LAMPIRAN 1. Struktur Organisasi PT. Soho

8 LAMPIRAN Struktur Organisasi PT. Soho

83 LAMPIRAN Perhitungan Jumlah Sampel Minimum Menurut Sritomo (995, p 84), untuk menetapkan jumlah observasi yang seharusnya dibuat (N ) maka disini harus diputuskan terlebih dahlu berapa tingkat kepercayaan (convidence level) dan derajat ketelitian (degree of accuracy) untuk pengukuran kerja ini. Formula untuk menentukan jumlah sampel minimum dengan tingkat kepercayaan 95% yaitu; N = 40 ( N X - ( X) X ) Waktu Proses Stasiun Mixing X = 5.93684 ( X) = 4668.7 X = 745.7695 N = 40 63x745.7695-4668.7 5.93684 ( ) =.6 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.

84 Waktu Setup Stasiun Tableting X = 6.4 ( X) = 60. X = 4. N = 40 63x4. - 60.5 6.4 ( ) = 5.8 sampel = 6 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Stasiun Tableting X = 404.8 ( X) = 6339.78 X = 63.48 N = 40 63x63.48-6339.78 404.8 ( ) =.09 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.

85 Waktu Proses Tableting / Botol X = 0.053 ( X) = 0.0055 X = 0.00004 N = 40 63x0.00004-0.0055 0.053 ( ) =.09 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Tableting / Botol X = 7.0 ( X) = 89.68 X = 4.75 N = 40 63x4.75-89.68 7.0 ( ) = 5.85 sampel = 53 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.

86 Waktu Proses Filling / Botol X = 0.0699 ( X) = 0.004787 X = 0.00008 N = 40 63x0.00008-0.004787 0.0699 ( ) = 3.38 sampel = 4 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Filling / Botol X = 0.0 ( X) = 0.004 X = 0.0006 N = 40 63x0.0006-0.004 0.0 ( ) = 0.54 sampel = sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.

87 LAMPIRAN 3 Uji Distribusi Sebelum masuk ke dalam simulasi, data yang diperlukan dalam proses simulasi perlu diuji terlebih dahulu sebaran distribusinya. Uji distribusi dilakukan dengan menggunakan MiniTab. Langkah kerja :. Pilih menu Stat Quality Tools Individual Distribution Qualification. Masukkan nama kolom tempat data yang hendak diuji berada. 3. Pilih uji distribusi yang diinginkan. Klik OK Uji Distribusi Waktu proses stasiun Mixing Probability Plot for Mixing 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.7 P-Value = 0.66 Exponential A D = 4.5 P-Value < 0.003 0. 0 3 Mixing Weibull - 95% C I 4 0.0 99 0 0.0.00 0.00 Mixing Gamma - 95% C I 00.00 Weibull A D = 0.535 P-Value = 0.8 Gamma A D = 0.300 P-Value > 0..5 3.0 Mixing 3.5 4.0 0..4 3. Mixing 4.0 4.8

88 Distribution Identification for Mixing Distribution ID Plot for Mixing Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 3.4746 0.300939 3.45.8 4.09 0.0863-0.5393 Goodness of Fit Test Distribution AD P Normal 0.7 0.66 Exponential 4.5 <0.003 Weibull 0.535 0.8 Gamma 0.300 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 3.4746 0.30094 Exponential 3.4746 Weibull.6070 3.56548 Gamma 3.6673 0.0604 * Scale: Adjusted ML estimate Kesimpulan : distribusi Normal

89 Uji Distribusi Waktu setup Stasiun Tableting 99 0 Normal - 95% C I Probability Plot for Ws Tableting Exponential - 95% C I 0 Goodness of Fit Test Normal A D = 0.49 P-V alue = 0.739 Exponential A D = 8.0 P-V alue < 0.003 0. 0.00 0 0.5 0.30 Ws T ableting Weibull - 95% C I 0.45 0.00 99 0 0.00 0.00 Ws T ableting Gamma - 95% C I.000 Weibull A D = 0.43 P-V alue > 0. Gamma A D = 0.48 P-V alue > 0. 0. 0. Ws T ableting 0. 0. 0. Ws T ableting 0.5 Distribution ID Plot for Ws Tableting Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 0.56 0.05583 0.6 0. 0.39 0.09736-0.3338 Goodness of Fit Test Distribution AD P Normal 0.49 0.739 Exponential 8.0 <0.003 Weibull 0.43 >0. Gamma 0.48 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 0.569 0.0558 Exponential 0.569 Weibull 5.065 0.788 Gamma 0.8067 0.030 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma

Uji Distribusi Waktu proses stasiun Tableting Probability Plot for Tableting 99 0 N ormal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.9 P-V alue = 0.989 Exponential A D = 4.0 P-V alue < 0.003 0. 0 5 6 7 Tableting Weibull - 95% C I 8 99 0 0..0 0.0 Tableting Gamma - 95% C I 00.0 Weibull A D = 0.63 P-V alue = 0.08 Gamma A D = 0.05 P-V alue > 0. 4 6 Tableting 8 0. 5 6 7 Tableting 8 Distribution Identification for Tableting Distribution ID Plot for Tableting Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 6.4635 0.56338 6.44 5.08 7.8 0.0847-0.04005 Goodness of Fit Test Distribution AD P Normal 0.9 0.989 Exponential 4.0 <0.003 Weibull 0.63 0.08 Gamma 0.05 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 6.4635 0.5633 Exponential 6.4635 Weibull.0766 6.67447 Gamma 3.40040 0.04883 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma

9 Uji Distribusi Waktu proses Tableting / Botol 99 0 Normal - 95% C I Probability Plot for tableting/botol Exponential - 95% C I 0 Goodness of Fit Test Normal A D = 0.9 P-Value = 0.989 Exponential A D = 4.09 P-Value < 0.003 0. 0.000 0 0.00075 tableting/botol Weibull - 95% C I 0.0000 99 0 0.0000 0.0000 0.0000 tableting/botol Gamma - 95% C I 0.0000 Weibull A D = 0.69 P-Value = 0.0 Gamma A D = 0.04 P-Value > 0. 0.000 0.00075 tableting/botol 0.0000 0. 0.000 0.00075 tableting/botol 0.0000 Distribution Identification for tableting/botol Distribution ID Plot for tableting/botol Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness 63 0 0.000800 0.0000703 0.0008047 0.0006353 0.0009774 0.0664 N Kurtosis 63-0.0953999 Goodness of Fit Test Distribution AD P Normal 0.9 0.989 Exponential 4.09 <0.003 Weibull 0.69 0.0 Gamma 0.04 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 0.00080 0.00007 Exponential 0.00080 Weibull.066 0.00083 Gamma 3.8596 0.0000 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma

9 Uji distribusi Waktu Setup Stasiun Filling Probability Plot for Ws Filling 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.55 P-Value = 0.74 Exponential A D =.538 P-Value < 0.003 0. 0.0 0. 0.4 Ws Filling Weibull - 95% C I 0.6 0.00 99 0.00 0.00 Ws Filling Gamma - 95% C I.000 Weibull A D = 0.499 P-Value = 0.6 Gamma A D = 0.683 P-Value = 0.080 0 0 0. Ws Filling.0 0. 0. Ws Filling.0 Distribution Identification for Ws Filling Distribution ID Plot for Ws Filling Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis 63 0 0.7059 0.05 0.5 0.07 0.44-0.05779-0.64659 Goodness of Fit Test Distribution AD P Normal 0.55 0.74 Exponential.538 <0.003 Weibull 0.499 0.6 Gamma 0.683 0.080 ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 0.706 0.0 Exponential 0.706 Weibull 3.33440 0.3037 Gamma 7.63443 0.03539 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Weibull

93 Uji Distribusi Waktu Proses Botol Pada Stasiun Filling Probability Plot for Fill/Btl 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.78 P-Value = 0.638 Exponential A D = 6.48 P-Value < 0.003 0. 0.000 0.0005 0.000 Fill/Btl Weibull - 95% C I 0.0000 0.0000 0.0000 Fill/Btl Gamma - 95% C I 0.0000 Weibull A D =.446 P-Value < 0.00 Gamma A D = 0.38 P-Value > 0. 99 0 0 0.0009 0.000 0.00 Fill/Btl 0.00 0. 0.000 0.0005 Fill/Btl 0.000 Distribution Identification for Fill/Btl Distribution ID Plot for Fill/Btl Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness 63 0 0.00098 0.00009 0.00094 0.0009883 0.005 0.33370 N Kurtosis 63 0.6780 Goodness of Fit Test Distribution AD P Normal 0.78 0.638 Exponential 6.48 <0.003 Weibull.446 <0.00 Gamma 0.38 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 0.000 0.00005 Exponential 0.000 Weibull 0.7399 0.00 Gamma 476.8300 0.00000 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Normal

94 Uji Distribusi Waktu Proses Botol Pada Stasiun Boxing Probability Plot for Box/btl 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of F it Test Normal A D = 0.489 P-Value = 0.5 Exponential A D = 4.53 P-Value < 0.003 0. 0.000 0 0.005 Box/btl Weibull - 95% C I 0.000 0.0000 99 0 0.0000 0.0000 Box/btl Gamma - 95% C I 0.0000 Weibull A D =.64 P-Value < 0.00 Gamma A D = 0.39 P-Value > 0. 0.000 0.005 Box/btl 0.000 0. 0.00 0.005 0.008 Box/btl 0.00 Distribution Identification for Box/btl Distribution ID Plot for Box/btl Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness 63 0 0.006063 0.00034 0.0056 0.003576 0.00994 0.338440 N Kurtosis 63-0.383797 Goodness of Fit Test Distribution AD P Normal 0.489 0.5 Exponential 4.53 <0.003 Weibull.64 <0.00 Gamma 0.39 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* 0.006 0.0003 Exponential 0.006 Weibull.59640 0.0067 Gamma 53.4376 0.0000 * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma

95 LAMPIRAN 4 Penjelasan Langkah-langkah Simulasi ProModel Sistem Aktual Dalam melakukan simulasi dengan ProModel, langkah-langkah yang dilakukan, yaitu;. Menentukan entiti - Pilih menu Build Entities - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Entities

96. Menentukan Lokasi - Pilih menu Build Locations - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Locations DownTimes Stasiun Tableting Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT G (0.8067, 0.030) No Downtimes Stasiun Filling Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT W(3.33440, 0.3037) No

97 3. Menentukan Kedatangan - Pilih menu Build Arrivals - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Arrivals 0 Kedatangan pesanan (order) Entity Location : Orders Arrival : Order Point Quantity each : First Time : 0 Occurrences : infinite Frequency : 3.6* *) Kedatangan pesanan akan mendorong proses batch tablet pada stasiun awal (Mixing). Sehingga frekuensi kedatangan dihitung untuk pesanan batch. Rata-rata MS per hari = 4698 botol batch = 8000 botol = 8000botol 4698botol / hari =.703 hari = 3.6 jam 4. Menentukan Variabel - Pilih menu Build More Elements Variables (Global) - Kemudian masukan data, seperti dibawah ini;

98 Tampilan ProModel Variables 5. Menentukan Proses - Pilih menu Build Processing - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Processing Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada simulasi berjalan. Berikut proses yang terjadi Simulasi sistem aktual,. Mixing Tableting - Entity : Batch Tablet - Location : Mixing

99 - Operation : >WIP_Mixing =WIP_Mixing + >> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah. > WAIT N(3.47,0.3009) >> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.47 jam dan standar deviasi 0.3009 jam. - Output : Batch Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : > MOVE FOR 4.5 MIN >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 4.5 menit. Tableting Input Filling - Entity : Batch Tablet - Location : Tableting - Operation : >WIP_Tableting = WIP_Tableting + >> Ketika Batch Tablet berada dalam stasiun Tableting maka jumlah WIP_Tableting akan bertambah. >WIP_Mixing = WIP_Mixing -

00 >> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang. > WAIT G(3.4004, 0.04883) >> Menunjukkan waktu proses pada stasiun Tableting. Waktu proses mengikuti distribusi gamma dengan shape value 3.4004 dan scale value 0.04883. - Output : Batch Tablet - Destination : Input Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : > MOVE FOR MIN >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar menit 3. Input Filling Input Filling - Entity : Batch Tablet - Location : Input Filling - Operation : > WIP_Filling = WIP_Filling + > WIP_Tableting = WIP_Tableting - >> Ketika Batch Tablet berada dalam Input Filling maka jumlah WIP_Filling akan bertambah dan jumlah WIP pada stasiun Tableting akan berkurang. - Output : Batch Tablet - Destination : Input Filling

0 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 4. Input Filling Input Filling - Entity : Batch Tablet - Location : Input Filling - Operation : > SPLIT 8000 AS Tablet >> Memecah bacth tablet menjadi 8000 tablet >WIP_Filling = WIP_Filling - >> Ketika Batch Tablet telah di split ke dalam tablet, maka WIP Filling yang dihitung dalam batch tablet akan berkurang. - Output : Tablet - Destination : Input Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 5. Input Filling Filling - Entity : Tablet - Location : Input Filling - Operation : >WAIT 0

0 >> Menunjukkan tidak adanya proses menunggu. - Output : Tablet - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 6. Filling Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE AS Botol >> tablet akan digabungkan menjadi botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet. - Output : Botol - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 7. Filling Output - Entity : Botol - Location : Filling

03 - Operation : > WAIT N(0.00098,0.000087) >> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk botol mengikuti distribusi normal dengan mean 0.00098 jam dan standar deviasi 0.000087 jam. - Output : Botol - Destination : Output - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 8. Output Input Boxing - Entity : Botol - Location : Output - Operation : > WIP_Boxing=WIP_Boxing+ >> Ketika botol telah selesai diproses pada stasiun filling, maka botol akan berada pada output dan botol sudah dianggap menjadi bagian dari WIP stasiun boxing. > ACCUM 8000 >> Botol akan diakumulasikan terlebih dahulu sampai mencapai jumlah 8000 (ukuran lot transfer) sebelum dipindahkan ke stasiun selanjutnya. - Output : Botol - Destination : Input Boxing

04 - Rule : 0.995 (botol menuju Input Boxing dengan probabilitas 0.995) - Destination : Exit - Rule : 0.005 (botol akan keluar dari sistem dengan probabilitas 0.005) - Move Logic : (untuk destination ) > MOVE FOR 4 SEC >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 4 detik. 9. Input Boxing Boxing - Entity : Botol - Location : Input Boxing - Operation : - - Output : Botol - Destination : Boxing - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 0. Boxing Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G(53.4376, 0.0000)

05 >> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value 53.4376 dan scale value 0.0000. - Output : Botol - Destination : Warehouse - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Warehouse Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + > WIP_Boxing = WIP_Boxing - >> Ketika Botol telah berada dalam Warehouse maka jumlah Produksi akan bertambah dan jumlah WIP Boxing akan berkurang. - Output : Botol - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Order Point Exit - Entity : Orders Arrival

06 - Location : Order Point - Operation : >Orders = Orders + >> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah. > ORDER Batch Tablet TO Mixing >> Ketika pesanan tiba maka akan dipesan pula Batch Tablet untuk diproses pada stasiun awal (Mixing). - Output : Orders Arrival - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -

07 LAMPIRAN 5 Penjelasan Langkah-langkah Simulasi ProModel Sistem Kanban Dalam melakukan simulasi dengan ProModel untuk sistem Kanban, langkahlangkah yang dilakukan, yaitu;. Menentukan entiti - Pilih menu Build Entities - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Entities Sistem Kanban. Menentukan Lokasi - Pilih menu Build Locations - Kemudian masukan data, seperti dibawah ini;

08 Tampilan ProModel Locations Sistem Kanban DownTimes Stasiun Tableting Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT G (0.8067, 0.030) No Downtimes Stasiun Filling Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT W(3.33440, 0.3037) No 3. Menentukan Kedatangan - Pilih menu Build Arrivals - Kemudian masukan data, seperti dibawah ini;

09 Tampilan ProModel Arrivals Sistem Kanban 0 Kedatangan pesanan (order) Entity Location Quantity each : Orders Arrival : Order Point : 4698 (botol)* First Time : 0 Occurrences : infinite Frequency : 8 *) Pesanan datang dalam jumlah rata-rata MS per hari yaitu sebesar 4698 botol. 4. Menentukan Variabel - Pilih menu Build More Elements Variables (Global) - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Variables Sistem Kanban

0 5. Menentukan Proses - Pilih menu Build Processing - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Processing Sistem Kanban Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada simulasi berjalan. Berikut proses yang terjadi Simulasi sistem kanban,.mixing Tableting - Entity : Batch Tablet - Location : Mixing - Operation : >WIP_Mixing =WIP_Mixing + >> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah. > WAIT N(3.47,0.3009) >> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.47 jam dan standar deviasi 0.3009 jam.

- Output : Batch Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -.Tableting Tableting - Entity : Batch Tablet - Location : Tableting - Operation : >WIP_Mixing = WIP_Mixing - >> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang. > SPLIT 8000 AS Tablet >> Memecah batch tablet menjadi 8000 tablet - Output : Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 3.Tableting Filling Queue - Entity : Tablet - Location : Tableting

- Operation : > WAIT G(3.8596, 0.0000) >> Menunjukkan waktu proses tablet pada stasiun Tableting. Dikarenakan tablet mewakili 30 tablet, maka waktu proses yang digunakan adalah waktu proses untuk 30 tablet yang terdistribusi Gamma dengan shape value 3.8596 dan scale value 0.0000. - Output : Tablet - Destination : Filling Queue - Rule : 0.995 (Tablet akan menuju Filling Queue dengan probabilitas 0.995) - Destination : Exit - Rule : 0.005 (Tablet akan keluar dari sistem yang menunjukkan adanya scrap dengan probabilitas 0.005) - Move Logic : - 4.Filling Queue Input Filling - Entity : Tablet - Location : Filling Queue - Operation : >WIP_Tableting = WIP_Tableting + >> Ketika Tablet memasuki Filling Queue, WIP_Tableting akan bertambah. - Output : Tablet - Destination : Input Filling

3 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 5.Input Filling Filling - Entity : Tablet - Location : Input Filling - Operation : > WIP_Tableting = WIP_Tableting- > WIP_Filling = WIP_Filling + >> Ketika tablet telah memasuki input filling, maka WIP pada stasiun tableting akan berkurang dan sebaliknya WIP pada stasiun Filling akan bertambah. - Output : Tablet - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 6. Filling Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE AS Botol

4 >> tablet akan digabungkan menjadi botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet. - Output : Botol - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 7.Filling Output Filling - Entity : Botol - Location : Filling - Operation : > WAIT N(0.00098,0.000087) >> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk botol mengikuti distribusi normal dengan mean 0.00098 jam dan standar deviasi 0.000087 jam. - Output : Botol - Destination : Output - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -

5 8.Output Filling Input Boxing - Entity : Botol - Location : Output Filling - Operation : > ACCUM >> Menunjukkan proses mengakumulasikan botol sampai berjumlah (ukuran lot transfer) sebelum berpindah ke proses selanjutnya. - Output : Botol - Destination : Input Boxing - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 9.Input Boxing Boxing - Entity : Botol - Location : Input Boxing - Operation : > WIP_Filling = WIP_Filling - > WIP_Boxing = WIP_Boxing + >> Ketika Batch Tablet berada dalam Input Boxing maka jumlah WIP_ Boxing akan bertambah dan jumlah WIP pada stasiun Filling akan berkurang. - Output : Botol - Destination : Boxing

6 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 0. Boxing Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G(53.4376, 0.0000) >> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value 53.4376 dan scale value 0.0000. - Output : Botol - Destination : Warehouse - Rule : SEND (akan ditransfer ke stasiun tujuan jika terdapat perintah SEND) - Move Logic : -. Warehouse Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + > WIP_Boxing = WIP_Boxing -

7 >> Ketika produk sudah berada pada warehouse, maka jumlah produksi akan bertambah dan jumlah WIP pada stasiun Boxing akan berkurang. - Output : Botol - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Order Point Exit - Entity : Orders Arrival - Location : Order Point - Operation : >Orders = Orders + >> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah. > IF Contents (Boxing) = THEN {SEND Botol TO Warehouse} ELSE {ORDER Batch_Tablet TO Mixing} >> Jika saat pesanan tiba pada stasiun Boxing terdapat botol maka botol tersebut akan dikirim ke Warehouse. Jika stasiun Boxing tidak terdapat produk (botol) maka akan dipesan batch tablet ke stasiun awal (Mixing). - Output : Orders Arrival

8 - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -

9 LAMPIRAN 6 Jumlah Minimum Replikasi Dalam Simulasi Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Aktual Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;. Melakukan replikasi awal dan menentukan point estimates. Replikasi awal dilakukan sebanyak 0 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini. Replikasi Output 484 00 3 4 4989 5 4694 6 6 7 498 8 498 9 48 0 Average 495. StD 08.6 Point estimates merupakan nilai estimasi tunggal dari parameter data. Point estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.

0. Menentukan interval estimates Interval estimates menyediakan informasi mengenai seberapa jauh estimasi nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya. P = tingkat kepercayaan = 0.95 α = - P = 0.05 n = jumlah sampel = 0 X = 495. S = standar deviasi = 08.6 t n-, α / =.6 (Lih. Lampiran Student s t table) hw = half width = (t n-, α/ )S n =.6*08.6 0 = 77.6895 Lower Limit = X - hw = 495. - 77.6895 = 4874.5 Upper Limit = X + hw = 495. + 77.6895 = 9.89 Kesimpulan : 4874.5 μ 9.89 Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai 4874.5 dan 9.89.

3. Menentukan jumlah replikasi minimum yang dibutuhkan Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung jumlah minimum replikasi yang dibutuhkan. e = error minimum yang diinginkan = hw = (hw ingin dikurangi dari 77.6895 menjadi ) P = 0.95 α = 0.05 S = 08.6 Z α / = Z 0.05 =.96 (Lih. Lampiran Tabel Standar Distribusi Normal) n = jumlah replikasi minimum n = Z α/ ( ) = e *S.96*08.6 ) ( = 8.64 replikasi = 9 replikasi. Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Kanban Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;. Melakukan replikasi awal dan menentukan point estimates. Replikasi awal dilakukan sebanyak 0 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini.

Replikasi Output 484 00 3 4 4989 5 4694 6 6 7 498 8 498 9 48 0 Average 495. StD 08.6 Point estimates merupakan nilai estimasi tunggal dari parameter data. Point estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.. Menentukan interval estimates Interval estimates menyediakan informasi mengenai seberapa jauh estimasi nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya. P = tingkat kepercayaan = 0.95 α = - P = 0.05 n = jumlah sampel = 0 X = 495.

3 S = standar deviasi = 08.6 t n-, α / =.6 (Lih. Lampiran Student s t table) hw = half width = (t n-, α/ )S n =.6*08.6 0 = 77.6895 Lower Limit = X - hw = 495. - 77.6895 = 4874.5 Upper Limit = X + hw = 495. + 77.6895 = 9.89 Kesimpulan : 4874.5 μ 9.89 Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai 4874.5 dan 9.89. 3. Menentukan jumlah replikasi minimum yang dibutuhkan Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung jumlah minimum replikasi yang dibutuhkan. e = error minimum yang diinginkan = hw = (hw ingin dikurangi dari 77.6895 menjadi ) P = 0.95 α = 0.05 S = 08.6

4 Z α / = Z 0.05 =.96 (Lih. Lampiran Tabel Standar Distribusi Normal) n = jumlah replikasi minimum n = Z α/ ( ) = e *S.96*08.6 ( ) = 8.64 replikasi = 9 replikasi.

5 LAMPIRAN 7 Perhitungan Manual Validasi Simulasi Sistem Aktual Dengan Uji Sampel t - x = 4935, x = 486 - S = 6, S = 33 - n = n = - α = 0.05 - μ = mean simulasi soho - μ = mean aktual soho - H 0 : μ = μ H : μ μ - S (n -)S + (n -)S = n + n - p = ( -)6 + ( -)33 + - = 3387.5 - S p = 3387.5 = 84.04 - x - x t 0 = = 84.04 + n n 4935-486 84.04 + =.33 - Kesimpulan = - t α/,n+n- (-.45) < t 0 (.33) < t α/,n+n- (.45) Maka H 0 diterima, yaitu mean simulasi soho tidak berbeda dengan mean aktual soho dengan selang kepercayaan 95%.

6 LAMPIRAN 8 Standar Distribusi Normal

7 LAMPIRAN 9 Student s t Distribution

8 LAMPIRAN 0 Surat Keterangan Observasi Skripsi

9 LAMPIRAN Kartu Mata Kuliah