RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN SISTEM DINAMIS

RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN SISTEM DINAMIS STUDI KASUS PT. PERKEBUNAN NUSANTARA IV (PERSERO) UNIT ADOLINA

SKRIPSI

M. NANDA RAHADIANSYAH F 34070021

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011

DESIGN OF THE QUALITY RISK ASSESSMENT IN CRUDE PALM OIL SUPPLY CHAIN WITH DYNAMIC SYSTEM APPROACH Muhammad Nanda Rahadiansyah and Marimin Department of Agroindustrial Technology, Faculty of Agricultural Technology, Bogor Agricultural University, IPB Dramaga Campus, PO Box 220, Bogor West Java, Indonesia Phone 62 251 8624622, e-mail : [email protected]

ABSTRACT Indonesian palm oil industry has grown significantly in recent years and since 2006 has surpassed Malaysia to become the world’s largest Crude Palm Oil (CPO) producer. With the ever increasing of potential market and market demands for its palm oil products, Indonesia will need to ensure the highest level of palm oil products quality. The main objectives of this research are first, to identify the factors to measure the success of Palm Oil Mills (POM) Adolina’s management. Secondly to design a system dynamic model as a tool to determine the quality risk assessment pattern of POM Adolina. The results from simulation of this model will be referenced when formulating managerial policies. The dynamic model comprises three sub-models, namely production sub-model, transportation sub-model and inventory sub-model respectively. In conclusion, this research produced the formulation of the most important factors to measure management success, namely the level of CPO production and the level of free fatty acid (FFA), and also generated simulation of managerial policies. To obtain them three scenarios were considered, the basic, the dynamic behavior and the risk assessment scenarios. Probabilistic and uncertainty parameters were considered in the third scenario. Keywords : palm oil industry, supply chain, quality risk assessment, probabilistic, uncertainty, dynamic model

ii

M. NANDA RAHADIANSYAH. F34070021. Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem Dinamis. Di bawah bimbingan Marimin. 2011

RINGKASAN Industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat tahun terakhir dan sejak tahun 2006 menjadi produsen terbesar di dunia untuk pemasok minyak sawit kasar (CPO) mengungguli Malaysia. Menurut Deptan Republik Indonesia, pada tahun 2009, kapasitas produksi CPO Indonesia mencapai 20,9 juta ton CPO dengan total luas areal perkebunan kelapa sawit mencapai 7,5 juta ha dengan potensi ekstensifikasi lahan 26,6 juta ha. Minyak sawit Indonesia merupakan komoditas strategis dalam pemanfaatan produk turunan yang bernilai tambah tinggi, baik sebagai bahan pangan (minyak goreng), bahan bakar alternatif seperti biodiesel maupun pemanfaatannya pada bidang non-pangan dalam bentuk oleokimia. Dengan semakin meningkatnya potensi dan permintaan pasar terhadap produk sawit Indonesia, maka akan semakin meningkat urgensi dan kebutuhan akan fungsi kualitas didalamnya. Keragaman kualitas minyak sawit kasar ditentukan oleh beberapa faktor yang merupakan mata rantai dari rantai pasokannya, yaitu kegiatan pasca-panen, transportasi, pengolahan dan penimbunan di tangki timbun pabrik. Dalam penelitian yang akan dibahas, manajemen risiko yang bersifat preventif akan diterapkan di sepanjang aliran rantai pasokan CPO sehingga dihasilkan suatu pengelolaan terintegrasi panen-angkut-olah. Penelitian ini bertujuan untuk memformulasikan ukuran kesuksesan manajemen terkait CPO yang diproduksi dan merancang model dinamik sebagai alat bantu untuk mengenal pola penilaian risiko mutu perusahaan dan mensimulasikannya untuk mendapatkan susunan kebijakan pada tingkat manajemen. Penelitian ini dilakukan pada bulan April – Juni 2011, bertempat di perusahaan yang dianggap melakukan best practices dalam pengelolaan minyak sawit kasar yang diproduksi yaitu PT. Perkebunan Nusantara IV (Persero) Unit Adolina. Data-data pendukung dalam pengembangan model dinamik juga diperoleh dari Pusat Penelitian Kelapa Sawit (PPKS) Medan dalam rentang periode penelitian yang sama. Model dinamik penilaian risiko mutu PKS Unit Adolina, CPOdyn, dirancang bagi praktisipraktisi yang bergerak dalam industri kelapa sawit sebagai laboratorium belajar simulator manajemen pabrik kelapa sawit secara umum. Model CPOdyn dikembangkan untuk membuat proyeksi skenario kebijakan terbaik berdasarkan RKAP yang telah ditetapkan oleh perusahaan. Model dinamik yang dibangun tersebut merupakan integrasi dari tiga sub-model, yaitu sub-model produksi, sub-model transportasi dan sub-model persediaan. Verifikasi model dilakukan untuk pemeriksaan secara konseptual dan logis dari formulasi matematik dan program simulasi yang dihasilkan. Dalam pengertian lain, verifikasi model juga dimaksudkan untuk menguji apakah program komputer sudah menunjukkan perilaku dan respon sesuai dengan tujuan model. Perangkat lunak yang digunakan dalam pemrograman adalah Powersim Studio 2005, dimana verifikasi dilakukan sebelum hasil tersebut dapat di-running. Apabila dalam worksheet tidak terdapat notasi “#” dan “?” maka program simulasi dinamik sudah lulus tahapan verifikasi. Validasi model dilakukan dengan melihat validasi struktur dari bangunan teori, melihat kinerja keluaran model dengan keluaran model dunia nyata dengan uji kondisi ekstrim, pemeriksaan konsistensi unit analisis dan pemeriksaan konsistensi data secara statistik. Kesimpulan dari penelitian ini adalah perumusan ukuran kesuksesan manajemen terkait dengan ukuran kesuksesan tiap-tiap rantai pasok CPO dan pengembangan simulasi skenario

iii

kebijakan, baik skenario dasar, skenario perilaku dinamik dan juga skenario penilaian risiko dimana terdapat parameter probabilistik dan ketidakpastian didalamnya, sehingga dihasilkan susunan rekomendasi kebijakan pada perusahaan terkait peningkatan kinerja. Ukuran kesuksesan manajemen berdasarkan hasil strukturisasi sistem yang telah berhasil dirumuskan dalam penelitian ini adalah produksi CPO dan kadar asam lemak bebas. Kedua ukuran kesuksesan manajemen tersebut bersifat dinamik dan dipengaruhi oleh parameter produktivitas kebun, rendemen CPO, persentase TBS restan, pengaruh kriteria panen terhadap kadar asam lemak bebas dan kecukupan truk. Skenario dasar berdasarkan proyeksi hasil simulasi produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar asam lemak bebas serta kecukupan truk selama periode Mei-September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar asam lemak bebas yang diperoleh dengan kisaran sebesar 3,80%- 3,84%. Simulasi perilaku dinamik pada skenario agresif (optimis) pada periode Mei-September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar asam lemak bebas yang diperoleh dengan kisaran sebesar 3,80%- 3,84%. Simulasi perilaku dinamik pada skenario lambat (pesimis) pada periode Mei-September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 2999770 kg hingga 3563005 kg. Dinamika kadar asam lemak bebas yang diperoleh dengan kisaran sebesar 4,09%- 4,13%. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan, bahwa kinerja PKS Unit Adolina dari sisi produksi CPO bulan Mei 2011 sebesar mencapai nilai 3860158 kg dan pada bulan September 2011 meningkat menjadi 4446622 kg. Dinamika produksi CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan pada September 2011 meningkat menjadi 4148236 kg. Dinamika produksi CPO pada persentil 75% periode Mei 2011 sebesar 4084867 kg dan periode September 2011 meningkat menjadi sebesar 4698084 kg. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan, bahwa kinerja PKS Unit Adolina dari sisi kadar asam lemak bebas bulan Mei 2011 menyentuh tingkat asam lemak bebas sebesar 3,83% dan pada September 2011 menurun menjadi 3,79%. Penurunan pada kadar asam lemak bebas mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih baik daripada periode sebelumnya. Dinamika kadar asam lemak bebas pada persentil 25% periode Mei 2011 sebesar 3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika kadar asam lemak bebas pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September 2011 menurun menjadi 3,97%. Berdasarkan simulasi skenario kebijakan optimis dapat dirumuskan beberapa prioritas yang dapat dijadikan rekomendasi kebijakan terhadap perusahaan. Rumusan kebijakan berhubungan dengan hal-hal yang menjadi parameter yang diuji pada model yang mempunyai korelasi signifikan terhadap parameter utama, yaitu tingkat produksi CPO dan kadar asam lemak bebas. Rumusan kebijakan meliputi aspek peningkatan produktivitas kebun, aspek peningkatan rendemen CPO, aspek penanganan pasca-panen yang didalamnya terkandung penanganan TBS restan dan pemanenan TBS. Saran terhadap pengembangan penelitian ini adalah agar penilaian risiko mutu tersebut lebih kompleks, mendetail dan lebih merepresentasikan perilaku dinamik secara nyata, perlu diintegrasikan sistem antrian (queueing system) dalam sub-model transportasi serta disertai dengan penambahan sub-model finansial, dimana aspek biaya produksi, biaya kehilangan dan keuntungan pabrik termasuk didalamnya.

iv

M. NANDA RAHADIANSYAH. F34070021. Design of The Quality Risk Assessment in Crude Palm Oil Supply Chain with Dynamic System Approach. Supervised by Marimin. 2011

SUMMARY The Indonesian palm oil industry has grown significantly in recent years and since 2006 has surpassed Malaysia to become the world’s largest Crude Palm Oil (CPO) supplier. According to Ministry of Agriculture of Republic Indonesia, in 2009, Indonesia’s CPO production capacity reached 20.9 million tons of CPO with the total area of oil palm plantation reached 7.5 million acres and a potential of 26.6 million acres of land extensification. Indonesian palm oil is a strategic commodity in the utilization of derivative products of high added value, both as food products (cooking oil), alternative fuels (biodiesel) and its utilization of non-food products in the form of oleochemicals. With the ever increasing of potential markets and market demands for Indonesian palm products, it will increase the need for quality functions in it. The variance of CPO qualities is determined by several factors, which are the entities of its supply chain, namely post-harvest activities, transportation, processing and accumulation of inventory in the storage tank of CPO. In research to be discussed, preventive risk management will be implemented along the supply chain of CPO to produce an integrated management of each element in the CPO supply chain. Firstly, this study aimed to measure the success of Palm Oil Mills (POM) Adolina’s management. Secondly to design the dynamic model as a tool to determine the quality risk assessment pattern of POM Adolina and simulate it to obtain several policies on the management level. This research was conducted in April-June 2011, placed in a best practice and highly reputable company in CPO manufacturing, namely PT. Perkebunan Nusantara IV (Persero) Unit Adolina. Supporting data in the development of dynamic models were also obtained from Pusat Penelitian Kelapa Sawit (PPKS) Medan within the same research period. Dynamic model of POM Adolina’s quality risk assessment, CPOdyn, designed for practitioners engaged in the oil palm industry as a learning laboratory simulator palm oil plant management in general. A CPOdyn model was developed to acquire best policy scenario projections based on company’s RKAP that have been set by the company before. The CPOdyn model comprises three sub-models, namely production sub-model, transportation sub-model and inventory sub-model respectively. Verification carried out to check the model conceptually and logically correct from the mathematical function and simulation program generated. In another sense, verification of the model is also intended to test whether a simulation program has demonstrated behavior and response in accordance with the purpose of the model. The software used in programming is Powersim Studio 2005, where verification process is done before these results can be running. If the worksheet does not have the notation “#” and “?”, then the simulation program has passed the verification stage. Validation of the model done by checking at the structure of theory building, extreme test conditions, consistency of unit analysis and examine consistency data by statistical method. In conclusion, this research produced the formulation of the most important factors to measure management success and also generated simulation and recommendation of managerial policies. To obtain them three scenarios were considered, the basic, the dynamic behavior and the risk assessment scenarios. Probabilistic and uncertainty parameters were considered in the third scenario. The structure of management success which has been successfully formulated in this study is the level of CPO production and free fatty acid (FFA). Both of these management success are affected

v

by the parameters of plantation productivity, the yield of the CPO, the percentage of leftover palm oil bunches, the harvest criteria of palm oil and the sufficiency of the truck. Basic scenario simulation, based on parameters of plantation productivity, the yield of the CPO, the percentage of leftover palm oil bunches, the harvest criteria of palm oil and the sufficiency of the truck, during the period of May-September 2011 generated the dynamics of production level of CPO with a range of 3846921 kg to 4419347 kg. The dynamics of free fatty acid levels obtained with the range of 3.80% - 3.84%. Simulation of dynamic behavior of the aggressive scenario (optimistic) during the period of May-September 2011 resulted the dynamics of CPO production of POM Adolina’s with a range of 3846921 kg-4419347 kg. The dynamics of free fatty acid levels obtained with the range of 3.80%3.84% Simulation of dynamic behavior of the slow scenario (pessimistic) in the period MaySeptember 2011 generated the dynamics of CPO production of POM Adolina’s with a range of 2990770 kg-3563005 kg. The dynamics of free fatty acid levels obtained with the range of 4.09%4.13%. The results of risk assessment simulation, due to uncertainties, on the 50% percentile indicated that the performance of POM Adolina on CPO production in May 2011 reached a value of 3860158 kg and in September 2011 increased to 4446622 kg. Dynamics of production of CPO on the 25% percentile for the period May 2011 reached a value of 3612941 kg and in September 2011 increased to 4148236 kg. Dynamics of production of CPO on the 75% percentile for the period of May 2011 amounted 4084867 kg and increased in September 2011 up to 4698084 kg. The results of risk assessment simulation, due to uncertainties, on the 50% percentile indicated that the performance of POM Adolina on free fatty acid level in May 2011 reached a value of 3.83% and in September 2011 decreased to 3.79%. The decrease in free fatty acid levels indicated that the quality of CPO produced better than the previous period. Dynamics of free fatty acid level on the 25% percentile for the period May 2011 reached a value of 3.62 kg and in September 2011 the performance increased up to 3.55%. The dynamics of the free fatty acid level on the 75% percentile for the period of May 2011 were 3.99% and decreased in September 2011 down to 3.97%. Based on optimistic policy scenario simulations can be formulated several priorities as recommendations for the company. The formulations of policies related to parameters to be tested on the model that have a significant correlation to the management success, namely the level of CPO production and free fatty acid level. These formulation policies included the enhancement of the several aspects, namely the aspect of plantation productivity, the aspect of the yield of CPO and the aspect of post-harvest handling which contained the harvesting and handling of leftover palm oil bunches. Recommendations for the development of this research are to construct the quality risk assessment to be more complex, detailed and represent the perfect dynamics of palm oil industry through the integration of queuing systems in the transportation sub-model and by adding a financial sub-model, in which aspects of production costs, losses costs and factory profit included therein.

vi

RANCANG BANGUN PENILAIAN RISIKO MUTU DALAM RANTAI PASOKAN MINYAK SAWIT KASAR DENGAN PENDEKATAN SISTEM DINAMIS STUDI KASUS PT. PERKEBUNAN NUSANTARA IV (PERSERO) UNIT ADOLINA

SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN pada Departemen Teknologi Industri Pertanian Fakultas Teknologi Pertanian Institut Pertanian Bogor

Oleh M. NANDA RAHADIANSYAH F 34070021

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011 vii

Judul Skripsi

: Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem Dinamis : Studi Kasus PT. Perkebunan Nusantara IV (Persero) Unit Adolina

Nama

: M. Nanda Rahadiansyah

NIM

: F 34070021

Menyetujui,

Pembimbing,

(Prof. Dr. Ir. Marimin, M.Sc.) NIP. 19610905 198609 1 001

Mengetahui : Ketua Departemen,

(Prof. Dr. Ir. Nastiti Siswi Indrasti) NIP. 19621009 198903 2 001

Tanggal Lulus :

viii

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem Dinamis : Studi Kasus PT. Perkebunan Nusantara IV (Persero) Unit Adolina adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Bogor, Desember 2011 Yang membuat pernyataan

M. Nanda Rahadiansyah F 34070021

ix

© Hak Cipta milik M. Nanda Rahadiansyah, tahun 2011 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apapun, baik cetak, fotokopi, microfilm, dan sebagainya

x

BIODATA PENULIS

Penulis lahir di Medan pada tanggal 15 Oktober 1990. Penulis merupakan anak pertama dari tiga bersaudara yang lahir dari pasangan Bapak Ir. H. Dadang Rosehan Achfas dan Ibu Hj. Susanna Lubis. Pendidikan formal ditempuh penulis di SD Swasta Harapan 2 Medan pada tahun 1996-2002, SLTP Swasta Harapan 2 Medan (program akselerasi) pada tahun 2002-2004, dan SMA Negeri 1 Medan pada tahun 2004-2007. Setelah lulus SMA, penulis menempuh pendidikan di Institut Pertanian Bogor melalui Undangan Seleksi Masuk IPB (USMI) angkatan 44 dan diterima di Departemen Teknologi Industri Pertanian Fakultas Teknologi Pertanian. Selama menjadi mahasiswa, penulis aktif mengikuti kegiatan non-akademik ekstrakampus di Himpunan Mahasiwa Islam (HMI), Himpunan Mahasiswa Teknologi Industri IPB (HIMALOGIN) dan Ikatan Mahasiswa Muslim Asal Medan (IMMAM) Bogor. Dalam organisasi, penulis pernah diberikan amanah untuk menjabat sebagai Kepala Bidang Perguruan Tinggi, Kemahasiswaan dan Kepemudaan HMI Komisariat Fakultas Teknologi Pertanian (FATETA) periode 2008/2009, Kepala Bidang Pengembangan Sumberdaya Manusia IMMAM periode 2008-2009 dan Penanggung Jawab Sementara (PJS) Kepala Departemen Industri HIMALOGIN periode 2009/2010. Selama aktif di organisasi, penulis sering terlibat dalam kepanitiaan berbagai acara, penulis juga pernah beberapa kali menjadi narasumber pada acara yang diselenggarakan baik di IPB maupun di luar IPB. Penulis pernah mengikuti program praktik lapang di PT Perkebunan Nusantara IV (Persero) Unit Adolina, Perbaungan Sumatera Utara pada tahun 2010. Selain itu penulis juga pernah menjadi nominator Mahasiswa Berprestasi (Mapres) FATETA pada tahun 2010.

xi

KATA PENGANTAR

Puji dan syukur penulis panjatkan ke hadirat Tuhan semesta alam, Allah SWT karena berkat ridho dan kehendak-Nya penulis masih dapat diberikan kesempatan untuk berfikir dan menyelesaikan tulisan ini. Tak lupa pula shalawat beriring salam diberikan kepada Rasulullah Nabi Muhammad SAW, seorang tauladan yang mengarahkan umat manusia dari zaman kebodohan hingga zaman sekarang demi mendapat kemuliaan dari Allah SWT. Skripsi yang berjudul Rancang Bangun Penilaian Risiko Mutu dalam Rantai Pasokan Minyak Sawit Kasar dengan Pendekatan Sistem Dinamis : Studi Kasus di PT. Perkebunan Nusantara IV (Persero) Unit Adolina ini dilaksanakan sejak bulan April hingga Oktober 2011. Penulisan skripsi ini merupakan syarat untuk mendapatkan gelar Sarjana Teknologi Pertanian. Semoga skripsi ini dapat bermanfaat, khususnya bagi pelaku baik civitas akademis maupun praktisi yang bergerak langsung di industri pengolahan kelapa sawit. Penulis menyadari bahwa penulisan skripsi masih jauh dari kesempurnaan. Oleh karena itu, penulis mengharapkan saran dan kritik yang membangun demi kemajuan tulisan ini. Pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada pihak-pihak yang telah membantu dalam penyelesaian skripsi ini, yaitu: 1.

Prof. Dr. Ir. Marimin, M.Sc. selaku pembimbing skripsi yang dengan sabar dan penuh dedikasi membantu penulis dalam menyelesaikan program sarjana di Institut Pertanian Bogor. 2. Prof. Dr. Ir. Erliza Noor dan Prof. Dr-Ing. Ir. Suprihatin selaku dosen penguji yang senantiasa memberikan perbaikan dan saran yang membangun dalam pengembangan penulisan skripsi. 3. Kedua orangtua tercinta dan kedua adikku, Fashana dan Rania, yang senantiasa berdoa untuk kelancaran dan keselamatan penulis serta selalu mendukung dengan memberikan nasihat dan makna dari pengorbanan dalam penyelesaian skripsi. 4. PT. Perkebunan Nusantara IV (Persero) Unit Adolina dan Pusat Penelitian Kelapa Sawit (PPKS) Medan yang telah memberikan penulis kesempatan untuk meneliti dan mengambil data untuk kepentingan penyusunan skripsi ini. 5. Bapak Ir. Khoiruddin Nasution selaku Manajer Unit PT. Perkebunan Nusantara IV (Persero) Unit Adolina dan Ibu Ir. Safarida Silalahi selaku staf PAHAM PPKS Medan yang telah menerima penulis dengan baik selama melakukan penelitian di lokasi. 6. Istia Asri, S.Ked. yang selalu mengingatkan dan memberi motivasi beserta dukungan kepada penulis dalam penelitian dan penyelesaian skripsi. 7. Bapak calon Doktor Bambang Herry dan Syarif Hidayatullah yang telah meluangkan waktunya untuk membantu penulis dalam menyelesaikan skripsi ini. 8. Faiz, Aw, Fakhri, Arya, Ismet, Iza, Sangun, Eko, Rahman, Iqbal, Eva, Muti, Dede, Zafira, Mali, Anita, Desti dan rekan seperjuangan penulis di TIN 44 lainnya yang tanpa henti memberikan dukungan dan aroma persaingan sehat terhadap penulis selama menyelesaikan kuliah di IPB. 9. Fandi, Yuri, Julyanda, Ginda, Alfan dan adik-adik angkatan 45 eks Iona dan teman-teman seOMDA IMMAM yang telah memberikan suasana layaknya keluarga sendiri terhadap penulis ketika menuntut ilmu di perantauan. 10. Semua pihak yang telah ikut berdoa dan memberikan motivasi dalam penulisan skripsi ini yang tidak bisa disebutkan satu per satu.

xii

Akhirnya penulis berharap semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata terhadap pengembangan ilmu pengetahuan dalam bidang industri perkelepasawitan Indonesia.

Bogor, Desember 2011 M. Nanda Rahadiansyah

xiii

DAFTAR ISI

Halaman DAFTAR ISI .............................................................................................................................. xiv DAFTAR TABEL ...................................................................................................................... xvi DAFTAR GAMBAR ................................................................................................................ xvii DAFTAR LAMPIRAN .............................................................................................................. xix DAFTAR ISTILAH .................................................................................................................... xx I. PENDAHULUAN A. LATAR BELAKANG ...................................................................................................... 1 B. TUJUAN PENELITIAN ................................................................................................... 2 C. RUANG LINGKUP PENELITIAN .................................................................................. 3 D. MANFAAT PENELITIAN ............................................................................................... 3 II. TINJAUAN PUSTAKA A. INDUSTRI PENGOLAHAN CPO ................................................................................... 4 B. SISTEM RANTAI PASOK ............................................................................................... 5 C. RANTAI PASOK AGROINDUSTRI ............................................................................... 6 D. MANAJEMEN RISIKO RANTAI PASOK ..................................................................... 9 E.ENTERPRISE RISK MANAGEMENT – INTEGRATED FRAMEWORK AND APPLICATION TECHNIQUES (ERM-IFAT) .................................................................. 11 F. SISTEM RANTAI PASOK MINYAK SAWIT KASAR ................................................ 12 G. PENDEKATAN SISTEM DAN DINAMIKA SISTEM ................................................. 12 1. Diagram Sebab Akibat (Causal Loop Diagram) ................................................... 13 2. Pola Dasar Perilaku Sistem ................................................................................... 14 3. Stock Flow Diagram (SFD) ................................................................................... 16 H. PENELITIAN TERDAHULU ........................................................................................ 16 III. METODOLOGI PENELITIAN A. KERANGKA PEMIKIRAN ........................................................................................... 19 B. TAHAPAN PEMODELAN SISTEM DINAMIK .......................................................... 20 C. TATA LAKSANA 1. Pengumpulan Data ................................................................................................ 23 2. Pengolahan Data .................................................................................................... 23 3. Tempat dan Waktu Penelitian ............................................................................... 23 IV. GAMBARAN UMUM PERUSAHAAN A. SEJARAH PERUSAHAAN ........................................................................................... 24 B. LETAK GEOGRAFIS .................................................................................................... 24 C. LUAS AREAL PRODUKSI ........................................................................................... 25 D. STRUKTUR ORGANISASI........................................................................................... 25 E.KETENAGAKERJAAN & SISTEM MANAJEMEN KESEHATAN DAN KESELAMATAN KERJA (SMK3) ................................................................................ 27 F.SISTEM MANAJEMEN MUTU (ISO 9001-2008) DAN SISTEM MANAJEMEN LINGKUNGAN (ISO 14001-2004) ................................................................................ 27 G. JAM KERJA ................................................................................................................... 28 H. SISTEM PENGUPAHAN............................................................................................... 29

xiv

V. STRUKTURISASI SISTEM A. DESKRIPSI PENILAIAN RISIKO MUTU CPO ........................................................... 30 B. KETERKAITAN UKURAN KESUKSESAN KINERJA .............................................. 32 VI. PERANCANGAN MODEL DINAMIK A.POLA PERILAKU RUJUKAN ....................................................................................... 34 B. ASUMSI MODEL ........................................................................................................... 35 C. DIAGRAM KAUSAL PENILAIAN RISIKO MUTU PKS ADOLINA ........................ 36 D. MODEL DINAMIK PENILAIAN RISIKO MUTU PKS ADOLINA ........................... 37 1. Diagram Alir Sub-Model Produksi ....................................................................... 39 2. Diagram Alir Sub-Model Persediaan .................................................................... 41 3. Diagram Alir Sub-Model Transportasi .................................................................. 42 E. TELAAH VARIABEL .................................................................................................... 44 VII. PENGUJIAN MODEL DAN SIMULASI SKENARIO A.VERIFIKASI ................................................................................................................... 45 B.VALIDASI 1. Validasi Teoritis .................................................................................................... 45 2. Kondisi Ekstrim..................................................................................................... 46 3. Konsistensi Unit .................................................................................................... 48 4. Konsistensi Hasil Keluaran ................................................................................... 48 C. UJI SENSITIVITAS........................................................................................................ 51 D. SIMULASI SKENARIO 1. Analisis Perilaku Dasar ......................................................................................... 52 2. Analisis Perilaku Dinamik..................................................................................... 55 3. Analisis Penilaian Risiko ....................................................................................... 61 VIII. REKOMENDASI KEBIJAKAN ........................................................................................ 65 IX. KESIMPULAN DAN SARAN A. KESIMPULAN ............................................................................................................... 69 B. SARAN ........................................................................................................................... 70 DAFTAR PUSTAKA ................................................................................................................. 71 LAMPIRAN ................................................................................................................................ 74

xv

DAFTAR TABEL Halaman Tabel 1. Indikator kinerja rantai pasok setiap tingkatan ................................................................ 8 Tabel 2. Jumlah pekerja dalam satu shift di PKS Unit Adolina. ................................................... 28 Tabel 3. Identifikasi stock model dinamik penilaian risiko mutu PKS Unit Adolina. ................... 37 Tabel 4. Hasil uji distribusi probabilitas ....................................................................................... 44 Tabel 5. Hasil validasi kinerja produksi CPO ............................................................................... 49 Tabel 6. Hasil validasi kinerja kadar ALB .................................................................................... 50 Tabel 7. Matriks skenario kebijakan ............................................................................................. 55 Tabel 8. Dinamika produksi CPO pada berbagai skenario ........................................................... 61 Tabel 9. Dinamika kadar ALB pada berbagai skenario ................................................................ 61 Tabel 10. Dinamika produksi CPO pada berbagai selang distribusi ............................................ 63 Tabel 11. Dinamika kadar ALB pada berbagai selang distribusi ................................................. 64 Tabel 12. Rumusan kebijakan ...................................................................................................... 65

xvi

DAFTAR GAMBAR Halaman Gambar 1. Diagram alir proses produksi CPO .............................................................................. 5 Gambar 2. Deret siklus pembentukan rantai pasok (Vorst et.al, 2007) .......................................... 6 Gambar 3. Perspektif analitik dari rantai pertanian (Ruben et.al, 2006) ........................................ 8 Gambar 4. Sistem rantai pasok agroindustri minyak sawit kasar .................................................. 12 Gambar 5. Pertumbuhan eksponensial. ......................................................................................... 14 Gambar 6. Mencari tujuan ............................................................................................................. 15 Gambar 7. Gelombang ................................................................................................................. 15 Gambar 8. Batas pertumbuhan ...................................................................................................... 16 Gambar 9. Stock flow diagram (SFD) ........................................................................................... 16 Gambar 10. Posisi penelitian terdahulu ........................................................................................ 18 Gambar 11. Keterkaitan antar entitas rantai pasokan CPO terhadap kualitas CPO yang dihasilkan................................................................................................................... 19 Gambar 12. Kerangka pemikiran penelitian .................................................................................. 20 Gambar 13. Alur tahapan penelitian.............................................................................................. 20 Gambar 14. Peta lokasi geografis PKS Adolina. ........................................................................... 24 Gambar 15. Keterkaitan ukuran kesuksesan kinerja PKS Unit Adolina ....................................... 33 Gambar 16a. Dinamika kadar ALB ............................................................................................... 34 Gambar 16b. Dinamika derajat kematangan panen TBS .............................................................. 34 Gambar 17. Dinamika kebutuhan truk. ......................................................................................... 35 Gambar 18. Peta model mental penilaian risiko mutu CPO PKS Unit Adolina. ........................... 36 Gambar 19. Diagram lingkar kausal penilaian risiko mutu PKS Unit Adolina ............................. 37 Gambar 20. Model dinamik penilaian risiko mutu PKS Unit Adolina ......................................... 38 Gambar 21. Diagram alir sub-model produksi .............................................................................. 39 Gambar 22. Diagram alir sub-model persediaan ........................................................................... 41 Gambar 23. Diagram alir sub-model transportasi ......................................................................... 42 Gambar 24. Dinamika produksi CPO akibat produktivitas kebun naik 100% .............................. 46 Gambar 25. Dinamika persediaan CPO akibat produktivitas kebun naik 100% ........................... 46 Gambar 26. Dinamika jumlah trip aktual akibat produktivtas kebun naik 100% .......................... 47 Gambar 27. Dinamika produksi CPO akibat produktivitas kebun turun 100% ............................. 47 Gambar 28. Dinamika persediaan CPO akibat produktivitas kebun turun 100%.......................... 47 Gambar 29. Dinamika jumlah trip aktual akibat produktivtas kebun turun 100% ........................ 48 Gambar 30. Validasi kinerja produksi CPO .................................................................................. 49 Gambar 31. Validasi kinerja kadar ALB ....................................................................................... 50 Gambar 32. Dinamika produksi CPO akibat perubahan parameter sensitif .................................. 51 Gambar 33. Dinamika kadar ALB akibat perubahan parameter sensitif ....................................... 52 Gambar 34. Kinerja produktivitas kebun Januari 2010-September 2011 ...................................... 53 Gambar 35. Kinerja rendemen CPO Januari 2010 – September 2011 .......................................... 53 Gambar 36. Kinerja pengaruh kriteria panen terhadap kadar ALB Januari 2010 – September 2011 ........................................................................................................................... 53 Gambar 37. Kinerja TBS restan Januari 2010 – September 2011 ................................................. 54 Gambar 38. Dinamika produksi CPO pada skenario dasar ........................................................... 54 Gambar 39. Dinamika kadar ALB pada skenario dasar ................................................................ 54 Gambar 40. Dinamika produksi CPO (SR 1A) ............................................................................. 56

xvii

Gambar 41. Dinamika kadar ALB (SR 1 A) ................................................................................. 56 Gambar 42. Dinamika produksi CPO (SR 1 B) ............................................................................ 56 Gambar 43. Dinamika kadar ALB (SR 1 B) ................................................................................. 57 Gambar 44. Dinamika produksi CPO (SR 1C) ............................................................................. 57 Gambar 45. Dinamika kadar ALB (SR 1 C) ................................................................................. 57 Gambar 46. Dinamika produksi CPO (SR 2) ................................................................................ 58 Gambar 47. Dinamika kadar ALB (SR 2) ..................................................................................... 58 Gambar 48. Dinamika produksi CPO (SR 3) ................................................................................ 58 Gambar 49. Dinamika kadar ALB (SR 3) ..................................................................................... 59 Gambar 50. Dinamika produksi CPO (SR 4) ................................................................................ 59 Gambar 51. Dinamika kadar ALB (SR 4) ..................................................................................... 59 Gambar 52. Perbandingan dinamika produksi CPO pada berbagai skenario ................................ 60 Gambar 53. Perbandingan dinamika kadar ALB pada berbagai skenario ..................................... 60 Gambar 54. Perhitungan persentil ................................................................................................. 62 Gambar 55. Dinamika produksi CPO akibat pengaruh ketidakpastian ......................................... 62 Gambar 56. Dinamika kadar ALB akibat pengaruh ketidakpastian .............................................. 63 Gambar 57. Tindakan perbaikan kinerja PKS Unit Adolina untuk bulan Mei 2011 ..................... 66

xviii

DAFTAR LAMPIRAN

Lampiran 1. Lampiran 2. Lampiran 3. Lampiran 4. Lampiran 5. Lampiran 6. Lampiran 7. Lampiran 8. Lampiran 9. Lampiran 10.

Halaman Struktur organisasi PKS Unit Adolina ................................................................ 75 Tabel pedoman kisi-kisi wawancara ................................................................... 76 Jadwal penelitian................................................................................................. 77 Uji distribusi probabilitas .................................................................................... 78 Plot data analisis regresi...................................................................................... 86 Penentuan armada transportasi TBS ................................................................... 89 Angka-angka pengolahan pabrik tahun 2010 ...................................................... 96 Ekspresi risiko ALB pada pelaku rantai pasokan CPO tiap skenario kebijakan 99 List persamaan Powersim .................................................................................. 105 Manual CPOdyn ................................................................................................ 114

xix

DAFTAR ISTILAH

Causal loop diagram (CLD) : Diagram yang merepresentasikan realita kompleks menjadi bentuk visual yang lebih mudah dipahami. Crude Palm Oil (CPO) : Hasil utama dalam pengolahan TBS. Minyak tersebut berwarna merah dan dimanfaatkan sebagai bahan baku untuk menghasilkan produk turunan yang bernilai tambah lebih tinggi yang meliputi industri pangan (minyak goreng, margarin dll), non-pangan (oleokimia) dan bahan bakar alternatif. CPOdyn : Program simulator kebijakan manajemen yang dihasilkan dari penelitian ini berdasarkan pendekatan sistem dinamis. Program ini merepresentasikan rantai pasok dan penilaian risiko mutu CPO yang dihasilkan PT. Perkebunan Nusantara IV Unit Adolina. Enterprise Risk Management – Integrated Framework and Application Techniques (ERM-IFAT) : Suatu paradigma baru dalam sistem manajemen risiko korporasi yang dirancang khusus untuk para pengambil keputusan dalam mengidentifikasi, mengontrol dan menghasilkan kebijakan yang tepat dalam rangka penanganan risiko demi mendukung pencapaian tujuan perusahaan. Terdapat delapan komponen yang saling terkait, yaitu (1) lingkungan internal, (2) penetapan tujuan, (3) identifikasi potensi risiko, (4) penilaian risiko, (5) respons risiko, (6) pengendalian risiko, (7) informasi dan komunikasi) dan (8) pengawasan. Kadar ALB : Kadar asam lemak bebas yang terkadung dalam CPO yang diproduksi. Kegiatan pasca-panen : Kegiatan yang dilakukan setelah proses pemanenan TBS hingga TBS tepat akan diangkut ke pabrik untuk diolah. Kegiatan pengolahan TBS di pabrik :Proses pengolahan TBS yang diterima di pabrik untuk diolah menjadi CPO sebagai hasil utama. Kegiatan penimbunan di tangki timbun pabrik : Prose penyimpanan sementara CPO yang telah diproduksi sebelum dikirimkan ke konsumen selanjutnya. Kegiatan transportasi panen : Proses pengangkutan seluruh hasil panen TBS ke dalam pabrik untuk segera diolah dengan menggunakan jumlah armada transportasi dan trayek yang tersedia. Latin Hypercube : Metode simulasi analisa penilaian risiko secara probabilistik dengan menggunakan nilai spesifik distribusi probabilitas variabel penguji untuk dilihat responnya terhadap dinamika parameter utama. Mean Absolute Percentage Error (MAPE) : Ukuran akurasi ketepatan model yang merupakan ratarata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil simulasi. Model : Bentuk tiruan dari dunia nyata. Pendekatan sistem : Cara penyelesaian persoalan yang dimulai dengan identifikasi terhadap adanya sejumlah kebutuhan dalam dan luar sistem sehingga dapat menghasilkan operasi dari sistem yang dianggap efektif. Ditandai oleh dua hal : (1) mencari semua faktor penting yang ada dalam masalah dan (2) konstruksi model kuantitatif untuk membantu keputusan secara rasional. Pola perilaku batas pertumbuhan (S-shaped growth) : Pola perilaku sistem yang terdiri dari umpan balik positif dan negatif yang pada awalnya merupakan pola pertumbuhan eksponensial tetapi

xx

secara pelan dan lambat menuju pada kondisi pencapaian sistem yang berada pada keseimbangan. Pola batas pertumbuhan memiliki empat unsur : kejadian aktual, kejadian diinginkan, kesenjangan dan tindakan koreksi. Pola perilaku bergelombang : Pola perilaku sistem yang dibentuk oleh umpan balik negatif untuk mencari tujuan atau keadaan yang diinginkan dengan penambahan penundaan sebagai tindakan perbaikan. Pola perilaku mencari tujuan : Pola perilaku sistem yang dibentuk oleh umpan balik negatif antara elemen-elemen sistem yang tujuannya untuk mencari keseimbangan dan statis. Simpal umpan balik negatif bekerja memberikan pengaruh terhadap sistem untuk mencari tujuan atau keadaan yang diinginkan. Pola perilaku pertumbuhan eksponensial : Pola perilaku sistem yang didominasi oleh pengaruh positif. Umpan balik positif memberi efek perubahan penguatan dengan banyaknya kejadian perubahan. P-value : Peluang untuk menerima H0 dengan membandingkan nilai α 95%.

(0,05)

pada selang kepercayaan

Rencana Kerja Anggaran Perusahaan (RKAP) : Target pencapaian yang ditetapkan perusahaan terhadap unit usaha tertentu berdasarkan data pencapaian historis dan sumberdaya yang ada. Rantai pasok : Jejaring fisik dan aktivitas yang terkait dengan aliran bahan dan informasi yang terintegrasi di dalam perusahaan serta melintasi batas-batas perusahaan. Risiko : Segala kejadian yang memiliki peluang kemungkinan terjadi dan dapat berdampak negatif terhadap pencapaian tujuan perusahaan. Sensitivitas : Pengujian terhadap model dengan mengasumsikan kemungkinan kondisi pada dunia nyata dengan menerapkan metode skenario terbaik dan terburuk. Setiap perubahan parameter, dalam hal ini dinaikkan (diturunkan) 10% dari nilai parameter dasar akan dilihat responnya terhadap perubahan parameter utama. Sistem dinamik : Salah satu metodologi dalam pendekatan sistem dengan memanfaatkan bantuan komputer untuk menganalisa dan memecahkan masalah rumit dengan fokus pada analisa dan desain kebijakan. Skenario kebijakan : Kombinasi-kombinasi variabel penguji untuk dilihat responnya terhadap dinamika parameter utama. Terdiri dari tiga jenis skenario kebijakan beserta kombinasinya, yaitu skenario agresif (optimis), skenario moderat dan skenario lambat (pesimis). Stock flow diagram (SFD) : Susunan diagram alir dalam pembangunan model dinamik yang terdiri dari stock dan flow. Stock merupakan akumulasi, karakteristik keadaan sistem dan pembangkit informasi, dimana aksi dan keputusan didasarkan padanya. Tandan buah segar (TBS) : Buah kelapa sawit yang dengan segala karakteristik kualitasnya dijadikan sebagai bahan baku dalam pengolahan minyak sawit kasar (CPO). Tandan buah segar (TBS) Restan : TBS sebagai bahan baku untuk pengolahan CPO yang tidak segera diolah setelah diangkut dari kebun (>1x24 jam). Peristiwa ini dapat disebabkan oleh tidak optimalnya penjadwalan transportasi TBS dari kebun ke pabrik dan tidak efektifnya penjadwalan pengolahan di pabrik (terjadi stagnasi pabrik, dll).

xxi

Uji distribusi probabilitas : Pengujian kesesuaian sebaran data dalam model dengan sebaran data di dunia nyata. Uji distribusi probabilitas dengan metode Kolmogorv-Smirnov menghasilkan nilai pvalue. Verifikasi : Pengecekan hubungan konseptual dan logis dari formulasi matematik dan program simulasi yang dihasilkan. Atau dalam pengertian lain, merupakan pengujian kesesuaian perilaku dan respon model terhadap tujuan model. Validasi : Usaha penyimpulan apakah model sistem tersebut merupakan perwakilan yang sah dari realitas yang dikaji sehingga dapat menghasilkan kesimpulan yang meyakinkan.

xxii

I.

A.

PENDAHULUAN

LATAR BELAKANG

Industri kelapa sawit Indonesia telah tumbuh secara signifikan dalam empat tahun terakhir dan sejak tahun 2006 menjadi produsen terbesar di dunia untuk pemasok minyak sawit kasar (CPO) mengungguli Malaysia. Menurut Deptan Republik Indonesia, pada tahun 2009, kapasitas produksi CPO Indonesia mencapai 20,9 juta ton CPO dengan total luas areal perkebunan kelapa sawit mencapai 7,5 juta ha dengan potensi ekstensifikasi lahan 26,6 juta ha. Selain itu minyak sawit Indonesia merupakan komoditas strategis dalam pemanfaatan produk turunan yang bernilai tambah tinggi, baik sebagai bahan pangan (minyak goreng), bahan bakar alternatif seperti biodiesel maupun pemanfaatannya pada bidang non-pangan dalam bentuk oleokimia (Direktorat Jenderal Perkebunan Indonesia). Urgensi dari pengembangan komoditi sawit telah digalakkan dan ditetapkan sebagai komoditi ekspor non migas untuk meningkatkan devisa negara dan memenuhi kebutuhan industri minyak nabati dan industri lainnya di dalam negeri. Penetapan ini didukung oleh pemerintah mengenai pengembangan perkebunan kelapa sawit rakyat melalui kemitraan dengan perkebunan besar, yang berdampak pada peningkatan areal pengembangan tanaman kelapa sawit rakyat dan berbagai program revitalisasi perkebunan kelapa sawit yang cukup signifikan dari tahun ke tahun. Produk sawit Indonesia cenderung diekspor dalam bentuk CPO ke negara-negara lain seperti Malaysia, India, kawasan Eropa dan juga kawasan Amerika. Tahun 2007 secara total produksi CPO Indonesia adalah 17,7 juta ton dengan volume CPO yang diekspor mencapai 16,8 juta ton atau senilai US$ 8.013.600.000. Volume dan nilai ekspor produk kelapa sawit dalam bentuk CPO tersebut diproyeksikan akan meningkat terus seiring dengan peningkatan luas lahan kelapa sawit. Dengan semakin meningkatnya potensi dan permintaan pasar akan produk sawit Indonesia, maka akan semakin terpapar secara eksplisit kebutuhan mengenai kualitas produk dan bahan antara yang dihasilkan. Selain itu, karakteristik produk pertanian yang mudah rusak, kamba dan dipengaruhi musim menjadi kendala tersendiri yang membutuhkan perhatian dan penanganan yang tepat. Tentunya setiap industri selalu menginginkan proses bisnis yang mampu memenuhi elemen kepuasan pelanggan, yaitu mutu sesuai pasar, biaya yang minimum dan minimasi waktu yang nantinya terkait kepada kualitas dan kepuasan konsumen. Masalah pasokan dan kualitas didalamnya menjadi isu penting dalam peningkatan produktivitas. Dalam kaitan ini, penjaminan pasokan bahan baku dari kebun ke pabrik dan pasokan produk dari pabrik ke konsumen selanjutnya menjadi aspek-aspek risiko mutu penting yang patut diperhatikan agar kerugian pada perusahaan dapat diantisipasi. Keragaman mutu minyak sawit kasar atau CPO dipengaruhi oleh kegiatan panen, transportasi, pengolahan dan penimbunan. Hasil penelitian terkait mutu yang dilakukan oleh Kandiah et.al (2002) dalam Hadiguna (2010) menunjukkan bahwa penundaan pengolahan akan meningkatkan kadar asam lemak bebas. Minyak sawit kasar juga berisiko mengalami perubahan dan kerusakan selama transportasi jika harus menempuh jarak jauh atau waktu yang lama (Djohar et.al, 2003). Faktor-faktor penting seperti ini bersumber dari rangkaian kegiatan operasional rantai pasok sehingga membutuhkan pengelolaan yang terintegrasi antara panen, angkut, olah dan penimbunan. Seluruh rangkaian kegiatan terkait akan memicu risiko mutu sehingga membutuhkan pengelolaan yang efektif.

1

Berbagai pokok bahasan dan penerapan metode-metode telah dilakukan dalam penelitian agroindustri kelapa sawit. Beberapa yang telah dilakukan diantaranya oleh Basiron (2002), Dja‟far dan Wahyono (2003), Barlo et.al (2003) dan Goenadi et.al (2005) yang membahas secara deskriptif permasalahan ekonomi kelapa sawit, sedangkan Didu (2000), Basdabella (2001) dan Jatmika (2007) menerapkan gabungan metode soft dan hard system. Jayaprawira (2010) dan Hadiguna (2010) merancang secara mendalam suatu sistem penunjang keputusan dan optimalisasi rantai pasok terkait dengan agroindustri kelapa sawit sehingga dapat digunakan oleh manajemen puncak korporasi yang bergerak di perkelapasawitan agar mampu menghasilkan kebijakan yang efektif nantinya. Arah penelitian selanjutnya perlu difokuskan terhadap pengelolaan terpadu antara kebun, pabrik dan tangki timbun yang dikenal dengan istilah manajemen panen-angkut-olah. Perhatian ini dimaksudkan untuk peningkatan kinerja sistem dalam hal peningkatan mutu CPO. Upaya yang dapat dilakukan adalah menerapkan konsep manajemen risiko dan rantai pasok secara bersama. Penerapan pola manajemen risiko dalam rangkaian aliran bahan input hingga menjadi output agroindustri terus berkembang. Hal ini dapat ditela‟ah oleh banyaknya penelitian yang dilakukan pada berbagai agroindustri antara lain dalam tulisan Udayana (2009) yang menilai risiko operasional maupun finansial dalam industri biodiesel berbasis kelapa sawit dan kemudian Tyas (2008) menyimpulkan bahwa penjaminan proses panen kelapa sawit dapat menentukan keberhasilan pencapaian target produksi perusahaan. Manajemen rantai pasok agroindustri menempatkan sistem manajemen panen-angkut-olah menjadi faktor kunci. Pengelolaannya perlu memperhatikan aspek biaya dan mutu. Manajemen rantai pasok agroindustri tersebut meliputi integrasi, koordinasi dan kolaborasi seluruh organisasi sepanjang rantai pasokan. Integrasi rantai pasokan (internal dan eksternal) merupakan pekerjaan yang sulit karena adanya perbedaan dan konflik tujuan dari fasilitas dan pelaku yang terlibat, serta rantai pasokan merupakan suatu sistem dinamis yang berkembang sepanjang waktu. Oleh karena adanya permasalahan kualitas dari hulu sampai ke hilir dalam suatu cakupan mata rantai pasokan pada industri CPO Indonesia perlu dilakukan suatu penelitian dengan pendekatan model dinamis agar ukuran kriteria kesuksesan perusahaan dapat terkendali.

B.

TUJUAN PENELITIAN Tujuan yang ingin dicapai dari penelitian ini adalah sebagai berikut : 1. 2.

3.

Mengidentifikasi perilaku dinamik yang mempengaruhi keragaman mutu minyak sawit kasar di sepanjang rantai pasokan. Merumuskan ukuran kesuksesan manajemen dalam penilaian risiko penurunan mutu berdasarkan strukturisasi sumber-sumber pemicu risiko yang terdapat dalam seluruh rangkaian operasional rantai pasok CPO. Merancang model dinamik sebagai alat bantu mengenal pola penilaian risiko mutu CPO PKS Unit Adolina dan mensimulasikannya untuk mendapat susunan kebijakan pada tingkat manajemen.

2

C.

RUANG LINGKUP Ruang lingkup penelitian yang dilakukan pada PT. Perkebunan Nusantara IV Unit Adolina

adalah : 1.

2.

3.

4.

5.

D.

Identifikasi sumber risiko mutu dan penilaian risiko mutu dilakukan pada tiap mata rantai elemen rantai pasok CPO (afdeling, kinerja transportasi, pabrik kelapa sawit dan tangki timbun CPO). Batasan strukturisasi sistem penilaian risiko mutu CPO mendeskripsikan penerapan sistem penilaian risiko mutu CPO yang mengacu pada ukuran kesuksesan manajemen PKS Unit Adolina . Perancangan model dinamik ditujukan bagi pengambil keputusan tingkat manajemen menengah berupa perumusan kebijakan terbaik yang memiliki keterkaitan dengan ukuran kesuksesan manajemen perusahaan. Model mental atau peta kognitif sebagai basis perancangan struktur model dinamik merupakan hasil bentukan persepsi pemodel dalam memahami penilaian risiko mutu CPO PKS Unit Adolina pada saat penelitian ini dilaksanakan. Keluaran model berupa penilaian kondisi kinerja PKS Adolina berdasarkan pengaturan beberapa skenario kebijakan. Skenario perumusan kebijakan yang diformulasukan hanya sebatas usulan dan tidak sampai penerapan komprehensif di PKS Unit Adolina tempat studi dilaksanakan. Penerapan kebijakan merupakan proses yang memerlukan waktu panjang dimana pemodel harus melakukan usaha meyakinkan model melalui proses pendidikan dan diskusi bagi para pengambil keputusan.

MANFAAT PENELITIAN

Hasil penelitian akan memberikan usulan rekomendasi beserta khasanah pengetahuan bagi perusahaan akan faktor-faktor penyebab fluktuasinya nilai produksi CPO dan asam lemak bebas (ALB) dari CPO yang diproduksi sehingga nantinya dapat mengantisipasi kerugian yang ditimbulkan, serta dapat dipakai untuk membuat skenario perumusan kebijakan manajerial PKS Adolina pada bulan-bulan mendatang dalam rangka mencapai ukuran kesuksesan PT. Perkebunan Nusantara IV yang telah ditetapkan. Manfaat akademis bagi departemen Teknologi Industri Pertanian dalam rangka memperkaya ilmu pengetahuan kajian pengembangan sistem dinamik sebagai metodologi untuk menjawab permasalahan industri berbasis agro pada umumnya.

3

II.

A.

TINJAUAN PUSTAKA

INDUSTRI PENGOLAHAN CPO

Kelapa sawit adalah tanaman komersial penghasil minyak nabati yang paling produktif di dunia. Ekspansi kelapa sawit menempatkannya pada posisi penting dalam industri dan perdagangan minyak dunia. Berdasarkan bukti fosil, sejarah dan linguistik, tanaman ini berasal dari daerah pesisir tropis Afrika Barat. Tanaman kelapa sawit liar dimanfaatkan oleh penduduk lokal Afrika Barat sebagai sumber minyak makan. Pada 1911, perkebunan kelapa sawit pertama didirikan di Pulau Raja (Asahan) dan Sungei Liput (Aceh). Luas areal pada tahun 1938 telah mencapai 92 ribu ha di Indonesia. Pada 1922, Pabrik Kelapa Sawit (PKS) pertama dibangun di Tanah Itam Ulu – Sumatera Utara, sedangkan pada 1977 pabrik oleokimia pertama dibangun di Tangerang dan pola PIR pertama diintroduksikan di TebenanSumatera Selatan dan Alue Merah – Aceh. (PPKS, 2004) Karakteristik industri berbasis agro memiliki ketergantungan terhadap bahan baku yang diolah. Penanganan pengolahan bahan baku baik di pabrik maupun di kebun memberikan pengaruh aktivitas produksi secara kuantitas maupun kualitas terhadap produk yang dihasilkan. Industri pengolahan CPO termasuk yang mempunyai keunikan tersebut, sehingga keberlangsungan produksinya tergantung keterkaitan dari kinerja di kebun dan di pabrik. Mutu unit PKS bergantung pada mutu buah kelapa sawit yang diterima sedangkan mutu hasil olah sangat ditentukan oleh bahan bakunya. Bahan baku tersebut dipengaruhi oleh kegiatan pasca panen, seperti mutu panen dan transportasi. Kesalahan pada langkah pengumpulan hasil dapat mengakibatkan mutu hasil olahan tidak dapat memenuhi standar yang telah ditetapkan yang berujung pada efisiensi pengolahan. Bahan baku, dalam pengolahan CPO, yaitu tandan buah segar kelapa sawit yang dapat terdiri dari tiga varian, Tenera, Dura dan Psifera. Ketiga jenis tanaman kelapa sawit dibedakan berdasarkan irisan penampang buah dimana Dura memiliki tempurung yang tebal dan daging buah yang tipis, jenis Pesifera memiliki biji yang kecil dengan tempurung yang tipis serta daging buah yang tebal, sedangkan jenis Tenera merupakan hasil persilangan Dura dengan Pesifera menghasilkan buah dengan tempurung yang tipis, daging buah yang tebal dan inti yang besar. Proses pengolahan CPO (Gambar 1) dimulai dari jembatan penimbangan untuk menentukan berat netto TBS. Fungsi dari stasiun ini adalah sebagai tempat penimbangan TBS yang dibawa ke pabrik dan hasil produksi serta sebagai proses kontrol untuk mengetahui rendemen dan kapasitas pabrik. Setelah melalui proses penimbangan, TBS kemudian dibawa untuk dikumpulkan. Fungsi dari stasiun ini adalah sebagai tempat penampungan TBS sementara untuk beberapa saat sambil menunggu proses awal dari pengolahan. Tahap penerimaan buah ini harus secepat mungkin untuk meminimalkan kemungkinan terjadi proses degradasi perubahan mutu minyak. Proses perebusan merupakan salah satu proses vital dalam produksi CPO. Dalam proses ini enzim lipase penghasil asam lemak bebas dinonaktifkan kinerjanya dan juga berfungsi sebagai perlakuan awal terhadap bahan-bahan yang akan dipisahkan secara mekanik sehingga lebih mudah terpisahkan serta berfungsi untuk menekan kadar air pada TBS. Proses penebahan dilakukan untuk melepaskan dan memisahkan brondolan sawit dari tandannya. Dalam proses penebahan diberlakukan standar persentase brondolan yang tidak lepas dari tandan agar menghindari kegagalan produksi akibat prosedur yang tidak ditaati. Dalam proses penebahan ini dihasilkan by-product berupa tandan kosong yang langsung dibawa ke perkebunan untuk dijadikan pupuk organik.

4

Proses pengempaan buah merupakan proses pemisahan minyak dari sabut dan inti buah kelapa sawit. Menghasilkan hasil samping berupa fiber dan inti buah sawit yang diolah nantinya agar menghasilkan kernel yang dapat diolah menjadi minyak kernel sawit. Minyak yang dipisahkan kemudian dimurnikan pada proses klarifikasi minyak sawit sehingga dihasilkan CPO. Proses ini merupakan proses yang sangat kritis dimana proses ini menentukan mutu hasil olah yang diproses sehingga menentukan mutu PKS secara garis besar.

Gambar 1. Diagram alir proses produksi CPO

B.

SISTEM RANTAI PASOK

Istilah manajemen rantai pasok (supply chain management) dipopulerkan sebagai pendekatan manajemen persediaan yang ditekankan pada pasokan bahan baku. Isu ini terus berkembang sebagai kebijakan strategis perusahaan yang menyadari bahwa keunggulan bersaing dan pemenuhan kepuasan seluruh pemangku kepentingan berhubungan dengan aliran bahan atau barang dari pemasok hingga pengguna akhir. Rantai pasok adalah jejaring fisik dan aktivitas yang terkait dengan aliran bahan dan informasi didalam atau melintasi batas-batas perusahaan. Sebuah rantai pasok akan terdiri dari rangkaian proses pengambilan keputusan dan eksekusi yang berhubungan dengan aliran bahan, informasi dan uang. Proses dari rantai pasok bertujuan untuk memenuhi kebutuhan pelanggan mulai dari proses produksi sampai konsumen akhir. Rantai pasok bukan hanya terdiri dari produsen dan pemasoknya tetapi mempunyai ketergantungan dengan aliran logistik, pengangkutan, penyimpanan atau gudang, pengecer dan konsumen itu sendiri. Dalam arti luas, rantai pasok juga termasuk pengembangan produk, pemasaran, operasi-operasi, distribusi, keuangan dan pelayanan pelanggan (Vorst et.al, 2007 dalam Hadiguna, 2010). Rantai pasok sepintas terlihat sebagai deretan siklus-siklus yang bekerja sebagai interface bagi dua tahapan (stages). Gambar 2 adalah deretan siklus-siklus yang menjadi rantai pasok yang diikat oleh sistem persediaan antar pelaku.

5

Pemasok

Pemrosesan

Distributor

Pengecer

Pelanggan

Gambar 2. Deret siklus pembentukan rantai pasok (Vorst et.al, 2007) Cara pandang terhadap rantai pasok sebagai sebuah siklus menjadikan kategorisasi rantai pasok dalam tiga bentuk dasar yaitu rantai pasok internal, rantai pasok eksternal dan rantai pasok total atau keseluruhan. Rantai pasok internal adalah aliran bahan dan informasi yang terintegrasi dalam unit bisnis (korporasi) dari pemasok sampai pelanggan dan kadang disebut logistik bisnis. Rantai pasok eksternal adalah aliran bahan dan informasi yang terintegrasi di dalam unit bisnis (korporasi) yang melintasi antara pemasok langsung dan pelanggan. Rantai pasok total adalah aliran bahan dan informasi yang terintegrasi didalam unit bisnis yang melintasi secara majemuk antara pemasok langsung dan pelanggan. Efektifitas rantai pasok total akan dipengaruhi oleh rantai pasok eksternal dan demikian selanjutnya rantai pasok internal akan mempengaruhi efektifitas rantai pasok eksternal. Tujuan dari manajemen rantai pasok adalah memperbaiki kepercayaan dan kolaborasi sejumlah mitra rantai pasok sekaligus perbaikan persediaan yang terlihat dan kecepatan peningkatan persediaan. Titik awal dari manajemen rantai pasok adalah persediaan yang perlu disiasati sehingga kinerja sistem secara keseluruhan bisa lebih baik yang diukur dari berbagai sudut pandang para pemangku kepentingan. Kegiatan – kegiatan dari rantai pasok dapat dikelompokkan menjadi tiga tingkatan, yaitu strategis, taktis dan operasional. Tiga tingkatan inilah yang menjadi isu-isu kunci dalam penelitian manajemen rantai pasok. Menurut Simchi-Levi et.al dalam Hadiguna (2010), tingkatan strategis berhubungan dengan keputusan-keputusan yang mempunyai efek jangka panjang terhadap perusahaan diantaranya optimasi jejaring strategis, mitra strategis dengan pemasok, infrastruktur teknologi informasi, keputusan buat sendiri atau beli dan memperluas strategi organisasi secara keseleruhan dengan strategi pasokan. Tingkatan taktis termasuk keputusan-keputusan yang secara khas diperbaharui setiap kuartal sampai dengan setiap tahun sekali diantaranya pembelian, permintaan, produksi, prakiraan permintaan atau penjualan, kebijakan persediaan dan strategi transportasi. Tingkatan operasional berhubungan dengan keputusan-keputusan setiap hari diantaranya penjadwalan, penentuan rute transportasi, penentuan waktu ancang dan pembebanan truk. Setiap tingkatan mempunyai keterikatan baik bersifat top-down maupun bottom-up.

C.

RANTAI PASOK AGROINDUSTRI

Perkembangan manajemen rantai pasok juga sudah menjadi perhatian para pelaku agroindustri. Praktiknya dikenal dengan istilah manajemen rantai pasok agroindustri. Industri pertanian atau agroindustri telah menjadi salah satu obyek penelitian yang masih baru di bidang manajemen rantai pasok. Hal ini dapat diketahui dari minimnya publikasi yang memuat hasil-hasil penelitian pada bidang ini. Menurut Austin (1992) agroindustri adalah pusat dari rantai pertanian yang penting mempelajari rantai tersebut mulai dari areal pertanian hingga pasar. Agroindustri membutuhkan pasokan bahan baku yang berkualitas dan jumlah yang sesuai kebutuhan. Menurut Brown (1994) untuk mendapatkan pasokan bahan baku yang berkualitas maka diperlukan standar dasar komoditas, sedangkan kuantitas pasokan perlu memperhatikan produktivitas tanaman. Cakupan agroindustri yang cukup luas dan kompleks menjadi sangat menarik untuk dipelajari oleh para peneliti dibidang manajemen rantai pasok.

6

Rantai pasok agroindustri secara sederhana adalah rangkaian kegiatan pasokan dan pemrosesan yang menggunakan bahan baku dari hasil pertanian. Negara-negara yang mempunyai potensi pertanian tentunya berupaya untuk berhasil meningkatkan daya saing produk-produk hasil pertaniannya. Manajemen rantai pasok yang berpandangan holistik sangat tepat untuk dipraktikkan. Upaya penyeimbangan atau prinsip proporsionalitas yang sangat diharapkan pada sistem pertanian modern dapat dicapai melalui praktik manajemen rantai pasok. Hal ini dapat dilakukan karena definisi manajemen rantai pasok mengedepankan pemenuhan kepuasan para pemangku kepentingan. Dalam sistem rantai pasok pertanian, para pemangku kepentingan bisa terdiri dari petani, pedagang, pengumpul, prosesor, distributor, pengecer, konsumen akhir dan pemerintah. Setiap pemangku kepentingan akan memiliki kepentingan yang berbeda-beda dan dipengaruhi pula oleh lingkungan bisnis. Cara pandang yang holistik dan tidak menghilangkan kompleksitas sangat penting diperhatikan. Pada prinsipnya, rantai pasok agroindustri memiliki karakteristik dua tipe yaitu produk segar dan produk yang diproses. Produk segar misalnya saja sayuran, buah-buahan dan sejenisnya yang tidak membutuhkan proses pengolahan khusus atau proses transformasi kimia. Sebaliknya, produk pertanian yang diproses membutuhkan proses transformasi kimia atau perubahan bentuk. Khusus untuk produk pertanian tipe ini akan melibatkan beberaa pemain diantaranya petani atau perkebunan, prosesor atau pabrik, distributor dan retail. Perlu dipahami bahwa dalam jejaring rantai pasok pertanian lebih dari satu rantai pasok dan lebih dari satu proses bisnis yang dapat diidentifikasi, bisa dalam satu waktu terjadi proses paralel dan sekuensial. Sistem rantai pasok agroindustri tidak terlepas dari sistem yang lebih lengkap lagi. Dalam perspektif analitik, bauran antara produsen dan distributor akan dipengaruhi oleh faktor ekonomi, teknologi, sosial, legal dan lingkungan. Faktor-faktor ini akan saling berkomplementer dalam penciptaan sebuah sistem rantai pasok. Gambar 3 adalah skema perspektif analitik dari dimensidimensi yang berpengaruh. Dimensi ekonomi berhubungan dengan efisiensi rantai dalam perspektif manfaat-biaya dan orientasi pelanggan. Peningkatan efisiensi dan profitabilitas dapat dilakukan sebuah unit bisnis melalui kerjasama pada kolom yang berkesesuaian. Dimensi lingkungan berhubungan dengan cara produksi yang ramah lingkungan. Hasil samping dari proses produksi komoditas pertanian dapat dimanfaatkan sebagai produk samping atau siklus ulang dari produk yang berkualitas rendah. Dimensi teknologi berhubungan dengan penerapan teknologi, sistem logistik, teknologi informasi dan komunikasi untuk memperbaiki kinerja. Dimensi sosial dan legal berhubungan dengan norma yang harus diikuti agar tidak merugikan banyak pihak (Ruben et al, 2006) Pengelolaan rantai pasok agroindustri modern akan memperhatikan indikator kinerja yang menjadi obyektif dari setiap pelaku rantai pasaok yang terlibat. Indikator kinerja dapat dikategorisasi menjadi tiga tingkatan, yaitu jejaring rantai pasok, organisasi dan proses. Kinerja rantai pasok adalah derajat kemampuan memenuhi kebutuhan pengguna akhir (end user) dan pemangku kepentingan terhadap indikator kinerja di setiap unit waktu dan periode. Indikator kinerja akan menjadi obyektif yang ingin dicapai. Vorst et.al (2007) merumuskan indikator kinerja rantai pasok agroindustri pangan yang bisa dijadikan acuan rantai pasok agroindustri secara umum (Tabel 1). Tingkatan yang dimaksudkan adalah jejaring rantai pasok, organisasi dan proses. Jejaring rantai pasok adalah unit-unit bisnis yang terlibat dalam rantai, organisasi adalah unit bisnis individual dan proses adalah kegiatan dari dalam unit bisnis untuk transformasi lahan.

7

Teknologi

Produsen primer (petani,

Pemrosesan

Distributor

Pengecer

Pasar

Ekonomi

perkebunan)

Sosial / Legal

Lingkungan

Gambar 3. Perspektif analitik dari rantai pertanian (Ruben et.al, 2006) Tabel 1. Indikator kinerja rantai pasok setiap tingkatan Tingkatan

Indikator Kinerja

Penjelasan

Ketersediaan produk

Selalu tersedia saat dibutuhkan

Kualitas produk

Sisa umur hidup produk

Jejaring rantai

Responsiveness

Waktu siklus pesan rantai pasok

pasok

Keandalan pengiriman

Waktu siklus pesan rantai pasok

Total biaya rantai pasok

Tingkat persediaan

Waktu throughput Organisasi

Responsiveness Keandalan pengiriman

Total biaya rantai pasok

Waktu throughput

Proses

Jumlah seluruh biaya-biaya organisasi di dalam rantai pasok Jumlah produk di penyimpangan Waktu yang dibutuhkan untuk mengerjakan rantai proses bisnis Waktu ancang dan fleksibilitas Persentase pengiriman tepat waktu dan jumlah yang tepat Jumlah biaya seluruh proses didalam organisasi Waktu yang dibutuhkan mengerjakan proses

Responsiveness

Fleksibilitas proses

Hasil proses

Luaran proses

Biaya proses

Biaya yang dikeluarkan saat proses bekerja

8

Perdana (2009) mengembangkan lima komponen pembentuk model rancangbangun manajemen rantai pasokan agroindustri yang efisien dan berkeadilan, yaitu struktur jaringan rantai pasokan, rekayasa kualitas, sistem produksi, inovasi kelembagaan dan sistem pengukuran kerja yang berimbang. Setiawan (2009) merumuskan strategi peningkatan kinerja rantai pasok sayuran, yaitu: (1) optimalisasi sistem penjadwalan (baik dalam penanaman dan pemanenan) dengan memperhitungkan aspek cuaca, (2) peningkatan kinerja responsifitas dan fleksibilitas untuk pemenuhan pesanan, (3) perlunya implementasi sistem manajemen mutu dan lingkungan (ISO 9000 & 14000), Hazard Analysis Critical Control Point (HACCP), Good Handling Practices dan Good Agricultural Practices (GAP). Zee dan Vorst (2005) menerapkan teknik simulasi dalam menganalisis rantai pasok bahan pangan dan mengevaluasi beberapa alternatif rancangan skenario menggunakan simulasi kejadian diskrit untuk sistem rantai pasok eselon majemuk di Belanda. Model simulasi melibatkan variabelvariabel dari level strategis dan operasional, indikator kinerja dan entitas bisnis dari sistem.

D.

MANAJEMEN RISIKO RANTAI PASOK

Risiko muncul dari adanya suatu ketidakpastian. Ketidakpastian akan kejadian yang terjadi di internal maupun eksternal perusahaan mengakibatkan timbulnya semacam ancaman yang dapat mengakibatkan kerugian baik dari segi operasional maupun finansial pada perusahaan. Rantai pasok yang digambarkan sebagai suatu sistem yang kompleks yang terdiri dari berbagai jejaring elemen atau entitas rantai pasok tentunya sangat sensitif akan timbulnya risiko tersebut. Secara mudah, manajemen risiko rantai pasok merupakan suatu tools atau metode dalam mencegah dan menanggulangi timbulnya risiko serta ketidakpastian yang terjadi dalam setiap jalur rantai pasokan suatu perusahaan. Risiko rantai pasok adalah distribusi kemungkinan hasil kegiatan yang hilang dari perbedaan keluaran (outcomes) rantai pasok yang mungkin sehingga mengakibatkan perusahaan tidak dapat memenuhi permintaan konsumen. Risiko rantai pasok terdiri dari perbedaan dalam hal informasi, aliran bahan dan produk, yang berasal dari pemasok awal sampai dengan pengiriman kepada pengguna akhir (Gaonkar dan Viswanadham, 2006). Risiko rantai pasok pada dasarnya merujuk kepada kemungkinan dan efek dari ketidaksesuaian antara pasokan dan permintaan (Zsidisin dan Ritchie, 2011). Selanjutnya, konsekuensi risiko dapat diasosiasikan dengan keluaran spesifik rantai pasok seperti biaya atau kualitas. Berdasarkan hal ini, maka dikenal bangunan dasar manajemen risiko rantai pasok yaitu sumber risiko, konsekuensi risiko, probabilitas risiko dan strategi mitigasi risiko. Manajemen risiko rantai pasok fokus pada bagaimana memahami dan menanggulangi pengaruh berantai ketika suatu kecelakaan yang besar dan kecil terjadi pada suatu titik dalam jaringan pasokan. Selanjutnya hal yang paling penting adalah memastikan bahwa ketika gangguan terjadi, perusahaan mempunyai kemampuan untuk kembali kepada keadaan normal dan melanjutkan bisnisnya (Suharjito et.al, 2011). Menurut Cavinato (2004) pada dasarnya ada lima aliran yang bisa dianalisa dalam manajemen risiko rantai pasok, yaitu : risiko operasional, risiko finansial, risiko informasi, risiko relasional dan risiko inovasional. Dalam kegiatan sebuah perusahaan pasti terjadi proses perpindahan dari sebagian atau semua aliran tersebut. Perpindahan tersebut bisa terjadi diantara sebuah aktivitas dalam satu perusahaan, beberapa aktivitas dalam satu perusahaan, aktivitas dalam dua perusahaan dan aktivitas dalam lebih dari dua perusahaan (supplier’s supplier atau customer’s customer). Manajemen risiko rantai pasok umumnya fokus pada risiko operasional. Misalnya, risiko dalam penerimaan order, risiko dalam pembelian barang, risiko dalam persediaan, risiko dalam produksi, risiko dalam

9

perencanaan, risiko dalam hubungan antara agen serta prinsipal dan beberapa kejadian lain yang sangat banyak dalam sebuah proses bisnis suatu perusahaan. Risiko dipicu dari ketidakpastian, maka risiko rantai pasok adalah ketidakpastian atau tidak terprediksi suatu kejadian yang memberi pengaruh pada rantai pasok yang mengarah pada kerugian. Lee (2002) memandang ketidakpastian dalam rantai pasok bersumber dari dua sisi yaitu permintaan dan pasokan. Ketidakpastian permintaan berkaitan dengan kemampuan prediksi permintaan produk. Tingkat risiko rantai pasok agroindustri akan tergantung dari jenis komoditasnya. Komoditas yang mempunyai diversifikasi yang sangat tinggi dari sisi pasokan dan sebaliknya. Kompleksitas semakin tinggi pada saat komoditas pertanian yang menjadi bahan baku sangat rendah produktivitas panennya dan terbatas sumber pasokannya. Manajemen risiko rantai pasok agroindustri sangat membutuhkan penanganan berbasis teknologi dan operasional. Ketersediaan teknologi sangat membantu dalam mengurangi tingkat risiko, sedangkan manajemen operasi dan produksi akan mengakomodir risiko sebagai bagian dari upaya efisiensi. Santoso (2005) membahas secara mendalam akan manajemen risiko agroindustri buahbuahan. Generalisasi yang didapatkan dan kemudian dikaitkan akan rantai pasok agroindustri minyak sawit kasar adalah perspektif dalam mengelompokkan resiko ke dalam tiga bagian yaitu risiko pengadaan bahan baku, risiko proses pengolahan dan risiko pemasaran. Risiko pengadaan bahan baku meliputi aspek kuantitas, kualitas, waktu dan biaya. Aspek-aspek risiko tersebut sangat tergantung pada produktivitas kebun dan manajemen pengelolaan kebun. Menurut Austin (1992) risiko kualitas dapat diminimasisasi dengan memenuhi spesifikasi bahan baku yang disyaratkan melalui pengembangan standar spesifikasi bahan baku yang dibutuhkan, penentuan kapasitas produksi bahan baku dan penyediaan insentif bagi produsen yang mampu memenuhi standar produksi dan pengiriman. Risiko dalam proses pengolahan antara lain tidak tepatnya pemilihan jenis proses pengolahan, kerusakan peralatan dan mesin pengolahan mesin/peralatan, faktor kualitas keahlian dan perilaku sumberdaya manusia. Adanya risiko proses pengolahan dapat menyebabkan terjadinya variasi proses atau bahkan produksi berhenti. Upaya meminimisasi risiko variasi proses dapat dilakukan melalui tahapan kegiatan melalui pengujian kemampuan produksi, variasi proses dan penentuan alternatif perbaikan untuk menurunkan variasi proses. Risiko utama pemasaran agroindustri adalah tidak tercapainya target penjualan akibat beberapa faktor yang bersumber dari internal dan eksternal. Elemen utama yang perlu dipertimbangkan dalam analisis dan manajemen risiko pemasaran agroindustri adalah analisis konsumen yang meliputi analisis kebutuhan konsumen, segmentasi pasar, proses penualan dan riset pemasaran. Kedua, analisis lingkungan kompetisi meliputi analisis struktur pasar, dasar kompetisi dan kendala kelembagaan. Ketiga, perencanaan program pemasaran dengan mendefinisikan dan menentukan elemen disain produk, harga, distribusi dan promosi yang secara terintegrasi merupakan strategi pemasaran perusahaan (Austin, 1992). Identifikasi sumber-sumber risiko menjadi langkah awal yang sangat penting sehingga manajemen risiko dapat dilaksanankan dengan efektif. Sumber – sumber risiko dalam sistem rantai pasok dapat diidentifikasi berdasarkan kegiatan-kegiatan pokok yang dilaksanakan secara rutin. Kegiatan-kegiatan rutin mempunyai standar kerja yang dirumuskan sesuai dengan tujuannya.

10

E.

ENTERPRISE RISK MANAGEMENT – INTEGRATED FRAMEWORK AND APPLICATION TECHNIQUES (ERM – IFAT)

ERM – IFAT (Enterprise Risk Management – Integrated Framework and Application Techniques) merupakan suatu metode yang diintrodusir pada awal dekade 2000 dimana merupakan evolusi dari sistem manajemen risiko korporasi dimana didalamnya terdapat integrasi dari (1) tujuan atau objektif perusahaan, (2) dapat diterapkan dalam rangkaian kegiatan operasional perusahaan, (3) identifikasi sumber dan efek terhadap risiko, (4) pengelolaan risiko dan (5) penjaminan kegiatan demi tercapainya objektif perusahaan. ERM-IFAT ini merupakan sebuah paradigma baru dalam sistem manajemen risiko korporasi dimana tidak hanya mengolah risiko dari penyebabnya (end of pipe) tetapi mengintegrasikannya dari awal hingga akhir sehingga dicapai toleransi risiko seperti yang ditetapkan perusahaan sebelumnya. Semua tingkatan dalam hirarki organisasi ikut berpartisipasi dalam rangka penerapan sistem manajemen risiko ini. Metode ERM-IFAT yang dikembangkan oleh Committee of Sponsoring Organizations (COSO) of United States dirancang untuk membantu manajer dalam mengidentifikasi, mengontrol hingga menghasilkan kebijakan yang tepat dalam rangka penanganan risiko demi mendukung pencapaian tujuan organisasi. Dalam metode ini terdapat delapan komponen yang saling terkait, yaitu: 1. Lingkungan internal Penetapan dasar perspektif risiko organisasi berdasarkan struktur organisasi perusahaan, nilai integritas dan etika perusahaan. 2. Penetapan tujuan Langkah yang harus ditentukan sebelum mengidentifikasi risiko kejadian yang mempengaruhi realisasi pencapaian tujuan perusahaan. 3. Identifikasi potensi risiko Meliputi identifikasi dampak dan probablitias risiko internal maupun eksternal terhadap objektif perusahaan. Probabilitas risiko merupakan dasar bagi penentuan tujuan perusahaan nantinya. 4. Penilaian risiko Analisis risiko dengan mempertimbangkan dampak dan probabilitas sebagai dasar dalam perumusan kebijakan penanganan risiko. 5. Respons risiko Suatu keputusan yang harus ditentukan manajemen dalam penanganan risiko apakah risiko tersebut dikurangi, diterima maupun dihindari. 6. Pengendalian risiko Penetapan dan penerapan kebijakan dan prosedur dalam rangakaian kegiatan perusahaan untuk memastikan respons risiko secara efektif dilaksanakan. 7. Informasi dan komunikasi Komunikasi yang baik dan efektif di sepanjang hirarki organisasi sehingga setiap sumberdaya manusia dalam perusahaan dapat memenuhi tanggung jawab masing-masing. 8. Pengawasan Keseluruhan aktivitas perusahaan dipantau secara kontinu dan dilakukan evaluasi terhadapnya.

11

F.

SISTEM RANTAI PASOK MINYAK SAWIT KASAR

Peran dari agroindustri minyak sawit kasar menjadi sangat sentral karena berperan sebagai pemasok bahan baku bagi industri hilir yang membutuhkan. Bentuk dari rantai pasok agroindustri berbasis kelapa sawit bila digambarkan mengikuti pohon industrinya membentuk rantai yang bercabang dan kompleks. Fokus penelitian ini adalah minyak sawit kasar maka skema yang ditampilkan pada bagian ini adalah sistem rantai pasok agroindustri saja. Djohar et.al (2003) melakukan penelitian manajemen rantai pasok minyak sawit kasar mulai dari kebun sampai pabrik saja dengan sumber pasokan bahan baku yaitu kebun (afdeling) milik perusahaan itu sendiri. Hasil penelitian ini dapat dijadikan acuan dan dapat dilanjutkan untuk permasalahan yang melibatkan tangki timbun pelabuhan untuk dikirim ke konsumen berikutnya. Gambar 4 adalah skema umum dari sebuah sistem rantai pasok agroindustri minyak sawit kasar yang terdiri dari kebun, pabrik, tangki timbun pelabuhan dan konsumen industri.

Gambar 4. Sistem rantai pasok agroindustri minyak sawit kasar

G.

PENDEKATAN SISTEM DAN DINAMIKA SISTEM

Pendekatan sistem merupakan cara penyelesaian persoalan yang dimulai dengan dilakukannya identifikasi terhadap adanya sejumlah kebutuhan sehingga dapat menghasilkan suatu operasi dari sistem yang dianggap efektif. Pendekatan sistem umumnya ditandai oleh dua hal berikut : (1) mencari semua faktor penting yang ada dalam masalah dan (2) dibuat suatu model kuantitatif untuk membantu keputusan secara rasional (Eriyatno, 2003). Dinamika sistem merupakan salah satu metodologi yang digunakan dalam pendekatan sistem dengan memanfaatkan bantuan komputer untuk menganalisa dan memecahkan masalah rumit dengan fokus pada analisa dan desain kebijakan (Sterman, 2000). Sistem dinamik pada awalnya digunakan untuk mengkaji dinamika industri oleh JW Forrester dari Massachussets Institute of Technology (MIT) lalu hasilnya didokumentasikan dalam buku yang terkenal pada tahun 1962 yang berjudul Industrial Dynamics. Penelitian permodelan dinamika sistem dalam manajemen rantai pasokan dibagi ke dalam tiga kelompok, yaitu : (1) pemodelan untuk membangun teori, (2) pemodelan untuk memecahkan masalah dan (3) untuk memperbaiki pendekatan pemodelan (Angerhofer and Angelides, 2000). Menurut Bell et.al (2003), tahapan dalam membuat model yang meggunakan metodologi dinamika sistem di dalam memahami dinamika manajemen rantai pasokan dapat dirinci sebagai berikut :  Memahami dan mengkaji sistem Dalam langkah ini terlebih dahulu harus didefinisikan batas model yang akan dikaji. Batas model tersebut memisahkan proses-proses yang menyebabkan adanya tendensi internal yang diungkapkan dari proses-proses yang mempresentasikan pengaruh-pengaruh eksogeneous.

12

Batas model tersebut akan menggambarkan cakupan analisis tersebut dan alan meliputi semua interaksi sebab akibat yang berhubungan dengan isu tersebut.  Mengembangkan diagram sebab akibat (causal loop) dari sistem Setelah batas model dapat didefinisikan, suatu struktur lingkar umpan balik (feedback loops) yang berinteraksi barulah dapat dibentuk. Struktur umpan balik tersebut merupakan blok pembentuk model yang diungkapkan melalui lingkaran-lingkaran tertutup  Mengembangkan diagram alir (level dan rate) dari sistem Berdasarkan lingkar sebab akibat dibangun diagram level dan rate dari sistem. Dalam diagram tersebut akan digambarkan berbagai interaksi/hubungan antar entitas dalam sistem. Pengembangan diagram level dan rate tersebut dilakukan dengan bantuan perangkat lunak seperti Stella, Vensim dan Powersim (Tasrif, 2004)  Mengembangkan model dari sistem Dalam langkah ini, model diformulasikan sebagai representasi atau abstraksi dari seluruh interaksi yang terjadi pada sistem yang dikaji.  Menguji asumsi model Setelah model eksplisit suatu persoalan diformulasikan, dilakukan suatu kumpulan pengujian terhadap kesahihan model dan sekaligus pula mendapatkan pemahaman terhadap tendensi-tendensi internal sistem.  Melakukan simulasi Simulasi dilakukan untuk menilai dampak perubahan-perubahan parameter terhadap sistem yang dikaji.  Menyampaikan rekomendasi kebijakan Berdasarkan hasil simulasi akan dihasilkan rekomendasi kebijakan yang tepat dalam upaya mencapai tujuan sistem.

1. Diagram Sebab Akibat (Causal Loop Diagram) Berpikir sistem merupakan paradigma dari sistem dinamik. Berpikir sistem merupakan upaya memahami struktur dari sebuah sistem yang diamati kemudian mempelajari pola perilaku untuk disimpulkan kejadian yang terjadi pada sistem tersebut. Umpan balik sebagai konsep utama dalam berpikir sistem, bersifat kompleks dan holistik dalam realitanya. Untuk merepresentasikan dan menguraikan sebuah realita yang kompleks dan agar lebih mudah dipahami, dalam sistem dinamik, dikenal diagram sebab akibat (causal loop diagram). Sterman (2000) pada bukunya, menyatakan tiga poin esensi dari CLD, yaitu (1) mudah dalam pembentukan hipotesis penyebab dinamika, (2) menghasilkan model mental individu atau kelompok dan (3) komunikasi umpan balik efektif dalam pemecahan suatu masalah. CLD terdiri dari variabel yang saling berhubungan satu sama lain ditunjukkan dengan tanda panah untuk menandakan pengaruh hubungan antar variabel. Variabel A berhubungan saling mempengaruhi dengan variabel B, variabel A mengakibatkan terjadinya variabel B atau variabel B merupakan faktor vital terjadinya variabel A. Dalam realitanya, sering dijumpai bahwa variabel A yang mengakibatkan terjadinya variabel B, yang kemudian akan menjadi faktor pembentuk variabel A kembali. Misalnya, penggunaan botol plastik sebagai kemasan minuman akan mengakibatkan meningkatnya produksi sampah botol plastik, yang kemudian didaur ulang untuk menghasilkan botol plastik kembali. Kejadian diatas merupakan ilustrasi sederhana untuk memudahkan pengertian sebab akibat tersebut.

13

Pola hubungan antara dua variabel memiliki dampak pengaruh yang diberikannya. Pengaruh tersebut dapat berupa pengaruh positif (menguatkan), disimbolkan dengan huruf “R” (reinforcement), artinya jika A meningkat maka B akan meningkat dan juga sebaliknya. Hubungan lain dapat berupa pengaruh negatif (menyeimbangkan), disimbolkan huruf “B” (balance), artinya jika A meningkat, maka B akan menurun, dan berlaku juga sebaliknya. Hubungan terakhir dapat berupa hubungan yang memberikan pengaruh tapi terdapat penundaan (delay), artinya A menunda akibat pada B.

2. Pola Dasar Perilaku Sistem Struktur sistem yang terbentuk dari beberapa gabungan simpal kausal dan dengan kombinasi pengaruh yang diberikan memberikan corak terhadap perilaku sistem. Perilaku sistem berbeda-beda, sehingga menghasilkan kinerja sistem yang telah dipelajari dan diidentifikasi oleh para ahli SD, yaitu : pertumbuhan eksponensial, mencari tujuan, bergelombang dan S-shaped growth. Interaksi dari keempat pola dasar dapat membentuk pola lagi yang lebih kompleks (Rohmatulloh, 2007). Pola perilaku pertumbuhan eksponensial atau disebut juga pola bola salju dibangkitkan oleh dominasi pengaruh positif. Umpan balik positif memberi efek perubahan penguatan dengan banyaknya kejadian perubahan. Perubahan pertumbuhannya lambat kemudian bergerak cepat. Gambar 5 adalah contoh struktur sistem dan pola perilaku model simpanan uang di bank konvensional. Semakin besar saldo simpanan berpengaruh terhadap besarnya bunga yang diterima.

Gambar 5. Pertumbuhan eksponensial Pola perilaku mencari tujuan dibentuk oleh umpan balik negatif yang simpalnya mencari tujuan keseimbangan dan statis. Simpal umpan balik negatif bekerja memberikan pengaruh terhadap sistem untuk mencapai tujuan atau keadaan yang diinginkan. Pola ini mirip seperti sistem tindakan koreksi dengan penundaan yang dibahas pada bagian pola gelombang. Gambar 6 adalah contoh struktur sistem dan pola perilaku pada pengaturan suhu temperatur.

14

Gambar 6. Mencari tujuan Pola perilaku bergelombang adalah mencari tujuan yang dibangkitkan oleh simpal umpan balik negatif tetapi dengan penambahan penundaan. Pola ini mempunyai perilaku tindakan perbaikan dengan penundaan. Kejadian antara yang diinginkan dan aktual menimbulkan kesenjangan. Untuk memecahkan masalah itu diperlukan tindakan koreksi tetapi mengalami penundaan, artinya koreksi tidak langsung menghasilkan sebuah perbaikan, sehingga masalah akan meningkat yang berakibat tindakan koreksi kedua lebih besar dari pertama. Kejadian ini berlanjut terus dan menimbulkan kejadian naik turun (bergelombang). Gambar 7 adalah contoh struktur sistem dan pola perilaku pada jasa layanan.

Gambar 7. Gelombang Pola batas pertumbuhan awalnya pertumbuhan eksponensial tetapi secara pelan dan lambat menuju pada kondisi pencapaian sistem yang berada pada keseimbangan, sehingga seperti membentuk huruf “S”. Pola yang disebut juga batas pertumbuhan merupakan kombinasi simpal positif dan negatif. Pola batas pertumbuhan memiliki empat unsur, yaitu kejadian aktual, kejadian diinginkan, kesenjangan dan tindakan koreksi. Kesenjangan (kejadian diinginkan dengan aktual) yang timbul untuk memecahkan masalah diperlukan tindakan koreksi yang pada awalnya besar dan makin lama kecil menuju nol. Jika terdapat penundaan, tindakan koreksi berikutnya akan melewati batas kejadian yang diinginkan selanjutnya menurun kembali. Demikian seterusnya jika batas adalah sumber yang dapat diperbaharui, maka terjadi gelombang pada keadaan tunak. Gambar 8 adalah contoh struktur dan pola perilaku pada kasus penjualan.

15

Gambar 8. Batas pertumbuhan

3. Stock Flow Diagrams (SFD) SFD, sebagai salah satu dari dua konsep utama sistem dinamik, adalah akumulasi atau pengumpulan dan karakteristik keadaan sistem dan pembangkit informasi, dimana aksi dan keputusan didasarkan padanya. Stock digabungkan dengan rate atau flow sebagai aliran informasi sehingga stock menjadi sumber ketidakseimbangan dinamis dalam sistem. SFD secara umum dapat diilustrasikan dengan sebuah sistem parkir kendaraan yang dihubungkan dengan aliran mobil yang masuk dan yang keluar. Kedua aliran (masuk dan keluar) sebagai pengontrol slot yang tersedia dalam parkir. Besar kecilnya nilai dalam stock dan flow berdasarkan perhitungan persamaan matematik integral dan differensial. Persamaan matematik stock merupakan integrasi dari nilai inflow dan outflow.

Gambar 9. Stock flow diagrams

H.

PENELITIAN TERDAHULU

Beberapa penelitian terdahulu yang menjadi acuan dalam penelitian ini, diantaranya Hadiguna (2010) dalam disertasinya mengkolaborasikan manajemen risiko dengan manajemen rantai pasok sehingga menghasilkan suatu sistem penunjang keputusan yang dapat menganalisis risiko mutu dan optimasi sistem rantai pasok di setiap unit operasional. Dalam penelitian yang dilakukan ini juga dirumuskan model matematik untuk manajemen panen-angkut-olah secara kuantitatif dan membangun cara penilaian risiko operasional rantai pasok secara kuantitatif. Kemudian, Jayaprawira (2010) merancang sebuah model portofolio risiko yang memperhatikan beberapa aspek risiko yang relevan yang mampu mencapai tujuan perusahaan dan mempertahankan kinerja perusahaan. Korporasi agroindustri kelapa sawit di Indonesia disarankan untuk menerapkan dan mengembangkan sistem manajemen risiko yang bersifat menyeluruh (terintegrasi) melalui Enterprise Risk Management (ERM) dengan membentuk unit kerja tersendiri yang secara khusus menangani pengelolaan risiko, disesuaikan dengan kemampuan dan tingkat kepentingan korporasi terhadap eksposur risiko yang sedang dan akan dihadapi.

16

Simchi-Levi et.al dalam Hadiguna (2010) merumuskan obyektif dari manajemen rantai pasok dan manajemen logistik. Objektif dari manajemen rantai pasok adalah minimisasi biaya sepanjang keseluruhan sistem dari transportasi dan distrribusi ke persediaan bahan baku, barang dalam proses dan produk jadi. Penekanan dari obyektif manajemen rantai pasok adalah pendekatan sistem karena mencakup prinsip-prinsip holistik. Objektif dari manajemen logistik adalah minimisasi biaya sistem secara luas meliputi biaya produksi dan pembelian, biaya simpan persediaan, biaya fasilitas dan biaya transportasi dengan pembatas keragaman kebutuhan tingkat pelayanan. Manajemen logistik sangat menekankan transportasi, lokasi dan persediaan dalam upaya memenuhi kepuasan pelanggan dan pemangku kepentingan, sedangkan manajemen rantai pasok sangat menekankan siklus dari keseluruhan rantai untuk memenuhi kepuasan pelanggan dan pemangku kepentingan. Dalam mengidentifikasi sumber-sumber risiko, telah banyak pendekatan dan metode yang dikembangkan. Menurut Klimov dan Merkuryev dalam Suharjito et.al (2011) terdapat dua metode utama untuk menilai dan mengevaluasi risiko rantai pasok. Pertama adalah berdasar pendapat pakar (kualitatif) dan kedua penilaian secara statistik (kuantitatif). Jayaprawira (2010) dalam disertasinya terkait identifikasi sumber-sumber dan faktor risiko yang signifikan menggunakan metode AHP untuk mengidentifikasi risiko dalam jaringan rantai pasok. Hadiguna (2010) menggunakan metode NonNumeric Multi Expert Criteria Decision Making dalam penilaian risiko mutu dikombinasikan dengan teknik Ordered Weighting Average (OWA) sebagai agregasi penilaiannya.Sedangkan beberapa model kuantitatif manajemen risiko rantai pasok juga telah dikembangkan oleh Kuhon (2007) dengan menghitung nilai dampak krisis (Crisis Impact Value) berdasarkan faktor peluang krisis (Probability Factor), tingkat pengaruh (Degree of Influence) dan biaya intervensi (Cost of Intervention). Studi mengenai kedinamisan rantai pasok juga telah dilakukan oleh Perdana (2009) dan Low & Chen (2009). Perdana (2009) mengungkapkan lima komponen pembentuk model dinamik manajemen rantai pasokan agroindustri teh hijau yang efisien dan berkeadilan, yaitu struktur jaringan rantai pasokan, rekayasa kualitas, sistem produksi, inovasi kelembagaan dan sistem pengukuran kerja yang berimbang. Terkait dengan studi kedinamisan penilaian kinerja, Rohmatulloh (2007) mengkaji serta merancang model dinamik sistem penilaian kinerja sebagai alat bantu untuk mengenal pola perilaku permasalahan manajerial kinerja PG. Studi mengenai kedinamisan lainnya tampak dalam hasil tulisan Mariana (2005) yang berupaya untuk menganalisis dan meyusun sistem pengambilan keputusan dalam investasi produk energi biomas berdasar minyak kelapa sawit atau disebut Biodiesel Kelapa Sawit (BDS). Terkait dengan penentuan armada transportasi yang akan dijelaskan dalam isi tulisan ini pada bab-bab berikutnya, Oktavia (2000) dan Hadiguna (2010) menjadi acuan pemodel dalam pemetaan konsep model penentuan truk. Oktavia (2000) menentukan jumlah armada dengan memperhitungkan adanya sistem antrian dalam cakupan pabrik, sedangkan Hadiguna (2010) menggunakan formulasi matematik binary integer programming dalam menjadwalkan dan menentukan jumlah armada pengangkut tandan buah segar. Dalam hal penentuan pola hubungan korelasi antara predictors dengan responses yang banyak digunakan dalam penelitian ini, mengacu kepada kajian Aulia (2010) terkait pengelolaan panen terhadap hubungannya dengan kriteria kualitas minyak kelapa sawit. Pada penelitian ini akan dilakukan penilaian risiko mutu di sepanjang unit organisasi rantai pasokan minyak sawit kasar dengan pendekatan sistem dinamis, karena menganggap semua aktivitas di sistem rantai pasokan selalu berubah terhadap waktu. Tujuan dari penelitian ini adalah untuk menjaga mutu dari minyak sawit kasar yang dihasilkan oleh perusahan sehingga nantinya dapat meningkatkan daya saing kompetitif minyak sawit dan nama perusahaan di pasaran.

17

Skema posisi penelitian terdahulu sebagai referensi penelitian ini seperti diuraikan kedalam Gambar 10.

Gambar 10. Posisi penelitian terdahulu Keterangan : DS (Dinamika Sistem)

18

III.

A.

METODOLOGI PENELITIAN

KERANGKA PEMIKIRAN

Kualitas CPO yang dihasilkan pabrik merupakan integrasi dan keterkaitan antara seluruh bagian yang terlibat di kebun, pengangkutan, pabrik maupun kegiatan penimbunan. Keempat elemen tersebut merupakan mata rantai dari elemen rantai pasokan CPO. Dalam penelitian yang dilakukan, manajemen risiko diterapkan dalam setiap aliran kegiatan operasional dalam rangka produksi CPO. Risiko terhadap kualitas CPO berkembang sepanjang waktu. Kompleksitas terhadap tingkat produksi CPO dan fluktuasinya nilai ALB terhadap CPO yang dihasilkan menyebabkan sistem rantai pasokan CPO tidak bisa dilihat hanya dalam satu sudut pandang (parsial) melainkan harus dilihat dalam pandangan holistik. Masing-masing mata rantai (faktor) elemen rantai pasok saling mempengaruhi terhadap hasil akhir kualitas CPO yang dihasilkan (Gambar 11).

Pascapanen

Penimbunan

Kualitas CPO

Transportasi

Pengolahan Gambar 11. Keterkaitan antar entitas rantai pasokan CPO terhadap kualitas CPO yang dihasilkan Identifikasi variabel kunci kualitas CPO dalam rantai pasokan dilakukan dengan mengembangkan model ERM – IFAT yang dikembangkan COSO of United States (2004). Dalam metode ini risiko didefinisikan sebagai segala kejadian (events) yang memiliki peluang kemungkinan terjadi (likelihood) dan memiliki dampak negatif (impact) terhadap pencapaian tujuan atau sasaran (objectives). Sasaran dalam penelitian direpresentasikan melalui RKAP yang ditetapkan oleh perusahaan. RKAP (Rencana Kerja Anggaran Produksi) merupakan suatu target pencapaian yang ditetapkan perusahaan terhadap unit usaha tertentu berdasarkan data pencapaian historis dan sumberdaya yang ada. Sehingga, jika realisasi produksi dibawah standar RKAP, dapat ditarik benang merah bahwa terdapat risiko yang menghambat pencapaian tujuan perusahaan tersebut. Pendekatan SD dikembangkan Forrester (1961) dalam Sterman (2000) merupakan metodologi yang berangkat dari paradigma berpikir sistemik untuk melihat keterkaitan antar elemen rantai pasok terhadap kualitas CPO yang dihasilkan. Pengembangan sistem dinamik penilaian risiko mutu CPO dalam pabrik dalam rangka meningkatkan kemampuan manajemen melihat perilaku dinamik yang mempengaruhi keragaman mutu CPO dalam pasokan di masa mendatang dengan

19

bantuan simulasi komputer. Simulasi membantu melihat efektifitas rumusan kebijakan sebelum rumusan tersebut diujicobakan dalam kondisi yang sesungguhnya. Skema kerangka pemikiran digambarkan seperti pada Gambar 12.

Gambar 12. Kerangka pemikiran penelitian

B.

TAHAPAN PEMODELAN SISTEM DINAMIK

Tahapan pemodelan SD dalam penelitian ini mengacu model tahapan yang dikembangkan oleh Sterman (2000). Penulis menguraikan tahapan pemodelan menjadi dua bagian, yaitu aspek konseptual dan aspek teknis. Bagian konseptual merupakan masukan dari strukturisasi sistem yang telah difiltrasi. Alur pemodelan seperti ditunjukkan pada Gambar 13.

Gambar 13. Alur tahapan pemodelan

20

1.

Pemilihan Tema dan Identifikasi Variabel Kunci Pemilihan tema dan penentuan variabel kunci merupakan bagian dari perumusan masalah penelitian. Tahap ini merupakan tahapan penting agar permasalahan yang dikaji dan batasan-batasan sistemnya jelas. Tema yang dipilih adalah penilaian risiko mutu minyak sawit kasar (CPO) dalam rantai pasokannya bertujuan untuk meningkatkan kualitas CPO pada bulan atau periode mendatang. Selanjutnya menentukan variabel kunci sebagai parameter utama penilaian perilaku dinamik yang mempengaruhi keragaman mutu CPO dalam hal yang dibahas adalah produksi CPO dan kadar asam lemak bebas (ALB) nya di PKS Adolina. 2.

Membangun Diagram Kausal dan Diagram Alir Perancangan konsep model dinamik berawal dari informasi historis atau pola hipotesis setiap variabel kunci untuk menggambarkan perilaku persoalan sebagai dasar rujukan. Dasar rujukan diwakili oleh pola perilaku suatu kumpulan variabel-variabel mencakup beberapa aspek yang berhubungan dengan perilaku persoalan. Pola perilaku rujukan membantu memperkuat hipotesis dinamis yang dinyatakan sebelumnya berdasarkan pengamatan dunia nyata, penelitian sebelumnya dan data-data yang terkait. Hipotesis dinamis adalah suatu pernyataan mengenai struktur baik yang dianggap memiliki kemampuan untuk mempengaruhi perilaku masalah. Membangun struktur model untuk memudahkan secara visual bagi pengguna model dalam memahami dan menangkap hipotesis dinamis yang dimaksud dengan menggunakan alat CLD. Struktur model dilanjutkan dengan membangun diagram alir dengan alat SFD sebagai bahasa bersama pemodelan SD. Penentuan variabel atau parameter yang akan dijadikan stock (akumulasi) dan flow (aliran yang dapat mengubah nilai stock). 3.

Formulasi Model Simulasi Tahap formulasi model simulasi menggunakan alat bantu program komputer Powersim. Model simulasi agar dapat dijalankan harus lengkap dengan persamaan matematis yang benar, parameter dan penentuan kondisi nilai awal. Evaluasi model menggunakan metode integrasi algoritma euler (fixed step) dan satuan waktunya (time step) satu dan beberapa kondisi 30 da (hari). Metode integrasi euler adalah metode standar untuk komponen baru yang melaksanakan satu langkah pada setiap time step. Powersim pertama kali menghitung nilai awal untuk mengukur stock dan aliran sebuah flow. Kemudian flow digunakan untuk memperbaharui stock tersebut. Nilai baru stock digunakan kembali untuk menghitung dan seterusnya seiring dengan perubahan waktu secara berulang-ulang.

4.

Verifikasi dan Validasi Model Verifikasi model adalah pembuktian bahwa model komputer yang telah disusun pada tahap sebelumnya mampu melakukan simulasi dari model abstrak yang dikaji (Eriyatno, 2003). Dalam pengertian lain, verifikasi adalah sebuah proses untuk meyakinkan bahwa program komputer yang dibuat beserta penerapannya benar. Cara yang dilakukan adalah menguji sejauh mana program komputer yang dibuat telah menunjukkan perilaku dan respon yang sesuai dengan tujuan dari model. Validasi adalah usaha penyimpulan apakah model sistem tersebut merupakan perwakilan yang sah dari realitas yang dikaji, sehingga dapat menghasilkan kesimpulan yang meyakinkan. Dalam pengertian lain, validasi adalah substansi bahwa model yang dikomputerisasikan dalam lingkup aplikasinya memiliki kisaran akurasi yang memuaskan dan konsisten dengan maksud dari penerapan model. Dalam proses pemodelan validasi dan verifikasi dilakukan untuk setiap tahap

21

pemodelan yaitu validasi terhadap model konseptual, verifikasi terhadap model komputer dan validasi operasional serta validitas data. Teknik validasi yang digunakan pada studi ini meliputi validasi struktur dilihat dari bangunan teori dan perilaku reproduksi. Validasi kinerja dilakukan dengan melihat kinerja keluaran model dengan keluaran model dunia nyata dengan uji kondisi ekstrim, pemeriksaan konsistensi unit analisis dan pemeriksaan konsistensi data secara statistik (Muhammadi et.al, 2001). Uji validitas teoritis artinya bahwa model yang dibangun valid karena didukung teori yang diadopsi. Uji kondisi ekstrim yaitu pengujian terhadap salah satu variabel yang dirubah nilainya secara ekstrim. Pemeriksaan konsistensi unit analisis keseluruhan interaksi dari unsur-unsur yang menyusun sistem dengan memeriksa persamaan Powersim. Pemeriksaan konsistensi keluaran model untuk mengetahui sejauhmana kinerja model sesuai dengan kinerja sistem aslinya, Prosedurnya dengan mengeluarkan nilai hasil simulasi variabel utama dengan membandingkannya dengan pola perilaku data aktual. Uji statistik dilakukan setelah secara visual meyakinkan dengan mengecek nilai error antara data simulasi dan data aktual dalam batas deviasi yang diperkenankan antara 5-10%. Ukuran relatif untuk menentukan nilai mean error dari nilai absolute percentage error (APE) yang didefinisikan dengan persamaan berikut (Makridakis et.al, 1991).

dengan n Xt Ft

= jumlah data observasi = nilai data aktual = nilai data simulasi

5.

Sensitivitas Sensitivitas berarti respon model terhadap stimulus yang ditujukan dengan perubahan atau kinerja model. Tujuan utama analisis ini adalah untuk mengetahui variabel keputusan yang cukup penting (leverage point) untuk ditelaah lebih lanjut pada aplikasi model. Metode umum yang digunakan adalah skenario terbaik-terburuk (Sterman, 2000). Jenis uji sensitivitas yang dilakukan pada penelitian ini berupa intervensi fungsional. Intervensi fungsional, yaitu intervensi terhadap parameter tertentu atau kombinasinya. Intervensi ini setiap perubahan nilai parameter atau variabel (dinaikkan atau dikurangkan 10%) akan memperlihatkan kinerja model yang berbeda terhadap nilai parameter utama. 6.

Skenario Kebijakan Kebijakan adalah aturan umum bagaimana status keputusan dibuat berdasar pada informasi yang tersedia. Setiap kebijakan memiliki empat komponen yaitu kondisi saat ini (aktual) dan yang diinginkan, kecepatan tanggapan dan tindakan perbaikan (Forrester, 1961 dalam Lyneis, 1980). Kecepatan tanggap dalam studi ini menggunakan matrik yang terdiri dari tiga pilihan pengaturan parameter atau analisis sensitivitas, yaitu agresif, moderat dan lambat (Lyneis, 1980). Rentang waktu yang digunakan adalah periode lima bulan (Mei - September 2011). Rentangan selama lima bulan merupakan rujukan yang digunakan manajemen PKS Adolina untuk bahan proyeksi kebijakan (RKAP) setelah mengevaluasi risiko mutu CPO selama enam belas bulan sebelumnya (Januari 2010April 2011).

22

C.

TATA LAKSANA

1. Pengumpulan Data Pengumpulan data meliputi data kuantitatif dan kualitatif dalam bentuk data sekunder maupun data primer. Akuisisi pengetahuan untuk mendapatkan data kualitatif melalui teknik wawancara mendalam (depth interview). Pedoman wawancara dan kuesioner mengacu pada model ERM - IFAT (Enterprise Risk Management – Integrated Framework and Application Techniques) yang dikembangkan oleh COSO of United States (2004). Responden wawancara dan kuesioner ini merupakan staf dan karyawan PKS Adolina bidang Pengolahan dan Teknik, staf dan karyawan PKS Adolina bidang Tanaman serta Dr. Donald Siahaan beserta staf dalam Pusat Penelitian Kelapa Sawit bidang PAHAM. Pengamatan langsung (observasi) dan dokumentasi bisnis juga dilakukan untuk mendukung hasil wawancara. Ketiga teknik pengumpulan data ini diupayakan dapat menggali kekayaan informasi kualitatif untuk membentuk basis data mental atau peta kognitif pemodel. Data kuantitatif berupa data sekunder untuk mengestimasi nilai paramater yang diperoleh dari laporan manajemen perusahaan dalam periode waktu tertentu untuk menggambarkan pola perilaku suatu variabel yang diamati pada industri CPO. Data yang tidak tersedia, pemodel mengestimasinya melalui informasi kualitatif dan kuantitatif yang diperoleh dari wawancara manajemen dan tinjauan pustaka (artikel,jurnal ilmiah, buku acuan dan internet).

2. Pengolahan Data Analisis model dinamik menggunakan analisis simulasi sistem dinamik yang diolah dengan menggunakan perangkat lunak Powersim Studio 2005. Analisis sebaran data parameter menggunakan uji distribusi probabilitas yang diolah dengan perangkat lunak StatFit. Estimasi nilai parameter menggunakan plot data analisis regresi dan fungsi-fungsi statistik diolah dengan perangkat lunak Minitab 14, serta Microsoft Excel untuk mengolah beragam fungsi aritmatika dasar.

3. Tempat Dan Waktu Penelitian Dalam penelitian ini ditentukan batasan sistem yang dikaji (system boundary), yaitu sistem manajemen risiko dalam rantai pasokan pada industri CPO yang beroperasi di Sumatera Utara. Industri CPO yang dikaji merupakan pelaku yang dianggap memiliki kredibilitas sebagai best practices dalam usahanya dalam meminimumkan risiko penurunan mutu dalam produk sawit yang dihasilkan, yaitu PT. Perkebunan Nusantara IV Unit Usaha Adolina. Lingkup jenis produk yang diamati adalah minyak sawit kasar (CPO). Hal tersebut ditentukan berdasarkan kompetensi bisnis dan produk utama yang dikembangkan oleh perusahaan tersebut. Pengambilan data-data pendukung penelitian juga diperoleh dari Pusat Penelitian Kelapa Sawit (PPKS) Medan. Penelitian ini dilakukan pada periode April sampai dengan Juni 2011.

23

IV. GAMBARAN UMUM PERUSAHAAN

A.

SEJARAH PERUSAHAAN

Pabrik Kelapa Sawit Unit Usaha Adolina didirikan oleh Pemerintah Belanda sejak tahun 1926 dengan nama “NV Cultuur Maatschappy Onderneming (NV CMO)” yang bergerak dalam budidaya tembakau. Pada tahun 1938 budidaya tembakau dirubah menjadi kelapa sawit dan karet dengan nama “NV Serdang Cultuur Maatschappy (SCM)”. Sejak tahun 1973, budidaya karet diganti menjadi kakao, sedangkan kelapa sawit tetap dipertahankan. Pada tahun 1942, PKS Adolina diambil alih oleh pemerintah Jepang dan diambil kembali oleh pemerintah Belanda pada tahun 1946 dengan nama tetap “NV SCM”. Pada tahun 1958, perusahaan ini diambil alih oleh pemerintah Republik Indonesia dengan nama Perusahaan Perkebunan Negara (PPN). Nama PPN diganti menjadi PPN baru SUMUT V tahun 1960. Pada tahun 1963 PPN Baru SUMUT V dipisah menjadi dua kesatuan yaitu: 1. 2.

PPN Karet III Kebun Adolina Hulu, Kantor Kesatuan di Pabatu. PPN Aneka Tanaman II Kebun Adolina Hilir, Kantor Kesatuan di Pabatu. Pada tahun 1968 PPN Antan II diganti menjadi PNP VI, dengan penggabungan kembali PPN Karet III Kebun Adolina Hulu dengan PPN Aneka Tanaman II Kebun Adolina Hilir, lalu pada tahun 1978 PNP VI diubah menjadi bentuk Persero dengan nama PT Perkebunan VI (Persero). Tahun 1994 PTP VI, PTP VII, dan PTP VIII digabung dan dipimpin oleh Direktur Utama PTP VII. Sejak tanggal 11 Maret 1996 sampai dengan saat ini gabungan PTP VI, PTP VII, dan PTP VIII diberi nama PT Perkebunan Nusantara IV (Persero). Unit usaha Adolina merupakan salah satu unit usaha dari PT Perkebunan Nusantara IV (Persero) dan merupakan Badan Usaha Milik Negara (BUMN).

B.

LETAK GEOGRAFIS

Peta lokasi geografis PT. Perkebunan Nusantara IV Unit Adolina seperti disajikan pada Gambar 14. PKS Unit Adolina

Gambar 14. Peta lokasi geografis PKS Adolina

24

Sesuai surat keputusan Direksi PT Perkebunan Nusantara IV (Persero) Nomor: 04.13/Kpts/org/93/XII/1998 tanggal 17 Desember 1998 memutuskan terhitung mulai tanggal 1 Januari 1999 melebur Kebun Bangun Purba dan merubah statusnya menjadi Afdeling Unit Kebun Adolina. Unit Kebun Adolina berada di Kabupaten Serdang Bedagai tepatnya di pinggiran jalan raya Medan – Pematang Siantar dengan jarak ± 38 km dari kota Medan. Dikelilingi oleh 21 desa, berada di enam Kecamatan yaitu, Perbaungan, Pantai Cermin, Pegajahan (berada di Kabupaten Serdang Bedagai), Galang, Bangun Purba dan STM Hilir, dengan ketinggian ± 15 meter di atas permukaan laut.

C.

LUAS AREAL PRODUKSI

Luas areal HGU Unit Usaha Adolina seluas 8.965,69 Ha, dibagi menjadi 3 bagian yaitu kelapa sawit = 8.344 Ha, Kakao = 150 Ha, dan lain – lain = 471,69 Ha (emplasmen, pondok,bibitan, pabrik, dll). Sesuai Surat Keputusan Direksi Nomor: 04.12/Kpts/71/XII/2009 tentang rasionalisasi areal, Unit Usaha Adolina dari 14 afdeling dibagi menjadi 9 (Sembilan) afdeling, yaitu 9 afdeling yang hanya terdiri dari tanaman kelapa sawit. Produksi tandan buah segar (TBS) kelapa sawit diolah di Pabrik Kelapa Sawit (PKS) yang dimiliki oleh Unit Usaha Adolina sendiri. PKS ini didirikan pada tahun 1956 dan direnovasi pada tahun 2000. Realisasi produksi pada tahun 2010 untuk kelapa sawit (TBS) = 133.920,200 ton. Dengan capaian rendemen minyak sawit 24,17 % dan inti sawit 5,11%.

D.

STRUKTUR ORGANISASI

Diagram struktur organisasi perusahaan terdapat pada Lampiran 1. Tugas dan tanggung jawab setiap anggota adalah sebagai berikut : 1. Manajer Unit a. Memimpin dan mengelola seluruh sektor produksi dan pemakaian biaya yang ada di perusahaan berpedoman kepada kebijakan perusahaan. b. Menyusun dan melaksanakan kebijakan umum kebun, sesuai dengan pedoman dan instruksi kerja direksi. c. Mengkoordinir penyusunan anggaran belanja tahunan perkebunan. d. Menjaga rahasia perkebunan. e. Bertanggung jawab kepada pimpinan perusahaan. 2. Kepala Dinas Tanaman Kepala Dinas Tanaman merupakan wakil Manajer Unit dalam pengelolaan di bidang tanaman yang dibantu oleh Asisten Tanaman. a. Membuat dan menyusun rencana kerja tahunan atau bulanan yang meliputi target produksi tandan tahunan dan bulanan. b. Rencana panen, pemeliharaan, rehabilitasi dan lain–lain. c. Rencana penyediaan tenaga kerja bagi jenis pekerjaan di tiap–tiap afdeling. d. Rencana penyediaan alat, pupuk obat, dan pemberantas hama. e. Bertanggung jawab kepada Manajer Unit. f. Mengkoordinasi kerja Asisten Tanaman. 3. Kepala Dinas Teknik & Pengolahan Kepala Dinas Teknik dan Pengolahan merupakan wakil Manajer Unit dalam pengelolaan di bidang teknik yang dibantu oleh Asisten Teknik dan Pengolahan. a. Mengkoordinasi kerja Asisten Teknik dan Pengolahan.

25

b.

Menyusun dan merencanakan segala kegiatan di bidang teknik, bagian pengolahan dan laboratorium. c. Menyusun perencanaan penyediaan bahan–bahan untuk bagian teknik pengolahan. d. Bertanggung jawab terhadap Manajer Unit. 4. Kepala Dinas Tata Usaha Kepala Dinas Tata Usaha merupakan wakil Manajer Unit dalam bidang administrasi yang dibantu oleh Asisten Administrasi atau Asisten Tata Usaha. a. Mengkoordinir segala kegiatan di bidang administrasi. b. Mengkoordinir segala pembayaran dan penyediaan barang–barang. c. Menyusun rencana anggaran belanja tahunan. d. Menyusun daftar gaji, memeriksa dan meneliti keluar masuknya barang dari gudang. e. Bertanggung jawab kepada Manajer Unit. 5. Asisten SDM dan Umum Asisten SDM dan Umum merupakan wakil Manajer Unit dalam bidang pengelolaan SDM dan penerimaan tenaga kerja. a. Melakukan pengawasan dan penerimaan tenaga kerja berpedoman kepada standar yang ditetapkan direksi. b. Mengkoordinir kegiatan dalam meningkatkan kesejahteraan karyawan. c. Menjaga hubungan baik dan kekeluargaan antar karyawan. d. Menjaga hubungan baik dengan semua pihak di dalam dan di luar perusahaan. e. Bertanggung jawab kepada Manajer Unit. 6. Perwira Pengaman (Pa Pam) Perwira pengaman (Pa Pam) membantu Manajer Unit dengan memimpin bagian pengamanan dibantu satuan keamanan. a. Mengkoordinir segala kegiatan penjagaan keamanan dan ketertiban pabrik dan perkebunan. b. Menjaga keamanan informasi dan investasi perusahaan. c. Mengatur dan memberikan instruksi kepada satuan keamanan pabrik dan perkebunan. d. Bertanggung jawab kepada Manajer Unit. 7. Asisten Afdeling Asisten Afdeling membantu Kepala Dinas Tanaman dengan memimpin kegiatan di afdeling dibantu oleh mandor dan krani. a. Memimpin segala kegiatan di afdeling sesuai dengan petunjuk Kepala Dinas Tanaman dan Manajer Unit. b. Mengawasi produksi hasil panen di lapangan. c. Bertanggung jawab kepada Kepala Dinas Tanaman. 8. Asisten Teknik dan Pengolahan Asisten Pengolahan membantu Kepala Dinas Pengolahan dengan mengawasi segala kegiatan di bidang pengolahan bahan baku dan memimpin segala kegiatan di bengkel umum yang dibantu dengan mandor. a. Memimpin segala kegiatan di pabrik sesuai dengan petunjuk Kepala Dinas Pengolahan dan Manajer Unit. b. Mengawasi kelancaran jalannya proses pengolahan bahan baku. c. Bertanggung jawab kepada Kepala Dinas Teknik dan Pengolahan. 9. Asisten Teknik Sipil Asisten Teknik Sipil membantu Kepala Dinas Teknik dengan memimpin segala kegiatan transportasi dan tata letak pabrik yang dibantu oleh mandor.

26

a. Mengkoordinir pemakaian kendaraan bermotor/ traktor. b. Mengawasi pemeliharaan kendaraan bermotor/ traktor c. Mengawasi pemeliharaan bangunan kantor dan pabrik. d. Bertanggung jawab kepada Kepala Dinas Teknik. 10. Asisten Tata Usaha Asisten Tata Usaha membantu Kepala Dinas Tata Usaha dalam bidang tata usaha. a. Mengkoordinir segala kegiatan di bidang tata usaha dengan petunjuk Kepala Dinas Tata Usaha. b. Bertanggung jawab kepada Kepala Dinas Tata Usaha.

E.

KETENAGAKERJAAN & SISTEM MANAJEMEN KESELAMATAN DAN KESEHATAN KERJA (SMK 3)

Jumlah seluruh tenaga kerja di Unit usaha Adolina s/d Mei 2010 adalah berjumlah 1.642 orang, dengan 19 karyawan pimpinan, 1612 karyawan pelaksana dan 11 orang karyawan honor. Pengawasan pengendalian dan perlindungan Keselamatan dan Kesehatan Kerja PT Perkebunan Nusantara IV (Persero) menjamin terciptanya tempat kerja yang aman, efisien, produktif, dan efektif di seluruh bagian dan unit-unit usaha dengan memenuhi peraturan dan perundangundangan Keselamatan dan Kesehatan Kerja secara berkesinambungan dan terpelihara. Pengawasan, pegendalian, dan perlindungan Keselamatan dan Kesehatan Kerja dimaksud dilakukan dengan: 1. Meminimalisasi potensi bahaya dengan menjaga dan mempertahankan sistem pengawasan dan perawatan kesiapan, lingkungan, dan tata cara pelaksanaan kerja karyawan. 2. Memakai/ mempergunakan alat pelindung diri (APD) di lokasi kerja yang berpotensi menimbulkan kecelakaan dan penyakit akibat kerja. 3. Memastikan bahwa sistem manajemen K3 dipatuhi dan dilaksanakan sesuai kebijakan dan prosedur serta instruksi kerja yang telah ditetapkan.

F.

SISTEM MANAJEMEN MUTU (ISO 9001-2008) DAN SISTEM MANAJEMEN LINGKUNGAN (ISO 14001-2004)

Dalam upaya meningkatkan pengelolaan perusahaan ke arah yang lebih baik, maka manajemen PT Perkebunan Nusantara IV (Persero) memutuskan untuk menerapkan Sistem Manajemen dan Lingkungan secara terintegrasi. Tujuan penerapan ISO 9001-2008 dan ISO 14001-2004 adalah untuk memastikan tercapainya komitmen mutu dan lingkungan serta memberikan kepuasan kepada pihak – pihak yang berkepentingan dan di sisi lain tetap dapat memberikan manfaat bagi lingkungan. Sistem manajemen mutu dan lingkungan merupakan sistem manajemen perusahaan yang dipakai sebagai acuan bagi semua aspek kegiatan dan diterapkan mulai dari kegiatan penerimaan bahan baku, spare parts, proses pengolahan, penanganan limbah, kepuasan pelanggan, dan pengelolaan lingkungan.

27

G.

JAM KERJA

Jam kerja yang berlaku pada PT Perkebunan Nusantara IV Unit Adolina dibagi atas dua bagian, yaitu : a. Bagian Kantor Untuk bagian ini hanya ada 1 shift dengan 7 jam per hari dan 40 jam per minggu adalah sebagai berikut:  Hari Senin s/d Kamis Pukul 06.30 – 09.30 : kerja aktif Pukul 09.30 – 10.30 : istirahat Pukul 10.30 – 15.00 : kerja aktif 



Hari Jumat Pukul 06.30 – 09.30 Pukul 09.30 – 10.30 Pukul 10.30 – 12.00

: kerja aktif : istirahat : kerja aktif

Hari Sabtu Pukul 06.30 – 09.30 Pukul 09.30 – 10.30 Pukul 10.30 – 13.00

: kerja aktif : istirahat : kerja aktif

b. Bagian Pabrik Adapun jumlah operator yang dibutuhkan dalam satu shift seperti disajikan pada Tabel 2. Tabel 2. Jumlah pekerja dalam satu shift di PKS Unit Adolina No.

Stasiun

Jumlah Tenaga Kerja

Jumlah Shift

1 2 3 4

Penerimaan TBS Rebusan Thresher Hoisting Crane

4 8 1 2

2 2 2 2

5

Pressan

2

2

3 4 1 3 2 1 3 2

2 2 2 2 2 2 2 2

6 7 8

Klarifikasi Refericarfing & Kernel Boiler Operator Pembantu Operator 9 Kamar Mesin 10 Water Treatment 11 Laboratorium 12 Limbah Sumber: PKS Unit Adolina, 2010

Untuk bagian pabrik pekerja dibagi atas dua shift, yaitu :  Shift I (Pukul 06.30 – 14.30)  Shift II (Pukul 14.30 – bahan baku habis)

28

H.

SISTEM PENGUPAHAN

Pembagian upah/ gaji karyawan PT Perkebunan Nusantara IV Unit Adolina dilakukan 2 kali setiap bulannya yaitu Remisi II yang disebut sebagai gajian besar dan Remisi I yang biasa disebut dengan gajian kecil. Jumlah upah/ gaji yang diberikan kepada karyawan disesuaikan dengan golongan (I A s/d IV D). Selain gaji bulanan, karyawan juga mendapat upah lembur dihitung luar jam kerja ditambah dengan setiap karyawan juga mendapat 15 kg beras setiap kali gajian. Untuk meningkatkan kesejahteraan karyawan, perusahaan juga menyediakan fasilitas seperti: 

Perumahan untuk setiap karyawan pimpinan dan karyawan pelaksana yang berada di lokasi perkebunan disekitar pabrik.



Air dan listrik untuk keperluan rumah tangga.



Tunjangan keselamatan kerja, duka cita dan tunjangan hariannya.



Rumah sakit yang memberikan pelayanan kesehatan bagi karyawan.



Tempat penitipan bayi.



Sarana pendidikan/ sekolah gratis bagi anak karyawan.



Tempat ibadah disekitar perumahan karyawan.



Sarana olahraga.



Transportasi.

29

V. STRUKTURISASI SISTEM

A.

DESKRIPSI PENILAIAN RISIKO MUTU CPO

Sumber-sumber risiko penurunan mutu pada rantai pasok minyak sawit kasar dapat diidentifikasi berdasarkan tahapan-tahapan mulai dari panen sampai dengan penimbunan di tangki timbun pabrik. Setiap kegiatan rantai pasok mempunyai potensi risiko penurunan mutu tetapi mempunyai tingkat risiko yang berbeda-beda. Model yang nantinya dikembangkan ini akan mempelajari perilaku dinamik faktor-faktor yang menyebabkan keragaman mutu minyak sawit kasar yang dihasilkan. Mata rantai dari empat elemen utama rantai pasokan minyak sawit kasar, yaitu kegiatan pasca-panen, transportasi panen, pengolahan di pabrik dan penimbunan minyak sawit kasar di tangki timbun pabrik menjadi faktor utama penyebab keragaman mutu minyak sawit kasar. Kegiatan-kegiatan pokok ini akan dipandang dalam satu pandangan sistem yang terintegrasi yang perlu dikelola untuk mengurangi terjadinya risiko dalam aktivitasnya. 1. Kegiatan Pasca-panen Kegiatan pasca-panen dalam penelitian ini merupakan kegiatan yang dilakukan setelah proses pemotongan tandan buah segar di setiap areal panen sampai tandan buah segar tepat akan diangkut ke pabrik untuk diolah. Pasca-panen sebagai faktor risiko dapat dinilai berdasarkan beberapa aktivitas yang berpengaruh seperti cara panen, jumlah dan lokasi panen, keterampilan pekerja panenm lama penumpukan di Tempat Pengumpulan Hasil (TPH) dan pengawasan panen serta jumlah tandan buah segar restan dengan penjelasan sebagai berikut.  Cara panen adalah prosedur panen yang meliputi penentuan buah matang panen dan proses memanen buah dari pohon.  Jumlah panen adalah jumlah panen pada area yang ditetapkan untuk dipanen pada hari tertentu dan digilir sesuai dengan aturan panen yang digunakan perusahaan.  Keterampilan pekerja panen adalah kemampuan pekerja dalam melakukan panen sehingga tidak salah dalam memotong buah yang layak panen dan tidak menyebabkan luka pada buah.  Waktu penumpukan di TPH adalah waktu yang terjadi mulai dari tandan buah segar dipanen, ditumpuk pada TPH dan siap diangkut dengan truk. Tandan buah segar yang telah dipanen akan mengalami peningkatan kadar asam lemak bebas seiring dengan lama waktu menunggu sebelum di proses.  Pengawasan panen adalah kegiatan memantau kegiatan panen oleh pengawas sehingga proses panen dapat dilakukan dengan baik sesuai dengan prosedur baku.  Tandan buah segar (TBS) restan adalah buah yang telah dipanen dari pokok yang tidak langsung diolah (>1x24 jam) ke pabrik dalam kenyataannya di lapangan. 2. Kegiatan Transportasi Panen Merupakan proses pengangkutan seluruh hasil panen tandan buah segar ke dalam pabrik untuk diolah. Transportasi hasil panen tandan buah segar dari lokasi TPH ke pabrik dapat dipengaruhi oleh beberapa aktivitas dalam kaitannya terhadap penurunan mutu minyak sawit kasar yang dihasilkan yaitu kondisi jalan, ketersediaan truk dan trip, waktu angkut serta pemuatan dan pembongkaran dengan penjelasan sebagai berikut :

30

 Kondisi jalan di lokasi panen merupakan infrastruktur yang mempengaruhi kegiatan transportasi tandan buah segar hasil panen. Kondisi jalan yang kurang baik bisa menyebabkan goncangan buah di dalam truk yang bisa menimbulkan luka akibat gesekan.  Ketersediaan truk dan trip adalah jumlah truk dan trip yang diperlukan untuk mendukung kegiatan transportasi tandan buah segar dari kebun ke pabrik. Jumlah truk dan trip yang tidak sesuai dengan kebutuhan akan memicu terjadinya penundaan transportasi dan berdampak pada peningkatan kadar asam lemak bebas tandan buah segar yang telah ditumpuk di TPH.  Waktu angkut adalah waktu yang dibutuhkan untuk mengangkut tandan buah segar dari lokasi menuju pabrik. Kapasitas truk angkut jumlah tandan buah segar hasil panen yang harus diangkut dan jarak tempuh menjadi penentu waktu angkut. Waktu angkut yang terlalu lama bisa memicu peningkatan kadar asam lemak bebas.  Pemuatan dan pembongkaran adalah kegiatan memuat tandan buah segar di TPH kedalam truk dan membongkarnya setelah sampai di pabrik pada loading ramp. Cara pemuatan dan pembongkaran bisa menimbulkan luka pada tandan buah segar bila dilakukan dengan kurang baik dan situasi yang tidak kondusif. 3. Kegiatan Pengolahan di Pabrik Pengolahan minyak sawit kasar adalah kegiatan melakukan proses pengolahan tandan buah segar yang diterima di pabrik. Aktivitas – aktivitas yang berpengaruh terhadap risiko penurunan kualitas minyak sawit kasar pada pengolahan adalah sortasi tandan buah segar, penumpukan sementara di loading ramp, proses perebusan, proses pengepresan dan proses pemurnian. Penjelasan dari aktivitas penentu faktor risiko ini sebagai berikut :  Sortasi tandan buah segar yang masuk ke pabrik merupakan kegiatan memeriksa kondisi buah dari berbagai aspek khususnya apakah buah tersebut sudah layak panen atau belum. Sortasi dilakukan secara acak dari setiap truk yang masuk ke pabrik. Teknik sampling ini berpotensi menimbulkan risiko karena bisa saja sebagian buah yang tidak layak panen. Sortasi juga dilakukan untuk memeriksa kadar asam lemak bebas awal dari buah sehingga diketahui kelayakan buah untuk diproses selanjutnya atau tidak.  Penumpukan sementara di loading ramp merupakan penundaan proses karena keterbatasan kapasitas proses perebusan. Lama penumpukan dapat meningkatkan kadar asam lemak bebas. Pengelolaan tandan buah segar di loading ramp juga punya dampak terhadap terjadinya luka pada buah pada saat proses pengaturan oleh peralatan pemuatan ke lori.  Proses perebusan bertujuan untuk menghentikan perkembangan asam lemak bebas dan memudahkan proses penebahan buah. Proses perebusan dipengaruhi oleh penetapan besaran tekanan uap dan waktu perebusan. Mutu hasil rebusan juga akan dipengaruhi oleh kondisi peralatan.  Proses penebahan adalah proses pelepasan buah dari tandannya menggunakan trasher. Kemampuan peralatan akan memberi pengaruh terhadap mutu buah yang telah dilepas.  Proses pengempaan adalah proses pemisahan minyak sawit kasar dari daging buah menggunakan double screw press.  Proses pemurnian adalah memisahkan kotoran baik berupa padatan lumpur maupun air sehingga memenuhi standar mutu.

31

4. Kegiatan Penimbunan di Tangki Timbun Pabrik Hasil pengolahan minyak sawit kasar akan disimpan dalam tangki timbun. Faktor risiko penyimpanan dalam tangki timbun di pabrik ditentukan dari peubah penentu faktor risiko seperti lama penyimpanan, jumlah produk yang disimpan dan kondisi tangki timbun. Penjelasan dari peubah penentu ini sebagai berikut :  Lama penyimpanan adalah waktu rata-rata dari sejumlah minyak sawit kasar yang disimpan dalam tangki timbun. Lama penyimpanan bergantung pada jumlah produksi minyak sawit kasar dan jumlah pengiriman ke pelabuhan.  Jumlah penimbunan adalah volume rata-rata minyak sawit kasar yang disimpan dalam tangki timbun. Jumlah penyimpanan ini juga berhubungan dengan jumlah produksi dan pengiriman ke pelabuhan.  Kondisi tangki timbun adalah keseluruhan fasilitas tangki timbun untuk kegiatan penyimpanan minyak sawit kasar.

B.

KETERKAITAN UKURAN KESUKSESAN KINERJA

Berdasarkan wawancara dengan manajemen perusahaan dan observasi langsung ke lapangan diperoleh keterkaitan antar entitas rantai pasokan minyak sawit kasar yang tidak dapat dilihat secara parsial atau tidak dapat dianalisis secara stand alone atau independent. Keempat mata rantai pasok dari elemen rantai pasokan CPO tersebut merupakan suatu kejadian (events) dimana aliran bahan dari awal sangat menentukan dalam kesuksesan aliran bahan berikutnya hingga menjadi produk akhir. Ukuran kesuksesan kegiatan pasca-panen adalah bahwa pihak tanaman dapat melakukan panen bersih dan juga mampu mencegah atau meminimalisir jumlah TBS yang restan dan juga meminimumkan waktu tumpuk sementara di tempat pengumpulan hasil (TPH). Istilah panen bersih mengacu kepada pemanenan buah yang termasuk dalam kriteria matang panen (sehingga dapat mencegah fraksi buah mentah dipanen) sesuai dengan standar prosedur operasi yang telah ditetapkan perusahaan. Kemudian bagian tanaman harus dapat memprakirakan hasil panen agar tidak ditemui TBS yang restan sebagai akibat dari disfungsi-nya kinerja peramalan produksi oleh manajemen yang nantinya berpengaruh terhadap ketersediaan sarana angkut, efisiensi kapasitas olah pabrik dan juga kadar ALB minyak sawit kasar yang akan dihasilkan. Sebab setiap 60 menit tandan buah segar yang telah dipanen, kadar ALB di dalamnya akan meningkat sebesar 2,27% (Kandiah et.al, 2002 dalam Hadiguna, 2010). Ukuran kesuksesan kegiatan transportasi tandan buah segar adalah penjaminan bahwa seluruh hasil panen dapat terangkut ke pabrik melalui pengoptimalan jumlah trip dan truk yang ada serta fungsi waktu angkut dari tiap lokasi panen (afdeling) ke pabrik. Kondisi jalan dan infrastruktur juga akan mempengaruhi ukuran kesuksesan dalam kegiatan transportasi, karena infrastuktur jalan yang tidak baik akan meningkatkan derajat luka buah selama proses pengangkutan, yang akan mengakibatkan meningkatnya kinerja enzim lipase pada buah sehingga meningkatkan kadar asam lemak bebas-nya. Ketersediaan sarana angkut juga akan berhubungan dengan jumlah TBS restan. Jika kebutuhan aktual truk melebihi ketersediaan truk yang ada, maka akan mengakibatkan didapatnya TBS yang tidak diangkut ke pabrik. Hal ini merupakan kondisi nyata apa yang terjadi di lapangan, jumlah TBS yang tidak dapat diangkut terus terakumulasi sehingga dapat melebihi batas waktu 1x24 jam yang tentunya akan berakibat pada kenaikan drastis kadar asam lemak bebas dalam buah tersebut.

32

Ukuran kesuksesan kegiatan pengolahan di pabrik dipengaruhi oleh kegiatan prapengolahan seperti sortasi tandan buah segar dan waktu penumpukan di loading ramp, stagnasi mesin atau peralatan dan tingkat efisiensi penggunaan utilitas pabrik. Indikator dari pemanfaatan utilitas pabrik ini dilihat dari efisiensi kempa, efisiensi rebusan, efisiensi pabrik dan efisiensi ekstraksi minyak. Apabila kelima indikator itu nilainya berada diatas 90%, maka sudah dianggap pemakaiannya optimal. Ukuran kesuksesan kegiatan penimbunan atau penyimpanan CPO lebih kearah pengoptimalan persediaan CPO yang ada di tangki timbun pabrik. Jumlah pengiriman ke konsumen dipengaruhi oleh tingkat persediaan yang ada di dalam pabrik. Tingkat persediaan di pabrik diharapkan minimal tetapi tetap dapat mengakomodir fluktuasi permintaan dari konsumen. Dari keempat ukuran kesuksesan dari mata rantai dari elemen rantai pasok CPO tersebut, maka didapat suatu generalisir bahwa parameter utama dari penilaian risiko mutu dalam rantai pasokan CPO adalah produksi CPO dan kadar ALB dari CPO yang dihasilkan. Kedua ukuran kesuksesan tiap mata rantai pasok ini juga merupakan ukuran kesuksesan manajemen PKS Unit Adolina dimana kedua parameter utama tersebut merupakan indikator utama performa pabrik. Keterkaitan ukuran kinerja tiap mata rantai elemen rantai pasok dengan ukuran kesuksesan kinerja manajemen PKS Unit Adolina digambarkan seperti pada Gambar 15.

Efisiensi utilitas pabrik dan pengolahan

Optimalisasi penjadwalan transportasi

Produksi CPO dan kadar ALB

Hasil panen kebun

Optimalisasi persediaan CPO

Gambar 15. Keterkaitan ukuran kesuksesan kinerja PKS Unit Adolina

33

VI. PERANCANGAN MODEL DINAMIK

A.

POLA PERILAKU RUJUKAN

Pola perilaku rujukan merupakan penggambaran data masa lalu secara deskriptif dengan grafik yang menunjukkan permasalahan dari waktu ke waktu. Pola perilaku rujukan variabel kunci pada penelitian ini adalah kadar asam lemak bebas (ALB) dan jumlah truk. Pola perilaku rujukan kinerja kadar ALB dengan kinerja jumlah truk yang dibutuhkan menunjukkan perilaku umpan balik positif atau menguatkan. Kadar asam lemak bebas (ALB) merupakan kadar ALB yang terkandung dalam minyak sawit kasar yang diproduksi periode bulan Januari 2010 sampai April 2011 (Gambar 16a). Kadar ALB tersebut ditentukan oleh derajat kriteria panen tandan buah segar dan jumlah tbs restan. Pada bulan Januari 2010 kadar ALB mencapai angka 4,08%, nilai ini berfluktuasi tiap bulannya. Tercatat, kadar ALB yang paling rendah terjadi pada bulan April 2010 sebesar 3,58%. Kinerja derajat kriteria panen sebagai faktor yang berhubungan langsung terhadap nilai kadar ALB itu sendiri pada bulan Januari 2010 fraksi matang mencapai angka 97,79 % dengan fraksi mentah sebesar 0,67% dan pada bulan April 2011 fraksi matang dan fraksi mentahnya berturut-turut 98,56% dan 0,12% (Gambar 16b).

4,75

Kadar ALB (%)

4,50 4,25 4,00 3,75 3,50

F

10 20 ri ua r eb

10 20 ril Ap

10 20 ni Ju

s tu us Ag

10 20

r be to Ok

10 20 s De

r be em

10 20 F

i ar ru eb

11 20

11 20 ril Ap

Bulan

(a) 0,7

99,5

99,0

0,5 0,4

98,5

0,3 0,2

98,0

Fraksi 00 (%)

Fraksi Matang (%)

0,6

0,1 97,5

Fe

r ua br

0,0 i

10 20

r il Ap

10 20

ni Ju

10 20

s tu us Ag

10 20

er ob kt O

Bulan

10 20 m se De

r be

10 20 Fe

r ua br

i

11 20

r il Ap

11 20 Variable Fraksi 00 Fraksi Matang

(b) Gambar 16. Dinamika (a) kadar ALB dan (b) derajat kematangan panen TBS

34

Jumlah truk merupakan jumlah alat transportasi (truk) yang digunakan untuk mengangkut seluruh hasil panen dari afdeling ke pabrik untuk diolah. Nilai dari jumlah truk ditentukan berdasarkan jumlah TBS panen (taksasi panen) untuk masing-masing afdeling, jarak tempuh dari afdeling ke pabrik dan kapasitas truk angkut. Indikator kinerja kebutuhan truk adalah dengan jumlah truk yang tepat dapat mengangkut seluruh hasil panen TBS sehingga dapat mengurangi kenaikan kadar asam lemak bebas. Indikator kinerja kebutuhan truk yang negatif adalah apabila jumlah truk yang dibutuhkan kurang dibandingkan hasil panen TBS yang berimbas pada meningkatnya kadar asam lemak bebas pada minyak sawit kasar yang akan dihasilkan. Pada bulan Januari 2010 kebutuhan truk total mencapai angka 17 truk, sedangkan untuk waktu panen optimum, yaitu pada bulan Juli, Agustus dan Oktober dibutuhkan truk sebanyak 22 unit (Gambar 17).

22

Total Truk

21 20 19 18 17 0 10 10 10 10 10 10 10 10 10 10 10 01 20 20 20 20 20 20 20 20 20 20 20 i2 ri ri ei ni et ril ul us er er er er a a r u t p J M b b b b u J a A nu us to m m br M em Ja ve se Ag Ok Fe pt No De Se

Bulan

Gambar 17. Dinamika kebutuhan truk

B.

ASUMSI MODEL 1.

2.

3. 4. 5.

Beberapa asumsi yang digunakan pada model dinamik ini adalah sebagai berikut : Variabel luas lahan panen, produktivitas kebun, jam kerja truk per hari, hari olah, waktu koreksi inventori, jangkauan persediaan, TBS pembelian, waktu perubahan permintaan diharapkan, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB merupakan parameter yang didefinisikan pemakai model sesuai dengan rencana kebijakannya. Nilai perubahan parameter tersebut ditentukan berdasarkan acuan RKAP (rencana kerja anggaran perusahaan). Asumsi yang tercakup dalam RKAP mencakup potensi-potensi risiko keuangan, sosial, peraturan dan lain-lain. Kebutuhan truk memiliki pengaruh positif terhadap pencapaian kadar ALB pada minyak sawit kasar. Kinerja kebutuhan truk yang tepat dalam mengangkut hasil panen kebun akan mengurangi penundaan pengolahan terhadap TBS sehingga dapat mengurangi kenaikan asam lemak bebasnya. Nilai asam lemak bebas merupakan fungsi dari derajat kriteria panen TBS, persentase TBS restan dan kenaikan ALB di dalam pabrik serta kecukupan truk. Korelasi antara responses dan predictor yang digunakan untuk membangun sub-model yang akan dibahas dijabarkan melalui regresi baik linear maupun polinomial. Data-data yang perlu dalam membangun dan mengintegrasikan sub-model akan dikembangkan dan diramalkan dengan metode Triple Exponential Smoothing (dimana memberikan nilai galat terendah) apabila sub-model membutuhkan data tambahan.

35

C.

DIAGRAM KAUSAL MODEL PENILAIAN RISIKO MUTU PKS ADOLINA

Peta model mental penilaian risiko mutu PKS Adolina terdiri dari keterkaitan sub-model produksi, sub-model persediaan dan sub-model transportasi (Gambar 18). Pola perilaku sistemnya adalah pola pertumbuhan eksponensial. Secara detail, diagram kausal sebab akibat penilaian risiko mutu PKS Adolina terdiri dari dua simpal, yaitu simpal penguatan (R1) dan simpal keseimbangan (B1) (Gambar 19). Simpal penguatan R1, artinya jika panen TBS meningkat, maka pasokan TBS untuk disuplai ke pabrik dan juga kebutuhan akan armada transportasi pengangkut juga akan meningkat. Sejalan dengan meningkatnya pasokan TBS ke pabrik maka akan semakin banyak juga bahan baku untuk produksi CPO, sehingga produksinya akan meningkat. Dengan meningkatnya produksi CPO ini maka akan merangsang atau mempunyai pengaruh positif dalam penjualan CPO dan begitu seterusnya. Simpal keseimbangan dimulai dari ketersediaan truk dan derajat kematangan panen. Apabila ketersediaan truk kurang, maka waktu angkut, waktu tumpuk TBS di TPH serta jumlah TBS restan akan meningkat yang akan menurunkan kinerja produksi CPO. Tampak juga dalam infrastruktur jalan, jika infrastruktur jalan tersebut minimum (tidak layak) maka persentase luka pada TBS akan meningkat yang tentunya akan menurunkan kinerja produksi CPO.

+ + Panen TBS Transportasi TBS Pengiriman CPO

+ + +

Kadar ALB

Pasokan TBS

Kapasitas olah pabrik

+ +

+

+

Persediaan CPO di pabrik

+

Nilai rendemen

-

+ +

+ Proses Produksi CPO

Gambar 18. Peta model mental penilaian risiko mutu PKS Unit Adolina

36

Gambar 19. Diagram lingkar kausal penilaian risiko mutu PKS Unit Adolina

D.

MODEL DINAMIK PENILAIAN RISIKO MUTU PKS ADOLINA

Tahapan selanjutnya setelah pemetaan causal loop diagram, yang merupakan penggenerasi-an dari peta model mental, adalah pembuatan diagram alir model simulasi yang terdiri dari stock – flow. Stock atau akumulasi mencerminkan keadaan sistem dan sebagai pembangkit informasi, dimana aksi dan keputusan didasarkan padanya (Rohmatulloh, 2007). Identifikasi variabel stock model dinamik penilaian risiko mutu diuraikan pada Tabel 3. Tabel 3. Identifikasi stock model dinamik penilaian risiko mutu PKS Unit Adolina Stock

Kuantifikasi Jumlah pasokan TBS ke pabrik untuk diolah menjadi CPO Satuan: kg Akumulasi persediaan CPO yang ada di tangki timbun pabrik Satuan: kg Jumlah

trip

TBS

untuk

mengangkut seluruh hasil panen ke pabrik Satuan: trip Jumlah diyakini

produksi akan

CPO terjual

yang setiap

minggunya Satuan : kg

37

TBS RESTAN DIINGINKAN

skenario 2 Total pasokan TBS laju pasokan tbs

cpo

losis cpo

KONVERSI

laju produktivitas kebun skenario

tbs pembelian skenario 1

rendemen losis

kenaikan alb di pabrik

kadar alb

skenario 4 laju rendemen cpo skenario

produktivitas kebun

laju pesanan

persediaan diinginkan

pengaruh kriteria panen thd kadar albskenario 3 RENDEMEN CPO DIINGINKAN

kapasitas olah pabrik

PRODUKTIVITAS KEBUN DIINGINKAN

kehilangan tbs rkap produksi masuk kebun

pengiriman cpo Persediaan

rendemen cpo

luas lahan panen panen angkut

produksi cpo

WAKTU KOREKSI INVENTORY laju tbs restan skenario

tbs restan

JANGKAUAN PERSEDIAAN

jlh fraksi 00 panen

JUMLAH TRIP INISIASI

PENURUNAN laju pengaruh PENGARUH kriteria panenKRITERIA PANEN skenario THD KADAR ALB

jlh fraksi 0 panen

jlh fraksi matang panen

hari kerja olah

Permintaan diharapkan perubahan permintaan

DIINGINKAN

WAKTU PERUBAHAN PERMINTAAN DIHARAPKAN

Trip tbs jumlah trip aktual

jam kerja olah

hari olah rata-rata indeks hari olah

hari olah bulanan rata-rata

jumlah trip maksimal

jumlah trip per afdeling

produksi tbs harian

indeks bulan produksi tbs ratarata produksi tbs hari olah bulanan rata-rata bulanan rata-rata

jumlah truk diperlukan

jumlah trip maksimal per afdeling

KAPASITAS ALAT ANGKUT

produksi tbs bulanan rata-rata

total jumlah truk diperlukan

pengaruh jumlah truk terhadap kenaikan kadar alb JAM KERJA TRUK PER HARI

jumlah truk diinginkan waktu siklus transportasi

kecukupan truk

JARAK AFDELING

WAKTU LOADING WAKTU UNLOADING

WAKTU ANTRI PENIMBANGAN

KECEPATAN TRUK

Gambar 20. Model dinamik penilaian risiko mutu PKS Unit Adolina

38

1. Diagram Alir Sub-Model Produksi Diagram alir sub-model produksi mempunyai satu susunan stock-flow diagram (SFD), yaitu akumulasi total pasokan TBS. Struktur diagram alir proses produksi dipengaruhi oleh satu aliran masuk laju pasokan TBS dan dua aliran keluar, yaitu CPO dan losis CPO. Struktur diagram alir kadar asam lemak bebas (ALB) dipengaruhi oleh derajat kematangan panen buah (fraksi 0 panen, fraksi 00 panen, fraksi matang panen), TBS restan dan kenaikan ALB di pabrik akibat pengolahan. Struktur diagram alir kapasitas olah terpasang pabrik dipengaruhi oleh jam kerja olah dan hari kerja olah. Struktur diagram alir panen angkut dipengaruhi oleh luas lahan panen dan juga produktivitas kebun serta kehilangan TBS yang terkumpul dari kebun hingga ke pabrik (Gambar 21).

TBS RESTAN DIINGINKAN

skenario 2 Total pasokan TBS laju pasokan tbs

tbs restan

cpo

losis cpo

laju tbs restan skenario rendemen cpo

luas lahan panen

laju produktivitas kebun skenario

tbs pembelian skenario 1

kadar alb

KONVERSI panen angkut rendemen losis

kenaikan alb di pabrik

skenario 4 laju rendemen cpo skenario

produktivitas kebun

pengaruh kriteria panen thd kadar albskenario 3 kapasitas olah pabrik

PRODUKTIVITAS KEBUN DIINGINKAN

RENDEMEN CPO DIINGINKAN

jlh fraksi 00 panen PENURUNAN laju pengaruh PENGARUH kriteria panen KRITERIA PANEN skenario THD KADAR ALB jlh fraksi matang DIINGINKAN panen

jlh fraksi 0 panen kehilangan tbs rkap produksi masuk kebun

hari kerja olah

jam kerja olah

Gambar 21. Diagram alir sub-model produksi Variabel total pasokan TBS merupakan fungsi integral dari aliran masuk laju pasokan TBS dikurangi jumlah aliran ke luar produk yang dihasilkan, yaitu CPO dan losis CPO. Persamaan variabel pada sub-model produksi diuraikan sebagai berikut : 

Total pasokan tbs (t) = total pasokan tbs (t-1) + (laju pasokan tbs (t) – (cpo (t) + losis cpo (t) ) dimana : - Total pasokan TBS adalah akumulasi jumlah TBS total yang akan diolah menjadi produk akhir, yaitu CPO dan menghasilkan produk sampingan, yaitu losis CPO (kg). Nilai inisiasi total pasokan TBS pada t-1 sebesar 0 kg, karena dalam pengolahan CPO tidak memungkinkan adanya sisa pasokan TBS dari periode sebelumnya terkait dengan kualitas CPO yang akan dihasilkan. - Laju pasokan TBS adalah jumlah TBS yang masuk ke dalam pabrik untuk diolah menjadi CPO (kg).



cpo(t) = laju pasokan tbs (t) * rendemen cpo (t) dimana : - CPO merupakan jumlah minyak sawit kasar yang dihasilkan dari proses pengolahan (kg). - Rendemen CPO adalah fraksi konversi tandan buah segar menjadi minyak sawit kasar (persen).



losis cpo (t) = laju pasokan tbs (t) * rendemen losis (t) dimana :

39

-

Losis CPO adalah kehilangan CPO dalam proses pengolahan (kg). Rendemen losis CPO adalah fraksi konversi tandan buah segar menjadi minyak sawit kasar yang terendapkan dalam limbah (persen).



kapasitas olah pabrik (t) = (laju pasokan tbs (t) / hari kerja olah (t) ) / jam kerja olah (t) dimana : - Kapasitas olah berjalan pabrik dalam memproduksi minyak sawit kasar dan mempunyai nilai ≤ kapasitas terpasang pabrik (30 ton TBS/jam) (kg/jam). - Hari kerja olah adalah jumlah hari olah pabrik dalam satu bulan (hari kerja). - Jam kerja olah adalah jumlah jam olah pabrik harian rata-rata dalam satu bulan (jam kerja/hari kerja).



panen angkut (t) = luas lahan panen (t)* (produktivitas kebun (t) – kehilangan tbs masuk (t)) dimana : - Panen angkut adalah jumlah seluruh hasil panen tiap afdeling yang diangkut ke pabrik untuk diolah (kg). - Luas lahan panen adalah total luas tanaman menghasilkan milik sendiri yang menghasilkan TBS (hektar). Luas lahan menghasilkan untuk tahun 2010 adalah sebesar 5095 hektar, sedangkan pada tahun 2011 sebesar 5980 ha. - Produktivitas kebun total adalah jumlah TBS yang dihasilkan per kebun dimana nilainya berubah tiap periode penentuannya (kg/hektar). - Kehilangan TBS masuk merupakan jumlah kehilangan TBS yang terkumpul dari kebun hingga sampai di pabrik (kg).



pengaruh kriteria panen terhadap alb (t) = ((4,344-0,5736*jlh fraksi 00 panen (t) +1,6)*0,089 + (4,694-0,4097* jlh fraksi 0 panen (t) +1,6)*0,1059 + (-21,994+0,2653* jlh fraksi matang panen (t) +1,866)*0,1192)/100 dimana : - Pengaruh kriteria panen terhadap ALB adalah penurunan ukuran kinerja ALB yang dipengaruhi oleh derajat kematangan panen TBS ( fraksi 00,0 dan matang) (persen). Nilai estimasi persamaan dibuat berdasarkan plot data dengan asumsi data berbentuk kurva linier.



kadar alb (t) = (((-25,06+4,102* tbs restan (t) – 0,1831* tbs restan (t) ^2 + 0,002630* tbs restan (t) ^3 )*0,418725666/100) + kenaikan alb di pabrik (t) + pengaruh kriteria panen terhadap alb (t) + konversi *cpo (t) + pengaruh jumlah truk terhadap kenaikan kadar alb (t) dimana : -

-

Kadar ALB adalah nilai asam lemak bebas yang terkandung dalam minyak sawit kasar yang dihasilkan yang nilainya dipengaruhi oleh pengaruh kriteria panen, tingkat kenaikan alb dalam pabrik dan TBS restan (%). Nilai estimasi persamaan dibuat berdasarkan plot data dengan asumsi data berbentuk polinomial. Tingkat kenaikan ALB dalam pabrik adalah nilai kenaikan ALB yang didapat dari hasil pengolahan (persen). Hubungan dari minyak sawit kasar yang diproduksi dengan kadar alb yang dihasilkan digunakan dengan mengasumsikan kadar asam lemak bebas merupakan 0.0000000564 bagian dari minyak sawit kasar yang dihasilkan.

40

2. Diagram Alir Sub-Model Persediaan Diagram alir sub-model persediaan mempunyai dua susunan SFD (stock flow diagram) yaitu (1) akumulasi persediaan yang dipengaruhi oleh laju aliran masuk produksi CPO dan laju aliran keluar pengiriman CPO dan (2) akumulasi permintaan diharapkan yang dipengaruhi oleh laju aliran masuk perubahan permintaan diharapkan (Gambar 22). W AKTU KOREKSI INVENTORY

produksi cpo

pengiriman cpo Persediaan

laju pesanan

persediaan diinginkan

JANGKAUAN PERSEDIAAN

Permintaan diharapkan perubahan permintaan

W AKTU PERUBAHAN PERMINTAAN DIHARAPKAN

Gambar 22. Diagram alir sub-model persediaan Variabel persediaan merupakan fungsi integral dari aliran masuk, yaitu produksi CPO, dikurangi aliran keluar produk yang dihasilkan yaitu pengiriman CPO per minggu. Variabel permintaan diharapkan merupakan fungsi integral dari aliran masuk perubahan permintaan per minggunya. Persamaan variabel pada sub-model persediaan diuraikan sebagai berikut : 

Persediaan (t) = Persediaan (t-1) + (produksi cpo (t) – pengiriman cpo (t)) dimana : Persediaan merupakan jumlah persediaan CPO yang ada dalam tangki timbun pabrik (kg). Produksi CPO merupakan laju jumlah CPO yang dihasilkan dari pengolahan TBS per bulannya (kg). Pengiriman CPO merupakan laju penjualan CPO total ke konsumen per bulannya (kg).



Permintaan diharapkan (t) = Permintaan diharapkan (t-1) + perubahan permintaan diharapkan (t) dimana : Permintaan diharapkan adalah jumlah produksi CPO yang diyakini akan terjual selama setiap minggunya (kg). Perubahan permintaan diharapkan adalah selisih atau marjin dari permintaan diharapkan setiap minggunya (kg).



produksi cpo (t) = Permintaan diharapkan (t) + (persediaan diinginkan (t) – Persediaan (t))/waktu koreksi inventory dimana : Waktu koreksi inventory didefinisikan sebagai seperenam dari perbedaan atau selisih dari persediaan diinginkan dan persediaan aktual dikoreksi setiap minggu.

41

Nilai dari waktu koreksi inventory ini adalah 6 minggu. 

persediaan diinginkan (t) = jangkauan persediaan * permintaan diharapkan (t) dimana : - Jangkauan persediaan didefinisikan sebagai sampai berapa minggu permintaan diharapkan dapat dipenuhi oleh jumlah persediaan aktual. Nilai dari jangkauan persediaan ini berdasarkan data historis perusahaan yang telah ada adalah 0,5 minggu.



perubahan permintaan diharapkan (t) = (laju pesanan (t) – Permintaan diharapkan (t)) / waktu perubahan permintaan diharapkan dimana : - Laju pesanan adalah jumlah pesanan untuk dikirimkan ke konsumen dari persediaan yang ada per minggunya (kg). - Waktu perubahan ekspektasi permintaan adalah total waktu yang dibutuhkan untuk menyesuaikan permintaan yang diharapkan menjadi permintaan aktual. Nilai dari waktu perubahan permintaan diharapkan ini adalah 4 minggu.

3. Diagram Alir Sub-Model Transportasi Diagram alir sub-model transportasi mempunyai satu susunan SFD yaitu trip TBS. Struktur diagram alir trip TBS dipengaruhi laju aliran masuk jumlah trip aktual dan laju aliran keluar jumlah trip maksimal (Gambar 23).

JUMLAH TRIP INISIASI

Trip tbs jumlah trip aktual

hari olah rata-rata indeks hari olah

hari olah bulanan rata-rata

jumlah trip maksimal

jumlah trip per afdeling

produksi tbs harian

indeks bulan produksi tbs ratarata produksi tbs hari olah bulanan rata-rata bulanan rata-rata

jumlah truk diperlukan

jumlah trip maksimal per afdeling

KAPASITAS ALAT ANGKUT

produksi tbs bulanan rata-rata

total jumlah truk diperlukan

pengaruh jumlah truk terhadap kenaikan kadar alb JAM KERJA TRUK PER HARI

jumlah truk diinginkan waktu siklus transportasi

kecukupan truk

JARAK AFDELING

WAKTU LOADING WAKTU UNLOADING

WAKTU ANTRI PENIMBANGAN

KECEPATAN TRUK

Gambar 23. Diagram alir sub-model transportasi Variabel trip tbs merupakan fungsi integral dari aliran masuk jumlah trip aktual dikurangi aliran keluar jumlah trip maksimal. Persamaan variabel pada sub-model transportasi diuraikan sebagai berikut : 

Trip tbs (t) = Trip tbs (t-1) + (jumlah trip aktual (t) – jumlah trip maksimal (t)) dimana :

42

-

-

Trip TBS adalah akumulasi dari jumlah trip aktual dikurangi dengan jumlah trip maksimal (trip). Nilai dari trip inisiasi (awal) adalah 0 trip. Jumlah trip aktual adalah total jumlah trip yang dibutuhkan untuk mengangkut seluruh hasil panen kebun sendiri ke pabrik untuk diolah (trip). Nilai dari jumlah trip aktual dipengaruhi oleh jumlah trip per afdeling yang nilainya ditentukan oleh produksi tbs harian dan juga kapasitas alat angkut yang digunakan. Jumlah trip maksimal merupakan total jumlah trip maksimal yang dapat ditempuh oleh satu truk dalam satu hari kerja (trip). Nilai dari variabel ini dipengaruhi oleh jumlah trip maksimal per afdeling yang nilainya ditentukan oleh waktu siklus transportasi dan juga jam kerja truk perhari.



Jumlah trip per afdeling (t) = produksi tbs harian (t) / kapasitas alat angkut dimana : - Produksi TBS harian adalah jumlah TBS yang diproduksi tiap afdelingnya per hari (kg) - Kapasitas alat angkut didefinisikan sebagai jumlah muatan maksimal yang dimiliki oleh truk dalam rangka pengangkutan TBS ke pabrik. Nilai dari kapasitas alat angkut ini adalah 6000 kg.



jumlah trip maksimal per afdeling (t) = jam kerja truk perhari / waktu siklus transportasi (t) dimana : - Waktu siklus transportasi adalah total waktu yang dibutuhkan dalam satu siklus transportasi setiap afdeling. Nilai dari waktu siklus transportasi dipengaruhi oleh jarak dari afdeling ke pabrik, waktu loading dan unloading TBS, waktu antri penimbangan dan juga kecepatan truk (jam). - Jam kerja truk perhari adalah jam kerja truk pengangkut dalam satu hari kerja. Nilai dari konstanta ini adalah 8 jam/hari. - Nilai rata-rata kecepatan truk adalah 40 km/jam.



jumlah truk (t) = jumlah trip aktual (t) / jumlah trip maksimal per afdeling (t) dimana : - Nilai jumlah truk bersifat integer atau utuh tidak dalam bentuk desimal, sehingga nilai tersebut mengalami pembulatan ke atas (truk).



kecukupan truk(t) =

dimana : - Total jumlah truk diperlukan adalah jumlah truk yang diperlukan untuk mengangkut seluruh hasil panen dari seluruh afdeling untuk dibawa ke pabrik berdasarkan hasil perhitungan model (truk/hari). - Jumlah truk diinginkan adalah jumlah truk yang dikehendaki pengguna (user) (truk/hari). 

pengaruh jumlah truk terhadap kenaikan kadar alb (t) =

43

E.

TELAAH VARIABEL

Konsep model dinamik bisnis dan penilaian risiko mutu pada umumnya banyak dipengaruhi ketidakpastian. Telaah variabel model dinamik penilaian risiko mutu minyak sawit kasar (CPO) PKS Unit Adolina untuk mengakomodasi faktor ketidakpastian dalam proyeksi penilaian risiko mutu CPO PKS Unit Adolina pada bulan-bulan mendatang. Uji distribusi probabilitas untuk mengetahui pola sebaran data yang diaplikasikan ke dalam moidel agar sesuai dengan pola sebaran data di dunia nyata. Variabel yang diuji distribusi probabilitas yaitu persentase TBS restan, pengaruh kriteria panen terhadap asam lemak bebas (ALB), produktivitas kebun dan rendemen CPO. Uji distribusi probabilitas variabel digunakan untuk estimasi sampel analisis perilaku dasar, analisis perilaku dinamik dan penilaian risiko mutu CPO PKS Unit Adolina (Bab VII). Hasil uji distribusi probabilitas variabel diuraikan pada Tabel 4. Hasil uji distribusi probabilitas menggunakan Kolmogorov-Smirnov diperoleh nilai pvalue. P-value merupakan peluang untuk menerima hipotesis nol (data mengikuti sebaran hasil uji distribusi probabilitas) dengan membandingkan nilai alpha (α=0,05) pada selang kepercayaan 95%. Jika nilai p-value diatas nilai alpha (maka hipotesis nol diterima), artinya data mengikuti pola uji distribusi probabilitas yang dimaksud. Nilai p-value dibawah nilai alpha (maka hipotesis nol ditolak), artinya hasil uji probabilitas ditolak karena tidak mengikuti pola sebaran yang dimaksud. Tabel 4. Hasil uji distribusi probabilitas

Variabel

TBS restan

Pengaruh kriteria panen terhadap ALB

Produktivitas kebun

Rendemen CPO

Distribusi probabilitas

P-value

Kesimpulan

Lognormal Exponential Uniform Lognormal Exponential Uniform Uniform Exponential Lognormal Lognormal Uniform

0,504 0,496 0,435 0,97 < 0,001 < 0,001 0,749 0,599 0,332 0,216 <0,001

Terima H0 Terima H0 Terima H0 Terima H0 Tolak H0 Tolak H0 Terima H0 Terima H0 Terima H0 Terima H0 Tolak H0

Distribusi terpilih Lognormal, Exponential, Uniform Lognormal Lognormal, Exponential, Uniform Lognormal

44

VII. PENGUJIAN MODEL DAN SIMULASI SKENARIO

A.

VERIFIKASI

Proses verifikasi model dinamik penilaian risiko mutu PKS Unit Adolina menggunakan beberapa cara. Pertama, pengecekan hubungan antar variabel dan parameter sehingga terjadi konsistensi hubungan yang logis. Jika terdapat hubungan yang tidak logis atau tidak benar antar variabel atau parameter, Powersim akan memberikan simbol “#” pada jalur (link) yang menghubungkan variabel tersebut agar hubungan tersebut dapat dikoreksi. Kedua, pengecekan unit analisis variabel atau parameter agar konsisten. Powersim akan memberikan tanda “?” yang artinya persamaan tersebut masih belum konsisten unit analisis yang digunakannya. Ketiga, pengecekan perilaku model dinamik penilaian risiko mutu pada variabel kunci. Model dinamik penilaian risiko mutu PKS Unit Adolina telah berhasil melakukan sebuah proses simulasi kajian model dunia abstrak mengikuti perilaku realitas dunia nyata yang dikaji. Pola perilakunya adalah pertumbuhan eksponensial. Dengan demikian, program komputer yang dibuat beserta penerapannya adalah benar dan telah menunjukkan perilaku dan respon yang sesuai dengan tujuan model. Proses verifikasi model dinamik penilaian risiko mutu PKS Unit Adolina telah memenuhi prosedur verifikasi mengacu pada Schlesinger et.al (1979) dalam Rohmatulloh (2007) .

B.

VALIDASI 1. Validasi Teoritis

Model dinamik penilaian risiko mutu PKS Unit Adolina mengacu pada konsep sistem penilaian risiko mutu yang diintroduksi oleh COSO of United States yang dewasa ini telah banyak dikaji secara akademis dan diterapkan oleh berbagai perusahaan. Konsep penilaian risiko mutu yang diacu pada penelitian ini adalah ERM – IFAT (Enterprise Risk Management – Integrated Framework Application Techniques). Oleh karena itu, validasi teoritis model sistem penilaian risiko mutu pada penelitian ini telah didukung oleh teori yang valid sebagaimana telah diuraikan pada Bab 2. Rujukan teori untuk membangun sub-model dinamik penilaian risiko mutu PKS Unit Adolina sebagai berikut: 1. Sub-model produksi mengacu pada buku panduan dan administratur perusahaan serta teori yang telah dibahas Hadiguna (2010) dan Aulia (2010). 2. Sub-model persediaan mengacu dari model umum yang dikaji oleh beberapa penulis, diantaranya adalah Sterman (2000) dan Morecroft (1982), serta beberapa penulis lain yang penelitiannya menjadi acuan dalam studi ini. Struktur laju pesanan (customer order) yang dibahas dalam sub-model tersebut merupakan struktur variabel yang bersifat exogeneous, nilainya berubah sepanjang waktu dan lebih dipengaruhi oleh lingkungan sistem. Dalam sub-model ini akan terlihat beberapa feedback yang substansial, diantaranya adalah bahwa laju pengiriman (shipments) akan bergantung kepada nilai stock persediaan; jika persediaan tidak mencukupi menurut perusahaan, maka laju pengiriman akan berada dibawah permintaan atau pesanan konsumen. Atau dalam kondisi ekstrim, laju pengiriman harus bernilai 0 (nol) apabila tidak ada persediaan. Variabel yang diperhitungkan

45

dalam penetapan stok persediaan tersebut adalah tingkat persediaan yang diinginkan, waktu koreksi persediaan dan jangkauan persediaan. Sub-model transportasi mengacu struktur model umum yang bersumber dari Oktavia (2000) dan Hadiguna (2010) serta beberapa penulis lain yang penelitiannya menjadi acuan studi ini.

3.

2. Kondisi Ekstrim Kondisi ekstrim untuk mengetahui, bahwa model yang dibangun tangguh dalam menghadapi kemungkinan perubahan ekstrim nilai parameter di dunia nyata. Produktivitas kebun pada bulan Januari 2010 hingga April 2011 yang menjadi periode simulasi diasumsikan naik 100 % dari nilai awal produktivitasnya, karena didukung oleh pengolahan terhadap tanaman dan penanganan pasca-panen yang baik serta didukung oleh kondisi alam yang kondusif. Berdasarkan hasil simulasi, dinamika produksi minyak sawit kasar (CPO) (Gambar 24) , tingkat persediaan (Gambar 25) dan jumlah trip aktual (Gambar 26) yang dibutuhkan untuk mengangkut seluruh hasil panen dari kebun ke pabrik, akan mengalami kenaikan pada saat produktivitas naik 100% dari nilai produktivitas kebun normal setiap bulannya. k g/m o 4,600,000 4,500,000 4,400,000

cpo

4,300,000 4,200,000 4,100,000 4,000,000 3,900,000 3,800,000 3,700,000

Ja n Fe b Ma r Apr Ma y Jun Jul 2010

Aug Se p O ct Nov De c Ja n Fe b Ma r

Gambar 24. Dinamika produksi CPO akibat produktivitas kebun naik 100% kg 6,000,000

Persediaan

5,000,000 4,000,000 3,000,000 2,000,000 1,000,000 Ja n Fe b Ma r Apr Ma y Jun Jul Aug Se p O ct No v De c Ja n Fe b Ma r 2011

Gambar 25. Dinamika persediaan CPO akibat produktivitas kebun naik 100%

46

trip/da

jumlah trip aktual

160 155 150 145 140 135 130 125 120 115 Jan

Fe b

Mar

Apr May

Jun Jul 2010

Aug Se p

O ct

Nov

De c

Jan

Fe b

Mar

Gambar 26. Dinamika jumlah trip aktual akibat produktivitas kebun naik 100%

Jika produktivitas kebun terganggu akibat adanya peristiwa gagal panen yang disebabkan oleh bencana alam dan serangan hama, sehingga produktivitas kebun hasilnya mendekati nilai 0 (nol), maka dinamika produksi CPO (Gambar 27), tingkat persediaan CPO (Gambar 28) dan jumlah trip aktual (Gambar 29) akan mengalami penurunan signifikan mencapai 100% dari nilai produktivitas kebun normal tiap bulannya.

k g/m o 2,250,000

cpo

2,000,000 1,750,000 1,500,000 1,250,000 1,000,000 750,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar 2011

Gambar 27. Dinamika produksi CPO akibat produktivitas kebun turun 100%

Persediaan

kg 0 -5,000,000 -10,000,000 -15,000,000 -20,000,000 -25,000,000 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar 2011

Gambar 28. Dinamika persediaan CPO akibat produktivitas kebun turun 100%

47

jumlah trip aktual

trip/da 20 15 10 5 0

Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar 2010

Gambar 29. Dinamika jumlah trip aktual akibat produktivitas kebun turun 100%

Berdasarkan uji kondisi ekstrim diatas, secara visual dapat dilihat bahwa model memperlihatkan pola yang tidak berlawanan dan sesuai dengan model dasar dunia nyata. Syarat model harus handal pada kondisi ekstrim telah terpenuhi.

3. Konsistensi Unit Konsistensi unit analisis keseluruhan interaksi unsur-unsur yang menyusun sistem menggunakan pemeriksaan persamaan Powersim. Pemeriksaan ini sudah dilakukan pada saat proses verifikasi. Jika ditentukan ketidakkonsistenan unit analisis yang digunakan, akan muncul tanda “?”. Jika masih ada tanda “?” pada link yang menghubungkan dua variabel simulasi tidak akan dapat berjalan. Jika tidak ditemukan tanda “?” pada diagram alir, maka unit yang digunakan pada setiap variabel model telah seimbang pada keseluruhan struktur diagram alir.

4. Konsistensi Hasil Keluaran Pengujian konsistensi hasil keluaran dengan membandingkan data hasil simulasi dan data aktual berdasarkan average percent error (APE) dan nilai tengah (mean) APE. Parameter utama yang diuji adalah jumlah produksi minyak sawit kasar (CPO) dan kadar asam lemak bebas (ALB). Validasi kinerja produksi CPO antara data aktual dan simulasi seperti digambarkan pada Gambar 30 dan diuraikan pada Tabel 5. Hasil perhitungan nilai MAPE diperoleh nilai sebesar 11,0288%. Hasil ini menunjukkan bahwa tingkat galat simulasi dan aktual berada 1% dari nilai yang diperkenankan menurut Muhammadi et.al (2001) yaitu sebesar 10%, tetapi karena simulasi dibangun berdasarkan standar yang ditetapkan oleh perusahaan (RKAP) maka nilai 1% tersebut masih dalam batas toleransi dan tidak berpengaruh signifikan terhadap kelangsungan pengintegrasian model secara keseluruhan.

48

Nilai Produksi CPO (kg)

4500000 4000000 3500000 3000000 2500000 2000000

F

i ar ru b e

10 20 A

10 20 ir l p

J

10 20 i un

s tu us g A

10 20

10 10 11 11 20 20 20 20 i l r r i r e r be ua ob Ap br kt em e s O F De

Variable Produksi CPO Simulasi Produksi CPO Aktual

Bulan

Gambar 30. Validasi kinerja produksi CPO Tabel 5. Hasil validasi kinerja produksi CPO Produksi CPO (kg)

Bulan

Simulasi

APE (%)

Aktual

Jan-10

2359990,51

2332738

1,1683

Feb-10

2580830

2878089

10,3283

Mar-10

2732432

3389172

19,3776

Apr-10

3116619

3387707

8,0021

Mei-10

3430675

4189819

18,1188

Jun-10

3606080,25

4174345

13,6133

Jul-10

4263743,21

4169295

2,2653

Agust-10

4382601,98

4120903

6,3505

Sep-10

3963304,21

3357341

18,0489

Okt-10

3609378,53

3778974

4,4879

Nop-10

3374272,57

3437495

1,8392

Des-10

3323276,33

3456231

3,8468

Jan-11

2548723,27

1994521

27,7862

Feb-11

2730285,58

2561342

6,5959

Mar-11

2943595,67

3891117

24,3509

Apr-11

3609370,54

4022939

10,2803

MAPE

11,0287688

Validasi kinerja kadar asam lemak bebas (ALB) antara data aktual dan data simulasi seperti digambarkan pada Gambar 31 dan diuraikan pada Tabel 6. Hasil perhitungan nilai MAPE diperoleh sebesar 4,27437%. Hasil ini menunjukkan bahwa persentase selisih data aktual dan simulasi masih dalam kisaran yang diperkenankan yaitu dibawah 10%.

49

Kesimpulan pengujian kesesuaian produksi CPO dan kadar ALB dengan data sesungguhnya telah konsisten dan valid secara statistik berdasarkan perilaku yang dihasilkannya.

4,75

Nilai Kadar ALB (%)

4,50 4,25 4,00 3,75 3,50

F

0 01 i2 r a ru eb

A

10 20 ir l p

0 10 10 10 11 01 20 20 20 20 i2 i r r s r n e tu be Ju ua ob us br kt em e s Ag O F De Bulan

11 20 ir l Ap Variable Kadar ALB Simulasi Kadar ALB Aktual

Gambar 31. Validasi kinerja kadar ALB Tabel 6. Hasil validasi kinerja kadar ALB Bulan

Kadar ALB (%) Simulasi

Aktual

APE (%)

Jan-10

4,08

4,08

0

Feb-10

4,03

4,05

0,49383

Mar-10

4,16

4,09

1,71149

Apr-10

3,35

3,58

6,42458

Mei-10

4,03

3,93

2,54453

Jun-10

4,21

4,43

4,96614

Jul-10

4,34

4,13

5,08475

Agust-10

4,05

3,75

8

Sep-10

4,34

4,22

2,8436

Okt-10

4,39

4,25

3,29412

Nop-10

4,48

4,64

3,44828

Des-10

4,19

4,51

7,09534

Jan-11

4,33

4,72

8,26271

Feb-11

4,13

4,44

6,98198

Mar-11

4,02

3,84

4,6875

Apr-11

4,02

3,92

2,55102

MAPE

4,27437

50

C.

UJI SENSITIVITAS

Uji sensitivitas pada dasarnya mengasumsikan kemungkinan-kemungkinan suatu kondisi yang terjadi di dunia nyata dan pilihan-pilihan kebijakan yang mungkin dilakukan oleh pengambil keputusan. Uji sensitivitas model dinamik penilaian risiko mutu CPO PKS Unit Adolina menggunakan parameter yang berpengaruh terhadap kinerja sistem, yaitu produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap ALB. Metode yang digunakan adalah skenario terbaik-terburuk (Sterman, 2000). Setiap perubahan parameter, dalam hal ini dinaikkan (diturunkan) 10% dari nilai parameter dasar akan dilihat responnya terhadap perubahan parameter utama. Skenario terbaik yang mungkin terjadi diasumsikan, bahwa produktivitas kebun naik sebesar 10% dari nilai awal, rendemen CPO naik 10% dari nilai awal, pengaruh TBS restan terhadap ALB turun 10% dari nilai awal dan pengaruh kriteria panen terhadap ALB turun 10% dari nilai awal. Skenario terburuk yang mungkin terjadi diasumsikan bahwa produktivitas kebun dan rendemen CPO turun 10% dari nilai awal, dan pengaruh TBS restan dan kriteria panen terhadap ALB naik sebesar 10% dari nilai awal. Berdasarkan uji sensitivitas model terlihat, bahwa parameter yang diuji tersebut berpengaruh signifikan terhadap dinamika parameter utama yang dijadikan „effects’, yaitu produksi CPO dan kadar ALB dengan memberikan hasil pada kemungkinan kondisi terbaik dan terburuk seperti yang tertera dalam Gambar 32 dan Gambar 33.

5500000

Nilai Produksi CPO (kg)

5000000 4500000 4000000 3500000 3000000 2500000 2000000

F

0 10 01 20 ir 2 l ri a Ap ru b e

0 0 1 1 10 10 01 01 01 01 20 20 2 2 2 2 i i l r s n er ri ar tu be Ju ob Ap ru us m b kt g e s A O Fe De V ariable Bulan P roduksi C P O N ormal P roduksi C P O S kenario Terbaik P roduksi C P O S kenario Terburuk

Gambar 32. Dinamika produksi CPO akibat perubahan parameter sensitif

51

5,5

Nilai Kadar ALB (%)

5,0 4,5 4,0 3,5 3,0

F

i ar ru b e

10 20

10 20 ir l Ap

J

10 20 i un A

us st gu

10 20

10 10 11 20 20 20 i r r r e be ua ob br kt em e s O F De

Bulan

ri l Ap

11 20

Variable Kadar ALB Normal Kadar ALB Skenario Terbaik Kadar ALB Skenario Terburuk

Gambar 33. Dinamika kadar ALB akibat perubahan parameter sensitif

D.

SIMULASI SKENARIO 1. Analisis Perilaku Dasar

Analisis skenario perilaku dasar menguraikan perilaku kinerja PKS Unit Adolina pada bulan mendatang (Mei – September 2011). Analisis skenario dipengaruhi oleh parameter yang mempunyai tingkat sensitivitas tinggi terhadap parameter utama (produksi CPO dan kadar ALB), yaitu produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB. Parameter lainnya yang memiliki sensitivitas rendah dan sedang diasumsikan tidak mengalami perubahan dari bulan April 2011 (fixed value). Berdasarkan RKAP perusahaan pada bulan Mei – September 2011, rencana kerja produktivitas panen kebun total masing-masing 11783, 12457, 15794, 15851 dan 14858 ton TBS/5980 hektar lahan panen, sehingga didapat tingkat kenaikan kinerja produktivitas kebun sebesar 5-6% per bulannya dari nilai kerja produktivitas kebun bulan April 2011. Serupa dengan produktivitas perusahaan, peningkatan kinerja rendemen CPO pada bulan Mei – September juga didapat dari RKAP, dengan peningkatan sebesar 0,13-0,14% setiap bulannya dari nilai rendemen CPO pada bulan April 2011. Pengaruh TBS restan dan kriteria panen terhadap ALB juga dirujuk berdasarkan RKAP PKS Unit Adolina dimana mentargetkan kadar asam lemak bebas dari minyak sawit kasar yang dihasilkan berada dibawah angka 3,5%. Nilai kinerja ini kontraprestasi terhadap nilai kinerja produktivitas kebun dan rendemen, yang semakin tinggi nilainya maka akan semakin baik efeknya. Bahwa dengan semakin menurunnya persentase TBS restan yang ada di lapangan serta menurunnya jumlah buah mentah yang dipanen, maka akan meningkatkan kinerja sistem secara keseluruhan. Bentuk grafik peningkatan nilai keempat ukuran kinerja tersebut dalam Powersim menggunakan fungsi RAMP (Gambar 34 – Gambar 37).

52

k g/(m o*hek tar)

produktivitas kebun

2,750 2,500 2,250 2,000 1,750 1,500 Jan Feb Mar Apr May Jun Jul Aug Sep O ct Nov Dec Jan Feb Mar Apr May Jun 2010

Jul Aug

Gambar 34. Kinerja produktivitas kebun Januari 2010 – September 2011

rendemen cpo

%/m o 23.5

23.0

22.5 Jan Feb Mar Apr May Jun Jul Aug Sep O ct Nov Dec Jan Feb Mar Apr May Jun Jul Aug 2010

Gambar 35. Kinerja rendemen CPO Januari 2010 – September 2011

pengaruh kriteria panen thd kadar alb

% 1.9

1.8

1.7

1.6

Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 36. Kinerja pengaruh kriteria panen terhadap kadar ALB Januari 2010 – September 2011

53

%

tbs restan

30

25

20

15 Jan

Feb Mar Apr May Jun Jul 2010

Aug Sep

Oct Nov Dec

Jan Feb Mar

Apr May Jun

Jul

Aug

Gambar 37. Kinerja TBS restan Januari 2010 – September 2011 Hasil simulasi menunjukkan (Gambar 38 dan 39), bahwa dinamika produksi CPO PKS Unit Adolina pada skenario dasar periode bulan Mei 2011 sebesar 3846921 kg dan bulan September 2011 meningkat menjadi sebesar 4419347 kg. Dinamika kadar ALB pada skenario perilaku dasar pada bulan Mei 2011 adalah sebesar 3,84% dan pada bulan September 2011 menurun menjadi 3,80%. k g/m o 4,500,000

cpo

4,000,000

3,500,000

3,000,000

2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 38. Dinamika produksi CPO pada skenario dasar

kadar alb

% 4.5

4.0

3.5

Jan Feb Mar Apr May Jun Jul Aug Sep O ct Nov Dec Jan Feb Mar Apr May Jun Jul Aug 2010

Gambar 39. Dinamika kadar ALB pada skenario dasar

54

2. Analisis Perilaku Dinamik Analisis perilaku dinamik atau analisis sensitivitas memungkinkan bagi pemodel untuk memasukkan nilai atau merubah nilai dari parameter yang diuji. Meskipun analisis perilaku dasar begitu penting sebagai cerminan dari kondisi aktual di lapangan, namun pada kenyataannya model harus dapat mengakomodir kejadian-kejadian pada periode mendatang dan selalu merencanakan kebijakannya berdasar RKAP yang telah ditetapkan perusahaan sebelumnya. Perubahan nilai paramater, atau parameter yang diuji, dalam bahasan ini adalah produktivitas kebun, rendemen CPO, TBS restan, pengaruh kriteria panen terhadap kadar ALB dan juga jumlah truk. Perubahan nilai parameter mengacu pada Forrester (1961) dalam Rohmatulloh (2007) dimana terdiri dari tiga skenario berserta kombinasinya yaitu skenario agresif (optimis), moderat dan lambat (pesimis) (Tabel 7).

Tabel 7. Matriks skenario kebijakan Skenario

Produktivitas kebun (kg/ha)

Rendemen CPO (%)

TBS restan (%)

Pengaruh kriteria panen thd kadar ALB (%)

Jumlah truk (truk)

Ket.

Agresif

+ (5-6%)

-1%

-1,5%

+ (5-6%)

-1%

-1,5%

Agresif

-

-0,5%

-1,5%

Moderat

-

+ (0,130,14%) -

0,5%

-1%

Lambat

- (5-6%)

1%

1,5%

Agresiflambat

+ (5-6%)

- (0,130,14%) + (0,130,14%)

0,5%

1%

≥ total truk diperlukan ≥ total truk diperlukan ≥ total truk diperlukan ≥ total truk diperlukan < total truk diperlukan < total truk diperlukan

SR 1A

Agresif

+ (0,130,14%) -

SR 1B SR 1C SR 2 SR 3 SR 4

Keterangan : *) +/- 5-6% = produktivitas meningkat atau menurun sebesar 5-6% setiap bulan dari kinerja bulan April 2011 sebesar 1963,21 kg/ha. **) +/- 0,13-0,14% = rendemen CPO meningkat atau menurun sebesar 0,13-0,14% setiap bulan dari kinerja bulan April 2011 sebesar 22,7%. ***) - = kinerja produktivitas kebun atau rendemen CPO menggunakan nilai kinerja masing-masing parameter pada bulan April 2011. Skenario agresif adalah skenario yang mungkin terjadi pada penilaian risiko mutu minyak sawit kasar PKS Unit Adolina bulan Mei - September 2011 lebih baik dari bulan sebelumnya (April 2011). Skenario agresif varian pertama (SR 1A) diasumsikan bahwa perubahan nilai parameter produktivitas kebun meningkat 5-6% setiap bulannya terhadap perubahan nilai kinerja produktivitas kebun bulan April 2011 sebesar 1963,21 kg/hektar dan rendemen CPO meningkat sebesar 0,13-0,14% setiap bulannya terhadap nilai kinerja rendemen CPO bulan April 2011 sebesar 22,7% dan jumlah truk lebih atau sama dengan jumlah truk yang diperlukan. Persentase TBS restan per bulannya diasumsikan berkurang 1% dari tingkat TBS restan yang diasumsikan dalam pengolahan yaitu 15%.

55

Kondisi serupa diterapkan pada perubahan nilai kinerja pengaruh kriteria panen terhadap kadar ALB diharapkan nilainya secara gradual berkurang 1,5% setiap bulannya. Varian kedua (SR 1B) diasumsikan bahwa parameter produktivitas kebun Mei - September 2011 meningkat 5-6 % setiap bulannya terhadap nilai kinerja produktivitas kebun pada April 2011 sebesar 1963,21kg/hektar, sedangkan parameter rendemen CPO pada Mei - September 2011 diasumsikan nilainya tetap terhadap nilai kinerja rendemen CPO bulan April 2011 yaitu 22,70%. Varian ketiga (SR 1C) diasumsikan parameter produktivitas kebun tetap senilai 1963,21 kg/hektar, dengan penurunan TBS restan dan pengaruh kriteria panen masing-masing 1% dan 1,5% tiap bulannya serta jumlah truk aktual lebih besar dari jumlah truk yang dibutuhkan tiap bulannya. Hasil simulasi dinamika produksi CPO dan kadar ALB terhadap berbagai skenario varian agresif seperti digambarkan pada Gambar 40-45. k g/m o 4,500,000

cpo

4,000,000

3,500,000

3,000,000

2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 40. Dinamika produksi CPO (SR 1A)

kadar alb

% 4.5

4.0

3.5

Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 41. Dinamika kadar ALB (SR 1A) k g/m o

cpo

4,000,000

3,500,000

3,000,000

2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 42. Dinamika produksi CPO (SR 1B)

56

kadar alb

% 4.5

4.0

3.5 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 43. Dinamika kadar ALB (SR 1B) k g/m o

cpo

4,000,000 3,500,000 3,000,000 2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 44. Dinamika produksi CPO (SR 1C)

kadar alb

% 4.5

4.0

3.5 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun 2010

Jul Aug

Gambar 45. Dinamika kadar ALB (SR 1C) Skenario moderat adalah skenario yang mungkin terjadi terhadap peningkatan kinerja PKS Unit Adolina pada bulan Mei - September 2011 sama dengan bulan April 2011. Skenario moderat (SR2) diasumsikan bahwa parameter produktivitas kebun dan rendemen CPO tetap nilai kinerjanya dengan nilai masing-masing parameter pada bulan April 2011. Pengaruh TBS restan dan kriteria panen terhadap ALB naik menjadi 0,5% dan turun menjadi 1% secara respektif serta jumlah truk aktual diasumsikan lebih atau sama dengan jumlah truk yang dibutuhkan. Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario moderat digambarkan pada Gambar 46 dan 47.

57

k g/m o

cpo

4,000,000 3,500,000 3,000,000 2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 46. Dinamika produksi CPO (SR 2)

kadar alb

% 4.5

4.0

3.5

Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun 2010

Jul Aug

Gambar 47. Dinamika kadar ALB (SR 2) Skenario lambat adalah skenario yang mungkin terjadi terhadap kebijakan peningkatan kinerja PKS Unit Adolina bulan Mei - September 2011 lebih buruk dari bulan April 2011. Skenario lambat atau pesimis (SR 3) diasumsikan bahwa parameter produktivitas kebun sebesar 5-6% setiap bulannya, rendemen CPO turun 0,13-0,14% setiap bulannya, persentase tbs restan dalam pengolahan meningkat 1% , pengaruh kriteria panen terhadap kadar ALB naik sebesar 1,5% dan jumlah truk aktual tidak mencukupi untuk mengangkut seluruh hasil panen ke pabrik dalam waktu yang telah ditentukan. Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario lambat seperti digambarkan pada Gambar 48 dan 49. k g/m o

cpo

4,000,000 3,500,000 3,000,000 2,500,000 Jan Fe b Mar AprMayJun Jul AugSe p O ct Nov De c Jan Fe b Mar AprMay Jun Jul Aug 2010

Gambar 48. Dinamika produksi CPO (SR 3)

58

%

kadar alb

4.5

4.0

3.5 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 49. Dinamika kadar ALB (SR 3) Skenario agresif-lambat adalah skenario yang mengakomodasi kebijakan bersifat agresif dan lambat. Skenario agresif-lambat (SR 4) diasumsikan bahwa parameter produktivitas kebun dan rendemen CPO mengikuti skenario agresif (SR 1), sedangkan parameter yang mengalami kinerja lambat adalah persentase TBS restan yang naik 0,5% setiap bulannya, pengaruh kriteria panen terhadap kadar ALB naik 1% setiap bulannya dan jumlah truk yang tersedia tidak cukup atau kurang dari jumlah yang dibutuhkan. Hasil simulasi dinamika produksi CPO dan kadar ALB pada skenario agresif-lambat dapat dilihat pada Gambar 50 dan 51. k g/m o 4,500,000

cpo

4,000,000 3,500,000 3,000,000 2,500,000 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 50. Dinamika produksi CPO (SR 4)

kadar alb

% 4.5

4.0

3.5 Jan Fe b Mar Apr May Jun Jul Aug Se p O ct Nov De c Jan Fe b Mar Apr May Jun Jul Aug 2010

Gambar 51. Dinamika kadar ALB (SR 4) Perbandingan hasil simulasi dinamika produksi CPO dan kadar ALB pada berbagai skenario seperti digambarkan pada Gambar 52 dan 53.

59

Nilai Produksi CPO (kg)

4500000 4000000 3500000 3000000 2500000 0 10 10 10 10 10 11 11 11 11 01 20 20 20 20 20 20 20 20 20 ir 2 l i i l i r r i s i s r n n r e r u u be ua Ju ua Ju st st Ap ob Ap br br kt gu em gu e e s A O A F F De Bulan

Variable CPO SR1A CPO SR1B CPO SR1C CPO SR2 CPO SR3 CPO SR4

Gambar 52. Perbandingan dinamika produksi CPO pada berbagai skenario

4,75

Nilai Kadar ALB (%)

4,50 4,25 4,00 3,75 3,50

F

i ar ru b e

10 20

r il Ap

10 20

0 10 10 10 11 11 11 11 01 20 20 20 20 20 20 20 i2 i l i r r s i s r n r n u tu be be Ju ua Ju st Ap us to br em gu e s Ag Ok A F De Bulan

Variable ALB SR 1A ALB SR 1B ALB SR 1C ALB SR2 ALB SR3 ALB SR4

Gambar 53. Perbandingan dinamika kadar ALB pada berbagai skenario Perilaku dinamik produksi CPO PKS Unit Adolina pada skenario dasar periode Mei 2011 adalah sebesar 3846921 kg dan pada periode September 2011 meningkat menjadi sebesar 4419347 kg. Dinamika produksi CPO pada skenario agresif (optimis) bulan Mei 2011 sebesar 3846921 kg dan pada bulan September 2011 mencapai tingkat produksi 4419347 kg. Sedangkan pada skenario lambat (pesimis) periode Mei 2011 produksi berada pada titik 3563005 kg dan pada September 2011 hanya menyentuh angka 2999770 kg (Tabel 8).

60

Tabel 8. Dinamika produksi CPO pada berbagai skenario Bulan

Dinamika Produksi CPO (kg) Dasar

SR1A

SR1B

SR1C

SR2

SR3

SR4

Mei-11

3846920,53

3846920,53

3841542,37

3709958,1

3704771,42

3563005,27

3846920,53

Jun-11

3989452,6

3989452,6

3978313,33

3715144,78

3704771,42

3421622,08

3989452,6

Jul-11

4132367,63

4132367,63

4115084,28

3720331,46

3704771,42

3280621,84

4132367,63

Agust-11

4275665,62

4275665,62

4251855,23

3725518,14

3704771,42

3140004,57

4275665,62

Sep-11

4419346,56

4419346,56

4388626,18

3730704,82

3704771,42

2999770,25

4419346,56

Dinamika kadar ALB pada skenario perilaku dasar pada bulan Mei 2011 adalah sebesar 3,84% dan pada bulan September 2011 menurun menjadi 3,80%. Dinamika kadar ALB pada skenario agresif (optimis) periode Mei 2011 yakni sebesar 3,84% dan pada September 2011 mencapai angka 3,80%. Pada skenario lambat kadar ALB periode Mei 2011 sebesar 4,09% dan September 2011 menyentuh titik 4,13% (Tabel 9). Tabel 9. Dinamika kadar ALB pada berbagai skenario Dinamika Kadar ALB (%) Bulan

Dasar

SR1A

SR1B

SR1C

SR2

SR3

SR4

Mei-11

3,84

3,84

3,84

3,84

3,87

4,09

3,89

Jun-11

3,83

3,83

3,82

3,84

3,88

4,1

3,91

Jul-11

3,83

3,83

3,83

3,85

3,92

4,11

3,93

Agust-11

3,82

3,82

3,81

3,84

3,93

4,12

3,94

Sep-11

3,8

3,8

3,8

3,83

3,94

4,13

3,96

3. Analisis Penilaian Risiko Secara definitif, konsep risiko mengandung dua unsur besar, yaitu ketidakpastian (uncertainty) dan peluang kemungkinan (probability). Risiko dalam pengertiannya secara luas seperti dikembangkan oleh COSO of United States, adalah segala kejadian (events) yang memiliki peluang kemungkinan (likelihood) yang memiliki dampak negatif (impact) terhadap pencapaian tujuan atau sasaran (objective). Dalam sistem dinamik yang kompleks, pendekatan probabilistik dapat mencerminkan perilaku sesungguhnya dan menentukan tujuan perilaku sistem secara utuh yang tidak dapat diperoleh dari pendekatan deterministik dan analisa sensitivitas. Menurut Rohmatulloh (2007) sistem dinamik probabilistik dapat diterapkan untuk memprediksi kondisi yang akan terjadi pada periode-periode mendatang. Analisis penilaian risiko membantu para pengambil keputusan untuk mengetahui potensi dan tingkat risiko atau peluang proyeksi kinerja mutu minyak sawit kasar PKS Unit Adolina pada bulan mendatang. Alat (tool) ini dapat mengetahui bagaimana keadaan skenario yang terbaik maupun terburuk. Penilaian risiko mengerjakan secara otomatis dengan merubah nilai variabel dan menghitung nilai baru, serta membantu menentukan probabilitas untuk mendapatkan strategi terbaik.

61

Simulasi analisis risiko menggunakan fasilitas risk assessment sebagai feature pack dalam Powersim Studio 2005. Parameter yang memiliki ketidakpastian dimasukkan ke dalam kategori „assumptions‟ yaitu produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap ALB dengan menggunakan distribusi probabilitas spesifik yang telah dicari dan telah dibahas dalam bagian Bab 6. Selanjutnya asumsi-asumsi tersebut akan menghasilkan distribusi nilai terhadap „effect‟ atau parameter utama dalam bahasan ini, yaitu produksi CPO dan kadar ALB. Analisis risiko akan menghasilkan distribusi nilai pada parameter utama menggunakan metode Latin Hypercube dengan ulangan sebanyak 100 kali. Dipilihnya metode Latin Hypercube karena metode ini tidak bekerja dengan bilangan acak seperti dalam metode Monte Carlo, melainkan bekerja dengan distribusi probabilitas spesifik parameter yang akan diuji, sehingga hasilnya 10 x lebih efisien dibandingkan dengan menggunakan simulasi Monte Carlo. Dalam simulasi nantinya, akan dihasilkan 40 generasi dengan ulangan sebanyak 100 kali ulangan dengan opsi record of history adalah maximum resolution tiap jenjang periode (bulanan). Simulasi dengan menggunakan metode Latin Hypercube ini akan menghasilkan nilai ratarata, simpangan baku dan batas persentil sebesar 25%, 50% dan 75% seperti digambarkan pada Gambar 55 dan 56. Konsep persentil adalah luas daerah penerimaan dibawah kurva distribusi normal yang mencerminkan peluang kejadian yang terjadi (Gambar 54).

Gambar 54. Perhitungan persentil kg/mo 4,000,000

3,000,000

cpo (Average) cpo (Standard Deviation) cpo (75 Percentile)

2,000,000

cpo (50 Percentile) cpo (25 Percentile)

1,000,000

0 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun 2010

Jul Aug

Gmbar 55. Dinamika produksi CPO akibat pengaruh ketidakpastian

62

% 4

3

kadar alb (Average) kadar alb (Standard Deviation) kadar alb (75 Percentile)

2

kadar alb (50 Percentile) kadar alb (25 Percentile)

1

0

Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar Apr May Jun 2010

Jul Aug

Gambar 56. Dinamika kadar ALB akibat pengaruh ketidakpastian Perilaku dinamik penilaian risiko mutu CPO PKS Unit Adolina akibat karakteristik ketidakpastian produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB pada persentil 50% menunjukkan bahwa kinerja PKS Unit Adolina dari sisi produksi CPO periode Mei 2011 mencapai nilai 3860158 kg dan pada bulan September 2011 meningkat menjadi 4446622 kg. Dinamika produksi CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan pada September 2011 meningkat menjadi 4148236 kg. Dinamika produksi CPO pada persentil 75% periode Mei 2011 sebesar 4084867 kg dan periode September 2011 meningkat menjadi sebesar 4698084 kg (Tabel 10). Kondisi tersebut digambarkan pada Gambar 55.

Bulan Mei 2011 Juni 2011 Juli 2011 Agustus 2011 September 2011

Tabel 10. Dinamika produksi CPO pada berbagai selang distribusi Produksi CPO (kg) Simpangan Rata-rata 25% 50% baku 3886672,29 354582,18 3612941,40 3860157,62 4030681,53 368731,14 3746227,96 4006184,66 4175077,70 382925,83 3879872,58 4152604,37 4319860,80 397165,49 4013875,26 4299416,74 4465030,83

411449,47

4148236,00

4446621,77

75% 4084866,76 4237555,48 4390654,59 4544164,08 4698083,97

Perilaku dinamik penilaian risiko mutu CPO PKS Unit Adolina akibat karakteristik ketidakpastian produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB pada persentil 50% menunjukkan bahwa kinerja PKS Unit Adolina dari sisi kadar ALB periode Mei 2011 menyentuh tingkat ALB sebesar 3,83% dan pada September 2011 menurun menjadi 3,79%. Penurunan pada kadar ALB mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih baik daripada periode sebelumnya. Dinamika kadar ALB pada persentil 25% periode Mei 2011 sebesar 3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika kadar ALB pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September 2011 menurun menjadi 3,97%. Kondisi tersebut digambarkan pada Gambar 56.

63

Dinamika kadar ALB pada berbagai selang distribusi dapat dilihat pada Tabel 11.

Bulan Mei 2011 Juni 2011 Juli 2011 Agustus 2011 September 2011

Tabel 11. Dinamika kadar ALB pada berbagai selang distribusi Kadar ALB (%) Simpangan Rata-rata 25% 50% baku 3,78 0,27 3,62 3,83 3,77 0,28 3,60 3,82 3,78 0,28 3,60 3,83 3,76 0,29 3,58 3,81 3,74

0,30

3,55

3,79

75% 3,99 3,98 4,00 3,99 3,97

64

VIII. REKOMENDASI KEBIJAKAN

Berdasarkan hasil simulasi skenario kebijakan agresif (optimis) dan strategi manajemen PKS Unit Adolina dapat dirumuskan beberapa prioritas yang dapat dijadikan rekomendasi kebijakan. Rumusan kebijakan berhubungan dengan hal-hal yang menjadi parameter yang diuji pada model yang mempunyai korelasi signifikan terhadap parameter utama, yaitu rendemen CPO dan kadar ALB. Rumusan kebijakan meliputi aspek peningkatan produktivitas kebun, aspek peningkatan rendemen CPO, aspek penanganan pasca-panen yang didalamnya terkandung penanganan TBS restan dan pemanenan TBS. Dalam perspektif sistem dinamis, hal tersebut sebenarnya tidak dapat dijelaskan secara parsial, masing-masing titik mempunyai peran dalam pengaruh setelahnya dan demikian seterusnya. Tetapi karena rumusan kebijakan didasarkan pada aspek-aspek yang mempengaruhi dinamika parameter utama, hal tersebut harus diuraikan secara terpisah sebagai bentuk tindakan terbaik dalam peningkatan berbagai aspek tersebut. Tindakan terbaik peningkatan produktivitas kebun dilakukan dengan penanganan tanaman di kebun dan juga mengoptimumkan, meningkatkan dan memelihara luasan lahan panen TM (tanaman menghasilkan). Tindakan terbaik peningkatan rendemen CPO adalah dengan optimalisasi kinerja utilitas pabrik dan penanganan pra-pengolahan khususnya setelah TBS tiba di halaman pabrik. Tindakan dalam peningkatan kualitas pasca-panen adalah dengan optimalisasi penjadwalan transportasi kebun ke pabrik dan penerapan terintegrasi pengelolaan panen TBS. Rekapitulasi rumusan tersebut seperti diuraikan pada Tabel 12. Tabel 12. Rumusan kebijakan Aspek kebijakan

Tindakan terbaik

Peningkatan produktivitas kebun

Perbaikan kinerja penanganan tanaman di kebun dan memelihara serta meningkatkan luasan lahan panen TM

Peningkatan rendemen CPO

Optimasi kinerja utilitas pabrik dan peningkatan kinerja pra-pengolahan di pabrik

Peningkatan kualitas pasca-panen

Optimasi penjadwalan transportasi (trip dan truk) kebun ke pabrik, penerapan terintegrasi pengelolaan panen TBS dan minimasi stagnasi pabrik

Manajemen PKS Unit Adolina dapat melakukan tindakan korektif teknis operasional bulan Mei - September 2011 berdasarkan acuan rumusan tindakan terbaik seperti pada Gambar 57. Adapun hasil perbaikan tersebut menghasilkan proyeksi berdasarkan hasil simulasi skenario agresif periode bulan Mei - September 2011 berupa dinamika produksi CPO sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar ALB hasil simulasi bulan Mei - September 2011 sebesar 3,84% dan meningkat performanya menjadi 3,80% lebih baik dari keadaan aktual pada bulan April 2011 yang kadar ALB menyentuh nilai 3,92%.

65

Diharapkan 23,30%

Diharapkan 1963,21 kg/ha

- Optimasi kinerja utilitas pabrik - Peningkatan kinerja sortasi dan penumpukan (pra-pengolahan) - Pemilihan bibit tanaman unggul

Aspek Rendemen CPO

Tindakan koreksi:

Diharapkan 1,75%

Aspek Produktivitas Panen

Tindakan koreksi: Proyeksi produksi CPO 3847 ton Kadar ALB 3,84%

Diharapkan 15% Tindakan koreksi: - Optimasi penentuan trip transportasi TBS - Optimasi penentuan jumlah truk transportasi TBS - Minimisasi stagnasi pabrik

- Peningkatan pengelolaan panen (persiapan, kriteria, rotasi, pelaksanaan dan pengawasan)

Aspek Penanganan TBS Restan

- Budidaya & pemeliharaan *) Pembibitan *) Pengendalian gulma *) Pengendalian hama dan penyakit *) Pemupukan *) Prunning - Mempertahankan dan memelihara luasan tanaman menghasilkan sebesar 5980 ha

Gambar 57. Tindakan perbaikan kinerja PKS Unit Adolina untuk bulan Mei 2011

1.

Peningkatan kinerja produktivitas kebun dapat diupayakan melalui usaha sebagai berikut : Proses budidaya dan pemeliharaan dengan memperhatikan beberapa faktor yang berpengaruh yaitu: - Pembibitan bertujuan sebagai sarana untuk memilih kecambah yang terbaik sebelum ditanam dan memilih bibit yang memiliki tumbuh kembang baik sehingga akan berproduksi baik dan menguntungkan bagi perusahaan. Penggunaan varietas unggul dapat menghasilkan tingkat rendemen lebih banyak 2-4% dari varietas normal. - Kesuburan tanah yang baik memiliki sejumlah persyaratan, diantaranya memperbaiki kandungan ketersediaan hara makroprimer (N, P dan K) dan unsur mikroprimer, meningkatkan kandungan bahan organik dan kehidupan biologis tanah

66

Aspek Pemanenan TBS

Tindakan koreksi:

2.

3.

dan meningkatkan efektifitas pemupukan. Upaya ini perlu mendapat perhatian khususnya pada lokasi tanaman kelapa sawit yang masih memiliki kekurangan persyaratan kesuburan tanah. - Pemupukan pada tanaman kelapa sawit memiliki peranan yang sangat penting yaitu menentukan 35-40% terhadap hasil panen. Penggunaan kembali tandan kosong sisa pengolahan sebagai pupuk organik dapat menjadi alternatif pemupukan. - Pengendalian gulma ditujukan untuk menciptakan lingkungan tumbuh tanaman untama optimal agar pekerjaan pemeliharaan lainnya seperti pemupukan, pengendalian hama dan penyakit dan panen dapat dilakukan dengan mudah, sehingga diperolah tingkat pertumbuhan dan produksi yang optimal. - Pengendalian hama dan penyakit tanaman harus diperhitungkan dalam pengelolaan budidaya kelapa sawit karena dengan penyebarannya yang luas dapat menyebabkan gagal panen pada tanaman kelapa sawit. - Pemotongan pelepah (prunning) ditujukan untuk memudahkan memotong buah, menghindari tersangkutnya brondolan, memperlancar proses penyerbukan alami, mempermudah sensus buah atau pengamatan buah matang dan untuk sanitasi tanaman. Dalam RKAP yang ditetapkan manajemen dari tahun ke tahun, tercatat sejak tahun 2009, luas TM meningkat secara gradual. Pada 2009, luas lahan panen mencapai 5056 hektar, kemudian pada tahun 2010 mencapai 5095 hektar dan pada 2011 sebesar 5980 hektar. Untuk memperoleh proyeksi seperti pada Gambar 57, manajemen dapat mempertahankan luas lahan tanaman menghasilkan pada tahun 2011 yaitu sebesar 5980 hektar. Bila dilakukan pemeliharaan dan pengawasan secara bijaksana, peningkatan luasan lahan tanaman menghasilkan akan berimbas pada peningkatan produktivitas. Proses panen-angkut merupakan proses yang melibatkan departemen tanaman dan pabrik. Koordinasi semua pihak mesti diupayakan agar harmonis dan berjalan sesuai tanggung jawabnya masing-masing. Untuk menciptakan kerjasama yang baik, manajemen dapat memperbanyak alokasi jam pelatihan berbentuk pelatihan konsultasi.

Kinerja rendemen CPO mempengaruhi dinamika produksi CPO yang dihasilkan. Beberapa rekomendasi atau tindakan korektif demi peningkatan kinerja rendemen CPO adalah: 1. Pemanfaatan utilitas pabrik secara optimal dan juga pemeliharaan instalasi merupakan prioritas-prioritas agar kondisi instalasi pabrik tetap dalam keadaan standar dan tetap memiliki performa maksimal. Indikator dari pemanfaatan utilitas pabrik ini dilihat dari efisiensi kempa, efisiensi rebusan, efisiensi pabrik dan efisiensi ekstraksi minyak. Apabila kelima indikator itu nilainya berada diatas 90%, maka sudah dianggap pemakaiannya optimal. Namun, jika tidak tindakan korektif harus dilakukan demi mencari nilai efisiensi kelima indikator tersebut. 2. Pengawasan dan peningkatan kinerja pra-pengolahan saat TBS sudah masuk kedalam halaman pabrik mutlak dilakukan. Sortasi dan penumpukan di loading ramp harus dimonitor agar fraksi buah yang tidak diinginkan perusahaan tidak masuk ke dalam pengolahan. 3. Pemilihan bibit varietas unggul dapat mempengaruhi 2-4% rendemen akhir.

67

Kinerja pengaruh kriteria panen mempengaruhi dinamika kadar ALB dalam CPO yang dihasilkan. Buah yang mentah dan kotor secara positif mempengaruhi tingkat kenaikan ALB. Oleh karena itu perlu adanya tindakan korektif apabila hal tersebut terjadi. Peningkatan kinerja pengaruh kriteria panen dapat ditempuh dengan meningkatkan dan menerapkan pengelolaan terintegrasi panen TBS. Pengelolaan panen terintegrasi meliputi persiapan panen, kriteria matang panen, sistem dan rotasi panen, taksasi produksi dan sensus buah, pelaksanaan panen, pengawasan panen, basis, premi dan denda panen harus diterapkan secara keseluruhan. Sistem punish and reward diberlakukan agar menciptakan atmosfir disiplin dalam proses pemanenan TBS. Hal ini didasarkan karena agroindustri sendiri adalah industri yang bertumpu kepada bahan baku dan pemberian nilai tambah dengan pengolahan. Pengolahan tidak akan dapat berjalan apabila secara ekstrim ketersediaan bahan baku tidak ada, dan pengolahan dengan instalasi pabrik modern tidak akan efektif dan efisien jika TBS sebagai input bahan baku tidak memenuhi standar pengolahan. Peningkatan kinerja TBS restan yang secara positif mempengaruhi dinamika kadar ALB dapat ditempuh dengan penjadwalan transportasi yang optimum dan juga dengan menjaga stagnasi pabrik dibawah norma yang telah ditetapkan. Penjadwalan transportasi meliputi penentuan trip (rute) dan jumlah truk yang tersedia di setiap afdeling harus dapat mengangkut seluruh hasil panen di masing-masing afdeling untuk diolah di pabrik. Kekurangan truk dalam hal ini, akan berimbas pada jumlah TBS yang tidak diangkut sehingga mengalami penundaan dalam pengolahan sehingga menurunkan kualitasnya. Stagnasi pabrik juga harus dijaga agar TBS sebagai bahan baku dapat masuk secara kontinu tanpa ada hambatan untuk segera diolah. Berdasarkan RKAP, norma untuk stagnasi pabrik ditetapkan hanya sebesar 5%. Nilai stagnasi pabrik pada bulan Maret 2011 adalah sebesar 0,79% lebih rendah daripada bulan April 2011 sebesar 1,02%.

68

IX.

A.

KESIMPULAN DAN SARAN

KESIMPULAN 1.

2. 3.

4.

5.

6.

7.

8.

9.

Penelitian ini dapat disimpulkan sebagai berikut : Keragaman mutu minyak sawit kasar bersifat dinamik di sepanjang rantai pasokannya dan mempunyai sensitivitas tinggi terhadap perubahan parameter produktivitas kebun, rendemen CPO, TBS restan, pengaruh kriteria panen terhadap kadar ALB dan kecukupan truk. Ukuran kesuksesan manajemen berdasarkan hasil strukturisasi sistem yaitu volume produksi CPO dan kadar ALB yang sesuai dengan RKAP yang ditetapkan perusahaan Perancangan model dinamik penilaian risiko mutu CPO PKS Unit Adolina (CPOdyn) telah berhasil dalam mendeskripsikan pola perilaku dinamik penilaian risiko mutu CPO serta merumuskan paket kebijakan untuk PKS Unit Adolina pada bulan mendatang sesuai dengan apa yang tertuang dalam RKAP perusahaan. Secara umum, bila diproyeksikan desired value dari rendemen CPO dengan kisaran sebesar 22,0-24,00% dan produksi CPO mencapai 3250000-3847000 kg, dengan asumsi jarak tiap afdeling ke pabrik dan jumlah TBS pembelian sesuai dengan studi kasus penelitian, maka dibutuhkan armada truk sejumlah 17-19 truk per harinya pada musim panen normal dan 2123 truk harian pada musim panen puncak. Skenario perilaku dasar berdasarkan proyeksi hasil simulasi produktivitas kebun, rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap kadar ALB serta kecukupan truk selama periode Mei - September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar ALB yang diperoleh dengan kisaran sebesar 3,80%-3,84%. Simulasi perilaku dinamik pada skenario agresif (optimis) pada periode Mei - September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 3846921 kg hingga 4419347 kg. Dinamika kadar ALB yang diperoleh dengan kisaran sebesar 3,80%-3,84%. Simulasi perilaku dinamik pada skenario lambat (pesimis) pada periode Mei - September 2011 menghasilkan dinamika produksi CPO PKS Unit Adolina dengan kisaran sebesar 2999770 kg hingga 3563005 kg. Dinamika kadar ALB yang diperoleh dengan kisaran sebesar 4,09%-4,13%. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan, bahwa kinerja PKS Unit Adolina dari sisi produksi CPO bulan Mei 2011 sebesar mencapai nilai 3860158 kg dan pada bulan September 2011 meningkat menjadi 4446622 kg. Dinamika produksi CPO pada persentil 25% periode Mei 2011 sebesar 3612941 kg dan pada September 2011 meningkat menjadi 4148236 kg. Dinamika produksi CPO pada persentil 75% periode Mei 2011 sebesar 4084867 kg dan periode September 2011 meningkat menjadi sebesar 4698084 kg. Hasil penilaian risiko akibat karakteristik ketidakpastian pada persentil 50% menunjukkan, bahwa kinerja PKS Unit Adolina dari sisi kadar ALB bulan Mei 2011 menyentuh tingkat ALB sebesar 3,83% dan pada September 2011 menurun menjadi 3,79%. Penurunan pada kadar ALB mengindikasikan bahwa kualitas CPO yang diproduksi jauh lebih baik daripada periode sebelumnya. Dinamika kadar ALB pada persentil 25% periode Mei 2011 sebesar

69

3,62% dan pada September 2011 meningkat performanya menjadi 3,55%. Dinamika kadar ALB pada persentil 75% periode Mei 2011 sebesar 3,99% dan periode September 2011 menurun menjadi 3,97%.

B.

SARAN 1.

2.

3.

4.

Saran yang diberikan untuk penelitian selanjutnya adalah sebagai berikut : Agar penilaian risiko mutu tersebut lebih kompleks, mendetail dan lebih merepresentasikan perilaku dinamik secara sempurna di dunia nyata, perlu ditambahkan sub-model finansial, dimana aspek biaya produksi, biaya kehilangan dan keuntungan pabrik termasuk didalamnya. Pengembangan lebih lanjut sub-model yang telah ada yaitu dengan memasukkan parameter indikator penilaian risiko mutu pada tingkat seksi agar dapat menjelaskan perilaku yang lebih komprehensif dan dinamik terhadap parameter utama. Sub-model transportasi yang dibangun oleh pemodel tidak dilengkapi dengan analisis antrian. Kondisi antrian sendiri terjadi dua kali sebelum TBS masuk ke loading ramp untuk siap diolah, yaitu pada jembatan penimbangan dan pada fasilitas pembongkaran. CPOdyn masih terbatas hanya untuk skenario perubahan nilai parameter dengan fungsi konstan. Untuk itu diperlukan penambahan pilihan fungsi lain yang dapat menambah kemampuan dinamik CPOdyn.

70

DAFTAR PUSTAKA

Aulia A. 2010. Pengelolaan Panen Kelapa Sawit (Elaeis guineensis Jacq.) Kaitannya dengan Kandungan Asam Lemak Bebas di PT. Jambi Agro Wijaya [Skripsi]. Bogor: Departemen Agronomi dan Hortikultura, Fakultas Pertanian, Institut Pertanian Bogor. Angerhofer BJ and Angelides MC. 2000. Systems Dynamics Modelling in Supply Chain Management : Research Review. Department of Information Systems and Computing, Brunei University. United Kingdom. Austin JE. 1992. Agroindustrial Project Analysis. Maryland : The John Hopkins University Press. Barlo C, Zen Z, Gondowarsito R. 2003. The Indonesian Oil Palm Industry. Oil Palm Industry Journal 3(1) : 8-15. Basiron Y. 2002. Palm Oil dan Its Global Supply and Demand Prospects. Oil Palm Industry Journal 2(1):1-10. Basdabella S. 2001. Pengembangan Sistem Agroindustri Kelapa Sawit dengan Pola Perkebunan Agroindustri Rakyat [disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor. Bell C, Higgs R, Vickers S, Toncinich S, Hasslett T. 2003. Using Systems Modelling to Understand The Dynamics of Supply Chains. Department of Management Faculty of Business and Economics. Monash University, Australia. Brown JG. 1994. Agroindustrial Investment and Operations. Washington: The World Bank. Cavinato JL. 2004. Supply Chain Logistic Risks: From The Back Room to The Board Room. International Journal of Physical Distribution & Logistic Management 34(5):383-387. [COSO] Committee of Sponsoring Organizations of the Treadway Commissions of United States. 2004. Enterprise Risk Management – Integrated Framework : Executive Summary. Dja‟far WT. 2003. Skala Usaha dan Break Even Point Perusahaan Perkebunan Kelapa Sawit. Jurnal Penelitian Kelapa Sawit 11(2-3) : 61-74. Djohar S, Tanjung H, Cahyadi ER. 2003. Building A Competitive Advantage on CPO Through Supply Chain Management : A Case Study in PT. Eka Dura Indonesia, Astra Agrolestari, Riau. Jurnal Manajemen & Agribisnis 1(1):20-32. Direktorat Jenderal Perkebunan Indonesia, Kelapa Sawit (Minyak Sawit), 2010, Retrieved from www.ditjenbun.deptan.go.id, on 13rd January 2011. Didu MS. 2000. Rancang Bangun Sistem Penunjang Keputusan Pengembangan Agroindustri Kelapa Sawit untuk Perekonomian Daerah [Disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor. Eriyatno. 2003. Ilmu Sistem : Meningkatkan Mutu dan Efektifitas Manajemen. Jilid Satu. IPB Press. Bogor. Gaonkar R and Viswanadham N. 2006. A Conceptual and Analytical Framework for The Management of Risk in Supply Chains [working paper]. US : Indian School of Business. Goenadi DH, Dradjat B, Emingpraja L, Hurabarat B. 2005. Prospek dan Arah Pengembangan Agribisnis Kelapa Sawit di Indonesia [laporan]. Jakarta : Badan Penelitian dan Pengembangan Pertanian Departemen Pertanian. Hadiguna RA. 2010. Perancangan Sistem Pengambilan Keputusan Rantai Pasok dan Penilaian Risiko Mutu Pada Agroindustri Minyak Sawit Kasar [Disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor. Jatmika A. 2010. Rancang Bangun Sistem Pengembangan Agroindustri Kelapa Sawit dengan Strategi Pemberdayaan [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor.

71

Jayaprawira A. 2010. Perancangan Model Portofolio Risiko Korporasi Agroindustri Kelapa Sawit [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Kuhon A. 2007. Model Simulasi Manajemen Krisis Perusahaan Agroindustri [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Lee HL.2002. Aligning Supply Chain Strategies with Product Uncertainty. California Management Reviews 44(3): 105-119. Low C and Y Chen. 2009. The Performance Evaluation of Supply Chain by System Dynamics Modelling. APIEMS Dec (14-16): 706-713. Lyneis JM. 1980. Corporate Planning and Policy Design: A System Dynamics Approach. Massachussets : MIT Press. Makridakis S, SC Wheelwright, VE McGee. 1991. Metode dan Aplikasi Peramalan. Jakarta : Penerbit Erlangga. Mariana A. 2005. Rancang Bangun Sistem Penunjang Keputusan Investasi Pada Industri Biodiesel Kelapa Sawit Menggunakan Model Sistem Dinamis [Disertasi]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Morecroft J. 1982. A critical review of diagramming tools for conceptualizing feedback models. Dynamica (8) : 20-29. Muhammadi, E Aminullah dan B Soesilo. 2001. Analisis Sistem Dinamis Lingkungan Hidup, Sosial, Ekonomi, Manajemen. Jakarta: UMJ Press. Oktavia L. 2000. Penentuan Kebutuhan Armada Transportasi Tandan Buah Segar (TBS) Kelapa Sawit di Unit Usaha PT. Perkebunan Nusantara VII (Persero) Bandar Lampung [Skripsi]. Bogor: Departemen Teknik Pertanian, FATETA, Institut Pertanian Bogor. Perdana T. 2009. Pemodelan Dinamika Sistem Rancangbangun Manajemen Rantai Pasokan Industri Teh Hijau. [Disertasi]. Bogor: Program Pascasarjana, Institut Pertanian Bogor. [PPKS] Pusat Penelitian Kelapa Sawit. 2004. Tinjauan Ekonomi Industri Kelapa Sawit. Rohmatulloh. 2007. Pengembangan Penilaian Kinerja Pabrik Gula dengan Pendekatan Sistem Dinamik (Studi Kasus PG Subang Jawa Barat) [Tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Ruben R, Slingerland M, Nijhoff H. 2006. Agro-food Chains and Networks for Development. Di dalam : Ruben R, Slingerland M, Nijhoff H, editor. Agro-food Chains and Networks for Development. Netherlands: Springer: 1-25. Santoso I. 2005. Rekayasa Model Manajemen Risiko untuk Pengembangan Agroindustri Buahbuahan secara Berkelanjutan [Disertasi]. Bogor : Sekolah Pascasarjana, Institut Pertanian Bogor. Setiawan A. 2009. Studi Peningkatan Kinerja Manajemen Rantai Pasok Sayuran Daratan Tinggi Terpilih di Jawa Barat [Tesis]. Bogor: Sekolah Pascasarjana, Institut Pertanian Bogor. Sterman JD. 2000. Business Dynamics : System Thinking And Modelling For Complex World. Irwin McGraw Hill. Boston. Suharjito, Machfud, Haryanto B, Sukardi. 2011. Optimalisasi Penentuan Jadwal Tanam Jagung dengan Menggunakan Integrasi Model Evaluasi Risiko Rantai Pasok. Jurnal Teknologi Industri Pertanian 20(1) : 48-56. Tyas CK. Pengelolaan Risiko Panen Kelapa Sawit di Perkebunan Pantai Bunati Estate PT. Sajang Heulang Minamas Plantation, Kalimantan Selatan [Skripsi]. Bogor: Departemen Agronomi dan Holtikultura, Fakultas Pertanian, Institut Pertanian Bogor. Udayana IGB. 2010. Manajemen Risiko Agroindustri Biodiesel Berbasis Kelapa Sawit [Disertasi]. Bogor: Sekolah Pascasarjana Institut Pertanian Bogor.

72

Vorst JGAJ van der, Da Silva CA, Trienekens JH. 2007. Agroindustrial Supply Chain Management : Concepts and Applications. Agricultural Management Marketing and Finance Occasional Paper, Roma : Food and Agriculture Organization of The United Nations. Zee DJ van der, Vorst JGAJ van der. 2005. A Modeling Framework for Supply Chain Simulation: Opportunities for Improved Decision Making. Decision Sciences 36(1):65-95. Zsidisin GA and B Ritchie. 2011. Supply Chain Risk: A Handbook of Assessment, Management and Performance. USA: Springer.

73

LAMPIRAN

74

Lampiran 1. Struktur Organisasi PT. Perkebunan Nusantara IV (Persero) Unit Adolina

Manajer Unit

Ka.Dis Tanaman Rayon Utara

Ka.Dis Tanaman Rayon Selatan

Ka.Dis Tanaman Rayon Bangun

Ka.Dis Teknik & Pengolahan

Ka.Dis Tata Usaha

Asisten SDM & Umum

Asisten Afdeling 1

Asisten Afdeling 4

Asisten Afdeling 7

Asisten Teknik & Pengolahan

Asisten Tata Usaha

Perwira Pengamanan

Asisten Afdeling 2

Asisten Afdeling 5

Asisten Afdeling 8

Asisten Teknik & Pengolahan Asisten Afdeling 3

Asisten Afdeling 6

Asisten Afdeling 9

Keterangan:

Garis Koordinasi Garis Komando

75

Lampiran 2. Tabel Kisi-Kisi Pedoman Wawancara No.

Model

Aspek Analisis

Keterangan 1. Identifikasi strategi & tujuan perusahaan 2. Identifikasi lingkungan internal perusahaan dan nilai yang terkandung di dalamnya

1

Exposure (paparan)

3. Identifikasi ukuran kesuksesan perusahaan 4. Identifikasi variabel sumber risiko 5. Identifikasi landasan penilaian risiko mutu CPO 1. Identifikasi keterkaitan area kesuksesan dengan ukuran kinerja yang saling mendukung strategi dan tujuan perusahaan

Risk Assessment Questionnaire

2

Severity (konsekuensi)

3

Likelihood (kemungkinan)

2. Identifikasi proses mitigasi risiko mutu perusahaan dan alternatif kebijakan terkait penanganan variabel risiko 3. Identifikasi pengorganisasian hirarki perusahaan terkait dengan aktifitas penilaian risiko mutu 4. Identifikasi pengawasan dan evaluasi dalam aktifitas pengendalian mutu 1. Identifikasi peluang dan dampak terjadinya risiko selama rantai pasok

76

Lampiran 3. Jadwal Penelitian

Matriks jadwal penelitian 2011 No.

Uraian

Ket. Jan

Feb

Maret

April

Mei

Juni

Jul

√

√

√

√

√

1

Persiapan

√

√

√

2

Studi kepustakaan

√

√

√

√

3

Proposal penelitian

√

√

4

Perizinan

√

√

5

Penelitian

6

Seminar

7

Pengolahan data dan pemodelan SD

8

Penulisan skripsi

9

Ujian sidang

√

Agu

Sept

√

√

√

√

√

√

Okt-Nov

√ √

√

√ √

Tentatif

77

Lampiran 4. Uji Distribusi Probabilitas Persentase TBS Restan Auto::Fit of Distributions distribution Lognormal(12., 1.79, 0.975) Exponential(12., 8.29) Uniform(12., 31.6)

rank 98.3 85.3 24.2

acceptance do not reject do not reject do not reject

goodness of fit data points estimates accuracy of fit level of significance

16 maximum likelihood estimates 3.e-004 5.e-002

summary distribution Exponential Lognormal Uniform detail Exponential minimum = beta =

Kolmogorov Smirnov 0.197 0.198 0.208

12. [fixed] 8.29063

78

Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result Lognormal minimum = mu = sigma = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result Uniform minimum = maximum = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result

16 0.197 5.e-002 0.327 0.504 DO NOT REJECT

12. [fixed] 1.7859 0.97461 16 0.198 5.e-002 0.327 0.496 DO NOT REJECT

12. [fixed] 31.6 16 0.208 5.e-002 0.327 0.435 DO NOT REJECT

79

Pengaruh Kriteria Panen Terhadap ALB Auto::Fit of Distributions distribution Lognormal(1., -0.174, 5.82e-002) Exponential(1., 0.842) Uniform(1., 1.93)

rank 100 3.15e-007 0

acceptance do not reject reject reject

goodness of fit data points 16 estimates maximum likelihood estimates accuracy of fit 3.e-004 level of significance 5.e-002 summary distribution Exponential Lognormal Uniform

Kolmogorov Smirnov 0.599 0.114 0.828

detail Exponential minimum = beta = Kolmogorov-Smirnov data points ks stat

1. [fixed] 0.841875 16 0.599

80

alpha ks stat(16,5.e-002) p-value result Lognormal minimum = mu = sigma = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result Uniform minimum = maximum = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result

5.e-002 0.327 5.04e-006 REJECT

1. [fixed] -0.173825 5.82285e-002 16 0.114 5.e-002 0.327 0.97 DO NOT REJECT

1. [fixed] 1.93 16 0.828 5.e-002 0.327 1.28e-012 REJECT

81

Produktivitas Kebun Auto::Fit of Distributions distribution Exponential(1.44e+003, 607) Uniform(1.44e+003, 2.82e+003) Lognormal(1.44e+003, 5.6, 1.99)

rank 80.1 34.5 15.5

acceptance do not reject do not reject do not reject

goodness of fit data points 16 estimates maximum likelihood estimates accuracy of fit 3.e-004 level of significance 5.e-002 summary distribution Exponential Lognormal Uniform

Kolmogorov Smirnov 0.182 0.227 0.16

detail Exponential minimum = beta = Kolmogorov-Smirnov data points ks stat alpha

1441. [fixed] 606.841 16 0.182 5.e-002

82

ks stat(16,5.e-002) p-value result Lognormal minimum = mu = sigma = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result Uniform minimum = maximum = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result

0.327 0.559 DO NOT REJECT

1441. [fixed] 5.6028 1.98627 16 0.227 5.e-002 0.327 0.332 DO NOT REJECT

1441. [fixed] 2824.34 16 0.16 5.e-002 0.327 0.749 DO NOT REJECT

83

Rendemen CPO Auto::Fit of Distributions distribution Lognormal(22., 0.119, 0.346) Uniform(22., 23.6)

rank acceptance 100 do not reject 1.14e-002 reject

goodness of fit data points 16 estimates maximum likelihood estimates accuracy of fit 3.e-004 level of significance 5.e-002 summary distribution

Kolmogorov Smirnov

Lognormal Uniform

0.253 0.452

detail Lognormal minimum = mu = sigma = Kolmogorov-Smirnov data points ks stat alpha

22. [fixed] 0.119262 0.345599 16 0.253 5.e-002

84

ks stat(16,5.e-002) p-value result Uniform minimum = maximum = Kolmogorov-Smirnov data points ks stat alpha ks stat(16,5.e-002) p-value result

0.327 0.216 DO NOT REJECT

22. [fixed] 23.61 16 0.452 5.e-002 0.327 1.68e-003 REJECT

85

Lampiran 5. Plot Data Analisis Regresi

Tabel. Tingkat kadar ALB berdasarkan fraksi panen

Fraksi Panen 00 0 1 2 3 4 5

Kadar ALB 1,6 % 1,6 % 1,7 % 1,8 % 2,1 % 2,6% 2,8%

Sumber : Lubis (1992) Regression Analysis: Kadar ALB versus Fraksi 00 The regression equation is Kadar ALB = 4,344 - 0,5736 Fraksi 00 S = 0,304372 Analysis of Source Regression Error Total

R-Sq = 17,5% Variance DF SS 1 0,27418 14 1,29700 15 1,57117

R-Sq(adj) = 11,6%

MS 0,274179 0,092643

F 2,96

P 0,107

Fitted Line Plot

Kadar ALB = 4,344 - 0,5736 Fraksi 00 4,75

S R-Sq R-Sq(adj)

0,304372 17,5% 11,6%

Kadar ALB

4,50

4,25

4,00

3,75

3,50 0,0

0,1

0,2

0,3 0,4 Fraksi 00

0,5

0,6

0,7

86

Regression Analysis: Kadar ALB versus Fraksi 0 The regression equation is Kadar ALB = 4,694 - 0,4097 Fraksi 0 S = 0,280035 Analysis of Source Regression Error Total

R-Sq = 30,1% Variance DF SS 1 0,47330 14 1,09788 15 1,57117

R-Sq(adj) = 25,1%

MS 0,473299 0,078420

F 6,04

P 0,028

Fitted Line Plot

Kadar ALB = 4,694 - 0,4097 Fraksi 0 4,75

S R-Sq R-Sq(adj)

0,280035 30,1% 25,1%

Kadar ALB

4,50

4,25

4,00

3,75

3,50 0,50

0,75

1,00

1,25 Fraksi 0

1,50

1,75

2,00

Regression Analysis: Kadar ALB versus Fraksi Matang The regression equation is Kadar ALB = - 21,94 + 0,2653 Fraksi Matang S = 0,285097 Analysis of Source Regression Error Total

R-Sq = 27,6% Variance DF SS 1 0,43325 14 1,13792 15 1,57117

R-Sq(adj) = 22,4%

MS 0,433253 0,081280

F 5,33

P 0,037

87

Fitted Line Plot

Kadar ALB = - 21,94 + 0,2653 Fraksi Matang 4,75

S R-Sq R-Sq(adj)

0,285097 27,6% 22,4%

Kadar ALB

4,50

4,25

4,00

3,75

3,50 97,5

98,0

98,5 Fraksi Matang

99,0

99,5

Polynomial Regression Analysis: ALB versus TBS Restan The regression equation is ALB = - 25,06 + 4,102 TBS Restan - 0,1831 TBS Restan**2 + 0,002630 TBS Restan**3 S = 0,224976

R-Sq = 85,5%

Analysis of Variance Source DF SS Regression 3 0,598322 Error 2 0,101228 Total 5 0,699550

R-Sq(adj) = 63,8%

MS 0,199441 0,050614

F 3,94

P 0,209

Fitted Line Plot

ALB = - 25,06 + 4,102 TBS Restan - 0,1831 TBS Restan**2 + 0,002630 TBS Restan**3 S R-Sq R-Sq(adj)

4,8

0,224976 85,5% 63,8%

ALB

4,6 4,4 4,2 4,0 3,8 15,0

17,5

20,0

22,5 25,0 TBS Restan

27,5

30,0

32,5

88

Lampiran 6. Penentuan Armada Transportasi Tandan Buah Segar (TBS) Rata-rata Produksi Bulanan per Afdeling (kg) Bulan Januari Februari

Afd.1 1054658,4 1317671,9

Afd.2 880313 996531

Afd.3 193117,1424 219734,7007

Afd.4 552887,25 618308,17

Afd.5 894412 1136223

Afd.6 Afd.7 969285 1004899,5 1151058 1131556,6

Afd.8 562897 595406

Afd.9 355063,155 401679,7668

Maret April Mei Juni Juli Agustus September Oktober Nopember Desember

1590690,1 1642264,2 1727815,2 1855594,3 2285424,4 2346850,4 1955204,3 2210478,2 1845014,3 1927249,2

1222302 1224038 1302198 1398669 1721831 1767893 1471812 1664222 1345111 1381742

262860,3379 260152,7386 284982,7066 306077,8189 376882,6334 386987,5465 322285,5741 364392,004 296948,4207 311889,7788

745534,39 724155,24 817920,95 878388,22 1081963,2 1111071,3 925787,84 1046628,2 892271,52 908261,05

1381189 1359373 1502792 1613752 1988433 2042104 1702424 1924434 1679706 1723830

1363784 1339895 1497545 1608236 1981055 2034375 1695240 1916487 1657169 1652663

735188 765304 812223 872331 1074198 1103017 918690 1038695 876393 868842

499905,4406 511880,9925 532555,4578 572009,7728 704168,2449 723005,1609 601913,3793 680602,5606 546848,5843 567764,6949

Afd.5 45867 52240 54701 55485 54311 60508

Afd.6 49707 52922 54011 54690 54122 60301

1347432,2 1387991,6 1487302,5 1597374,4 1966998,6 2019763,7 1682202,5 1901950,7 1618434,1 1573558,1

Rata-rata Produksi Harian per Afdeling (kg) Bulan Januari Februari Maret April Mei Juni

Hari Olah 19,5 21,75 25,25 24,5 27,67 26,67

Afd.1 54085 60583 62998 67031 62444 69576

Afd.2 45144 45818 48408 49961 47062 52444

Afd.3 9903 10103 10410 10618 10299 11476

Afd.4 28353 28428 29526 29557 29560 32935

Afd.7 51533 52026 53364 56653 53751 59894

Afd.8 28866 27375 29116 31237 29354 32708

Afd.9 18208 18468 19798 20893 19247 21448

89

Juli Agustus September Oktober Nopember Desember

28 28,33 25,67 26,67 24,67 26

81622 82840 76167 82883 74788 74125

61494 62404 57336 62401 54524 53144

13460 13660 12555 13663 12037 11996

38642 39219 36065 39244 36168 34933

71015 72083 66320 72157 68087 66301

70752 71810 66040 71859 67173 63564

70250 71294 65532 71314 65603 60521

38364 38935 35788 38946 35525 33417

25149 25521 23448 25519 22167 21837

Data Jarak dan Waktu Siklus Transportasi Afdeling Afdeling 1 2 3 4 5 6 7 8 9

Jarak (km) 15 11 15 18 24 27 45,5 60 52,5

Waktu siklus (menit) 72,5 66,5 72,5 77 86 90,5 118,25 140 128,75

90

Afdeling 1 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 72,5 menit Produksi Bulan harian (kg) 54085 Januari 60583 Februari 62998 Maret 67031 April 62444 Mei 69576 Juni 81622 Juli 82840 Agustus 76167 September 82883 Oktober 74788 Nopember 74125 Desember

Jumlah trip/hari

Total Truk

10 11 11 12 11 12 14 14 13 14 13 13

2 2 2 2 2 2 3 3 3 3 3 3

Afdeling 2 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 66,5 menit Produksi Bulan harian (kg) 45144 Januari 45818 Februari 48408 Maret 49961 April 47062 Mei 52444 Juni 61494 Juli 62404 Agustus 57336 September 62401 Oktober 54524 Nopember 53144 Desember

Maksimal trip/truk/hari = 6 trip

Maksimal trip/truk/hari = 7 trip

Jumlah trip/hari

Total Truk

8 8 9 9 8 9 11 11 10 11 10 9

2 2 2 2 2 2 2 2 2 2 2 2

91

Afdeling 3 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 72,5 menit Produksi harian (kg) 9903 Januari 10103 Februari 10410 Maret 10618 April 10299 Mei 11476 Juni 13460 Juli 13660 Agustus 12555 September 13663 Oktober 12037 Nopember 11996 Desember Bulan

Jumlah trip/hari

Total Truk

2 2 2 2 2 2 3 3 3 3 3 2

1 1 1 1 1 1 1 1 1 1 1 1

Afdeling 4 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 77 menit Produksi Bulan harian (kg) 28353 Januari 28428 Februari 29526 Maret 29557 April 29560 Mei 32935 Juni 38642 Juli 39219 Agustus 36065 September 39244 Oktober 36168 Nopember 34933 Desember

Maksimal trip/truk/hari = 6 trip

Maksimal trip/truk/hari = 6 trip

Jumlah trip/hari

Total Truk

5 5 5 5 5 6 7 7 7 7 7 6

1 1 1 1 1 1 2 2 2 2 2 1

92

Afdeling 5 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 86 menit Produksi harian (kg) 45867 Januari 52240 Februari 54701 Maret 55485 April 54311 Mei 60508 Juni 71015 Juli 72083 Agustus 66320 September 72157 Oktober 68087 Nopember 66301 Desember Bulan

Jumlah trip/hari

Total Truk

8 9 10 10 10 11 12 12 12 12 12 12

2 2 2 2 2 3 3 3 3 3 3 3

Afdeling 6 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 90,5 menit Produksi Bulan harian (kg) 49707 Januari 52922 Februari 54011 Maret 54690 April 54122 Mei 60301 Juni 70752 Juli 71810 Agustus 66040 September 71859 Oktober 67173 Nopember 63564 Desember

Maksimal trip/truk/hari = 5 trip

Maksimal trip/truk/hari = 5 trip

Jumlah trip/hari

Total Truk

9 9 10 10 10 11 12 12 12 12 12 11

2 2 2 2 2 3 3 3 3 3 3 3

93

Afdeling 7 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 118,25 menit Produksi harian (kg) 51533 Januari 52026 Februari 53364 Maret 56653 April 53751 Mei 59894 Juni 70250 Juli 71294 Agustus 65532 September 71314 Oktober 65603 Nopember 60521 Desember Bulan

Jumlah trip/hari

Total Truk

9 9 9 10 9 9 12 12 11 12 11 11

3 3 3 3 3 3 3 3 3 3 3 3

Afdeling 8 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 140 menit Produksi Bulan harian (kg) 28866 Januari 27375 Februari 29116 Maret 31237 April 29354 Mei 32708 Juni 38364 Juli 38935 Agustus 35788 September 38946 Oktober 35525 Nopember 33417 Desember

Maksimal trip/truk/hari = 4 trip

Maksimal trip/truk/hari = 3 trip

Jumlah trip/hari

Total Truk

5 5 5 6 5 6 7 7 6 7 6 6

2 2 2 2 2 2 3 3 2 3 2 2

94

Afdeling 9 Kapasitas truk = 6000 kg Jam kerja truk per hari = 8 jam Waktu siklus transportasi = 128,75 menit Produksi harian (kg) 18208 Januari 18468 Februari 19798 Maret 20893 April 19247 Mei 21448 Juni 25149 Juli 25521 Agustus 23448 September 25519 Oktober 22167 Nopember 21837 Desember Bulan

Maksimal trip/truk/hari = 3 trip

Jumlah trip/hari

Total Truk

4 4 4 4 4 4 5 5 4 5 4 4

2 2 2 2 2 2 2 2 2 2 2 2

Rekapitulasi Penentuan Truk Harian Tiap Bulan per Afdeling

Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember

1 2 2 2 2 2 2 3 3 3 3 3 3

2 2 2 2 2 2 2 2 2 2 2 2 2

3 1 1 1 1 1 1 1 1 1 1 1 1

4 1 1 1 1 1 1 2 2 2 2 2 1

Afdeling 5 2 2 2 2 2 3 3 3 3 3 3 3

6 2 2 2 2 2 3 3 3 3 3 3 3

7 3 3 3 3 3 3 3 3 3 3 3 3

8 2 2 2 2 2 2 3 3 2 3 2 2

9 2 2 2 2 2 2 2 2 2 2 2 2

Total 17 17 17 18 17 19 23 23 22 23 22 21

95

Lampiran 7. Angka – angka Pengolahan Pabrik Tahun 2010

96

97

98

Lampiran 8. Ekspresi Risiko ALB Pada Pelaku Rantai Pasokan CPO Tiap Skenario Kebijakan

Tabel. Matriks Skenario Kebijakan Skenario

Produktivitas kebun (kg/ha)

Rendemen CPO (%)

TBS restan (%)

Pengaruh kriteria panen thd kadar ALB (%)

Jumlah truk (truk)

Ket.

Agresif

+ (5-6%)

-1%

-1,5%

+ (5-6%)

-1%

-1,5%

Agresif

-

-0,5%

-1,5%

Moderat

-

+ (0,130,14%) -

0,5%

-1%

Lambat

- (5-6%)

1%

1,5%

Agresiflambat

+ (5-6%)

- (0,130,14%) + (0,130,14%)

0,5%

1%

≥ total truk diperlukan ≥ total truk diperlukan ≥ total truk diperlukan ≥ total truk diperlukan < total truk diperlukan < total truk diperlukan

SR 1A

Agresif

+ (0,130,14%) -

SR 1B SR 1C SR 2 SR 3 SR 4

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Mei 2011 Nilai Kadar ALB dalam Skenario (%)

Elemen Rantai Pasok

SR1A

SR1B

SR1C

SR2

SR3

SR4

Pasca-panen

1,61

1,61

1,61

1,61

1,60

1,60

Transportasi – sortasi

3,54

3,54

3,54

3,57

3,56

3,57

Pengolahan

3,837

3,83783

3,83791

3,86791

4,08799

3,88783

Tangki timbun pabrik

3,84

3,84

3,84

3,87

4,09

3,89

99

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Mei 2011 (%) 4 3,75 3,5 3,25 3 2,75 2,5 2,25 2 1,75 1,5 1,25 1 Pasca-panen

Transportasi-Sortasi SR1A

SR1B

SR1C

Pengolahan SR2

SR3

Tangki timbun SR4

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juni 2011 Nilai Kadar ALB dalam Skenario (%)

Elemen Rantai Pasok

SR1A

SR1B

SR1C

SR2

SR3

SR4

Pasca-panen

1,61

1,61

1,61

1,61

1,60

1,60

Transportasi – sortasi

3,53

3,52

3,54

3,58

3,57

3,59

Pengolahan

3,827

3,81776

3,83791

3,87791

4,0807

3,90775

Tangki timbun pabrik

3,83

3,82

3,84

3,88

4,1

3,91

100

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juni 2011 (%) 4 3,75 3,5 3,25 3 2,75 2,5 2,25 2 1,75 1,5 1,25 1 Pasca-panen

Transportasi-Sortasi SR1A

SR1B

SR1C

Pengolahan SR2

SR3

Tangki timbun SR4

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juli 2011 Nilai Kadar ALB dalam Skenario (%)

Elemen Rantai Pasok

SR1A

SR1B

SR1C

SR2

SR3

SR4

Pasca-panen

1,62

1,62

1,61

1,61

1,60

1,60

Transportasi – sortasi

3,51

3,52

3,53

3,60

3,57

3,61

Pengolahan

3,827

3,82768

3,8479

3, 91791

4,0807

3,92767

Tangki timbun pabrik

3,83

3,83

3,85

3,92

4,1

3,93

101

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Juli 2011 (%) 4 3,75 3,5 3,25 3 2,75 2,5 2,25 2 1,75 1,5 1,25 1 Pasca-panen

Transportasi-Sortasi SR1A

SR1B

SR1C

Pengolahan SR2

SR3

Tangki timbun SR4

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Agustus 2011 Nilai Kadar ALB dalam Skenario (%)

Elemen Rantai Pasok

SR1A

SR1B

SR1C

SR2

SR3

SR4

Pasca-panen

1,62

1,62

1,62

1,62

1,60

1,6

Transportasi – sortasi

3,5

3,49

3,52

3,61

3,57

3,62

Pengolahan

3,817

3,8076

3,8379

3, 91791

4,0807

3,93

Tangki timbun pabrik

3,82

3,81

3,84

3,92

4,1

3,94

102

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok Agustus 2011 (%) 4 3,75 3,5 3,25 3 2,75 2,5 2,25 2 1,75 1,5 1,25 1 Pasca-panen

Transportasi-Sortasi SR1A

SR1B

SR1C

Pengolahan SR2

SR3

Tangki timbun SR4

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok September 2011 Nilai Kadar ALB dalam Skenario (%)

Elemen Rantai Pasok

SR1A

SR1B

SR1C

SR2

SR3

SR4

Pasca-panen

1,62

1,62

1,62

1,62

1,59

1,59

Transportasi – sortasi

3,48

3,48

3,51

3,62

3,60

3,64

Pengolahan

3,797

3,79752

3,8279

3,93791

4,12831

3,95751

Tangki timbun pabrik

3,8

3,81

3,84

3,94

4,13

3,96

103

Ekspresi Risiko ALB Tiap Pelaku Rantai Pasok September 2011 (%) 4 3,75 3,5 3,25 3 2,75 2,5 2,25 2 1,75 1,5 1,25 1 Pasca-panen

Transportasi-Sortasi SR1A

SR1B

SR1C

Pengolahan SR2

SR3

Tangki timbun SR4

104

Lampiran 9. List Persamaan Powersim mainmodel Model Dinamik Penilaian Risiko Mutu CPO Adolina { aux cpo { autotype Real autounit kg/mo def 'laju pasokan tbs'*'rendemen cpo'*1<<mo>> doc Jumlah CPO total yang diproduksi oleh PKS Unit Adolina berdasar hasil simulasi } aux hari kerja olah { autotype Real autounit hari kerja def GRAPH(TIME,STARTTIME,1<<mo>>,{27,27,20,22,29,28,24,26,26,25,24,26,25,24}<<'hari kerja'>>) doc Data aktual hari kerja olah bulan Januari 2010 - April 2011 } aux hari olah bulanan rata-rata { autotype Real autounit da def 'hari olah rata-rata'[INDEX('indeks hari olah')] doc Data aktual hari olah bulanan rata-rata setelah indeksasi } aux hari olah rata-rata { autotype Real autounit da dim Bulan def {}{19.5,21.75,25.25,24.5,27.67,26.67,28,28.33,25.67,26.67,24.67,26}<> doc Data aktual hari olah bulanan rata-rata dari tahun 2009 - 2011 } aux indeks bulan { type Integer def MONTH(TIME) } aux indeks hari olah { type Integer def MONTH(TIME) doc Variabel untuk indeksasi bulan pada penentuan jumlah armada transportasi TBS } aux jam kerja olah { autotype Real autounit jam kerja/hari kerja def GRAPH(TIME,STARTTIME,1<<mo>>,{21,20.35,17.15,18.45,21.88,22.76,22,21,26,27,26,23,23,23}<<'jam kerja'/'hari kerja'>>) doc Data aktual jam kerja olah harian dalam sebulan rata-rata pabrik periode Januari 2010 - April 2011 } const JAM KERJA TRUK PER HARI { autotype Real autounit hr init 8<

---

> doc Data aktual jam kerja truk untuk transpotasi TBS harian } const JANGKAUAN PERSEDIAAN { autotype Real autounit wk init 0.5<<wk>> doc Lama waktu dimana persediaan dapat memenuhi prakiraan permintaan konsumen } const JARAK AFDELING { autotype Real autounit km dim Afdeling init {}{15,11,15,18,24,27,45.5,60,52.5}<> doc Data aktual jarak afdeling ke pabrik }

105

aux jlh fraksi 0 panen { autotype Real autounit % def GRAPH(TIME,STARTTIME,1<<mo>>,{1.54,1.91,1.72,1.78,1.58,1.36,1.54,1.57,1.22,0.45,0.64,1.54,0.90, 0.76,0.99,1.32}<<%>>) doc Data aktual fraksi 0 panen TBS periode Januari 2010 - April 2011 } aux jlh fraksi 00 panen { autotype Real autounit % def GRAPH(TIME,STARTTIME,1<<mo>>,{0.67,0.60,0.59,0.61,0.45,0.17,0.14,0.39,0.39,0.02,0.10,0.56,0.13, 0.01,0.16,0.12}<<%>>) doc Data aktual fraksi 00 panen TBS periode Januari 2010 - April 2011 } aux jlh fraksi matang panen { autotype Real autounit % def GRAPH(TIME,STARTTIME,1<<mo>>,{97.79,97.49,97.69,97.61,97.97,98.47,98.32,98.04,98.39,99.53,99. 26,97.90,98.97,99.23,98.85,98.56}<<%>>) doc Data aktual jumlah fraksi matang panen TBS periode Januari 2010 - April 2011 } aux jumlah trip aktual { autotype Real autounit trip/da def ARRSUM('jumlah trip per afdeling')+('panen angkut'*1<>)*0 doc Total jumlah trip harian yang dibutuhkan untuk mengangkut seluruh hasil panen kebun sendiri ke pabrik untuk diolah } const JUMLAH TRIP INISIASI { autotype Real autounit trip init 0<> doc Inisiasi trip awal } aux jumlah trip maksimal { autotype Real autounit trip/da def ARRSUM('jumlah trip maksimal per afdeling') doc Total jumlah trip maksimal yang dapat ditempuh oleh satu truk dalam satu hari kerja } aux jumlah trip maksimal per afdeling { autotype Real autounit trip/da autodim Afdeling def INTEGER('JAM KERJA TRUK PER HARI'/'waktu siklus transportasi')*1<> doc Jumlah trip maksimal yang dapat ditempuh satu truk tiap satu hari kerja tiap afdeling } aux jumlah trip per afdeling { autotype Real autounit trip/da autodim Afdeling def (CEIL('produksi tbs harian'*1<>/'KAPASITAS ALAT ANGKUT')*1<>)*1<<1/da>> doc Jumlah trip harian yang dibutuhkan untuk mengangkut seluruh hasil panen TBS ke pabrik tiap afdeling } aux jumlah truk diinginkan { autotype Real autounit truk/da def 100<<truk/da>> doc Jumlah truk yang dikehendaki pengguna } aux jumlah truk diperlukan {

106

autotype Real autounit truk/da autodim Afdeling def CEIL('jumlah trip per afdeling'/'jumlah trip maksimal per afdeling')*1<<truk/da>> doc Jumlah truk harian yang dibutuhkan untuk transportasi TBS tiap afdeling } aux kadar alb { autotype Real unit % def (((-25.06+4.102*('tbs restan'/1<<%>>)-0.1831*('tbs restan'/1<<%>>)^2+0.002630*('tbs restan'/1<<%>>) ^3)*0.418725666)/100)+'kenaikan alb di pabrik'+'pengaruh kriteria panen thd kadar alb'+KONVERSI*cpo doc Kadar asam lemak bebas (ALB) dari CPO yang dihasilkan perusahaan berdasar hasil simulasi } const KAPASITAS ALAT ANGKUT { autotype Real autounit kg init 6000<> doc Kapasitas maksimal truk dalam mengangkut TBS } aux kapasitas olah pabrik { autotype Real autounit kg/(mo*jam kerja) def ('laju pasokan tbs'/'hari kerja olah')/'jam kerja olah' doc Nilai kapasitas berjalan pabrik setiap hari kerja. Nilai ini harus dibawah 30000 kg TBS/jam } const KECEPATAN TRUK { autotype Real autounit km/hr init 40<> doc Rata-rata kecepatan truk dari afdeling ke pabrik } aux kecukupan truk { autotype Logical def IF('jumlah truk diinginkan'>'total jumlah truk diperlukan',TRUE,FALSE) doc Variabel yang bekerja dalam fungsi logika untuk mengakomodir kecukupan truk } aux kehilangan tbs masuk { autotype Real autounit kg/(mo*hektar) def GRAPH(TIME,STARTTIME,1<<mo>>,{6.857,7.344,8.690,12.227,14.349,7.821,5.093,5.401,9.126,24.657, 10.276,6.637}<>) doc Merupakan jumlah tbs yang hilang setelah panen hingga masuk ke dalam pabrik. Data didapat dari Angka Pengolahan, dimana kehilangan tbs masuk = jumlah selisih tbs masuk / luas lahan panen. Catatan: luas lahan panen untuk tahun 2010 (5095 ha) dan 2011 (5980 ha) berbeda. } aux kenaikan alb di pabrik { autotype Real autounit % def GRAPH(TIME,STARTTIME,1<<mo>>,{0.28,0.30,0.30,0.29,0.30,0.39,0.40,0.35,0.33,0.32,0.36,0.34,0.33, 0.30,0.30,0.30}<<%>>)+'pengaruh jumlah truk terhadap kenaikan kadar alb' doc Data aktual kenaikan ALB dalam pabrik periode Januari 2010 - April 2011 } const KONVERSI { autotype Real unit %mo/kg init 0.0000000005640<<mo/kg>> doc Faktor konversi dari jumlah CPO diproduksi yang mempengaruhi kenaikan kadar ALB } aux laju pasokan tbs { autotype Real

107

autounit kg/mo def 'panen angkut'+'tbs pembelian' doc Total TBS yang dipasok untuk diolah menjadi CPO } aux laju pengaruh kriteria panen skenario { autotype Real autounit % def RAMP(-1.5<<%/mo>>,STARTTIME+15<<mo>>) doc Skenario penurunan pengaruh kriteria panen bulan Mei 2011 - September 2011 sebesar 1.5%/bulannya } aux laju pesanan { autotype Real unit kg/mo def 669368<>+ STEP(-34922<>, STARTTIME + 4<<wk>>)+ STEP(182460<>, STARTTIME + 8<<wk>>)+ STEP(-36389<>, STARTTIME + 12<<wk>>)+ STEP(132493<>, STARTTIME + 16<<wk>>)+ STEP(48191<>, STARTTIME + 20<<wk>>)+ STEP(-64567<>, STARTTIME + 24<<wk>>)+ STEP(169364<>, STARTTIME + 28<<wk>>)+ STEP(-297612<>, STARTTIME + 32<<wk>>)+ STEP(137585<>, STARTTIME + 36<<wk>>)+ STEP(-119079<>, STARTTIME + 40<<wk>>)+ STEP(71646<>, STARTTIME + 44<<wk>>)+ STEP(-392042<>, STARTTIME + 48<<wk>>)+ STEP(434698<>, STARTTIME + 52<<wk>>)+ STEP(-289497<>, STARTTIME + 56<<wk>>)+ STEP(221844<>, STARTTIME + 61<<wk>>) doc Jumlah pesanan yang bersifat eksogenous untuk dikirimkan ke konsumen dari persediaan yang ada per minggunya } aux laju produktivitas kebun skenario { autotype Real autounit % def RAMP(5<<%/mo>>,STARTTIME+15<<mo>>) doc Skenario kenaikan produktivitas kebun bulan Mei 2011 - September 2011 sebesar 5-6%/bulannya } aux laju rendemen cpo skenario { autotype Real autounit % def RAMP(0.14<<%/mo>>,STARTTIME+15<<mo>>) doc Skenario kenaikan rendemen CPO bulan Mei 2011 - September 2011 sebesar 0.13-0.14 %/bulannya } aux laju tbs restan skenario { autotype Real autounit % def RAMP(-1<<%/mo>>,STARTTIME+15<<mo>>) doc Skenario penurunan persentase TBS restan bulan Mei 2011 - September 2011 sebesar 1%/bulannya } aux losis cpo { autotype Real autounit kg/mo def ('laju pasokan tbs'*'rendemen losis')*1<<mo>> doc Jumlah kehilangan CPO yang dihasilkan pabrik } aux luas lahan panen { autotype Real autounit hektar def GRAPH(TIME,STARTTIME,1<<mo>>,{5095,5095,5095,5095,5095,5095,5095,5095,5095,5095,5095, 5095,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980,5980}<>)

108

doc Data aktual luas lahan panen periode Januari 2010 - April 2011 } aux panen angkut { autotype Real autounit kg/mo def 'luas lahan panen'*('produktivitas kebun'-'kehilangan tbs masuk') doc Jumlah seluruh hasil panen tiap afdeling yang diangkut ke pabrik untuk diolah } aux pengaruh jumlah truk terhadap kenaikan kadar alb { autotype Real autounit % def IF('kecukupan truk'=TRUE,0,0.0227)*1<<%>> doc Pengaruh kecukupan truk terhadap kenaikan kadar ALB } aux pengaruh kriteria panen thd kadar alb { autotype Real unit % def (((4.344-0.5736*('jlh fraksi 00 panen'/1<<%>>)+1.6)*0.089+(4.694-0.4097*('jlh fraksi 0 panen'/1<<%>>)+ 1.6)*0.1059+(-21.94+0.2653*('jlh fraksi matang panen'/1<<%>>)+1.866)*0.1192)/100)-'skenario 3' doc Pengaruh derajat kematangan panen TBS terhadap ALB yang dihasilkan } aux pengiriman cpo { autotype Real unit kg/mo def 'laju pesanan' doc Laju penjualan CPO total ke konsumen tiap bulan } const PENURUNAN PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN { autotype Real autounit % init 0.25<<%>> doc Kebijakan manajemen menentukan penurunan pengaruh kriteria panen terhadap kadar ALB untuk proyeksi bulan Mei 2011 } level Permintaan diharapkan { autotype Real autounit kg/wk init 526000<> inflow {}a utodef 'perubahan permintaan' } doc Jumlah produksi CPO yang diyakini akan terjual selama setiap minggu } level Persediaan { autotype Real autounit kg init 153429<> inflow {}a utodef 'produksi cpo' } outflow {}a utodef 'pengiriman cpo' } doc Jumlah persediaan CPO yang ada dalam tangki timbun pabrik } aux persediaan diinginkan { autotype Real autounit kg def 'JANGKAUAN PERSEDIAAN'*'Permintaan diharapkan' doc Jumlah persediaan diinginkan dalam tangki timbun pabrik } aux perubahan permintaan { autotype Real autounit kg/wk² def ('laju pesanan'-'Permintaan diharapkan')/'WAKTU PERUBAHAN PERMINTAAN DIHARAPKAN' doc Selisih atau marjin dari laju pesanan dan permintaan diharapkan setiap waktu penyesuaian permintaan }

109

aux produksi cpo { autotype Real unit kg/mo def ('Permintaan diharapkan'+ ('persediaan diinginkan'-Persediaan)/'WAKTU KOREKSI INVENTORY')+0.000001*cpo doc Jumlah produksi CPO yang akan disimpan sebagai persediaan di tangki timbun pabrik } aux produksi tbs bulanan rata-rata { autotype Real autounit kg autodim Afdeling def 'produksi tbs rata-rata'[INDEX('indeks bulan')]*1<> doc Jumlah produksi TBS bulanan rata-rata setelah proses indeksasi bulan } aux produksi tbs harian { autotype Real autounit kg/da autodim Afdeling def 'produksi tbs bulanan rata-rata'/'hari olah bulanan rata-rata' doc Jumlah produksi TBS harian dari masing-masing afdeling untuk diangkut ke pabrik } aux produksi tbs rata-rata { autotype Real dim Bulan,Afdeling def XLDATA("C:/Users/Sony/Desktop/Powersim/Sub-model Fixed Pra-Integrasi/Sub-model Transportasi/Submodel Transportasi Fixed.xls", "Sheet1", "R67C4:R78C12") doc Produksi TBS dari seluruh afdeling yang akan diangkut ke pabrik } aux produktivitas kebun { autotype Real autounit kg/(mo*hektar) def ('rkap produksi kebun'/'luas lahan panen')*1<<1/mo>>+'skenario 1' doc Jumlah produktivitas panen untuk menghasilkan TBS } const PRODUKTIVITAS KEBUN DIINGINKAN { autotype Real autounit kg/(mo*hektar) init 1963.21<> doc Kebijakan manajemen menentukan produktivitas kebun untuk proyeksi bulan Mei 2011 } aux rendemen cpo { autotype Real autounit %/mo def GRAPH(TIME,STARTTIME,1<<mo>>,{23.29,23.51,23.20,23.20,22.85,23.19,23.48,23.61,23.28,23.44,23. 31,23.38,22.39,22.97,23.13,22.70,0}<<%/mo>>)+'skenario 4' doc Data aktual rendemen CPO pabrik periode Januari 2010 - April 2011 } const RENDEMEN CPO DIINGINKAN { autotype Real autounit %/mo init 23.30<<%/mo>> doc Kebijakan manajemen menentukan rendemen CPO untuk proyeksi bulan Mei 2011 } aux rendemen losis { autotype Real autounit %/mo def GRAPH(TIME,STARTTIME,1<<mo>>,{1.52,1.52,1.53,1.52,1.52,1.52,1.51,1.51,1.51,1.51,1.49,1.47,1.47, 1.49,1.49,1.47}<<%/mo>>) doc Data aktual rendemen losis CPO pabrik periode Januari 2010 - April 2011 } aux rkap produksi kebun {

110

autotype Real autounit kg def GRAPH(TIME,STARTTIME,1<<mo>>,{7368000,8215000,9022000,9296000,10887000,11390000, 13985000,14390000,12871000,12724000,11728000,11448000,8623000,9126000,9966000,11740000,0, 0,0,0,0}<>) doc Data aktual RKAP produksi TBS pabrik periode Januari 2010 - April 2011 } aux skenario 1 { autotype Real autounit kg/(mo*hektar) def STEP('PRODUKTIVITAS KEBUN DIINGINKAN'+('PRODUKTIVITAS KEBUN DIINGINKAN'*'laju produktivitas kebun skenario'),STARTTIME+16<<mo>>) doc Skenario kebijakan produktivitas kebun bulan Mei - September 2011 } aux skenario 2 { autotype Real autounit % def STEP('TBS RESTAN DIINGINKAN'+('laju tbs restan skenario'*'TBS RESTAN DIINGINKAN'), STARTTIME+16<<mo>>) doc Skenario kebijakan TBS restan periode Mei - September 2011 } aux skenario 3 { autotype Real autounit % def STEP('PENURUNAN PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN'+('PENURUNAN PENGARUH KRITERIA PANEN THD KADAR ALB DIINGINKAN'*'laju pengaruh kriteria panen skenario'), STARTTIME+16<<mo>>) doc Skenario kebijakan pegaruh kriteria panen terhadap kadar ALB bulan Mei - September 2011 } aux skenario 4 { autotype Real autounit %/mo def STEP('RENDEMEN CPO DIINGINKAN'+('RENDEMEN CPO DIINGINKAN'*'laju rendemen cpo skenario'), STARTTIME+16<<mo>>) doc Skenario kebijakan rendemen CPO bulan Mei - September 2011 } aux tbs pembelian { autotype Real autounit kg/mo def GRAPH(TIME,STARTTIME,1<<mo>>,{2800000,2800000,2800000,4200000,4200000,4200000,4200000, 4200000,4200000,2800000,2800000,2800000,2800000,2800000,2800000,4200000}<>) doc Data aktual TBS pembelian pabrik periode Januari 2010 - April 2011 } aux tbs restan { autotype Real autounit % def GRAPH(TIME,STARTTIME,1<<mo>>,{16.05,15.5,16.5,12.35,14.94,24.4,23.21,14.33,21.89,22.04,17.82, 15.90,31.60,24.40,26.37,27.35,0}<<%>>)+'skenario 2' doc Data aktual persentase TBS restan pabrik periode Januari 2010 - April 2011 } const TBS RESTAN DIINGINKAN { autotype Real autounit % init 15.00<<%>> doc Kebijakan manajemen menentukan persentase TBS restan untuk proyeksi bulan Mei 2011 } aux total jumlah truk diperlukan { autotype Real autounit truk/da def ARRSUM('jumlah truk diperlukan') doc Total jumlah truk harian yang diperlukan untuk transportasi TBS ke pabrik

111

} level Total pasokan TBS { autotype Real autounit kg init 0<> inflow {}a utodef 'laju pasokan tbs' } outflow {}a utodef cpo } outflow {}a utodef 'losis cpo' } doc Akumulasi jumlah TBS total yang akan diolah menjadi produk akhir, yaitu CPO dan menghasilkan produk sampingan, yaitu losis CPO } level Trip tbs { autotype Real autounit trip init 'JUMLAH TRIP INISIASI' inflow {}a utodef 'jumlah trip aktual' } outflow {}a utodef 'jumlah trip maksimal' } doc Akumulasi dari jumlah trip aktual dikurangi dengan jumlah trip maksimal (trip) } const WAKTU ANTRI PENIMBANGAN { autotype Real autounit min init 5<<min>> doc Waktu yang diperlukan truk saat antri di jembatan penimbangan } const WAKTU KOREKSI INVENTORY { autotype Real autounit wk init 6<<wk>> doc Lama waktu yang diperlukan untuk mengkoreksi selisih dari persediaan diinginkan dan persediaan aktual } const WAKTU LOADING { autotype Real autounit min init 35<<min>> doc Waktu yang diperlukan untuk memuat TBS yang akan diangkut ke dalam truk } const WAKTU PERUBAHAN PERMINTAAN DIHARAPKAN { autotype Real autounit wk init 4<<wk>> doc Total waktu yang dibutuhkan untuk menyesuaikan permintaan yang diharapkan menjadi permintaan aktual } aux waktu siklus transportasi { autotype Real unit hr autodim Afdeling def 'WAKTU LOADING'+'WAKTU UNLOADING'+'WAKTU ANTRI PENIMBANGAN'+'JARAK AFDELING'/ 'KECEPATAN TRUK' doc Total waktu yang dibutuhkan dalam satu siklus transportasi setiap afdeling } const WAKTU UNLOADING { autotype Real autounit min init 10<<min>> doc Waktu yang diperlukan untuk membongkar TBS dari truk di loading ramp pabrik } } range Afdeling {

112

def 'Afdeling 1','Afdeling 2','Afdeling 3','Afdeling 4','Afdeling 5','Afdeling 6','Afdeling 7','Afdeling 8','Afdeling 9' } range Bulan { def Januari,Februari,Maret,April,Mei,Juni,Juli,Agustus,September,Oktober,November,Desember } unit hari kerja { def @ATOMIC } unit hektar { def 10000*m*m } unit jam kerja { def @ATOMIC } unit kg { def @__KILOGRAM doc Kilogram - Mass } unit km { def 1000*m doc Kilometer - Length } unit m { def @__METER doc Meter - Length } unit trip { def ATOMIC } unit truk { def ATOMIC }

113

Lampiran 10. Manual CPOdyn v1.0 CPOdyn ( Dynamic Model of Crude Palm Oil’s Quality Risk Assessment) Pengantar CPOdyn merupakan implementasi model sistem dinamik yang dirancang seperti laboratorium belajar simulator manajemen pabrik kelapa sawit (PKS). Model CPOdyn dikembangkan untuk membuat proyeksi skenario kebijakan terbaik. Model CPOdyn dibuat ke dalam dua bagian yaitu model skenario dasar dan model skenario tingkat lanjut (advance) dengan mengakomodasi pengaruh variabel atau parameter yang memiliki nilai ketidakpastian dalam penyebaran datanya. Kedua skenario dapat digunakan untuk proyeksi kebijakan bulan Mei – September 2011.

Kebutuhan Hardware dan Software Persyaratan kebutuhan hardware sistem adalah sistem yang dibutuhkan minimal Pentium III (600 MHz) ke atas dengan memori RAM minimal 128 MB dan minimal space harddisk 50 MB untuk mendapatkan kecepatan maksimal mengolah data simulasi. Persyaratan kebutuhan software adalah minimal sistem operasi Windows (2000 dan XP).

Instalasi Sistem CPOdyn dibangun dengan menggunakan paket program Powersim Studio 2005. Untuk menjalankan aplikasi model CPOdyn, terlebih dahulu harus menginstall program Powersim Studio 2005. Instalasi program Powersim 2005 sebagai berikut: 1. Pastikan seluruh paket installer package Powersim Studio 2005 telah di-copy ke hard disk perangkat komputer yang akan diinstall Powersim. 2. Klik icon Powersim Studio 2005 seperti pada Gambar 1 dibawah.

Gambar 1. Tampilan setup Powersim 3.

Tunggu sampai dialog box Install Shield wizard terbuka, ikuti perintah selanjutnya dengan klik tombol “Next” jika ingin meneruskan. Jika layar kemudian terlihat seperti pada Gambar 2, maka proses instalasi akan segera dimulai.

Gambar 2. Tampilan instalasi Powersim

114

Menjalankan Aplikasi CPOdyn 1.

2.

Buka file aplikasi model CPOdyn melalui yang tersimpan di C:\Users\Sony\Desktop\Powersim\Model SD Lengkap\Model Dinamik Penilaian Risiko Mutu PKS Unit Adolina Fixed+Interface+Documentation.sip. Tekan F5 untuk mengubah menjadi mode presentasi, sehingga terlihat tampilan awal CPOdyn seperti pada Gambar 3.

Gambar 3. Tampilan layar awal CPOdyn v1.0 3.

Klik Enter yang ada pada tampilan layar awal, maka akan terlihat tampilan layar aplikasi model CPOdyn (Gambar 4) terdiri dari beberapa tampilan yang dapat dipilih, yaitu :

Gambar 4. Tampilan layar aplikasi model CPOdyn v1.0

115

-

-

-

Home untuk kembali ke layar utama aplikasi model CPOdyn v1.0. Dalam layar ini terdapat juga nilai-nilai konstanta yang digunakan dalam mode yangtentunya juga sebagai userdefined atau nilainya dapat diganti oleh pengguna. Diagram Model, merupakan tombol untuk menampilkan struktur diagram alir stok (SFD) aplikasi model CPOdyn. Graph Basic, merupakan tombol untuk menampilkan hasil simulasi jumlah trip, truk dan juga persediaan yang dihasilkan oleh model CPOdyn. Dalam layar ini juga disertakan panel kontrol interaktif dan user-friendly yang mempengaruhi variabel tersebut. Graph Scenario, merupakan fitur yang berperan sebagai panel kontrol variabel untuk menguji parameter utama pada skenario kebijakan. Company Website, sebuah fitur yang mengarahkan pengguna langsung ke situs resmi PT. Perkebunan Nusantara IV (Persero). About, tombol yang menyajikan uraian singkat program dan pengembangnya kepada pengguna. Berikut beberapa screenshot dari beberapa toolbar tersebut:

Gambar 5. Tampilan Graph Scenario pada aplikasi model CPOdyn v1.0

116

Gambar 6. Tampilan Graph Basic pada aplikasi model CPOdyn v1.0

Gambar 7. Tampilan About pada aplikasi model CPOdyn v1.0

117

Menjalankan Simulasi Skenario 1.

2. 3.

4. 5. 6.

Pada gambar 5 terlihat tabel yang menunjukkan nilai tiap-tiap variabel (produktivitas kebun, rendemen CPO, penurunan pengaruh kriteria panen terhadap ALB, TBS restan dan jumlah truk) untuk digunakan sebagai proyeksi bulan Mei 2011 yang didasarkan pada kebijakan manajemen dan juga nilai yang diinputkan user. Jika nilai tersebut ingin diganti, arahkan kursor dan klik pada nilai yang hendak diganti. Demikian selanjutnya untuk keempat variabel lainnya. Setelah kelima variabel, nilainya sudah di-input-kan, khusus pada variabel „jumlah truk‟ terdapat indikator yang menunjukkan nilai yang user masukkan apakah cukup jumlahnya dengan jumlah truk yang diperlukan yang dihitung berdasarkan hasil simulasi. Untuk mengganti tingkat kenaikan atau penurunan per bulannya, terdapat instruksi penggunaan yang berada di bawah indikator ketersediaan truk. Setelah semua nilai variabel atau parameter selesai diset, maka arahkan dan klik kursor ke tombol “Result” yang terdapat di layar, lalu klik tombol Play. Hasil proyeksi skenario disajikan dalam bentuk grafik pada layar.

Menjalankan Aplikasi CPOdyn v1.0 (Advance) Pada dasarnya menjalankan aplikasi model tingkat lanjut (advance) sama dengan model standar, hanya saja menjalankan model tingkat lanjut ini memerlukan pengetahuan yang lebih dalam khususnya untuk memahami distribusi probabilitas variabel atau parameter ketidakpastian. Kelebihan model tingkat lanjut ini pengguna dapat melihat hasil simulasi proyeksi skenario kinerja PKS Unit Adolina dengan beberapa pilihan sebaran data peluang, seperti peluang penerimaan dengan persentase 50% (average), 75% dan sebaran lainnya. 1. Buka file aplikasi model CPOdyn melalui yang tersimpan di C:\Users\Sony\Desktop\Powersim\Model SD Lengkap\Model Dinamik Penilaian Risiko Mutu PKS Unit Adolina Risk Analysis.sip. 2. Menjalankan CPOdyn (Advanced) : - Masukkan variabel atau parameter yang memiliki sifat ketidakpastian dengan klik Analysis Variabels di bagian Risk Analysis. - Setelah semua nilai variabel atau parameter selesai dimasukkanb berdasarkan distribusi probabilitasnya, maka klik tombol Play. - Hasil proyeksi dapat dilihat dalam bentuk grafik maupun tabel di bagian Private Diagrams Risk Analysis.

118

Analysis Variables

Gambar 8. Tampilan CPOdyn v1.0 (Advanced)

Private Diagrams

Gambar 9. Tampilan CPOdyn v1.0 (Advanced)

119