6 IMPLEMENTASI
6.1 Implementasi SPK PPIC Adaptif Pada bab implementasi ini akan dilakukan pembahasan implementasi hasil rancang bangun SPK PPIC Adaptif (SPK IPRADIPA) dengan menggunakan data sistem produksi pada industri penghasil roti, PT NIC, Tbk. Data yang digunakan adalah data sampel untuk memudahkan penjelasan hasil rancang bangun SPK IPRADIPA. Gambar berikut adalah gambar Halaman Utama SPK IPRADIPA. Pada halaman utama terdapat text box untuk Log in ke menu yang tersedia pada SPK IPRADIPA. Proses Log in dilakukan oleh pengguna SPK IPRADIPA, yaitu Manajer Supply Chain Management atau Manajer Pabrik yang membawahi supervisor PPIC, supervisor Produksi, supervisor Penjualan dan Pemasaran, supervisor Gudang, supervisor Purchasing dan supervisor Distribusi.
Gambar 32 Tampilan halaman utama SPK Intelijen PPIC Adaptif Industri Pangan (IPRADIPA).
104
Setelah diketik password yang tepat pada text box yang tersedia, tampilan Menu Utama SPK IPRADIPA akan terbuka. Berikut adalah tampilannya. Pada tampilan Menu Utama, tersedia Menu Bar PPIC meliputi : 1. Menu Demand Management untuk menjalankan model Prakiraan Permintaan ‘Artificial Neural Network’ 2. Menu MPS
untuk menjalankan model Penjadwalan Induk Produksi
‘Fuzzy Multi Objective Linier Programming’ 3. Menu MRP untuk menjalankan model Perencanaan Persediaan Bahan Baku ‘MRP-EOQ’ dan model Pengendalian Persediaan Bahan Baku ‘Safety Stock – Reorder Point’ 4. Menu Gangguan untuk menjalankan model Pengendalian Gangguan 5. Menu Genetic Algorithm untuk menjalankan model Penentuan Urutan Job Produksi ‘Flowshop Genetic Algorithm’
Gambar 33 Tampilan menu bar SPK IPRADIPA.
105
6.1.1 Implementasi Model Prakiraan Permintaan Menu Demand Management meliputi sub menu sebagai berikut : 1. Input untuk meng-input data riwayat penjualan berbagai varian produk roti, pemilihan produk roti yang akan ditentukan prakiraan permintaannya serta pengisian parameter JST. 2. Neural Network untuk menjalankan proses pelatihan, pengujian dan perhitungan prakiraan permintaan. 3. Output untuk menampilkan hasil pengujian dan output data prakiraan permintaan.
Gambar 34 Tampilan sub menu Demand Management. Setelah dipilih sub menu input data sistem akan menampilkan hasil sebagai berikut:
Gambar 35 Tampilan menu input Demand Management .
106
Keterangan Gambar 35 : Tombol Open File digunakan untuk menginputkan data dalam bentuk file excel yang akan diramalkan. Dimana setelah tombol di RUN maka file excel akan terbuka. Tipe Data, pilih tipe data yang ingin diramalkan agar ketika proses penginputan akan memilih data yang sesuai. Tombol INPUT, tombol yang digunakan untuk menyimpan data yang telah dimasukan. Hasil tampilan input data untuk perhitungan JST gambar berikut.
dapat dilihat pada
Gambar 36 Tampilan input parameter JST. Berikutnya
dilakukan
proses
perhitungan
prakiraan
permintaan
berdasarkan metode Artificial Neural Network / Jaringan Syaraf Tiruan (JST) dengan input parameter JST , kemudian dilakukan proses running. Penjelasannya adalah sebagai berikut.
107
1) Input, merupakaninformasi file data yang akandiramalkan. 2) Transfer Function, memilihfungsi transfer dalam Neural Network 3) Training Function, memilihfungsi training dalam Neural Network Kemudian dilakukan edit nilai-nilai pada text box Hidden Layer, Lr, Epochs, dan Goal jika memang diperlukan, karena nilai-nilai yang ada sudah memiliki default yang hasilnya telah sukses menyelesaikan training.Tombol RUN dipilih untuk memulai proses training jika input variable yang diperlukan telah selesai diisi. Tombol Statusmenyatakan bahwa telah selesai dilakukan prosestraining dengan data hasil training yang tersimpan. Setelah selesai training maka akan muncul grafik : Target Training, Hasil Simulasi Training, Error Training, Target Testing, Hasil Simulasi Testing, Error Testing. Berikut ini adalah tampilan proses dan output yang dihasilkan sistem untuk model Demand Management berdasarkan JST (Artificial Neural Network/ANN).
Gambar 37 Tampilan menu output JST produk roti.
108
Keberhasilan Neural Network Simulasi
Gambar 38 Tampilan menu proses JST. Output ANN dapat dilihat tampilannya berikut ini.
Gambar 39 Tampilan grafik MSE proses training JST setelah performansi terbaik diperoleh.
109
Output ANN ini menampilkan data dari hasil prakiraan permintaan yang dilakukan oleh ANN dengan keluaran yang akan menjadi masukan untuk perhitungan MPS berupa data prakiraan permintaan untuk 7 hari dan keluaran yang akan menjadi masukan perhitungan MRP untuk 35 hari.
Gambar 40 Tampilan menu output model JST 6.1.2 Implementasi Model Penjadwalan Induk Produksi Sistem memisahkan menu untuk model MPS dan model MRP. Tiap-tiap menu model juga akan memiliki sub menu input data dan proses optimasi ataupun perhitungannya.Menu MPS akan menjalankan aplikasi untuk menentukan jadwal induk produksi varian produk roti selama periode perencanaan. Untuk mendapatkan jadwal induk produksi di PT NIC, Tbk.dilakukan perhitungan jadwal induk produksi (Master Production Scheduling/MPS) periode ke-1 (hari ke-1) untuk 6 item produk roti. Untuk kebutuhan perhitungan, dibutuhkan data biaya produksi untuk tiap item produk roti, data utilisasi untuk tiap item produk roti, data demand untuk ke enam item produk, data komposisi
110
bahan baku (recipe) untuk keenam item produk roti, data kebutuhan waktu produksi untuk pembuatan item produk roti, serta data persediaan bahan baku . Berikut ini adalah tampilan menu model Penjadwalan Induk Produksi hasil implementasi SPK PPIC Adaptif. Implementasi model dimulai dengan input datadata yang dibutuhkan meliputi data permintaan, data bahan baku yang dibutuhkan untuk memenuhi permintaan, data waktu produksi serta data koefisien fuzzy yang akan digunakan dalam model Fuzzy Multi Objective Linier Programming.
Gambar 41 Tampilan menu MPS_Sub Menu Demand Total.
Gambar 42 Tampilan menu MPS_Sub Menu Bahan Baku.
111
Gambar 43 Tampilan menu MPS_Sub Menu Waktu Produksi.
Gambar 44 Tampilan menu MPS_Sub Menu Koefisien Fuzzy.
112
Gambar 45 Tampilan menu MPS_Sub Menu Linear Programming.
Model Fuzzy Multi Objective Linier Programming yang memanfaatkan kurva-s termodifikasi dalam penentuan angka fuzzy merupakan model keputusan PPIC yang cukup handal untuk meningkatkan fungsi PPIC pada industri pangan. Model ini merupakan model optimasi yang sudah mengakomodir kebutuhan industri pangan dengan memungkinkan perhitungan angka fuzzy serta fungsi tujuan yang sesuai. Berikut ini adalah tampilan menu yanag menunjukkan output hasil optimasi.
113
Gambar 46 Tampilan menu optimasi MPS_Output Hari -1 MPS. Data output model Penjadwalan Induk Produksi adalah berupa jumlah produksi untuk tiap produk roti (RTS, RTG, ICK, IKJ, TOC dan RKJ). Output model ini akan dimanfaatkan untuk model Pengendalian Persediaan Bahan Baku. Hasil perhitungan optimasi MPS Hari- 1 berupa jumlah masing-masing varian produk yang akan diproduksi pada hari ke 1 akan mengurangi jumlah persediaan bahan baku pada awal hari ke-2. Pendekatan continuous review systemdigunakan untuk mengantisipasi kemungkinan berkurangnya jumlah stok dikarenakan karakteristik bahan baku agroindustri yang bervariasi dalam kualitas maupun kuantitas. Rancang bangun SPK menyediakan fasilitas
untuk
memasukkan input stok opname bahan baku hasil pengamatan kontinyu yang dilakukan. 6.1.3 Implementasi Model Perencanaan dan Pengendalian Persediaan Bahan Baku Setelah diketahui data kebutuhan bahan baku tiap varian, tahap perhitungan berikutnya adalah menentukan ukuran pemesanan ekonomis untuk tiap varian bahan baku (Economic Order Quantity/EOQ). Berikut ini adalah input data untuk perhitungan EOQ bahan baku di PT NIC.
114
Berdasarkan input data berupa data prakiraan permintaan jangka menengah, kemudian dilakukan perhitungan konversi data untuk mengetahui kebutuhan bahan baku untuk masing-masing bahan baku, meliputi : tepung terigu, gula pasir, filler keju, filler coklat, cheedar cheese, milk full cream, shortening dan telur
ayam.
Proses
perhitungan
kebutuhan
baku
dilakukan
dengan
mempertimbangkan komposisi/recipe untuk masing-masing produk roti.
Gambar 47 Tampilan menu MRP_Sub Menu Peramalan Permintaan.
115
Gambar 48 Tampilan menu MRP_Sub Menu Kebutuhan Bahan.
Gambar 49 Tampilan menu MRP_Sub Menu Deskripsi Bahan. Berikutnya, berdasarkan hasil konversi kebutuhan bahan baku selama periode perencanaan, dilakukan perhitungan ukuran pemesanan ekonomis berdasarkan metode EOQ
116
Gambar 50 Tampilan menu MRP_Sub Menu Perhitungan EOQ. Sesuai dengan hasil perhitungan EOQ yang merupakan fase Lotting dalam perhitungan MRP, data EOQ akan disesuaikan dengan ukuran pemesanan dan minimum order berdasarkan kesepakatan dengan masing-masing pemasok bahan baku. Proses perhitungan berikutnya adalah perhitungan titik pemesanan kembali (Reorder Point / ROP) berdasarkan data persediaan pengaman (safety stock) atau % persediaan pengaman Bahan Baku yang merupakan output dari model Pengendalian Gangguan. Tampilan menu perhitungan ROP dapat dilihat pada gambar 51. Selanjutnya sesuai dengan perhitungan berdasarkan metode MRP, dilakukan fase netting untuk menghitung kebutuhan bersih, dilanjutkan dengan penentuan planned order receipt dengan memasukkan nilai ukuran pemesanan EOQ yang telah disesuaikan, diakhiri dengan penentuan planned order release yang telah mempertimbangkan waktu ancang pemesanan bahan baku ke pemasok. Input data persediaan pengaman akan menjadi dasar penentuan pemesanan bahan baku ke pemasok dalam perhitungan perencanaan kebutuhan bahan baku (MRP) dalam penentuan planned order release. Proses perhitungan MRP ini dilakukan untuk tiap-tiap bahan baku untuk membuat roti yang termasuk klasifikasi A meliputi bahan baku tepung terigu, gula pasir, filler keju, filler coklat, cheedar cheese, milk full cream, shortening dan telur ayam.
117
Gambar 51 Tampilan menu MRP_Sub Menu Resume EOQ.
Gambar 52 Tampilan menu MRP_Sub Menu Perencanaan Inventory.
Gambar 52 menunjukkan contoh tampilan menu perhitungan MRP yang meliputi fase perhitungan kebutuhan bersih (netting) untuk mendapatkan Net Requirement, fase perhitungan penentuan ukuran lot (lotting) untuk penentuan
118
rencana pesanan harus sudah diterima (Planned Order Receipt) serta fase penyesuaian waktu (time offsetting) yang telah mempertimbangkan waktu ancang untuk penentuan jadwal pemesanan bahan baku ke pemasok berdasarkan rencana pemesanan dilakukan (Planned Order Release).
Gambar 53 Tampilan menu MRP_Ketersediaan Bahan Baku mempertimbangkan output MPShari-1. Hasil perhitungan persediaan pengaman dan ROP akan menjadi dasar dalam penentuan revisi pemesanan bahan baku pada model Pengendalian Persediaan Bahan Baku. Dengan mempertimbangkan stock opname hasil perhitungan secara kontinyu (pagi hari dan sore hari) seperti yang terlihat pada gambar 53, apabila nilai stock opname mencapai titik ROP, maka dilakukan pemesanan bahan baku ke pemasok. Proses pengendalian persediaan bahan baku ini dilakukan untuk tiap bahan baku dan akan menjadi dasar pelaksanaan revisi pemesanan bahan baku ke pemasok apabila terjadi perbedaan dengan hasil perhitungan MRP. 6.1.4 Implementasi Model Penentuan Urutan Job Produksi Berikut ini akan diuraikan tampilan sistem untuk menu aplikasi metode Genetic Algorithm dalam penjadwalan rencana produksi hasil model MPS. Output
119
penjadwalan adalah berupa urutan job dan waktu yang dibutuhkan untuk menyelesaikan job-job tersebut.
Gambar 54 Tampilan menu input Genetic Algorithm. Setelah dilakukan klik untuk input data, tampilan excel data input dapat dilihat sesuai dengan tampilan berikut. Input data untuk penentuan urutan job/lot produksi memanfaatkan data yang merupakan output hasil perhitungan model penjadwalan induk produksi.
Gambar 55 Tampilan input data menu Genetic Algorithm.
120
Setelah dilakukan input data, berikutnya dilakukan input nilai sesuai keterangan text box yang tersedia untuk perhitungan menggunakan algoritma genetika . Mula-mula dilakukan pemilihan data Lini serta Metode Reproduksi yang akan dijalankan oleh sistem. Pada menu SPK tersedia lini roti tawar dan lini roti manis yang akan menjalankan proses produksi pembuatan roti. Dalam proses perhitungan algoritma genetika, dengan
memanfaatkan
aplikasi yang disediakan matlab versi pelajar, dapat dilakukan pemilihan metode seleksi berdasarkan metode roulette wheel dan tournament selection serta metode Partiallly Mapped Crossover (PMX) untuk melakukan proses pindah silang/tukar silang (cross over) .
Setelah dilakukan pemilihan metode reproduksi, selanjutnya dilakukan pemilihan tombol Genetic Algorithm untuk menjalankan proses Genetic Algorithm. Hasil dari perhitungan algoritma genetika adalah berupa urutan job sesuai dengan tampilan hasil SPK pada gambar 56 berikut ini.
Gambar 56 Tampilan output proses Genetic Algorithm.
121
Untuk memudahkan pengguna, SPK juga menyediakan sistem dialog berupa fasilitas tombol-tombol untuk melihat output penentuan urutan job produksi pada Lini 1, Lini 2 disertai Gantt Chart masing-masing lini.
Dengan memilih tombol Lini 1 dan Lini 2 dapat diketahui urutan job yang paling optimum berdasarkan proses GA untuk ke 2 lini, sedangkan tombol Gantt Chart digunakan untuk melihat tampilan grafik urutan job nya.
Gambar 57 Tampilan output urutan job produksi hasil Genetic Algorithm.
122
Gambar 58 Tampilan menu output Gantt Chart urutan job produksi.
6.1.5 Implementasi Model Pengendalian Gangguan Implementasi model pengendalian gangguan dilakukan dengan memilih menu bar Gangguan pada SPK IPRADIPA.
Gambar 59 Tampilan Tool Bar Gangguan.
Pada menu Pengendalian Gangguan, terdapat tiga sub menu , yaitu : 1.
Sub Menu Aksi Pengendalian Gangguan Operasional
2.
Sub Menu Kebijakan Lanjutan Pengendalian Gangguan
3.
Sub Menu Toleransi Persediaan ( Update % persediaan pengaman)
Aksi Pengendalian Gangguan Operasional Sub menu ini dioperasionalkan pada saat terjadi gangguan operasional dan kemudian ingin diketahui tindakan koreksi yang disarankan oleh SPK untuk
123
mengendalikan gangguan yang terjadi. Berikut adalah tampilan awal sub menu Aksi Pengendalian Gangguan Operasional.
Gambar 60 Tampilan menu input Aksi Pengendalian Gangguan.
Mula-mula dilakukan input waktu terjadinyanya gangguan.
Gambar 61 Tampilan input waktu terjadinyanya gangguan.
124
Berikutnya dilakukan input masalah denganmengetikan masalah yang terjadi dan memilihkeyword yang sesuai dengan permasalahan yang ada. Jika memilih yang lainnya maka text box akan aktif sehingga memasukan keyword yang tidak ada di pilihan. Setelah keyword dimasukkan, klik tombol
check
apakah ada yang sesuai.
Lanjutnya, dilakukan pemilihanskala sebagai data input untuk penentuan nilai gangguan pada proses rekapitulasi yang dilakukan di akhir periode (misal akhir minggu).
List Box Masalah adalah history dari permasalahan yang pernah ada.
Tindakan koreksi akan muncul setelah melakukan pemilihan masalah pada list box.
125
Kemudian dilakukan input data sumber gangguan. Jika sumber gangguan penyebab terjadinya gangguan lebih dari satu, kita dapat menekanCtrl pada keyboard.
Setelah melihat tindakan koreksi dan sumber-sumber yang ada kemudian akan memilih akan kah dilakukan Tombol Simpan untuk menyimpan semua input gangguan yang telah diisikan atau tidak. Kebijakan Lanjutan Pengendalian Gangguan Menu ini menampilkan output mengenai kebutuhan kebijakan lanjutan atas hasil penilaian rekapitulasi
gangguan yang terjadi
selama periode
pengamatan perlu di lakukan tindakan kebijakan lanjut (follow up) atau tidak. Berdasarkan hasil perhitungan nilai gangguan yang merupakan hasil perkalian skala frekuensi gangguan, tingkat keparahan gangguan dan dampak gangguan, SPK akan memberikan rekomendasi perlu tidaknya dilakukan kelanjutan proses pengendalian gangguan atas gangguan yang terjadi.
Gambar 62 Tampilan menu output rekap nilai gangguan dan kebijakan lanjutan.
126
Perhitungan Toleransi Persediaan Pada sub menu yang tersedia ini, dilakukan proses perhitungan toleransi persediaan (% persediaan pengaman) dengan output % persediaan pengaman Bahan Baku dan % persediaan pengaman Produk Jadi yang akan megadaptasi model PPIC. Berikut ini adalah tampilan menu yang disediakan SPK IPRADIPA untuk perhitungan % persediaan pengaman.
Gambar 63 Tampilan menu input perhitungan Toleransi Persediaan.
Setelah diinput, dilakukan penekanan tekan tombol Simpan untuk menyimpan semua skala yang telah dipilih hasil perhitungan perubahan toleransi persediaan (% persediaan pengaman).
127
Gambar 64 Tampilan output perhitungan % persediaan pengaman.
6.2 Analisis Hasil Implementasi SPK IPRADIPA Dalam implementasi model prakiraan permintaan produk roti berdasarkan metode JST, dipilih data item produk RTG dengan grafik plot data penjualan sebagai berikut.
128
Gambar 65 Plot data penjualan produk RTG. Berdasarkan gambar plot data penjualan produk roti tawar gandum (RTG) di atas terlihat bahwa data memiliki kecenderungan musiman, sangat berfluktuasi bahkan ada data dengan nilai 0. Bila kita menggunakan metode peramalan time series untuk pengujian data penjualan produk RTG, maka dapat diperkirakan bahwa hasil pengujian akan memberikan nilai kesalahan yang sangat besar. Metode Jaringan Syaraf Tiruan (JST) memiliki kemampuan yang sangat efektif dalam mengenali pola data masa lalu untuk kebutuhan prakiraan permintaan. Dalam proses pengujian berdasarkan metode deret waktu,
dilakukan
perhitungan nilai kesalahan (error) untuk semua alternatif metode terpilih. Metode dengan akurasi terbaik (MAE, MSE atau MAPE terkecil) akan terpilih menjadi metode yang akan digunakan untuk melakukan prakiraan permintaan. Data prakiraan permintaan ini akan menjadi input data untuk melakukan perhitungan penjadwalan induk produksi (perhitungan Master Production Scheduling / MPS). Untuk industri pangan seperti PT NIC, Tbk yang menghasilkan produk roti, proses prakiraan permintaan juga dilakukan untuk perencanaan produksi jangka menengah, yaitu untuk mendapatkan prakiraan permintaan selama periode 1 – 3 bulan, sebagai input perencanaan persediaan bahan baku. Berdasarkan hasil pengujian peramalan dengan memanfaatkan beberapa metode yang berbeda, terlihat perbedaan nilai akurasi (MAE, MSE ataupun
129
MAPE) yang cukup signifikan. Metode Dekomposisi merupakan metode peramalan permintaan yang dianggap baik karena menggunakan pendekatan yang sudah mengantisipasi pola trend, siklis dan musiman dari data penjualan, sehingga hasil proyeksinya diharapkan sudah sesuai dengan pola data penjualan yang umumnya memiliki karakteristik trend, siklis dan musiman. Namun hasil pengolahan data menunjukkan bahwa JST memberikan hasil pengujian peramalan yang memberikan akurasi sangat baik (nilai kesalahan minimum). JST memiliki kemampuan untuk mempelajari pola data penjualan berdasarkan data input yang diberikan dengan sangat baik, sehingga mampu memproyeksikan nilai peramalan yang mendekati pola yang aktual. JST juga memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya.
antara lain adalah
kemampuan untuk memproses
pengetahuan secara efisien karena melakukan sistem paralel sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat. Kemampuan metode JST untuk mengenali pola data dengan sangat efektif menyebabkan JST mampu melakukan perkiraan permintaan dengan akurat (nilai kesalahan yang sangat kecil). Hal inilah yang menjadi kelebihan metode ini dibandingkan metode prakiraan permintaan yang lainnya. Keterbatasan metode JST dalam perkiraan permintaan adalah tingkat kesulitan yang cukup tinggi untuk mendapatkan struktur jaringan dimana dalam aplikasinya membutuhkan waktu dan usaha yang besar dalam melakukan percobaan-percobaan dan running program berbasis software Mathlab dibandingkan metode heuristik lainnya. Model Fuzzy Multi Objective Linier Programming yang memanfaatkan kurva-s termodifikasi dalam penentuan angka fuzzy merupakan model keputusan PPIC yang cukup handal untuk meningkatkan fungsi PPIC pada industri pangan. Model ini merupakan model optimasi yang sudah mengakomodir kebutuhan industri pangan dengan memungkinkan perhitungan angka fuzzy serta fungsi tujuan yang sesuai. Untuk mengendalikan persediaan bahan baku, diusulkan penggunaan model Pengendalian Bahan Baku yang telah mempertimbangkan hasil pemeriksaan persediaan secara kontinu (Continuous Review System) dengan
130
output Stock Opname untuk item bahan baku kelas A dimana untuk PT NIC, kegiatan ini dilakukan setiap hari. Selain itu, model ini juga mempertimbangkan output jadwal induk produksi (MPS). Apabila terjadi gangguan internal sistem produksi, dapat diketahui apakah perlu dilakukan penyesuaian atas MRP yang telah dibuat. Sesuai dengan kebutuhan tahapan model Penentuan Urutan Job Produksi berdasarkan metode Genetic Algorithm, mula-mula akan dilakukan penentuan representasi dari permasalahan sesuai dengan kebutuhan model penjadwalan untuk kasus Flowshop berdasarkan metode Genetic Algorithm atau sering disingkat dengan GAFS. Dengan menggunakan data kasus di PT NIC,Tbk. terdapat 17 job yang akan diselesaikan pada 18 mesin/stasiun kerja di Lini 1 Roti Tawar. Tiap job akan dibuat representasi kromosom yang memiliki gen sesuai dengan nomor job, yaitu no job 1 sampai dengan 17. Kriteria yang digunakan sebagai fitness function adalah waktu penyelesaian job (makespan). Output hasil yang diinginkan adalah urutan job yang memberikan nilai makespan minimum. Proses penentuan urutan job produksi berdasarkan metode Algoritma Genetika ini dalam aktual perhitungan secara manual membutuhkan tahapan pengembangan populasi awal. Populasi awal akan mengalami proses pertukaran silang (cross over dan mutasi) yang akan dievaluasi berdasarkan nilai fitness function. Untuk mempertahankan kromosom dengan fitness function terbaik, dilakukan proses yang menggunakan pendekatan elitisme, dimana dilakukan pemilihan 2 kromosom dengan nilai makespan minimum untuk tiap populasi awal pada masing-masing populasi yang tidak akan mengalami proses seleksi kromosom dalam rangka operasional cross over maupun mutasi. Urutan pengerjaan job tersebut membutuhkan makespan yang lebih kecil dibandingkan urutan pengerjaan job sebelum dilakukan proses FSGA. Model Pengendalian Gangguan yang diintegrasikan dengan model PPIC pada SPK IPRADIPA ini menjadi kebaruan dalam penelitian disertasi ini. Dalam aplikasi model, untuk mendapatkan manfaat yang cukup besar dari sistem, pengguna sistem
adalah manajer pabrik yang memahami permasalahan dan
gangguan sistem produksi.
131
6.3 Analisis Rancangan SPK IPRADIPA Berdasarkan hasil pemodelan sistem, rancang bangun sistem pendukung keputusan (SPK) IPRADIPA dan implementasi sistem, diketahui bahwa hasil rancang bangun SPK IPRADIPA memiliki keunggulan dan keterbatasan sesuai dengan uraian berikut ini. 6.3.1 Keunggulan SPK IPRADIPA. 1. SPK PPIC Adaptif memiliki basis model yang cukup handal yang dapat meningkatkan performansi fungsi PPIC dalam hal sebagai berikut: a. Akurasi prakiraan permintaan menggunakan metode Jaringan Syaraf Tiruan/Artificial Neural Network (ditunjukkan dengan nilai Mean Square Error (MSE) yang jauh dibawah nilai MSE berdasarkan metode Dekomposisi atau metode Time Series. b. Perencanaan jumlah produksi yang optimum menggunakan metode Fuzzy Multi Objective Linier Programming dengan mempertimbangkan tujuan minimasi biaya produksi dan maksimasi utilisasi produksi serta fungsi pembatas sumberdaya produksi (bahan baku, jam kerja mesin, kebutuhan demand). Sub model PPIC ini dapat memasukkan input persediaan pengaman (% persediaan pengaman Produk Jadi) yang merupakan hasil perhitungan model Pengendalian Gangguan yang telah diintegrasikan pada SPK IPRADIPA. c. Penentuan
waktu
dan
jumlah
pemesanan
yang
sudah
mempertimbangkan ukuran pemesanan bahan baku yang ekonomis berdasarkan metode EOQ sekaligus sudah mempertimbangkan nilai persediaan pengaman (% persediaan pengaman Bahan Baku) yang diperbaharui nilainya secara periodic berdasarkan kebutuhan dan kondisi perusahaan. d. Penentuan revisi waktu pemesanan berdasarkan pendekatan Continuous Review System sesuai untuk diterapkan pada kondisi sistem produksi dengan permintaan yang tidak pasti. Penentuan titik pemesanan kembali (ROP) telah menambahkan nilai persediaan pengaman ( % persediaan
132
pengaman Bahan Baku) yang diperbaharui nilainya secara periodik berdasarkan gangguan sistem produksi yang terjadi pada perusahaan. e. Penentuan urutan penjadwalan job berdasarkan metode Algoritma Genetika yang memberikan hasil mendekati optimal memberikan hasil urutan job dengan makespan yang jauh lebih kecil dari makespan urutan job tanpa optimasi penjadwalan. 2. SPK IPRADIPA memiliki basis data dan basis kasus yang dapat diubah atau ditambahkan sehingga meningkatkan fungsi PPIC dalam hal sebagai berikut : a. Penentuan aksi pengendalian gangguan membantu perusahaan dalam menentukan tindakan aksi yang harus dilakukan apabila terjadi gangguan didukung oleh kasus data yang tersimpan dan dapat ditemukan kembali sesuai dengan kata kunci gangguan yang terjadi. b. Pemberian rekomendasi kebijakan lanjutan pengendalian gangguan membantu perusahaan dalam menentukan apakah diperlukan tindakan follow up kebijakan pengendalian gangguan dilengkapi dengan informasi mengenai pihak yang akan melakukan kebijakan lanjutan apabila gangguan terusterjadi walaupun sudah dilakukan aksi sesuai usulan sistem. c. Model pengendalian gangguan diharapkan akan membantu perusahaan untuk meningkatkan
performansi sistem produksinya sekaligus
memberikan solusi untuk meminimasi penyimpangan (variansi) yang terjadi yang disebabkan karena adanya gangguan sistem produksi. 3. SPK IPRADIPA memiliki menu dialog yang dilengkapi dengan informasi mengenai prosedur yang membantu mengingatkan dan memudahkan pengguna untuk menjalankan SPK. 6.3.2 Keterbatasan SPK PPIC Adaptif. Hasil rancang bangun SPK IPRADIPA memiliki keterbatasan sebagai berikut.
133
1.
SPK IPRADIPA adalah prototipe sistem yang dirancang berdasarkan kebutuhan sistem produksi pada industri roti dengan menggunakan data sampel sistem produksi pada PT NIC, Tbk. Apabila ada industri pangan lain yang ingin memanfaatkan dan menggunakan SPK IPRADIPA, harus dilakukan modifikasi dan penyesuaian-penyesuaian tanpa harus merubah rangka, basis model serta aliran data. Modifikasi atau penyesuaian yang harus dilakukan mengikuti kebutuhan perusahaan terkait.
2.
Model
Pengendalian
Gangguan
khususnya
sub
model
Aksi
Pengendalian Gangguan pada SPK IPRADIPA dibangun dengan menggunakan mekanisme protokol atau rule base yang belum memanfaatkan sistem pakar dalam penentuan deteksi gangguan sistem produksi. 3.
Rancang bangun model PPIC dan model Pengendalian Gangguan pada SPK IPRADIPA belum mempertimbangkan permasalahan kualitas bahan baku dan umur simpan bahan baku secara lebih spesifik. Pengembangan lebih lanjut model PPIC dan model Pengendalian Gangguan yang telah mempertimbangkan permasalahan kualitas bahan baku dan umur simpan bahan baku akan memberikan nilai tambah yang berarti.
4.
SPK IPRADIPA dibangun atas dukungan dua sistem aplikasi yang berbeda, yaitu MATLAB dan Excell Solver – Visual Basic. Hal ini terpaksa dilakukan karena kebutuhan model yang terdapat pada SPK IPRADIPA tidak dapat dirancang bangun pada satu sistem aplikasi yang sama. Hal ini mengakibatkan adanyaperbedaan tampilan menu model antar hasil rancang bangun sistem aplikasi, walaupun sudah diusahakan untuk mengintegrasikan kedua sistem aplikasi tersebut untuk memudahkan pengguna sistem.
6.4 Pemanfaatan SPK IPRADIPA Untuk Industri Pangan Lainnya Berdasarkan studi pustaka, studi lapang dan observasi industri yang dilakukan, diketahui bahwa industri pangan khususnya industri makanan memiliki
134
karakteristik yang berbeda-beda sesuai dengan kebutuhan input bahan baku, proses produksi dan output produk jadi yang dihasilkan. Hal ini juga terkait dengan strategi perusahaan untuk merespon permintaan konsumen (antara lain strategi make to order, assembly to order atau make to stock) yang diadopsi. Faktor lainnya yang akan membedakan pemanfaatan SPK IPRADIPA adalah karakteristik bahan baku (umur simpan), karakteristik produk jadi( umur simpan) produk jadi, kebijakan perusahaan pangan, serta perjanjian kerjasama dengan pemasok (fleksibilitas). Sesuai dengan gambar 66 berikut, faktor-faktor ini akan membedakan pemanfaatan SPK IPRADIPA dalam hal : periode perencanaan, teknik lot sizing yang diterapkan, kriteria fungsi tujuan dan fungsi pembatas yang ditetapkan, kriteria performansi yang ingin dicapai serta tingkat pemanfaatan model PPIC.
FAKTOR PEMBEDA 1.Karakteristik Bahan Baku : umur simpan 2. Karakteristik Produk Jadi : umur simpan 3. Strategi Merespon Permintaan Konsumen : make to stock, assembly to order, make to order 4. Kebijakan Perusahaan 5. Perjanjian kerjasama dengan pemasok : tingkat fleksibilitas
PEMANFAATAN SPK IPRADIPA
PERBEDAAN : 1. Periode perencanaan 2. Teknik Lot sizing 3. Fungsi tujuan dan fungsi pembatas model optimasi 4. Kriteria performansi 5. Pemanfaatan Model PPIC
Gambar 66 Faktor pembeda dalam pemanfaatan SPK IPRADIPA.
Perusahaan penghasil makanan umumnya menggunakan input bahan baku yang bersifat perishable juga output produk jadi makanan yang bersifat perishable. Seperti yang terjadi pada PT NIC, Tbk misalnya, varian bahan baku di PT NIC, Tbk memiliki umur simpan bahan baku yang juga bervariasi dari hari-an hingga bulan-an, sedangkan produk jadi-nya memiliki umur simpan dalam hitungan hari (maksimum 5 hari). Umur simpan produk jadi yang relataif singkat ini menyebabkan data yang digunakan untuk model-model pada fungsi PPIC dirancang dengan periode harian. Waktu perencanaan menjadi faktor pembeda dan pertimbangan dalam proses rancang bangun SPK IPRADIPA.
135
Untuk perusahaan pangan yang menghasilkan produk jadi dengan umur simpan pada kisaran minggu-an atau bulan-an atau bahkan tahun-an, model prakiraan permintaan dilakukan berdasarkan periode minggu-an atau bulan-an, output model prakiraan permintaan akan menjadi input dalam model penjadwalan induk produksi dalam periode minggu-an. Berikutnya output penjadwalan induk produksi berupa jumlah produksi optimum produk jadi menjadi input untuk model perencanaan persediaan bahan baku dan selanjutnya menjadi rencana pemesanan bahan baku ke pemasok. Pendekatan Continuous Review System tetap dimanfaatkan namun dengan periode review lebih panjang (misalnya minggu-an). Pemanfaatan model penentuan urutan job produksi dan penentuan rute pengiriman sesuai dengan kebutuhan produksi dan pengiriman. Model Pengendalian Gangguan dapat dimanfaatkan dengan periode rekapitulasi untuk penilaian gangguan dan perhitungan perubahan % persediaan pengaman yang juga lebih panjang (misalnya menjadi bulan-an). Strategi untuk merespon permintaan konsumen juga menjadi faktor yang membedakan pemanfaatan model-model PPIC pada SPK IPRADIPA. Industri pangan dengan strategi make to order dengan umur produk jadi jangka menengah ( minggu – bulan) akan memanfaatkan model Prakiraan Permintaan berdasarkan riwayat penjualan untuk merencanakan kebutuhan bahan baku ke pemasok. Jadwal Induk Produksi tidak perlu memanfaatkan model optimasi Fuzzy Multi Objective Linier Programming karena perusahaan lebih memprioritaskan pemenuhan pesanan konsumen dengan menjadwalkan pesanan konsumen sesuai dengan kapasitas produksi yang tersedia. Perusahaan akan memaksimumkan kapasitas produksinyamempertimbangkan bahwa produk jadi memiliki umur simpan yang relatif cukup dan tidak mengganggu kualitas produk jadi dengan melakukan kebijakan penyimpanan produk jadi untuk mengantisipasi adanya lonjakan permintaan. Faktor strategi ini juga akan membedakan kriteria performansi dalam pemanfaatan model Penentuan Urutan Job Produksi (misalnya menjadi minimasi keterlambatan). Periode perencanaan relatif tidak terpengaruh oleh faktor penentuan strategi merespon permintaan konsumen yang berbeda. Selain faktor pembeda yang telah disebutkan di atas, hal-hal yang juga menjadi pertimbangan dalam modifikasi atau penyesuaian SPK IPRADIPA
136
adalah ketersediaan pemasok dan perjanjian kerjasama yang dilakukan dengan pemasok akan menentukan model Perencanaan dan Pengendalian Persediaan Bahan Baku khususnya dalam penentuan metode lot sizing yang akan diterapkan. Kebijakan perusahaan dapat membedakan fungsi tujuan dan fungsi pembatas dalam model optimasi penjadwalan induk produksi serta kriteria performansi yang digunakan dalam penentuan urutan job produksi dan penentuan rute pengiriman.