PERENCANAAN OPTIMALISASI PRODUKSI DENGAN METODE DE NOVO PROGRAMMING PADA PT. SULLY ABADI JAYA Denmin, Haryadi Sarjono Universitas Bina Nusantara, Jl. KH. Syahdan No. 9, Palmerah, Jakarta Barat
[email protected],
[email protected] Abstrak PT. Sully Abadi Jaya merupakan perusahaan yang memproduksi bantal dan guling. Penelitian yang dilakukan pada PT. Sully Abadi Jaya ini bertujuan untuk mengetahui metode peramalan yang paling optimal dan berapa banyak jumlah penjualan yang dapat diperoleh dengan metode peramalan tersebut, serta kombinasi produk yang tepat dan optimal yang harus diproduksi oleh PT. Sully Abadi Jaya. Pada penelitian ini digunakan delapan metode peramalan, sedangkan penentuan kombinasi produk yang harus diproduksi digunakan analisis dengan metode de novo programming dimana formulasi modelnya terdiri dari fungsi tujuan maksimisasi, empat variabel keputusan (bantal dacron, guling dacron, bantal microfill, dan guling microfill), dan empat batasan model yang utama (jumlah jam kerja yang tersedia, bahan baku, total biaya bahan baku,dan fluktuasi permintaan). Dari hasil penelitian yang dilakukan menunjukkan bahwa metode peramalan yang paling tepat bagi perusahaan adalah Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data dimana diramalkan permintaan pada periode Maret 2015 adalah sebagai berikut: 2335 bantal dacron, 2027 guling dacron, 1274 bantal microfil, dan 700 guling microfil. Sedangkan, kombinasi produk yang tepat dan optimal yang harus diproduksi pada periode Maret 2015 adalah 2335 bantal dacron, 2027 guling dacron, 1090 bantal microfil, dan 700 guling microfil.(D) Kata kunci : peramalan, optimalisasi, de novo programming, perencanaan produksi
Abstract PT. Sully Abadi Jaya is a company that manufactures pillows and bolsters. Research conducted at PT. Sully Abadi Jaya aims to determine the most optimal forecasting method and how many sales can be obtained with the forecasting methods, as well as the right combination and the optimal product to be produced by PT. Sully Abadi Jaya. In this study researcher used eight methods of forecasting, while to determine the product mix that should be produce we used analysis by the method of de novo programming where the model formulation consists of maximization objective function, four decision variables (dacron pillow, dacron bolster, microfill pillow, and microfill bolster) and four major constratints (available working hour, raw material, total cost of raw material, and demand fluctuation). The result show that the best forecasting method for the company is Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data where the result of forecast demand at March 2015 are 2335 dacron pillow,2027 dacron bolster,1274 microfill pillow, and 700 microfill bolster. The appropriate and optimum product mix that must be produced on March 2015 is 2335 dacron pillow, 2027 dacron bolster, 1090 microfill pillow, and 700 microfill bolster.(D) Keyword : forecasting, optimalization, de novo programming, production planning *)
Working Paper
Pendahuluan PT. Sully Abadi Jaya merupakan perusahaan yang memproduksi produk berupa bantal dan guling, terdapat 2 jenis produk bantal dan guling yang diproduksi oleh PT.Sully Abadi Jaya yaitu yang berbahan baku dacron dan yang berbahan baku microfil. PT. Sully Abadi Jaya selama ini telah melakukan berbagai usaha untuk menjalankan bisnis nya dengan sebaik mungkin, terutama pada bagian produksi, pemenuhan permintaan, dan peningkatan pendapatan. Namun pada proses produksi yang dilakukan, PT. Sully Abadi Jaya sering kali mengalami hambatan yang disebabkan oleh adanya fluktuasi permintaan yang tidak menentu yang dihadapi oleh perusahaan. Masalah lain yang harus dihadapi oleh PT. Sully Abadi Jaya adalah terbatasnya input (sumber daya) yang dimiliki perusahaan setiap bulan nya, sedangkan seperti yang telah disampaikan bahwa perusahaan juga sering kali mengalami fluktuasi permintaan yang tidak menentu. Selain itu diketahui pula bahwa selama ini perusahaan tidak melakukan peramalan dengan menggunakan metode peramalan apapun melainkan hanya melalui diskusi dan keputusan yang dihasilkan dalam rapat, tidak jarang pula keputusan yang diambil kurang sesuai dengan kenyataan. Hal inilah yang kemudian menyebabkan perusahaan mengalami kesulitan dalam menentukan kombinasi produk yang harus diproduksi agar dapat mencapai produksi yang optimal. Gambar 1. Grafik permintaan PT. Sully Abadi Jaya
Sumber : PT. Sully Abadi Jaya Gambar 2. Grafik Produksi PT. Sully Abadi Jaya
Sumber : PT. Sully Abadi Jaya
Identifikasi Masalah 1. Metode peramalan apakah yang paling tepat untuk diterapkan pada PT. Sully Abadi Jaya? 2. Berapa hasil peramalan jumlah penjualan yang dapat diperoleh PT. Sully Abadi Jaya pada periode Maret 2015? 3. Bagaimana kombinasi produk yang tepat dan optimal yang harus diproduksi oleh PT. Sully Abadi Jaya pada periode Maret 2015? Tujuan Penelitian 1. Untuk mengetahui metode peramalan apakah yang paling tepat untuk diterapkan pada PT. Sully Abadi Jaya. 2. Untuk mengetahui berapa hasil peramalan jumlah penjualan yang dapat diperoleh PT. Sully Abadi Jaya pada periode Maret 2015. 3. Untuk mengetahui kombinasi produk yang tepat dan optimal yang harus diproduksi oleh PT. Sully Abadi Jaya pada periode Maret 2015.
Landasan Teori Menurut Roger Schroeder (2004:207) Peramalan adalah satu masukan untuk semua jenis perencanaan dan pengendalian bisnis, baik di dalam dan di luar fungsi operasi. Sedangkan Menurut Barry Render dan Jay Heizer (2006 : 104) Peramalan adalah seni dan ilmu memprediksi peristiwa – peristiwa masa depan. Menurut Heizer dan Render (2006, p676) Linear programming atau Program linear adalah teknik matematika yang banyak digunakan dimana dirancang untuk membantu manajer operasi merencanakan dan membuat keputusan yang diperlukan untuk mengalokasikan sumber daya. Zeleny (1986) mengemukakan bahwa De Novo Programming adalah suatu cara untuk melihat suatu sistem dimana selain mengoptimalkan sistem yang telah ada, juga menyarankan perencanaan suatu sistem yang optimal. Yang dititik beratkan pada membuat suatu desain yang optimal terhadap sistem dengan produktivitas tinggi yang memiliki beberapa criteria. Model De Novo Programming tidak dapat digunakan untuk menyelesaikan masalah dengan fungsi tujuan berupa minimasi biaya produksi karena salah satu kendala dari model tersebut adalah kendala keterbatasan anggaran (budget), sehingga rencana produksi yang dioptimalkan sudah sesuai dengan biaya yang disediakan perusahaan. Metode De Novo Programming ini digunakan untuk menyelesaikan masalah dengan fungsi tujuan berupa maksimisasi pendapatan, dimana dengan keterbatasan bahan baku / budget tersebut perusahaan dapat mengetahui berapa banyak tiap produk harus diproduksi untuk mendapatkan profit maksimal dengan sumber daya yang terbatas tersebut. Dalam penelitian ini data yang digunakan berupa data kuantitatif dan data kualitatif. Teknik pengumpulan data yang digunakan diantaranya : wawancara, observasi, dan dokumentasi. Formulasi De Novo Programming Maksimasi Z = C X + C X + ......... + C X 1
1
2
2
n
n
Kendala : v X + v X + ........ + v X ≤ B 1
1
2
2
n
n
a X + a X + ........ + a X ≤ b 21
1
22
2
2n
n
2
X , X , ........, X ≥ 0 1
2
n
Metode Penelitian Penelitian ini menggunakan data historis jumlah penjualan periode November 2013 hingga Oktober 2014 dari masing-masing produk untuk melakukan Forecasting pada periode Maret 2015 dengan delapan metode, antara lain : Naive Method, Moving Average, Weighted Moving Average, Exponential Smoothing, Exponential Smoothing with Trend, Linear Regression, Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data, dan Multiplicative Decomposition (Seasonal): basic for smoothing : centered moving average . Dari ke-delapan metode tersebut, akan dipilih satu metode yang terbaik berdasarkan indikator MAD (Mean Absolute Deviation) dan MSE (Mean Square
Error) yang hasilnya akan digunakan sebagai batasan pada fungsi kendala. Pada penelitian ini digunakan software komputer yaitu QM for Windows 2. Berikut ini adalah formulasi model yang digunakan dalam metode De Novo Programming: 1. Variabel Keputusan a. Jumlah bantal dacron = x1 b. Jumlah guling dacron = x2 c. Jumlah bantal microfil = x3 d. Jumlah guling microfil = x4 2. Fungsi Tujuan Maksimisasi Z = 129.000x1 + 149.700x2 + 249.900x3 + 349.900x4 Fungsi Kendala 1. Dacron = 0.8 X1 + 1 X2 + 0 X3 + 0 X4 ≤ 4000 2. MJ 10 = 0 X1 + 0 X2 + 1 X3 + 1.3 X4 ≤ 2000 3. Katun = 0.375 X1 + 0.402 X2 + 0 X3 + 0 X4 ≤ 2000 4. Satin = 0 X1 = 0 X2 + 0.425 X3 + 0.402 X4 ≤ 1000 5. Benang = 4 X1 + 5 X2 + 6 X3 + 5 X4 ≤ 31990 6. Biaya bahan baku = Rp. 36.170 X1 + Rp. 43.240 X2 + Rp. 58.095 X3 + Rp. 69.805 X4 ≤ Rp. 306.331.740,7. Jam kerja = 4X1 + 5 X2 + 6 X3 + 5x4 ≤ 42240 8. X1 ≤ 2335 9. X2 ≤ 2027 10. X3 ≤ 1274 11. X4 ≤ 700
Hasil dan Pembahasan Tahap awal dalam penelitian ini adalah menentukan metode peramalan mana yang paling tepat untuk diterapkan pada PT. Sully Abadi Jaya. Cara menentukannya adalah dengan membandingkan nilai MAD dan MSE yang dihasilkan oleh 8 metode yang ada. Berikut ini adalah perbandingan nilai MAD dan MSE dari 8 metode peramalan : Tabel 1 Perhitungan Peramalan Bantal Dacron dengan software QM for windows Metode MAD MSE Moving Average 273.7037 93.512,54 Weighted Moving Average 286.4833 99.600,05 Exponential Smoothing 320.981 151.684 Exponential Smoothing with Trend 304.4838 151.601,5 Linear Regression 246.4163 88.793,88 Naïve 387.8182 185.008,5 Multiplicative decomposition (average for 152.8225 36.000,33 all data) Multiplicative decomposition (centered 152.9246 36.063,39 moving average) Tabel 2 Perhitungan Peramalan Guling Dacron dengan Software QM for windows Metode MAD MSE Moving Average 268.4815 110.201 Weighted Moving Average 279.55 115.057,3 Exponential Smoothing 266.1504 99.853,32 Exponential Smoothing with Trend 268.8146 103.116,3 Linear Regression 221.7599 73.922,33 Naïve 405.1818 216.246,6 Multiplicative decomposition (average for 188.2598 59.218,56 all data) Multiplicative decomposition (centered 191.3213 59.580,41 moving average)
Sumber: Pengolahan Data, Peneliti (2014)
Tabel 3 Perhitungan Peramalan Bantal Microfil dengan Software QM for windows Metode MAD MSE Moving Average 197.8889 49.184,86 Weighted Moving Average 200.7222 49.127,59 Exponential Smoothing 165.154 34.974,94 Exponential Smoothing with Trend 171.2756 38.141,12 Linear Regression 133.5734 25.983,81 Naïve 218.3636 56.973,45 Multiplicative decomposition (average for all 123.7838 25.212,09 data) Multiplicative decomposition (centered 128.9434 25.324,2 moving average) Sumber : Pengolahan Data, Peneliti (2014) Tabel 4 Perhitungan Peramalan Guling Microfil dengan Software QM for windows Metode MAD MSE Moving Average
115.6296
24.314,79
Weighted Moving Average
112.1467
24.364,68
Exponential Smoothing
105.4057
17.383,72
Exponential Smoothing with Trend
106.1305
18.076,14
Linear Regression
86.5414
12.736,08
Naïve
152.8182
28.018,64
Multiplicative decomposition (average for all data) Multiplicative decomposition (centered moving average) Sumber: Pengolahan Data, Peneliti (2014)
75.5231
8.075,205
76.6372
8.150,766
Berdasarkan hasil peramalan dengan 8 metode yang ada, diketahui bahwa metode Multiplicative decomposition (Seasonal): basic for smoothing : average for all data merupakan yang terbaik dikarenakan memiliki angka MAD dan MSE yang terkecil, maka Multiplicative decomposition (Seasonal): basic for smoothing : average for all data dapat digunakan untuk meramalkan jumlah penjualan tiap produk pada periode Maret 2015, dan hasil nya sebagai berikut :
Tabel 5 Peramalan periode Maret 2015 PRODUK Bantal Dacron Guling Dacron Bantal Microfil Guling Microfil Sumber : Peneliti (2014)
MARET 2015 2.334,094 2.335 Unit 2.026,749 2.027 Unit 1.273,921 1.274 Unit 699,024 700 Unit
Gambar 2. Hasil pengolahan data dengan De Novo Programming
Sumber : Pengolahan data, Peneliti (2014) Berdasarkan hasil pengolahan data menggunakan software QM for windows 2, ditunjukkan bahwa solusi dalam memberikan kombinasi produk yang tepat yang seharusnya diproduksi PT. Sully Abadi Jaya pada periode Maret 2015 adalah 2335 bantal Dacron, 2027 guling Dacron, 1090 bantal microfil, dan 700 guling microfil dengan pendapatan maksimum sebesar Rp. 1.121.977.908,34
Gambar 3. Output Ranging
Sumber : Pengolahan data, Peneliti (2014) Dalam output Ranging, didapatkan bahwa masih terdapat slack yang menggambarkan sisa dari penggunaan input (sumber daya) dalam proses produksi, yakni pada penggunaan dacron, kain katun, kain satin, benang, biaya (anggaran) bahan baku, dan waktu kerja. Sedangkan slack pada bantal microfil menunjukkan banyaknya peramalan permintaan produk bantal microfil yang belum dapat terpenuhi. Dilihat dari output ranging juga, input yang telah digunakan dengan optimal adalah penggunaan MJ 10 dan juga pemenuhan peramalan permintaan untuk Bantal Dacron, Guling Dacron, dan Guling Microfil yang memiliki slack sebesar 0.
Simpulan Berdasarkan hasil analisis maka simpulan yang dapat diambil adalah metode peramalan yang paling tepat untuk diterapkan dalam meramalkan jumlah penjualan produk Bantal Dacron, Guling Dacron, Bantal Microfil, dan Guling Microfil pada PT. Sully Abadi Jaya adalah Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data, karena memiliki nilai Mean Absolute Deviation (MAD) dan Mean Square Error (MSE) yang terkecil. Dari hasil peramalan jumlah penjualan yang dapat diperoleh PT. Sully Abadi Jaya dengan menggunakan metode Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data pada periode Maret 2015 adalah 2335 unit bantal dacron, 2027 unit guling dacron, 1274 unit Bantal microfil, dan 700 unit guling microfil. Selanjutnya, kombinasi produk yang tepat dan optimal yang harus diproduksi oleh PT. Sully Abadi Jaya pada periode Maret 2015 berdasarkan hasil pengolahan menggunakan metode De Novo Programming adalah 2335 unit Bantal Dacron, 2027 unit Guling Dacron, 1090 unit Bantal Microfil, dan 700 unit Guling Microfil.
Saran Berdasarkan hasil penelitian yang dilakukan, PT. Sully Abadi Jaya Dapat menggunakan metode Multiplicative Decomposition (Seasonal): basic for smoothing : average for all data sebagai cara alternatif dalam melakukan peramalan jumlah penjualan di masa mendatang agar mengetahui proyeksi penjualan. Selain itu, perusahaan dapat menerapkan metode De Novo Programming sebagai salah satu cara alternatif untuk membantu dalam pengambilan keputusan, khususnya bagi divisi produksi dalam menentukan kombinasi produk yang paling optimal dan mampu memberikan pendapatan paling maksimal.
Referensi Aminuddin. (2005). Prinsip-Prinsip Riset Operasi. Jakarta: Erlangga Ariyani, Enny. (2009). Perencanaan Produksi Dengan Metode De Novo Programming Untuk Memperoleh Keuntungan yang Maksimal Di PT. Keramik Diamond Industri Gresik. Jurnal Penelitian Ilmu Teknik, 9(2), 130 – 142. Black, K. (2013). Applied business statistics 7th edition. Singapore: Wiley. Dyck Bruno dan Neubert Mitchell J. (2010) Principle Of Management international student edition.Cengage Learning : South Western. Evans, James R. & Collier, David A. (2007). Operations Management. International Student Edition, Thomson South-Western. Ezema, Benedict I.,& Amakom, Uzochukwu. (2012).Optimizing Profit with the Linear Programming Model: A Focus on Golden Plastic Industry Limited, Enugu, Nigeria. Interdisciplinary Journal of Research in Business, 2(2), 37 – 49. Heizer, J., Render, B. (2004). Principle of Operation Management International Edition , Heizer, J., & Render, B. (2006). Operations management. Upper Saddle River, NJ: Pearson/Prentice Hall. Heizer, J. & Render, B. Alih bahasa oleh Sungkono, C. (2009). Manajemen Operasi. (jilid 1, edisi 9). Herjanto, E. (2007). Manajemen Operasi. Jakarta: Penerbit Gramedia Widiasarana Indonesia. Jacobs, F., Chase, R., & Lummus, R. (2011). Operations and supply chain management. New York: McGrawHill Irwin. Manullang, M. (2004). Dasar – Dasar Manajemen. Cetakan kedua. Yogyakarta : Liberty. Robbins Stephen P dan Coulter Mary. (2010) Management tenth Edition. Pearson International Edition. Roger, S. (2004). Pengambilan keputusan dalam suatu fungsi operasi. Jakarta: Penerbit Erlangga. Sanwlani M.,& Vijayalakshmi M. (2013). Forecasting Sales Through Time Series Clustering. International Journal of Data Mining and Knowledge Management Process,3 (1). Siringoringo, Hotniar. 2005. Seri Teknik Riset Operasional. Pemrograman Linear. Yogyakarta; Graha Ilmu Stevenson, William J. (2009). Operations Management. (10th edition). New York: McGrawHill,Inc. Suhartono & Subanar. (2006). The Effect Of Decomposition Method As Data Prepocessing On Neural Network Model For Forecasting Trend And Seasonal Time Series. Jurnal Teknik Industri, 8 (2), 156-164. Taha, H. (2007). Operations research. Upper Saddle River, N.J.: Pearson Education. Yahya, Waheed B., Garba, Muhammed K., Ige, Samuel I., & Adeyosoye, Adekunle E. (2012). Profit Maximization In A Product Mix Company Using LinearProgramming. European Journal of Business and Management, 4 (17).
Riwayat Penulis Denmin lahir di Kota Jambi, pada tanggal 18 November 1993. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang ekonomi (manajemen) pada tahun 2015.