Pemodelan Manufacturing Lead Time Berbasis Open Queueing Network

Pemodelan Manufacturing Lead Time Berbasis Open Queueing Network T. Yuri Zagloel Teknik Industri Universitas Indonesia

Manufacturing Lead Time (MLT) Merupakan total waktu yang diperlukan untuk membuat suatu item produk termasuk setup time (S), queue time (Q), operation time (O) dan move time (M) (Fogarty, et al, 1991)

Throughput Time (T) Merupakan waktu yang diperlukan mulai dari job dilepas ke stasiun kerja sampai job tersebut selesai dan siap untuk dikirim (Askin&Standridge, 1993) Elemen-elemen waktu yang terlibat dalam MLT ternyata elemen-elemen waktu yang diperlukan T (Harrel&Tumay, 1995) dan (Askin&Standridge, 1993)

Pemodelan T Dapat dilakukan dengan basis Open Queuing Network (OQN) yaitu dengan mengalikan rata-rata waktu sebuah job pada mesin k dengan vk (jumlah rata-rata kunjungan sebuah job pada k) (Askin & Standridge, 1993) Asumsi: poisson, 1/ eksponensial, FCFS, dalam kondisi steady state.

Pemodelan T (lanjutan) …………(1) T = Throughput Time sebuah job dalam suatu network dengan M mesin dalam keadaan steady state. Wsk = waktu rata-rata sebuah job pada k vk = jumlah rata-rata kunjungan sebuah job pada mesin k

Pemodelan T (lanjutan) Merujuk persamaan (1), waktu rata-rata sebuah job di k (Wsk) disebut waiting time di k, dimana oleh Askin&Standridge, 1993 diidentikkan dengan throughput time pada k sehingga Wsk = Tk Sementara itu Harrel&Tumay (1995) menyatakan throughput time sama dengan MLT (T=MLT), sehingga dapat dikatakan: Wsk = Tk = MLTk ……………. . (2)

Pemodelan T (lanjutan) Karena MLTk = Ok + Sk + Mk + Qk …………. (3) Maka persamaan (1) dapat diubah menjadi: . . ……. . (4)

Pemodelan T (lanjutan) Ok = waktu operasi yang dibutuhkan untuk memproses sebuah job pada mesin k Sk = waktu setup yang dibutuhkan sebuah job pada mesin k Mk = waktu yang dibutuhkan sebuah job untuk dipindahkan dari mesin k ke mesin lainnya. Qk = waktu yang dibutuhkan sebuah job untuk mengantri di mesin k. vk = jumlah rata-rata kunjungan sebuah job di mesin k. Persamaan (4) di atas menjadi basis pengembangan model.

Pemodelan OQN untuk studi kasus Sk, Ok Storage Printer (1) Qk Extruder (2) Qk Qk Mk Slitter (3) Rework Corrector 1 (C 1) Scrap Warehouse Rework Mk Corrector 2 (C 2) Scrap Gambar 1

Pemodelan OQN untuk studi kasus (lanjutan) Perilaku Sistem untuk studi kasus ini: 1. Printer dan Slitter melakukan inspeksi mutu job selama proses berlangsung. 2. Pengertian tentang korektor 1 dan 2 : bekerja bila job hasil printer dan slitter harus dikoreksi. 3. Setiap job mengalami S, O, M dan Q pada setiap mesin. 4. Job masuk ke sistem hanya melalui printer.

Pemodelan OQN untuk studi kasus (lanjutan) Jika k = 1, 2, 3 1. Sk = waktu setup yang dibutuhkan oleh sebuah job pada mesin k. 2. Ok = waktu operasi yang dibutuhkan oleh sebuah job pada mesin k 3. Qk = waktu mengantri (queue) sebuah job akibat mesin k + 1 sibuk. Catatan: Realitanya mesin k+1 dapat saja sibuk, idle atau down

Pemodelan OQN untuk studi kasus (lanjutan) 4. Mk = waktu perjalanan sebuah job dari k ke k+1, yang timbul akibat job tersebut harus dikoreksi di rewinder. Catatan: - sebenarnya M = waktu yang dibutuhkan job untuk dipindahkan dari k ke k+1 - untuk kasus ini, M yang terjadi dari k ke k+1 tanpa melalui corrector dianggap nol.

Pemodelan OQN untuk studi kasus (lanjutan) Untuk pemodelannya memerlukan 3 pengertian penting: 1. Prinsip routing probability (Pjk) 2. Prinsip effective arrival rate ( ’) 3. Prinsip expected number of visits (v)

Hasil Pemodelan untuk Existing Condition Operation Time (O) = Setup Time (S)=

Hasil Pemodelan untuk Exixting Condition (lanj) Move Time (M) = Queue Time (Q) =

Penggunaan Model dalam usaha menurunkan MLT dapat diturunkan dengan 3 cara yaitu: 1. Pengurangan setup time (S) menjadi S’ 2. Pengurangan move time (M) menjadi M’ 3. Pengurangan queue time (Q) menjadi Q’ Ad 1. Waktu setup improved (S’) =

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Implikasinya pada queue time (Q*)= Hasilnya adalah Q* < Q. Karena S’ < S , Q* < Q maka, MLT’ = O + S’ + M + Q* Akhirnya, MLT’ < MLT

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Ad. 2 Improved Move Time (M’) = Implikasinya pada O (O*) =

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Implikasinya pada S (S*) = Implikasinya pada Q (Q*) =

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Hasil dari persamaan di atas adalah sebagai berikut: M’ < M , O* O , S* S, dan Q* > Q maka MLT’ = O* + S* + M’ + Q* MLT’ dapat lebih besar atau lebih kecil dari MLT existing, tergantung pada nilai yang terlibat.

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Pengurangan Q : Pada Studi Kasus ini penurunan Queue time dapat dilakukan dengan mengurangi waktu gangguan yang sering terjadi pada saat mesin akan beroperasi. Contohnya pada kasus ini adalah ketidak jelasan Surat Perintah Kerja. Untuk itu perusahaan biasanya memberikan toleransi (Xk) pada waktu operasi yang direncanakan contohnya, Ok = Otech k + xk

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Dimana : Otech k = waktu operasi teknis mesin k = xk = waktu buffer untuk mengantisipasi gangguan. Penurunan Q dapat dilakukan dengan mengurangi atau menghilangkan waktu buffer (xk)

Penggunaan Model dalam usaha menurunkan MLT (lanjutan) Maka improved Queue Time (Q’) = Hasilnya adalah Q’ < Q. Karena S, M tidak berubah , O’ <O dan Q’ < Q maka, MLT’ = O’ + S + M + Q’

Kesimpulan Hasil yang diharapkan dari model analitis ini difokuskan pada perilaku O, S, M dan Q. Hasil yang diharapkan tersebut disimpulkan dalam tabel berikut: No Aplikasi O S M Q 1 S’ Tetap Turun 2 M’ Tetap Turun Naik Turun Tetap Turun 3 Q’ 4 S’ M’ Tetap Turun 5 S’ Q’ Turun Tetap Turun 6 M’ Q’ Turun Tetap Turun 7 S’ M’ Q’ Turun

Kesimpulan Target di atas tampak logis dan aplikasi simultan seperti S’M’, S’Q’, M’Q’, dan S’M’Q’ menunjukkan penurunan waktu yang nyata. Meskipun hasil-hasil di atas dapat menunjukkan perilaku model namun masih belum cukup aman untuk menarik kesimpulan karena tidak ada nilai yang dilibatkan di dalamnya. Dan karena model OQN ini didasarkan pada beberapa asumsi, maka situasi yang dinamis dari sebuah proses manufaktur masih belum dapat dicapai. Tampak model OQN memiliki algoritma yang cenderung kompleks jika diberikan suatu respons.