2 2

2 1 1 2 2

1 2

( 1). ( 1).2

n S n SSpooledn n

− + −=

+ − (2.6)

1 2

1 1.

X Y otSpooled

n n

δ− −=

+ (2.7)

Di mana:

Spooled = standar deviasi gabungan antara S1 dan S2

X = rata-rata pada sistem model

Y = rata-rata pada sistem nyata

δo = besar selisih rata-rata sistem model dan rata-rata sistem nyata

S1 = standar deviasi pada sistem model

S2 = standar deviasi pada sistem nyata

n1 = jumlah data pada sistem model

n2 = jumlah data pada sistem nyata

Jika t≥ tα/2, maka kesimpulan yang diambil adalah tolak Ho.

Jika model sudah menjalani hingga tahap validasi, maka hasil simulasi

model sudah siap dianalisa, apakah ada suatu stasiun kerja yang memerlukan

perbaikan.

17

2.13. Pro Model

Pro Model (Production Modeler) adalah suatu software simulasi yang

digunakan untuk memodelkan suatu sistem.

2.13.1. Elemen-elemen Simulasi Pada Software Pro Model

Elemen-elemen dalam suatu simulasi adalah sebagai berikut:

1. Entities, adalah obyek pengamatan yang akan mengalami proses dalam sistem.

2. Locations, adalah suatu lokasi yang diperlukan untuk menerima kedatangan,

menampung dan memproses suatu entiti.

3. Arrivals, adalah bagian yang menjadwalkan karakteristik kedatangan entiti,

seperti waktu kedatangan dan jumlah kedatangan.

4. Processing, adalah bagian yang mendefinisikan proses yang dialami oleh entiti

dan perpindahannya.

5. Resources, adalah sumber daya yang digunakan untuk memproses atau

memindahkan suatu entiti. Contoh: operator dan forklift.

6. Path Networks, adalah jaringan yang mendefinisikan alur pergerakan dari

resource dan entiti.

2.13.2. Distribusi Sebagai Inputan Data

Data inputan simulasi bersifat stokastik, karena tidak memiliki nilai yang

tetap melainkan ada standar deviasinya.Data-data yang dikumpulkan tersebut akan

membentuk suatu jenis distribusi tertentu. Untuk mengakomodasikan hal tersebut,

Pro Model menyediakan distribusi yang nantinya dapat diinputkan ke waktu proses,

waktu transportasi, waktu antar kedatangan, dan sebagainya. Contoh waktu proses

berdistribusi normal dengan mean 4.2 detik dan standar deviasi sebesar 0.82 detik

ditulis sebagai wait N(4.2,0.82) second.

2.13.3. Batching dan Unbatching

Batching digunakan untuk mengelompokkan entiti menjadi satu, sedangkan

unbatching digunakan untuk memisahkan entiti yang sudah dikelompokkan tadi

menjadi entiti asalnya. Pro Model menyediakan 4 macam perintah yang dapat

digunakan untuk proses-proses tersebut, yaitu:

18

a. Group dan Ungroup

Mengelompokkan beberapa entiti baik sejenis maupun tidak sejenis untuk

diproses atau dipindahkan bersama-sama. Selanjutnya, entiti akan dipecah lagi

untuk diproses secara individu. Contoh: spon dari departemen pemotongan

ditumpuk sebanyak 10 lembaran untuk dibawa ke departemen percetakan untuk

diproses satu-satu.

b. Combine

Mengelompokkan beberapa entiti secara permanen dan tidak dapat dipisahkan

lagi. Contoh: sepasang sandal yang terdiri dari 2 sandal (1 kaki kiri dan 1 kaki

kanan) dipacking menjadi satu.

c. Load dan Unload

Mengangkut sejumlah entiti tertentu ke entiti lain dan setelah itu, biasanya entiti

tersebut akan dibongkar. Perintah ini digunakan untuk memodelkan suatu sistem

perpindahan atau transportasi.

d. Join

Memodelkan suatu sistem perakitan dimana suatu entiti digabungkan dengan

entiti lain secara permanen.Contoh: proses perakitan bangku kuliah yang terdiri

dari 4 kaki dan sandaran.

2.13.4. Downtimes

Downtime untuk mempresentasikan kerusakan atau suatu kondisi dimana

mesin dan sumber daya yang digunakan tidak dapat beroperasi. Jenis downtime

terdiri dari:

a. Location downtime

Suatu lokasi yang mengalami downtime saat simulasi, maka lokasi tersebut tidak

dapat berfungsi sementara waktu. Contoh: mesin yang mengalami kerusakan

setiap 6 jam sekali.

b. Resource downtime

Simulasi terhenti akibat tidak berfungsinya sumber daya yang ada. Contoh:

forklift yang mengalami kerusakan.

2.13.5. Shift dan Breaks

19

Shift dan Breaks digunakan untuk menentukan jadwal kerja dan istirahat

bagi lokasi dan sumber daya. Definisi ini digunakan karena dalam kenyataan di dunia

industri, suatu proses produksi tidak akan berjalan sepanjang waktu, namun ada

waktu pergantian kerja dan waktu istirahat bagi lokasi dan sumber daya.

2.14. Tinjauan Tugas Akhir Terdahulu

Tugas akhir mengenai perbaikan sistem dengan pendekatan simulasi ini

memiliki perbedaan dengan tugas-tugas akhir yang pernah ada. Sebagai contoh

adalah Tugas Akhir sebagai berikut:

a. No: 553/TI-034/2002 oleh David Pranata, S.T. berjudul Analisis Peningkatan

Kapasitas Produksi Menggunakan Pendekatan Simulasi di PT. Surya Indometal

Tugas akhir ini menekankan pada analisa biaya yang terjadi akibat penambahan

mesin guna meminimasi bottle-neck, sehingga nantinya dapat diperoleh

peningkatan kapasitas produksi.

b. Tugas Akhir No. 211/TI-37/1999 oleh Siok Ping, S.T. berjudul Simulasi Antrian

Untuk Menganalisa Tata Letak Pabrik di PT. Halimjaya Sakti Pasuruan

Tugas akhir ini menekankan pada perbaikan tata letak pabrik, sehingga dapat

mempersingkat waktu transportasi guna meminimasi penumpukan barang

setengah jadi di lantai produksi. Tugas akhir ini hanya meneliti lokasi di

Departemen Pemotongan saja.

Tugas akhir ini menekankan pada penentuan jumlah operator dan mesin

sejak sebelum proses produksi dilakukan, untuk meminimalkan bottle-neck pada

setiap stasiun dan pada proses perakitan yang menggunakan conveyor. Usulan model

yang diberikan akan mencakup perubahan kecepatan conveyor (diperlambat ataupun

dipercepat). Selain itu, ada analisa pada Departemen Penjahitan untuk menentukan

jumlah operator dan mesin, jika ingin menjahit sejumlah entiti tertentu.