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
DATA
SISTEM MANAJEMEN BASIS DATA
Data harga dan volume permintaan TSR-20 Data pasokan bahan baku TSR-20
MODEL
SISTEM MANAJEMEN BASIS MODEL
Prakiraan permintaan TSR dunia
PENGETAHUAN
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
Prakiraan harga TSR dunia Ketersediaan bahan baku
Data proses dan waktu kerja, kapasitas mesin
Data rencana dan realisasi produksi
Ketersediaan kapasitas Pengukuran kinerja rantai pasok
Mekanisme Inferensi ( Rule-Base Skenario )
SISTEM PENGOLAHAN TERPUSAT
SISTEM MANAJEMEN DIALOG
PENGGUNA
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
Mulai
Input :Data harga dan volume
input :data pasokan bahan baku
Penentuan struktur jaringan JST
Penentuan struktur jaringan JST
Jalankan data pelatihan
Jalankan data pelatihan
Jalankan data testing
Jalankan data testing
Jalankan hasil prakiraan
Jalankan hasil prakiraan
Output : prakiraan
Output : prakiraan
harga dan permintaan
pasokan bahan baku
Fuzifikasi nilai prakiraan harga dan volume permintaan
Fuzifikasi nilai prakiraan pasokan bahan baku
input : data jumlah produksi
Fuzifikasi data jumlah produksi
Pembuatan basis aturan fuzzy
Sistem inferensi fuzzy model Mamdani
Defuzifikasi dengan metode Centroid
Output : jumlah rencana produksi
Penghitungan ketersediaan kapasitas
Penghitungan kinerja rantai pasokan
Keputusan rencana produksi
Keputusan nilai kinerja rantai pasokan
Gambar 27 Diagram alir model sistem manajemen ahli perencanaan produksi rantai pasok karet spesifikasi teknis
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)-ThenRules (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 tersembunyi menggunakan fungsi aktivasi.
dipropagasikan ke lapisan
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
mendistribusikan kesalahan pada semua lapisan.
faktor
untuk
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 neuronneuron 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
seperti toleransi error dan jumlah iterasi. Tahap perancangan arsitektur JST ditampilkan pada Gambar 28.
Mulai
Data historis volume dan harga karet spesifikasi teknis (TSR 20)
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
Normalisasi Data Nilai Bobot Parameter
Jalankan Data Pelatihan
Perbaikan Nilai Bobot Parameter
T Memuaskan ? Y
T Memuaskan ?
Jalankan Data Testing
Y Tentukan Jumlah Data Prakiraan
Jalankan Hasil prakiraan
Evaluasi Hasil Prakiraan
T Memuaskan ?
Y Selesai
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 20092011 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.
Mulai
Arsitektur JST
Data Pelatihan
Pelatihan JST
Tidak
Target sesuai
Ya Data Pengujian
Pengujian JST
Tidak
Akurasi sesuai
Ya Data Harian
Implementasi JST
Output: Hasil Prakiraan
Selesai
Gambar 29 Perancangan arsitektur JST prakiraan ketersediaan bahan baku
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.
Prakiraan harga dan volume permintaan
Prakiraan pasokan bahan baku
Jumlah produksi sebelumnya
Fuzzifikasi
Logika keputusan Basis pengetahuan Defuzzifikasi
Rencana Produksi
Gambar 30 Tahapan penentuan 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 INPUT Prakiraan harga (PH) (US cent/kg)
Anggota himpunan fuzzy Pertama Kedua Ketiga Rendah [PH < 269 ]
Normal [330 < PH < 405]
Tinggi [PH > 493]
Prakiraan Permintaan (PP) (lots)
Rendah
Normal
Tinggi
[PP < 837]
[1300 < PP < 1900 ]
[PP > 2369 ]
Ketersediaan bahan baku (KB) (ton basah/bulan)
Rendah [KB < 45]
Sedang [ 48 < KB < 53]
Tinggi [KB > 57]
OUTPUT Jumlah produksi (JP)
Rendah [JP < 65]
Sedang [105 < JP < 150]
Tinggi [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 ke
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Prakiraan Harga
JIKA Prakiraan Permintaan
Ketersediaan Bahan baku
Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Normal Normal Normal Normal Normal Normal Normal Normal Normal Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah
Tinggi Tinggi Tinggi Normal Normal Normal Rendah Rendah Rendah Tinggi Tinggi Tinggi Normal Normal Normal Rendah Rendah Rendah Tinggi Tinggi Tinggi Normal Normal Normal Rendah Rendah Rendah
Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah Tinggi Sedang Rendah
MAKA Jumlah Produksi Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal Rendah Tinggi Normal 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*
Z
(z)dz 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 :
PH i
WPi WPT
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
Mulai
Waktu proses, jam kerja, output produksi, kapasitas mesin
Rencana Produksi
Kapasitas Dibutuhkan (RCCP)
Kapasitas Tersedia AC = T x U x E
Pendekatan CPOF
Waktu tersedia TxSxHxW
Pendekatan BOL
Utilisasi (output) / (kapasitas )
Pendekatan RP
Efisiensi ( waktu baku )/(waktu aktual)
Validasi MPS T
sesuai
Penyesuaian Rencana Produksi
Y
Selesai 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
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
Mulai
Rencana Produksi
Rencana Produksi
Hitung Standar Deviasi
Hitung Standar Deviasi
Hitung Koefisien Variansi
Hitung Koefisien Variansi
Hitung Nilai Bullwhip effect
Tidak
Penyesuaian Rencana Produksi
Memuaskan n Ya
Selesai
Gambar 32 Diagram alir penghitungan kinerja rantai pasok