Gambar 64 Tampilan output perhitungan persediaan pengaman.
6.2 Analisis Hasil Implementasi SPK IPRADIPA
Dalam implementasi model prakiraan permintaan produk roti berdasarkan metode JST, dipilih data item produk RTG dengan grafik plot data penjualan
sebagai berikut.
Gambar 65 Plot data penjualan produk RTG. Berdasarkan gambar plot data penjualan produk roti tawar gandum RTG
di atas terlihat bahwa data memiliki kecenderungan musiman, sangat berfluktuasi bahkan ada data dengan nilai 0. Bila kita menggunakan metode peramalan time
series untuk pengujian data penjualan produk RTG, maka dapat diperkirakan bahwa hasil pengujian akan memberikan nilai kesalahan yang sangat besar.
Metode Jaringan Syaraf Tiruan JST memiliki kemampuan yang sangat efektif dalam mengenali pola data masa lalu untuk kebutuhan prakiraan permintaan.
Dalam proses pengujian berdasarkan metode deret waktu, dilakukan perhitungan nilai kesalahan error untuk semua alternatif metode terpilih.
Metode dengan akurasi terbaik MAE, MSE atau MAPE terkecil akan terpilih menjadi metode yang akan digunakan untuk melakukan prakiraan permintaan.
Data prakiraan permintaan ini akan menjadi input data untuk melakukan perhitungan penjadwalan induk produksi perhitungan Master Production
Scheduling MPS. Untuk industri pangan seperti PT NIC, Tbk yang menghasilkan produk roti, proses prakiraan permintaan juga dilakukan untuk
perencanaan produksi jangka menengah, yaitu untuk mendapatkan prakiraan permintaan selama periode 1
– 3 bulan, sebagai input perencanaan persediaan bahan baku.
Berdasarkan hasil pengujian peramalan dengan memanfaatkan beberapa metode yang berbeda, terlihat perbedaan nilai akurasi MAE, MSE ataupun
MAPE yang cukup signifikan. Metode Dekomposisi merupakan metode peramalan permintaan yang dianggap baik karena menggunakan pendekatan yang
sudah mengantisipasi pola trend, siklis dan musiman dari data penjualan, sehingga hasil proyeksinya diharapkan sudah sesuai dengan pola data penjualan yang
umumnya memiliki karakteristik trend, siklis dan musiman. Namun hasil pengolahan data menunjukkan bahwa JST memberikan hasil pengujian peramalan
yang memberikan akurasi sangat baik nilai kesalahan minimum. JST memiliki kemampuan untuk mempelajari pola data penjualan berdasarkan data input yang
diberikan dengan sangat baik, sehingga mampu memproyeksikan nilai peramalan yang mendekati pola yang aktual.
JST juga memiliki sejumlah besar kelebihan dibandingkan dengan metode perhitungan lainnya. antara lain adalah kemampuan untuk memproses
pengetahuan secara efisien karena melakukan sistem paralel sehingga waktu yang diperlukan untuk mengoperasikannya menjadi lebih singkat.
Kemampuan metode JST untuk mengenali pola data dengan sangat efektif menyebabkan JST mampu melakukan perkiraan permintaan dengan akurat nilai
kesalahan yang sangat kecil. Hal inilah yang menjadi kelebihan metode ini dibandingkan metode prakiraan permintaan yang lainnya. Keterbatasan metode
JST dalam perkiraan permintaan adalah tingkat kesulitan yang cukup tinggi untuk mendapatkan struktur jaringan dimana dalam aplikasinya membutuhkan waktu
dan usaha yang besar dalam melakukan percobaan-percobaan dan running program berbasis software Mathlab dibandingkan metode heuristik lainnya.
Model Fuzzy Multi Objective Linier Programming yang memanfaatkan kurva-s termodifikasi dalam penentuan angka fuzzy merupakan model keputusan
PPIC yang cukup handal untuk meningkatkan fungsi PPIC pada industri pangan. Model ini merupakan model optimasi yang sudah mengakomodir kebutuhan
industri pangan dengan memungkinkan perhitungan angka fuzzy serta fungsi tujuan yang sesuai.
Untuk mengendalikan persediaan bahan baku, diusulkan penggunaan model Pengendalian Bahan Baku yang telah mempertimbangkan hasil
pemeriksaan persediaan secara kontinu Continuous Review System dengan
output Stock Opname untuk item bahan baku kelas A dimana untuk PT NIC, kegiatan ini dilakukan setiap hari. Selain itu, model ini juga mempertimbangkan
output jadwal induk produksi MPS. Apabila terjadi gangguan internal sistem produksi, dapat diketahui apakah perlu dilakukan penyesuaian atas MRP yang
telah dibuat. Sesuai dengan kebutuhan tahapan model Penentuan Urutan Job Produksi
berdasarkan metode Genetic Algorithm, mula-mula akan dilakukan penentuan representasi dari permasalahan sesuai dengan kebutuhan model penjadwalan
untuk kasus Flowshop berdasarkan metode Genetic Algorithm atau sering disingkat dengan GAFS. Dengan menggunakan data kasus di PT NIC,Tbk.
terdapat 17 job yang akan diselesaikan pada 18 mesinstasiun kerja di Lini 1 Roti Tawar. Tiap job akan dibuat representasi kromosom yang memiliki gen sesuai
dengan nomor job, yaitu no job 1 sampai dengan 17. Kriteria yang digunakan sebagai fitness function adalah waktu penyelesaian job makespan. Output hasil
yang diinginkan adalah urutan job yang memberikan nilai makespan minimum. Proses penentuan urutan job produksi berdasarkan metode Algoritma
Genetika ini dalam aktual perhitungan secara manual membutuhkan tahapan pengembangan populasi awal. Populasi awal akan mengalami proses pertukaran
silang cross over dan mutasi yang akan dievaluasi berdasarkan nilai fitness function. Untuk mempertahankan kromosom dengan fitness function terbaik,
dilakukan proses yang menggunakan pendekatan elitisme, dimana dilakukan pemilihan 2 kromosom dengan nilai makespan minimum untuk tiap populasi awal
pada masing-masing populasi yang tidak akan mengalami proses seleksi kromosom dalam rangka operasional cross over maupun mutasi. Urutan
pengerjaan job tersebut membutuhkan makespan yang lebih kecil dibandingkan urutan pengerjaan job sebelum dilakukan proses FSGA.
Model Pengendalian Gangguan yang diintegrasikan dengan model PPIC pada SPK IPRADIPA ini menjadi kebaruan dalam penelitian disertasi ini. Dalam
aplikasi model, untuk mendapatkan manfaat yang cukup besar dari sistem, pengguna sistem adalah manajer pabrik yang memahami permasalahan dan
gangguan sistem produksi.
6.3 Analisis Rancangan SPK IPRADIPA
Berdasarkan hasil pemodelan sistem, rancang bangun sistem pendukung keputusan SPK IPRADIPA dan implementasi sistem, diketahui bahwa hasil
rancang bangun SPK IPRADIPA memiliki keunggulan dan keterbatasan sesuai dengan uraian berikut ini.
6.3.1 Keunggulan SPK IPRADIPA.
1. SPK PPIC Adaptif memiliki basis model yang cukup handal yang dapat meningkatkan performansi fungsi PPIC dalam hal sebagai berikut:
a. Akurasi prakiraan permintaan menggunakan metode Jaringan Syaraf TiruanArtificial Neural Network ditunjukkan dengan nilai Mean
Square Error MSE yang jauh dibawah nilai MSE berdasarkan metode Dekomposisi atau metode Time Series.
b. Perencanaan jumlah produksi yang optimum menggunakan metode Fuzzy Multi Objective Linier Programming dengan mempertimbangkan
tujuan minimasi biaya produksi dan maksimasi utilisasi produksi serta fungsi pembatas sumberdaya produksi bahan baku, jam kerja mesin,
kebutuhan demand. Sub model PPIC ini dapat memasukkan input persediaan pengaman persediaan pengaman Produk Jadi yang
merupakan hasil perhitungan model Pengendalian Gangguan yang telah diintegrasikan pada SPK IPRADIPA.
c. Penentuan waktu
dan jumlah
pemesanan yang
sudah mempertimbangkan ukuran pemesanan bahan baku yang ekonomis
berdasarkan metode EOQ sekaligus sudah mempertimbangkan nilai persediaan pengaman persediaan pengaman Bahan Baku yang
diperbaharui nilainya secara periodic berdasarkan kebutuhan dan kondisi perusahaan.
d. Penentuan revisi waktu pemesanan berdasarkan pendekatan Continuous Review System sesuai untuk diterapkan pada kondisi sistem produksi
dengan permintaan yang tidak pasti. Penentuan titik pemesanan kembali ROP telah menambahkan nilai persediaan pengaman persediaan
pengaman Bahan Baku yang diperbaharui nilainya secara periodik berdasarkan gangguan sistem produksi yang terjadi pada perusahaan.
e. Penentuan urutan penjadwalan job berdasarkan metode Algoritma Genetika yang memberikan hasil mendekati optimal memberikan hasil
urutan job dengan makespan yang jauh lebih kecil dari makespan urutan job tanpa optimasi penjadwalan.
2. SPK IPRADIPA memiliki basis data dan basis kasus yang dapat diubah atau ditambahkan sehingga meningkatkan fungsi PPIC dalam hal sebagai
berikut : a. Penentuan aksi pengendalian gangguan membantu perusahaan dalam
menentukan tindakan aksi yang harus dilakukan apabila terjadi gangguan didukung oleh kasus data yang tersimpan dan dapat
ditemukan kembali sesuai dengan kata kunci gangguan yang terjadi. b. Pemberian rekomendasi kebijakan lanjutan pengendalian gangguan
membantu perusahaan dalam menentukan apakah diperlukan tindakan follow up kebijakan pengendalian gangguan dilengkapi dengan
informasi mengenai pihak yang akan melakukan kebijakan lanjutan apabila gangguan terusterjadi walaupun sudah dilakukan aksi sesuai
usulan sistem. c. Model pengendalian gangguan diharapkan akan membantu perusahaan
untuk meningkatkan performansi sistem produksinya sekaligus memberikan solusi untuk meminimasi penyimpangan variansi yang
terjadi yang disebabkan karena adanya gangguan sistem produksi.
3. SPK IPRADIPA memiliki menu dialog yang dilengkapi dengan informasi mengenai prosedur yang membantu mengingatkan dan memudahkan
pengguna untuk menjalankan SPK.
6.3.2 Keterbatasan SPK PPIC Adaptif.
Hasil rancang bangun SPK IPRADIPA memiliki keterbatasan sebagai berikut.