View
228
Download
3
Category
Preview:
Citation preview
WINTERTemplate
Perancangan Automated Multi-View Visual Inspection and Grading System Berbasis
Digital Image Processing
OlehLUCKY SHABRIANTI ADLUNA
2508.100.074
Pemimbing : Yudha Prasetyawan, S.T., M.EngKo-Pembimbing : Putu Dana Karningsih, S.T., M.Eng., Sc., Ph.D.
01Laporan Tugas Akhir
02Laporan Tugas Akhir
Daftar isi:
1. Bab I Pendahuluan
2. Bab II TinjauanPustaka
3. Bab III MetodologiPenelitian
4. Bab IV
Pengumpulan Data sertaPerancangan Perangkat Keras
dan Lunak
5. Bab V
PengolahanData
6. Bab VI Analisis danInterpretasi
Data
7. Bab VII Kesimpulandan Saran
03Bab I Pendahuluan1.1 Latar belakang
• Menurut Kementrian Kelautan dan Perikanan (KKP):
Udang sebagai komoditas unggulan perikanan budidaya selama 2010-2014
Diproyeksikan terjadi peningkatan produksi tiap tahun sebesar 13 % untuk udang Windu dan 16 % untuk udang vanname
Indonesia menempati peringkat 4 dunia dengan total ekspor udang vanname sebesar 140.000 ton pada tahun 2007.
Sedangkan pada tahun 2008, naik menjadi 3 dunia di bawah China dan Thailand. Total ekspor Indonesia mencapai 168.000 ton atau naik sebesar 21%
&
• Dari data Food and Agricultural Organization (FAO):
&
04Bab I Pendahuluan1.1 Latar belakang (Con’t)
• Menurut Kementrian Kelautan dan Perikanan (KKP):
80,000
90,000
100,000
110,000
2009 (100,668
Ton)
2010 (94,867
Ton)
Data Ekspor Udang selama Bulan Januari-Agustus
Data Ekspor Udang selama Bulan Januari-Agustus
05Bab I Pendahuluan1.1 Latar belakang (Con’t)
PT GMCP
• Perusahaan pengelolaan udang skala ekspor
• Lokasi: Jl. Industri no. 29 A, Buduran-Sidarjo
PT GMCP
• Tidak mengelola udang untuk dipasarkan dengan brand sendiri
• Namun dipasarkan dengan brand perusahaan (buyer) luarnegeri sesuai kontrak yang telah disetujui
PT GMCP
• Memproduksi udang beku olahan berdasarkan spesifikasiyang diminta oleh buyer
• Spesifikasi ini meliputi ukuran, kuantitas pemesanan, desainpengepakan, dan lainnya.
PT Graha Makmur Cipta Pratama (PT GMCP)
06Bab I Pendahuluan1.1 Latar belakang (Con’t)
•(Head On), produk udangdengan kepala dan bagian tubuhyang utuh
HO
•(Head Less Shell On), produkudang tanpa kepala dengan kulitdan ekor masih lengkap
HLSO
•(Peeled and Deveined), produkudang yang dikupas bersihkulitnya, tanpa diambil ususnya
PND
•Produk udang yang dibumbuhidan dimasak dengan tingkatkematangan tertentu
Cooked Shrimp
Tipe udang vanname yang sering diolah PT GMCP adalah:
1. 1st Quality2. 2nd Quality3. Below Standard4. Broken/Avail
07Bab I Pendahuluan1.2 Perumusan Masalah
“bagaimana merancang sistem inspeksi visual dan grading yang multi-view dan terotomasi berbasis digital image
processing”
Eksistingnya:
Idealnya
08Bab I Pendahuluan1.3 Ruang Lingkup Penelitian
• Studi kasus proses inspeksi, grading, & sortir di PT GMCP
• Penelitian skala laboratorium
• Udang vanname jenis hitam
• Paramater yang di-capture adalah size dan kualitas
• Size udang yang diinspeksi 16/20, 21/25, dan 26/30
• Kualitas yang diinspeksi adalah accept dan reject
• Size udang tidak didapat dari penimbangan beratnya, namun dari
perhitungan perhitungan luasan dan tebal tiap udang
• Rancangan berupa prototype dengan dua kamera
• Mekanisme prototype hanya dibatasi pada proses
inspeksi, grading, dan sortir saja
Batasan
08Bab I Pendahuluan1.3 Ruang Lingkup Penelitian
•kinerja dari prototype dalam kondisi baik dantidak terganggu dengan keadaan di luar sistem
Asumsi
WINTERTemplate
09Bab I Pendahuluan1.4 Tujuan Tugas Akhir
1. Melakukan identifikasi dan klasifikasi kebutuhan tingkat kualitas pada tiapraw material yang akan digunakan bagi perusahaan produksi hasil laut olahan.
2. Melakukan identifikasi penyebab-penyebab cacat yang ada pada raw material menggunakan metode Root Cause Analysis (RCA).
3. Melakukan perancangan alat inspeksi visual dan grading yang multi-viewdan terotomasi berbasis digital image processing.
4. Melakukan pengujian mekanisme digital image processing pada alat.
5. Membandingkan antara kecepatan alat dengan kecepatan operator ketika dilakukan 100% inspeksi dan grading pada raw material.
6. Membandingkan antara kapasitas maksimum oleh alat denganoperator yang mampu ditangani keduanya selama 1 jam.
10Bab I Pendahuluan1.5 ManfaatTugas Akhir
1. Parameter kualitas dari tiap
raw material dapat ter-
capture denganjelas.
2. Dapatdilakukan
justifikasi secaracepat ketika
mengidentifikasitingkat kualitasdan penyebabcacat pada raw
material.
3. Mengetahuipengaplikasian
quality control didunia industri.
4. Mengetahuiperbandingankecepatan alat
dengankecepatan
operator ketikadilakukan 100% inspeksi padaraw material.
5. Mengetahuiperbandingan
kaparitas maksimumoleh alat dengan
operator yang mampuditangani keduanya
selama 1 jam.
6. Sebagaipengembangan danpengaplikasian ilmuTeknik PengendalianKualitas yang menjadimata kuliah di Teknik
Industri.
11Bab II Tinjauan Pustaka
Tinjauanpustaka
Automated Multi-View Visual
Inspection and Grading System
Digital Image Processing
Seven Tools of Quality
Root Cause Analysis (RCA) Udang
Vanname
ReplacementAnalysis
Studi HasilPenelitianTerdahulu
1.
2.
3.4.
5.
6.
7.
13Bab IIIMetodologi Penelitian
Tahap Identifikasi Masalah
Identifikasi dan PerumusanMasalah
Penetapan TujuanPenelitian
Studi Literatur1.Seven Tools of Quality2.Automated Multi-View Inspection
& Grading System3. Digital Image Processing, RCA4. Replacement Analysis5. Penelitian terdahulu
Studi Lapangan1.Jenis udang untuk penelitian
2. Kondisi eksisting sistem inspeksidan grading pada perusahaan
3. Pola ketersediaan obyek penelitiandi pasaran
A
14Bab IIIMetodologi Penelitian
Tahap PerancanganSistem dan Pengolahan Data
B
Verifikasi dan Pengujian Alat
Perancangan Alat Automated Multi-View VisualInspection and Grading System
Pengolahan Data
Apakah sistemterverifikasidan efektif
A
Perbaikan RancanganPerangkat Keras dan Lunak
Tidak
Ya
Membuat blueprint bentuk prototypeMembuat prototype sesuai blueprint
Modifikasi software AVIS7 1.0Sinkronisasi prototype dengan
software
Uji mekanisme Digital Image Processing pada alat
Tes jalannya sistem dengan uji cobadalam jumlah obyek yang banyak
15Bab IIIMetodologi Penelitian
B
Analisis Rancangan danInterpretasi Data
Kesimpulan dan Saran
Tahap Analisisdan Interpretasi Data
Tahap Kesimpulandan Saran
Selesai
WINTERTemplate
16Bab IV Pengumpulan Data serta PerancanganPerangkat Keras dan Lunak
4.1 Gambaran Umum Produk Amatan
• Udang vanname berasal dari perairan Amerika dan Hawaii ini sukes
dikembangkan di Indonesia dan menjadi spesies unggul sejak tahun
2002 (Kordi, 2010).
• secara umum standar mutu yang digunakan sebagai parameter kualitas
udang adalah sebagai berikut:
• Ukuran udang seragam
• Baunya segar, kulit licin, dan warna alami
• Badan utuh, tidak ada bagian-bagian yang patah atau lepas
• Daging kenyal, rasanya manis
• Mata bulat, hitam, bening, dan bercahaya
• Tidak terdapat bercak-bercak hitam di kepala, sambungan ruas-ruas, kaki renang, sungut, dan ekor
WINTERTemplate
17Bab IV Pengumpulan Data serta PerancanganPerangkat Keras dan Lunak
4.2 Gambaran Umum Rancangan Software AmviGS
WINTERTemplate
18Bab IV Pengumpulan Data serta PerancanganPerangkat Keras dan Lunak
4.3 Gambaran Umum Rancangan Alat Inspeksi Visual dan Grading yang Multi-view dan Terotomasi
Rancangan Alat Inspeksi Visual dan Grading Multi-view dan Terotomasi
Bagian LoadingBagian Inspeksi
Bagian Sortir
WINTERTemplate
19Bab IV Pengumpulan Data serta PerancanganPerangkat Keras dan Lunak
4.4 Pengujian Software AmviGS
Data Master Udang Size 16/20 Kualitas Reject
20Bab IV Pengumpulan Data sertaPerancangan Perangkat Keras dan Lunak
4.4 Pengujian Software AmviGS
Data Master Udang Size 21/25 Kualitas Reject
21Bab IV Pengumpulan Data sertaPerancangan Perangkat Keras dan Lunak
4.4 Pengujian Software AmviGS
Data Master Udang Size 26/30 Kualitas Accept
22Bab V Pengolahan DataFlow Chart
23Bab V Pengolahan DataHistogram
24Bab V Pengolahan DataCause Effect Diagram
25Bab V Pengolahan DataCheck Sheets
26Bab V Pengolahan DataScatter Diagram antara luasan dengan tebal pada size 16/20
27Bab V Pengolahan DataScatter Diagram antara tebal dengan luasan pada size 16/20
28Bab V Pengolahan DataHasil running Control Charts untuk Luasan Size 16/20
29Bab V Pengolahan DataHasil running Control Charts untuk Luasan Size 16/20
30Bab V Pengolahan DataHasil running Control Charts untuk Luasan Size 16/20
WINTERTemplate
31Bab VI Analisa dan Interpretasi Data
6.1 Analisis Rancangan Software AmviGS
•Mampu melakukan real-time inspection
•dengan rancangan menu “Run” dilakukan proses inspeksi sesaat setelah produk amatan selesai di-capture.
•Mampu mengimplementasikan metode 7 Tools of Quality dalam pengendalian kualitas proses.
•dengan rancangan menu tujuh metode tersebut, yaitu “Check Sheet”, “Pareto Diagram”, “Histogram”, “Flowchart”, “Cause Effect Diagram”, “Scatter Diagram” dan “Control Chart”.
32Bab VI Analisa dan Interpretasi Data
6.2 Analisis Rancangan Alat Inspeksi Visual dan Grading yang Multi-View dan Terotomasi
• Dari segi kecepatan:
• kecepatan operator sortir di PT GMCP adalah 857ekor/jam/orang,
• kecepatan alat adalah 116 ekor/jam/alat.
• Dari segi kapasitas maksimum:
• kapasitas maksimum operator sortir di PT GMCP adalah71,429 lbs/jam/orang,
• Kapasitas maksimum alat adalah 9,667 lbs/jam/alat.
• Jadi untuk dapat mencapai kecepatan inspeksi dan kapasitasmaksimum seperti pada kondisi eksisting diperlukan alatsebanyak ±7 buah.
34Bab VII Kesimpulan dan Saran
7.1 Kesimpulan
• Alat yang dirancang dapat mengidentifikasi mana raw material yang tergolong dalam kualitas accept atau reject, dan manaraw material yang tergolong size 16/20, 21/25, dan 26/30.
• Hasil identifikasi menggunakan metode RCA mengenaipenyebab cacat pada raw material dipengaruhi dariMan, Machine, Method, Material, Environment.
• Hasil perancangan alat dan software diberi nama AmviGS(Automated Multi-View Visual Inspection and Grading System), yang mengakomodasi fungsi inspeksi, grading, dansortir yang terotomasi.
35Bab VII Kesimpulan dan Saran
7.1 Kesimpulan
•Pengujian mekanisme digital image processing dilakukan dengan ujiverifikasi, yang dibuktikan dengan tidak adanya error pada saatrunning, sehingga mekanisme tersebut dapat dinyatakan terverifikasi.
•Dari hasil analisa terhadap proses 100% inspeksi didapatkan bahwakecepatan operator sortir di PT GMCP adalah 857ekor/jam/orang, sedangkan kecepatan alat adalah 116 ekor/jam/alat.
•Dan hasil analisa terhadap kapasitas maksimum yang mampu ditanganioperator sortir di PT GMCP adalah 71,429 lbs/jam/orang, sedangkanyang mampu ditangani alat adalah 9,667 lbs/jam/alat. Jadi untuk dapatmencapai kecepatan inspeksi dan kapasitas maksimum seperti padakondisi eksisting diperlukan alat sebanyak ±7 buah.
36Bab VII Kesimpulan dan Saran
7.2 Saran
• Alat dan software akan (ready) siap dipasarkan dengan error 0%, tapi saat ini
error yang terjadi masih 8%. Sehingga masih diperlukan perbaikan kecil
• Dapat dilakukan uji coba untuk obyek amatan lain dalam penelitian selanjutnya.
Hal ini dimaksudkan untuk membuktikan bahwa alat dan software ini tidak
terbatas hanya untuk udang vanname saja, namun juga dapat diaplikasikan
pada obyek amatan lainnya.
• Dalam pengembangan penelitian selanjutnya dapat ditambahkan sensor berat
agar dapat diketahui berat real dari obyek amatan.
• Untuk dapat mencapai kecepatan inspeksi seperti pada kondisi
eksisting, kecepatan conveyor dapat ditingkatkan. Misal dengan meperbesar
daya motor.
Terima Kasih
37Lampiran
38Bab II Tinjauan PustakaStudi Hasil Penelitian Sebelumnya
Alkano (2008) Riski (2008) Luviano (2009) Penelitian ini
Pengembangan Ilmu Pengendalian kualitas Antropometri Pengendalian kualitas Pengendalian kualitas
Objek penelitian Cover buku TanganMinuman kemasan
botolUdang vanname
Pendekatan
Non-contact inspection
Image processing
Real-time inspectionMulti-view inspection
and grading
Computer vision
system
Computer vision
systemImage Processing
Tools
House of quality
(HOQ)
Digital image
processing
Seven tools of qualityDigital image
processing
Control chart
Root Cause Analysis
(RCA)Seven tools of quality
Corrective actionRoot Cause Analysis
(RCA)
ImplementasiHardware dan
software
Hardware dan
softwareSoftware
Hardware dan
software
WINTERTemplate
41Bab VI Analisa dan Interpretasi Data
6.1 Analisis Rancangan Software AmviGS
•kelebihan dari software AmviGS:
•mampu mengidentifikasi dua parameter sekaligus di waktu yang bersamaan dan mudah untuk dioperasikan
•dapat dilakukan 100% inspeksi sekaligus mempercepat waktu inspeksi
• lebih akurat bila dibandingkan dengan inspeksi manual oleh manusia khususnya untuk produk-produk yang bentuknya tetap (seperti botol, kaleng, dan lainnya).
•Kekurangan dari software AmviGS:
•ketika menginspeksi produk-produk yang bentuknya tidak tetap (seperti udang) masih memungkinkan terjadi error.
•Selain itu jika terdapat perubahan mengenai parameter yang akan diinspeksi, maka diperlukan adjustment lagi agar sesuai dengan parameter
42Bab VI Analisa dan Interpretasi Data
6.2 Analisis Rancangan Alat Inspeksi Visual dan Grading yang Multi-View dan Terotomasi
• kelebihan dari Rancangan Alat :
• Penggunaan dua webcam ini dapat mendukung pengambilan citra lebih baik bila dibandingkan dengan satu webcam saja dimanfaatkan untuk meng-capture dua parameter yang berbeda sekaligus dalam waktu yang bersamaan.
• terdapat tiga proses kerja sekaligus, yaitu proses inspeksi, proses grading, dan proses sortir.
• prototype ini tidak susah untuk dintegrasikan dan dioperasikan.
43Bab VI Analisa dan Interpretasi Data
6.2 Analisis Rancangan Alat Inspeksi Visual dan Grading yang Multi-View dan Terotomasi
• Kekurangan dari Rancangan Alat :
• Setiap akan diuji coba, diperlukan waktu setup yang lama, hampir selama 30 menit
• Ketika prototype ini akan digunakan untuk running dan dipindahkan ke area yang lebih luas, juga harus dilakukan setup ulang yang waktunya pun tidak sebentar
• robustness dari prototype ini masih peka terhadapperubahan posisi.
33Bab VI Analisa dan Interpretasi Data
6.2 Analisis Rancangan Alat Inspeksi Visual dan Grading yang Multi-View dan Terotomasi
• didapatkan bahwa terdapat 6 dari 75 ekor udang yang salah identifikasi, sehingga error yang terjadi adalah 8%. Sekilas angka error 8% ini terlihat sangat besar untuk menyebutkan bahwa alat dan software ini tidak lebih baik dibandingkan dengan operator manusia di PT GMCP yang hanya memiliki error 5%.Mengapa?:
33Bab VI Analisa dan Interpretasi Data
6.2 Analisis Rancangan Alat Inspeksi Visual dan Grading yang Multi-View dan Terotomasi
• ada kemungkinan suatu saat operator tersebut salah mengklasifikasikan udang
• Perusahaan menggunakan metode penimbangan secara sampling , sedangkan peneliti menentukan size tidak dari penimbangan berat udangnya, namun dari perhitungan luasan dan tebal tiap udang.
• warna tiap udang yang berbeda-beda, dimana perbedaan warna udang ini merupakan hal yang alami dan tidak dapat dikontrol oleh manusia
44Bab V Pengolahan DataScatter Diagram antara luasan dengan tebal pada size 21/25
29Bab V Pengolahan DataScatter Diagram antara tebal dengan luasan pada size 16/20
30Bab V Pengolahan DataScatter Diagram antara luasan dengan tebal pada size 26/30
31Bab V Pengolahan DataScatter Diagram antara tebal dengan luasan pada size 26/30
45Bab V Pengolahan Data
Uji Paired-t Test
•Uji Paired-t Test ini dilakukan dengan bantuan software SPSS
15.0, dengan tingkat kepercayaan sebesar 95%. Berikut hasil
uji Paired-t Test yang ditunjukkan pada Gambar 5.2:
•Gambar 5.2 Hasil Uji Paired-t Test untuk Luasan
•Gambar 5.3 Hasil Uji Paired-t Test untuk Tebal
46Bab V Pengolahan Data
Uji Kecukupan Data
• Tebal (Software) N’ = 48.95634312
•Tebal (Manual) N’ = 48.56755003
•Luasan (Software) N’ = 131.6487285
•Luasan (Manual) N’ = 307.703077
47Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Defender:
•Diketahui:
•Upah operator sortir/bulan = Rp 975.000,- A
•Bunga bank saat ini (BI Rate) = 6% dimajemukkan per bulan selama setahun
• Ii efektif =
•P = A (P/A, 6.2%, 12)
•P = Rp 975.000 (P/A, 6.2%, 12)
•P = Rp 975.000 [
48Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Defender:
•P = Rp 975.000 x 8.292677123
•P = Rp 8.085.360,19 berlaku untuk 12 bulandi tahun pertama, 12 bulan di tahun kedua, dan12 bulan di tahun ketiga
•Sehingga P = Rp 8.085.360,19 = A1
•P1 = A1 (P1/A1, 6%, 3)
•P1 = Rp 8.085.360,19 (2.673)
•P1 = Rp 21.612.167,8 Present Worth
49Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Defender:
1 2 3 4 5 6 7 8 9 10 11 13
12
14 15 16 17 18 19 20 21 22 23
24
25 26 27 28 29 30 31 32 33 34 35 36
P1
A*(P/A, 6,2%, 12). A*(P/A, 6,2%, 12).
P
A*(P/A, 6,2%, 12).
P = Rp 8.085.360,19
A A A A A A A A A A A
A1 A1= A1*(P1/A1, 6%, 3),
= Rp 21.612.167,80.
P
P
50Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
•Diketahui:
•Biaya pembuatan 1 alat = Rp Rp 8.982.550,-
•Biaya investasi 7 alat = Rp Rp 8.982.550,- x 7 = Rp 62.877.850,-
•Biaya maintenance 1 alat = Rp 100.000,-/bulan
•Biaya operasional 1 alat = Rp 1.000.000,-.
•Sehingga pengeluaran rutin/bulan untuk 7 alat:
•= 7 x (Rp 100.000,- + Rp 1.000.000,-)
•= Rp 7.700.000,- A2
51Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
•P2 = A2 (P2/A2, 6.2%, 12)
•P2 = Rp 7.700.000,- (P2/A2, 6.2%, 12)
•P2 = Rp 7.700.000,- [
•P2 = Rp 63.853.613,85. berlaku untuk 12 bulan di tahun pertama, 12 bulan di tahunkedua, dan 12 bulan di tahun ketiga
•Sehingga P2 = Rp 63.853.613,85. = A3
52Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
•P3 = A3 (P3/A3, 6%, 3)
•P3 = Rp 63.853.613,85. (2.673)
•P3 = 170.680.709,80. Present Worth
•Selanjutnya nilai P3 ditambah dengan biayainvestasi atas 7 alat tersebut, sehinggadidapatkan total biaya investasinya adalah:
•Rp 170.680.709,80 + Rp 62.877.850,00 =
•Rp 233.558.559,80
53Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
•Error yang terjadi dalam proses sortir di PT GMCP = 5%
•Jika kecepatan 1 operator = 857 ekor/jam, dengan hari kerja efektif=25 hari/bulan, 7 jam/hari
•maka dalam sebulan = 857 ekor/jam x 25 x 7 = 149.975 ekor.
•Jika diasumsikan error 5% terjadi tiap hari, maka:
•= 149.975 ekor x 5% = ±7.475 ekor/bulan yang salah identifikasi
•Sehingga 7.475 ekor x Rp 1.719,- = Rp 12.849.525,-. (nilai uang darierror tersebut)
•Nilai ini dapat dianggap sebagai pendapatan per bulan bagi alatbaru. Hal ini dikarenakan alat baru ini memiliki error 0%, sehinggaapabila perusahaan mengaplikasikan alat ini error-nya akanmenjadi 0%, dan nilai uang dari error 5% yang lalu akan berubahmenjadi pendapatan.
54Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
•Selanjutnya nilai ini akan dianggap sebagai profit per bulan(A4), dan juga akan dihitung nilai Present Worth (P4) nya.
• P4 = A4*(P4/A4, 6,2%, 12).
• P4 = Rp 106.507.205,90. berlaku untuk 12 bulan di tahunpertama, 12 bulan di tahun kedua, dan 12 bulan di tahunketiga
• Sehingga P4 = Rp 63.853.613,85. = A5
• P5 = A5 (P5/A5, 6%, 3)
• P5 = Rp 63.853.613,85 (2.673)
• P5 = Rp 284.693.761,50. Present Worth
55Bab VI Analisa dan Interpretasi Data
* Perhitungan nilai ekonomis Challenger:
P3
1 2 3 4 5 6 7 8 9 10
12
11 13 14 15 16 17 18 19 20 21 22 23
24
25 16 27 28 29 30 31 32 33 34 35
36
P4
P4
P4
A2 A2 A2 A2 A2 A2 A2 A2
P2
P2
P2
A2*(P2/A2, 6,2%, 12) A2*(P2/A2, 6,2%, 12)
A2*(P2/A2, 6,2%, 12)
A3 A3
P2 = Rp
63.853.613,85
.
= A3*(P3/A3, 6%, 3),
= Rp 170.680.709,80
INV
ES
TAS
I
Rp 62.877.850,00
A4 A4 A4 A4 A4 A4A4*(P4/A4, 6,2%, 12) A4*(P4/A4, 6,2%, 12) A4*(P4/A4, 6,2%, 12)
A5A5
A5
= A5*(P5/A5, 6%, 3), P5
= Rp 284.693.761,50.
56Bab VI Analisa dan Interpretasi Data
* Perbandingan nilai ekonomis Defender & Challenger:
•Setelah didapatkan nilai Present Worth dari biaya investasidan profit, selanjutnya dapat dihitung selisih di antarakeduanya:
• Rp 284.693.761,50 – (170.680.709,80 + Rp 62.877.850,00) = Rp 51.135.201,70 yang merupakan pendapatan bagiperusahaan apabila mengaplikasikan alat ini.
• Dari perhitungan di atas dapat dibandingkan nilai Present Worth dari aset lama (operator sortir) dengan aset baru(alat yang dirancang):
• Aset lama = outflow sebesar Rp 21.612.167,80, yang merupakan biaya atau upah bagi operator sortir yang akandikeluarkan perusahaan selama umur ekonomis.
57Bab VI Analisa dan Interpretasi Data
* Perbandingan nilai ekonomis Defender & Challenger:
•Aset baru = inflow sebesar Rp 51.135.201,70, yangmerupakan pendapatan bagi perusahaan apabilamengaplikasikan alat tersebut selama umurekonomisnya. Jadi akan lebih menguntungkanperusahaan ketika mengaplikasikan alat tersebut.
WINTERTemplate
Daftar PustakaAkbar, Habibullah, dan Anton Satria Prabuwono, Oct. 2008. “Webcam Based System for Press Part Industrial Inspection”. IJCSNS International Journal of Computer Science and Network Security, vol. 8, no. 10.
Ebrahimi, Ebrahim, Kaveh Mollazade, dan Arman Arefi, 2011. “Detection of Greening in Potatoes Using Image Processing Techniques”. Journal of American Science 7, 3:243-247.
G., Narendra V., dan Hareesh K.S, May 2010. “Quality Inspection and Grading of Agricultural and Food Products by Computer Vision – A Review”. International Journal of Computer Applications (0975 – 8887), vol. 2, no. 1.
Gijo, E. V. 2005. “Improving Process Capability of Manufacturing Process by Application of Statistical Techniques”. Quality Engineering 17(2): 309-315.
Mery, Domingo dan Miguel Carrasco. 2005. “Automated Multiple View Inspection Based on Uncalibrated Image Sequences”. SCIA-LNCS 3540, pp. 1238-1247.
Rius-Vilarrasa, E, dkk. 2008. “Genetic Parameters for Carcass Composition and Performance Data in Crossbred Lambs Measured by Video Image Analysis”. Meat Science 81: 619-625.
WINTERTemplate
Daftar PustakaRius-Vilarrasa, E, dkk. 2009. “Evaluation of Video Image Analysis (VIA) Technology to Predict Meat Yield of Sheep Carcasses On-Line under UK Abattoir Conditions”. Meat Science 82:94-100.
Park, Mira, June 2009. “Automated Defect Inspection System by Pattern Recognition”. International Journal of Signal Processing and Pattern Recognation, vol. 2, no. 2.
Vote, D. J, dkk, April 2009. “Video Image Analysis as a Potential Grading System for Uruguayan Beef Carcasses”. Journal of Animal Science 87:2376-2390.
Besterfield, Dale H, dkk. 1995. Total Quality Management. New Jersey: Prentice Hall.
Foster, Thomas. 2001. Managing Quality. An Integrative Approach. Upper Saddle River: Prentice Hall.
Groover, Mikel P. 2001. Automated Manufacturing System and Computer Integrated Manufacturing. New Jersey: Prentice Hall.
Montgomery, Douglas C. 2005. Statistical Quality Control: A Modern Introduction. Arizona: John Wiley & Sons, Inc.
Sutoyo, T., dkk. 2009. Teori Pengolahan Citra Digital. Semarang: UDINUS
WINTERTemplate
Daftar PustakaLotfi, Ehsan, dan Hosein Mirzaee. 2007. “Automatic Quality Control of Fried Potato Using Machine Vision”. First Joint Congress on Fuzzy and Intelligent Systems. Iran, 29-31 Agustus.
Mukhopadhyay, Subhas C. 2006. “Sensing and Instumentation for A Low Cost Intelligent Sensing System”. SICE-ICASE International Joint Conference. Korea, 18-21 September.
Prasetyawan, Yudha, Nani Kurniati, dan Rossy Ariansyah. 2008. “Intelligent Inspection System Cell Design Using Computer Vision System to Develop Quality Control System (Case Study: PT Berlina, Tbk.)”. Proceedings of the 9th Asia Pacific Industrial Engineering & Management System Conference. Indonesia, 3-5 Desember.
Away, Yuwaldi. 2006. “Sistem Visual Terpadu Untuk Proses Inspeksi Dalam Industri”. Jurnal Rekayasa Elektronika, vol. 5, no. 1.
Alkano, Kenny. 2008. “Perancangan Intelligent Inspection System Berbasis Computer Vision System Terintegrasi dengan Statistical Process Control”. Tugas Akhir TeknikIndustri. Surabaya: Institut Teknologi Sepuluh Nopember.
L., Gary Eka. 2009. “Perancangan Automated Visual Inspection System untukMembangun Aplikasi Piranti Lunak Seven Tools of Quality secara Real-Time”. TugasAkhir Teknik Industri. Surabaya: Institut Teknologi Sepuluh Nopember.
WINTERTemplate
Daftar PustakaRiski, M. Arya. 2008. ”Perancangan Sistem Pengukuran Digital untuk AntropometriTangan Menggunakan Teknologi Image Processing”. Tugas Akhir Teknik Industri.Surabaya: Institut Teknologi Sepuluh Nopember.
Investor Daily. 2010. ”Udang Komoditas Unggulan”, accessed 15 September 2011,www.kkp.go.id/index.php/arsip/c/2026/udang-komoditas-unggulan/
Jurusan Pendidikan Teknik Elektro, Fakultas Teknik, Universitas Negeri Yogyakarta. n.d. ”Mikrokontroler Atmega16”, accessed 11 Desember 2011,http://www.google.co.id/url?sa=t&rct=j&q=apa+itu+mikrokontroler+filetype%3Adoc&source=web&cd=1&ved=0CBoQFjAA&url=http%3A%2F%2Fstaff.uny.ac.id%2Fsites%2Fdefault%2Ffiles%2Ftmp%2FMateri%2520PPM%2520MIKROKONTROLER.doc&ei=62DjToUVwdWtB6ek4akI&usg=AFQjCNFlrVMmpyQyetKPv16Iasz9I_wKEQ&sig2=eLBs8L6jTY9q9_FMRc7qzQ
Kabarbisnis.com. 2010. “Udang Vanname Lompatan Baru Ekspor PerikananIndonesia”, accessed 13 September 2011,www.kabarbisnis.com/read/2816225
Mahesa, Raka. 2010. “Per Agustus, Ekspor Udang Turun 5.76%”, accessed 16 September 2011, http://industri.kontan.co.id/v2/read/1290051308/52608/Per-Agustus-ekspor-udang-turun-576
WINTERTemplate
Daftar Pustaka
Modul Input Output On Off Diskrit. n.d., accessed 11 Desember 2011,http://www.scribd.com/doc/51195082/P1-DSK-R1-1
Wasista, Sigit. 2009. “Transformasi Derajat Keabuan”, accessed 29 September 2011,http://wasista-eepis.blogspot.com/2009/03/transformasi-derajat-
keabuan.html
Tham, M. 1997. “An Introduction To SPC”, Newcastle University, accessed 23 September 2011, http://lorien.ncl.ac.uk/ming/spc/spc0.htm
Sensor Optocoupler. 2007, accessed 11 Desember 2011, http://elektronika-elektronika.blogspot.com/2007/03/sensor-optocoupler.html
Six Sigma Indonesia Center of Excellent. 2008. “Control Charts”, accessed 25 September 2011, http://sixsigmaindonesia.com/blog/?p=56
Total Quality Management. 2008. “Management of Process Quality”, accessed 25 September 2011 http://totalqualitymanagement.wordpress.com/2008/09/21/management-of-process-quality/
Recommended