Bab Iv.docx

41

BAB IV TUGAS KHUSUS

4.1

Kualitas 4.1.1 Pengertian Kualitas Kualitas atau mutu merupakan sesuatu yang bersifat unik dan abstrak sehingga masing-masing ahli mempunyai pandangan yang berbeda mengenai definisi mutu walaupun pada intinya sama. Philip B Crossby berpendapat bahwa mutu adalah kesesuaian terhadap persyaratan (conformance to requitment of specification). Pandangan Crossby menggunakan pendekatan proses top-down yaitu membandingkan suatu produk dengan standar yang ada. Sebagai contoh untuk produk air kelistrikan (kabel, lampu, sklar, CB, Fuse Relay, dll) harus memenuhi standar yang ditetapkan oleh asosiasi profesi bidang tenaga listrik seperti LMK, SNI, IEEE, IEC, dll. W. Edwards Deming mengemukakan definisi mutu adalah penyelesaian masalah untuk mencapai penyempurnaan secara terus-menerus. Penelitian Deming lebih menunjukkan pada pendekatan bottom-up. Joseph M. Juran berpendapat bahwa mutu adalah kesesuaian dengan penggunaan (fitness for use). Pendekatan Juran lebih berorientasi pada pemenuhan harapan pelanggan. Ahli lainnya yaitu Westinghouse berpendapat bahwa mutu adalah performa kerja yang dapat memenuhi keinginan customer secara cepat dan tepat. Pengertian kualitas menurut Prawirosentono (2007) adalah suatu kondisi fisik, sifat, dan kegunaan suatu barang yang dapat memberikan

42

kepuasan konsumen secara fisik maupun psikologis, sesuai dengan nilai uang yang dikeluarkan. Menurut definisi dari ISO 9000;2000, mutu atau kualitas didefinisikan sebagai derajat atau tingkat karakteristik yang melekat pada suatu produk yang mencukupi persyaratan atau keinginan. Secara konvensional kualitas biasanya menggambarkan karakteristik langsung suatu produk seperti penampilan, keandalan, kemudahan penggunaan, estetika, dan sebagainya. Definisi strategic menyatakan bahwa kualitas adalah segala sesuatu yang mampu memenuhi keinginan atau kebutuhan pelanggan.

4.1.2 Pengendalian Kualitas Pengendalian kualitas merupakan alat bagi manajemen untuk memperbaiki kualitas produk bila diperlukan, mempertahankan kualitas produk yang sudah tinggi dan mengurangi jumlah produk yang mengalami cacat. Terdapat beberapa pengertian pengendalian kualitas yaitu sebagai berikut: a. Pengendalian kualitas adalah suatu aktifitas untuk menjaga dan mengarahkan agar kualitas produk perusahaan dapat dipertahankan sebagimana telah direncanakkan (Ahyari, 1990). b. Pengendalian kualitas adalah merencanakan dan melaksanakan cara yang paling ekonomis untuk membuat suatu barang yang akan bermanfaat dan memuaskan tuntutan konsumen secara maksimal (Assauri, 1999).

43

c. Pengendalian kualitas merupakan alat penting bagi management untuk memperbaiki kualitas produk bila diperlukan, mempertahankan kualitas yang sudah tinggi dan mengurangi jumlah barang yang rusak (Reksohadiprojo, 2000). d. Pengendalian menurut Gasperz (2005) adalah kegiatan yang dilakukan untuk memantau aktivitas dan memastikan kinerja sebenarnya yang dilakukan telah sesuai dengan yang direncanakan. Kesimpulan pengertian diatas diartikan bahwa pengendalian kualitas adalah suatu teknik dan tindakan yang terencana dan dilakukan untuk mencapai, mempertahankan dan meningkatkan kualitas suatu produk dan jasa agar sesuai dengan standar yang telah ditetapkan dan dapat memenuhi kepuasan konsumen. Pengendalian kualitas mempunyai beberapa tujuan, seperti menurut Assauri (2008) tujuan dari pengendalian kualitas adalah agar spesifikasi produk yang telah ditetapkan sebagai standar dapat tercermin dalam hasil akhir. Tujuan dari pengawasan mutu adalah: a.

Agar barang hasil produksi dapat mencapai kualitas/mutu yang telah ditetapkan.

b.

Mengusahakan agar biaya inspeksi dapat menjadi sekecil mungkin.

c.

Mengusahakan biaya desain dari produk dan proses dengan menggunakan kualitas produksi tertentu dapat menjadi sekecil mungkin.

d.

Mengusahakan agar biaya produksi dapat menjadi serendah mungkin.

44

Adapun faktor-faktor yang dapat mempengaruhi kualitas menurut (Montgomery ahli Bahasa Zanzawi), adalah sebagai berikut: a.

Kemampuan proses

b.

Spesifikasi yang berlaku

c.

Tingkat ketidaksesuaian yang dapat diterima

d.

Biaya kualitas Penjelasan diatas dapat disimpulkan bahwa faktor yang mempengaruhi

mutu tidak hanya dari satu segi atau satu aspek saja akan tetapi dari semua aspek yang terdapat pada suatu barang tersebut. Pengendalian kualitas statistik menurut (Antony, 2002) memang memiliki berbagai manfaat bagi organisasi yang menerapkannya, Beberapa manfaat tersebut antara lain: a.

Tersedianya informasi bagi karyawan apabila akan memperbaiki proses.

b.

Membantu karyawan memisahkan sebab umum dan sebab khusus terjadinya kesalahan.

c.

Tersedianya bahasa yang umum dalam kinerja proses untuk berbagai pihak.

d.

Menghilangkan penyimpangan karena sebab khusus untuk mencapai konsistensi dan kinerja yang lebih baik.

e.

Pengurangan waktu yang berarti dalam penyelesaian masalah kualitas.

f.

Pengurangan biaya pembuangan produk cacat, pengerjaan ulang terhadap produk cacat, inspeksi ulang dan sebagainya.

45

g.

Komunikasi yang lebih baik dengan pelanggan tentang kemampuan produk dalam memenuhi spesifikasi pelanggan.

h.

Membuat organisasi lebih berorientasi pada data statistik daripada hanya beberapa asumsi saja.

i.

Perbaikan proses, sehingga kualitas produk menjadi lebih baik, biaya lebih rendah, dan produktivitas meningkat. Kesulitan

yang

dihadapi

dalam

pengenalan

dan

penerapan

pengendalian proses statistik. Kesulitan tersebut antara lain disebabkan: a.

Tidak adanya dukungan dan komitmen manajemen yang membantu pengenalan program pengendalian kualitas statistik.

b.

Tidak adanya pendidikan dan pelatihan yang dimaksudkan untuk memberikan pengertian yang jelas mengenai alat dan teknik pengendalian proses statistic yang dapat memberikan kompetensi bagi organisasi seperti histogram, pareto chart, diagram sebab-akibat, dan sebagainya.

c.

Ketidakcukupan sistem pengukuran. Hal ini disebabkan sektor industry seringkali mengabaikan sistem pengukuran selama pengenalan program pengendalian proses statistik pengendalian proses statistik tergantung pada sistem pengukuran efektif. Apabila sistem pengukuran tidak memenuhi, maka pengendalian proses statistik harus ditangguhkan pengguanannya

d.

Kurangnya pengetahuan mengenai apa yang dimonitor dan diukur. Pengukuran adalah elemen kunci dalam continuous improvement

46

pengertian

yang

baik

terhadap

proses

sangat

penting

untuk

mengidentifikasi karakteristik yang sesuai dan penting bagi pelanggan. e.

Kurangnya komunikasi antara perencana, manajer dan operator yang sangat penting bagi keberhasilan dalam penerapan pengendalian kualitas statistik.

4.1.3 Statistical Process Control (SPC) Statistical Process Control (SPC) adalah sebuah teknik yang digunakan untuk memastikan bahwa proses memenuhi standar (Render, 2005). SPC digunakan untuk mengukur kinerja sebuah proses. Salah satu alat yang digunakan adalah peta control (control chart). Dimana peta control dapat digunakan untuk: a. Mengetahui apakah telah terjadi perubahan proses produksi. b. Mendeteksi adanya penyebab-penyabab yang mempengaruhi proses. c. Membuat standar proses Statistical Process Control (SPC) digunakan untuk mengawasi standar, membuat pengukuran dan mengambil tindakan perbaikan selagi sebuah produk atau jasa sedang diproduksi. Pengendalian kualitas secara statistik dengan menggunakan SPC (Statistical Process Control) mempunyai tujuh alat statistik utama yang dapat digunakan sebagai alat bantu untuk mengendalikan kualitas antara lain yaitu; checksheet, histogram, control chart, diagram pareto, diagram sebab akibat, scatter diagram dan diagram proses.

47

4.3.2.1 Checksheet Check Sheet adalah suatu formulir berupa item-item yang akan diperiksa telah dicetak dalam formulir dengan maksud agar data dapat dikumpulkan secara mudah dan ringkas (Montgomery, 2009). Tujuan pembuatan Check Sheet adalah menjamin bahwa data dikumpulkan secara teliti dan akurat untuk dilakukan pengendalian proses dan penyelesaian masalah. Data dalam lembar pengecekan tersebut nantinya akan digunakan dan dianalisa secara cepat dan mudah. Penggunaan lembar periksa bertujuan untuk: a) Memudahkan proses pengumpulan data terutama untuk mengetahui bagaimana sesuatu masalah sering terjadi. b) Mengumpulkan data tentang jenis masalah yang sedang terjadi. Gambar

di

bawah

ini

menunjukkan

contoh checksheet yang

digunakan untuk mengumpulkan data cacat per jam :

Gambar 4.1 Checksheet Sumber: http://eprints.dinus.ac.id/id/eprint/8086

48

4.3.2.2 Histogram Histogram adalah alat seperti diagram batang (bars graph) yang digunakan untuk menunjukkan distribusi frekuensi. Sebuah distribusi frekuensi menunjukkan seberapa sering setiap nilai yang berbeda dalam satu set data terjadi. Data dalam histogram dibagi-bagi ke dalam kelas-kelas, nilai pengamatan dari tiap kelas ditunjukkan pada sumbu X. Teori mengatakan bahwa distribusi yang normal, yaitu yang kebanyakan datanya mendekati nilai rata-rata akan ditunjukan oleh histrogram yang berbentuk lonceng, seperti contoh gambar di bawah ini. Tapi jika histogram serong ke kiri atau ke kanan berarti kebanyakan data berkumpul dekat batas toleransi suatu pengukuran sehingga ada kemungkinan data tidak normal (ada masalah ketika pengukuran, atau bahkan ada masalah dalam proses). Untuk memastikan data normal atau tidak sebaiknya menggunakan metode uji kenormalan data, seperti KolmogorovSmirnov test atau Anderson-Darling normality test. Gambar di bawah ini menunjukkan contoh histogram :

Gambar 4.2 Histogram Sumber: http://eprints.dinus.ac.id/id/eprint/8086

49

4.3.2.3 Diagram Pareto Pareto Diagram adalah bagan yang berisikan diagram batang dan diagram garis; diagram batang memperlihatkan klasifikasi dan nilai data, sedangkan diagram garis mewakili total data kumulatif. Klasifikasi data diurutkan dari kiri ke kanan menurut urutan ranking tertinggi hingga terendah. Ranking tertinggi merupakan masalah prioritas atau masalah yang terpenting untuk segera diselesaikan, sedangkan ranking terendah merupakan masalah yang tidak harus segera diselesaikan (Heizer and Render, 2009). Kegunaan diagram pareto: a) Membantu suatu tim untuk terpusat pada penyebab yang akan menghasilkan dampak terbesar jika diselesaikan. b) Menampilkan kepentingan relatif dari problem dalam format visual yang sederhana dan dapat diinterpretasi dengan cepat. c) Membantu mencegah mengalihkan permasalahan d) Kemajuan diukur dalam format yang sangat terlihat yang menyediakan insentif untuk mendorong lebih banyak peningkatan. e) Analisis pareto dapat digunakan dalam penerapan peningkatan kualitas manufaktur atau nonmanufaktur. Diagram pareto dibuat untuk menemukan penyebab atau masalah yang merupakan kunci dalam penyesuaian masalah dan perbandingan terhadap keseluruhan

50

Gambar di bawah ini menunjukkan contoh pareto chart.

Gambar 4.3 Diagram Pareto Sumber: http://eprints.dinus.ac.id/id/eprint/8086

4.3.2.4 Diagram Sebab-Akibat Diagram sebab-akibat adalah suatu diagram yang menggambarkan garis dan simbol-simbol yang menunjukan hubungan antara penyebab dan akibat suatu masalah, untuk selanjutnya diambil tindakan perbaikan atas masalah tersebut (Besterfield, 2009). Diagram sebab akibat akan mengidentifikasi berbagai sebab potensial dari satu efek atau masalah, dan menganalisis masalah tersebut melalui sesi brainstorming. Masalah akan dipecah menjadi sejumlah kategori yang berkaitan, mencakup manusia, material, mesin, prosedur, kebijakan, dan sebagainya. Setiap kategori mempunyai sebab-sebab yang perlu diuraikan melalui sesi brainstorming.

51

Gambar di bawah ini menunjukkan contoh bentuk fishbone diagram dengan manpower, machinery, material, dan methods sebagai kategori. Kategori ini hanya contoh, anda bisa menggunakan kategori lain yang dapat membantu mengatur gagasan-gagasan. Sebaiknya tidak ada lebih dari 6 kategori.

Gambar 4.4 Diagram Sebab-Akibat Sumber: http://eprints.dinus.ac.id/id/eprint/8086

Penggunaan diagram tulang ikan ini ternyata memiliki manfaat yang lain yaitu bermanfaat sebagai perangkat proses belajar diri, pedoman untuk diskusi, pencarian penyebab permasalahan, pengumpulan data, penentuan taraf teknologi, penggunaan dalam berbagai hal dan penanganan yang kompleks. Manfaat fishbone diagram : a) Dapat menggunakan kondisi yang sesungguhnya untuk tujuan perbaikan kualitas produk atau jasa, lebih efisien dalam penggunaan sumber daya, dan dapat mengurangi biaya

52

b) Dapat mengurangi dan menghilangkan kondisi yang menyebabkan ketidaksesuaian produk atau jasa dan keluhan pelanggan c) Dapat membuat suatu standardisasi operasi yang ada maupun yang direncanakan d) Dapat memberikan pendidikan dan pelatihan bagi karyawan dalam kegiatan pembuatan keputusan dan melakukan tindakan perbaikan

4.3.2.5 Scatter Diagram Scatter diagram merupakan cara paling sederhana untuk menentukan hubungan antara sebab dan akibat dari dua variabel. Langkah-langkah yang diambil sederhana, dengan cara data dikumpulkan dalam bentuk pasangan titik (x dan y). Titik tersebut dapat diketahui antara variabel x dan variabel y, apakah terjadi hubungan positif atau negatif (Besterfield, 2009). Pada dasarnya diagram tebar (Scatter Diagram) merupakan suatu alat interpretasi data yang digunakan untuk: a) Menguji bagaimana kuatnya hubungan antara dua variabel. b) Menentukan jenis penjualan dari dua variabel itu, apakah positif, negatif, atau tidak ada hubungan Gambar di bawah ini menunjukkan contoh scatter diagram :

53

Gambar 4.5 Scatter Diagram Sumber: http://eprints.dinus.ac.id/id/eprint/8086

4.3.2.6 Flow Chart Proses di lingkungan industri pada umumnya merupakan suatu rangkaian kegiatan yang berulang. Setiap siklus kegiatan tersebut biasanya dapat dipecahkan ke dalam beberapa langkah kecil. Dari uraian langkahlangkah tersebut, kita dapat mencari langkah mana saja yang bisa kita perbaiki (improve). Langkah-langkah tersebut akan lebih mudah dimengerti jika kita menggambarkannya dalam suatu bagan yang dikenal dengan istilah: flowchart atau bagan alir. Dr. Deming, orang yang ikut andil memajukan kualitas barang-barang Jepang, pernah berkata : “Draw a flowchart for whatever you do. Until you do, you do not know what you are doing, you just have a job” — Dr. W. Edwards Deming. Flow charts (bagan arus) adalah alat bantu untuk memvisualisasikan proses suatu penyelesaian tugas secara tahap-demi-tahap untuk tujuan

54

analisis, diskusi, komunikasi, serta dapat membantu kita untuk menemukan wilayah-wilayah perbaikan dalam proses. Gambar di bawah ini menunjukkan contoh flow chart:

Gambar 4.6 Flow Chart Sumber: http://eprints.dinus.ac.id/id/eprint/8086

4.3.2.7 Control Chart Control chart atau peta kendali adalah peta yang digunakan untuk mempelajari bagaimana proses perubahan dari waktu ke waktu. Data diplot dalam urutan waktu. a) Data Variable Merupakan data kuantitatif yang diukur untuk keperluan analisis. Contoh dari data variable adalah diameter pipa, ketebalan produk kayu lapis, berat semen dalam kantong, dan lain-lain. Ukuran-ukuran berat, panjang, lebar, tinggi diameter, volume biasanya merupakan data variable. b) Data Atribut Merupakan data kualitatif yang dapat dihitung untuk pencatatan dan analisis. Contoh dari data atribut karakteristik kualitas adalah ketiadaan

55

label pada kemasan produk, kesalahan proses administrasi, banyaknya jenis cacat pada produk, banyaknya produk kayu lapis yang cacat karena corelap, dan lain-lain. Data atribut biasanya diperoleh dalam bentuk unitunit non-confroms atau ketidaksesuaian dengan spesifikasi atribut yang ditetapkan. Berdasarkan kedua tipe data tersebut, maka jenis-jenis peta kendali terbagi atas peta kendali untuk data variable dan data atribut. Beberapa peta kendali yang termasuk dalam peta kendali data variable adalah peta kendali X dan R, serta peta kendali individual X dan MR. sedangkan peta kendali yang termasuk dalam peta kendali untuk data atribut adalah peta kendali P, peta kendali NP, peta kendali C dan peta kendali U. Control chart selalu terdiri dari tiga garis horizontal, yaitu: a) Garis pusat (center line), garis yang menunjukkan nilai tengah (mean) atau nilai rata-rata dari karakteristik kualitas yang di-plot-kan pada peta kendali. b) Upper control limit (UCL), garis di atas garis pusat yang menunjukkan batas kendali atas. c) Lower control limit (LCL), garis di bawah garis pusat yang menunjukkan batas kendali bawah. Garis-garis tersebut ditentukan dari data historis, terkadang besarnya UCL dan LCL ditentukan oleh confidence interval l dari kurva normal. Dengan control chart, kita dapat menarik kesimpulan tentang apakah variasi proses konsisten (dalam batas kendali) atau tidak dapat diprediksi (di luar

56

batas kendali karena dipengaruhi oleh special cause of variation, yaitu variasi yang terjadi karena faktor dari luar sistem). Gambar di bawah ini menunjukkan contoh control chart:

Gambar 4.7 Control Chart Sumber: http://eprints.dinus.ac.id/id/eprint/8086

4.2

Metodologi Penelitian 4.2.1 Diagram Alir Berikut ini adalah diagram alir penelitian di pabrik Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk.:

Mulai

Studi Pendahuluan

Rumusan Masalah

A

Studi Literatur

57

A

Tujuan Penelitian

Pengumpulan Data (Checksheet)

Pengolahan Data I:  Histogram  Scatter Diagram  Diagram Pareto

N’ < N Ya Pengolahan Data II: Diagram Fishbone

Pengolahan Data III: Peta Kendali P

Analisa dan Pembahasan

Kesimpulan dan Saran

Selesai

Gambar 4.8 Diagram Alir Sumber: Pengolahan Data (2018)

Tidak

58

4.2.2 Objek Penelitian Pada pelaksanaan kerja praktek di PT. Krakatau Steel (Persero) Tbk., objek yang diteliti adalah kualitas produk yang dihasilkan dari divisi Hot Strip Mill (HSM). 4.2.3 Metode Pengumpulan Data Pada pelaksanaan kerja praktek di PT. Krakatau Steel (Persero) Tbk., metode-metode yang digunakan memerlukan informasi serta data actual yang terkait dengan penelitian pada produk di divisi Hot Strip Mill (HSM). Berikut ini adalah metode pengumpulan data yang harus dilakukan: a. Observasi Suatu metode pengumpulan data dengan mengamati secara langsusng terhadap jalannya aktivitas-aktivitas objek yang diteliti. b. Wawancara Suatu metode pengumpulan data dengan cara mengajukan pertanyaan-pertanyaan atau diskusi langsung dengan pihak-pihak yang terkait dalam perusahaan yang dapat membantu memberi penjelasan mengenai masalah yang sedang diteliti. c. Dokumentasi Merupakan pengumpulan data dengan menelusuri arsip-arsip atau catatan yang ada dalam perusahaan yang berkaitan dengan permasalahan yang sedang diteliti.

59

d. Kepustakaan Merupakan pengumpulan materi-materi yang referensi dengan metode yang digunakan selanjutnya dilakukan pengolahan data dengan metode yang digunakan. 4.2.4 Tahapan penelitian Untuk mengetahi alur penelitian ini dari awal sampai akhir yaitu sebagai berikut: 1. Mulai Melakukan persiapan mengenai tema dan permasalahan apa yang selalu di hadapi oleh perusahaan tersebut, sehingga mempermudah peneliti untuk melakukan penelitian. 2. Studi Pendahuluan a. Studi Lapangan Pada tahapan ini dilakukan pengidentifikasi mengenai masalah cacat pada baja slab setelah di lakukan cooling bed oleh operator yang bertugas untuk melakukan pengecekan terhadap baja slab yang belum di inspeksi. b. Studi Literatur Studi literatur yaitu dengan mencari refrensi atau sumber-sumber yang menjadi landasan teori mengenai permasalahan yang ingin diteliti sehingga dapat memberikan suatu gambaran solusi mengenai permasalahan yang sedang di hadapi perusahaan.

60

3. Perumusan Masalah Di dalam perumusan masalah ini terdapat suatu permasalahan mengenai cacat pada coil setelah dilakukan pengecekan oleh Quality Control dan wawancara terhadap operator untuk menanyakan apa penyebab terjadi cacat pada coil setelah dilakukan cooling bed dan bagaimana solusinya untuk dapat meminimalisir suatu permasalahan cacat pada coil tersebut di PT. Krakatau Steel (Persero) Tbk. 4. Tujuan Penelitian Menentukan tujuan atau goals mengenai mengapa penelitian tersebut

dilakukan dan mengetahui faktor-faktor penyebab

timbulnya defect dan meminimalisir produk yang defect tersebut dengan mengunakan metode SPC (Statistical Process Control) yaitu checksheet, histogram, scatter diagram, diagram paretto, fishbone, dan peta kendali P. 5. Pengumpulan Data Pengumpulan data dilakukan dengan pengambilan data cacat slab baja setelah dilakukan cooling bed dengan cara melakukan meminta data defect selama satu tahun periode 2017. 6. Pengelolaan Data Melakukan pengolahan data dengan menggunakan metode SPC (Statistical Process Control) yaitu checksheet, histogram, scatter diagram, diagram paretto, fishbone, dan peta kendali P.

61

7. Kesimpulan dan Saran Menyimpulkan hasil dari penelitian secara singkat dan mengusulkan saran terhadap perusahaan tersebut. 8. Selesai

4.3

Pengumpulan Dan Pengolahan Data 4.3.1 Pengumpulan Data Pengumpulan data dilakukan dengan melihat data kecacatan pada produk dan wawancara dengan pihak terkait. Data yang dikumpulkan adalah data jumlah produksi, data cacat pada produk Hot Roll Coil (HRC) dan karakteristik jenis cacat di divisi Hot Strip Mill (HSM). Berikut adalah rincian data produksi setiap bulan ditahun 2017 di Divisi Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk.: Tabel 4.1 Total Produksi Divisi Hot Strip Mill Pada Tahun 2017 Bulan Total Produksi Jan 178.549,00 Feb 157.073,00 Maret 145.705,08 April 146.748,63 Mei 185.058,00 Jun 142.516,27 Jul 139.780,85 Agustus 127.256,71 Sept 105.608,59 Okt 126.797,76 Nov 148.769,00 Des 118.735,88 Total 1.722.598,77 Sumber: Pengolahan Data (2018)

62

Pada Divisi Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk. melakukan proses produksi secara kontiyu. Setap proses produksi terdapat produk yang reject yang dipengaruhi oleh manusia, mesin, metode, material, ataupun lingkungan. Berikut ini adalah data produk yang mengalami reject pada Divisi Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk.: Tabel 4.2 Total Defect Divisi Hot Strip Mill Pada Tahun 2017 Bulan Total Defect Jan 10.357,71 Feb 11.179,12 Maret 12.367,08 April 12.641,16 Mei 6.889,64 Jun 8.225,97 Jul 6.586,37 Agustus 4.733,70 Sept 5.629,50 Okt 8.990,00 Nov 8.990,00 Des 22.995,00 Total 119.585,25 Sumber: Pengolahan Data (2018)

63

Total cacat produk pada produk Hot Roll Coil (HRC) terdiri dari beberapa macam karakteristik kecacatan. Berikut ini adalah karakteristik kecacatan yang terdapat produk Hot Roll Coil (HRC): Tabel 4.3 Karakteristik Kecacatan Produk Divisi Hot Strip Mill Pada Tahun 2017

Sumber: Pengolahan Data (2018)

64

4.3.2 Pengolahan Data Dari pengumpulan data diatas, maka dilakukan pengolahan unttuk menenukan apakah proses produksi di Divisi Hot Strip Mill sudah terkendali. Adapun alat yang digunakan dalam pengolahan data ini adalah histogram, scatter diagram, diagram pareto, peta kendali P dan fishbone. 4.3.2.1 Histogram Berikut ini adalah histogram dari data yang didapat pada Divisi Hot Strip Mill.

Gambar 4.9 Histogram Sumber: Pengolahan Data (2018)

4.3.2.2 Scatter Diagram Berikut ini adalah scatter diagram dari data yang didapat pada Divisi Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk.

65

Gambar 4.10 Scatter Diagram Sumber: Pengolahan Data (2018)

4.3.2.3 Diagram Paretto Dari karakteristik kecacatan yang telah dikumpulkan, kemudian disajikan dalam diagram paretto untuk mengetahui tingkat kecacatan tertinggi dan persen kecacatannya terhadap total produksi. Berikut ini tabel diagram pareto dari data yang didapat pada Divisi Hot Strip Mill di PT. Krakatau Steel (Persero) Tbk. Tabel 4.4 Diagram Paretto No. 1. 2. 3. 4. 5.

Jenis Defect Wavy Defect Handling Telescope Melebar Width Out

Jumlah Defect 37.466,90 21.381,33 18.421,15 12.801,94 10.430,97

Persentasi 31,33% 17,88% 15,40% 10,71% 8,72%

Persentasi Kumulatif 31,33% 49,21% 64,61% 75,32% 84,04%

66

Tabel 4.4 Diagram Paretto (Lanjutan) No.

Jenis Defect

6. 7. 8. 9. 10. 11 12.

Edge Crack Edge Defect Thickness Change Roll In Scale Edge Fold Menyempit Recorder Lebar Eror Total Sumber: Pengolahan Data (2018)

Jumlah Defect 5.645,93 5.333,00 2.667,10 2.498,00 2.128,41 442,52 368,00 119.585,25

Persentasi 4,72% 4,46% 2,23% 2,09% 1,78% 0,37% 0,31% 100,00%

Persentasi Kumulatif 88,76% 93,22% 95,45% 97,54% 99,32% 99,69% 100,00%

Contoh perhitungan: Persentasi 𝐷𝑒𝑓𝑒𝑐𝑡 =

jumlah 𝑑𝑒𝑓𝑒𝑐𝑡 × 100% total 𝑑𝑒𝑓𝑒𝑐𝑡

Persentasi 𝐷𝑒𝑓𝑒𝑐𝑡 =

37.466,90 × 100% = 31,33% 119.585,25

Pers. Kum = Pers. Kum 𝑊𝑎𝑣𝑦 + Pers. Kum 𝐷𝑒𝑓𝑒𝑐𝑡 𝐻𝑎𝑛𝑑𝑙𝑖𝑛𝑔 Pers. Kum = 31,33% + 17,88% = 49,21%

Berdasarkan tabel diatas maka dapat diketahui diagram pareto dari data yang didapat pada Divisi Hot Strip Mill di PT. Krakatau Steel. (Persero) Tbk. adalah sebagai berikut:

67

Gambar 4.11 Diagram Paretto Sumber: Pengolahan Data (2018)

Dari diagram diatas ditemukan karakteristik cacat wavy memiliki jumlah cacat sebesar 37.466,90 MT dan persentasi 31,33%. Karakteristik cacat berikutnya adalah Defect Handling dengan jumlah cacat 21.381,33 MT dan persentasi 17,88% diikuti dengan cacar Telescope dengan jumlah cacat sebanyak 18.421,15 MT dan persentasi 15,40%. Selanjutnya, karakteristik cacat Melebar sebesar 12.801,94 MT dan persentasi 10,71% lalu Width Out sebesar 10.430,97 MT dan persentasi 8,72%. Selain itu cacat Edge Crack sebanyak 5.645,93 MT dan persentasi 4,72%, cacat Edge Defect sebesar 5.333,00 MT dan persentasi 4,46%, cacat Thickness Change sebanyak 2.667,10 MT dan persentasi 2,23%, cacat Roll In Scale sebanyak 2.498,00 MT dan persentasi 2,09%, cacat Edge Fold sebesar 2.128,41 MT dan persentasi 1,78% cacat Menyempit sebanyak 442,52 MT

68

dan persentasi 0,37%, dan cacat Recorder Lebar Eror sebanyak 368,00 MT dan persentasi 0,31%.

4.3.2.4 Uji Kucukupan data Perhitungan uji kecukupan data dilakukan dengan menggunakan uji keyakinan sebesar 90% dan uji ketelitian sebesar 10%, dengan rumus sebagai berikut: k = 90%

= 1,645

s = 10%

= 0,1

k/s = 1,645/0,1

= 16,45

N = 12 Lalu dilakukan perhitungan untuk mengetahui data yang diambil sudah cukup atau belum. Berikut adalah perhitungan uji kecukupan data: 𝑘⁄ √𝑁 ∑ 𝑋 2 − (∑ 𝑋)2 2 𝑠 𝑁′ = ⌊ ⌋ ∑𝑋 16,45√12( 253.068.381.103,32 ) − ( 2.967.346.522.405,51 ) 𝑁 =⌊ ⌋ 1.722.598,77

2

′

𝑁′ = 6,335576819 = 6 Berdasarkan perhitungan tersebut, didapatkan bahwa nilai N’ lebih kecil dari nilai N yaitu 6 < 12, artinya bahwa data yang diambil telah mencukupi.

69

4.3.2.6 Peta Kendali P Peta kendali P digunakan untuk mengetahui proses pada suatu produksi telah terkendali. Perhitungan peta kendali P dilakukan dengan du acara, yaitu perhitungan manual dan menggunakan software Minitab 14. Perhitungan manual dilakukan untuk mencari nilai batas kendali atas, garis tengah, dan batas kendali bawah dengan menghitung nilai proporsi cacat terhadap total produksi. Perhitungan peta kendali P dilakukan pada 5 karakteristik cacat terbesar. a.

Wavy Karakteristik cacat Wavy merupakan kondisi cacat dimana terdapat

gelombang pada permukaan coil. Cacat ini merupakan karakteristik terbesar yang terjadi pada proses produksi Hot Strip Mill (HSM). Berikut ini merupakan perhitungan manual peta kendali P terhadap karakteristik cacat Wavy: Tabel 4.5 Perhitungan Manual Peta Kendali P Cacat Wavy Jumlah Jumlah Pi Produksi Cacat Jan 178.549 Feb 157.073 3.976 0,02531530 Maret 145.705 1.546 0,01060883 April 146.749 3.840 0,02616856 Mei 185.058 2.627 0,01419360 Jun 142.516 3.366 0,02361681 Jul 139.781 2.164 0,01548245 Agust 127.257 2.286 0,01796055 Sept 105.609 2.672 0,02530495 Okt 126.798 3.965 0,03127027 Nov 148.769 3.965 0,02665206 Des 118.736 7.060 0,05945970 Total 1.722.599 37.466,90 0,276033074 Sumber: Pengolahan Data (2018) Bulan

P = CL

UCL

LCL

0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276 0,02300276

0,024067093 0,024137524 0,024180960 0,024176764 0,024048208 0,024194068 0,024205669 0,024263473 0,024386667 0,024265752 0,024168764 0,024307926

0,02193842 0,02186799 0,02182455 0,02182875 0,02195730 0,02181144 0,02179984 0,02174204 0,02161884 0,02173976 0,02183675 0,02169759

70

Contoh perhitungan: 𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑎𝑐𝑎𝑡

 𝑃𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖

 𝐶𝐿 =

𝑃1+𝑃2+ … +𝑃12 𝑛

=

=

0 178.549

=0

0,276033074

12

= 0,02300276

𝑃 (1−𝑃)



𝑈𝐶𝐿 = 𝑃 + 3√

𝑛

0,02300276(1 − 0,02300276) 𝑈𝐶𝐿 = 0,02300276 + 3√ 178.549 𝑈𝐶𝐿 = 0,024067093 𝑃 (1−𝑃)



𝐿𝐶𝐿 = 𝑃 − 3√

𝑛

𝐿𝐶𝐿 = 0,02300276 − 3√

0,02300276(1 − 0,02300276) 178.549

𝐿𝐶𝐿 = 0,02193842 Dengan menggunakan software minitab 14, didapat grafik peta kendali P terhadap karakteristik cacat Wavy yaitu sebagai berikut: P Chart of Cacat Wavy 1

0,06

Proportion

0,05 0,04 1

0,03

1

1

UCL=0,02302

1

1

1

_ P=0,02175

0,02

0,00

1

1

0,01

1

LCL=0,02048

1

1

1

2

3

4

5

6 7 Sample

Tests performed with unequal sample sizes

8

9

10

11

12

71

Gambar 4.12 Grafik Peta Kendali P Cacat Wavy Sumber: Pengolahan Data (2018) Dari grafik peta kendali P karakterstik cacat Wavy semua data sampel yang berada diluar batas kendali, baik diluar batas kendali atas maupun batas kendali bawah. Hal ini mengindikasikan bahwa proses produksi di Hot Strip Mill belum sepenuhnya terkendali. Dengan itu, diperlukan adanya perbaikan untuk terus menjaga kualitas coil pada proses produksi di Hot Strip Mill. b. Defect Handling Karakteristik cacat Defect Handling merupakan produk yang sudah jadi mengalami peroses perpindahan yang terlalu sering. Cacat ini merupakan karakteristik kedua terbesar yang terjadi pada proses produksi Hot Strip Mill (HSM). Berikut ini merupakan perhitungan manual peta kendali P terhadap karakteristik cacat Defect Handling: Tabel 4.6 Perhitungan Manual Peta Kendali P Cacat Defect Handling Bulan Jan Feb Maret April Mei Jun Jul Agust Sept Okt

Jumlah Produksi 178.549 157.073 145.705 146.749 185.058 142.516 139.781 127.257 105.609 126.798

Jumlah Cacat 2.810,28 1.453,31 2.422,17 4.189,12 1.150,10 1.121,10 987,25 -

Pi

p = CL

UCL

LCL

0,015739545 0,009252449 0,016623786 0,028546229 0,006214808 0 0,008020412 0 0,009348198 0

0,01289904 0,01289904 0,01289904 0,01289904 0,01289904 0,01289904 0,01289904 0,01289904 0,01289904 0,01289904

0,013700168 0,013753181 0,013785876 0,013782717 0,013685953 0,013795742 0,013804474 0,013847983 0,013940712 0,013849699

0,012097911 0,012044898 0,012012203 0,012015362 0,012112126 0,012002337 0,011993605 0,011950096 0,011857367 0,01194838

72

Tabel 4.6 Perhitungan Manual Peta Kendali P Cacat Defect Handling (Lanjutan) Jumlah Jumlah Pi p = CL UCL LCL Produksi Cacat Nov 148.769 0 0,01289904 0,013776696 0,012021383 Des 118.736 7.248,00 0,061043048 0,01289904 0,013881443 0,011916636 Total 1.722.599 21.381 0,154788475 Sumber: Pengolahan Data (2018) Bulan

Contoh perhitungan:

 𝑃𝑖 =  𝐶𝐿 = 

𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑎𝑐𝑎𝑡 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖 𝑃1+𝑃2+ … +𝑃12 𝑛

=

=

2.810,28 178.549

= 0,015739545

0,154788475 12

= 0,01289904

𝑃 (1−𝑃)

𝑈𝐶𝐿 = 𝑃 + 3√

𝑛

0,01289904(1 − 0,01289904) 𝑈𝐶𝐿 = 0,01289904 + 3√ 178.549 𝑈𝐶𝐿 = 0,013700168 

𝑃 (1−𝑃)

𝐿𝐶𝐿 = 𝑃 − 3√

𝑛

𝐿𝐶𝐿 = 0,01289904 − 3√

0,01289904(1 − 0,01289904) 178.549

𝐿𝐶𝐿 = 0,012097911 Dengan menggunakan software minitab 14, didapat grafik peta kendali P terhadap karakteristik cacat Defect Handling yaitu sebagai berikut:

73

P Chart of Cacat Defect Handling 1

0,06

Proportion

0,05 0,04 1

0,03 0,02 0,01

UCL=0,01338

1

1

_ P=0,01241

1

0,00

1

1

2

3

4

5

1

1

1

6 7 Sample

1

8

9

LCL=0,01145 1

1

10

11

12

Tests performed with unequal sample sizes

Gambar 4.13 Grafik Peta Kendali P Cacat Defect Handling Sumber: Pengolahan Data (2018) Dari grafik peta kendali P karakterstik cacat Defect Handling semua data sampel berada diluar batas kendali, baik diluar batas kendali atas maupun batas kendali bawah. Hal ini mengindikasikan bahwa proses produksi di Hot Strip Mill belum sepenuhnya terkendali. Dengan itu, diperlukan adanya perbaikan untuk terus menjaga kualitas coil pada proses produksi di Hot Strip Mill. c. Telescope Karakteristik cacat Telescope merupakan produk yang sudah jadi mengalami peroses perpindahan yang terlalu sering. Cacat ini merupakan karakteristik ketiga terbesar yang terjadi pada proses produksi Hot Strip Mill

74

(HSM). Berikut ini merupakan perhitungan manual peta kendali P terhadap karakteristik cacat Telescope: Tabel 4.7 Perhitungan Manual Peta Kendali P Cacat Telescope Bulan

Jumlah Produksi

Jumlah Cacat

Jan 178.549 2.142,08 Feb 157.073 1.269,08 Maret 145.705 1.849,82 April 146.749 1.135,98 Mei 185.058 1.215,96 Jun 142.516 2.281,21 Jul 139.781 1.419,01 Agust 127.257 687,00 Sept 105.609 417,01 Okt 126.798 1.553,00 Nov 148.769 1.553,00 Des 118.736 2.898,00 Total 1.722.599 18.421 Sumber: Pengolahan Data (2018)

Pi

p = CL

UCL

LCL

0,011997155 0,008079555 0,012695645 0,007740992 0,006570697 0,016006664 0,010151677 0,005398537 0,003948637 0,01224785 0,010439003 0,024407113 0,12968352

0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696 0,01080696

0,011541026 0,013753181 0,013785876 0,013782717 0,013685953 0,013795742 0,013804474 0,013847983 0,013940712 0,013849699 0,013776696 0,013881443

0,010072895 0,012044898 0,012012203 0,012015362 0,012112126 0,012002337 0,011993605 0,011950096 0,011857367 0,01194838 0,012021383 0,011916636

Contoh perhitungan:

 𝑃𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑎𝑐𝑎𝑡 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖

 𝐶𝐿 = 

=

𝑃1+𝑃2+ … +𝑃12 𝑛

2.142,08 178.549

=

= 0,011997155

0,12968352

12

= 0,01080696

𝑃 (1−𝑃)

𝑈𝐶𝐿 = 𝑃 + 3√

𝑛

0,01080696(1 − 0,01080696) 𝑈𝐶𝐿 = 0,01080696 + 3√ 178.549 𝑈𝐶𝐿 = 0,011541026 

𝑃 (1−𝑃)

𝐿𝐶𝐿 = 𝑃 − 3√

𝑛

75

𝐿𝐶𝐿 = 0,01080696 − 3√

0,01080696(1 − 0,01080696) 178.549

𝐿𝐶𝐿 = 0,010072895 Dengan menggunakan software minitab 14, didapat grafik peta kendali P terhadap karakteristik cacat Telescope yaitu sebagai berikut: P Chart of Cacat Telescope 1

0,025

Proportion

0,020 1

0,015 1

1

UCL=0,01159 _ P=0,01069

1

0,010

LCL=0,00980

1

1 1

0,005

1 1

1

2

3

4

5

6 7 Sample

8

9

10

11

12

Tests performed with unequal sample sizes

Gambar 4.14 Grafik Peta Kendali P Cacat Telescope Sumber: Pengolahan Data (2018) Dari grafik peta kendali P karakterstik cacat Telescope terdapat banyak data sampel yang berada diluar batas kendali, baik diluar batas kendali atas maupun batas kendali bawah. Hanya terdapat 2 data sampel yang berada dalam batas kendali. Hal ini mengindikasikan bahwa proses produksi di Hot Strip Mill belum sepenuhnya terkendali. Dengan itu, diperlukan adanya

76

perbaikan untuk terus menjaga kualitas coil pada proses produksi di Hot Strip Mill. d. Melebar Karakteristik cacat Melebar merupakan produk yang sudah jadi mengalami peroses perpindahan yang terlalu sering. Cacat ini merupakan karakteristik keempat terbesar yang terjadi pada proses produksi Hot Strip Mill (HSM). Berikut ini merupakan perhitungan manual peta kendali P terhadap karakteristik cacat Melebar: Tabel 4.8 Perhitungan Manual Peta Kendali P Cacat Melebar Bulan

Jumlah Produksi

Jumlah Cacat

Pi

Jan 178.549 0 Feb 157.073 2.149,36 0,013683829 Maret 145.705 5.026,73 0,034499346 April 146.749 2.169,38 0,014782966 Mei 185.058 1.026,20 0,005545289 Jun 142.516 748,79 0,005254067 Jul 139.781 1.186,65 0,00848936 Agust 127.257 0 Sept 105.609 494,83 0,004685509 Okt 126.798 0 Nov 148.769 0 Des 118.736 0 Total 1.722.599 12.802 0,08694037 Sumber: Pengolahan Data (2018)

p = CL

UCL

LCL

0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503 0,00724503

0,007847151 0,007886996 0,007911569 0,007909194 0,007836467 0,007918984 0,007925547 0,007958248 0,008027942 0,007959538 0,007904669 0,007983396

0,00664291 0,006603065 0,006578492 0,006580866 0,006653593 0,006571077 0,006564514 0,006531813 0,006462119 0,006530523 0,006585392 0,006506665

Contoh perhitungan:

 𝑃𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑎𝑐𝑎𝑡 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖

 𝐶𝐿 =

=

𝑃1+𝑃2+ … +𝑃12 𝑛

0 178.549

=

=0

0,08694037

12

= 0,00724503

77

𝑃 (1−𝑃)



𝑈𝐶𝐿 = 𝑃 + 3√

𝑛

0,00724503(1 − 0,00724503) 𝑈𝐶𝐿 = 0,00724503 + 3√ 178.549 𝑈𝐶𝐿 = 0,007847151 𝑃 (1−𝑃)



𝐿𝐶𝐿 = 𝑃 − 3√

𝑛

𝐿𝐶𝐿 = 0,00724503 − 3√

0,00724503(1 − 0,00724503) 178.549

𝐿𝐶𝐿 = 0,00664291 Dengan menggunakan software minitab 14, didapat grafik peta kendali P terhadap karakteristik cacat Melebar yaitu sebagai berikut: P Chart of Cacat Melebar 1

0,035 0,030

Proportion

0,025 0,020 0,015

1

1

0,010 0,005 0,000

UCL=0,00818 _ P=0,00743

1

1

1

1

1

1

2

3

4

5

6 7 Sample

LCL=0,00668

1

8

9

1

1

1

10

11

12

Tests performed with unequal sample sizes

Gambar 4.15 Grafik Peta Kendali P Cacat Melebar Sumber: Pengolahan Data (2018)

78

Dari grafik peta kendali P karakterstik cacat Melebar semua data sampel berada diluar batas kendali, baik diluar batas kendali atas maupun batas kendali bawah. Hal ini mengindikasikan bahwa proses produksi di Hot Strip Mill belum sepenuhnya terkendali. Dengan itu, diperlukan adanya perbaikan untuk terus menjaga kualitas coil pada proses produksi di Hot Strip Mill. Berikut ini adalah gambar coil yang mengalami cacat karakteristik Melebar: e. Width Out Karakteristik cacat Width Out merupakan produk yang sudah jadi mengalami peroses perpindahan yang terlalu sering. Cacat ini merupakan karakteristik kelima terbesar yang terjadi pada proses produksi Hot Strip Mill (HSM). Berikut ini merupakan perhitungan manual peta kendali P terhadap karakteristik cacat Width Out: Tabel 4.9 Perhitungan Manual Peta Kendali P Cacat Width Out Bulan

Jumlah Produksi

Jumlah Cacat

Pi

p = CL

UCL

LCL

Jan Feb Maret April Mei Jun Jul Agust Sept

178.549 157.073 145.705 146.749 185.058 142.516 139.781 127.257 105.609

1.155,55 2.331,02 870,74 1.387,67 1.057,99

0,006471893 0,014840361 0 0 0,004705228 0,009736923 0 0 0,01001803

0,006022673 0,006022673 0,006022673 0,006022673 0,006022673 0,006022673 0,006022673 0,006022673 0,006022673

0,00620578 0,006217897 0,00622537 0,006224648 0,006202531 0,006227625 0,00622962 0,006239565 0,006260759

0,005473353 0,005437003 0,005414585 0,005416751 0,0054831 0,00540782 0,005401833 0,005371999 0,005308416

79

Tabel 4.9 Perhitungan Manual Peta Kendali P Cacat Width Out (Lanjutan) Jumlah Jumlah Pi p = CL UCL LCL Produksi Cacat Okt 126.798 1.814,00 0,014306246 0,006022673 0,006239957 0,005370822 Nov 148.769 1.814,00 0,012193401 0,006022673 0,006223271 0,005420879 Des 118.736 0 0,006022673 0,006247213 0,005349056 Total 1.722.599 10.431 0,07227208 Sumber: Pengolahan Data (2018) Bulan

Contoh perhitungan:

 𝑃𝑖 =

𝑗𝑢𝑚𝑙𝑎ℎ 𝑐𝑎𝑐𝑎𝑡 𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑟𝑜𝑑𝑢𝑘𝑠𝑖

 𝐶𝐿 = 

=

𝑃1+𝑃2+ … +𝑃12 𝑛

1.155,55 178.549

=

= 0,006471893

0,07227208

12

= 0,006022673

𝑃 (1−𝑃)

𝑈𝐶𝐿 = 𝑃 + 3√

𝑛

𝑈𝐶𝐿 = 0,006022673 + 3√

0,006022673(1 − 0,006022673) 178.549

𝑈𝐶𝐿 = 0,00620578 

𝑃 (1−𝑃)

𝐿𝐶𝐿 = 𝑃 − 3√

𝑛

0,006022673(1 − 0,006022673) 𝐿𝐶𝐿 = 0,006022673 − 3√ 178.549 𝐿𝐶𝐿 = 0,005473353 Dengan menggunakan software minitab 14, didapat grafik peta kendali P terhadap karakteristik cacat Width Out yaitu sebagai berikut:

80

P Chart of Cacat Width Out 0,016

1

1

0,014

1

Proportion

0,012 1

1

0,010 0,008

UCL=0,00673 _ P=0,00606

0,006 0,004

LCL=0,00538

1

0,002 0,000 1

2

1

1

3

4

5

1

1

6 7 Sample

8

1

9

10

11

12

Tests performed with unequal sample sizes

Gambar 4.16 Grafik Peta Kendali P Cacat Width Out Sumber: Pengolahan Data (2018) Dari grafik peta kendali P karakterstik cacat Width Out banyak data sampel berada diluar batas kendali, baik diluar batas kendali atas maupun batas kendali bawah. Hanya terdapat 1 data sampel yang berada dalam batas kendali. Hal ini mengindikasikan bahwa proses produksi di Hot Strip Mill belum sepenuhnya terkendali. Dengan itu, diperlukan adanya perbaikan untuk terus menjaga kualitas coil pada proses produksi di Hot Strip Mill.

4.3.2.7 Fishbone Dengan melihat peta kendali diatas, dapat disimpulkan bahwa proses produksi di Hot Strip Mill belum terkendali dan perlu diadakan

81

perbaikan. Untuk mengadakan perbaikan, terlebih dulu dicari faktor-faktor penyebab kecacactan pada produk coil. a. Wavy Material

Manusia Bahan baku kurang bersih

Operator Tidak teliti

Penyimpanan bahan baku yang tidak benar

Kurangnya Pelatihan

Wavy Produksi tiada henti Mesin kurang perawatan (preventif)

Kinerja mesin roll kurang maksimal Mesin roll sudah tua

Mesin

Gambar 4.17 Diagram Fishbone Cacat Wavy Sumber: Pengolahan Data (2018) Dari diagram fishbone diatas, ditemukan faktor-faktor yang menjadi penyebab kecacatan Wavy pada coil. Adapun faktor-faktor tersebut adalah sebagai berikut: 1.

Mesin Merupakan faktor paling utama dalam terjadinya kecacatan pada coil, hal ini disebabkan karena kondisi mesin yang sudah tua, sehingga kinerja mesin roll kurang maksimal. Kurangnya perawatan juga mempengaruhi proses produksi padahal mesin bekerja secara terus menerus.

82

2.

Manusia Kurangnya pelatihan sehingga ada saja operator yang lalai pada saat bekerja.

3.

Material Bahan coil yang kurang baik akibat terlalu lama disimpan dalam gudang mengakibatkan kualitasnya menurun seperti korosi pada coil.

b. Defect Handling Manusia

Lingkungan

Tempat tidak memadai

Ukuran gudang yang tidak memadai

Operator Tidak teliti Kurangny a Pelatihan

Defect Handling Tak sesuai SOP Pengawasan terhadap produk

Metode

Gambar 4.18 Diagram Fishbone Cacat Defect Handling Sumber: Pengolahan Data (2018) Dari diagram fishbone diatas, ditemukan faktor-faktor yang menjadi penyebab kecacatan Defect Handling pada coil. Adapun faktor-faktor tersebut adalah sebagai berikut: 1.

Manusia

83

Kurangnya pelatihan sehingga ada saja operator yang lalai pada saat bekerja. 2.

Metode Kurangnya pengawasan terhadap pekerja mengakibatkan proses produksi yang kurang sesuai dengan SOP.

3.

Lingkungan Ukuran gudang yang tidak memadai sehingga terjadi penumpukan produk jadi di gudang sementara.

c. Telescope Manusia

Material

Operator Tidak teliti

Bahan baku kurang bersih

Kurangnya Pelatihan

Telescope Sistem laminar cooling tidak efektif

Metode

Center line berubah

Mesin

Gambar 4.24 Diagram Fishbone Cacat Telescope Sumber: Pengolahan Data (2018) Dari diagram fishbone diatas, ditemukan faktor-faktor yang menjadi penyebab kecacatan Telescope pada coil. Adapun faktor-faktor tersebut adalah sebagai berikut:

84

1. Mesin Merupakan faktor paling utama dalam terjadinya kecacatan pada coil, hal ini disebabkan karena center line pada mesin berubah. 2.

Manusia Kurangnya pelatihan operator sehingga terjadi kelalaian pada saat proses produksi.

3.

Metode Sistem laminar cooling yang tidak efektif sehingga terjadi kecacatan pada saat proses produksi berlangsung

4.

Material Bahan coil yang kurang baik akibat terlalu lama disimpan dalam Gudang mengakibatkan kualitasnya menurun seperti korosi pada coil.

d. Melebar Material

Komponen Operator Manusia mesin rusak Tidak teliti Operator Tidak teliti

Ukuran bahan baku yang tidak sesuai

Kurangnya Pelatihan

Melebar Komponen mesin rusak

Mesin

85

Gambar 4.19 Diagram Fishbone Cacat Melebar Sumber: Pengolahan Data (2018) Dari diagram fishbone diatas, ditemukan faktor-faktor yang menjadi penyebab kecacatan Melebar pada coil. Adapun faktor-faktor tersebut adalah sebagai berikut: 1. Mesin Merupakan faktor paling utama dalam terjadinya kecacatan pada coil, hal ini disebabkan karena kondisi mesin sizing press rusak karena kurangnya perawatan. 2.

Manusia Kurangnya pelatihan operator sehingga terjadi kelalaian pada saat proses produksi

3.

Material Ukuran bahan baku yang diproduksi tidak sesuai standart ketentuan.

e. Width Out

Material

Manusia Operator Tidak teliti

Ukuran bahan baku yang tidak sesuai

Kurangnya Pelatihan

Width Out Gap Edge yang tidak sesuai

Mesin

86

Gambar 4.20 Diagram Fishbone Cacat Width Out Sumber: Pengolahan Data (2018) Dari diagram fishbone diatas, ditemukan faktor-faktor yang menjadi penyebab kecacatan Width Out pada coil. Adapun faktor-faktor tersebut adalah sebagai berikut: 1. Mesin Merupakan faktor paling utama dalam terjadinya kecacatan pada coil, hal ini disebabkan karena kondisi mesin sizing press rusak karena kurangnya perawatan. 2.

Manusia Kurangnya pelatihan dan juga kelalaian operator sehingga produk mengalami kerusakan. Dan juga akibat kelalaian pekerja saat proses produksi berlangsung.

3.

Material Ukuran bahan baku yang diproduksi tidak sesuai standar ketentuan.

4.3.2.8 Flow Chart Berikut ini adalah flow chart pembuatan baja lembaran panas di PT. Krakatau Steel (Persero) Tbk. Mulai

A

87

A

Pemilihan slab baja

Proses reheating furnace slab baja

Proses seizing press slab baja

Proses roughing mill slab baja

Proses finishing mill slab baja

Proses laminar cooling slab baja

Proses down coiler slab baja

Hot Rolled Coil

Selesai Gambar 2.21 Flow Chart Sumber: Pengolahan Data (2018)

88

4.4 Analisis dan Pembahasan 4.4.1 Histogram Histogram digunakan untuk mengelompokkan karakteristik cacat setiap bulannya selama 1 tahun produksi dari data yang diperoleh. Terdapat 12 jenis karakteristik cacat yang diperoleh dari data produksi selama bulan Januari sampai Desember tahun 2017. Setiap bulannya tidak selalu terdapat jenis cacat yang sama, selalu terdapat jenis cacat baru yang dialami selama proses produksi berlangsung. 4.4.2 Scatter Diagram Scatter diagram menunjukkan total produksi selama bulan Januari sampai Desember tahun 2017. Yang diperoleh adalah berdasarkan diagram terlihat jelas bahwa bentuk sebaran memiliki korelasi/hubungan negatif. Pola diagram tersebut menunjukan hubungan terhadap jumlah produksi yang semakin rendah maka tingkat persentase cacat produk juga menurun. 4.4.3 Diagram Paretto Diagram paretto digunakan untuk mengidentifikasi karakteristik cacat pada suatu produk serta mengurutkan berdasarkan peringkat. Dari hasil diagram paretto yang dikelola terhadap karakteristik cacat pada proses produksi divisi Hot Strip Mill, dapat diketahui tingkat karakteristrik cacat dari yang terbesar hingga yang terkecil. Diagram paretto yang dikelola menggunakan data karakteristik cacat pada bulan Januari sampai Desember pada tahun 2017. Pada diagram paretto, karakteristik cacat coil pada proses produksi divisi Hot Strip Mill didapat bahwa karakteristik cacat terbesar yang terjadi adalah

89

cacat Wavy dengan presentasi cacat sebesar 31,33%. Karakteristik cacat terbesar kedua adalah Defect Handling dengan presentasi cacat sebesar 17,88%. Selanjutnya, karakteristik cacat terbesar ketiga adalah Telescope dengan presentasi cacat sebesar 15,40%. Lalu, diurutan keempat adalah karakteristik cacat Melebar dengan presentasi cacat sebesar 10,71%. Dan karakteristik cacat terbesar kelima adalah Width Out dengan presentasi cacat sebesar 8,22%. 4.4.4 Peta Kendali P Setelah mengetahui karakteristik cPacat dominan menggunakan diagram paretoo, kemudian dibuat peta kendali P untuk mengetahui apakah proses produksi sudah terkendali atau belum. Tabel 4.10 Ringkasan Peta Kendali Seluruh Jenis Cacat Wavy Defect Handling 0,01338 UCL 0,02302 0,02175 0,01241 P 0,01145 LCL 0,02048 Sumber: Pengolahan Data (2018)

Telescope 0,01159 0,01069 0,00980

Melebar 0.00818 0,00743 0,00668

Width Out 0,00673 0,00606 0,00538

Dari kelima peta kendali terdapat 5 cacat dominan tersebut, dinyatakan bahwa proses produksi Hot Strip Mill belum terkendali. Untuk itu, diperlukan mengetahui penyebab serta faktor-faktor yang menyebabkan terjadinya cacat tersebut. 4.4.5 Fishbone Fishbone digunakan untuk mengidentifikasi suatu masalah dengan mencari akar penyebab serta faktor-faktor yang menyebabkan timbulnya suatu masalah. Fishbone yang dibuat berdasarkan pada 5 cacat dominan yang terjadi pada proses produksi Hot Strip Mill.

90

Pada cacat Wavy, diketahui bahwa terdapat 4 faktor penyebab cacat. Adapun faktor tersebut adalah manusia, mesin, metode dan material. Pada faktor manusia, penyebab terjadinya kecacatan adalah kurangnya pelatihan operator yang menyebabkan kurangnya pemahaman dan ketelitian operator dalam bekerja sehingga dapat menimbulkan cacat pada produk. Pada faktor mesin, kondisi mesin roll yang sudah tua sehingga kinerja mesin kurang maksimal akibatnya pada saat proses produksi terjadi kecacatan pada produk. Pada faktor metode, penyebab terjadinya cacat karena mesin yang beroperasi secara terus menerus sehingga mesin kurang perawatan. Sedangkan pada faktor material, penyimpanan bahan aku yang tidak benar mengakibatkan bahan baku tidak bersih sehingga terjadi cacat pada produk. Pada cacat Defect Handling, diketahui bahwa terdapat 3 faktor penyebab cacat. Adapun faatkor tersebut adalah manusia, metode dan lingkungan. Pada faktor manusia, kurangnya SDM sehingga kemampuan pada saat bekerja menurun. Pada faktor metode, penyebab terjadinya cacat adalah SOP yang kurang dipahami oleh operator karena kurangnya pengawasan pada para pekerja. Dan pada faktor lingkungan terjadi karena ukuran gudang yang kurang memadai sehingga terjadinya penumpukan produk. Pada cacat Telescope, diketahui bahwa terdapat 4 faktor penyebab cacat. Adapun faktor tersebut adalah manusia, mesin, metode dan material. Pada faktor manusia, penyebab terjadinya kecacatan adalah kurangnya pelatihan operator yang menyebabkan kurangnya pemahaman dalam bekerja sehingga dapat menimbulkan cacat pada produk. Pada faktor mesin, diakibatkan karena center

91

line berubah sehingga menimbulkan kecacatan pada proses produksi. Pada faktor metode, system laminar cooling yang tidak efektif mengakibatkan kecacatan pada produk. Sedangkan pada faktor material, bahan baku tidak bersih sehingga terjadi cacat pada produk. Pada cacat Melebar, diketahui bahwa terdapat 4 faktor penyebab cacat. Adapun faktor tersebut adalah manusia, mesin, metode dan material. Pada faktor manusia, penyebab terjadinya kecacatan adalah kurangnya pelatihan operator yang menyebabkan kurangnya pemahaman dalam bekerja sehingga dapat menimbulkan cacat pada produk. Pada faktor mesin, karena mesin sizing press yang rusak jadi kinerja mesin kurang optimal sehingga menimbulkan kecacatan pada produk. Pada faktor metode, penyebab terjadinya cacat adalah SOP yang kurang dipahami oleh operator karena kurangnya pengawasan pada para pekerja. Dan pada faktor material, terjadi karena ukuran bahan baku yang tidak sesuai dengan aturan. Pada cacat Width Out, diketahui bahwa terdapat 4 faktor penyebab cacat. Adapun faktor tersebut adalah manusia, mesin, metode dan material. Pada faktor manusia, penyebab terjadinya kecacatan adalah kurangnya pelatihan operator yang menyebabkan kurangnya pemahaman dalam bekerja sehingga dapat menimbulkan cacat pada produk. Pada faktor mesin, karena mesin Gap Edge yang tidak bekerja sesuai aturan yang ditetapkan sehingga menimbulkan kecacatan pada produk. Pada faktor metode, penyebab terjadinya cacat adalah SOP yang kurang dipahami oleh operator karena kurangnya pengawasan pada

92

para pekerja. Dan pada faktor material, terjadi karena ukuran bahan baku yang tidak sesuai dengan aturan.