85
5 RANCANG BANGUN SISTEM
Pada bab ini akan diuraikan
rancang bangun Sistem Pendukung
Keputusan Intelijen PPIC Adaptif pada industri pangan yang untuk pembahasan berikutnya akan diberi nama SPK IPRADIPA. Rancang bangun SPK IPRADIPA sesuai dengan tahapan metode System Life Cycle (SLC) yang digunakan, yaitu meliputi tahapan perencanaan, analisis, perancangan dan implementasi. Pada tahapan perencanaan, rancang bangun SPK IPRADIPA ini ditujukan untuk menunjang dan memudahkan kebutuhan pengguna hasil pengembangan model PPIC Adaptif
sesuai dengan pembahasan pada bab Pemodelan Sistem
sebelumnya. Berikutnya akan dilakukan tahap analisis untuk menganalisis kebutuhan sistem dan menentukan bagaimana sistem akan dirancang. Setelah itu dilakukan tahap perancangan dimana pada tahapan ini dilakukan perancangan sistem secara fisik dengan menggunakan teknik pemodelan yang dipilih meliputi pembuatan flowchart atau struktur yang dibutuhkan sistem dan dilanjutkan dengan tahap transformasi model fisik sistem menjadi program. Selanjutnya setelah tahap perancangan selesai, dapat dilakukan tahap implementasi sistem dan penggunaan sistem oleh pengguna. Tahap implementasi dibatasi hanya diuji coba oleh beberapa pakar sistem produksi hanya untuk mengetahui apakah hasil rancang bangun sudah dapat memenuhi tujuan rancang bangun PPIC Adaptif, mengingat bahwa rancangan bangun SPK IPRADIPA hanyalah berupa prototipe. Untuk tahapan penggunaan tidak dibahas dalam disertasi ini. 5.1 Analisis Kebutuhan SPK IPRADIPA Sesuai dengan pembahasan sub bab Analisis Kebutuhan Sistem pada bab Pemodelan Sistem diketahui bahwa dibutuhkan sistem informasi yang dapat mendukung aplikasi fungsi PPIC dengan model-model keputusan yakni Prakiraan Permintaan, Penjadwalan Induk Produksi, Perencanaan dan Pengendalian Persediaan Bahan Baku dan Penentuan Urutan Job Produksi dengan keterkaitan antar model keputusan PPIC sesuai dengan gambar 11 berikut.
86
Gambar 11 adalah gambar keterkaitan antar model keputusan PPIC untuk mendukung kebutuhan sistem informasi serta kerangka SPK IPRADIPA. Penjelasannya adalah sesuai uraian berikut. Riwayat data penjualan dari Regular Outlet (RO) serta riwayat data penjualan Fixed Order (FO) akan menjadi masukan data untuk melakukan model Prakiraan Permintaan
menggunakan metode
Jaringan Syaraf Tiruan. Proses prakiraan permintaan jangka pendek dengan luaran yang akan menjadi masukan perhitungan penjadwalan induk produksi akan memanfaatkan data RO, sedangkan proses perkiraan permintaan jangka menengah dengan luaran yang akan menjadi masukan perhitungan perencanaan persediaan bahan baku akan memanfaatkan data RO dan FO sekaligus. Selanjutnya, hasil prakiraan permintaan jangka pendek RO yang dilengkapi dengan masukan lainnya berupa data item produk jadi (beberapa varian produk roti) dan data lainnya akan menjadi masukan perhitungan penjadwalan induk produksi menggunakan metode Fuzzy Multi Objective Linear Programming. Luaran model ini berupa jadwal induk produksi berbagai varian produk roti perhari, yang selanjutnya, bersama dengan data lainnya (antara lain data urutan proses dan waktu produksi) akan menjadi masukan untuk perhitungan penentuan urutan job/lot produksi menggunakan Algoritma Genetika. Hasil prakiraan permintaan jangka menengah RO dan FO bersama dengan data lainnya (antara lain data lead time, ukuran lot supply dan % persediaan pengaman bahan baku) akan menjadi masukan proses perhitungan model Perencanaan Persediaan Bahan Baku dengan luaran berupa data rencana pemesanan bahan baku ke pemasok.
Lanjutnya, dengan mempertimbangkan
luaran jumlah produksi dari model Penjadwalan Induk Produksi serta penggunaan bahan baku untuk tiap item produk jadi, juga hasil perhitungan stok opname bahan baku berdasarkan pengamatan secara hari-an, dapat perhitungan model Pengendalian Persediaan Bahan Baku untuk mengetahui apakah perlu dilakukan revisi pemesanan bahan baku ke pemasok atau tidak.
87
- Data Penjualan Reguler Outlet (RO) – Data Penjualan Fixed Order (FO)
1 PRAKIRAAN PERMINTAAN RO dan FO : Jaringan Syaraf Tiruan Jk Menengah
Jk
Pe
nd ek
- Data Prakiraan Permintaan Reguler Outlet (RO)
- Data Item Produk Jadi - Data Biaya Produksi Item Produk Jadi - Data Utilisasi Produksi Item Produk Jadi - Data Fixed Order (FO) - Data Stock Opname Produk Jadi - Data % Persediaan Pengamans Produk Jadi - Data Fuzzy Waktu Proses Produksi - Data Fuzzy Kebutuhan Bahan Baku - Data Kapasitas Produksi
2 Penjadwalan Induk Produksi : Fuzzy Multi Objective Linier Programming
- Data Jadwal Induk Produksi Item Produk Jadi
- Data Prakiraan Permintaan RO - Data Prakiraan Permintaan FO
3 Perencanaan Persediaan Bahan Baku : Material Requirement Planning (MRP)
- Data Pemesanan Bahan Baku - Lotting : EOQ dan perjanjian dengan pemasok
4 Pengendalian Persediaan Bahan Baku : Continuous Review System Probabilistic
Revisi Pemesanan ke pemasok : ROP & Jumlah Pemesanan EOQ sesuai perjanjian pemasok
- Data Lead Time - Data StokPersediaan Bahan Baku di awal perencanaan - Data % Persediaan Pengaman Bahan Baku - Data Biaya Persediaan - Data Ukuran Lot
5 Penentuan Urutan Job Produksi : Genetic Algorithm
- Data Proses Produksi Item Produk Jadi - Data Kapasitas Input Produksi - Data Waktu Proses Produksi Item Produk Jadi
- Data Gross Requirement berdasarkan Jadwal Induk Produksi Item Produk Jadi Data Lead Time Pemesanan - Data Kebutuhan Bahan Baku selama Lead Time Pemesanan - Data Stock Opname Item Bahan Baku - Data % Persediaan Pengamans Bahan Baku
Gambar 20 Keterkaitan antar model keputusan PPIC.
- Data Waktu penyelesaian lot produksi (makespan)
88
Mempertimbangkan bahwa aplikasi sistem pendukung tersebut juga dapat mengendalikan gangguan yang terjadi pada sistem produksi industri pangan, maka dibutuhkan rancang bangun Sistem Pendukung Keputusan PPIC Adaptif dengan kerangka sebagai berikut:
Subsistem Basis Model Subsistem Basis Data : Produk Jadi : Persediaan , Receipt, Routing, Waktu Proses, Stasiun Kerja / Mesin, Biaya Produk, Safety Stock Bahan Baku : Persediaan , Safety Stock, Supplier, Ukuran Lot Minimum, Biaya Simpan, Biaya Pesan, Harga Beli Operator Produksi : Kapasitas Mesin : Kapasitas, Waktu Proses
Model PPIC : PRAKIRAAN PERMINTAAN(Artificial Neural Network ) PENJADWALAN INDUK PRODUKSI(Fuzzy Multi Objective Linier Programmng ) PERENCANAAN PERSEDIAAN BAHAN BAKU(Material Requirement Planning – EOQ) PENGENDALIAN PERSEDIAAN BAHAN BAKU(Reorder Point ; Safety Stock) PENENTUAN URUTAN LOT PRODUKSI(Flow Shop Scheduling – Genetic Algorithm)
Model Pengendalian Gangguan : Aksi Pengendalian Gangguan Kebijakan Lanjutan Pengendalian Gangguan Perhitungan Toleransi Persediaan
Subsistem Basis Kasus : Inventarisir Gangguan & Atributnya, Tindakan Pengendalian Gangguan, Aturan Keputusan
Subsistem Dialog
Pengguna Sistem
Gambar 21 Kerangka Sistem Pendukung Keputusan Intelijen PPIC Pada gambar 21 di atas, pengguna SPK IPRADIPA, yaitu General Manager Pabrik atau Manajer Supply Chain Management akan menggunakan sistem untuk menjalankan fungsi-fungsi yang terdapat pada
Subsistem Basis
Model terdiri atas model PPIC dan model Pengendalian Gangguan. 5.2 Perancangan SPK IPRADIPA Proses rancang bangun sistem meliputi pembuatan model aliran proses berupa Diagram Konteks dan Diagram Aliran Data (Data Flow Diagram untuk tiap-tiap model yang tersedia), perancangan model aliran data berupa Entity Relationship Diagram (ERD) serta perancangan menu dialog yang memudahkan interaksi antara sistem dengan pengguna sistem. Pengguna sistem adalah manajer
89
atau kepala divisi Supply Chain yang membawahi Departemen PPIC, Departemen Produksi, Departemen Pembelian, Departemen Pembelian, Departemen Penjualan dan Pemasaran, Departemen Gudang serta Departemen Distribusi. 5.2.1 Pemodelan Aliran Proses Kegiatan rancang bangun model aliran data diawali dengan pembuatan Diagram Konteks SPK IPRADIPA. Berdasarkan rancang bangun Diagram Konteks terkait, dapat tergambar dengan jelas aliran proses penyampaian informasi antar Divisi yang terlibat dalam pnggunaan SPK IPRADIPA. Aliran informasi tersebut akan dimanfaatkan dalam pemrosesan yang dilakukan SPK berdasarkan basis model yang mendukung fungsi PPIC yang dilengkapi dengan basis model Pengendalian Gangguan yang akan mendukung pengguna sistem melakukan aksi pengendalian gangguan sistem produksi yang terjadi, menentukan kebijakan lanjutan berdasarkan rekapitulasi nilai gangguan serta memperbaharui nilai toleransi % persediaan pengaman Bahan Baku dan % persediaan pengaman Produk Jadi. Pembaharuan nilai toleransi % persediaan pengaman ini akan menjadi input SPK khususnya dalam pemrosesan model PPIC pada periode perencanaan berikutnya.
90
Pada gambar Diagram Konteks atau sering disebut sebagai Data Flow Diagaram Level 0 di atas terlihat bahwa sistem memiliki entitas Departemen PPIC, Departemen Produksi, Departemen Gudang, Departemen Pembelian, Departemen Penjualan dan Pemasaran serta Departemen Distribusi. Pada Diagram Konteks belum dicantumkan entitas eksternal seperti Supplier, Konsumen serta basis penyimpanan data, meliputi basis data Produk, basis data Bahan Baku, basis data Operator Produksi dan basis data Mesin. Aliran data yang terjadi antara
91
sistem dengan tiap entitas terlihat pada gambar panah yang terhubung antara entitas dengan sistem. Dekomposisi fungsi SPK Intelijen PPIC Adaptif Industri Pangan meliputi 2 level fungsi seperti pada gambar 23 berikut ini.
92
Untuk memperjelas aliran data yang terjadi pada setiap proses akan dibuat ekstraksi Diagram Konteks dalam bentuk Data Flow Diagram Level 0 (dalam hal ini dikaitkan dengan implementasi model-model yang terdapat dalam SPK Intelijen PPIC Adaptif Industri Pangan, maka digambarkan Diagram Konteks level berikutnya (level 1) atau sering disebut dengan Data Flow Diagram (DFD) Level 1 (Lihat gambar 24 berikut). Berdasarkan diagram konteks dan dekomposisi fungsi SPK Intelijen PPIC Adaptif industri pangan, model-model yang dijalankan SPK Intelijen PPIC Adaptif dibuatkan model secara lebih rinci untuk memperjelas aliran proses ataupun aliran data atau informasi antara entitas dengan pengguna sistem. Berikutnya, untuk mendukung operasional SPK Intelijen PPIC Adaptif Pada Industri Pangan, dilakukan perancangan Data Flow Diagram (DFD) Level 2 untuk memperjelas ekstraksi sistem yang terdiri atas basis model sebagai berikut : 1. Basis model Prakiraan Permintaan (Demand Management) berdasarkan metode Artificial Neural Network (ANN). 2. Basis
model
Penjadwalan
Induk
Produksi
(Master
Production
Scheduling/MPS) berdasarkan metode Fuzzy Multi Objective Linear Programming. 3. Basis model Perencanaan Persediaan Bahan Baku berdasarkan metode Material Requirement Planning (MRP). 4. Basis model Pengendalian Persediaan Bahan Baku, 5. Basis model Penentuan Urutan Job Produksi berdasarkan metode penjadwalan Flowshop Genetic Algorithm. 6. Basis model Pengendalian Gangguan.
93
94
Gambar DFD untuk masing-masing model dapat dilihat pada gambar-gambar berikut ini. Produk Jadi Va
ri
an
Departemen Penjualan dan Pemasaran Pe s
Riwayat Penjualan
Prakiraan Permintaan Jk Pendek
Metode ANN ana
nR
O,
Departemen PPIC
1. PRAKIRAAN PERMINTAAN Prakiraan Permintaan Jk Menengah :
FO
KONSUMEN
Gambar 25 Data flow diagram level 2 Prakiraan Permintaan. Dengan memanfaatkan informasi riwayat penjualan dari Departemen Penjualan dan Pemasaran dilakukan pemrosesan SPK untuk fungsi PPIC model Manajemen Permintaan, menghasilkan output yang akan diterima oleh Departemen PPIC berupa data Prakiraan Permintaan Jangka Pendek (berikutnya akan dimanfaatkan sebagai input model Penjadwalan Induk Produksi) serta data Prakiraan Permintaan Jangka Menengah (berikutnya akan dimanfaatkan sebagai input model Perencanaan Persediaan Bahan Baku). Produk Jadi
Persediaan
Kapasitas
an dia rs e Pe
JIP
Departemen Produksi
Ka
s
Operator Produksi
ita
Bahan Baku
pa s
Departemen PPIC
Prakiraan 2. PENJADWALAN INDUK Permintaan Jk Pendek PRODUKSI : Metode Fuzzy Multi % Loss Produk Jadi Objective Linear Programming
Mesin
Gambar 26 Data flow diagram level 2 Penjadwalan Induk Produksi
95
Sistem akan menggunakan input Prakiraan Permintaan Jangka Pendek Model Penjadwalan Induk Produksi yang dimiliki Departemen PPIC sekaligus input data % persediaan pengaman Produk Jadi yang didapatkan dari pemrosesan model Pengendalian Gangguan periode sebelumnya. Untuk awal pemrosesan, sistem akan menggunakan data awal % persediaan pengaman Produk Jadi yang merupakan nilai batas minimum % persediaan pengaman yang sesuai dengan kebijakan perusahaan terkait (berdasarkan pertimbangan pengguna sistem).
Departemen PPIC
Prakiraan Pemintaan Jk Menengah % Persediaan Pengaman Bahan Baku
aa
em
di
tP
e sa
rs e
Lo
na
n
Pe
SUPPLIER
n
Bahan Baku
3. PERENCANAAN PERSEDIAAN BAHAN BAKU : Metode Material Requirement Planning : Netting Lotting : EOQ Time Offsetting
Waktu dan Ukuran Pemesanan
Departemen Pembelian
Gambar 27 Data flow diagram level 2 Perencanaan Persediaan Bahan Baku. Output model Prakiraan Permintaan berdasarkan metode Artificial Neural Network (ANN) berupa informasi Prakiraan Permintaan Jangka Menengah akan digunakan sebagai input pemrosesan model Perencanaan Persediaan Bahan Baku berdasarkan metode Material Requirement Planning (MRP) dengan tahapan proses sebagai berikut : 1. Netting, yaitu penentuan nilai bersih berdasarkan data kebutuhan bahan baku
hasil konversi data prakiraan permintaan sesuai dengan receipt
produk yang telah mempertimbangkan data stok persediaan pada awal periode perencanaan. 2. Lotting, yaitu penentuan ukuran pemesanan ekonomis berdasarkan optimasi antara biaya simpan dan biaya pesan untuk tiap jenis bahan baku dengan menggunakan rumus EOQ.
96
3. Penentuan kebutuhan ketersediaan bahan baku yang dioperasionalkan dalam penentuan Planned Order Receipt sejumlah lot tertentu yang telah disesuaikan dengan kebijakan pemasok (supplier) terkait. dengan mempertimbangkan nilai kebutuhan bersih yang nilainya ≤ nilai safety stock (% persediaan pengaman Bahan Baku). 4. Time Offsetting. Pada tahapan ini dilakukan pemesanan sejumlah ukuran pemesanan bahan baku dengan mempertimbangkan waktu ancang-ancang (Lead Time) tertentu untuk mendapatkan bahan baku. Informasi pemrosesan adalah berupa data waktu dan ukuran pemesanan bahan baku yang akan diterima oleh Departemen Pembelian untuk kemudian ditindaklanjuti dengan kegiatan administrasi pemesanaan kepada pemasok terkait. Berikut adalah penjelasan pemrosesan model Pengendalian Persediaan Bahan Baku yang akan memanfaatkan input data Stok Opname Bahan Baku dari Departemen Gudang, data hasil Jadwal Induk Produksi (JIP) output model Penjadwalan Induk Produksi yang dimiliki Departemen Produksi. Apabila ada perbedaan antara output model Perencanaan Persediaan Bahan Baku (informasi Planned Order Release), maka akan dilakukan revisi sesuai hasil model ini berupa data Revisi Waktu Pemesanan yang akan diterima oleh Departemen Pembelian dan berikutnya didiskusikan dengan pemasok bahan baku terkait. Departemen Gudang
SUPPLIER Stok
Departemen PPIC
Pl a Or nned Re de lea r se P JI
Departemen Produksi
Opna m
e Ba
Re
han B
a ku
4. PENGENDALIAN PERSEDIAAN BAHAN BAKU : Pendekatan Continuous Review System Probabilistic : EOQ Safety Stock Reorder Point (ROP)
vi si
Wa ktu P
em
e sa
Revisi Waktu Pemesanan
nan
Departemen Pembelian
Gambar 28 Data flow diagram level 2 Pengendalian Persediaan Bahan Baku.
97
Model berikut adalah pemrosesan yang dilakukan SPK PPIC Adaptif untuk mendapatkan data urutan job produksi yang memberikan nilai waktu penyelesaian seluruh job (makespan) minimum dengan menggunakan metode Penjadwalan Flowshop Genetic Algorithm. Proses pembagian job dilakukan oleh sistem berdasarkan data Jadwal Induk Produksi (JIP), output model Penjadwalan Induk Produksi, data urutan proses untuk tiap job dan waktu proses mesin yang digunakan untuk melakukan proses. Job Urutan Proses
Departemen PPIC
Pembagian Job
k Wa
tu
e os Pr
5.PENENTUAN URUTAN JOB PRODUKSI : Metode FlowShop Genetic Algorithm
Mesin
s
Urutan Job
Departemen Produksi
Gambar 29 Data flow diagram level 2 Penentuan Urutan Job Produksi. Untuk mempermudah pengguna sistem mempelajari hasil pemrosesan, sistem juga akan memberikan output berupa diagram yang menunjukkan waktu penyelesaian untuk tiap-tiap job sesuai dengan urutan job yang sudah mendekati optimal berdasarkan running model yang memanfaatkan metode Genetic Algorithm. Hal-hal yang membedakan hasil rancang bangun SPK Intelijen PPIC Adaptif Industri Pangan dengan SPK PPIC lainnya adalah adanya model Pengendalian Gangguan yang dapat memberikan output
aksi pengendalian
gangguan berdasarkan input gangguan yang terjadi, hasil rekomendasi kebijakan lanjutan berdasarkan rekapitulasi nilai gangguan serta informasi toleransi persediaan berupa % persediaan pengaman Bahan Baku dan % persediaan pengaman Produk Jadi hasil perhitungan % persediaan pengaman sudah mempertimbangkan gangguan sistem produksi yang terjadi.
yang juga
98
99
Hasil rancang bangun SPK Intelijen PPIC Adaptif Pada Industri Pangan tidak mencakup model operasional Travelling Salesman Problem, dikarenakan adanya keterbatasan sumber daya waktu yang tersedia. Apabila diinginkan, SPK Intelijen PPIC Adaptif Pada Industri Pangan ini dapat dilengkapi dengan model operasional Travelling Salesman Problem. Walaupun demikian, hasil rancang bangun SPK Intelijen PPIC Adaptif ini sudah dapat menunjukkan keefektifan fungsi PPIC dan fungsi Adaptif dari model-model yang sudah dioperasionalkan pada SPK terkait. Untuk memperjelas rancang bangun model SPK Intelijen PPIC Adaptif Industri Pangan, akan dibuat dekomposisi fungsi yang akan memperjelas fungsifungsi yang akan dijalankan sistem pada SPK.
Berikut adalah gambar
Dekomposisi Fungsi SPK Intelijen PPIC Adaptif. 5.2.2 Pemodelan Database Setelah dilakukan rancang bangun model keputusan pada SPK Intelijen PPIC Adaptif Industri Pangan, tahapan berikutnya adalah pemodelan database dengan mengembangkan Diagram Keterkaitan Entitas (Entity Relationship Diagram/ERD) . Basis Data meliputi Data Master (Tabel Data) Produk, Bahan Baku, Mesin, Operator Produksi, Job, Proses, Batch Produksi, Supplier, Konsumen, Regular Order, Pemesanan Bahan Baku, Fixed Order, Gangguan serta Rekap Gangguan. Keterkaitan antar data dapat dilihat pada gambar berikut. Pada gambar terlihat hubungan antar tabel data dimana angka 1 menunjukkan data tunggal dan M menunjukkan banyak banyak. Sebagai contoh, Tabel Data Produk dan Tabel Data Bahan Baku memiliki hubungan 1 (satu ) to M (banyak) mempertimbangkan bahwa tiap produk memiliki komposisi lebih dari 1 Bahan Baku.
100
BAHAN BAKU
PRODUK PK
PK
Kode Produk
1
Urutan Proses Receipt Ukuran Batch Spesifikasi Stok Harga Jual Biaya Produksi Waktu Proses Kode Gangguan Nama Produk No RO No FO
M
M
1
1
1
1
M
SUPPLIER
PK
No Job
1
Nama Job Jumlah Urutan Proses
Kode Supplier
M
1
M GANGGUAN PK
PEMESANAN BAHAN BAKU PK
No Order
ID Operator
M
Kapasitas No Batch Shift
1 1 M
1
REGULER ORDER (RO)
PK
Nama Produk Jumlah Due Date ID Konsumen
1 1
FIXED ORDER
1
PK
1
1
PK
Kode Rekap Tanggal Frekuensi Keparahan Dampak Nilai Gangguan Sumber Kode Gangguan Rekomendasi Kbjkn Nilai Loss % Persediaan Nilai BahanPengaman Baku Bahan Baku dan Produk Jadi Nilai Loss Produk Jadi Atribut Penilaian Rekap Atribut Penilaian Rekap_Loss Perhitungan %Persed Pengaman Kode Bahan Baku Kode Produk
No Batch Kode Produk Jumlah Due Date Waktu Start Waktu Finish Nama Lini Kasus Ketaksesuaian No Job Urutan Job ID Operator
1
1
No FO Nama Produk Jumlah Due Date ID Konsumen
1
REKAP GANGGUAN
BATCH PRODUKSI
1
No RO
1
Kode Gangguan Nama Gangguan Aksi Pengendalian Sumber Bahan Baku Terkait Produk Jadi Terkait Kode Bahan Baku Kode Produk Jadi
Date Jumlah Nama Bahan Baku Supplier Kode Bahan Baku Kode Supplier
OPERATOR LINI PRODUKSI
Kode Proses Nama Proses Kode Mesin Waktu Proses No Job Kode Produk
M
1
M
PK
PROSES
JOB
1
1
M 1
Nama Supplier Alamat Supplier Telepon kantor Nama staf No HP staf Email supplier Kode Bahan Baku
Kode Mesin Waktu Proses Kapasitas Spesifikasi Kondisi No Job Nama Proses Kode Proses
M
PK
PK
PK
Supplier Lead time pemesanan Biaya Simpan Biaya Pesan Harga beli Stok Kode Produk Kode Gangguan Nama Bahan Baku
M
1
PK
MESIN
Kode Bahan Baku
KONSUMEN PK
1
ID Konsumen Nama Konsumen Alamat Konsumen Telp Konsumen
Gambar 31 Diagram keterkaitan entitas SPK Intelijen PPIC Adaptif.
101
5.2.3 Perancangan Sistem Dialog Berikut ini akan ditunjukkan menu-menu sistem yang akan menjadi fasilitas dialog antara pengguna SPK Intelijen PPIC Adaptif dengan sistem. Pengguna SPK Intelijen PPIC Adaptif Pada Industri Pangan adalah bervariasi sesuai dengan struktur organisasi pada perusahaan terkait. Sesuai dengan fungsinya, pengguna sistem adalah adalah Kepala Divisi atau Manajer Supply Chain Management atau Manajer Umum yang membawahi departemen PPIC, departemen Produksi, departemen Pembelian, departemen Gudang, departemen Penjualan dan Pemasaran juga departemen Distribusi. SPK Intelijen PPIC Adaptif ini dibutuhkan untuk membantu pihak manajemen untuk menjalankan fungsi PPIC sekaligus memberikan informasiinformasi yang mendukung keefektifan fungsi PPIC yakni fungsi Prakiraan Permintaan (Demand Management) berdasarkan metode Artificial Neural Network (ANN), fungsi Penentuan Jadwal Induk Produksi (Master Production Scheduling/MPS)
berdasarkan
metode
Fuzzy
Multi
Objective
Linier
Programming, fungsi Perencanaan Persediaan Bahan Baku berdasarkan metode Material Requirement Planning (MRP) , fungsi Pengendalian Persediaan Bahan Baku berdasarkan pendekatan Continuous Review System dengan permintaan yang tidak pasti menggunakan nilai safety stock (pada disertasi ini akan disebut % persediaan pengaman),
fungsi Penentuan Urutan Job Produksi Flowshop
berdasarkan Algoritma Genetika (Genetic Algorithm) dan khususnya, yang menjadi kebaruan pada disertasi ini adalah fungsi Pengendalian Gangguan yang berkolaborasi dengan fungsi PPIC untuk meningkatkan fungsi PPIC menjadi PPIC Adaptif. Output perhitungan toleransi % persediaan pengaman Bahan Baku (% persediaan pengaman RM) akan menjadi input pada model MRP, sedangkan perhitungan toleransi % persediaan pengaman Produk Jadi (% persediaan pengaman FG) akan menjadi input pada model MPS. Untuk memudahkan pengguna dalam menjalankan SPK, dirancang menu dialog sesuai dengan model-model yang tersedia. Rancangan SPK ini dibuat
102
dengan basis data yang tersimpan pada format Microsoft Excell dengan sofware aplikasi berdasarkan program Visual Basic dan program Mathlab.
Untuk
membuka Menu Utama, tampilan dijalankan dalam program Mathlab versi 2010b karena integrasi SPK akan dijalankan dengan program ini walaupun sebenarnya Program aplikasi Mathlab tidak memiliki banyak variasi perancangan tampilan. Menu utama berisi nama sistem, yaitu SPK Intelijen PPIC Adaptif Pada Industri Pangan (SPK IPRADIPA), dimana pada bagian atas Menu Utama akan ditunjukkan nama-nama model yang disediakan pada SPK ini yang akan menjadi Sub Menu pada SPK. Sub Menu yang tersedia adalah : a. Sub Menu Demand Management
untuk
model Prakiraan
Permintaan b. Sub Menu MPS untuk model Penjadwalan Induk Produksi c. Sub Menu MRP untuk model Perencanaan Persediaan Bahan baku dan model Pengendalian Persediaan Bahan Baku d. Sub Menu Genetic Algorithm untuk model Penentuan Urutan Job e. Sub Menu Gangguan untuk model Pengendalian Gangguan Sub Menu Demand Management, Genetic Algorithm dan Gangguan akan dijalankan dengan menggunakan program Mathlab untuk menyimpan basis data dan menjalankan aplikasi sedangkan sub menu MPS dan MRP akan menggunakan Microsoft Excel untuk menyimpan data dan memanfaatkan Excel Solver untuk proses perhitungan dan optimasi dan menggunakan software Visual Basic perancangan aplikasi data. Sub menu MPS dan MRP ini akan diintegrasikan dengan sub menu yang lain dibawah menu aplikasi Mathlab. Hasil rancang bangun menu dialog SPK IPRADIPA akan ditampilkan hasilnya pada bahasan Implementasi.
