6 IMPLEMENTASI MODEL Rekayasa sistem manajemen ahli Proplan–TSR20 yang dirancang menggunakan pendekatan sistem harus memenuhi kriteria mewakili keseluruhan sistem kajian rantai pasok yang dipilih (holistic) untuk mencapai tujuan (cybernetic) perencanaan produksi secara efektif. Model sistem manajemen ahli Proplan-TSR2020 menggabungkan sistem pengambilan keputusan dan sistem pakar. Sistem pakar dikembangkan untuk menentukan jumlah produksi periode yang akan datang berdasarkan hasil pengolahan data pada sub model prakiraan harga, volume permintaan, pasokan bahan baku produksi.
Untuk
menjamin
tercapainya
serta data historis jumlah
tujuan
pengembangan
model
pengambilan keputusan dalam perencanaan produksi rantai pasok agroindustri karet spesifikasi, dibutuhkan proses verifikasi dan validasi terhadap sistem manajemen ahli perencanaan yang telah dirancang.
6.1 Verifikasi Model Proses verifikasi dilakukan untuk memastikan bahwa model telah dibuat dengan benar dengan memeriksa kesesuaian algoritma yang diterapkan, memeriksa kesalahan
yang mungkin
terjadi,
serta
kelengkapan dalam
pengembangan model (Conwell, 2000; Macal, 2005). Proses verifikasi pada hasil perancangan sistem manajemen ahli Proplan-TSR20 dilakukan dengan; 1) memeriksa kesesuaian elemen model dengan sistem nyata, 2) logika dan algoritma yang digunakan telah diterapkan secara benar dalam perhitungan setiap sub model, 3) keluaran model memberikan hasil yang konsisten. Verifikasi untuk elemen sistem yang dikaji disesuaikan dengan hasil analisis dan identifikasi sistem rantai pasok karet spesifikasi teknis, yang terdiri dari pabrik sebagai penghasil karet spesifikasi teknis, perkebunan sebagai pemasok bahan olah karet dan kantor pemasaran bersama yang menjalankan fungsi pemasaran. model
dengan
Pemeriksaan algoritma model dilakukan untuk setiap sub
menelusuri
apakah
program
dapat
menjalankan
penghitungan secara benar dan menghasilkan keluaran yang sesuai.
proses
92
Penelitian dilakukan pada salah satu perkebunan besar milik negara yaitu PTPN VIII, dan di PT. Bakrie Sumatera Plantation Tbk (PT. BSP) sebagai salah satu perkebunan besar milik swasta. Terdapat perbedaan dalam proses bisnis untuk menyusun suatu rencana produksi antara keduanya. Secara garis besar PTPN VIII memiliki proses bisnis yang lebih panjang dan kewenangan lebih tersentralisasi sehingga pengambilan keputusan untuk penyesuaian rencana produksi menjadi lebih panjang. Sementara pada PT. BSP proses bisnis lebih pendek dan fleksibel dengan kewenangan perencanaan produksi berada pada manajer kebun dan manajer pabrik. Atas pertimbangan 1) kesesuaian tujuan pemodelan dengan hasil perancangan model dalam penyusunan rencana produksi yang lebih adaptif 2) keinginan perusahaan untuk lebih efisien dan efektif dalam pengelolaan produksi 3) ketersediaan data dan informasi, maka proses verifikasi dan validasi setiap model dilakukan menggunakan data dan informasi di PT. Bakrie Sumatera Plantation Tbk.
6.1.1 Prakiraan Harga dan Permintaan Hasil perancangan model prakiraan harga dan permintaan digunakan untuk memprediksi tingkat harga dan volume permintaan karet spesifikasi teknis dunia khususnya untuk transaksi harian di pasar komoditi SICOM menggunakan data transaksi harian tahun 2010 ( Lampiran 5). Arsitektur JST backpropagation yang banyak digunakan dalam peramalan pada umumnya menggunakan parameter input neuron yang sama seperti yang dikembangkan dalam model prakiraan harga dan prakiraan permintaan oleh Indrawanto (2008) dan prakiraan harga dan permintaan beras oleh Surjasa (2010). Berbeda dengan penelitian terdahulu penelitian ini menggunakan lima neuron dengan parameter yang berbeda. Parameter untuk input layer terdiri atas lima neuron yaitu; 1) harga tertinggi, 2) harga terendah, 3) harga penutupan, 4) volume penutupan dan 5) volume pembukaan. Keluaran dari hasil rancangan JST pada penelitian ini atau disebut juga dengan neuron lapisan output adalah; 1) prakiraan harga dan 2) prakiraan volume permintaan. Untuk mendapatkan data yang dijadikan neuron pada input layer dalam pelatihan dan pengujian, data rata-rata transaksi harian dikelompokkan menjadi
93
rata-rata mingguan. Arsitektur terbaik diperoleh dengan melakukan
simulasi
secara bertahap, keseluruhan hasil simulasi untuk memilih arsitektur tebaik ditunjukkan pada Tabel 10.
Tabel 10 Pemilihan arsitektur JST untuk TSR 20 Indikator yang ingin dicapai
Fungsi Aktivasi
No
H
I-H
H-O
Algoritma Training
Indikator yang dicapai
epoch
goal
LR
Epoch
goal
(R)
Pemilihan jumlah neuron pada hidden layer 1
5
tansig
purelin
trainrp
5000
1.00E-05
0.001
5000
8.84E-05
0.97763
2
10
tansig
purelin
trainrp
5000
1.00E-05
0.001
5000
5.53E-05
0.98067
3
15
tansig
purelin
trainrp
5000
1.00E-05
0.001
5000
5.08E-05
0.98721
4
20
tansig
purelin
trainrp
5000
1.00E-05
0.001
5000
9.51E-05
0.97634
Pemilihan fungsi aktivasi 5
15
tansig
purelin
trainrp
5000
1.00E-05
0.001
5000
5.08E-05
0.98721
6
15
tansig
logsig
trainrp
5000
1.00E-05
0.001
5000
3.99E-05
0.98998
7
15
tansig
tansig
trainrp
5000
1.00E-05
0.001
5000
5.70E-05
0.98565
8
15
logsig
purelin
trainrp
5000
1.00E-05
0.001
5000
5.41E-05
0.9864
9
15
logsig
tansig
trainrp
5000
1.00E-05
0.001
5000
5.77E-05
0.98548
10
15
logsig
logsig
trainrp
5000
1.00E-05
0.001
5000
4.67E-05
0.98826
Pemilihan algoritma training 11
15
tansig
logsig
traingda
5000
1.00E-05
0.001
5000
5.16E-05
0.9869
12
15
tansig
logsig
traingdx
5000
1.00E-05
0.001
5000
3.83E-05
0.99038
13
15
tansig
logsig
traingd
5000
1.00E-05
0.001
5000
0.0336
0.48291
14
15
tansig
logsig
traingdm
5000
0.001
5000
0.0898
0.21346
15
15
tansig
logsig
trainlm
5000
1.00E-05 1.00E05
0.001
50
9.19E-06
0.9977
Keterangan H I-H H-O LR
: : hidden layer : dari input ke hidden layer : dari hidden ke output layer : learning rate
94
Pengolahan data dimulai dengan mengelompokkan data transaksi harian menjadi 251 pola, selanjutnya sebanyak 70% pola data digunakan untuk pelatihan (Lampiran 6) dan 30% data untuk pengujian (Lampiran 7). Arsitektur terbaik diperoleh melalui proses simulasi secara bertahap yaitu tahap ; 1) menentukan jumlah neuron pada hidden layer, 2) pemilihan fungsi aktivasi, dan 3) pemilihan algoritma training.
Berdasarkan pencapaian nilai regresi terbaik sebesar 0,987
(no 3 pada Tabel 10) maka jumlah neuron pada hidden layer adalah 15 neuron. Untuk menentukan fungsi aktivasi dilakukan simulasi dengan menggunakan beberapa fungsi aktivasi.
Hasil regresi terbaik pada tahap ini sebesar 0,989
(simulasi no 6 pada Tabel 10) menunjukkan fungsi aktivasi terbaik adalah tansig (sigmoid bipolar) dan logsig (sigmoid biner). Sedangkan untuk pemilihan algoritma training yang terbaik adalah trainlm. Berdasarkan nilai target epoch sebanyak 5000 dan nilai MSE 0,00001 maka arsitektur terbaik diperoleh pada simulasi no 15 pada Tabel 10 sehingga arsitektur JST yang dihasilkan pada penelitian ini adalah fungsi aktivasi tansig pada input layer, logsig pada hidden layer dengan algoritma pelatihan trainml. Berdasarkan tiga indikator pelatihan yang dijadikan acuan dalam pemilihan arsitektur terbaik, pada epoch ke 50 target (goal) sudah tercapai dengan nilai MSE mencapai 0,0000919 dan nilai koefisien regresi mencapai 0,9977. Pengolahan
data
kepentingan verifikasi
menggunakan juga digunakan
pelatihan menggunakan JST
perangkat
lunak
Matlab,
untuk
perhitungan secara manual. Proses
meliputi 3 fase. Fase pertama adalah fase
feedforward atau propagasi maju. Pola masukan dihitung maju mulai dari lapisan input hingga lapisan output menggunakan fungsi aktivasi yang ditentukan. Fase kedua adalah adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan error yang selanjutnya dipropagasikan mundur dari lapisan output ke lapisan input. Fase ketiga adalah modifikasi bobot untuk memperkecil selisih antara keluaran jaringan dengan target. Algoritma
pelatihan
untuk jaringan dengan satu lapisan tersembunyi (dengan fungsi aktivasi sigmoid biner) yang digunakan pada model ini mengikuti langkah-langkah sebagai berikut:
Langkah 0 :
Inisialisasi semua bobot dengan bilangan acak kecil.
95
Pada tahap ini dimulai dengan memberi bobot menggunakan nilai acak yang kecil (range [-1,1]. Tahap ini ditentukan bobot yang digunakan dari lapisan input ke lapisan tersembunyi ( vij) dan bobot dari lapisan tersembunyi ke lapisan output ( wjk). Kondisi pemberian bobot berhenti ditentukan dari selisih hasil propagasi maju dengan target (error) atau jumlah iterasi yang dikehendaki. Pada model ini nilai target error adalah 0.00001 dan nilai epoch = 5000. Jika salah satu dari kedua kondisi tersebut terpenuhi pelatihan dihentikan. Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2 – 9 Langkah 2: Untuk setiap pasang data pelatihan, lakukan langkah 3 – 8 Langkah 3: Tiap unit masukan menerima sinyal dan meneruskannya ke unit tersembunyi diatasnya Langkah 4: Hitung semua keluaran di unit tersembunyi zj (j=1,2,3,4 ,5) dengan formula : z_netj = vjo + Hasil perhitungan nilai keluaran dari unit tersembunyi adalah : z_net1 = 1 (0.2) + 0.190 (0.1) + 0.188 (0.2) + 0.189 (-0.1) + 0.117 (0.2) + 0.641 (0.1) = 0.325 z_net2 = 1 (-0.1) + 0.190 (0.3) + 0.188 (0.1) + 0.189 (0.3) + 0.117 (-0.1) + 0.641 (0.1) = 0.085 z_net3 = 1 (0.1) + 0.190 (0.1) + 0.188 (0.1) + 0.189 (0.1) + 0.117 (0.1) + 0.641 (0.3) = 0.361 z_net4 = 1 (0.2) + 0.190 (0.2) + 0.188 (0.2) + 0.189 (0.2) + 0.117 (0.3) + 0.641 (0.1) = 0.413 z_net5 = 1 (0.1) + 0.190 (0.1) + 0.188 (-0.1) + 0.189 (0.1) + 0.117 (0.1) + 0.641 (0.1) = 0.196
Dengan menggunakan fungsi aktivasi sigmoid diperoleh nilai keluaran dengan menggunakan formula : zj = f(z_netj) = 1/(1+
)
z1 = f(z_net1) = 1/(1+
) = 1/(1+
) = 0.580
z2 = f(z_net2) = 1/(1+
) = 1/(1+
) = 0.521
z3 = f(z_net3) = 1/(1+
) = 1/(1+
) = 0.589
z4 = f(z_net4) = 1/(1+
) = 1/(1+
) = 0.602
z5 = f(z_net5) = 1/(1+
) = 1/(1+
) = 0.548
Langkah 5:
Menghitung keluaran unit output layer ( yk) dengan formula y_netk = vko +
Untuk output layer diperoleh nilai keluaran untuk setiap neuron : y_net1 = 1 (0.2) + 0.580 (0.3) + 0.521 (0.2) + 0.589 (-0.1) + 0.602 (0.4) + 0.548 (0.4) = 0.646
96
y_net2 = 1 (-0.1) + 0.580 (0.2) + 0.521 (0.1) + 0.589 (0.3) + 0.602 (-0.1) + 0.548 (0.2) = 0.294
Karena pada lapisan tersembunyi ke lapisan output menggunakan fungsi aktivasi identitas f(x) = x, maka y1 = f(y_net1) = -0.646 y2 = f(y_net2) = -0.294 Target y1 = 0.194 dan y2 = 0.145 Karena hasil keluaran jaringan masih memilki selisih yang cukup besar maka dilanjutkan ke langkah 6.
Pada langkah 6 sampai langkah 9 hasil
perhitungan ditunjukkan pada Lampiran 7.
Di bawah ini hanya ditunjukkan
formula pada setiap langkah. Langkah 6:
Hitung faktor δ di unit keluaran yk δk = (tk – yk)f’(y_netk) = (tk-yk)yk(1-yk)
Langkah 7:
Hitung penjumlahan kesalahan dari unit tersembunyi (δ) δ_netj =
Langkah 8:
Hitung semua perubahan bobot Perubahan bobot unit keluaran wjk (baru) = wjk (lama) + Δwjk dan vij (baru) = vij (lama) + Δvij
Langkah 9:
Kembali ke langkah 1
Secara terinci perhitungan menggunakan algoritma yang dilakukan pada penelitian ini disajikan pada Lampiran 8.
Hasil akhir perhitungan bobot
berdasarkan nilai target MSE dan epoch ditunjukkan pada Tabel 11, guna menentukan nilai bobot lapisan input ke lapisan tersembunyi
Tabel 11 Bobot dari lapisan input ke lapisan tersembunyi (wij)
x1 (harga tertinggi) x2 (harga terendah) x3 (haga penutupan) x4 (volume penutupan) x5 (volume pembukaan) 1(bias)
z1 -29.49 -21.89 -9.16 -16.97 -2.30 19.97
z2 4.79 -37.52 -27.64 -15.89 2.17 12.50
z3 13.70 -18.65 36.68 31.78 -4.74 -10.10
z4 48.91 29.49 -12.39 -54.87 -0.98 -4.62
z5 24.99 12.36 -29.94 43.22 -3.86 -4.60
97
Selanjutnya untuk hasil perhitungan bobot dari lapisan tersembunyi ke lapisan output ditampilkan pada Tabel 12. Tabel 12 Bobot dari lapisan tersembunyi ke lapisan output (vjk)
z1 (neuron1 hidden layer) z2 (neuron2 hidden layer) z3 (neuron3hidden layer) z4 (neuron4 hidden layer) z5 (neuron5hidden layer) 1(bias)
y1 (harga) 0.504 -0.036 0.499 -0.023 -0.042 0.194
y2 (volume) -0.161 -0.001 -0.351 0.018 0.029 -0.064
Berdasarkan arsitektur terbaik dilakukan prediksi untuk harga dan volume permintaan untuk periode 16 minggu yang akan datang. Hasil prakiraan harga dan prakiraan volume permintaan dan tingkat akurasi disajikan pada Tabel 13. Tabel 13 Hasil Pengujian Harga dan Volume Permintaan TSR 20 Minggu Ke 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Aktual Harga (US cent/kg) 297,91 313,19 313,42 322,98 326,11 276,15 294,10 293,01 286,97 306,36 321,66 330,74 361,29 395,45 425,23 441,93
Volume (lot) 1829,9 1164,0 858,3 790,6 1272,5 1690,1 679,2 594,1 148,21 903,6 773,8 928,1 1044,2 1531,0 1042,3 1032,1 Rata-rata
Pengujian
Akurasi (%)
Harga Volume (US cent/kg) (lot) 310,38 116,98 305,60 994,63 308,17 1222,5 316,19 1091,5 345,03 1099,1 294,32 1497,7 294,04 1069,7 269,02 982,90 309,49 851,84 295,58 1004,6 315,88 1112,6 343,94 1043,4 353,18 1082,8 429,96 1765,1 493,57 463,09 311,82 906,10
Harga Volume (US cent/kg) (lot) 97,42 63,51 97,57 85,92 98,32 82,11 97,89 90,07 94,20 91,70 93,42 92,76 99,97 94,41 93,52 95,67 89,12 55,94 96,48 91,48 98,20 77,31 96,01 70,72 97,60 87,27 81,30 83,17 81,93 88,66 94,38 87,78 94,72 83,65
Tingkat akurasi dihitung dengan rumus sebagai berikut :
98
Berdasarkan hasil perhitungan maka tingkat akurasi untuk prakiraan harga mencapai 91% sedangkan akurasi prakiraan volume permintaan mencapai 87%. Akurasi volume permintaan lebih rendah karena fluktuasi data volume permintaan pada saat pembukaan pada beberapa periode berbeda drastis dengan pola saat penutupan. Berdasarkan nilai pencapaian tingkat akurasi pada prakiraan harga dan volume permintaan selanjutnya aristektur JST digunakan untuk memprediksi parameter harga dan volume permintaan periode yang akan datang (Tabel 14).
Tabel 14 Hasil Prakiraan Harga dan Volume Permintaan TSR 20 Minggu ke 1
Prakiraan Harga (US cent/kg) Volume (lots) 296 313
1.829 1.164
314
853
4
322
798
5
326
1.272
6
269
1.690
7
294
837
8
293
1.594
9
286
2.369
10
306
903
11
321
1.773
12
330
928
13 14
361 395
1.044 1.531
15
425
1.042
16
493
1.032
493 269
2369 798
2 3
Maksimum Minimum
Prakiraan harga dan volume permintaan yang akan datang memiliki pola yang mendekati pola masa lalu. Fluktuasi harga maupun volume yang cukup besar seperti yang terjadi dalam pasar komoditas SICOM sangat dipengaruhi isu-isu yang berkaitan dengan pertumbuhan industri otomotif sejalan dengan perubahan yang terjadi dalam perekonomian global. Transaksi harian akan bergerak sejalan dengan perkembangan yang terjadi dalam perdagangan Internasional, sehingga terdapat pola fluktuasi yang cukup tajam pada beberapa periode.
99
Hasil prakiraaan harga dan prakiraan volume permintaan dibandingkan dengan harga rata-rata untuk memperoleh klasifikasi aturan yang akan digunakan sebagai input untuk menyusun aturan pada sub model perencanaan produksi. Perhitungan selisih antara nilai maksimum prakiraan dengan nilai rata-rata dinyatakan sebagai kategori tinggi, sementara selisih antara nilai rata-rata dengan nilai minimum dinyatakan sebagai kategori rendah. Kondisi normal adalah kondisi diantara kategori tinggi dan rendah. Keseluruhan kategori harga dan permintaan ditunjukkan pada Tabel 8 . Perancangan JST untuk model prakiraan harga dan permintaan ini menggunakan bantuan sofware Matlab versi 2.09. Hasil pengolahan dengan Matlab sebagai contoh ilustrasi disajikan pada Gambar 33. input parameter yang berbeda
Berdasarkan lima
yaitu harga terendah, harga tertinggi, harga
penutupan, volume pembukaan dan volume penutupan dapat dihitung prakiraan untuk harga dan volume permintaan untuk 16 minggu yang akan datang.
Gambar 33 Tampilan menu untuk prakiraan harga dan permintaan karet spesifikasi teknis (TSR 20) Berdasarkan hasil diskusi dengan pakar serta studi pustaka, harga dan permintaan karet spesifikasi teknis dipengaruhi beberapa faktor, diantaranya; 1) pasokan karet dunia yang diartikan sebagai jumlah produksi, yang dihasilkan oleh negara pengekspor karet, 2) permintaan karet dunia merupakan nilai impor dari negara industri pengguna karet, 3) harga di pasar fisik yaitu harga pada
100
pelelangan karet, 4) harga pasar berjangka yaitu harga pada saat pelelangan di bursa komoditas, 5) nilai tukar mata uang yaitu nilai kurs yang berlaku sesuai mata uang yang digunakan dan 6) musim atau iklim yang mempengaruhi perkebunan karet dalam menghasilkan lateks. Diperlukan kajian lebih dalam untuk menentukan faktor yang paling berpengaruh selain harga untuk digunakan pada pengembangan model berikutnya.
6.1.2 Ketersediaan Bahan baku Model ketersediaan bahan baku digunakan untuk memperkirakan tingkat ketersediaan bahan baku berdasarkan data pasokan mingguan pada periode tahun 2009 sampai 2011 yang lalu (Lampiran 12). Pada model ini metode JST backpropagation digunakan untuk menghitung prakiraan pasokan bahan baku untuk periode yang akan datang. Berbeda dengan arsitektur pada model prakiraan harga dan volume permintaan, arsitektur JST pada model ketersediaan bahan baku menggunakan input pasokan bahan baku untuk memprediksi jumlah pasokan yang akan datang. Data input dibuat menjadi 138 pola dan setiap pola terdiri atas 12 neuron pada input layer dan 1 neuron pada output layer. Untuk pola pelatihan dan pengujian pola data dibagi dengan perbandingan 70:30 sehingga untuk pelatihan digunakan sebanyak 98 pola data dan untuk pengujian sebanyak 40 pola data. Hasil simulasi untuk mencapai target yang ditetapkan berupa parameter training epoch 10.000 kali dan tingkat kesalahan dengan parameter Mean Square Error 0,00001, maka arsitektur JST dirancang dengan menggunakan 12 neuron pada input layer dan 60 neuron pada hidden layer dan 1 neuron pada output layer. Algoritma pembelajaran yang digunakan adalah dengan learning rate 0,001 dan fungsi aktivasi sigmoid. Proses normalisasi dilakukan sebelum data diolah dalam JST pada proses pelatihan, pengujian dan implementasi, sedangkan setelah hasil diperoleh dilakukan denormalisasi. Tujuan normalisasi dan denormalisasi adalah untuk menyesuaikan data dengan fungsi aktivasi yang digunakan.
Perhitungan
dilakukan menggunakan perangkat lunak Matlab, langkah-langkah verifikasi secara manual sama dengan yang digunakan pada model prakiraan harga dan
101
volume permintaan. Berdasarkan pola data yang diinput pada proses pelatihan yang bertujuan untuk mengenali pola yang sudah ada (pattern recognation) maka JST mampu belajar sendiri untuk memprediksi pola yang akan datang berdasarkan pola yang telah dikenali. Hasil perhitungan tingkat akurasi pada tahap pengujian ditampilkan pada Tabel 15.
Tabel 15 Hasil Perhitungan Tingkat Akurasi Prakiraan Pasokan Bahan Baku No
Pola 99 Pola 100 Pola 101 Pola 102 Pola 103 Pola 104 Pola 105 Pola 106 Pola 107 Pola 108 Pola 109 Pola 110 Pola 111 Pola 112 Pola 113 Pola 114 Pola 115 Pola 116 Pola 117 Pola 118
Aktual
Pengujian
(kg basah)
(kg basah)
52.394
58.440
53.712
44.017
58.383
49.753
53.208
50.868
47.961
53.504
45.459
47.056
64.913
66.949
71.483
48.597
64.103
61.003
68.783
51.516
62.973
62.793
60.300
73.847
65.367
66.257
64.143
68.292
61.380
70.719
57.636
57.685
66.092
50.202
67.541
58.511
61.250
66.911
69.696
61.510
Akurasi
No
(%)
88,5
Pola 119
81,9
Pola 120
85,2
Pola 121
95,6
Pola 122
88,4
Pola 123
96,5
Pola 124
96,9
Pola 125
68,0
Pola 126
95,2
Pola 127
74,9
Pola 128
99,7
Pola 129
77,5
Pola 130
98,6
Pola 131
93,5
Pola 132
84,8
Pola 133
99,9
Pola 134
76,0
Pola 135
86,6
Pola 136
90,8
Pola 137
88,3 Pola 138 Rata-rata (%)
Aktual
Pengujian
Akurasi
(kg basah)
(kg basah)
(%)
57.753
67.641
82,9
60.701
56.323
92,8
60.399
63.675
94,6
71.915
63.794
88,7
51.606
67.172
69,8
56.457
68.329
79,0
51.836
55.614
92,7
47.795
57.955
78,7
55.206
47.470
86,0
48.911
50.284
97,2
48.290
45.175
93,6
53.523
51.398
96,0
45.882
48.803
93,6
53.361
52.081
97,6
56.484
46.113
81,6
45.347
44.694
98,6
53.208
51.969
97,7
48.204
50.848
94,5
55.544
53.918
97,1
48.843
45.900
94,0 89,3
102
Nilai akurasi JST dalam mengenali pola sejenis dapat dihitung dengan formulasi Tingkat akurasi: persentase tingkat akurasi dihitung dengan menggunakan persamaan sebagai berikut:
Sebagai contoh perhitungan untuk pola 134, tingkat akurasi adalah :
= 1 - | 0,06 | *100 = 94 % Berdasarkan tingkat akurasi mencapai 89,3% maka arsitektur JST ini digunakan untuk memprediksi jumlah pasokan bahan baku untuk 12 minggu yang akan datang (Tabel 16). Tabel 16 Hasil Prakiraan Pasokan Bahan Baku Jumlah bahan baku kg basah ton basah
Periode Minggu ke-1
55.206
55,21
Minggu ke-2
48.911
48,91
Minggu ke-3
48.290
48,29
Minggu ke-4
53.523
53,52
Minggu ke-5
45.882
45,88
Minggu ke-6
53.361
53,36
Minggu ke-7
56.484
56,48
Minggu ke-8
45.347
45,35
Minggu ke-9
53.208
53,21
Minggu ke-10
48.204
48,20
Minggu ke-11
55.544
55,54
Minggu ke-12
48.843
48,84
Rata-rata
51.067
51,07
Maksimum
56.484
56,48
Minimum
45.347
45,35
Hasil prakiraan akan menjadi input model perencanaan produksi. Kategori nilai input bahan baku untuk
menyusun nilai himpunan fuzzy dilakukan dengan
membagi data ke dalam nilai tinggi, sedang dan rendah berdasarkan selisih antara
103
nilai maksimum dan nilai minimum. Untuk membandingkan antara data aktual, data pengujian dan prakiraan dapat dilihat pada Gambar 34.
kg basah
80000 60000 40000
Aktual
20000
Pengujian 1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154
0
Prakiraan
Minggu
Gambar 34 Pola data aktual, data pengujian dan prakiraan
Pola data pelatihan, pengujian memiliki kecendrungan berfluktuasi pada periode tertentu demikian juga hasil prakiraan pasokan bahan baku juga memiliki pola data yang berfluktuasi.
Fluktuasi terjadi secara berulang pada periode
minggu yang sama setiap tahun. Pengaruh musim terhadap jumlah pasokan bahan baku terjadi pada saat bulan dengan curah hujan tinggi dan saat kemarau yang mengakibatkan turunnya produktifitas tanaman karet untuk menghasilkan getah.
Hujan yang tinggi menyebabkan lateks menjadi menggumpal karena
tercampur dengan ion-ion yang terkandung dalam air hujan. Tampilan menu hasil perhitungan dengan JST backpropagation ditampilkan pada Gambar 35.
Gambar 35 Tampilan Menu untuk Prakiraan Pasokan Bahan Baku
104
6.1.3 Penyusunan Rencana Produksi Perencanaan produksi merupakan aktifitas perencanaan taktis dan operasional dengan tujuan untuk
menyusun keputusan yang optimum guna
memenuhi permintaan konsumen pada periode mendatang.
Pada umumnya
metode perencanaan produksi mengasumsikan permintaan bersifat konstan dan diprediksi menggunakan data historis dari jumlah permintaan masa lalu. Prakiraan permintaan belum mempertimbangkan pengaruh faktor yang signifikan, hanya memperhatikan trend dari pola permintaan masa lalu. Model sistem manjemen ahli perencanaan produksi yang direkayasa, rencana produksi disusun berdasarkan integrasi dinamika pada permintaan dan pasokan sehingga adaptif terhadap perubahan. Pada sisi permintaan tidak hanya memperhatikan volume permintaan, tapi memasukkan faktor harga dan pola interaksi keduanya sebagai input untuk pola pembelajaran dengan jaringan syaraf tiruan yang digunakan pada model prakiraan. Guna membantu pengambilan keputusan yang mempertimbangkan prakiraan harga, prakiraan volume permintaan, prakiraan dan pasokan bahan baku untuk penentuan jumlah produksi dikembangkan sistem pakar model penyusunan rencana produksi. Tingkat akurasi rencana produksi yang dihasilkan untuk periode satu tahun mendatang membutuhkan suatu sistem pengambilan keputusan yang memungkinkan untuk melakukan penyesuaian karena perubahan kecendrungan data yang bergerak dalam periode yang lebih pendek. Pertimbangan dinamika untuk melakukan penyesuaian menjadi dasar untuk penggunaan sistem pakar yang diintegrasikan dengan sistem pengambil keputusan menjadi sistem manajemen ahli untuk perencanaan produksi. Dalam pengembangan sistem pakar, terdapat dua komponen utama yaitu basis pengetahuan (knowledge base) dan mesin inferensi (Marimin, 2005 dan Unahabhokha et al., 2007). Basis pengetahuan dalam sistem pakar perencanaan produksi ini adalah; 1) karakteristik variabel input dan output yang disusun menjadi fungsi keanggotaan dan, 2) kumpulan aturan yang disusun dalam bentuk Fuzzy If Then Rules yang menjelaskan aturan untuk menghubungkan variabel input dan variabel output.
Mesin inferensi yang digunakan adalah metode
penalaran Mamdani, dimana nilai variabel yang bersifat samar dapat digunakan
105
dalam pengambilan keputusan melalui proses fuzifikasi dan defuzifikasi (Kusumadewi, 2003; Unahabhokha et al., 2007). Untuk membangun basis pengetahuan penyusunan rencana produksi, dilakukan
akuisisi
pengetahuan
pakar
melalui
wawancara
mendalam.
Keterlibatan pakar sesuai dengan keahlian, fungsi dan kewenangannya diperlukan untuk menyusun karakteristik himpunan fuzzy untuk variabel input maupun output.
Hasil representasi pengetahuan pakar dalam menyusun
karakteristik himpunan fuzzy, fungsi keanggotaan dan nilai parameter setiap fungsi keanggotaan disajikan pada Tabel 17. Setiap input data dalam bentuk fungsi keanggotaan fuzzy direpresentasikan dalam bentuk kurva yang menunjukkan titik-titik input ke dalam keanggotaanya. Bentuk kurva pada variabel input menggunakan kurva trapesium untuk nilai rendah dan tinggi, sedangkan untuk nilai normal atau sedang menggunakan kurva segitiga. Bentuk kurva yang mencerminkan fungsi keanggotaan output menggunakan kurva segitiga (triangular fuzzy number).
Tabel 17 Representasi kurva untuk variabel input dan variabel output Fungsi
Jenis Kurva
Parameter
INPUT
Himpunan Fuzzy Rendah
Trapesium
[ 269 297 325 353]
Prakiraan harga
Normal
Segitiga
[ 330 375 405]
(US cent/kg)
Tinggi
Trapesium
[ 390 425 460 493]
INPUT
Rendah
Trapesium
[ 837 1028 1220 1411]
Prakiraan Volume Permintaan (lots)
Normal
Segitiga
[ 1300 1600 1900]
Tinggi
Trapesium
[ 1750 1950 2150 2369]
INPUT
Rendah
Segitiga
[ 45 47 50]
Pasokan bahan baku
Sedang
Segitiga
[ 48 51 53]
(ton/bulan)
Tinggi
Segitiga
[ 52 55 57]
OUTPUT
Rendah
Trapesium
[ 65 85 105 120]
Jumlah Produksi
Normal
Segitiga
[ 105 135 150]
(ton/kering)
Tinggi
Trapesium
[ 145 185 202 202]
Setelah penyusunan karakteristik variabel input dan output, selanjutnya pakar memberikan penilaian terhadap aturan dan logika keputusan dari 27 aturan
106
yang disusun mengikuti kaidah aturan 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/t inggi). Semua aturan dapat dilihat pada Lampiran 14. Berdasarkan nilai parameter yang disusun sebagai himpunan keanggotaan dalam metode Fuzzy Inference System (FIS), dengan menggunakan program Matlab nilai diinput dalam menu FIS editor untuk prakiraan harga, prakiraan volume dan prakiraan ketersediaan bahan baku dengan menggunakan data yang pada Tabel 17.
Perhitungan secara manual juga dilakukan untuk mendukung proses
verifikasi. Hasil akuisisi pengetahuan
para pakar, menunjukkan dari 27 aturan
disusun, kepastian pasokan bahan baku merupakan faktor penting dalam penentuan jumlah produksi. Mengikuti aturan If – Then yang telah disusun dapat disimpulkan bahwa implikasi dari aturan terhadap keputusan jumlah produksi ditentukan oleh jumlah ketersediaan bahan baku. Hanya dua dari aturan yang disusun yaitu aturan no 13 (jika harga normal, permintaan normal dan bahan baku tinggi maka jumlah produksi tinggi) dan aturan no 14 (jika harga normal, permintaan normal dan bahan baku sedang maka jumlah produksi sedang) yang memiliki daerah implikasi (Lampiran 14). Hasil pengolahan secara manual untuk evaluasi aturan 13 dan 14 sebagai berikut :
Evaluasi aturan α13= min ( α harga normal [381] , α permintaan normal [1600] , α bahan baku tinggi [57] = min ( 0,8 ; 1; 0,68) = 0,68 α14= min ( α harga normal [381] , α permintaan normal [1600] , α bahan baku sedang [51] ) = min ( 0,8 ; 1; 0,6 ) = 0,6
Fungsi Implikasi pada basis aturan no. 13 Jika harga normal dan permintaan normal dan bahan baku tinggi maka jumlah produksi tinggi memiliki daerah implikasi µjmlprod = 0,68 Pada saat µJMLPROD sebagai berikut:
TINGGI [x] = 0.68, maka nilai x dapat ditentukan
107
0.68 = (x-155) / 30 x = 175,4
µJMLPROD 13 [ X] =
0
; x ≤ 155 atau x ≥ 202
(x-155) / 30
; 155 < x ≤ 175,4
0,68
; 175,4 < x ≤ 202
Fungsi Implikasi pada basis aturan no. 14 Jika harga normal dan permintaan normal dan bahan baku sedang maka jumlah produksi normal memiliki daerah implikasi µjmlprod = 0,6 Pada saat µJMLPROD NORMAL [x] = 0.60, maka nilai x dapat ditentukan sebagai berikut: 0.6 = (x-105) / 30 x = 123 0.6 = (150-x) / 15 x = 141
µJMLPROD 14 [ X] =
0
; x ≤ 105 atau x ≥ 150
(x-105) / 30
; 105 ≤ x ≤ 123
0,6
; 123 ≤ x ≤ 141
(150-x) / 15
; 141 ≤ x ≤ 150
Prakiraan harga dan volume permintaan memiliki pengaruh yang relatif kecil dibandingkan dengan kepastian pasokan bahan baku. Hal ini disebabkan para pakar menilai saat ini relatif sulit mendapatkan bahan baku dari petani dan pasokan dari kebun sendiri masih diprioritaskan untuk jenis karet kualitas tinggi seperti lateks pekat. Pengolahan data dengan perangkat lunak Matlab relatif mudah digunakan. Melalui menu FIS editor (Gambar 36), tersedia interface untuk memasukkan nilai setiap himpunan fuzzy variabel input maupun variabel output sesuai dengan fungsi keanggotaan yang diinginkan.
108
Gambar 36 Tampilan parameter input pada Fuzzy Inference System Sebagai contoh penggunaan FIS editor nilai himpunan fuzzy pada input prakiraan harga ditampilkan pada Gambar 37. Dengan bentuk kurva trapesium pada nilai rendah dan nilai tinggi sera kurva segitiga untuk himpunan fuzzy normal.
Gambar 37 Fungsi keanggotan dan nilai input untuk prakiraan harga
Setelah semua input dan output dan logika aturan diinput ke dalam menu FIS editor maka dilanjutkan dengan menginput 27 aturan yang disusun dalam basis aturan mengikuti aturan dalam Tabel 9 pada Bab 5. Berdasarkan hasil agregasi dari seluruh nilai input prakiraan harga, prakiraan permintaan dan
109
ketersediaan bahan baku, maka dapat dihitung jumlah produksi. Jumlah produksi untuk periode bulan pertama sebesar 161 ton kering SIR 20, nilai ini berada pada kategori tinggi. Tampilan hasil input dan output FIS untuk penentuan jumlah produksi dapat dilihat pada Gambar 38.
= 1 600
= 57
Gambar 38 Tampilan hasil input- output FIS untuk jumlah produksi. Perhitungan secara manual dalam menggunakan metode FIS dengan penalaran Mamdani dan metode defuzikasi menggunakan metode centroid disajikan pada Lampiran 14.
Hasil perhitungan manual dekomposisi fungsi
implikasi menggunakan metode centroid ditampilkan pada Gambar 39.
110
µx 1 0.9 0.8 0.7 0,68 0.6 0.5 0.4
M5
0.3
M4
M2
0.2 0. 1
M1
105
M3
123
135
141
M4
M4
150 155
175,4
185
202
Jumlah Produksi
Gambar 39 Dekomposisi fungsi implikasi
Perhitungan Momen :
Perhitungan Luas :
123
M1 =
( x 105) x dx = 631,8 30 105
A1 = (123-105)*0,6/2 = 5,4
141
M2 =
(0.6) xdx = 1425,6
A2 = (141-123)*0,6 = 10,8
123
150
M3 =
(150 x) x dx = 308,62 15 142 175, 4
M4 = 155
( x 155) x dx = 1170,41 30
A3 = (150-141)*0,6/2 = 2,7 A4 = (175,4-155)*0,68/2 = 6,94
202
M5 =
(0.68) xdx = 3415,21
A5 = (202-175,4)*0,68 = 18,09
175, 4
Menghitung titik pusat : x=
6948,64 = 158,18 43,93 Terdapat sedikit perbedaan dimana hasil dengan Matlab jumlah produksi
adalah 161 ton kering sedangkan dengan perhitungan manual sebesar 158,18. Selisih merupakan pembulatan dari perhitungan secara manual.
111
Berdasarkan perbandingan jumlah produksi dengan volume permintaan dapat terjadi kondisi bahwa jumlah produksi : 1. Melebihi jumlah permintaan sehingga karet SIR 20 yang dihasilkan akan menambah persediaan barang jadi yang bisa digunakan pada kondisi tingginya volume permintaan 2.
Kurang dari volume permintaan, sehingga kemungkinan yang dipilih adalah menggunakan persediaan barang jadi (jika tersedia) atau mengupayakan tambahan pasokan bahan baku. Untuk menentukan jumlah produksi pada bulan-bulan berikutnya dapat
dilakukan proses yang sama dengan menggunakan data yang telah disesuaikan (updating data) dengan dinamika yang terjadi pada permintaan dan pasokan. Berdasarkan rencana produksi selanjutnya ditentukan kapasitas yang dibutuhkan yang disajikan pada model ketersediaan kapasitas
6.1.4 Ketersediaan Kapasitas Produksi Perencanaan produksi merupakan langkah awal untuk menentukan tindakan berapa banyak dan kapan suatu produk akan diproduksi. Perencanaan yang disusun atas dasar prakiraan perlu dievaluasi secara berkala, dengan periode waktu mengikuti siklus perubahan yang mempengaruhinya serta kemampuan perusahaan untuk melakukan penyesuaian. Pada kegiatan perencanaan produksi, hasil akhir perencanaan dinyatakan sebagai Jadwal Induk Produksi (Master Production Schedulling, MPS) yang disusun dalam periode yang lebih pendek. Penyusunan MPS dipengaruhi oleh kebijakan berproduksi, baik kebijakan make to stock atau kebijkan make to order. Kelayakan MPS dievaluasi dengan cara membandingkan antara kapasitas yang dibutuhkan dengan kapasitas tersedia, menggunakan metode RCCP (Rough Cut Capacity Planning). Dasar perhitungan kapasitas yang dibutuhkan selain MPS adalah waktu proses pada setiap stasiun kerja dan waktu proses untuk memproduksi setiap ton karet spesifikasi teknis. Tahapan dan waktu proses ratarata menggunakan bahan baku koagulum ditunjukkan pada Tabel 18.
112
Tabel 18 Tahapan dan waktu proses pembuatan SIR 20 ( per ton kering) Stasiun kerja (tahapan proses)
Waktu proses
Tujuan proses
Sortasi
Pembelahan koagulum, dan klasifiaksi berdasarkan kadar kotoran
2 menit
Pemecahan (hammer mill) dan Pencucian (bak pencucian)
Pemecahan menjadi potongan kecil dan membuang kotoran dengan air
6 menit
Penggilingan 1 (macerator) Penggilingan 2(creper) Pengeringan pendahuluan Peremahan (shredder) Pengeringan (dryer) Pengempaan ( mesin hidrolik) Pengemasan
Mencampur dan menyatukan potongan koagulum yang terpisah menjadi lembaran (2 -3 kali giling) Meratakan permukaan lembaran (5-6 kali giling) Mengurangi kadar air menjadi 35%
6 menit 5 menit 4 menit
Membentuk butiran kecil ,ukuran sekitar 3 cm x 3 cm Mengeringkan butiran karet dengan menggunakan uap panas pada mesin pengering Membentuk remahan karet menjadi balok (bandela) Membungkus bandela dengan plastik polyetylen dan menyusun dalam palet. Total Waktu Proses per ton SIR 20
5 menit 4 menit 5 menit 3 menit 40 menit
Secara garis besar tahapan proses dan waktu yang dibutuhkan untuk memproduksi karet spesifikasi teknis adalah 40 menit/ton kering. Tahapan proses berdasarkan hasil diskusi belum mempertimbangkan konsep produksi bersih, karena masih diperlukan tahapan pembersihan bokar yang menggunakan air dalam jumlah relatif besar. Waktu proses dihitung berdasarkan pengamatan di lapangan dengan mengkonversi jumlah waktu yang dibutuhkan untuk setiap bahan yang diproses pada mesin (stasiun kerja) yang ada. Waktu proses belum dibakukan
dengan
mengikuti
mekanisme
penghitungan
standar
time
menggunakan konsep time study. Berdasarkan perhitungan kapasitas yang tersedia dievaluasi apakah MPS yang dihasilkan sesuai dengan kapasitas pabrik untuk memproduksi sejumlah yang direncanakan.
Hasil pemodelan rencana produksi untuk periode bulan,
namun juga dapat dilakukan untuk periode yang lebih pendek atau lebih panjang, tergantung data updating yang diinput ke dalam model serta kebutuhan dalam
113
penyusunan rencana produksi. Jumlah produksi karet spesifikasi teknis dari model perencanaan produksi sebesar 161 ton kering/bulan. Menyesuaikan dengan ketersediaan data di lapangan, pada validasi model digunakan teknik perhitungan metode CPOF, yang dihitung berdasarkan proposi historis sebagai perbandingan antara waktu proses setiap stasiun kerja dengan total waktu proses. Proporsi historis dijadikan faktor pengali untuk menentukan kapasitas yang dibutuhkan
setiap bulan. Hasil perhitungan kapasitas yang
dibutuhkan dapat dilihat pada Tabel 19. Hasil perhitungan dengan jumlah produksi 161 ton kering/bulan pada bulan pertama , kapasitas yang dibutuhkan sebesar 107, 33 jam. Perhitungan kapasitas tersedia dengan menggunakan penghitungan jam kerja tersedia adalah 7 jam/hari (1 shift/hari), 1 jam istirahat/shift , jumlah hari kerja 24 hari/bulan , jumlah mesin satu unit untuk setiap stasiun kerja diperoleh jam tersedia sebesar 168 jam/bulan. Utilisasi sebagai perbandingan jam yang digunakan dengan jam tersedia pada perhitungan ini bernilai 6/7 atau setara dengan 85,7% dan tingkat efisiensi mesin 95% diperoleh kapasitas tersedia sebesar 136,8 jam. Jika dibandingkan antara kapasitas yang tersedia dan kapasitas yang dibutuhkan maka terdapat kelebihan kapasitas sebesar 29, 47 jam atau sebesar 21,54 %. Hal ini berarti dengan 1 shift/hari kapasitas yang tersedia hanya terpakai sebesar 78,46%. Perhitungan rencana produksi untuk bulan berikutnya, dihitung dengan asumsi jumlah produksi mengalami peningkatan 10% dari bulan sebelumnya. Berdasarkan hasil simulasi menunjukkan utilisasi kapasitas tersedia akan digunakan secara optimal jika jumlah produksi SIR 20 antara 195 sampai 214 ton kering/bulan. Rencana produksi dari bulan ke-1 sampai bulan ke-12 disajikan pada Tabel 19. Berdasarkan hasil validasi di lapangan, kapasitas yang tersedia jauh lebih besar dibanding dengan kapasitas yang dibutuhkan. Kondisi ini terjadi karena pabrik masih kekurangan pasokan bahan olah karet. Pasokan bahan baku dari kebun sendiri sebesar 82% sedang 18 % berasal dari perkebunan rakyat di sekitar agroindustri. Untuk mengoptimalkan utilisasi mesin perlu upaya untuk memperoleh bahan baku dalam jumlah yang lebih banyak pada tingkat utilisasi optimal.
114
Tabel 19 Perhitungan kapasitas yang dibutuhkan dengan metode CPOF dari bulan ke -1 sampai ke -12
Rencana Produksi (ton)
161
177
195
214
236
259
285
314
345
380
418
459
Waktu proses
40
40
40
40
40
40
40
40
40
40
40
40
Proporsi. Historis
Bulan ke - 1
Bulan ke - 2
Bulan ke - 3
Bulan ke - 4
Bulan ke - 5
Bulan ke - 6
Bulan ke -7
Bulan ke -8
Bulan ke -9
Bulan ke -10
Bulan ke -11
Bulan ke - 12
Sortasi Pemecahan dan pencucian
0,050
322
354
390
429
471
519
570
627
690
759
835
919
0,150
966
1.063
1.169
1.286
1.414
1.556
1.711
1.882
2.071
2.278
2.506
2.756
Penggilingan 1
0,150
966
1.063
1.169
1.286
1.414
1.556
1.711
1.882
2.071
2.278
2.506
2.756
Penggilingan 2
0,125
805
886
974
1.071
1.179
1.296
1.426
1.569
1.726
1.898
2.088
2.297
Pengeringan1
0,100
644
708
779
857
943
1.037
1.141
1.255
1.380
1.519
1.670
1.837
Peremahan
0,125
805
886
974
1.071
1.179
1.296
1.426
1.569
1.726
1.898
2.088
2.297
Pengeringan 2
0,100
644
708
779
857
943
1.037
1.141
1.255
1.380
1.519
1.670
1.837
Pengempaan
0,125
805
886
974
1.071
1.179
1.296
1.426
1.569
1.726
1.898
2.088
2.297
Pengemasan
0,075 Total (menit) Total (jam)
483
531
584
643
707
778
856
941
1.035
1.139
1.253
1.378
6.440
7.084
7.792
8.572
9.429
10.372
11.409
12.550
13.805
15.185
16.704
18.374
107,33
118,1
129,9
142,9
157,1
172,9
190,1
209,2
230,1
253,1
278,4
306,2
(menit/ton kering) Stasiun Kerja
115
Agar pasokan bahan baku lebih terjamin diperlukan upaya untuk peningkatan pasokan bahan baku seperti memiliki suatu supply contract dengan perkebunan rakyat. Rantai distribusi pasokan dari petani melalui pedagang pengumpul sebagai salah satu simpul rantai pasokan, membutuhkan suatu upaya pendekatan agar dapat terjadi koordinasi yang saling menguntungkan bagi pihak agroindustri, petani dan pedagang pengumpul. Alternatif lain adalah perusahaan mengalihkan sebagian lateks langsung menjadi koagulum untuk memenuhi target produksi SIR-20 sehingga mengikuti tingginya volume permintaan dan peningkatan harga.
6.1.5 Pengukuran Kinerja Rantai Pasok Model pengukuran kinerja yang dirancang dalam SMA Proplan-TSR20 ini merupakan alat evaluasi terhadap rencana produksi dan implementasinya dalam bentuk realisasi produksi dalam lingkup operasional. Selain dari sisi kemampuan produksi juga digunakan untuk evaluasi perencanaan permintaan kebutuhan bahan baku dan jumlah pasokan dari pemasok. Pengukuran kinerja diperlukan untuk mengevaluasi kemampuan aktifitas perencanaan produksi untuk berdaptasi dengan dinamika yang dijadikan input pada model perencanaan produksi. Perbandingan nilai antara rencana dan realisasi dihitung sebagai besarnya amplifikasi informasi dalam ukuran Bullwhip Effect (BE). Perhitungan nilai BE menggunakan perhitungan statistik, standar deviasi dan variansi. Hasil perhitungan nilai BE diverifikasi menggunakan data dari PT Bakrie Sumatera Plantation Tbk., yang telah disesuaikan untuk menjaga kepentingan perusahaan. Untuk kepentingan verifikasi model,
maka data untuk rencana produksi dan
realisasi produksi adalah data yang sudah ada di lapangan, belum dikaitkan dengan hasil pemodelan rencana produksi pada bagian sebelumnya. Data yang digunakan dalam perhitungan kinerja adalah data rencana dan realisasi produksi tahun 2009-2011 pada Lampiran 15. Rumus perhitungan yang digunakan untuk rata-rata ( ), standar deviasi
), koefisien variansi (CV) dan bullwhipt effect
adalah : dan
116
dan
Untuk contoh
perhitungan digunakan data tahun 2011, dengan langkah
perhitungan sebagai berikut : Perhitungan untuk rencana produksi tahun 2011 adalah :
Perhitungan untuk realisasi produksi tahun 2011 adalah :
Perhitungan Bullwhip Effect untuk kinerja produksi tahun 2011 adalah:
Secara keseluruhan hasil perhitungan nilai kinerja produksi untuk periode 2009-2011 disajikan pada Tabel 20. Hasil perhitungan nilai BE sebagai perbandingan variablitas rencana produksi dengan realisasi produksi PT BSP di bawah angka satu, artinya perbandingan variansi mengikuti pola yang mendekati sama antara perencanaan dan yang diproduksi.
117
Tabel 20 Perhitungan nilai Bullwhip Effect kinerja produksi Tahun 2009 2010 2011
Keterangan Rencana Produksi Realisasi Produksi Rencana Produksi Realisasi Produksi Rencana Produksi Realisasi Produksi
µ
s
CV
419,67 146,83 366,00 120,00 389,75 135,42
89,95 39,43 80,96 37,70 67,12 36,43
0,21 0,27 0,22 0,31 0,17 0,27
BE 0,80 0,70 0,64
Pola antara permintaan dan pasokan memiliki pola fluktuasi yang sama untuk beberapa periode (Gambar 40). Nilai BE akan mencerminkan besarnya distorsi informasi dari sisi hilir ke sisi hulu. Kondisi ini akan menimbulkan dampak peningkatan persediaan pada sisi hulu melebihi kebutuhan yang sesungguhnya.
600 500 400
Rencana Produksi (Ton Kering)
300
Realisasi Produksi (Ton Kering)
200 100 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Gambar 40 Perbandingan antara rencana dan realisasi produksi Untuk penghitungan nilai BE pasokan bahan baku, data yang digunakan adalah data masa lalu dari perbandingan permintaan bahan baku dan realisasi pasokan bahan baku dari kebun (Lampiran 16). Contoh perhitungan nilai amplifikasi antara permintaan dan pasokan bahan baku menggunakan data tahun 2011. Hasil perhitungan rata-rata (µ), standar deviasi (s) dan koefisien variansi (CV) sebagai berikut : Rencana permintaan bahan baku tahun 2011 adalah :
118
Realisasi pasokan bahan baku tahun 2011 adalah :
Perhitungan Bullwhip Effect untuk kinerja pasokan bahan baku tahun 2011:
Secara keseluruhan perhitungan nilai BE dapat dilihat pada Tabel 21,
Tabel 21 Perhitungan nilai Bullwhip Efect kinerja pasokan bahan baku Tahun Keterangan 2009 Permintaan Bahan Baku Realisasi Pasokan Bahan Baku 2010 Permintaan Bahan Baku Realisasi Pasokan Bahan Baku 2011 Permintaan Bahan Baku Realisasi Pasokan Bahan Baku
µ 442.889,15 233.689,38 434.684,76 237.100,46 475.125,26 244.040,96
s 75.341,02 31.451,19 65.985,78 40.100,39 103.673,13 58.012,85
CV 0,17 0,13 0,15 0,17 0,22 0,24
BE 1,26 0,90 0,92
Hasil perhitungan menunjukkan nilai amplifikasi relatif kecil, mendekati angka satu dengan fluktuasi pola yang relatif sama antara permintaan dan pasokan (Gambar 41).
Angka BE yang mendekati satu
menunjukan
varaibilitas
119
permintaan bahan baku terhadap pasokan relatif kecil, artinya terjadi penghalusan pola pesanan dan pola pasokan. Khususnya untuk kepentingan verifikasi pada penelitian ini amplifikasi relatif kecil diduga karena data yang digunakan berupa data pendekatan. Pada kondisi nyata jika nilai BE melebihi satu ini menunjukkan distorsi informasi pada sisi hulu rantai pasokan, karena tidak mendapatkan informasi permintaan sesungguhnya dari pelanggan di sisi hilir. Distorsi informasi akan semakin fluktuatif ke arah hulu rantai pasokan sehingga mengakibatkan inefisiensi seperti peningkatan persediaan, jam lembur atau di sisi sebaliknya terjadinya idle capacity
(Pujawan, 2005).
Jika amplifikasi cukup besar perlu dicari akar
penyebabnya, salah satu cara untuk mengurangi terjadinya bullwhip effect adalah melakukan information sharing khususnya untuk data permintaan pelanggan akhir. 700,000 600,000 500,000 400,000 300,000 200,000 100,000 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Rencana Permintaan Bahan Baku (Kg Basah)
Gambar 41 Perbandingan permintaan dan realisasi pasokan bahan baku
6.2 Validasi Model Validasi adalah proses untuk menjamin bahwa model memenuhi persyaratan yang ditetapkan berkaitan dengan metode yang digunakan untuk mencapai tujuan yang diharapkan. Tujuan validasi model untuk memastikan bahwa model bermanfaat dan menyediakan informasi yang akurat sesuai dengan kondisi nyata dan model dapat diimplementasikan (Conwell, 2000; Macal, 2005). Proses validasi pada model sistem manajen ahli perencanaan produksi agroindustri karet spesifikasi teknis dilakukan dengan menguji model dengan data aktual yang diambil dari PT. BSP sebagai obyek penelitian. Proses validasi hasil
120
perekayasaan model dilakukan secara menyeluruh pada paket program sistem manajemen ahli,selain itu juga dilakukan konsultasi dengan pakar yang terkait dengan sistem yang dimodelkan. Rekayasa sistem manajemen ahli perencanaan produksi ini dirancang atas dua dasar pemikiran yaitu sisi pengembangan metode perencanaan produksi dan sisi kepentingan praktis. Rasionalitas dari sisi pengembangan metode adalah diperlukan suatu sistem pengambilan keputusan untuk kegiatan perencanaan produksi
yang terintegrasi dan adaptif terhadap dinamika permintaan dan
dinamika pasokan bahan baku, sehingga kapasitas produksi dapat dioptimalkan. Pengembangan metode perencanaan produksi tidak lagi dipandang sebagai suatu kegiatan parsial yang hanya didasarkan atas prakiraan permintaan yang diterima pada periode sebelumnya, namun diperlukan suatu metode penyusunan rencana produksi yang mampu menyeimbangkan antara dinamika pada sisi hilir dan sisi hulu serta kapasitas produksi dalam pengelolaan rantai pasok. Dasar pemikiran dari kepentingan praktis adalah perlunya suatu sistem pengambilan keputusan dalam rangka penerapan konsep manajemen rantai pasok, khususnya dalam integrasi kegiatan rencana produksi antara pabrik, pemasok dan kondisi pasar dalam agroindustri karet spesifikasi teknis. Integrasi perencanaan produksi diharapkan akan meningkatkan kinerja rantai pasok sehingga meningkatkan pendapatan setiap mata rantai pasokan. Pemilihan karet alam jenis SIR 20 sebagai obyek kajian, dengan pertimbangan karet SIR 20 adalah; 1) penyumbang ekspor terbesar
dari total ekspor karet alam Indonesia, 2)
meningkatnya permintaan oleh industri pengguna, 3) meningkatnya harga SIR 20 di pasar Internasional serta, 4) peluang untuk memaksimalkan penyerapan bahan olah karet dari petani karet sehingga dapat meningkatkan pendapatan petani. Atas dasar pemikiran tersebut maka dirancang suatu model konseptual perencanaan produksi dengan menggabungkan beberapa model menggunakan metode analitik dan metode kecerdasan buatan (artificial intellengence) seperti jaringan syaraf tiruan dan metode Fuzzy Inference System. Untuk membangun keterkaitan antar model konseptual perencanaan produksi selanjutnya model direkayasa dalam program komputasi sistem manajemen ahli yang diberi nama Proplan-TSR 20 (Production Planning for Technically Specified Rubber-20),
121
yang mengintegrasikan berbagai model dalam basis model dengan pengetahuan pakar, sehingga mampu mengambil keputusan dan melakukan penyesuaian terhadap perubahan seperti yang dilakukan pakar.
Untuk
menghubungkan
sistem dengan pengguna dirancang sistem manajemen dialog (user interface). Implementasi sistem manajemen ahli Proplan-TSR20 menggunakan user interface dengan cara mengakses username sehingga dapat membuka menu yang diperuntukkan bagi pengguna (user). Untuk kepentingan menginput data dan melakukan penyesuaian (editing) tersedia user name bagi aministrator (admin). Halaman depan dari
SMA Proplan-TSR20 ditunjukkan pada Gambar 42.
Manual untuk menggunakan model ini disajikan pada Lampiran 17.
Gambar 42 Tampilan depan sistem manajemen ahli Proplan-TSR20
Hasil validasi menunjukkan bahwa model dapat digunakan untuk melakukan
perencanaan
produksi
yang
lebih
adaptif
karena
telah
mempertimbangkan dinamika pada sisi permintaan dan dinamika pasokan bahan baku serta ketersediaan kapasitas yang direncanakan. Sistem manajemen ahli Proplan-TSR 20 dapat membantu para pengambil keputusan dalam menyusun rencana produksi SIR 20 dengan lebih cepat dan dapat digunakan untuk mengukur kinerja pasokan dan kinerja perencanaan produksi.
6.3 Implikasi Model Hasil rancangbangun model sistem manajemen ahli perencanaan produksi yang diverifikasi dan divalidasi pada agroindustri karet spesifikasi teknis
122
memberikan implikasi dari sisi teoritis dan sisi praktis. Pembahasan implikasi hasil perekayasaan secara teoritis berkaitan dengan relevansi dan kesesuaian hasil rekayasa model dengan teori. Implikasi
pada sisi praktis berkaitan dengan
implementasi dan kegunaan model untuk diaplikasikan sebagai sistem pengambilan keputusan pada agroindustri karet spesifikasi teknis.
6.3.1 Implikasi Teoritis Implikasi rekayasa model sistem manajemen ahli perencanaan produksi secara teoritis berkaitan dengan MRP II dan proses perencanaan terintegrasi dalam pengelolaan rantai pasok menggunakan kerangka model SCOR. Pada MRP II penyusunan jadual induk produksi merupakan proses yang disusun mengacu kepada
perencanaan operasi dan penjualan, serta berdasarkan pada
perencanaan strategis perusahaan. Dasar perencanaan produksi pada umumnya adalah hasil prakiraan permintaan berdasarkan permintaan yang diterima periode sebelumnya sebagai dasar penyusunan rencana produksi yang relatif statis. Pada model Proplan-TSR20 prakiraan permintaan dikembangkan dengan menggabungkan prediksi harga dan volume permintaan di pasar dunia dan selanjutnya diintegrasikan dengan prakiraan ketersediaan bahan baku guna menentukan rencana produksi yang akan datang. Integrasi prakiraan permintaan dan prakiraan pasokan bahan baku mengkonfirmasi pernyataan Tang (2006), tentang
konsep consumer produser driver sebagai upaya untuk mengurangi
resiko dalam pengelolaan rantai pasok agroindustri. Selain itu model telah mengakomodir pernyataan Nakano (2009) tentang kolaborasi dalam prakiraan pada perencanaan produksi sebagai salah satu prinsip pengelolaan rantai pasok. Pemilihan metode yang menggunakan teknik kecerdasan buatan jaringan syaraf tiruan dalam melakukan prakiraan merupakan teknik yang lebih tepat dalam karena kemampuan mengenali pola data dalam rentang waktu yang lebih panjang. Arsitektur jaringan syaraf tiruan yang mengkombinasikan neuron dengan parameter berbeda pada model prakiraan harga dan permintaan,
menjadikan
model dapat mengenali pola yang terbentuk dari interaksi kedua parameter secara bersama-sama, sehingga menghasilkan prakiraan permintaan yang lebih dinamis. Integrasi dan dinamis juga diakomodir dalam pengembangan sistem pakar guna
123
penyusunan rencana produksi menggunakan pendekatan fuzzy inference system (FIS). Metode FIS merepresentasikan proses pengambilan keputusan oleh pakar ketika menemui kondisi tertentu yang mengandung unsur ketidaktepatan (unprecissed) dan keraguan (ambiguities). Berdasarkan sejumlah input data yang bersifat fuzzy dan aturan yang tersedia yang disusun, melalui akuisisi pengetahuan pakar, maka pengambil keputusan dapat mengambil keputusan atau tindakan yang sesuai sebagaimana yang dilakukan pakar (Siler, 2005). Sebagai bentuk pengembangan metode perencanaan produksi yang lebih komprehensif, hasil rencana produksi divalidasi dengan ketersediaan kapasitas, sesuai dengan teori yang dikembangkan pada teknik MRP II. Perbandingan antara kapasitas yang tersedia dan kapasitas yang diperlukan menjadi dasar untuk melakukan beberapa alternatif tindakan penyesuaian baik pada sisi pengadaan bahan baku, rencana produksi dan kapasitas produksi. Model pengukuran kinerja rantai pasok sebagai proses penentuan tingkat kemajuan untuk mencapai tujuan perlu dilakukan secara spesifik dan terukur. Kinerja dapat dibedakan atas kinerja yang berkaitan dengan aspek ekonomi seperti biaya dan aspek opereasional seperti kinerja teknis (Grunberg, 2004; Tonchia dan Toni, 2001). Pengukuran kinerja teknis pada penelitian ini adalah performansi penyusunan rencana produksi dalam mengakomodir dinamika pasokan, permintaan dan kapasitas produksi. Perhitungan dilakukan dengan membandingkan antara rencana produksi dengan realisasi produksi dengan membandingkan variansi nilai keduanya menggunakan metode perhitungan pengukuran bullwhip effect. Nilai kinerja ini berkaitan dengan metrik ukuran yang berasosiasi pada atribut pengukuran kinerja dari SCOR yang berhubungan dengan metrik; 1) realibility yang berkaitan dengan keandalan dalam pemenuhan pesanan, 2) responsiveness yang terkait dengan kecepatan waktu respon dalam pemenuhan pesanan dan 3) flexibility yang berhubungan dengan kemampuan beradaptasi terhadap perubahan.
6.3.2 Implikasi Manajerial Penerapan model sistem manajemen ahli perencanaan produksi hasil rekayasa penelitian ini secara khusus dapat digunakan untuk menyusun rencana
124
produksi karet alam SIR 20 pada agroindustri penghasil karet spesifikasi teknis. Implementasi model pada agroindustri memungkinkan manajemen untuk melakukan penyesuaian terhadap rencana produksi yang telah disusun. Fasilitas yang tersedia pada model untuk melakukan prediksi atas harga dan volume permintaan menjadi input bagi manajemen untuk mengelola perencanaan permintaan sebagai bagian dari kegiatan updating dalam demand management. Aplikasi model pada agoindustri karet spesifikasi teknis harus didasari keinginan pihak manajemen
untuk menerapkan pendekatan perencanaan
pengendalian produksi dengan memperhatikan keterkaitannya dengan mata rantai lainnya. Perencanaan produksi dalam konteks manajemen rantai pasok adalah upaya setiap pelaku (mata rantai) pasok secara bersama-sama dari hulu ke hilir menghasilkan dan mengantarkan produk kepada konsumen akhir sehingga meningkatkan service level dan memberikan nilai optimal melalui penurunan biaya (Levi et,al.2002 ) Implikasi manajerial berkaitan dengan validasi di lapangan menunjukkan bahwa agroindustri karet spesifikasi teknis berada dalam kondisi kekurangan bahan baku, sehingga kapasitas yang tersedia masih belum digunakan. Terkait dengan kondisi ini diusulkan beberapa upaya untuk mengoptimalkan kinerja yang dikelompokkan menjadi; 1) upaya yang berkaitan dengan penyesuaian strategi produksi dalam lingkup perencanaan dan pengendalian produksi dan 2) upaya berkaitan dengan pengadaan bahan baku. Alternatif upaya berkaitan dengan
penyesuaian lingkup perencanaan
pengendalian produksi yang dapat dikendalikan secara internal adalah : 1. Penyusunan rencana produksi secara agregat untuk setiap jenis produk dengan mempertimbangkan arah dan dinamika permintaan pasar dunia. 2. Mengalihkan sebagian bahan baku berupa lateks yang berasal dari kebun sendiri menjadi koagulum untuk menghasilkan produk karet yang memiliki kenaikan dalam volume permintaan dan harga dalam rentang stabil dan mengalami kenaikan . Pada jenis SIR 20 meskipun harga per unit SIR 20 lebih murah dibanding dengan jenis high grade atau produk berbasis lateks, volume permintaan yang besar merupakan faktor kali untuk menghasilkan keuntungan yang lebih besar.
125
3. Melakukan
kolaborasi
dalam
penyusunan
rencana
produksi
melalui
information sharing antar mata rantai di sisi hulu dan sisi hilir. Implikasi manajerial yang berkaitan dengan pengadaan bahan baku dan terkait dengan pihak eksternal diantaranya : 1. Meningkatkan penyerapan bahan olah karet dari kebun rakyat melalui mekanisme supply contract yang saling menguntungkan. Posisi tawar yang bersifat win-win solution antara petani dan agroindustri diharapkan mampu memperpendek jalur distribusi
yang menjadi penghalang akses secara
langsung antara petani dengan agroindustri. 2. Perlu suatu kelembagaan untuk mengkordinasi dan melakukan fungsi antara mata
rantai
pasok
sehingga
dapat
ditingkatkan
produktifitas
dalam
menghasilkan karet spesifikasi teknis, serta meningkatkan produksi koagulum dari petani. Beberapa bentuk kelembagaan tersebut adalah konsep inti plasma dan kemungkinan melakukan koordinasi vertikal. 3. Perlu upaya pemanfaatan lahan perkebunan karet dan peningkatan produktivitas kebun lebih optimal, sehingga kapasitas terpasang pabrik pada agroindustri dapat ditingkatkan utilisasinya.
6.4 Kelebihan dan Keterbatasan Model Sistem manajemen ahli perencanaan produksi yang dihasilkan memiliki keterbatasan dan kelebihan. adalah
kemampuan
model
Beberapa kelebihan dari model yang dihasilkan untuk
menyusun
rencana
produksi
dengan
mempertimbangkan dinamika permintaan dan pasokan serta ketersediaan kapasitas.
Untuk mengevaluasi kinerja dirancang model kinerja rantai pasok
untuk menentukan keberhasilan perencanaan produksi dalam meginterpretasikan dinamikan pasokan dan permintaan rencana dan realisasi. Integrasi beberapa variabel dalam penyusunan rencana produksi ke dalam sistem manajemen ahli, menghasilkan keputusan rencana produksi yang lebih akurat dan lebih cepat. Model yang dihasilkan merupakan rangkaian dari proses pengolahan secara simultan dari setiap sub model, akurasinya sangat ditentukan oleh input data baik berupa data statistik maupun
pengetahuan pakar dalam menyusun
logika aturan. Jika pakar memiliki pandangan yang pesimis terhadap kemampuan
126
dalam menterjemahkan hasil prakiraan, maka rules yang dibangun cenderung untuk
menghasilkan
rencana
produksi
dalam
tingkat
rendah.
Untuk
mengakomodasi berbagai pendapat pakar diperlukan suatu modul untuk mengagregasikan pendapat beberapa pakar baik yang berpandangan pesimis maupun optimis, atau perlu dilakukan mekanisme refinement rules (pemampatan aturan) yang memberikan implikasi pada penarikan kesimpulan secara signifikan. Keterbatasan model
belum
mempertimbangkan faktor lain
yang
membentuk dinamika permintaan dan pasokan karet spesifikasi teknis seperti pengaruh iklim, harga minyak mentah, harga karet sintetis, pertumbuhan industri pengguna. Pertimbangan pengaruh faktor tersebut dapat diteliti dan dimodelkan untuk melengkapi sistem pengambilan keputusan baik dalam melengkapi basis pengetahuan agar lebih komprehensif. Implementasi di lapangan akan memberikan input untuk perbaikan dalam rangka penyempurnaan hasil perancangan sistem manajemen ahli Proplan-TSR20. Model
belum
mencakup
perencanaan
kebutuhan
material
yang
mempertimbangkan pengelolaan persediaan dan belum ditinjau sebagai suatu perencanaan agregat dengan memperhatikan jenis produk berupa lateks pekat, RSS
dan
produk
SIR
lainnya.
Berkembangnya
penggunaan
internet
memungkinkan model dirancang dalam aplikasi berbasis web sehingga pengguna dapat melakukan information sharing secara real time. Verifikasi dan validasi pada PT. BSP dalam konteks manajemen rantai pasok masih dalam lingkup inbound supply chain, karena antara kebun dan agroindustri berada pada entitas yang sama. Perlu dikembangkan model yang mengakomodir kompleksitas dalam mengelola rantai pasok yang melibatkan mata rantai dengan kepemilikan yang berbeda seperti kemungkinan melakukan koordinasi vertikal antara agroindustri dengan petani.
