OPTIMASI MULTI RESPON DENGAN MENGGUNAKAN METODE TAGUCHI-GREY PADA PROSES FOAMING PRODUK SPONGE SHEET SLAA UNTUK MENURUNKAN BIAYA KERUGIAN

Transkripsi

1 OPTIMASI MULTI RESPON DENGAN MENGGUNAKAN METODE TAGUCHI-GREY PADA PROSES FOAMING PRODUK SPONGE SHEET SLAA UNTUK MENURUNKAN BIAYA KERUGIAN Andri Maulana Novianto 1*) dan Bobby Oedy P. Soepangkat 2) Manajemen Industri, Magister Manajemen Teknologi Institut Teknologi Sepuluh Nopember Surabaya Jl.Cokroaminoto 12A, Surabaya, andrivianto.st@gmail.com, 2 bops_1994@me.its.ac.id ABSTRAK Dua karakteristik kualitas yang kritis ( CTQ) dari produk sponge sheet SLAA yang diproduksi oleh PT XYZ adalah tebal (T) dan lebar (L). Parameter-parameter proses dari proses foaming yang mempengaruhi kedua CTQ tersebut adalah kecepatan conveyor (VCONV), kecepatan roll heating drum (VHD), dan kecepatan roll emboss (VEMB). Suatu penelitian telah dilakukan dengan menggunakan kombinasi metode Taguchi dan Grey Relational Analysis (Taguchi-GRA) untuk mengoptimasi proses foaming, agar variasi dari kedua CTQ yang disebabkan oleh ketiga parameter proses tersebut dapat diturunkan. Selain itu juga dicari penurunan kerugian dengan menggunakan seting yang baru dari parameter-parameter proses. Hasil yang diperoleh menunjukkan bahwa kecepatan conveyor memberikan kontribusi terbesar dalam penurunan variasi dari kedua CTQ yang diamati secara serentak. Suatu seting yang baru dari parameter-parameter proses yang menghasilkan suatu penurunan biaya kerugian yang cukup signifikan juga telah ditetapkan. Kata kunci: Produk sponge sheet SLAA, proses foaming, metode Taguchi-GRA, penurunan biaya kerugian. PENDAHULUAN Salah satu bidang industri yang saat ini banyak mendapatkan perhatian khusus adalah industri manufaktur kulit imitasi. Barang-barang yang terbuat dari bahan kulit imitasi seperti furniture, sandal, tenda, jok mobil, sepatu dan lain-lain saat ini sangat sering dijumpai di pasar. Perusahaan di Indonesia yang bergerak di bidang industri kulit imitasi masih langka, sehingga perusahaan yang benar-benar menguasai teknik proses pembuatannya masih sedikit. Sponge sheet SLAA merupakan salah satu produk yang dihasilkan oleh PT XYZ, yang berlokasi di Mojokerto dan diproduksi melalui empat tahapan proses. Keempat tahapan proses tersebut adalah proses squezzing, proses foaming, proses printing dan proses inspection. Pada penelitian ini hanya dibahas mengenai proses foaming saja. Hal ini dikarenakan pada proses foaming ini banyak terjadi kelainan atau cacat produk, sehingga diperlukan suatu seting parameter yang tepat pada proses foaming agar dapat menghasilkan produk yang sesuai dengan spesifikasi. Sponge sheet SLAA memiliki dua karakteristik kualitas yang kritis ( Critical To Quality/CTQ), yaitu tebal (T) dan lebar (L). Spesifikasi tebal sponge sheet SLAA adalah 2,20 ± 0,5 mm dan spesifikasi lebar produk ini adalah 1,370 ± 20 mm. Pembuatan sponge sheet SLAA tergantung pada parameter-parameter proses dari proses foaming, antara lain temperatur ruangan mesin foaming nomor 1 sampai 5, temperatur roll heating drum, temperatur roll emboss, temperatur roll cooling, kecepatan roll cooling, kecepatan conveyor (VCONV), kecepatan roll heating drum (VHD), serta kecepatan roll emboss (VEMB). Dari semua A-28-1

2 faktor-faktor tersebut hanya kecepatan conveyor, kecepatan roll heating drum dan kecepatan roll emboss yang masih belum memiliki seting yang tepat agar dapat menghasilkan produk yang sesuai dengan spesifikasi. Ilustrasi dari proses foaming ditunjukkan pada Gambar 1. FOAMING MACHINE Winder Gambar 1 Proses Foaming METODE TAGUCHI DAN GREY RELATIONAL ANALYSIS (GRA) Optimasi dengan metode Taguchi hanya dapat dilakukan untuk satu respon saja. Untuk melakukan optimasi beberapa respon secara serentak digunakan gabungan dari metode Taguchi dan Grey Relational Analysis (Taguchi-GRA). Langkah-langkah untuk proses optimasi dengan metode Taguchi-GRA adalah sebagai berikut (Kazancoglu et al., 2011): a. Menyusun rancangan eksperimen dengan menggunakan matriks ortogonal berdasarkan metode Taguchi. b. Melakukan eksperimen dan mengambil data hasil eksperimen. c. Melakukan normalisasi data hasil eksperimen dan menghitung nilai deviation sequence (, (k)). d. Menghitung grey relational coefficient atau GRC ( ξ ( )). e. Melakukan prediksi mean grey relational grade (GRG) dan menghitung rasio signal-tonoise (S/N) mean GRG untuk kondisi respon optimal. f. Melakukan optimasi multi respon dengan GRA. g. Memilih level optimal dari masing-masing respon. h. Melakukan analisis variansi (ANAVA) dan menghitung persen kontribusi dari masingmasing parameter proses terhadap respon. Grey Relational Analysis (GRA) Method Metode GRA pada dasarnya digunakan dalam optimasi untuk mengubah beberapa respon menjadi satu respon. Dalam metode GRA, perhitungan normalisasi untuk variabel respon T dan L dilakukan dengan menggunakan karakteristik Nominal The Best sesuai dengan persamaan (1). ( ) = 1 ( ) ( ) max ( ) min ( ) Xi (k) adalah nilai dari variabel respon T dan L hasil dari eksperimen, (k) adalah nilai target dari Xi (k), max Xi (k) adalah nilai terbesar dari Xi (k) dan min Xi (k) adalah nilai terkecil dari Xi (k) dari k th variabel respon, dimana nilai dari k adalah 1, 2, 3,..., 9. Setelah nilai variabel T dan L dinormalisasi, langkah selanjutnya adalah menentukan deviation sequence (, ( )), yaitu selisih nilai secara absolut antara nilai 1 dengan data yang telah dinormalisasi (Lin, 2002). Penentuan nilai, ( ) dilakukan dengan menggunakan persamaan (2)., ( ) = ( ) ( ) (2) (1) A-28-2

3 Setelah menentukan nilai, ( ) maka langkah selanjutnya adalah menghitung nilai grey relational coefficient atau GRC ( ξ ( )). Nilai GRC menunjukkan hubungan antara kondisi yang ideal (terbaik) dengan kondisi aktual dari respon yang telah dinormalisasi. GRC akan bernilai satu apabila respon yang dinormalisasikan tersebut sama dengan kondisi yang ideal. Persamaan yang digunakan untuk mendapatkan nilai GRC ditunjukkan pada persamaan (3). ξ ( ) = + (3), ( ) + adalah min min, ( ), adalah max max, ( ) dan adalah distinguished coefficient yang nilainya diatur berdasarkan kebutuhan dan besarnya antara 0 dan 1. Nilai distinguished coefficient yang digunakan pada umumnya adalah 0,5. Nilai GRC yang tinggi menunjukkan bahwa hasil eksperimen memiliki hubungan yang dekat dengan nilai normalisasi yang terbaik pada respon tersebut. Langkah selanjutnya adalah menghitung mean grey relational grade (GRG) berdasarkan hasil dari perhitungan GRC, yang dilakukan dengan menggunakan persamaan (4). = 1 + ξ ( ) (4) n adalah jumlah variabel proses dan k adalah jumlah replikasi eksperimen yang dilakukan. Setelah nilai mean GRG ditentukan, maka langkah selanjutnya adalah menghitung nilai rasio Signal to Noise (S/N). Rasio S/N digunakan untuk memilih faktor-faktor yang memiliki kontribusi pada pengurangan variasi suatu respon. Rasio S/N merupakan rancangan untuk melakukan transformasi pengulangan data kedalam suatu nilai yang merupakan ukuran variasi yang muncul dan dalam penelitian ini rasio S/N dihitung dengan menggunakan kriteria Larger is Better yang dinyatakan oleh persamaan (5) berikut ini. n 2 (1/ y S/N = -10 i ) log (5) i 1 n Rancangan Eksperimen Menentukan Seting Parameter pada Proses Foaming Penentuan seting parameter proses pada proses foaming dilakukan berdasarkan rekomendasi seting parameter proses yang digunakan sehari-hari dalam proses produksi produk sponge sheet SLAA. Penentuan rentang level dari parameter proses didasarkan pada seting yang digunakan sehari-hari. Agar interval level tersebut tidak bervariasi terlalu jauh, maka dapat disederhanakan menjadi tiga tingkat level parameter proses seperti yang ditunjukkan pada Tabel 1. Tabel 1 Seting Mesin Foaming Untuk Level Parameter Proses No Parameter Proses Simbol Level 1 Level 2 Level 3 1 Kecepatan conveyor V CONV 3,0 m/menit 3,8 m/menit 4,6 m/menit 2 Kecepatan roll heating drum V H.D. 3,0 m/menit 3,8 m/menit 4,6 m/menit 3 Kecepatan roll emboss V EMB 3,2 m/menit 3,7 m/menit 4,2 m/menit Pemilihan Matriks Ortogonal Untuk memilih matriks ortogonal yang tepat pada eksperimen, total derajat kebebasan harus dihitung. Ada enam derajat kebebasan yang digunakan karena ada tiga paramater proses pada proses foaming dengan tiga level pada masing-masing parameter proses tersebut. Desain eksperimen dan metode Taguchi telah biasa digunakan untuk menyelesaikan tujuan dari A-28-3

4 penelitian eksperimental. Matriks ortogonal L9 yang dijadikan sebagai desain eksperimen ditunjukkan pada Tabel 2. HASIL EKSPERIMEN Tabel 2 Desain Eksperimen Menggunakan Matriks Ortogonal L 9 Seting Faktor, Desain Eksperimen Level Parameter Proses Kombinasi ke- V CONV V H.D. V EMB V CONV V H.D. V EMB ,0 3,0 3, ,0 3,8 3, ,0 4,6 4, ,8 3,0 4, ,8 3,8 3, ,8 4,6 3, ,6 3,0 3, ,6 3,8 4, ,6 4,6 3,2 Data hasil eksperimen berupa tebal (T) dan lebar (L) produk ditunjukkan pada Tabel 3. Tabel 3. Data Hasil Eksperimen sponge sheet SLAA Seting Faktor, Tebal (mm) Lebar (mm) Kombinasi ke Rata-Rata Rata-Rata 1 2,28 2,27 2,29 2, ,24 2,25 2,25 2, ,14 2,15 2,16 2, ,39 2,40 2,38 2, ,26 2,25 2,27 2, ,34 2,33 2,32 2, ,35 2,36 2,35 2, ,27 2,25 2,27 2, ,23 2,25 2,25 2, OPTIMASI MULTI RESPON DENGAN METODE TAGUCHI-GRA Optimasi multi respon dengan metode GRA diawali dengan melakukan normalisasi dan perhitungan deviation sequence data rata-rata hasil eksperimen. Normalisasi data dan perhitungan deviation sequence dilakukan dengan menggunakan persamaan (1) dan persamaan (2). Hasil normalisasi data dan perhitungan deviation sequence ditunjukkan pada Tabel 4. Seting Faktor, Kombinasi ke- Tabel 4 Normalisasi Data Hasil Eksperimen Rata-Rata Normalisasi deviation sequence T L T L T L 1 2, ,5789 0,9703 0,4386 0, , ,7544 0,6931 0,2456 0, , ,7368 0,8812 0,2632 0, , ,0000 0,0000 1,0000 1, , ,6842 0,2624 0,3158 0, , ,3158 0,9010 0,6842 0, , ,1930 0,9307 0,8070 0, , ,6667 0,9257 0,3333 0, , ,7719 0,6287 0,2281 0,3713 A-28-4

5 Setelah diperoleh nilai deviation sequence untuk masing-masing respon maka nilai GRC (ξ ) dan mean GRG dapat dihitung dengan menggunakan persamaan (3) dan persamaan (4). Selanjutnya nilai rasio S/N mean GRG dihitung dengan menggunakan persamaan (5). Hasil dari perhitungan nilai mean dan rasio S/N dari mean GRG ditunjukkan pada Tabel 5. Tabel 5 Hasil Perhitungan Mean GRG dan Rasio S/N Mean GRG Seting Faktor, GRC Rasio GRG Kombinasi ke- T L S/N 1 0,5327 0,9439 0,7383-2, ,6706 0,6196 0,6451-3, ,6552 0,8080 0,7316-2, ,3333 0,3333 0,3333-9, ,6129 0,4040 0,5085-5, ,4222 0,8347 0,6285-4, ,3826 0,8783 0,6304-4, ,6000 0,8707 0,7353-2, ,6867 0,5739 0,6303-4,0090 Optimasi Multi Respon Dengan Metode Taguchi-GRA Desain eksperimen yang berupa matriks ortogonal memungkinkan untuk mengelompokkan efek atau pengaruh dari masing-masing parameter proses pada level yang berbeda. Contoh perhitungan rata-rata nilai GRG untuk kecepatan conveyor pada level 1 adalah sebagai berikut ini: = 0,7383+0,6451+0, = 0,7050 Hasil perhitungan dari nilai mean GRG pada masing-masing level dari parameter proses dapat dilihat pada Tabel 6. Tabel 6 Nilai Mean GRG Untuk Masing-Masing Level Parameter Proses Faktor Level 1 Level 2 Level 3 Max-Min Rank V CONV 0,7050 0,4901 0,6654 0, V HD 0,5674 0,6296 0,6635 0, V EMB 0,7007 0,6635 0,6235 0, Tabel 6 menunjukkan bahwa parameter proses yang paling berpengaruh terhadap respon tebal dan lebar sponge sheet SLAA adalah kecepatan conveyor. Plot untuk nilai mean GRG pada masing-masing level dari parameter-parameter proses ditunjukkan pada Gambar 2. 0,70 0,65 0,60 A b Main Effects Plot for Means Data Means B Mean of Means 0,55 0,50 0,70 0, C ,60 0,55 0, Gambar 2 Plotting Mean GRG pada Masing-Masing Level Parameter Proses. A-28-5

6 Seting optimal pada proses foaming dapat dicapai dengan menggunakan kombinasi parameter proses VCONV pada level 1, VH.D. pada level 3 dan VEMB pada level 1. Setelah memperoleh seting yang optimal dari masing-masing parameter proses, langkah terakhir yang dilakukan adalah melakukan prediksi dan verifikasi nilai mean GRG dan rasio S/N mean GRG dengan menggunakan seting optimal masing-masing parameter proses. Nilai mean GRG dan rasio S/N mean GRG prediksi dapat dihitung dengan menggunakan persamaan (6). = + yi. (6) adalah nilai rata-rata dari keseluruhan GRG, yi adalah nilai rata-rata GRG pada level optimal, dan adalah jumlah parameter yang mempengaruhi respon secara serentak. Analisis Variansi dan Persen Kontribusi Analisis variansi (ANAVA) digunakan untuk mengetahui parameter proses yang memiliki pengaruh secara signifikan terhadap respon, sehingga kontribusi masing-masing parameter proses dapat mengidentifikasi. Pada penelitian ini, ANAVA dilakukan pada nilai mean GRG yang mewakili kedua respon T dan L. Persen kontribusi dari nilai mean GRG dapat dihitung dengan menggunakan persamaan (7) dan persamaan (8). Hasil dari perhitungan persen kontribusi ditunjukkan pada Tabel 7. % persen kontribusi = x 100% (7) dengan SS'PARAMETER = SS'PARAMETER (dof x MSE) (8) Tabel 7 Hasil ANAVA untuk Mean GRG Parameter dof SS MS SS' Kontribusi V CONV 2 0, , , ,58% V HD 2 0, , , ,11% V EMB 2 0, , , ,60% Error 2 0, , , ,71% Total 8 0, ,00% Persen kontribusi menunjukkan porsi (kekuatan relatif) masing -masing parameter terhadap total variansi yang diamati. Jika persen kontribusi error kurang dari lima belas persen, maka tidak ada parameter yang berpengaruh terabaikan. Persen kontribusi error yang besarnya lebih dari lima belas persen mengindikasikan adanya parameter yang berpengaruh terabaikan sehingga error yang terjadi terlalu besar. Eksperimen Konfirmasi Eksperimen konfirmasi dilakukan untuk memvalidasi hasil optimasi yang diperoleh. Eksperimen konfirmasi dilakukan dengan melakukan replikasi sebanyak enam kali, hasil dari replikasi tersebut ditunjukkan pada Tabel 7. Tabel 7. Data yang Diperoleh pada Eksperimen Konfirmasi CTQ Hasil Eksperimen Konfirmasi Tebal (mm) 2,19 2,22 2,20 2,20 2,21 2,19 Lebar (mm) Nilai mean GRG dan rasio S/N mean GRG yang diperoleh pada eksperimen konfirmasi dibandingkan dengan nilai mean GRG dan rasio S/N mean GRG prediksi, dan juga dengan nilai mean GRG dan rasio S/N mean GRG berdasarkan seting lama. Perbandinganperbandingan ini ditunjukkan pada Tabel 8. A-28-6

7 Tabel 8. Nilai Mean GRG dan rasio S/N Mean GRG Pada Eksperimen Konfirmasi Kondisi Proses Optimal Seting Lama Level Faktor Prediksi Eksperimen Improvement V CONV 1, V HD 1, V EMB 1 V CONV 3, V HD 3, V EMB 3 V CONV 3, V HD 1, V EMB 3 Mean GRG 0,7383 0,8289 0,9793 Meningkat 24,35% Rasio S/N -2,6351-1,0192-0,1817 Meningkat 93,10% Perhitungan Nilai Penurunan Biaya Kerugian Perhitungan nilai penurunan biaya kerugian didasarkan pada selisih nilai kerugian antara produksi sponge sheet SLAA yang menggunakan seting yang lama dengan yang menggunakan seting yang optimal. Perhitungan kerugian ini menggunakan pendekatan fungsi kerugian (loss function) untuk karakteristik Nominal Is the Best. Persamaan yang digunakan untuk menghitung penurunan kerugian ini adalah sebagai berikut (Kolarik, 1995): = μ 0 (9) LNIB adalah biaya kerugian yang harus dibayar oleh PT XYZ untuk penyimpangan CTQ produk sponge sheet SLAA dari nilai target, s adalah deviasi standar produk sponge sheet SLAA, adalah rata-rata dimensi dari produk sponge sheet SLAA dan μ adalah target dari CTQ produk sponge sheet SLAA. Koefisien fungsi kerugian (k) dapat ditentukan dengan menggunakan persamaan (10) (Kolarik, 1995). k = (10) k adalah koefisien quality loss, A0 adalah biaya pengganti dan Δ0 merupakan rentang spesifikasi. Biaya pengganti kerugian karena memproduksi produk sponge sheet SLAA yang cacat adalah Rp.3.600,00 per meternya. Untuk menentukan deviasi standar dari CTQ produk sponge sheet SLAA digunakan Analisis Kemampuan Proses. Hasil dari eksperimen konfirmasi dengan menggunakan seting yang optimal ditunjukkan pada Tabel 9. Pada tabel ini juga ditunjukkan deviasi standar (s) dengan menggunakan seting lama adalah sebesar 0,0132 mm untuk CTQ T dan sebesar 3,89 mm untuk CTQ L. Deviasi standar dengan menggunakan seting yang optimal adalah sebesar 0,0120 mm untuk CTQ T dan sebesar 3,15 mm untuk CTQ L. Produk sponge sheet SLAA yang tidak memenuhi spesifikasi tebal menurun dari 43% menjadi 9% dan yang tidak memenuhi spesifikasi lebar juga menurun dari 1% menjadi 0%. Biaya kerugian produk sponge sheet SLAA mengalami penurunan sebesar 41,90% dengan menggunakan seting yang optimal seperti yang ditunjukkan pada Tabel 9. Dengan demikian target dalam mengurangi biaya kerugian dari produk sponge sheet SLAA dapat tercapai dengan menggunakan seting yang optimal. Tabel 9. Hasil Dari Eksperimen Konfirmasi dan Perhitungan Penurunan Biaya Kerugian Seting Lama Seting Optimal Level Faktor V CONV 1, V HD 1, V EMB 1 V CONV 1, V HD 3, V EMB 1 Keterangan Deviasi standard Tebal 0,0132 mm 0,0120 mm Menurun 9,12% Deviasi standard Lebar 3,89 mm 3,15 mm Menurun 19,02% % Cacat Tebal 43% 9% Menurun 34% % Cacat Lebar 1% 0% Menurun 1% Penurunan Biaya Kerugian Rp.845,75/meter Rp.491,34/meter Menurun 41,90% KESIMPULAN DAN SARAN Penelitian ini menyajikan penerapan kombinasi metode Taguchi dan Grey Relational Analysis (Taguchi-GRA) untuk menyelesaikan optimasi multi respon karakteristik dari produk sponge sheet SLAA. Hasil dari optimasi parameter proses pada proses foaming dengan A-28-7

8 menggunakan metode Taguchi-GRA menunjukkan bahwa kecepatan conveyor memberikan kontribusi terbesar dalam penurunan variasi dari kedua CTQ yang diamati secara serentak. Dengan menggunakan suatu seting yang baru dari parameter-parameter proses dapat dihasilkan penurunan biaya kerugian sebesar 41,90%. DAFTAR PUSTAKA Kazancoglu, Y., Esme, U., Bayramoglu, M., Guven, O. and Ozgun, S., (2011), Multi - Objective Optimization of the Cutting Forces in Turning Operation Using the Grey- Based Taguchi Method, Journal of Materials and Technology, Vol 45, pp Kolarik, W. J., (1995), Creating Quality: Concepts, Systems, Strategies and Tools, McGraw- Hill International Edition, New York. Lin, C. L, Lin, J. L. and Ko, T. C., (2002), Optimization of the EDM Process Based on the Orthogonal Array with Fuzzy Logic and Grey Relational Analysis Method, International Journal of Advanced Manufacturing Technology, Vol 19, pp A-28-8