5 PEMODELAN SISTEM
Rekayasa model sistem manajemen ahli perencanaan produksi karet
spesifikasi teknis, pada penelitian ini menggunakan pendekatan sistem.
Pendekatan ini merupakan metodologi untuk mencapai tujuan dari perancangan
model yang mengacu pada pola pikir sistem, berorientasi pada tujuan dengan cara
pandang utuh meliputi keseluruhan sistem serta efektif dalam pengambilan
keputusan.
5.1 Konfigurasi Model
Mengacu kepada kerangka pemikiran penelitian untuk mengembangkan
model perencanaan produksi pada rantai pasok agroindustri karet spesifikasi
teknis, maka direkayasa suatu model pengambilan keputusan yang diintegrasikan
dengan sistem pakar yang dikenal dengan sistem manajemen ahli. Model yang
dirancang dari hasil pemodelan secara konseptual selanjutnya dikembangkan
menjadi perangkat lunak sistem manajemen ahli yang diberi nama Proplan-TSR
20 (Production Planning for Technically Specified Rubber).
Pada sistem manajemen ahli, elemen-elemen sistem dipaparkan secara
rinci. Sistem integrasi dari setiap elemen direkayasa secara paralel maupun serial
sehingga dapat dioperasikan dan diimplementasikan sesuai dengan pencapaian
tujuan dari suatu keputusan. Untuk mewujudkan perekayasaan sistem manajemen
ahli dalam mengambil keputusan yang berkaitan dengan perencanaan produksi
pada rantai pasok karet spesifikasi teknis, dilaksanakan perekayasaan sistem
mengikuti tahapan pengembangan sistem manajemen ahli yang diajukan oleh,
Turban (2005). Konfigurasi model sistem manajemen ahli perencanaan produksi
untuk rantai pasok karet spesifikasi teknis direkayasa dalam konfigurasi
pemodelan yang disajikan pada Gambar 26.
Komponen penyusun dalam konfigurasi sistem manajemen ahli
perencanaan produksi agroindustri karet spesifikasi teknis terdiri atas enam
komponen yang saling terkait yaitu : 1) sistem manajemen dialog, 2) sistem
pengolahan terpusat, 3) sistem manajemen basis data, 4) sistem manajemen basis
pengetahuan, 5) mekanisme inferensi, dan 6) sistem manajemen basis model.
70
PENGGUNA
SISTEM MANAJEMEN
BASIS DATA
Data harga dan
volume
permintaan
TSR-20
Data proses dan
waktu kerja,
kapasitas mesin
Data rencana dan
realisasi produksi
Data pasokan
bahan baku TSR-20
SISTEM MANAJEMEN BASIS
PENGETAHUAN
- basis aturan himpunan
data input fuzzy
prakiraan harga, volume
permintaan dan
ketersediaan bahan
baku
- basis aturan himpunan
data ouput fuzzy jumlah
produksi
- basis logika aturan
fuzzy rencana produksi
Mekanisme Inferensi
( Rule-Base Skenario )
DATA MODEL PENGETAHUAN
SISTEM PENGOLAHAN
TERPUSAT
SISTEM MANAJEMEN
DIALOG
SISTEM MANAJEMEN
BASIS MODEL
Prakiraan
permintaan TSR
dunia
Prakiraan harga
TSR dunia
Ketersediaan bahan
baku
Ketersediaan
kapasitas
Pengukuran kinerja
rantai pasok
Gambar 26 Konfigurasi sistem manajemen ahli perencanaan produksi
Rekayasa sistem manajemen ahli perencanaan produksi menggunakan basis
model yang disusun secara simultan. Masukan berupa data yang diolah dalam
model prakiraan menjadi masukan pad model perencanaan produksi. Hasil yang
diperoleh pada model rencana produksi menjadi input pada model ketersediaan
kapasitas dan model pengukuran kinerja rantai pasok. Diagram alir yang
menggambarkan alur pemodelan dalam rangka perekayasaan sistem manajmen
ahli perencanaan produksi ditampilkan pada Gambar 27.
71
Gambar 27 Diagram alir model sistem manajemen ahli perencanaan produksi
rantai pasok karet spesifikasi teknis
Output : jumlah rencana produksi
Penghitungan ketersediaan kapasitas
Penghitungan kinerja rantai pasokan Keputusan rencana produksi
Keputusan nilai kinerja rantai pasokan
Jalankan data pelatihan
Jalankan data testing
Jalankan data pelatihan
Jalankan data testing
Input :Data harga dan volume input :data pasokan bahan baku
Penentuan struktur jaringan JST
Mulai
Penentuan struktur jaringan JST
Jalankan hasil prakiraan input :
data jumlah
produksi Output : prakiraan
harga dan permintaan
Output : prakiraan
pasokan bahan baku
Jalankan hasil prakiraan
Pembuatan basis aturan fuzzy
Fuzifikasi nilai prakiraan harga
dan volume permintaan
Fuzifikasi data jumlah
produksi Fuzifikasi nilai prakiraan
pasokan bahan baku
Sistem inferensi fuzzy model Mamdani
Defuzifikasi dengan metode Centroid
72
5.2 Kerangka Sistem
5.2.1 Sistem Manajemen Dialog
Sistem manajemen dialog berfungsi untuk mengatur interaksi antara
pengguna dengan sistem manajemen ahli. Pengguna memberikan input baik
berupa data atau perintah untuk diolah oleh sistem pengambil keputusan yang
terdiri dari sistem pakar dan mesin inferensi berbasis pengetahuan sehingga
dihasilkan keluaran berupa hasil pengolahan data. Agar memudahkan interaksi
antara pengguna dengan sistem perlu tampilan dan struktur sistem yang interaktif
dan mudah digunakan (user friendly).
Pengguna perangkat lunak Proplan-TSR terdiri dari : 1) administrator
adalah staf perusahaan yang memiliki akses untuk mengelola data-data yang
diperlukan untuk operasional sistem penunjang keputusan, 2) pakar adalah
pengguna yang berhak mengelola aturan nilai variabel, kategori untuk input dan
output, logika aturan sebagai basis pengetahuan dari model, dan 3) manajer atau
pengambil keputusan yang menentukan keputusan akhir rencana produksi dan
nilai kinerja rantai pasokan. Bentuk komunikasi antara pengguna dan sistem
menggunakan modul-modul yang terhubung satu sama lain. Modul dapat dipilih
sesuai dengan kebutuhan dan kewenangan pengguna menggunakan kotak dialog
dan hasil pengolahan ditampilan menu.
5.2.2 Sistem Pengolahan Terpusat
Sistem pengolahan terpusat adalah subsistem yang berfungsi untuk
mengendalikan operasional sistem secara terintegrasi. Sistem pengolahan terpusat
merupakan penyangga untuk menjamin adanya keterkaitan antar sistem
manajemen dialog, sistem manajemen basis data, sistem manajemen basis
pengetahuan dan sistem manajemen basis model sehingga tujuan untuk
memutuskan jumlah produksi dan tingkat kinerja rantai pasokan dapat dipenuhi.
5.2.3 Sistem Manajemen Basis Data
Rekayasa Sistem Manajemen Ahli (SMA) membutuhkan sejumlah data
yang digunakan untuk pengolahan bagi sistem manajemen basis model.
Kumpulan data pada sistem manajemen basis data dibedakan atas 1) data statis
73
yang telah disimpan pada basis data 2) data dinamis yang bersifat fleksibel dan
interaktif yang diperlukan untuk melakukan penyesuaian sehingga memenuhi
kebutuhan pengguna. Kumpulan data statis dalam rekayasa model SMA ini adalah
data harga dan volume permintaan karet spesifikasi teknis di perdagangan
internasional, jumlah hari kerja, jumlah pasokan bahan olah karet, realisasi
produksi, rencana awal produksi. Data statis disimpan kedalam sistem
manajemen basis data oleh administrator sistem.
Data dinamis adalah pengetahuan pakar yang digunakan dalam melakukan
inferensi berbasis pengetahuan dari hasil pemodelan yang telah disusun. Data
sebagai masukan adalah data linguistik untuk prakiraan harga, prakiraan
permintaa dan ketersediaan bahan baku serta data keluaran berupa data berupa
himpunan keanggotaan untuk menentukan tingkat produksi. Basis data yang
digunakan dalam perancangan sistem manajemen ahli perencanaan produksi ini
terdiri atas :
1. Basis data harga dan volume.
Data yang diinput dalam basis data ini adalah harga dan volume permintaan
pada salah satu perdagangan karet spesifikasi teknis. Pada penelitian ini
digunakan data perdagangan transaksi pada pasar komoditas SICOM
(Singapore Commodity Exchange). Pasar SICOM dipilih karena transaksi
karet spesifikasi teknis pada pasar komoditas SICOM relatif banyak digunakan
dala transaksi penawaran dan penjualan yang dilakukan oleh tiga negara
penghasil karet utama (Thailand, Indonesia dan Malaysia) dengan para pembeli
dari berbagai negara di dunia. Basis data juga dapat menggunakan data
transaksi pasar komoditas lain seperti TOCOM (Tokyo Commodity Exchange)
ataupun pasar fisik jika data yang dibutuhkan tersedia dan sesuai dengan
kepentingan pengambilan keputusan. Dengan menggunakan metode jaringan
syaraf tiruan, basis data ini akan digunakan untuk menentukan prakiraan harga
dan prakiraan permintaan karet spesifikasi teknis.
2. Basis data pasokan bahan baku.
Basis data ini berisi data pasokan bahan olah karet yang diterima oleh pabrik
karet spesifikasi teknis sebagai unit pengolah. Data ini digunakan untuk
74
memprediksi pasokan bahan olah karet (bokar) untuk periode yang akan
datang. Metode prakiraan yang digunakan adalah metode jaringan syaraf
tiruan.
3. Basis data produksi.
Basis data berisi rencana produksi, realisasi pemenuhan rencana produksi yang
digunakan untuk model perencanaan produksi.
4. Basis data kapasitas produksi.
Basis data ini berisi data yang dibutuhkan untuk menghitung kapasitas
produksi yang tersedia. Data yang diinput adalah jumlah mesin, waktu yang
dibutuhkan untuk memproduksi karet spesifikasi teknis untuk setiap tahapan
proses, jumlah waktu yang tersedia, utilisasi dan efisiensi yang digunakan
dalam penghitungan kapasitas.
5.2.4 Sistem Manajemen Basis Pengetahuan
Basis pengetahuan digunakan untuk menunjang model yang meliputi
akuisis pengetahuan dan representasi pengetahuan yang diperoleh dari para pakar,
studi literatur dan pengamatan langsung ke lapangan. Interaksi dengan pakar
dilakukan melalui metode FGD (focus group discussion). Pakar pada akuisisi
pengetahuan dalam model ini adalah praktisi pada Kantor Pemasaran Bersama
Nusantara (PT KPBN), praktisi di Gapkindo (Asosiasi Gabungan Perusahaan
Karet Indonesia), praktisi di PTPN VIII, praktisi di PT Bakrie Sumatera
Plantation Tbk. sebagai pelaksana fungsi produksi dan dan pakar dari Pusat
Penelitian Karet sebagai ahli dalam bidang karet.
Basis pengetahuan digunakan pada model perencanaan produksi untuk
menentukan 1) jenis variabel yang akan dimodelkan dalam perencanaan produksi
sebagai faktor pembentuk dinamika dalam perencanaan produksi, 2) nilai kategori
untuk setiap variabel, 3) logika aturan fuzzy dalam bentuk If (kondisi)-Then-
Rules (aksi). Basis pengetahuan ini merupakan sumber kecerdasan sebagai yang
pengganti pakar dalam memutuskan jumlah produksi.
75
5.2.5 Mekanisme Inferensi
Mekanisme inferensi merupakan bagian yang mengarahkan dan
memanipulasi fakta, pengetahuan dan model yang disimpan dalam basis
pengetahuan untuk menarik suatu kesimpulan. Bagian ini berfungsi untuk
melakukan pengujian terhadap sejumlah fakta dan kaidah-kaidah aturan yang
digunakan serta membuat keputusan sesuai penalaran yang dilakukan. Pada
model sistem manajemen ahli Proplan-TSR sebagai input adalah nilai prakiraan
untuk harga dan volume permintaan dunia ke dalam kategori tinggi, normal dan
rendah. Input lain adalah hasil prakiraan pasokan bahan baku yang
dikelompokkan ke dalam kategori tinggi, sedang, rendah yang menjadi
himpunan fuzzy input. Sedangkan sebagai output adalah jumlah produksi yang
dikelompokkan ke dalam himpunan fuzzy tinggi, normal dan rendah.
Metode yang digunakan untuk melakukan inferensi adalah fuzzy inference
system dengan teknik Mamdani dengan menggunakan fungsi implikasi minimum
sedangkan komposisi aturan yang digunakan adalah nilai maksimum. Metode
defuzifikasi yang digunakan adalah metode centroid, sehingga nilai tegas (crisp)
merupakan nilai titik pusat area fuzzy.
5.2.6 Sistem Manajemen Basis Model
Menurut Turban (2003) basis model merupakan inti dalam mengelola
logika pada perancangan sistem penujang keputusan. Menurut Suryadi dan
Ramdhani (2002) komponen basis model dalam suatu sistem penunjang
keputusan harus menunjang proses pengambilan keputusan. Sistem
manajemen ahli perencanaan produksi Proplan-TSR 20, mengintegrasikan sub
model yang saling berhubungan dengan dukungan basis data serta basis
pengetahuan. Perancangan sistem manajemen basis model yang dibangun adalah
hasil integrasi dari beberapa model yaitu : 1) model prakiraan harga dan
permintaan, 2) model ketersediaan bahan baku, 3) model perencanan produksi,
4) model ketersediaan kapasitas produksi, dan 5) model pengukuran kinerja.
Setiap model menggunakan pendekatan atau metode yang telah teruji
berdasarkan studi literatur yaitu metode: 1) jaringan syaraf tiruan untuk
prakiraan harga dan volume permintaan, serta prakiraan ketersediaan bahan baku,
76
2) metode fuzzy inference system untuk perencanaan produksi, 3) metode
perencanaan kapasitas untuk model ketersediaan kapasitas, dan 4) metode
bullwhip effect untuk mengukur kinerja rantai pasok.
5.3 Rekayasa Model
Rekayasa atau rancangbangun model digunakan untuk merancang model
perencanaan produksi yangmengintegrasikan dinamika pada sisi permintaan dan
sisi pasokan. Model perencanaan produksi ini juga diintegrasikan dengan model
pengukuran kinerja yang bersifat backward untuk menentukan kinerja rantai
pasok atas dasar realisasi dari rencna produksi yang dihasilkan. Integrasi
dilakukan dengan prinsip menggunakan keluaran dari suatu model akan dijasikan
masukan pada model berikutnya. Model yang direkayasa akan dibahas pada sub
bab berikut:
5.3.1 Model Prakiraan Harga dan Permintaan
Penentuan prakiraan permintaan adalah langkah awal dalam penyusunan
rencana produksi. Prakiraan permintaan pada umumnya dilakukan dengan
metode time series dengan memperhatikan pola data permintaan periode
sebelumnya tanpa melibatkan pengaruh dari faktor lain yang berpengaruh secara
signifikan seperti perkembangan harga. Sebagai salah satu pengembangan
metode untuk menyusun prakiraan permintaan pada penelitian ini digunakan
metode Jaringan Syaraf Tiruan (JST) backpropagation.
Penelitian prakiraan permintaan produk agroindustri terdahulu oleh
Indrawanto (2007) dan Surjasa ( 2011) menggunakan satu parameter untuk satu
arsitektur JST, dimana arsitektur JST untuk prakiraan harga dibuat secara
terpisah dengan arsitektur JST untuk prakiraan permintaan. Pada penelitian ini
parameter harga dan volume permintaan digunakan dalam satu arsitektur JST,
sehingga model mempertimbangkan secara bersama-sama pola permintaan dan
pola harga pada masa lalu untuk memprediksi harga dan permintaan di masa
yang akan datang. Hasil dari model ini adalah prakiraan harga dan prakiraan
permintaan yang dijadikan input untuk model perencanaan produksi.
77
Perancangan JST pada model ini menggunakan algoritma backpropagation
dengan lapisan tersembunyi tunggal (single hidden layer). Algoritma
backpropagation banyak digunakan karena kemampuannya dalam mengenali
pola data yang digunakan selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola data input dengan pola yang
dipakai selama proses pelatihan.
Algoritma ini umumnya menggunakan satu lapisan tersembunyi namun
juga bisa ditambahkan beberapa layar tersembunyi dinatara input layer dan
output layer. Algoritma backpropagation merupakan algoritma pembelajaran
terawasi (supervised learning) dan terdiri atas tiga tahapan yaitu 1) fase
feedforward (propogasi maju) pola input pelatihan, 2) fase penghitungan dan
backpropagation error dan 3) fase penyesuaian bobot supaya output mendekati
target (Siang , 2005 ; Patuelli, 2006 ; Seminar et al., 2010 ; Munakata, 2008)
Pada fase feedforward, sinyal masukan dipropagasikan ke lapisan
tersembunyi menggunakan fungsi aktivasi. Keluaran dari layar tersembunyi
dibandingkan dengan target yang harus dicapai. Selisih antara keluaran dan target
merupakan nilai kesalahan. Jika nilai kesalahan lebih kecil dari batas toleransi
yang ditetapkan , maka iterasi dihentikan, namun jika nilai kesalahan lebih besar
dari batas toleransi, dilakukan modifikasi bobot untuk setiap garis dalam jaringan.
Pada fase backpropagation dilakukan penghitungan faktor untuk
mendistribusikan kesalahan pada semua lapisan. Selanjutnya pada fase
penyesuaian bobot dilakukan modifikasi bobot semua garis sehingga mendekati
nilai target . Ketiga fase tersebut diulangi sehingga kondisi yang ditargetkan
tercapai baik berupa jumlah epoch yang ditetapkan atau jika nilai kesalahan yang
terjadi lebih kecil dari toleransi yang diijinkan (Siang 2005).
Algoritma backpropagation bekerja dengan menggunakan error output
untuk melakukan perubahan nilai bobot dalam arah mundur. Error output
diperoleh melalui tahap forward propagation dengan mengaktifkan neuron-
neuron menggunakan fungsi aktivasi. Parameter output untuk menentukan kinerja
simulasi pada model ini adalah Mean Square Error (MSE), jumlah iterasi (epoch)
dan koefisien korelasi. Perancangan JST backpropagation perlu dilakukan
penentuan fungsi aktivasi, algoritma training, lapisan tersembunyi dan nilai target
78
Data historis
volume dan harga
karet spesifikasi
teknis (TSR 20)
Normalisasi Data
Rancangan Struktur Jaringan :
- Jumlah Input
- Jumlah Output
- Jumlah Data Pelatihan
- Jumlah Data Pengujian
- Jumlah lapisan Tersembunyi
- Jumlah neuron tiap lapisan
Fungsi Aktivasi Untuk Setiap Lapisan
- Target Error yang diinginkan
Evaluasi Hasil Prakiraan
Tentukan Jumlah Data Prakiraan
Jalankan Data Testing
Jalankan Hasil prakiraan
Perbaikan Nilai
Bobot Parameter
Jalankan Data Pelatihan
Nilai Bobot Parameter
Memuaskan ?
Memuaskan ?
Memuaskan ?
Selesai
Mulai
Y
T
Y
T
Y
T
seperti toleransi error dan jumlah iterasi. Tahap perancangan arsitektur JST
ditampilkan pada Gambar 28.
Gambar 28 Tahapan perancangan JST prakiraan harga dan volume permintaan
79
Perancangan arsitektur JST backpropagation secara rinci mengikuti
langkah-langkah sebagai berikut :
1. Menentukan fungsi fktivasi
Fungsi aktivasi dalam backpropagation harus memenuhi syarat yaitu ;
kontinyu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun
(Siang, 2005). Pada perancangan arsitektur JST dalam penelitian ini fungsi
aktivasi yang digunakan diantaranya :
a. Sigmoid biner (logsig)
Formula fungsi sigmoid biner adalah : logsig (n) = 1/ {1+ exp (-n)}
b. Sigmoid bipolar (tansig)
Formula fungsi sigmoid bipolar adalah : tansig (n) = 2/ {1+ exp (-2*n) -1}
c. Purelin (identitas)
Formula untuk fungsi purelin adalah: purelin (n) = n
2. Memilih algoritma training
Pada tahap pelatihan perlu ditentukan parameter untuk melakukan
simulasi, diantaranya adalah arsitektur jaringan, nilai momentum dan target.
Menurut Siang (2005) agar pelatihan berjalan lebih cepat dalam proses
pembelajaran menggunakan jaringan backpropagation dapat digunakan metode
penurunan gradien (traingd), dengan cara 1) penambahan momentum (traingdm),
2) momentum dan learning rate (traingdx), 3) Levenberg-Marquadt (trainglm), 4)
Resilient Backpropagation.
Momentum merupakan perubahan bobot yang berdasarkan pada arah
gradien pola terakhir dan pola data yang dimasukkan sebelumnya.Untuk
menentukan nilai momentum dapat dilakukan dengan trial and error. Nilai
momentum yang dapat digunakan antara 0 dan 1 (Siang, 2005). Nilai momentum
dapat ditingkatkan untuk menghindari perubahan bobot yang terlalu dratis,
sebagai akibat adanya data yang berbeda secara signifikan dengan data-data lain.
Pada penelitian ini proses pelatihan menggunakan 70% dari pola data dan proses
pengujian menggunakan 30% pola data yang menggunakan 50 set data rata-rata
mingguan yang diambil dari data transaksi harian di bursa komoditas SICOM
tahun 2010.
80
3. Menentukan lapisan tersembunyi
Lapisan tersembunyi berguna untuk mengenali pola data, pada tahapan ini
ditentukan jumlah lapisan dan jumlah neuron (ukuran layer). Secara teoritis
dinyatakan bahwa jaringan dengan satu lapisan tersembunyi cukup memadai
untuk mengenali sembarang pemetaan antara pola masukan dan target dengan
tingkat akurasi yang ditetapkan (Seminar et al.2010 dan Siang, 2005). Penentuan
jumlah lapisan tersembunyi dilakukan secara trial and error dengan mengacu
kepada beberapa alternatif fungsi aktivasi, jumlah neuron serta indikator (target)
yang ingin dicapai.
4. Menentukan target nilai kesalahan
Target nilai kesalahan adalah parameter yang ditentukan sehingga iterasi
dapat dihentikan. Iterasi akan berhenti bila nilai error lebih kecil dari batas yang
ditentukan atau jumlah epoch sudah mencapai batas yang ditentukan. Indikator
nilai kesalahan pada JST back propagatioan pada umumnya berdasarkan kuadrat
rata-rata kesalahan (MSE) yang dijadikan sebagai nilai target (goal). Pada
penelitian ini nilai MSE yang ditargetkan adalah 0,00001. Selain target kesalahan
indikator pencapaian dibatasi dari jumlah iterasi (epoch) sebanyak 5000 kali
iterasi.
5.3.2 Model Prakiraan Ketersediaan Bahan Baku
Bahan baku pembuatan karet spesifikasi teknis kualitas tinggi adalah
lateks, sedangkan untuk kualitas rendah adalah lateks yang telah mengumpal yang
sering disebut bahan olah karet (bokar). Data pasokan bahan baku yang diterima
baik yang berasal dari kebun sendiri dan pasokan dari petani dari periode 2009-
2011 digunakan untuk membaca pola guna memprediksi pasokan yang akan
datang. Metode yang digunakan pada model ini adalah JST backpropagation.
Meskipun metode yang digunakan sama dengan model prakiraan dan harga
permintaan, namun terdapat perbedaan pada kombinasi neuron input layer.
Pada model ini hanya ada satu parameter untuk neuron input layer yaitu
pasokan bahan baku tanpa memperhatikan pola hubungan antara jumlah pasokan
dengan faktor lain seperti harga, sedangkan pada model prakiraan harga dan
volume neuron input layer menggunakan neuron dari parameter harga dan volume
81
serta interaksi keduanya dalam pengenalan pola. Data untuk pelatihan pengenalan
pola hanya memperhatikan pola yang dibentuk dari data input pasokan bahan
baku, sedangkan neuron output adalah prakiraan pasokan bahan baku untuk
periode yang akan datang. Tahapan perancangan arsitektur jaringan syaraf tiruan
dengan algoritma backpropagation yang digunakan pada model ini secara ringkas
disajikan pada Gambar 29.
Gambar 29 Perancangan arsitektur JST prakiraan ketersediaan bahan baku
Mulai
Arsitektur JST
Pelatihan JST Data Pelatihan
Target
sesuai
Pengujian JST Data Pengujian
Akurasi
sesuai
Implementasi JST Data Harian
Output: Hasil
Prakiraan
Selesai
Ya
Tidak
Tidak
Ya
82
Pada model prakiraan asumsi yang digunakan adalah kondisi yang terjadi
pada periode sebelumnya akan memiliki pola yang sama dengan kondisi yang
akan datang. Hasil prakiraan ketersediaan bahan baku selanjutnya dikategorikan
dalam label linguistik berdasarkan pengetahuan pakar, untuk menentukan rentang
nilai pada model perencanaan produksi.
5.3.3 Model Perencanaan Produksi
Model perencanaan produksi bertujuan untuk menyusun Jadual Induk
Produksi. Metode yang digunakan adalah Fuzzy Inference System (FIS) dengan
teknik penalaran Mamdani, disebut juga metode Max Min yang dikembangkan
oleh Ebrahim Mamdani di awal tahun 70-an. Penalaran Mamdani memiliki
kelebihan dimana nilai input dan output dalam bentuk fuzzy sehingga lebih
fleksibel dan memiliki toleransi terhadap data yang tidak tepat dan pengambilan
keputusan didasarkan pada sejumlah basis aturan If-Then-Rules (Unahabhoka,
2007; Kusumadewi, 2003). Sistem fuzzy merupakan suatu cara pengambilan
keputusan melalui pendekatan logika fuzzy untuk memecahkan masalah-masalah
yang mengandung ketidaktepatan (imprecision). Tahapan pemodelan
penyusunan rencana produksi disajikan pada Gambar 30.
Gambar 30 Tahapan penentuan rencana produksi
Fuzzifikasi
Logika keputusan
Defuzzifikasi
Prakiraan harga dan
volume permintaan
Prakiraan pasokan
bahan baku
Jumlah produksi
sebelumnya
Basis pengetahuan
Rencana Produksi
83
Pemilihan metode FIS bertujuan untuk menyesuaikan rencana produksi
sehingga adaptif terhadap dinamika harga dan permintaan di sisi hilir, dan
dinamika ketersediaan bahan baku di sisi hulu serta ketersediaan kapasitas
produksi pada periode perencanaan yang lebih pendek. Secara garis besar
penggunaan FIS dengan metode Mamdani mengikuti langkah sebagai berikut :
1. Penyusunan database untuk data input
Input data yang berfungsi sebagai antacendent distrukturkan berdasarkan
hasil dari model prakiraan harga dan permintaan, dan ketersediaan bahan baku.
Berdasrkan hasil prakiraan harga dan volume permintaan dilakukan
pengelompokkan nilai harga dan nilai permintaan. Pengetahuan pakar diakuisi
untuk melalui wawancara mendalam untuk menentukan klasifikasi tingkat
permintaan dan tingkat harga. Hasil perbandingan nilai prakiraaan nilai tertinggi
dan nilai terendah dijadikan basis perhitungan untuk memperoleh klasifikasi
aturan yang akan digunakan sebagai input data pada FIS. Kondisi normal adalah
kondisi diantara kategori tinggi dan rendah. Basis data untuk input disusun dalam
bentuk data linguistik dengan kombinasi beberapa himpunan nilai. Himpunan
nilai fuzzy data input dan output Fuzzy Inference System disajikan pada Tabel 8.
Tabel 8 Himpunan nilai fuzzy untuk data input dan data Output
Parameter Anggota himpunan fuzzy
Pertama Kedua Ketiga
INPUT
Prakiraan harga (PH) Rendah Normal Tinggi
(US cent/kg) [PH < 269 ] [330 < PH < 405] [PH > 493]
Prakiraan Rendah Normal Tinggi
Permintaan (PP)
(lots) [PP < 837] [1300 < PP < 1900 ] [PP > 2369 ]
Ketersediaan bahan
baku (KB) Rendah Sedang Tinggi
(ton basah/bulan) [KB < 45] [ 48 < KB < 53] [KB > 57]
OUTPUT Rendah Sedang Tinggi
Jumlah produksi (JP) [JP < 65] [105 < JP < 150] [JP > 202]
(ton kering/bulan)
84
2. Proses fuzzifikasi
Fuzzifikasi adalah proses merubah nilai input data menjadi bernilai fuzzy
menggunakan fungsi keanggotaan (membership function) tertentu. Pada model ini
proses fuzzifikasi menggunakan fungsi keanggotaan TFN (Triangular Fuzzy
Number) dan fungsi keanggotaan trapezoid . Input data hasil prakiraan harga dan
permintaan memiliki nilai linguistik tinggi, normal dan rendah. Demikian juga
nilai fuzzy untuk input data ketersediaan bahan baku juga dikategorikan ke dalam
selang nilai tinggi, sedang dan rendah. Untuk output data berupa jumlah produksi
dikategorikan tinggi, normal dan rendah. Seluruh nilai untuk input data dan
output data dalam label linguistik, selanjutnya disusun kedalam himpunan
keanggotaan fuzzy dengan mengacu pada semesta pembicaraan.
3. Penyusunan logika keputusan
Logika keputusan yang disusun mengikuti aturan yang berdasarkan logika
“ jika maka” (If Then Rule). Aturan “ jika maka” dapat disusun berdasarkan hasil
akuisisi pengetahuan pakar di lapangan yang mempunyai kemampuan dalam
bidang yang dikerjakannya (Elmahi, 2002 ; Pongpaibool, 2007). Pada penelitian
ini logika untuk aturan “jika-maka” digunakan operator “and” untuk membangun
logika pada antacendent. Alternatif aturan yang digunakan untuk menyusun
rencana produksi sebagai hasil akuisisi pengetahuan melalui diskusi dengan
pakar karet spesifikasi teknis disajikan pada Tabel 9. Alternatif aturan disusun
sebagai representasi pengetahuan yang disimpan dalam basis pengetahuan.
Adapun bentuk umum dari logika aturan untuk menentukan jumlah
produksi adalah sebagai berikut :
If ( prakiraan harga is rendah/normal/tinggi ) and ( prakiraan volume
permintaan is rendah/normal/tinggi ) and ( prakiraan pasokan bahan baku is
rendah/sedang/tinggi ) Then ( jumlah produksi is rendah/normal/tinggi ).
Sebagai contoh bentuk logika aturan pertama yang disusun adalah :
If prakiraan harga > 493 (tinggi) dan prakiraan permintaan > 2369 (tinggi) dan
ketersediaan bahan baku > 57 (tinggi) Then jumlah produksi > 202 (tinggi).
85
Tabel 9 Alternatif aturan jika – maka untuk rencana produksi
Aturan JIKA MAKA
ke Prakiraan Prakiraan Ketersediaan Jumlah
Harga Permintaan Bahan baku Produksi
1 Tinggi Tinggi Tinggi Tinggi
2 Tinggi Tinggi Sedang Normal
3 Tinggi Tinggi Rendah Rendah
4 Tinggi Normal Tinggi Tinggi
5 Tinggi Normal Sedang Normal
6 Tinggi Normal Rendah Rendah
7 Tinggi Rendah Tinggi Tinggi
8 Tinggi Rendah Sedang Normal
9 Tinggi Rendah Rendah Rendah
10 Normal Tinggi Tinggi Tinggi
11 Normal Tinggi Sedang Normal
12 Normal Tinggi Rendah Rendah
13 Normal Normal Tinggi Tinggi
14 Normal Normal Sedang Normal
15 Normal Normal Rendah Rendah
16 Normal Rendah Tinggi Tinggi
17 Normal Rendah Sedang Normal
18 Normal Rendah Rendah Rendah
19 Rendah Tinggi Tinggi Tinggi
20 Rendah Tinggi Sedang Normal
21 Rendah Tinggi Rendah Rendah
22 Rendah Normal Tinggi Tinggi
23 Rendah Normal Sedang Normal
24 Rendah Normal Rendah Rendah
25 Rendah Rendah Tinggi Tinggi
26 Rendah Rendah Sedang Normal
27 Rendah Rendah Rendah Rendah
4. Proses Defuzifikasi
Setelah nilai input diubah menjadi nilai fuzzy maka diperlukan proses
defuzifikasi untuk mendapatkan nilai tegas (crisp). Terdapat beberapa metode
untuk melakukan agregasi nilai metode defuzzifikasi pada komposisi aturan
Mamdani, pada penelitian ini dipakai metode agregasi dengan fungsi kepadatan
centroid. Luas area pada hasil agregasi untuk menentukan nilai output dihitung
dengan cara mengambil titik pusat (z*) daerah fuzzy dengan formula :
86
z
Z
dz)z(
dz)z(z
*z
Mengunakan metode Max (Maximum) solusi himpunan fuzzy
diperoleh dengan cara mengambil nilai maksimum aturan, kemudian
menggunakannya untuk memodifikasi daerah fuzzy, dan
mengaplikasikannya ke output dengan menggunakan operator OR (union).
Jika semua proposisi telah dievaluasi, maka output akan berisi suatu
himpunan fuzzy yang merefleksikan konstribusi dari tiap-tiap proposisi.
Secara umum dapat dituliskan:
sf[xi] max( sf[xi], kf[xi])
dengan :
sf[xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i
kf[xi] : nilai keanggotaan konsekuen fuzzy aturan ke-i
Selanjutnya menggunakan metode additive (Sum), solusi himpunan
fuzzy diperoleh dengan cara melakukan bounded-sum terhadap semua
output daerah fuzzy. Secara umum dituliskan
sf[xi] min(1, sf[xi]+ kf[xi])
dengan :
sf[xi] : nilai keanggotaan solusi fuzzy sampai aturan ke-i
kf[xi] : nilai keanggotaan konsekuen fuzzy aturan ke-i
5.3.4 Model Ketersediaan Kapasitas Produksi
Rencana produksi umumnya disusun dalam bentuk Jadwal Induk Produksi.
Jadwal induk produksi akan menjadi masukan utama untuk merencanakan
kebutuhan sumber daya dan kebutuhan kapasitas. Model ketersediaan kapasitas
digunakan untuk menghitung apakah sumber daya yang direncanakan cukup
untuk melaksanakan rencana produksi karet spesifikasi teknis jenis SIR 20 di unit
pengolahan karet spesifikasi teknis. Hasil perhitungan kapasitas selanjutnya
digunakan untuk menjaga keseimbangan antara kebutuhan kapasitas yang
87
ditetapkan dalam jadual induk produksi dengan ketersediaan kapasitas di lantai
produksi.
Input yang digunakan dalam model ini adalah sumber daya yang tersedia
berupa jumlah jam kerja, waktu baku yang diperlukan setiap mesin. Berdasarkan
data historis yang tersedia selanjutnya dihitung tingkat utilisasi dan efisiensi
mesin, yang berfungsi sebagai faktor pengurang ketersediaan kapasitas yang
digunakan untuk perawatan mesin. Output dari model ini adalah diperolehnya
kapasitas yang tersedia untuk setiap mesin dan kapasitas unit pengolahan untuk
menghasilkan karet spesifikasi teknis.
Model perhitungan kapasitas dapat dilaksanakan jika tersedia data rencana
produksi, nilai untuk parameter sumber daya yang dibutuhkan berupa waktu baku,
kemampuan mesin berproduksi pada tingkat utilisasi yang diharapkan. Semua
sumberdaya tersebut diasumsikan sudah dibakukan, tersedia pada waktu dan
jumlah yang telah direncanakan dan tidak berubah dengan cepat selama horizon
waktu perencanaan. Pendekatan RCCP pada penelitian ini menggunakan
pendekatan CPOF disesuaikan dengan kondisi proses produksi dan ketersediaan
data. Rumus yang digunakan untuk perhitungan proporsi historis adalah :
T
ii
WP
WPPH
Dimana :
PHi : Proporsi Historis pada work center ke i
WPi : Waktu proses pada work center ke i
WPT : Total waktu proses.
Perhitungan kapasitas untuk masing-masing stasiun kerja adalah perkalian
proporsi historis stasiun kerja dengan kapasitas total yang dibutuhkan :
KBij = PHT * KBj
Keterangan :
KBij : Kebutuhan Kapasitas stasiun kerja i pada periode j
PHT : Proporsi historis pada stasiun kerja i
KBj : Kapasitas yang dibutuhkan pada periode j
Diagram alir tahapan penyusunan model ketersediaan kapasitas untuk validasi
rencana produksi ditampilkan pada Gambar 31.
88
Gambar 31 Diagram alir penghitungan kapasitas tersedia
5.3.5 Model Pengukuran Kinerja Rantai Pasok
Keberhasilan penyusunan rencana produksi dalam mengoptimalkan
performansi rantai pasokan membutuhkan suatu model pengukuran kinerja.
Model pengukuran kinerja disusun mengacu pada model pengukuran kinerja
SCOR (Supply Chain Operations Reference Model). Pada metrik SCOR
sesuai Penyesuaian Rencana
Produksi
Selesai
T
Y
Waktu proses, jam kerja, output
produksi, kapasitas mesin
Mulai
Utilisasi
(output) / (kapasitas )
Kapasitas Tersedia
AC = T x U x E
Waktu tersedia
T x S x H x W
Efisiensi
( waktu baku )/(waktu aktual)
Kapasitas Dibutuhkan
(RCCP)
Pendekatan
CPOF
Pendekatan
BOL
Pendekatan
RP
Validasi MPS
Rencana Produksi
89
pengukuran reliabilitas diadopsi ukuran bullwhip effect guna mengukur
keberhasilan penyusunan rencana produksi yang disusun dengan
mempertimbangkan dinamika sisi hilir dan sisi hulu.
Salah satu ukuran keberhasilan penyusunan rencana produksi untuk
meningoptimalkan kinerja rantai pasok adalah besarnya variansi antara rencana
dan realisasi produksi. Variansi keduanya menunjukan keberhasilan dalam
menginterpretasikan dinamika dari sisi hilir dan sisi hulu dan merealisasikan
produksi untuk memenuhi permintaan konsumen dan menyesuaikan dengan
kemampuan pasokan.
Berkaitan dengan kinerja dalam perencanaan produksi dikembangkan
suatu sistem pengukuran kinerja dengan menggunakan pendekatan bullwhip
effect. Mengacu pada formulasi perhitungan bullwhip effect dari Flansoo dan
Wouters (2000) dalam Pujawan (2005), pada penelitian ini variansi order adalah
rencana produksi yang dihasilkan dari model perencanaan produksi sebelumnya,
sedangkan variansi demand adalah realisasi produksi setelah rencana produksi
dilaksanakan. Besarnya amplifikasi antara rencana produksi dan realisasi
produksi secara matematis pengukuran diformulasikan sebagai berikut :
Pengukuran simpangan tidak hanya dilakukan untuk membandingkan
rencana dan realisasi produksi juga digunkan untuk mengukur kinerja pasokan
bahan baku. sebagai ukuran kinerja kebun dalam menyediakan bahan baku untuk
kepentingan pabrik. Perhitungan menggunakan metode yang sama yaitu untuk
menghitung nilai amplifikasi antara permintaan yang dikirimkan kepada pemasok
dalam hal ini adalah kebun yang berada dalam perusahaan sendiri dengan jumlah
pasokan yang diterima oleh pabrik. Nilai ini selanjutnya mengindikasikan kinerja
dalam pemenuhan pasokan dari kebun. Tahapan penghitungan bullwhip effect
sebagai ukuran kinerja rantai pasok dalam menginterpretasikan dinamika dari sisi
permintaan dan pasokan disajikan pada Gambar 32.