BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA

Transkripsi

1 6 BAB PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA.1 Pengumpulan Data Data-data untuk penelitian ini didapatkan dengan melakukan observasi dan pengamatan di PT. Metiska Farma, data-data ini akan dibutuhkan untuk melakukan pengolahan data. Data-data yang dikumpulkan berupa angka-angka yang terkait langsung dengan produk/obat yang terjadi di lapangan agar dapat dijadikan sebagai batasan-batasan (constraint untuk menyelesaikan masalah optimasi tersebut. Kemudian, untuk produk/obat yang diambil sebagai observasi adalah obat Analspec 00, Progesic, Xepaprim, Tylonic 300 dan Gestamag. Variabel untuk Analspec 00 adalah x 1, Progesic adalah x, Xepaprim adalah x 3, Tylonic 300 adalah x, dan Gestamag adalah x. Dipilih kelima jenis obat ini karena pada saat melakukan observasi di PT. Metiska Farma, perusahaan tersebut hanya sedang memproduksi kelima jenis produk ini. Kelima obat ini memiliki proses produksi yang hampir sama, mungkin hanya perbedaan pengunaan mesin saja. Setiap jenis obat ini dijadikan variabel dan untuk constraint, digunakan data-data bahan baku, waktu permesinan, jumlah tenaga kerja yang digunakan dan

2 63 juga stok minimum yang harus ada di gudang pada akhir bulan. Setiap pengumpulan data yang diambil sudah berdasarkan batch masing-masing obat. Berikut adalah hasil pengumpulan data yang telah berhasil dirangkum menjadi constraint selama melakukan observasi dan pengamatan di PT. Metiska Farma, yaitu :.1.1 Bahan Baku Untuk bahan baku, diambil sebanyak enambelas (16 buah jenis bahan yang dapat dijadikan constraint, yaitu CaPO, Nip, SSG, Alkohol 9%, Nps, MgS, PVP, AV, Dyes, Alupurinol, Pemanis, Aquadem, Asam Mefenamat, Cimeticon, Trimetoprim dan Spearmint. Untuk semua obat, constraint ini menghitung jumlah kadar masing-masing bahan dalam satu kali proses produksi atau dapat disebut juga satu batch produksi. Setelah dilakukan penelitian dan pengamatan di PT. Metiska Farma, untuk constraint bahan baku, didapat hasil sebagai berikut :

3 6 No Nama Bahan Baku Tabel.1 Tabel Bahan Baku per Produk Analspec 00 x ( 1 Progesic ( x Xepaprim ( x 3 Tylonic 300 x ( Gestamag ( x Satuan 1 CaPO Gram Nip 0 3 Gram 3 SSG Gram Alkohol 9% Liter Nps Gram 6 MgS Gram 7 PVP Gram 8 AV Gram 9 Aquadem Liter 10 Dyes Gram 11 Alupurinol Gram 1 Pemanis Gram 13 Asam Gram Mefenamat 1 Cimeticon Gram 1 Trimetoprim Gram 16 Spearmint Gram Sumber Tabel : Data dari PT. Metiska Farma Jumlah bahan baku di atas sudah merupakan keseluruhan total penggunaan bahan baku tersebut dalam satu batch produksi. Hal ini dilakukan untuk memudahkan perhitungan selanjutnya. Berikut ini adalah jumlah produk satuan atau satu tablet atau satu kapsul dalam satu batch produksi : Tabel. Tabel Jumlah Produk dalam 1 Batch Produksi Nama Obat Jumlah Produk/Batch Analspec 00 ( x tablet Progesic ( x 0000 tablet Xepaprim ( x tablet Tylonic 300 ( x 0000 tablet Gestamag ( x 0000 tablet Sumber Tabel : Data dari PT. Metiska Farma

4 6.1. Jam Permesinan Untuk jam permesinan, data mulai diambil sejak awal produksi dimulai, yaitu proses penimbangan bahan baku hingga obat jadi tersebut selesai di-packing (proses produksi selengkapnya dapat dilihat di bab sebelumnya. Untuk memudahkan perhitungan, jumlah jam permesinan ini juga diambil berdasarkan satu batch produksi. Berikut adalah data yang berhasil diambil selama penelitian dan observasi di PT. Metiska Farma : Tabel.3 Tabel Jam Permesinan per Obat Nama Obat Jam Permesinan Analspec 00 ( x 1 9 jam Progesic ( x 6 jam Xepaprim ( x 3 9 jam Tylonic 300 ( x 8 jam Gestamag ( x jam Sumber Tabel : Data dari PT. Metiska Farma.1.3 Stock Minimum Stock minimum adalah jumlah barang/produk yang harus tetap berada di gudang barang jadi untuk menjadi pengaman jikalau ada hal yang tak terduga. Jumlah ini merupakan kebijakan dari PT. Metiska Farma itu sendiri, berdasarkan peralaman dan juga hal-hal lainnya. Kebijakan PT. Metiska Farma untuk hal ini adalah sebesar 0. dari jumlah batch produksi harus tetap berada di gudang barang jadi.

5 66 Tabel. Tabel Jumlah Stock Minimum di Warehouse Nama Obat Jumlah Stock Minimum per Batch Analspec 00 ( x 1 0. batch Progesic ( x 0. batch Xepaprim ( x 3 0. batch Tylonic 300 ( x 0. batch Gestamag ( x 0. batch Sumber Tabel : Data dari PT. Metiska Farma Sekian untuk constraint-constraint yang dapat dirangkum selama melakukan penelitian di PT. Metiska Farma, dan berikut ini adalah rangkuman constraint per obat :.1. Analspec 00 ( x 1 Analspec 00 ini adalah merk obat PT. Metiska Farma jenis penghilang rasa sakit yang dipasarkan langsung ke apotik-apotik dan tidak diperjualbelikan secara bebas. Obat ini diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah constraint per obat Analspec 00 yang berhasil dirangkum berdasarkan constraintconstraint di atas :

6 67 Tabel. Tabel Constraint untuk Obat Analspec 00 No Constraint Jumlah Satuan 1 CaPO 300 Gram Nip Gram 3 SSG 100 Gram Alkohol 9% 11 Liter Nps 7 Gram 6 MgS 30 Gram 7 Aquadem 10 Liter 8 Dyes Gram 9 Pemanis 300 Gram 10 Asam Mefenamat 8 Gram 11 Jam Permesinan 9 Jam 1 Stock Minimum 0. Batch.1. Progesic ( x Progesic adalah merk obat PT. Metiska Farma jenis penghilang sakit kepala yang juga tidak diperjualbelikan secara bebas selain di apotik. Obat ini juga diproduksi langsung di pabrik PT. Metiska Farma. Berikut ini adalah constraint per obat Progesic yang berhasil dirangkum berdasarkan constraint-constraint di atas : Tabel.6 Tabel Constraint untuk Obat Progesic No Constraint Jumlah Satuan 1 Nip Gram SSG 900 Gram 3 Alkohol 9%. Liter Nps 6 Gram MgS 10 Gram 6 PVP 700 Gram 7 AV 3189 Gram 8 Aquadem. Liter 9 Dyes 3 Gram 10 Cimeticon Gram 11 Jam Permesinan 6 Jam 1 Stock Minimum 0. Batch

7 Xepaprim ( x 3 Xepaprim adalah merk obat PT. Metiska Farma jenis antibiotik yang dijual hanya di apotik-apotik saja. Obat ini diproduksi langsung di pabrik milik PT. Metiska Farma itu sendiri. Berikut ini adalah constraint per obat Xepaprim yang berhasil dirangkum berdasarkan constraint-constraint di atas : Tabel.7 Tabel Constraint untuk Obat Xepaprim No Constraint Jumlah Satuan 1 CaPO 3000 Gram PVP 67 Gram 3 AV 3 Gram Aquadem 0 Liter Pemanis 330 Gram 6 Trimetoprim 30 Gram 7 Jam Permesinan 9 Jam 8 Stock Minimum 0. Batch.1.7 Tylonic 300 ( x Tylonic 300 adalah merk obat PT. Metiska Farma untuk mengobati asam urat dan juga hanya dijual di apotik-apotik saja. Obat ini juga diproduksi langsung oleh PT. Metiska Farma di pabriknya sendiri. Berikut ini adalah constraint per obat Tylonic 300 yang berhasil dirangkum berdasarkan constraint-constraint di atas :

8 69 Tabel.8 Tabel Constraint untuk Tylonic 300 No Constraint Jumlah Satuan 1 CaPO 899 Gram Nip 3 Gram 3 SSG 00 Gram Nps 7 Gram MgS 17 Gram 6 PVP 700 Gram 7 AV 0 Gram 8 Aquadem 10 Liter 9 Alupurinol 9000 Gram 10 Spearmint 6 Gram 11 Jam Permesinan 8 Jam 1 Stock Minimum 0. Batch.1.8 Gestamag ( x Gestamag adalah merk obat PT. Metiska Farma untuk mengobati sakit maag. Obat ini juga diproduksi oleh PT. Metiska Farma itu sendiri dan dipasarkan langsung ke apotik-apotik karena obat ini tidak diperjualbelikan secara bebas. Berikut ini adalah constraint per obat Gestamag yang berhasil dirangkum berdasarkan constraint-constraint di atas : Tabel.9 Tabel Constraint untuk Gestamag No Constraint Jumlah Satuan 1 CaPO 00 Gram Nip Gram 3 SSG 0 Gram Nps 6 Gram PVP 10 Gram 6 AV 19 Gram 7 Alupurinol Gram 8 Pemanis 80 Gram 9 Jam Permesinan Jam 10 Stock Minimum 0. Batch

9 Laba Bersih (z Karena ingin memaksimasi laba yang diperoleh dengan mengoptimasi produk yang diproduksi, maka kita pun harus memperoleh data laba bersih yang diterima oleh PT. Metiska Farma untuk kelima obat di atas agar dapat dilakukan perhitungan selanjutnya. Nilai laba bersih ini nantinya akan dijadikan sebagai z yang harus kita maksimalkan. Nilai laba bersih ini merupakan perhitungan keseluruhan dari (Jumlah Obat/Batch x Harga/obat Biaya produksi. Biaya produksi diperoleh dari Biaya bahan baku + Biaya Simpan + Biaya permesinan + Biaya tenaga kerja + Biaya lain-lain. Berikut ini adalah nilai laba bersih yang diperoleh PT. Metiska Farma per obat : Tabel.10 Tabel Perhitungan Laba Bersih Nama Obat Penjualan Biaya Produksi/Batch Laba Bersih/Batch Analspec 00 ( x 1 Rp Rp Rp Progesic ( x Rp Rp Rp Xepaprim ( x 3 Rp Rp Rp Tylonic 300 ( x Rp Rp Rp Gestamag ( x Rp Rp Rp Sumber Tabel : Data dari PT. Metiska Farma

10 71. Pengolahan Data Setelah dilakukan pengumpulan data di PT. Metiska Farma dan didapat hasil seperti di atas, maka hal selanjutnya yang harus dilakukan adalah mengolah data tersebut. Pengolahan ini menggunakan bentuk metode simpleks, sehingga kita perlu melakukan langkah-langkah sebagai berikut :..1 Memformulasikan Data Menjadi Model Linear Programming Data-data yang telah dikumpulkan sebelumnya masih berupa data mentah saja, belum diubah menjadi model linear programming, oleh karena itu sebelum memulai perhitungan linear programming tersebut, kita haruslah memformulasikan data-data tersebut menjadi model linear programming. Karena akan dilakukan maksimasi laba, maka nilai z haruslah dimaksimasi. Sehingga, model linear programming-nya menjadi : Tabel.11 Tabel Model Linear Programming Max z x 1 x x 3 x x Syarat x 1 0x 3000 x x 00 x x 1 x 0 x 3 3 x x x x 0 x 3 00 x 0 x x 1. x 0 x 3 0 x 0 x x 1 6x 0 x 3 7 x 6 x x 1 10 x 0 x 3 17 x 0 x x x 67 x x 10 x x x 3 x 3 0 x 19 x 7000

11 7 Tabel.11 Tabel Model Linear Programming (lanjutan Max z x 1 x x 3 x x Syarat 9 10 x 1. x 0 x 3 10 x 0 x x 1 3 x 0 x 3 0 x 0 x x 1 0x 0 x x x x 1 0x 330 x 3 0 x 80 x x 1 0x 0 x 3 0 x 0 x x 1 x 0 x 3 0 x 0 x x 1 0x 30 x 3 0 x 0 x x 1 0x 0 x 3 6 x 0 x x 1 6 x 9 x 3 8 x x x 1 0x 0 x 3 0 x 0 x x 1 1x 0 x 3 0 x 0 x x 1 0x 1 x 3 0 x 0 x x 1 0x 0 x 3 1 x 0 x 0. 0 x 1 0x 0 x 3 0 x 1 x 0. x 1, x, x 3, x, x 0 Formulasi di atas menggunakan maksimasi profit (z, untuk itu harus didapat jumlah produk yang optimal, untuk mendapatkan jumlah yang optimal ini, diperlukan pembatas (constraint, sedangkan nilai z adalah laba bersih yang didapat oleh perusahaan.

12 73.. Perhitungan Menggunakan Aplikasi LINDO Aplikasi LINDO adalah salah satu aplikasi optimasi yang digunakan dalam menghitung optimasi suatu formulasi. Sehingga aplikasi ini dapat memudahkan seseorang dalam melakukan perhitungan optimasi. Berikut adalah langkah-langkah dalam mengaplikasikan LINDO : a. Tampilan awal b. Tabel Formulasi Gambar.1 Tampilan LINDO Di tabel ini tujuan maksimum dan fungsi pembatas model optimasi dibuat. Max berarti tujuan yang ingin dicapai adalah tujuan maksimum. Variabel disini disimbolkan dengan x 1, x, x 3, x dan x. Untuk fungsi pembatas

13 7 diawali dengan Subject to yang kemudian fungsi pembatas tersebut dimodelkan seperti fungsi pembatas yang sudah ada. Kemudian dimasukkan constraint-constraint yang telah didapat sebelumnya dengan cara mengetikannya langsung. Sehingga menjadi : Gambar. Tabel Formulasi c. Solve Setelah fungsi tujuan sudah ditentukan, dan semua fungsi pembatas telah lengkap dibuat, maka langkah selanjutnya adalah memproseskannya agar didapatkan hasil jumlah produk yang optimal dengan tujuan

14 7 memaksimalkan laba. Caranya adalah dengan command CTRL+S atau dapat dilihat dari tool bar Solve. Gambar.3 Mengoptimasikan model pada LINDO d. Hasil optimasi Hasil optimasi dilampirkan dalam bentuk Reports Window. Berisi tentang berapa kali iterasi yang dilakukan (diwakili oleh LP Optimum found at step, keuntungan maksimum (diwakili oleh Objective function value,

15 76 jumlah unit (diwakili oleh value pada tabel variable dan kelebihan atau kekurangan pada fungsi pembatas dimana hal tersebut tidak akan mengurangi hasil optimasi yang telah ada. Gambar. Hasil Optimasi pada LINDO Dari perhitungan LINDO di atas, didapatkan jumlah iterasi sebanyak iterasi dengan nilai variabel untuk x 1 sebesar.936, x sebesar 0.000, x 3 sebesar , x sebesar dan x sebesar Dan dari nilai-nilai variabel tersebut, menjadikan nilai z maksimum yang diperoleh sebesar 93,303,00.

16 77 Hasil optimasi untuk variabel-variabel tersebut di atas masih dalam satuan batch, sehingga harus dikonverdikan dahulu ke dalam satuan/butiran obat tersebut. Maka, hal yang harus dilakukan adalah mengalikan jumlah batch optimum yang didapat dari hasil optimasi tersebut dengan jumlah satuan/batch-nya. Sehingga didapatkan hasil sebagai berikut: Tabel.1 Tabel Jumlah Satuan Obat Optimum Nama Obat Jumlah Satuan/batch Jumlah Batch Optimum Jumlah Satuan Optimum Analspec 00 ( x tablet ,730 Progesic ( x 0000 tablet ,000 Xepaprim ( x tablet ,00 Tylonic 300 ( x 0000 tablet ,61 Gestamag ( x 0000 tablet ,888 Nilai reduce cost menunjukkan besarnya penurunan nilai koefisien fungsi tujuan yang memungkinkan namun dengan tetap mempertahankan optimalitas hasil yang telah dicapai. Nilai slack atau surplus yang positif menunjukkan kelebihan kapasitas yang ada setelah diperoleh solusi optimal dan nilai nol menunjukkan kapasitas yang terbatas. Maksud dari kapasitas terbatas adalah bahwa kapasitas yang tersedia telah terpakai semuanya.

17 78..3 Uji Sensitivitas..3.1 Variabel x 1 Pada variabel x 1 (Analspec 00 ini, akan dilakukan perubahan dalam koefisien fungsi tujuannya. Perubahan ini dilakukan agar dapat diketahui seberapa sensitif variabel x 1 tersebut dan variabel-variabel apa saja yang turut dipengaruhi oleh variabel x 1 ketika nilai z-nya diturunkan dan dinaikkan. x 1 dinaikkan % Nilai x 1 yang sebelumnya , diubah menjadi Kemudian setelah dimasukkan ke dalam aplikasi LINDO, maka didapatkan hasil sebagai berikut : Gambar. Hasil Uji Sensitivitas variabel x 1 +%

18 79 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x 1. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena tidak ada perubahan pada variabel lainnya, maka akan dilakukan perubahan variabel x 1, namun kali ini dinaikkan menjadi 10%. x 1 dinaikkan 10% Nilai yang dimasukkan ke dalam variabel x 1 setelah dinaikkan sebesar 10% menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut : Gambar.6 Hasil Uji Sensitivitas variabel x 1 +10%

19 80 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x 1. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan variabel x 1 tidak dapat diperbesar kembali, dan ini juga menunjukkan bahwa pembesaran laba variabel x 1 tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan. x 1 diturunkan % Nilai yang dimasukkan ke dalam variabel x 1 setelah diturunkan sebesar % menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut :

20 81 Gambar.7 Hasil Uji Sensitivitas variabel x 1 -% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x 1. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan mengurangi variabel x 1 kembali, namun kali ini dengan dikurangi 10%.

21 8 x 1 diturunkan 10% Nilai yang dimasukkan ke dalam variabel x 1 setelah diturunkan sebesar 10% menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut : Gambar.8 Hasil Uji Sensitivitas variabel x 1-10% Setelah variabel x 1 diturunkan sebesar 10% dari kondisi aslinya, hasil optimasi dengan program LINDO menjadi berubah, disini seperti dapat dilihat pada gambar di atas, nilai x 1 menjadi sebesar.8899, dari sebelumnya sebesar.936 atau turun sebesar 0.07, selain itu,terjadi perubahan juga pada variabel x, dari awalnya sebesar 0.000, karena

22 83 dilakukan perubahan variabel x 1-10%, maka nilai variabel x setelah dihitung dengan program LINDO menjadi sebesar 0.78, atau naik sebesar Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya sebesar 931,879,000 menjadi sebesar Hal ini menunjukkan penurunan variabel x 1 sebesar 10% berpengaruh terhadap hasil optimasi, terutama hasil variabel x 1 dan x. Atau dengan kata lain, penurunan x 1 cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal. Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10% dahulu baru hasil yang didapat berubah. x dinaikkan % Sekarang kita akan melakukan perubahan terhadap variabel x sebesar %. Setelah diturunkan sebesar %, maka nilai variabel x menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :

23 8 Gambar.9 Hasil Uji Sensitivitas variabel x +% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menaikkan nilai variabel x kembali, namun kali ini dengan dinaikkan10%.

24 8 x dinaikkan 10% Setelah dinaikkan % tidak ada perubahan kita akan melakukan perubahan kembali terhadap variabel x. Dari sebesar %, menjadi sebesar 10%, maka nilai variabel x menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar.10 Hasil Uji Sensitivitas variabel x +10% Setelah variabel x dinaikkan sebesar 10% dari kondisi aslinya, hasil optimasi dengan program LINDO menjadi berubah, disini seperti

25 86 dapat dilihat pada gambar di atas, nilai x 1 menjadi sebesar.8899, dari sebelumnya sebesar.936 atau turun sebesar 0.07, selain itu,terjadi perubahan juga pada variabel x, dari awalnya sebesar 0.000, karena dilakukan perubahan variabel x 1-10%, maka nilai variabel x setelah dihitung dengan program LINDO menjadi sebesar 0.78, atau naik sebesar Sehingga, otomatis pula nilai z menjadi berubah pula, dari awalnya sebesar 931,879,000 menjadi sebesar Hal ini menunjukkan penurunan variabel x sebesar 10% berpengaruh terhadap hasil optimasi, terutama hasil variabel x 1 dan x. Atau dengan kata lain, penurunan x cukup sensitif terhadap perubahan hasil optimasi. Nilai z yang menjadi kecil juga menunjukkan bahwa nilai z sebelumnya memang sudah merupakan nilai yang terbesar, sesuai dengan keinginan untuk memaksimasi laba, dan itu juga dapat berarti hasil optimasi sebelumnya sudah paling optimal. Dikatakan cukup, karena harus dilakukan penurunan nilai sebesar 10% dahulu baru hasil yang didapat berubah. x diturunkan % Nilai yang dimasukkan ke dalam variabel x setelah diturunkan sebesar % menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut :

26 87 Gambar.11 Hasil Uji Sensitivitas variabel x -% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan mengurangi variabel x kembali, namun kali ini dengan dikurangi 10%.

27 88 x diturunkan 10% Setelah diturunkan sebesar % tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x, namun kali ini sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel x menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar.1 Hasil Uji Sensitivitas variabel x -10% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai

28 89 z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan variabel x tidak dapat diperkecil kembali, dan ini juga menunjukkan bahwa pengecilan laba variabel x tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan. x 3 dinaikkan % Nilai yang dimasukkan ke dalam variabel x 3 setelah dinaikkan sebesar % menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut : Gambar.13 Hasil Uji Sensitivitas variabel x 3 +%

29 90 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x 3. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menaikkan besar nilai variabel x kembali, namun kali ini dengan dinaikkan 10%. x 3 dinaikkan 10% Setelah dinaikkan sebesar % tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x 3, namun kali ini sebesar 10%. Setelah dinaikkan sebesar 10%, maka nilai variabel x 3 menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :

30 91 Gambar.1 Hasil Uji Sensitivitas variabel x 3 +10% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x 3. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan variabel x 3 tidak dapat diperbesar kembali, dan ini juga menunjukkan bahwa pembesaran laba variabel x 3 tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan.

31 9 x 3 diturunkan % Nilai yang dimasukkan ke dalam variabel x 3 setelah diturunkan sebesar % menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut : Gambar.1 Hasil Uji Sensitivitas variabel x 3 -% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x 3. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut tentu saja mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Karena belum

32 93 terjadi perubahan pada hasil, maka akan dicoba kembali dengan mengurangi variabel x 3 kembali, namun kali ini dengan dturunkan 10%. x 3 diturunkan 10% Setelah diturunkan sebesar % namun tetap tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x 3, namun kali ini sebesar 10%. Setelah diturunkan sebesar 10%, maka nilai variabel x 3 menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar.16 Hasil Uji Sensitivitas variabel x 3-10%

33 9 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x 3. Yang berubah hanya nilai z saja, ini dikarenakan besar variabel yang berubah tersebut turut mempengaruhi nilai z. Namun tetap tidak mempengaruhi variabel lainnya. Hal ini dapat diartikan variabel x 3 tidak perlu diperkecil kembali karena dengan mengurangi 10% sudah mencakup keseluruhannya, dan ini juga menunjukkan bahwa pengecilan laba variabel x 3 tidak mempengaruhi variabelnya sendiri maupun variabel-variabel lainnya sama sekali (tidak sensitif terhadap perubahan. x dinaikkan % Sekarang kita akan melakukan perubahan terhadap variabel x sebesar %. Setelah diturunkan sebesar %, maka nilai variabel x menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :

34 9 Gambar.17 Hasil Uji Sensitivitas variabel x +% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menaikkan nilai variabel x kembali, namun kali ini dengan dinaikkan 10%.

35 96 x dinaikkan 10 % Setelah dinaikkan % tidak ada perubahan kita akan melakukan perubahan kembali terhadap variabel x. Dari sebesar %, menjadi sebesar 10%, maka nilai variabel x menjadi , dari asalnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar.18 Hasil Uji Sensitivitas variabel x +10% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang

36 97 dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini dapat diartikan variabel x tidak dapat diperbesar kembali, dan ini juga menunjukkan bahwa pembesaran laba variabel x tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan. x diturunkan % Nilai yang akan dimasukkan ke dalam variabel x adalah nilai yang setelah diturunkan sebesar % yaitu menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut : Gambar.19 Hasil Uji Sensitivitas variabel x -%

37 98 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menurunkan nilai variabel x kembali, namun kali ini dengan diturunkan 10%. x diturunkan 10% Setelah diturunkan % tetapi tetap tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x. Dari sebesar %, menjadi sebesar 10%, maka nilai variabel x menjadi , dari asalnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut :

38 99 Gambar.0 Hasil Uji Sensitivitas variabel x -10% Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi perubahan walau telah dilakukan perubahan kembali pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang diturunkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini juga dapat diartikan variabel x tidak perlu diperkecil kembali karena hasilnya pasti akan sama, dan ini juga menunjukkan bahwa pengecilan laba variabel x tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan.

39 100 x dinaikkan % Sekarang akan dilakukan uji sensitivitas dengan menaikkan nilai variabel x sebanyak % dari aslinya. Setelah dinaikkan sebesar %, maka nilai variabel x menjadi , dari sebelumnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar.1 Hasil Uji Sensitivitas variabel x +% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan pengurangan nilai sebesar % pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Karena

40 101 belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menaikkan nilai variabel x kembali, namun kali ini dengan dinaikkan 10%. x dinaikkan 10 % Setelah dinaikkan %, namun tetap tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x. Dari sebesar %, menjadi sebesar 10%, maka nilai variabel x menjadi , dari asalnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar. Hasil Uji Sensitivitas variabel x +10%

41 10 Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah setelah perubahan nilai variabel x ini hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang dinaikkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini dapat diartikan variabel x tidak perlu diperbesar kembali karena hasilnya akan sama saja, tetap tidak ada perubahan, dan ini juga menunjukkan bahwa pembesaran laba variabel x tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan. x diturunkan % Nilai yang akan dimasukkan ke dalam variabel x adalah nilai yang setelah diturunkan sebesar % yaitu menjadi Kemudian setelah dimasukkan ke dalam program LINDO, maka didapatkan hasil optimasi sebagai berikut :

42 103 Gambar.3 Hasil Uji Sensitivitas variabel x -% Dari hasil tersebut, tidak terjadi perubahan walau telah dilakukan perubahan nilai pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut merupakan perkalian dari nilai variabel x yang dikecilkan tadi, sehingga tentu saja nilai z akan berubah. Karena belum terjadi perubahan pada hasil optimasi, maka akan dicoba kembali dengan menurunkan nilai variabel x kembali, namun kali ini dengan diturunkan sebesar 10%.

43 10 x diturunkan 10% Setelah diturunkan % tetapi tetap tidak ada perubahan, maka kita akan melakukan perubahan kembali terhadap variabel x. Dari sebesar %, menjadi sebesar 10%, maka nilai variabel x menjadi , dari asalnya sebesar Sehingga hasil optimasi menggunakan LINDO menjadi sebagai berikut : Gambar. Hasil Uji Sensitivitas variabel x -10% Dari hasil tersebut, dapat dilihat bahwa tetap tidak terjadi perubahan walau telah dilakukan perubahan kembali pada variabel x. Yang berubah hanya nilai z saja, ini dikarenakan nilai z tersebut berhubungan

44 10 langsung dengan nilai variabel x yang diturunkan tadi, sehingga tentu saja nilai z akan berubah. Hal ini juga dapat diartikan variabel x tidak perlu diperkecil kembali karena hasilnya pasti akan sama, dan ini juga menunjukkan bahwa pengecilan laba variabel x tidak mempengaruhi sama sekali (tidak sensitif terhadap perubahan. Berikut ini adalah summary dari uji sensitivitas yang dilakukan terhadap kelima variabel tersebut di atas, yaitu : Tabel.13 Tabel Summary Uji Sensitivitas Variabel Perubahan Hasil Setelah Diubah + % Tidak terjadi perubahan + 10% Tidak terjadi perubahan x 1 x x 3 x x - % Tidak terjadi perubahan - 10% x 1 menjadi.8898 dari.936 x menjadi 0.78 dari % Tidak terjadi perubahan + 10% x 1 menjadi.8898 dari.936 x menjadi 0.78 dari % Tidak terjadi perubahan - 10% Tidak terjadi perubahan + % Tidak terjadi perubahan + 10% Tidak terjadi perubahan - % Tidak terjadi perubahan - 10% Tidak terjadi perubahan + % Tidak terjadi perubahan + 10% Tidak terjadi perubahan - % Tidak terjadi perubahan - 10% Tidak terjadi perubahan + % Tidak terjadi perubahan + 10% Tidak terjadi perubahan - % Tidak terjadi perubahan - 10% Tidak terjadi perubahan

45 106.. Penjadwalan Produksi...1 Pendahuluan Setelah didapatkan hasil optimasi yang memaksimumkan laba, berikutnya akan coba dilakukan suatu penjadwalan produksi. Penjadwalan ini digunakan untuk mendapatkan suatu penjadwalan yang optimum yang mampu meminimalkan makespan dan flowtime. Dengan kemampuan untuk meminimumkan makespan dan flowtime, maka pada akhirnya dapat mengurangi biaya produksi dan serta meningkatkan keefisienan produksi. Berikut ini adalah hasil optimasi yang diperoleh dan akan dilakukan penjadwalan terhadap jumlah produk optimum yang harus diproduksi tersebut, yaitu : Tabel.1 Tabel Jumlah produk obat yang harus diproduksi Nama Obat Jumlah yang harus diproduksi Analspec 00 ( x 1 96,730 Progesic ( x 10,000 Xepaprim ( x 3 00,00 Tylonic 300 ( x 38,61 Gestamag ( x 71,888 Kemudian, untuk waktu proses, di PT. Metiska Farma waktu proses berdasarkan lamanya satu batch obat diproses pada satu mesin. Lamanya waktu proses satu batch obat yang diproses pada satu mesin dikenal juga dengan sebutan waktu standar yang telah dimiliki oleh perusahaan. PT. Metiska Farma memiliki standar waktu proses satu batch obat di satu proses sebagai patokan dalam

46 107 serangkaian proses produksi tersebut. Namun, tentu saja, hal ini tidak perlu terlalu diikuti, maka dilakukan observasi langsung ke proses produksi obat itu sendiri. Proses produksi itu meliputi penimbangan, pencampuran, pembentukan, pencetakan, pelapisan, pengemasan dan packing. Berikut ini adalah operation process chart dari obat tersebut : Gambar. Operation Process Chart

47 108 Berikut ini adalah waktu proses yang didapat setelah dilakukan observasi di PT. Metiska Farma, yaitu : Tabel.1 Tabel waktu proses per obat Nama Obat Analspec 00 ( x 1 Progesic ( x Xepaprim ( x 3 Tylonic 300 ( x Gestamag ( x Mesin Timbang Mesin Homogenizer Waktu proses Mesin Mesin Granulator Cetak Mesin Coating Mesin Stripping Tabel.16 Tabel Frekuensi Nama Obat Produk diproduksi Frekuensi Proses Analspec 00 ( x 1 96,730 96,730 Progesic ( x 10,000 10,000 Xepaprim ( x 3 00,00 00,00 Tylonic 300 ( x 38,61 38,61 Gestamag ( x 71,888 71,888 Sehingga, setelah didapat waktu proses dan jumlah yang harus diproduksi, maka akan dilakukan perhitungan total waktu proses per obat per mesin dengan cara mengalikan jumlah yang harus diproduksi dengan waktu proses per mesin dan akan didapatkan hasil sebagai berikut :

48 109 Tabel.17 Tabel Total Waktu Proses Tiap Mesin Nama Obat Analspec 00 ( x 1 Progesic ( x Xepaprim ( x 3 Tylonic 300 ( x Gestamag ( x Frekuensi Mesin Timbang Mesin Homogenizer Total Waktu Proses Mesin Granulator Mesin Cetak Mesin Coating Mesin Stripping Perhitungan Waktu Baku Setting Setiap Mesin Kemudian, untuk menghitung waktu siklus, waktu normal, dan waktu baku. Dalam melakukan suatu pekerjaan, dibutuhkan penyesuaian untuk menormalkan ketidakwajaran yang mungkin terjadi maka dibutuhkan penyesuaian untuk pekerja/operator. Sedangkan untuk memberikan waktu tertentu bagi operator dalam melaksanakan kepentingannya, yaitu kepentingan pribadi, menghilangkan rasa lelah dan hambatan yang tidak dapat dihindarkan, maka diperlukan kelonggaran bagi operator. Adapun penyesuaian dan kelonggaran ini didapatkan dari hasil observasi dan pengamatan di PT. Metiska Farma. Setelah didapat besar penyesuaian dan kelonggaran para operator, maka dapat dihitung besar waktu siklus, waktu normal, dan waktu baku, sehingga didapat waktu setting untuk masin-masing mesin sebagai berikut :

49 110 Mesin Homogenizer Tabel.18 Tabel Penyesuaian Operator Mesin Homogenizer No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C Usaha Good C Kondisi kerja Good C 0.0 Konsistensi Average D 0.00 Total 0.13 Penyesuaian (p = 1 + total 1.13 Tabel.19 Tabel Kelonggaran Operator Mesin Homogenizer Bagian Faktor Kelonggaran (% A Tenaga yang dikeluarkan Sedang 1 B Sikap kerja Berdiri diatas kaki C Gerakan kerja Normal 0 D Kelelahan mata Pandangan yang terputus-putus E Keadaan temperatur tempat kerja Normal F Keadaan atmosfer Cukup Keadaan lingkungan yang baik G Siklus kerja berulang-ulang 1 antara -10 detik H Kebutuhan pribadi Pria Total 31

50 111 Tabel.0 Tabel Waktu Setting Mesin Homogenizer Pengamatan ke Waktu (detik Pengamatan ke Waktu (detik Waktu baku setting Mesin Homogenizer adalah hasil yang didapat dari perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu : Waktu Siklus Xi W S = = = 93.6 det ik N 30 Waktu Normal W N = W S x p = 93.6 x 1.13 = 106.1

51 11 Waktu Baku ( 1 a Wb = WN x + = x ( = Mesin Granulator Tabel.1 Tabel Penyesuaian Operator Mesin Granulator No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C Usaha Good C Kondisi kerja Good C 0.0 Konsistensi Average D 0.00 Total 0.13 Penyesuaian (p = 1 + total 1.13 Tabel. Tabel Kelonggaran Operator Mesin Granulator Bagian Faktor Kelonggaran (% A Tenaga yang dikeluarkan Sedang 1 B Sikap kerja Berdiri diatas kaki C Gerakan kerja Normal 0 D Kelelahan mata Pandangan yang terputus-putus E Keadaan temperatur tempat kerja Normal F Keadaan atmosfer Cukup Keadaan lingkungan yang baik G Siklus kerja berulang-ulang 1 antara -10 detik H Kebutuhan pribadi Pria Total 31

52 113 Tabel.3 Tabel Waktu Setting Mesin Granulator Pengamatan ke Waktu (detik Pengamatan ke Waktu (detik Waktu baku setting Mesin Granulator adalah hasil yang didapat dari perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu : Waktu Siklus Xi W S = = = det ik N 30 Waktu Normal W N = W S x p = x 1.13 =

53 11 Waktu Baku ( 1 a Wb = WN x + = x ( = Mesin Cetak Tabel. Tabel Penyesuaian Operator Mesin Cetak No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C Usaha Average D Kondisi kerja Good C 0.0 Konsistensi Good C 0.01 Total 0.09 Penyesuaian (p = 1 + total 1.09 Tabel. Tabel Kelonggaran Operator Mesin Cetak Bagian Faktor Kelonggaran (% A Tenaga yang dikeluarkan Sedang 1 B Sikap kerja Duduk 1 C Gerakan kerja Agak terbatas Kelelahan mata D Pandangan yang hampir terusmenerus 7 E Keadaan temperatur tempat kerja Normal F Keadaan atmosfer Cukup Keadaan lingkungan yang baik G Siklus kerja berulang-ulang 1 antara -10 detik H Kebutuhan pribadi Pria Total 37

54 11 Tabel.6 Tabel Waktu Setting Mesin Cetak Pengamatan ke Waktu (detik Pengamatan ke Waktu (detik Waktu baku setting Mesin Cetak adalah hasil yang didapat dari perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu : Waktu Siklus Xi W S = = = det ik N 30 Waktu Normal W N = W S x p = x 1.09 = 119. Waktu Baku ( 1 a Wb = WN x + = 119. x ( = 188.7

55 116 Mesin Coating Tabel.7 Tabel Penyesuaian Operator Mesin Coating No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C Usaha Average D Kondisi kerja Good C 0.0 Konsistensi Good C 0.01 Total 0.09 Penyesuaian (p = 1 + total 1.09 Tabel.8 Tabel Kelonggaran Operator Mesin Coating Bagian Faktor Kelonggaran (% A Tenaga yang dikeluarkan Sedang 1 B Sikap kerja Berdiri diatas kaki C Gerakan kerja Normal 0 D Kelelahan mata Pandangan yang terputus-putus E Keadaan temperatur tempat kerja Normal F Keadaan atmosfer Cukup Keadaan lingkungan yang baik G Siklus kerja berulang-ulang 1 antara -10 detik H Kebutuhan pribadi Pria Total 31

56 117 Tabel.9 Tabel Waktu Setting Mesin Coating Pengamatan ke Waktu (detik Pengamatan ke Waktu (detik Waktu baku setting Mesin Coating adalah hasil yang didapat dari perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu : Waktu Siklus Xi W S = = = det ik N 30 Waktu Normal W N = W S x p = x 1.09 = 79.9

57 118 Waktu Baku ( 1 a Wb = WN x + = 79.9 x ( = 98. Mesin Stripping Tabel.30 Tabel Penyesuaian Operator Mesin Stripping No Faktor Kelas Lambang Penyesuaian 1 Ketrampilan Good C Usaha Average D Kondisi kerja Good C 0.01 Konsistensi Average D 0.00 Total 0.07 Penyesuaian (p = 1 + total 1.07 Tabel.31 Tabel Kelonggaran Operator Mesin Stripping Bagian Faktor Kelonggaran (% A Tenaga yang dikeluarkan Ringan 8 B Sikap kerja Berdiri diatas kaki C Gerakan kerja Normal 0 D Kelelahan mata Pandangan yang terputus-putus E Keadaan temperatur tempat kerja Normal F Keadaan atmosfer Cukup Keadaan lingkungan yang baik G Siklus kerja berulang-ulang 1 antara -10 detik H Kebutuhan pribadi Pria Total 7

58 119 Tabel.3 Tabel Waktu Setting Mesin Stripping Pengamatan ke Waktu (detik Pengamatan ke Waktu (detik Waktu baku setting Mesin Stripping adalah hasil yang didapat dari perhitungan dengan memperhitungkan waktu standar, penyesuaian dan juga kelonggaran, yaitu : Waktu Siklus Xi W S = = = det ik N 30 Waktu Normal W N = W S x p = x 1.07 =

59 10 Waktu Baku ( 1 a Wb = WN x + = x ( = Sehingga, setelah dilakukan perhitungan seperti di atas, akhirnya didapatkan lama waktu setting yang dibutuhkan oleh operator untuk mempersiapkan mesinmesin tersebut agar dapat bekerja dengan baik. Kemudian, berikut ini adalah lama waktu setting tiap-tiap mesin yang berhasil diperoleh sebagai berikut : Tabel.33 Tabel Waktu Setting Tiap Mesin Nama Mesin Waktu Setting Satuan Homogenizer detik Granulator detik Cetak detik Coating 98. detik Stripping detik Setelah diperoleh waktu setting untuk tiap-tiap mesin, maka akan dilakukan penjumlahan waktu setting dengan waktu proses yang akan menghasilkan total waktu yang dibutuhkan secara keseluruhan dalam memproduksi tiap-tiap jenis obat, sebagai berikut :

60 11 Tabel.3 Tabel Total Waktu Keseluruhan Proses Nama Obat Analspec 00 ( x 1 Progesic ( x Xepaprim ( x 3 Tylonic 300 ( x Gestamag ( x Frekuensi Timbang Total Waktu Keseluruhan Mesin Mesin Mesin Homogenizer Granulator Cetak Mesin Coating Mesin Stripping 96, , , , , Penjadwalan Produksi dengan Algoritma Palmer Di PT. Metiska Farma, tidak pernah ada suatu penjadwalan dengan algoritma tertentu, di sana hanya ada suatu penjadwalan tanpa algoritma atau teori tertentu, yang mereka pakai hanya suatu feeling saja di dalam melakukan suatu penjadwalan produksi, hal ini dapat saja berakibat fatal, dikarenakan akan membuat produksi tidak lancar, biaya produksi membesar, dan lain-lain. Oleh karena itu harus ada suatu penjadwalan khusus agar tidak terjadi hal-hal yang tidak diinginkan. Algoritma Palmer merupakan suatu algoritma penjadwalan flowshop untuk m-machine dan n-job. Kriteria yang digunakan adalah makespan. Tujuan utama dari penjadwalan job ini adalah untuk meminimasi makespan. Yand dimaksud job disini adalah pekerjaan dalam satu kali pembuatan suatu jenis obat. Berikut ini adalah susunan pekerjaan yang harus dilakukan dalam membuat penjadwalan job dengan algoritma Palmer :

61 1 a. Untuk setiap job Jj, cari nilai dari π j π j [ m ] = + i= 1 ( m i + 1t + ( m i 1 ij t (m+ 1 i j b. Pengurutan job berdasarkan π j secara descending Jika dua atau lebih job memiliki nilai π j yang sama, maka urutkan sesuai dengan keperluannya. c. Jadwalkan job pada setiap mesin sesuai dengan urutan tersebut.. Perhitungan a. Mencari nilai π j π π j j [ m ] = + i= 1 = t + t 1j ( m i + 1t + ( m i 1 6 j ij t (m+ 1 i j Tabel.3 Tabel Nilai π j untuk Setiap Job π j Nama Obat Analspec 00 ( x Progesic ( x Xepaprim ( x Tylonic 300 ( x Gestamag ( x

62 13 Contoh perhitungan (Analspec 00 : π j = t + t 1j 6 j π = (61 j + π j = 8.8 (600.3 b. Mengurutkan job berdasarkan π j secara descending Tabel.36 Tabel Pengurutan Job secara descending c. Penjadwalan job Nama Obat π j Gestamag ( x Progesic ( x Analspec 00 ( x Xepaprim ( x Tylonic 300 ( x Tabel.37 Tabel Perhitungan Makespan dan Total Flow Time Waktu Proses tiap Mesin Unit Mesin Mesin Mesin Mesin Mesin Processed Timbang Homogenizer Granulator Cetak Coating Stripping x Nama Obat Gestamag ( Progesic ( x Analspec 00 ( x 1 Xepaprim ( x

63 1 Tabel.37 Tabel Perhitungan Makespan dan Total Flow Time (lanjutan Nama Obat Xepaprim ( x 3 Tylonic 300 ( x Waktu Proses tiap Mesin Unit Mesin Mesin Mesin Mesin Mesin Processed Timbang Homogenizer Granulator Cetak Coating Stripping Total Flow Time = Makespan = 9, Total Flow Time = 1,11, Tylonic 300 Xepaprim Analspec 00 Progesic Gestamag 0 Timbang Homogenizer Granulator Cetak Coating Stripping Gambar.6 Kurva Makespan & Total Flow Time Contoh perhitungan (Untuk Timbang: X 1 = Unit processed x Waktu proses per obat + X t 1 = 0000 x =

64 1 X = Unit processed x Waktu proses per obat + X t 1 = x = Contoh perhitungan (Untuk Setiap Mesin: X 1 = Unit processed x Waktu proses per obat + t 1 X + Waktu setting mesin = 0000 x = X = Unit processed x Waktu proses per obat + X t 1 Gestamag ( x = x = Setelah didapatkan urutan produksi kelima obat diatas maka berikut dapat dilihat urutan produksi obat dalam minggu. Tabel.38 Tabel Penjadwalan Job Minggu 1 Minggu Minggu 3 Minggu Progesic ( x Analspec 00 ( x 1 Xepaprim ( x 3 Tylonic 300 ( x.3 Analisis Data.3.1 Analisis Model Linear Programming Dalam mengoptimasi jumlah produk di PT. Metiska Farma ini dipilih jenis obat, yaitu Analspec 00, Progesic, Xepaprim, Tylonic 300 dan Gestamag, dipilih kelima jenis obat ini dikarenakan pada saat dilakukan observasi di PT. Metiska Farma, memang hanya kelima jenis obat ini saja yang akan diproduksi ke depannya. Sedangkan, untuk constraint-nya, terdapat buah constraint yang

65 16 dijadikan sebagai pembatas dari memaksimasi laba yang dilakukan di PT. Metiska Farma, yaitu : Berikut ini adalah penjelasan mengenai nilai/angka yang terdapat didalam constraint-constraint tersebut di atas yang digunakan untuk optimasi produk obat di PT. Metiska Farma, yaitu: Constraint ke x x x x + 00 x Constraint pertama yaitu bahan baku CaPO, disini variabel Progesic ( x tidak memiliki/mengandung bahan baku ini, sehingga diformulasikan menjadi angka 0, sedangkan angka didapat dari jumlah bahan baku CaPO yang tersisa di gudang bahan baku pada awal bulan. Hal ini dapat dilakukan karena pada saat ini, hanya kelima produk obat tersebut yang akan diproduksi. Constraint ke- x 1 + x + 0 x x + x 00 Constraint kedua yaitu bahan baku Nip, disini variabel Xepaprim ( x 3 juga tidak memiliki/mengandung bahan baku Nip, sehingga diformulasikan menjadi angka 0, sedangkan angka.00 didapat dari jumlah bahan baku Nip yang tersisa di gudang bahan baku pada awal bulan. Constraint ke x x + 0 x x + 0 x 000

66 17 Constraint ketiga yaitu bahan baku SSG, disini variabel Xepaprim ( x 3 tidak memiliki/mengandung bahan baku SSG, sehingga diformulasikan menjadi angka 0, sedangkan angka.000 didapat dari jumlah bahan baku SSG yang tersisa di gudang bahan baku. Constraint ke- 11 x 1 +. x + 0 x x + 0 x 100 Constraint keempat yaitu bahan baku Alkohol 9%, disini variabel Xepaprim ( x 3,Tylonic 300 ( x, dan Gestamag ( x tidak memiliki/mengandung bahan baku Alkohol 9%, sehingga diformulasikan menjadi angka 0, sedangkan angka 100 didapat dari jumlah bahan baku Alkohol 9% yang tersisa di gudang bahan baku. Constraint ke- 7 x x + 0 x x + 6 x 00 Constraint kelima yaitu bahan baku Nps, disini variabel Xepaprim ( x 3 tidak memiliki/mengandung bahan baku Nps, sehingga diformulasikan menjadi angka 0, sedangkan angka 00 didapat dari jumlah bahan baku Nps yang tersisa di gudang bahan baku pada saat ini. Constraint ke-6 30 x x + 0 x x + 0 x 000 Constraint keenam yaitu bahan baku MgS, disini variabel Xepaprim ( x 3 dan Gestamag ( x yang tidak memiliki/mengandung bahan baku MgS, sehingga harus