5 PEMODELAN SISTEM

Rekayasa model sistem manajemen ahli perencanaan produksi karet

spesifikasi teknis, pada penelitian ini menggunakan pendekatan sistem.

Pendekatan ini merupakan metodologi untuk mencapai tujuan dari perancangan

model yang mengacu pada pola pikir sistem, berorientasi pada tujuan dengan cara

pandang utuh meliputi keseluruhan sistem serta efektif dalam pengambilan

keputusan.

5.1 Konfigurasi Model

Mengacu kepada kerangka pemikiran penelitian untuk mengembangkan

model perencanaan produksi pada rantai pasok agroindustri karet spesifikasi

teknis, maka direkayasa suatu model pengambilan keputusan yang diintegrasikan

dengan sistem pakar yang dikenal dengan sistem manajemen ahli. Model yang

dirancang dari hasil pemodelan secara konseptual selanjutnya dikembangkan

menjadi perangkat lunak sistem manajemen ahli yang diberi nama Proplan-TSR

20 (Production Planning for Technically Specified Rubber).

Pada sistem manajemen ahli, elemen-elemen sistem dipaparkan secara

rinci. Sistem integrasi dari setiap elemen direkayasa secara paralel maupun serial

sehingga dapat dioperasikan dan diimplementasikan sesuai dengan pencapaian

tujuan dari suatu keputusan. Untuk mewujudkan perekayasaan sistem manajemen

ahli dalam mengambil keputusan yang berkaitan dengan perencanaan produksi

pada rantai pasok karet spesifikasi teknis, dilaksanakan perekayasaan sistem

mengikuti tahapan pengembangan sistem manajemen ahli yang diajukan oleh,

Turban (2005). Konfigurasi model sistem manajemen ahli perencanaan produksi

untuk rantai pasok karet spesifikasi teknis direkayasa dalam konfigurasi

pemodelan yang disajikan pada Gambar 26.

Komponen penyusun dalam konfigurasi sistem manajemen ahli

perencanaan produksi agroindustri karet spesifikasi teknis terdiri atas enam

komponen yang saling terkait yaitu : 1) sistem manajemen dialog, 2) sistem

pengolahan terpusat, 3) sistem manajemen basis data, 4) sistem manajemen basis

pengetahuan, 5) mekanisme inferensi, dan 6) sistem manajemen basis model.

70

PENGGUNA

SISTEM MANAJEMEN

BASIS DATA

Data harga dan

volume

permintaan

TSR-20

Data proses dan

waktu kerja,

kapasitas mesin

Data rencana dan

realisasi produksi

Data pasokan

bahan baku TSR-20

SISTEM MANAJEMEN BASIS

PENGETAHUAN

- basis aturan himpunan

data input fuzzy

prakiraan harga, volume

permintaan dan

ketersediaan bahan

baku

- basis aturan himpunan

data ouput fuzzy jumlah

produksi

- basis logika aturan

fuzzy rencana produksi

Mekanisme Inferensi

( Rule-Base Skenario )

DATA MODEL PENGETAHUAN

SISTEM PENGOLAHAN

TERPUSAT

SISTEM MANAJEMEN

DIALOG

SISTEM MANAJEMEN

BASIS MODEL

Prakiraan

permintaan TSR

dunia

Prakiraan harga

TSR dunia

Ketersediaan bahan

baku

Ketersediaan

kapasitas

Pengukuran kinerja

rantai pasok

Gambar 26 Konfigurasi sistem manajemen ahli perencanaan produksi

Rekayasa sistem manajemen ahli perencanaan produksi menggunakan basis

model yang disusun secara simultan. Masukan berupa data yang diolah dalam

model prakiraan menjadi masukan pad model perencanaan produksi. Hasil yang

diperoleh pada model rencana produksi menjadi input pada model ketersediaan

kapasitas dan model pengukuran kinerja rantai pasok. Diagram alir yang

menggambarkan alur pemodelan dalam rangka perekayasaan sistem manajmen

ahli perencanaan produksi ditampilkan pada Gambar 27.

71

Gambar 27 Diagram alir model sistem manajemen ahli perencanaan produksi

rantai pasok karet spesifikasi teknis

Output : jumlah rencana produksi

Penghitungan ketersediaan kapasitas

Penghitungan kinerja rantai pasokan Keputusan rencana produksi

Keputusan nilai kinerja rantai pasokan

Jalankan data pelatihan

Jalankan data testing

Jalankan data pelatihan

Jalankan data testing

Input :Data harga dan volume input :data pasokan bahan baku

Penentuan struktur jaringan JST

Mulai

Penentuan struktur jaringan JST

Jalankan hasil prakiraan input :

data jumlah

produksi Output : prakiraan

harga dan permintaan

Output : prakiraan

pasokan bahan baku

Jalankan hasil prakiraan

Pembuatan basis aturan fuzzy

Fuzifikasi nilai prakiraan harga

dan volume permintaan

Fuzifikasi data jumlah

produksi Fuzifikasi nilai prakiraan

pasokan bahan baku

Sistem inferensi fuzzy model Mamdani

Defuzifikasi dengan metode Centroid

72

5.2 Kerangka Sistem

5.2.1 Sistem Manajemen Dialog

Sistem manajemen dialog berfungsi untuk mengatur interaksi antara

pengguna dengan sistem manajemen ahli. Pengguna memberikan input baik

berupa data atau perintah untuk diolah oleh sistem pengambil keputusan yang

terdiri dari sistem pakar dan mesin inferensi berbasis pengetahuan sehingga

dihasilkan keluaran berupa hasil pengolahan data. Agar memudahkan interaksi

antara pengguna dengan sistem perlu tampilan dan struktur sistem yang interaktif

dan mudah digunakan (user friendly).

Pengguna perangkat lunak Proplan-TSR terdiri dari : 1) administrator

adalah staf perusahaan yang memiliki akses untuk mengelola data-data yang

diperlukan untuk operasional sistem penunjang keputusan, 2) pakar adalah

pengguna yang berhak mengelola aturan nilai variabel, kategori untuk input dan

output, logika aturan sebagai basis pengetahuan dari model, dan 3) manajer atau

pengambil keputusan yang menentukan keputusan akhir rencana produksi dan

nilai kinerja rantai pasokan. Bentuk komunikasi antara pengguna dan sistem

menggunakan modul-modul yang terhubung satu sama lain. Modul dapat dipilih

sesuai dengan kebutuhan dan kewenangan pengguna menggunakan kotak dialog

dan hasil pengolahan ditampilan menu.

5.2.2 Sistem Pengolahan Terpusat

Sistem pengolahan terpusat adalah subsistem yang berfungsi untuk

mengendalikan operasional sistem secara terintegrasi. Sistem pengolahan terpusat

merupakan penyangga untuk menjamin adanya keterkaitan antar sistem

manajemen dialog, sistem manajemen basis data, sistem manajemen basis

pengetahuan dan sistem manajemen basis model sehingga tujuan untuk

memutuskan jumlah produksi dan tingkat kinerja rantai pasokan dapat dipenuhi.

5.2.3 Sistem Manajemen Basis Data

Rekayasa Sistem Manajemen Ahli (SMA) membutuhkan sejumlah data

yang digunakan untuk pengolahan bagi sistem manajemen basis model.

Kumpulan data pada sistem manajemen basis data dibedakan atas 1) data statis

73

yang telah disimpan pada basis data 2) data dinamis yang bersifat fleksibel dan

interaktif yang diperlukan untuk melakukan penyesuaian sehingga memenuhi

kebutuhan pengguna. Kumpulan data statis dalam rekayasa model SMA ini adalah

data harga dan volume permintaan karet spesifikasi teknis di perdagangan

internasional, jumlah hari kerja, jumlah pasokan bahan olah karet, realisasi

produksi, rencana awal produksi. Data statis disimpan kedalam sistem

manajemen basis data oleh administrator sistem.

Data dinamis adalah pengetahuan pakar yang digunakan dalam melakukan

inferensi berbasis pengetahuan dari hasil pemodelan yang telah disusun. Data

sebagai masukan adalah data linguistik untuk prakiraan harga, prakiraan

permintaa dan ketersediaan bahan baku serta data keluaran berupa data berupa

himpunan keanggotaan untuk menentukan tingkat produksi. Basis data yang

digunakan dalam perancangan sistem manajemen ahli perencanaan produksi ini

terdiri atas :

1. Basis data harga dan volume.

Data yang diinput dalam basis data ini adalah harga dan volume permintaan

pada salah satu perdagangan karet spesifikasi teknis. Pada penelitian ini

digunakan data perdagangan transaksi pada pasar komoditas SICOM

(Singapore Commodity Exchange). Pasar SICOM dipilih karena transaksi

karet spesifikasi teknis pada pasar komoditas SICOM relatif banyak digunakan

dala transaksi penawaran dan penjualan yang dilakukan oleh tiga negara

penghasil karet utama (Thailand, Indonesia dan Malaysia) dengan para pembeli

dari berbagai negara di dunia. Basis data juga dapat menggunakan data

transaksi pasar komoditas lain seperti TOCOM (Tokyo Commodity Exchange)

ataupun pasar fisik jika data yang dibutuhkan tersedia dan sesuai dengan

kepentingan pengambilan keputusan. Dengan menggunakan metode jaringan

syaraf tiruan, basis data ini akan digunakan untuk menentukan prakiraan harga

dan prakiraan permintaan karet spesifikasi teknis.

2. Basis data pasokan bahan baku.

Basis data ini berisi data pasokan bahan olah karet yang diterima oleh pabrik

karet spesifikasi teknis sebagai unit pengolah. Data ini digunakan untuk

74

memprediksi pasokan bahan olah karet (bokar) untuk periode yang akan

datang. Metode prakiraan yang digunakan adalah metode jaringan syaraf

tiruan.

3. Basis data produksi.

Basis data berisi rencana produksi, realisasi pemenuhan rencana produksi yang

digunakan untuk model perencanaan produksi.

4. Basis data kapasitas produksi.

Basis data ini berisi data yang dibutuhkan untuk menghitung kapasitas

produksi yang tersedia. Data yang diinput adalah jumlah mesin, waktu yang

dibutuhkan untuk memproduksi karet spesifikasi teknis untuk setiap tahapan

proses, jumlah waktu yang tersedia, utilisasi dan efisiensi yang digunakan

dalam penghitungan kapasitas.

5.2.4 Sistem Manajemen Basis Pengetahuan

Basis pengetahuan digunakan untuk menunjang model yang meliputi

akuisis pengetahuan dan representasi pengetahuan yang diperoleh dari para pakar,

studi literatur dan pengamatan langsung ke lapangan. Interaksi dengan pakar

dilakukan melalui metode FGD (focus group discussion). Pakar pada akuisisi

pengetahuan dalam model ini adalah praktisi pada Kantor Pemasaran Bersama

Nusantara (PT KPBN), praktisi di Gapkindo (Asosiasi Gabungan Perusahaan

Karet Indonesia), praktisi di PTPN VIII, praktisi di PT Bakrie Sumatera

Plantation Tbk. sebagai pelaksana fungsi produksi dan dan pakar dari Pusat

Penelitian Karet sebagai ahli dalam bidang karet.

Basis pengetahuan digunakan pada model perencanaan produksi untuk

menentukan 1) jenis variabel yang akan dimodelkan dalam perencanaan produksi

sebagai faktor pembentuk dinamika dalam perencanaan produksi, 2) nilai kategori

untuk setiap variabel, 3) logika aturan fuzzy dalam bentuk If (kondisi)-Then-

Rules (aksi). Basis pengetahuan ini merupakan sumber kecerdasan sebagai yang

pengganti pakar dalam memutuskan jumlah produksi.

75

5.2.5 Mekanisme Inferensi

Mekanisme inferensi merupakan bagian yang mengarahkan dan

memanipulasi fakta, pengetahuan dan model yang disimpan dalam basis

pengetahuan untuk menarik suatu kesimpulan. Bagian ini berfungsi untuk

melakukan pengujian terhadap sejumlah fakta dan kaidah-kaidah aturan yang

digunakan serta membuat keputusan sesuai penalaran yang dilakukan. Pada

model sistem manajemen ahli Proplan-TSR sebagai input adalah nilai prakiraan

untuk harga dan volume permintaan dunia ke dalam kategori tinggi, normal dan

rendah. Input lain adalah hasil prakiraan pasokan bahan baku yang

dikelompokkan ke dalam kategori tinggi, sedang, rendah yang menjadi

himpunan fuzzy input. Sedangkan sebagai output adalah jumlah produksi yang

dikelompokkan ke dalam himpunan fuzzy tinggi, normal dan rendah.

Metode yang digunakan untuk melakukan inferensi adalah fuzzy inference

system dengan teknik Mamdani dengan menggunakan fungsi implikasi minimum

sedangkan komposisi aturan yang digunakan adalah nilai maksimum. Metode

defuzifikasi yang digunakan adalah metode centroid, sehingga nilai tegas (crisp)

merupakan nilai titik pusat area fuzzy.

5.2.6 Sistem Manajemen Basis Model

Menurut Turban (2003) basis model merupakan inti dalam mengelola

logika pada perancangan sistem penujang keputusan. Menurut Suryadi dan

Ramdhani (2002) komponen basis model dalam suatu sistem penunjang

keputusan harus menunjang proses pengambilan keputusan. Sistem

manajemen ahli perencanaan produksi Proplan-TSR 20, mengintegrasikan sub

model yang saling berhubungan dengan dukungan basis data serta basis

pengetahuan. Perancangan sistem manajemen basis model yang dibangun adalah

hasil integrasi dari beberapa model yaitu : 1) model prakiraan harga dan

permintaan, 2) model ketersediaan bahan baku, 3) model perencanan produksi,

4) model ketersediaan kapasitas produksi, dan 5) model pengukuran kinerja.

Setiap model menggunakan pendekatan atau metode yang telah teruji

berdasarkan studi literatur yaitu metode: 1) jaringan syaraf tiruan untuk

prakiraan harga dan volume permintaan, serta prakiraan ketersediaan bahan baku,

76

2) metode fuzzy inference system untuk perencanaan produksi, 3) metode

perencanaan kapasitas untuk model ketersediaan kapasitas, dan 4) metode

bullwhip effect untuk mengukur kinerja rantai pasok.

5.3 Rekayasa Model

Rekayasa atau rancangbangun model digunakan untuk merancang model

perencanaan produksi yangmengintegrasikan dinamika pada sisi permintaan dan

sisi pasokan. Model perencanaan produksi ini juga diintegrasikan dengan model

pengukuran kinerja yang bersifat backward untuk menentukan kinerja rantai

pasok atas dasar realisasi dari rencna produksi yang dihasilkan. Integrasi

dilakukan dengan prinsip menggunakan keluaran dari suatu model akan dijasikan

masukan pada model berikutnya. Model yang direkayasa akan dibahas pada sub

bab berikut:

5.3.1 Model Prakiraan Harga dan Permintaan

Penentuan prakiraan permintaan adalah langkah awal dalam penyusunan

rencana produksi. Prakiraan permintaan pada umumnya dilakukan dengan

metode time series dengan memperhatikan pola data permintaan periode

sebelumnya tanpa melibatkan pengaruh dari faktor lain yang berpengaruh secara

signifikan seperti perkembangan harga. Sebagai salah satu pengembangan

metode untuk menyusun prakiraan permintaan pada penelitian ini digunakan

metode Jaringan Syaraf Tiruan (JST) backpropagation.

Penelitian prakiraan permintaan produk agroindustri terdahulu oleh

Indrawanto (2007) dan Surjasa ( 2011) menggunakan satu parameter untuk satu

arsitektur JST, dimana arsitektur JST untuk prakiraan harga dibuat secara

terpisah dengan arsitektur JST untuk prakiraan permintaan. Pada penelitian ini

parameter harga dan volume permintaan digunakan dalam satu arsitektur JST,

sehingga model mempertimbangkan secara bersama-sama pola permintaan dan

pola harga pada masa lalu untuk memprediksi harga dan permintaan di masa

yang akan datang. Hasil dari model ini adalah prakiraan harga dan prakiraan

permintaan yang dijadikan input untuk model perencanaan produksi.

77

Perancangan JST pada model ini menggunakan algoritma backpropagation

dengan lapisan tersembunyi tunggal (single hidden layer). Algoritma

backpropagation banyak digunakan karena kemampuannya dalam mengenali

pola data yang digunakan selama pelatihan serta kemampuan jaringan untuk

memberikan respon yang benar terhadap pola data input dengan pola yang

dipakai selama proses pelatihan.

Algoritma ini umumnya menggunakan satu lapisan tersembunyi namun

juga bisa ditambahkan beberapa layar tersembunyi dinatara input layer dan

output layer. Algoritma backpropagation merupakan algoritma pembelajaran

terawasi (supervised learning) dan terdiri atas tiga tahapan yaitu 1) fase

feedforward (propogasi maju) pola input pelatihan, 2) fase penghitungan dan

backpropagation error dan 3) fase penyesuaian bobot supaya output mendekati

target (Siang , 2005 ; Patuelli, 2006 ; Seminar et al., 2010 ; Munakata, 2008)

Pada fase feedforward, sinyal masukan dipropagasikan ke lapisan

tersembunyi menggunakan fungsi aktivasi. Keluaran dari layar tersembunyi

dibandingkan dengan target yang harus dicapai. Selisih antara keluaran dan target

merupakan nilai kesalahan. Jika nilai kesalahan lebih kecil dari batas toleransi

yang ditetapkan , maka iterasi dihentikan, namun jika nilai kesalahan lebih besar

dari batas toleransi, dilakukan modifikasi bobot untuk setiap garis dalam jaringan.

Pada fase backpropagation dilakukan penghitungan faktor untuk

mendistribusikan kesalahan pada semua lapisan. Selanjutnya pada fase

penyesuaian bobot dilakukan modifikasi bobot semua garis sehingga mendekati

nilai target . Ketiga fase tersebut diulangi sehingga kondisi yang ditargetkan

tercapai baik berupa jumlah epoch yang ditetapkan atau jika nilai kesalahan yang

terjadi lebih kecil dari toleransi yang diijinkan (Siang 2005).

Algoritma backpropagation bekerja dengan menggunakan error output

untuk melakukan perubahan nilai bobot dalam arah mundur. Error output

diperoleh melalui tahap forward propagation dengan mengaktifkan neuron-

neuron menggunakan fungsi aktivasi. Parameter output untuk menentukan kinerja

simulasi pada model ini adalah Mean Square Error (MSE), jumlah iterasi (epoch)

dan koefisien korelasi. Perancangan JST backpropagation perlu dilakukan

penentuan fungsi aktivasi, algoritma training, lapisan tersembunyi dan nilai target

78

Data historis

volume dan harga

karet spesifikasi

teknis (TSR 20)

Normalisasi Data

Rancangan Struktur Jaringan :

- Jumlah Input

- Jumlah Output

- Jumlah Data Pelatihan

- Jumlah Data Pengujian

- Jumlah lapisan Tersembunyi

- Jumlah neuron tiap lapisan

Fungsi Aktivasi Untuk Setiap Lapisan

- Target Error yang diinginkan

Evaluasi Hasil Prakiraan

Tentukan Jumlah Data Prakiraan

Jalankan Data Testing

Jalankan Hasil prakiraan

Perbaikan Nilai

Bobot Parameter

Jalankan Data Pelatihan

Nilai Bobot Parameter

Memuaskan ?

Memuaskan ?

Memuaskan ?

Selesai

Mulai

Y

T

Y

T

Y

T

seperti toleransi error dan jumlah iterasi. Tahap perancangan arsitektur JST

ditampilkan pada Gambar 28.

Gambar 28 Tahapan perancangan JST prakiraan harga dan volume permintaan

79

Perancangan arsitektur JST backpropagation secara rinci mengikuti

langkah-langkah sebagai berikut :

1. Menentukan fungsi fktivasi

Fungsi aktivasi dalam backpropagation harus memenuhi syarat yaitu ;

kontinyu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun

(Siang, 2005). Pada perancangan arsitektur JST dalam penelitian ini fungsi

aktivasi yang digunakan diantaranya :

a. Sigmoid biner (logsig)

Formula fungsi sigmoid biner adalah : logsig (n) = 1/ {1+ exp (-n)}

b. Sigmoid bipolar (tansig)

Formula fungsi sigmoid bipolar adalah : tansig (n) = 2/ {1+ exp (-2*n) -1}

c. Purelin (identitas)

Formula untuk fungsi purelin adalah: purelin (n) = n

2. Memilih algoritma training

Pada tahap pelatihan perlu ditentukan parameter untuk melakukan

simulasi, diantaranya adalah arsitektur jaringan, nilai momentum dan target.

Menurut Siang (2005) agar pelatihan berjalan lebih cepat dalam proses

pembelajaran menggunakan jaringan backpropagation dapat digunakan metode

penurunan gradien (traingd), dengan cara 1) penambahan momentum (traingdm),

2) momentum dan learning rate (traingdx), 3) Levenberg-Marquadt (trainglm), 4)

Resilient Backpropagation.

Momentum merupakan perubahan bobot yang berdasarkan pada arah

gradien pola terakhir dan pola data yang dimasukkan sebelumnya.Untuk

menentukan nilai momentum dapat dilakukan dengan trial and error. Nilai

momentum yang dapat digunakan antara 0 dan 1 (Siang, 2005). Nilai momentum

dapat ditingkatkan untuk menghindari perubahan bobot yang terlalu dratis,

sebagai akibat adanya data yang berbeda secara signifikan dengan data-data lain.

Pada penelitian ini proses pelatihan menggunakan 70% dari pola data dan proses

pengujian menggunakan 30% pola data yang menggunakan 50 set data rata-rata

mingguan yang diambil dari data transaksi harian di bursa komoditas SICOM

tahun 2010.

80

3. Menentukan lapisan tersembunyi

Lapisan tersembunyi berguna untuk mengenali pola data, pada tahapan ini

ditentukan jumlah lapisan dan jumlah neuron (ukuran layer). Secara teoritis

dinyatakan bahwa jaringan dengan satu lapisan tersembunyi cukup memadai

untuk mengenali sembarang pemetaan antara pola masukan dan target dengan

tingkat akurasi yang ditetapkan (Seminar et al.2010 dan Siang, 2005). Penentuan

jumlah lapisan tersembunyi dilakukan secara trial and error dengan mengacu

kepada beberapa alternatif fungsi aktivasi, jumlah neuron serta indikator (target)

yang ingin dicapai.

4. Menentukan target nilai kesalahan

Target nilai kesalahan adalah parameter yang ditentukan sehingga iterasi

dapat dihentikan. Iterasi akan berhenti bila nilai error lebih kecil dari batas yang

ditentukan atau jumlah epoch sudah mencapai batas yang ditentukan. Indikator

nilai kesalahan pada JST back propagatioan pada umumnya berdasarkan kuadrat

rata-rata kesalahan (MSE) yang dijadikan sebagai nilai target (goal). Pada

penelitian ini nilai MSE yang ditargetkan adalah 0,00001. Selain target kesalahan

indikator pencapaian dibatasi dari jumlah iterasi (epoch) sebanyak 5000 kali

iterasi.

5.3.2 Model Prakiraan Ketersediaan Bahan Baku

Bahan baku pembuatan karet spesifikasi teknis kualitas tinggi adalah

lateks, sedangkan untuk kualitas rendah adalah lateks yang telah mengumpal yang

sering disebut bahan olah karet (bokar). Data pasokan bahan baku yang diterima

baik yang berasal dari kebun sendiri dan pasokan dari petani dari periode 2009-

2011 digunakan untuk membaca pola guna memprediksi pasokan yang akan

datang. Metode yang digunakan pada model ini adalah JST backpropagation.

Meskipun metode yang digunakan sama dengan model prakiraan dan harga

permintaan, namun terdapat perbedaan pada kombinasi neuron input layer.

Pada model ini hanya ada satu parameter untuk neuron input layer yaitu

pasokan bahan baku tanpa memperhatikan pola hubungan antara jumlah pasokan

dengan faktor lain seperti harga, sedangkan pada model prakiraan harga dan

volume neuron input layer menggunakan neuron dari parameter harga dan volume

81

serta interaksi keduanya dalam pengenalan pola. Data untuk pelatihan pengenalan

pola hanya memperhatikan pola yang dibentuk dari data input pasokan bahan

baku, sedangkan neuron output adalah prakiraan pasokan bahan baku untuk

periode yang akan datang. Tahapan perancangan arsitektur jaringan syaraf tiruan

dengan algoritma backpropagation yang digunakan pada model ini secara ringkas

disajikan pada Gambar 29.

Gambar 29 Perancangan arsitektur JST prakiraan ketersediaan bahan baku

Mulai

Arsitektur JST

Pelatihan JST Data Pelatihan

Target

sesuai

Pengujian JST Data Pengujian

Akurasi

sesuai

Implementasi JST Data Harian

Output: Hasil

Prakiraan

Selesai

Ya

Tidak

Tidak

Ya

82

Pada model prakiraan asumsi yang digunakan adalah kondisi yang terjadi

pada periode sebelumnya akan memiliki pola yang sama dengan kondisi yang

akan datang. Hasil prakiraan ketersediaan bahan baku selanjutnya dikategorikan

dalam label linguistik berdasarkan pengetahuan pakar, untuk menentukan rentang

nilai pada model perencanaan produksi.

5.3.3 Model Perencanaan Produksi

Model perencanaan produksi bertujuan untuk menyusun Jadual Induk

Produksi. Metode yang digunakan adalah Fuzzy Inference System (FIS) dengan

teknik penalaran Mamdani, disebut juga metode Max Min yang dikembangkan

oleh Ebrahim Mamdani di awal tahun 70-an. Penalaran Mamdani memiliki

kelebihan dimana nilai input dan output dalam bentuk fuzzy sehingga lebih

fleksibel dan memiliki toleransi terhadap data yang tidak tepat dan pengambilan

keputusan didasarkan pada sejumlah basis aturan If-Then-Rules (Unahabhoka,

2007; Kusumadewi, 2003). Sistem fuzzy merupakan suatu cara pengambilan

keputusan melalui pendekatan logika fuzzy untuk memecahkan masalah-masalah

yang mengandung ketidaktepatan (imprecision). Tahapan pemodelan

penyusunan rencana produksi disajikan pada Gambar 30.

Gambar 30 Tahapan penentuan rencana produksi

Fuzzifikasi

Logika keputusan

Defuzzifikasi

Prakiraan harga dan

volume permintaan

Prakiraan pasokan

bahan baku

Jumlah produksi

sebelumnya

Basis pengetahuan

Rencana Produksi

83

Pemilihan metode FIS bertujuan untuk menyesuaikan rencana produksi

sehingga adaptif terhadap dinamika harga dan permintaan di sisi hilir, dan

dinamika ketersediaan bahan baku di sisi hulu serta ketersediaan kapasitas

produksi pada periode perencanaan yang lebih pendek. Secara garis besar

penggunaan FIS dengan metode Mamdani mengikuti langkah sebagai berikut :

1. Penyusunan database untuk data input

Input data yang berfungsi sebagai antacendent distrukturkan berdasarkan

hasil dari model prakiraan harga dan permintaan, dan ketersediaan bahan baku.

Berdasrkan hasil prakiraan harga dan volume permintaan dilakukan

pengelompokkan nilai harga dan nilai permintaan. Pengetahuan pakar diakuisi

untuk melalui wawancara mendalam untuk menentukan klasifikasi tingkat

permintaan dan tingkat harga. Hasil perbandingan nilai prakiraaan nilai tertinggi

dan nilai terendah dijadikan basis perhitungan untuk memperoleh klasifikasi

aturan yang akan digunakan sebagai input data pada FIS. Kondisi normal adalah

kondisi diantara kategori tinggi dan rendah. Basis data untuk input disusun dalam

bentuk data linguistik dengan kombinasi beberapa himpunan nilai. Himpunan

nilai fuzzy data input dan output Fuzzy Inference System disajikan pada Tabel 8.

Tabel 8 Himpunan nilai fuzzy untuk data input dan data Output

Parameter Anggota himpunan fuzzy

Pertama Kedua Ketiga

INPUT

Prakiraan harga (PH) Rendah Normal Tinggi

(US cent/kg) [PH < 269 ] [330 < PH < 405] [PH > 493]

Prakiraan Rendah Normal Tinggi

Permintaan (PP)

(lots) [PP < 837] [1300 < PP < 1900 ] [PP > 2369 ]

Ketersediaan bahan

baku (KB) Rendah Sedang Tinggi

(ton basah/bulan) [KB < 45] [ 48 < KB < 53] [KB > 57]

OUTPUT Rendah Sedang Tinggi

Jumlah produksi (JP) [JP < 65] [105 < JP < 150] [JP > 202]

(ton kering/bulan)

84

2. Proses fuzzifikasi

Fuzzifikasi adalah proses merubah nilai input data menjadi bernilai fuzzy

menggunakan fungsi keanggotaan (membership function) tertentu. Pada model ini

proses fuzzifikasi menggunakan fungsi keanggotaan TFN (Triangular Fuzzy

Number) dan fungsi keanggotaan trapezoid . Input data hasil prakiraan harga dan

permintaan memiliki nilai linguistik tinggi, normal dan rendah. Demikian juga

nilai fuzzy untuk input data ketersediaan bahan baku juga dikategorikan ke dalam

selang nilai tinggi, sedang dan rendah. Untuk output data berupa jumlah produksi

dikategorikan tinggi, normal dan rendah. Seluruh nilai untuk input data dan

output data dalam label linguistik, selanjutnya disusun kedalam himpunan

keanggotaan fuzzy dengan mengacu pada semesta pembicaraan.

3. Penyusunan logika keputusan

Logika keputusan yang disusun mengikuti aturan yang berdasarkan logika

“ jika maka” (If Then Rule). Aturan “ jika maka” dapat disusun berdasarkan hasil

akuisisi pengetahuan pakar di lapangan yang mempunyai kemampuan dalam

bidang yang dikerjakannya (Elmahi, 2002 ; Pongpaibool, 2007). Pada penelitian

ini logika untuk aturan “jika-maka” digunakan operator “and” untuk membangun

logika pada antacendent. Alternatif aturan yang digunakan untuk menyusun

rencana produksi sebagai hasil akuisisi pengetahuan melalui diskusi dengan

pakar karet spesifikasi teknis disajikan pada Tabel 9. Alternatif aturan disusun

sebagai representasi pengetahuan yang disimpan dalam basis pengetahuan.

Adapun bentuk umum dari logika aturan untuk menentukan jumlah

produksi adalah sebagai berikut :

If ( prakiraan harga is rendah/normal/tinggi ) and ( prakiraan volume

permintaan is rendah/normal/tinggi ) and ( prakiraan pasokan bahan baku is

rendah/sedang/tinggi ) Then ( jumlah produksi is rendah/normal/tinggi ).

Sebagai contoh bentuk logika aturan pertama yang disusun adalah :

If prakiraan harga > 493 (tinggi) dan prakiraan permintaan > 2369 (tinggi) dan

ketersediaan bahan baku > 57 (tinggi) Then jumlah produksi > 202 (tinggi).

85

Tabel 9 Alternatif aturan jika – maka untuk rencana produksi

Aturan JIKA MAKA

ke Prakiraan Prakiraan Ketersediaan Jumlah

Harga Permintaan Bahan baku Produksi

1 Tinggi Tinggi Tinggi Tinggi

2 Tinggi Tinggi Sedang Normal

3 Tinggi Tinggi Rendah Rendah

4 Tinggi Normal Tinggi Tinggi

5 Tinggi Normal Sedang Normal

6 Tinggi Normal Rendah Rendah

7 Tinggi Rendah Tinggi Tinggi

8 Tinggi Rendah Sedang Normal

9 Tinggi Rendah Rendah Rendah

10 Normal Tinggi Tinggi Tinggi

11 Normal Tinggi Sedang Normal

12 Normal Tinggi Rendah Rendah

13 Normal Normal Tinggi Tinggi

14 Normal Normal Sedang Normal

15 Normal Normal Rendah Rendah

16 Normal Rendah Tinggi Tinggi

17 Normal Rendah Sedang Normal

18 Normal Rendah Rendah Rendah

19 Rendah Tinggi Tinggi Tinggi

20 Rendah Tinggi Sedang Normal

21 Rendah Tinggi Rendah Rendah

22 Rendah Normal Tinggi Tinggi

23 Rendah Normal Sedang Normal

24 Rendah Normal Rendah Rendah

25 Rendah Rendah Tinggi Tinggi

26 Rendah Rendah Sedang Normal

27 Rendah Rendah Rendah Rendah

4. Proses Defuzifikasi

Setelah nilai input diubah menjadi nilai fuzzy maka diperlukan proses

defuzifikasi untuk mendapatkan nilai tegas (crisp). Terdapat beberapa metode

untuk melakukan agregasi nilai metode defuzzifikasi pada komposisi aturan

Mamdani, pada penelitian ini dipakai metode agregasi dengan fungsi kepadatan

centroid. Luas area pada hasil agregasi untuk menentukan nilai output dihitung

dengan cara mengambil titik pusat (z*) daerah fuzzy dengan formula :

86

z

Z

dz)z(

dz)z(z

*z

Mengunakan metode Max (Maximum) solusi himpunan fuzzy

diperoleh dengan cara mengambil nilai maksimum aturan, kemudian

menggunakannya untuk memodifikasi daerah fuzzy, dan

mengaplikasikannya ke output dengan menggunakan operator OR (union).

Jika semua proposisi telah dievaluasi, maka output akan berisi suatu

himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi.

Secara umum dapat dituliskan:

sf[xi] max( sf[xi], kf[xi])

dengan :

sf[xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i

kf[xi] : nilai keanggotaan konsekuen fuzzy aturan ke-i

Selanjutnya menggunakan metode additive (Sum), solusi himpunan

fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua

output daerah fuzzy. Secara umum dituliskan

sf[xi] min(1, sf[xi]+ kf[xi])

dengan :

sf[xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i

kf[xi] : nilai keanggotaan konsekuen fuzzy aturan ke-i

5.3.4 Model Ketersediaan Kapasitas Produksi

Rencana produksi umumnya disusun dalam bentuk Jadwal Induk Produksi.

Jadwal induk produksi akan menjadi masukan utama untuk merencanakan

kebutuhan sumber daya dan kebutuhan kapasitas. Model ketersediaan kapasitas

digunakan untuk menghitung apakah sumber daya yang direncanakan cukup

untuk melaksanakan rencana produksi karet spesifikasi teknis jenis SIR 20 di unit

pengolahan karet spesifikasi teknis. Hasil perhitungan kapasitas selanjutnya

digunakan untuk menjaga keseimbangan antara kebutuhan kapasitas yang

87

ditetapkan dalam jadual induk produksi dengan ketersediaan kapasitas di lantai

produksi.

Input yang digunakan dalam model ini adalah sumber daya yang tersedia

berupa jumlah jam kerja, waktu baku yang diperlukan setiap mesin. Berdasarkan

data historis yang tersedia selanjutnya dihitung tingkat utilisasi dan efisiensi

mesin, yang berfungsi sebagai faktor pengurang ketersediaan kapasitas yang

digunakan untuk perawatan mesin. Output dari model ini adalah diperolehnya

kapasitas yang tersedia untuk setiap mesin dan kapasitas unit pengolahan untuk

menghasilkan karet spesifikasi teknis.

Model perhitungan kapasitas dapat dilaksanakan jika tersedia data rencana

produksi, nilai untuk parameter sumber daya yang dibutuhkan berupa waktu baku,

kemampuan mesin berproduksi pada tingkat utilisasi yang diharapkan. Semua

sumberdaya tersebut diasumsikan sudah dibakukan, tersedia pada waktu dan

jumlah yang telah direncanakan dan tidak berubah dengan cepat selama horizon

waktu perencanaan. Pendekatan RCCP pada penelitian ini menggunakan

pendekatan CPOF disesuaikan dengan kondisi proses produksi dan ketersediaan

data. Rumus yang digunakan untuk perhitungan proporsi historis adalah :

T

ii

WP

WPPH

Dimana :

PHi : Proporsi Historis pada work center ke i

WPi : Waktu proses pada work center ke i

WPT : Total waktu proses.

Perhitungan kapasitas untuk masing-masing stasiun kerja adalah perkalian

proporsi historis stasiun kerja dengan kapasitas total yang dibutuhkan :

KBij = PHT * KBj

Keterangan :

KBij : Kebutuhan Kapasitas stasiun kerja i pada periode j

PHT : Proporsi historis pada stasiun kerja i

KBj : Kapasitas yang dibutuhkan pada periode j

Diagram alir tahapan penyusunan model ketersediaan kapasitas untuk validasi

rencana produksi ditampilkan pada Gambar 31.

88

Gambar 31 Diagram alir penghitungan kapasitas tersedia

5.3.5 Model Pengukuran Kinerja Rantai Pasok

Keberhasilan penyusunan rencana produksi dalam mengoptimalkan

performansi rantai pasokan membutuhkan suatu model pengukuran kinerja.

Model pengukuran kinerja disusun mengacu pada model pengukuran kinerja

SCOR (Supply Chain Operations Reference Model). Pada metrik SCOR

sesuai Penyesuaian Rencana

Produksi

Selesai

T

Y

Waktu proses, jam kerja, output

produksi, kapasitas mesin

Mulai

Utilisasi

(output) / (kapasitas )

Kapasitas Tersedia

AC = T x U x E

Waktu tersedia

T x S x H x W

Efisiensi

( waktu baku )/(waktu aktual)

Kapasitas Dibutuhkan

(RCCP)

Pendekatan

CPOF

Pendekatan

BOL

Pendekatan

RP

Validasi MPS

Rencana Produksi

89

pengukuran reliabilitas diadopsi ukuran bullwhip effect guna mengukur

keberhasilan penyusunan rencana produksi yang disusun dengan

mempertimbangkan dinamika sisi hilir dan sisi hulu.

Salah satu ukuran keberhasilan penyusunan rencana produksi untuk

meningoptimalkan kinerja rantai pasok adalah besarnya variansi antara rencana

dan realisasi produksi. Variansi keduanya menunjukan keberhasilan dalam

menginterpretasikan dinamika dari sisi hilir dan sisi hulu dan merealisasikan

produksi untuk memenuhi permintaan konsumen dan menyesuaikan dengan

kemampuan pasokan.

Berkaitan dengan kinerja dalam perencanaan produksi dikembangkan

suatu sistem pengukuran kinerja dengan menggunakan pendekatan bullwhip

effect. Mengacu pada formulasi perhitungan bullwhip effect dari Flansoo dan

Wouters (2000) dalam Pujawan (2005), pada penelitian ini variansi order adalah

rencana produksi yang dihasilkan dari model perencanaan produksi sebelumnya,

sedangkan variansi demand adalah realisasi produksi setelah rencana produksi

dilaksanakan. Besarnya amplifikasi antara rencana produksi dan realisasi

produksi secara matematis pengukuran diformulasikan sebagai berikut :

Pengukuran simpangan tidak hanya dilakukan untuk membandingkan

rencana dan realisasi produksi juga digunkan untuk mengukur kinerja pasokan

bahan baku. sebagai ukuran kinerja kebun dalam menyediakan bahan baku untuk

kepentingan pabrik. Perhitungan menggunakan metode yang sama yaitu untuk

menghitung nilai amplifikasi antara permintaan yang dikirimkan kepada pemasok

dalam hal ini adalah kebun yang berada dalam perusahaan sendiri dengan jumlah

pasokan yang diterima oleh pabrik. Nilai ini selanjutnya mengindikasikan kinerja

dalam pemenuhan pasokan dari kebun. Tahapan penghitungan bullwhip effect

sebagai ukuran kinerja rantai pasok dalam menginterpretasikan dinamika dari sisi

permintaan dan pasokan disajikan pada Gambar 32.

90

Gambar 32 Diagram alir penghitungan kinerja rantai pasok

Rencana Produksi

Mulai

Rencana Produksi

Hitung Nilai Bullwhip effect

Memuaskan

n

Penyesuaian Rencana

Produksi

Selesai

Hitung Standar Deviasi

Hitung Koefisien Variansi

Hitung Standar Deviasi

Hitung Koefisien Variansi

Tidak

Ya