distribusi untuk distributor atau konsumen akan digunakan metode Genetic Algorithm untuk mendapatkan performansi output model yang mendekati
optimal.
Keterkaitan antar model keputusan PPIC adalah sesuai dengan gambar berikut.
1. PRAKIRAAN PERMINTAAN : Artificial
Neural Network
4. PENGENDALIAN PERSEDIAAN BAHAN BAKU
: Continuous Review System Probabilistic :
- EOQ
- Reorder Point
2. PENJADWALAN INDUK PRODUKSI :
Fuzzy Multi Objective Linier Programming
5. PENENTUAN URUTAN JOB PRODUKSI : Flow Shop
Genetic Algorithm
Jk Pendek
Jk Men
en g
ah
3. PERENCANAAN PERSEDIAAN BAHAN BAKU :
Material Requirement Planning MRP berdasarkan Receipt
- Lotting : EOQ dan perjanjian dgn supplier
6. Penentuan Rute Pengiriman : Travelling Salesman Problem
Genetic Algorithm
Gambar 10 Model PPIC pada industri pangan.
Penjelasan mengenai masing-masing model diuraikan dalam pembahasan detil berikut ini.
4.3.1 Model Keputusan Prakiraan Permintaan : Jaringan Saraf Tiruan JST
Metode Jaringan Syaraf Tiruan JST merupakan metode yang dapat diaplikasikan untuk memperkirakan apa yang akan terjadi di masa mendatang
berdasarkan pola kejadian yang terjadi di masa lampau dikarenakan kemampuan JST untuk mengingat dan membuat generalisasi pola data yang telah
dipelajarinya. Performansi dari pemanfaatan JST dalam prakiraan permintaan
ditentukan oleh kesesuaian pemanfaatan arsitektur jaringan, algoritma dan parameter pembelajaran serta fungsi aktivasi dengan pola data input yang
diberikan. Apabila pemanfaatannya sesuai, JST memberikan performansi yang sangat efektif dalam prakiraan permintaan, jauh lebih akurat dibandingkan metode
prakiraan permintaan lainnya. Flowchart tahapan yang dilakukan dalam perhitungan JST dapat dilihat
pada gambar 11 berikut ini.
Data penjualan produk jangka pendek Data penjualan produk jangka menengah
Normalisasi data Penetapan dan Simulasi Struktur Jaringan:
-Jumlah input -Jumlah Output
- Jumlah data pelatihan -Jumlah data pengujian
- Jumlah lapisan tersembunyi dan jumlah neuron tiap lapisan - Fungsi aktivasi untuk setiap lapisan
- Target MSE yang diinginkan
Pelatihan JST Memuaskan?
Tidak Ya
Perbaikan nilai Bobot Parameter
Pengujian JST Memuaskan?
Ya Tidak
Tentukan jumlah data prakiraan permintaan
Jalankan Prakiraan Permintaan berdasarkan
JST Evaluasi hasil
Prakiraan permintaan
Memuaskan? Selesai
Mulai
Nilai bobot parameter
Gambar 11 Flowchart model Prakiraan Permintaan menggunakan JST.
Untuk melakukan prakiraan permintaan forecasting, tahapan yang awal yang harus dilakukan adalah melakukan plot data permintaan masa lalu untuk
menganalisis pola data masa lalu, sehingga berikutnya dapat dilakukan pemilihan alternatif metode prakiraan permintaan yang sesuai untuk pola data masa lalu
tersebut. Berikutnya akan dilakukan pengujian berdasarkan alternatif metode
tersebut dengan melakukan 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.
Untuk memulai simulasi JST maka perlu ditetapkan fungsi aktivasi dari lapisan masukan ke lapisan tersembunyi maupun dari lapisan tersembunyi ke
lapisan keluaran. Pada penelitian dicobakan berbagai macam fungsi aktivasi dari lapisan masukan ke lapisan tersembunyi yaitu fungsi sigmoid biner yang dalam
pemrograman Matlab ditulis ”logsig” fungsi sigmoid bipolar dalam matlab ditulis dengan ”tansig” dan fungsi identitas dalam Matlab ditulis dengan ”purelin”.
Tahap awal dilakukan dengan paradigma pembelajaran pola data yang ada. Model JST yang akan digunakan harus mempunyai kemampuan untuk
membandingkan nilai keluaran yang dihasilkan dengan nilai yang diharapkan. Kemampuan membandingkan tersebut digunakan untuk mengestimasi nilai
koreksi kesalahan yang biasa digunakan adalah Mean Square Error MSE yang digunakan sebagai alat kontrol keberlangsungan proses simulasi yang dilakukan
JST. Proses simulasi ini akan dihentikan jika nilai kesalahan yang diperoleh dari perbandingan nilai output antara yang diinginkan dan yang dihasilkan mencapai
perbedaan paling minimal. Bila model JST telah mendapatkan nilai MSE minimum maka struktur JST yang terbentuk siap diimplementasikan.
Pada penelitian ini akan dilakukan perkiraan permintaan untuk kebutuhan perencanaan jangka pendek untuk perhitungan jadwal induk produksi serta
prakiraan permintaan untuk kebutuhan perencanaan jangka menengah untuk perhitungan perencanaan kebutuhan bahan baku.
Mula-mula dilakukan pembentukan pola data meliputi 7 input yaitu x1, x2 hingga x7 sekaligus input target untuk tiap pola sebanyak 40 pola data. Pola data
ini dibentuk berdasarkan data masa lalu penjualan produk roti. Penentuan sejumlah 7 input data didasarkan atas dasar bahwa riwayat data penjualan produk
roti dalam periode hari-an yang menunjukkan pola data trend dan musiman. Sebagai parameter dalam proses training dan testing JST akan digunakan
fungsi aktivasi sigmoid biner fungsi ‘logsig’ untuk aktivasi dari input layer ke hidden layer dengan sejumlah neuron juga aktivasi dari hidden layer ke satu
output layer dengan fungsi ‘logsig’. Fungsi aktivasi sigmoid biner merupakan fungsi aktivasi yang banyak diaplikasikan untuk memudahkan jaringan dalam
proses pembelajaran pola data penjualan. Setelah dilakukan proses normalisasi data, berikutnya ditentukan parameter pembelajaran learning dengan kisaran 0
– 1, sasaran kesalahan serta penentuan jumlah epoch sebagai kriteria pemberhentian
proses pencarian. Penentuan parameter jaringan JST ini dilakukan berdasarkan trial-error yang membutuhkan usaha dan waktu yang cukup lama, sebagai tanda
bahwa sistem sudah mengenali pola data. Untuk mempercepat proses pembelajaran oleh JST, juga dapat dilakukan modifikasi terhadap standar
backpropagation dengan menambahkan fungsi penurunan gradient dengan momentum pada arah penurunan tercepat berdasarkan algoritma conjugate dengan
metode pencarian Powel Beale fungsi ‘traincgb’ . Proses pelatihan, pengujian dan prakiraan permintaan berdasarkan metode
JST dengan bantuan software Matlab membutuhkan dukungan rancangan program untuk eksekusi. Dalam penelitian ini, digunakan sejumlah 15 neuron dengan
parameter pembelajaran lr sebesar 0.1 dengan kriteria pemberhentian proses pencarian dibatasi apabila sasaran kesalahan sebesar 0.0001 dan jumlah epoch
sebesar 500 sudah terpenuhi. Dalam penulisan arsitektur jaringan dituliskan : net=newffminmax P,[15,1], {logsig,logsig},traincgb
net.trainParam.lr=0.1; net.trainParam.epochs=500;
net.trainParam.goal=0.0001;