Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
PEMBUATAN APLIKASI PERENCANAAN PRODUKSI DISTRIBUSI AGREGAT PADA MANAJEMEN RANTAI PASOK DENGAN MENGGUNAKAN PENDEKATAN FUZZY-GENETIC Cindy Masyta, Rully Soelaiman Manajemen Teknologi Informasi - Magister Manajemen Teknologi Institut Teknologi Sepuluh Nopember Email:
[email protected]
ABSTRAK Rantai pasok meliputi semua pelaku-pelaku rantai pasok yang terlibat, baik secara langsung maupun tidak langsung, dalam usaha pemenuhan permintaan dari konsumen. Tujuan dari manajemen rantai pasok adalah untuk memaksimumkan profitabilitas keseluruhan komponen rantai pasok. Adapun fungsi dari rantai pasok yang turut memegang peranan penting dalam mencapai tujuan adalah fungsi produksi dan distribusi. Pengintegrasian kedua fungsi tersebut berpotensi besar dalam memaksimalkan kinerja rantai pasok. Permasalahan dalam perencanaan produksi-distribusi agregat antara lain adanya permintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepat waktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Untuk mengatasi masalah ketidakpastian dapat digunakan pendekatan fuzzy untuk pemodelan, sedangkan algoritma genetika digunakan sebagai pemecahan untuk mencari solusi yang optimal. Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksi distribusi agregat dengan menggunakan metode fuzzy-genetic. Penentuan nilai parameter genetik berpengaruh terhadap tingkat profit yang diperoleh. Banyaknya iterasi ditentukan oleh pembuat keputusan berdasarkan profit yang diperoleh dari setiap iterasi. Jika hasil yang didapat dari iterasi belum memuaskan, pembuat keputusan dapat melakukan proses iterasi lebih lanjut. Kata kunci: Supply Chain Management, Perencanaan Agregate Produksi-Distribusi, Algoritma Genetika, Fuzzy Mathematical Programming
PENDAHULUAN Bagian dari rantai pasok yang turut memegang peran penting untuk mencapai tujuan rantai pasok adalah perencanaan produksi agregat dan perencanaan distribusi. Pengintegrasian kedua fungsi tersebut sangat diperlukan karena hal ini berpotensi besar untuk mengoptimalkan kinerja produksi dan distribusi agar biaya-biaya yang terjadi dapat diminimumkan. Perencanaan produksi-distribusi agregat memperhitungkan sifat dari sistem produksi dan distribusi yang tidak saling terhubung. Penggabungan dua proses yang tidak saling terhubung akan memberikan perencanaan dan manajemen yang lebih baik. Permasalahan dalam perencanaan produksi-distribusi agregat adalah adanya permintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepat waktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Penerapan kecerdasan buatan bisa menjadi salah satu cara untuk mengatasi situasi rantai pasok dalam lingkungan ketidakpastian. Beberapa model yang sudah dikembangkan untuk
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
menyelesaikan masalah perencanaan produksi-distribusi agregat [1]. Model dikembangkan dengan pendekatan fuzzy-genetic untuk menyelesaikan masalah perencanaan produksi linear fuzzy pada Rantai Pasok untuk memberikan hasil yang lebih memuaskan. Tujuan penelitian ini adalah mendeskripsi model, membuat implementasi terhadap model tersebut serta membuat skenario uji coba untuk memperoleh hasil studi terhadap kondisi yang ada. Kemudian dari hasil uji coba akan diambil kesimpulan dimana dapat ditentukan strategi yang tepat sehingga dapat merekomendasikan manajemen dalam memaksimumkan keseluruhan laba. Struktur dari paper ini yaitu sebagai berikut. Bagian 2 akan membahas dasar teori yang digunakan dalam memecahkan permasalahan tersebut di atas. Bagian 3 akan membahas tentang pemodelan serta solusi yang diusulkan untuk memperoleh hasil yang optimal. Bagian 4 membahas hasil uji yang diperoleh. Bagian 5 membahas kesimpulan yang diperoleh berdasarkan hasil ujicoba. METODE Pernyataan masalah pada model Supply chain perencanaan produksi distribusi adalah sebagai berikut : Terdapat nPU (PU adalah production unit), nDC disctribution centers (DC) dan nCZ customer zones (CZ). Beberapa PU memproduksi item-item produk. Biaya produksi dari suatu item tertentu pada PU yang berbeda dapat juga berbeda. Setiap PU digolongkan dengan fixed cost per periode dan kapasitas produksi. Beberapa Distribution Center digunakan untuk menyimpan produksi yang dihasilkan di DC. DC berbeda dalam kapasitas penyimpanan, fixed cost dan biaya penyimpanan. Biaya penyimpanan tidak linear terhadap jumlah item. Harga penjualan untuk item yang sama dapat berbeda pada CZ yang berbeda. Hanya item yang dipesan konsumen yang dikirim ke CZ (CZ tidak mempunyai penyimpanan; CZ dapat menyimpan item-item dengan periode tertentu). Pada periode waktu t, tersedianya peramalan permintaan fuzzy untuk periode waktu yang akan datang untuk semua CZ. PU dapat mensupply ke DC manapun dan DC dan mensupply ke CS manapun. Biaya transportasi tergantung dari lokasi PU, DC dan CZ. Formula Matematis Pemodelan Fungsi tujuan utama, menggambarkan keseluruhan laba maksimum, bentuknya: (1) Dimana : (2) (3) Komponen E digambarkan dalam bentuk: (4)
ISBN : 978-979-99735-9-7 C-9-2
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
(5)
(6) Notasi variabel: adalah jumlah (fuzzy) yang diproyeksikan untuk dikirim dari PU i ke DC j pada periode t; adalah jumlah item (fuzzy) yang diproyeksikan untuk dikirim dari DC j ke CZ k pada periode t; adalah jumlah item produk p diproyeksikan untuk dihasilkan oleh PU i pada waktu t; adalah jumlah item di DC j untuk disupply ke berbagai CZ pada waktu t; , , ~ , E PU ,
adalah total (proyeksi) laba; total (proyeksi) pengembalian setelah penjualan; total (proyeksi) biaya; adalah total (proyeksi) biaya DC, PU, Transportasi; adalah jumlah item produk p diproyeksikan untuk suplai dan dijual pada CZ k pada periode t; adalah nilai fuzzy mewakili jumlah item maksimum yang dapat disimpan di DC j; adalah biaya transportasi (sekelompok) item dari PU i ke DC j;
U jk
adalah biaya transportasi (sekelompok) item dari DC j ke CZ k; adalah ramalan permintaan fuzzy untuk item produk p di CZ k pada periode t; adalah harga penjualan item produk p di CZ k; adalah fixed cost untuk eksploitasi PU i selama periode tertentu; adalah fixed cost untuk eksploitasi DC j selama periode tertentu; adalah biaya penyimpanan satu item di DC selama periode tertentu; adalah biaya produksi satu item produk p di PU i;
ISBN : 978-979-99735-9-7 C-9-3
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
~ Vi max
adalah nilai fuzzy yang mewakili kapasitas produksi maksimum (yaitu jumlah maksimum item yang dapat dihasilkan pada PU i selama periode tertentu); adalah jumlah item produk p di DC j diproyeksikan untuk suplai ke berbagai CZ pada periode t.
Batasan Pemodelan (Constraint) Adapun batasan-batasan pada model APDP adalah sebagai berikut:
Batasan Produk yang Diproduksi Pabrik
Batasan Produk yang Disuplai Pusat Distribusi
Batasan Produk yang Disimpan Pusat Distribusi
Batasan Kapasitas Pabrik
Batasan Kapasitas Penyimpanan Pusat Distribusi
Batasan Pemenuhan Permintaan
Batasan Pengiriman ke Pusat Distribusi
(13)
Batasan Pengiriman ke Customer Zone
(14)
Batasan Penyimpanan Produk
(15)
≥0
(7) ≥0
(8)
≥0
≤
(9) (10)
≥
≤
(11) (12)
Metode Optimasi Garis besar prosedur optimal distribusi produk dapat dilihat sebagai berikut: 1. Memperoleh peramalan permintaan (demand forecast) untuk periode t dan tn-1 menggantikan quarter (t+1,t+2,t+n-1,dst). Memperbaharui nilai data lain (contoh: biaya DC/PU, harga penjualan produk, dan lain-lain). Masukkan input data distribusi produk dan karakteristik Algoritma Genetika. 2. Melakukan optimasi berdasarkan Algoritma Genetika. Flowchart umum dari satu populasi algoritma genetika dapat dilihat dalam gambar 2.1. a. Siapkan structure kromosom untuk menjaga coded yang mewakili dari nilai parameter menjadi optimal ( , , dan ). b. Generate secara random populasi dari kromosom (mewakili coded dari potensial solusi) : Populasi ={ S1,S2,….,S popsize }. Solosi sesungguhnya dari periode sebelumnya diubah untuk kromosom dapat ditambahkan pada populasi (seperti memilih parent genome dari generasi sebelumnya). ISBN : 978-979-99735-9-7 C-9-4
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
c. Evaluasi nilai fitness untuk tiap kromosom.
Fungsi fitness dihitung pada dasar dari nilai peramalan permintaan. Dimana: F max adalah nilai terpilihnya kemungkinan maksimum (terburuk) dari nilai fitness yang dibutuhkan untuk menyeimbangkan efek fungsi fitness dari tujuan fillrate dan profit. ETP (Expected Total Profit) adalah defuzzified fuzzy diproyeksikan total profit –F dikalkulasikan berdasarkan data yang diberikan dan produksi/transportasi dan asumsi dari peramalan permintaan. MinFillRate adalah memilih minimum level yang dapat diterima untuk fillrate. d. Menggunakan operator genetik yaitu crossover, mutasi untuk generasi yang baru. e. Menggunakan operator selection dan elitism. Memilih generasi yang lebih baik untuk generasi baru f. Mengembalikan solusi terbaik yang ada dari populasi kromosom terpilih. Jika definisi awal dari iterasi (generasi) telah selesai dilakukan, Pembuat keputusan mengevaluasi jika optimasi lebih lanjut dibutuhkan. Jika solusi yang dapat diterima sudah ditemukan lakukan langkah 3. Jika tidk lanjutkan mulai langkah 2c. 3. Persiapkan rencana produksi dan transportasi untuk period saat ini (yang berikutnya) dan menyertakan periode n -1. HASIL DAN DISKUSI Aplikasi diuji coba diatas perangkat keras dengan Processor Intel Core 2 Duo 1,83 GHz, Memori 0,99 GB RAM. Sedangkan untuk sistem operasi yang digunakan adalah Microsoft Windows XP Professional Version 2002 SP2. Pengujian data implementasi akan menggunakan data sebagai berikut: ~ Vi max Tabel 1 Data (fuzzy) Kapasitas Pabrik PU ( ), items PU1 PU2 (195.000; 200.000; 205.000) (95.000; 100.000; 105.000)
Tabel 2 Data (fuzzy) Kapasitas Ppusat Distribusi DC ( ), items DC1 DC2 (125.000; 130.000; 135.000) (165.000; 170.000; 175.000)
ISBN : 978-979-99735-9-7 C-9-5
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010 Tabel 3 Tabel Biaya dan Harga Penjualan Produk CZ PU1 PU2 Fixed Cost (
), USD
Biaya Produksi ( Fixed Cost (
), USD
), USD
Biaya Penyimpanan ( Harga Jual (
250.000
200.000
65
5
DC1
DC2
45.000
54.000
3
2
CZ1
CZ
95
10
), USD
), USD
Tabel 4 Biaya Transportasi (dalam satuan 1000 item/bunches) Diterima oleh : Biaya transportasi ( ), USD DC1 DC2 10 15 PU1 Dikirim oleh : 12 8 PU2 Diterima oleh : Biaya transportasi ( U jk ), USD CZ1 CZ2 16 16 DC1 Dikirim oleh : 11 22 DC2 Tabel 5 Jumlah Item (fuzzy) Ramalan Permintaan untuk Dijual ( t 1 2
CZ1 (168.000; 170.000; 172.000) (170.000;173.000;176.000)
CZ2 (94.000; 96.000; 98.000) (98.000;101.000;104.000)
)
Total (262.000; 266.000; 270.000) (268.000;274.000;280.000)
Studi kasus menggunakan nPU=2; nDC=2, nCZ=2 dan periode t=2. Pengujian dilakukan dengan menggunakan skenario sebagai berikut : Uji #1 Uji Hasil Optimasi dengan Hasil Aktual Pasar nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0; probMutasi=5%; probCrossover=30%; jumPoint=38; minFillRate=90%; beta=1 Hasil Uji coba: Revenue Epu expenses Edc expenses Et expenses Expense Profit
Hasil Optimasi Iterasi ke-1 52.656.780 36.224.620 1.582.441 13.716.112 51.523.173 1.133.607
Hasil Optimasi Iterasi ke-5 53.440.795 36.689.970 1.594.292 13.919.335 52.203.597 1.237.198
Pasar Aktual 51.096.725 35.209.860 1.423.281 13.226.312 49.859.453 1.237.272
Dari hasil uji coba dapat dilihat bahwa: pada iterasi 1 nilai keuntungan (profit) yang diperoleh sebesar 1.133.607, setelah mengalami iterasi sebanyak 5 kali, keuntungan yang diperoleh menjadi sebesar 1.237.198, semakin mendekati hasil nyata yang ada di pasar. Uji#2 Uji Parameter MinimumFillRate nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0; probMutasi=5%; probCrossover=30%; jumPoint=38; minFillRate=20%; beta=1 ISBN : 978-979-99735-9-7 C-9-6
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
Hasil Uji coba: Revenue Epu expenses Edc expenses Et expenses Expense Profit
Hasil Optimasi Nilai Terkecil 54.079.770 37.098.530 1.613.254 14.087.672 52.799.456 1.280.314
Hasil Optimasi Nilai Terbesar 53.077.375 35.536.550 1.548.112 13.866.907 50.951.569 2.125.806
Pembanding 53.440.795 36.689.970 1.594.292 13.919.335 52.203.597 1.237.198
Dari hasil uji coba dapat dilihat bahwa: Nilai profit terbesar yang diperoleh adalah 2.125.806. dan nilai profit terkecil yang diperoleh dari uji coba adalah 1.280.314. Dari nilai profit terbesar yang diperoleh nilai jauh lebih besar daripada hasil yang diperoleh pada uji coba hasil optimasi dengan aktual pasar (1.237.198), profit naik sebesar 888.608 atau naik sebesar 71%. Yang dapat dikatakan bahwa minFillRate dengan keuntungan yang diperoleh perusahaan bersifat berbanding terbalik. Sedangkan dari nilai profit terkecil naik 43.116 atau sekitar 3%. Kenaikannya tidak terlalu besar, tetapi masih dapat dikatakan bahwa dengan menurunkan minfillrate akan tetap menaikkan profit. Uji#3 Uji Parameter Probabilitas Mutasi dan Pindah Silang nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0; probMutasi=6%; probCrossover=50%; jumPoint=38; minFillRate=90%; beta=1 Hasil Uji coba: Revenue Epu expenses Edc expenses Et expenses Expense Profit
Hasil Optimasi Nilai Terkecil 53.364.370 36.632.140 1.592.025 13.902.694 52.126.859 1.237.511
Hasil Optimasi Nilai Terbesar 53.665.705 36.807.555 1.598.489 14.001.113 52.407.157 1.258.548
Pembanding 53.440.795 36.689.970 1.594.292 13.919.335 52.203.597 1.237.198
Dari hasil uji coba dapat dilihat bahwa: Nilai profit terkecil yang diperoleh adalah 1.237.511. dan nilai profit terbesar yang diperoleh dari uji coba adalah 1.258.548, dimana bisa meningkatkan hasil optimasi sebesar 0.025%-1.725%. Hal ini menandakan, dengan memperbesar nilai probMutasi dan probCrossover memberikan perubahan profit yang tidak terlalu signifikan. Sehingga dapat ditarik kesimpulan bahwa variasi yang besar atau banyak pada kromosom tiap generasi belum tentu membawa hasil akhir yang baik pula. Hal tersebut bergantung juga kromosom yang dihasilkan pada tiap generasi. KESIMPULAN Setelah melakukan beberapa kali uji coba maka dapat diambil kesimpulan sebagai berikut: 1. Implementasi yang dibuat telah teruji kebenarannya, karena hasil pembangkitan random aplikasi sudah memenuhi constraint-constraint dari model. 2. Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksi distribusi agregat dengan menggunakan metode fuzzy-genetic. 3. Penentuan nilai parameter genetik berpengaruh terhadap hasil output. Nilai probabilitas mutasi dan probabilitas crossover mempengaruhi variasi kromosom yang dihasilkan pada tiap iterasi. Semakin besar nilai kedua variabel tersebut maka
ISBN : 978-979-99735-9-7 C-9-7
Prosiding Seminar Nasional Manajemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 2010
akan semakin besar kemungkinan terjadinya mutasi dan crossover sehingga kromosom yang dihasilkan pada suatu iterasi akan semakin bervariasi. 4. Semakin besar nilai minimum FillRate maka akan semakin kecil profit yang didapat. Ini berarti bahwa tingkat pemenuhan permintaan pelanggan minimum (minFillRate) bersifat berbanding terbalik dengan tingkat profit yang diperoleh. 5. Semakin banyak iterasi yang dilakukan maka hasil profit yang diperoleh semakin besar. Banyaknya iterasi ditentukan oleh pembuat keputusan berdasarkan profit yang diperoleh dari setiap iterasi. Jika hasil yang didapat dari iterasi belum memuaskan, pembuat keputusan dapat melakukan proses iterasi lebih lanjut. DAFTAR PUSTAKA DeCETI. (2009), Possibility Theory. Diambil dari http://www.survey.ntua.gr/main/labs/rsens/DeCETI /IRIT/MSIFUSION/node93.html pada tanggal 12 April 2009, pukul 19:23 WIB[10] IlmuKomputer.Com. (2007), Algoritma Genetika dan Contoh Aplikasinya, Entry from Hermawanto, D. Diambil dari http://ilmukomputer.com/wp -content/uploads /2007/ 03/denny-agoptimasi.doc pada tanggal 17 Maret 2009, pukul 18:00 WIB [3]
Kamaluddin, R. (1987), Ekonomi Transportasi, Cetakan Pertama, Ghalia Indonesia, Jakarta[4] Kusuma, H (2002), Manajemen Produksi Perencanaan dan Pengendalian Produksi, Edisi 2, Andi, Yogyakarta[5] Kusumadewi, S. (2002), Analisis & Desain Sistem Fuzzy Menggunakan ToolBox MathLab, Graha Ilmu, Yogyakarta[6] R Aliev, R.A, Fazlollahi, B. dan Guirimov, B.G. (2007), “Fuzzy-Genetic Approach to Aggragate Production-Distribution Planning in Supply Chain Management”, Information Sciences, hal. 4241-4255 [1] S Chopra, S. dan Meindl, P. (2001), “Supply Chain Management Strategy, Planning & Operations”, Third Edition, Prentice Hall, New Jersey[2] Salim, A. (1995), “Manajemen Transportasi”, Cetakan Kedua, Raja Grafind Persada, Jakarta[7] Simchi-Levi, D., Kaminsky, P. dan Simchi-Levi, E. (2000), “Designing and Managing the Supply Chain”, Second Edition, McGraw Hill, New York.Sri Kusumadewi, 2003, Metode Pendekatan Heuristik ,Yogyakarta:Graha Ilmu[8] Sipper, D. dan Bulfin, R.L., Jr. (1997), “Production Planning, Control and Integration ”, McGraw Hill, New York[9] Yan, J., Ryan, M., Power, J. (1994), “Using Fuzzy Logic (Toward Intelligent Systems)”, Prentice Hall, Inggris[11]
ISBN : 978-979-99735-9-7 C-9-8
