Sub Model Toleransi Persediaan

internal sistem produksi misalnya kesalahankelalaian operator produksi. Adanya pemberian persediaan pengaman Persediaan Pengaman Bahan Baku, diharapkan dapat mengantisipasi gangguan yang disebabkan karena ketidakpastian supply. Variansi e terkait dengan model Penentuan Urutan Job Produksi. Dengan menggunakan model penjadwalan Flowshop Genetic Algorithm dapat diperoleh urutan job produksi yang memiliki waktu penyelesaian produksi makespan minimum. Rencana pengurutan job produksi ini bisa saja menghasilkan waktu produksi yang berbeda dengan hasil perhitungan disebabkan terjadinya gangguan internal sistem produksi misalnya kerusakan mesin dan kesalahan operator produksi. Dengan adanya rekomendasi Sub model 1 Pengendalian Gangguan - Aksi Pengendalian Gangguan Operasional diharapkan dapat mengurangi variansi e, terkait dengan tindakan koreksi yang direkomendasikan. Rekomendasi Sub model 2 Pengendalian Gangguan – Kebijakan Lanjutan Pengendalian Gangguan juga turut mendukung penurunan nilai variansi e. Variansi f dan variansi g terkait dengan model Penentuan Rute Pengiriman : Travelling Salesman Problem berdasarkan algoritma genetika sehingga diperoleh urutan rute yang memberikan waktu pengiriman dan biaya pengiriman yang minimum. Variansi f dan variansi g terjadi karena adanya gangguan eksternal yang terjadi. Dengan adanya rekomendasi Sub model 1 Pengendalian Gangguan - Aksi Pengendalian Gangguan Operasional diharapkan dapat mengurangi variansi f dan variansi g, terkait dengan tindakan koreksi yang direkomendasikan. Rekomendasi Sub model 2 Pengendalian Gangguan – Kebijakan Lanjutan Pengendalian Gangguan juga turut mendukung penurunan nilai variansi f dan variansi g. Pada gambar 17, gambar 18 dan tabel 5 yang tertera di atas, terdapat bagian gambar atau tabel yang diwarnai abu-abu. Hal tersebut menunjukkan bahwa model dan variansi terkait pada gambar atau tabel tersebut tidak akan dibuat model operasionalnya dikarenakan keterbatasan penelitian. Walaupun tidak diikut sertakan model operasionalnya, hal tersebut tidak mengganggu keutuhan pengembangan model PPIC Adaptif. Apabila memungkinkan, SPK PPIC Adaptif dapat disempurnakan dengan melengkapi sistem tersebut dengan model operasional model Travelling Salesman Problem menggunakan metode Genetic Algorithm. Gangguan sistem produksi yang terjadi, setelah diberikan rekomendasi aksi pengendalian gangguan ataupun rekomendasi kebijakan lanjutan pengendalian gangguan akan menjadi faktor-faktor penentu perubahan nilai Persediaan Pengaman.

4.6 Performansi Model PPIC Adaptif

Operasionalisasi model PPIC Adaptif pada industri pangan akan meningkatkan performansi sistem produksi pada industri pangan berdasarkan kriteria minimasi kesalahan prakiraan permintaan MSE, minimasi biaya produksi, maksimasi utilisasi produksi, minimasi biaya persediaan, minimasi waktu penyelesaian produksi dan minimasi waktu dan biaya pengiriman. Integrasi model pengendalian gangguan pada model PPIC Adaptif berpotensi untuk mengurangi nilai variansi. Secara totalitas, peningkatan performansi sistem produksi tersebut merupakan bukti peningkatan fungsi PPIC efektif dan dalam jangka panjang akan berdampak pada efisiensi dan produktivitas perusahaan pangan dan keberlangsungan bisnis perusahaan pangan. 5 RANCANG BANGUN SISTEM Pada bab ini akan diuraikan rancang bangun Sistem Pendukung Keputusan Intelijen PPIC Adaptif pada industri pangan yang untuk pembahasan berikutnya akan diberi nama SPK IPRADIPA. Rancang bangun SPK IPRADIPA sesuai dengan tahapan metode System Life Cycle SLC yang digunakan, yaitu meliputi tahapan perencanaan, analisis, perancangan dan implementasi. Pada tahapan perencanaan, rancang bangun SPK IPRADIPA ini ditujukan untuk menunjang dan memudahkan kebutuhan pengguna hasil pengembangan model PPIC Adaptif sesuai dengan pembahasan pada bab Pemodelan Sistem sebelumnya. Berikutnya akan dilakukan tahap analisis untuk menganalisis kebutuhan sistem dan menentukan bagaimana sistem akan dirancang. Setelah itu dilakukan tahap perancangan dimana pada tahapan ini dilakukan perancangan sistem secara fisik dengan menggunakan teknik pemodelan yang dipilih meliputi pembuatan flowchart atau struktur yang dibutuhkan sistem dan dilanjutkan dengan tahap transformasi model fisik sistem menjadi program. Selanjutnya setelah tahap perancangan selesai, dapat dilakukan tahap implementasi sistem dan penggunaan sistem oleh pengguna. Tahap implementasi dibatasi hanya diuji coba oleh beberapa pakar sistem produksi hanya untuk mengetahui apakah hasil rancang bangun sudah dapat memenuhi tujuan rancang bangun PPIC Adaptif, mengingat bahwa rancangan bangun SPK IPRADIPA hanyalah berupa prototipe. Untuk tahapan penggunaan tidak dibahas dalam disertasi ini. 5.1 Analisis Kebutuhan SPK IPRADIPA Sesuai dengan pembahasan sub bab Analisis Kebutuhan Sistem pada bab Pemodelan Sistem diketahui bahwa dibutuhkan sistem informasi yang dapat mendukung aplikasi fungsi PPIC dengan model-model keputusan yakni Prakiraan Permintaan, Penjadwalan Induk Produksi, Perencanaan dan Pengendalian Persediaan Bahan Baku dan Penentuan Urutan Job Produksi dengan keterkaitan antar model keputusan PPIC sesuai dengan gambar 11 berikut. Gambar 11 adalah gambar keterkaitan antar model keputusan PPIC untuk mendukung kebutuhan sistem informasi serta kerangka SPK IPRADIPA. Penjelasannya adalah sesuai uraian berikut. Riwayat data penjualan dari Regular Outlet RO serta riwayat data penjualan Fixed Order FO akan menjadi masukan data untuk melakukan model Prakiraan Permintaan menggunakan metode Jaringan Syaraf Tiruan. Proses prakiraan permintaan jangka pendek dengan luaran yang akan menjadi masukan perhitungan penjadwalan induk produksi akan memanfaatkan data RO, sedangkan proses perkiraan permintaan jangka menengah dengan luaran yang akan menjadi masukan perhitungan perencanaan persediaan bahan baku akan memanfaatkan data RO dan FO sekaligus. Selanjutnya, hasil prakiraan permintaan jangka pendek RO yang dilengkapi dengan masukan lainnya berupa data item produk jadi beberapa varian produk roti dan data lainnya akan menjadi masukan perhitungan penjadwalan induk produksi menggunakan metode Fuzzy Multi Objective Linear Programming. Luaran model ini berupa jadwal induk produksi berbagai varian produk roti per- hari, yang selanjutnya, bersama dengan data lainnya antara lain data urutan proses dan waktu produksi akan menjadi masukan untuk perhitungan penentuan urutan joblot produksi menggunakan Algoritma Genetika. Hasil prakiraan permintaan jangka menengah RO dan FO bersama dengan data lainnya antara lain data lead time, ukuran lot supply dan persediaan pengaman bahan baku akan menjadi masukan proses perhitungan model Perencanaan Persediaan Bahan Baku dengan luaran berupa data rencana pemesanan bahan baku ke pemasok. Lanjutnya, dengan mempertimbangkan luaran jumlah produksi dari model Penjadwalan Induk Produksi serta penggunaan bahan baku untuk tiap item produk jadi, juga hasil perhitungan stok opname bahan baku berdasarkan pengamatan secara hari-an, dapat perhitungan model Pengendalian Persediaan Bahan Baku untuk mengetahui apakah perlu dilakukan revisi pemesanan bahan baku ke pemasok atau tidak. 1 PRAKIRAAN PERMINTAAN RO dan FO : Jaringan Syaraf Tiruan 4 Pengendalian Persediaan Bahan Baku : Continuous Review System Probabilistic 2 Penjadwalan Induk Produksi : Fuzzy Multi Objective Linier Programming Jk Pe nd ek Jk Men e n g ah 3 Perencanaan Persediaan Bahan Baku : Material Requirement Planning MRP - Data Penjualan Reguler Outlet RO – Data Penjualan Fixed Order FO - Data Prakiraan Permintaan Reguler Outlet RO - Data Prakiraan Permintaan RO - Data Prakiraan Permintaan FO - Data Item Produk Jadi - Data Biaya Produksi Item Produk Jadi - Data Utilisasi Produksi Item Produk Jadi - Data Fixed Order FO - Data Stock Opname Produk Jadi - Data Persediaan Pengamans Produk Jadi - Data Fuzzy Waktu Proses Produksi - Data Fuzzy Kebutuhan Bahan Baku - Data Kapasitas Produksi - Data Jadwal Induk Produksi Item Produk Jadi - Data Lead Time - Data StokPersediaan Bahan Baku di awal perencanaan - Data Persediaan Pengaman Bahan Baku - Data Biaya Persediaan - Data Ukuran Lot - Data Pemesanan Bahan Baku - Lotting : EOQ dan perjanjian dengan pemasok - Data Gross Requirement berdasarkan Jadwal Induk Produksi Item Produk Jadi Data Lead Time Pemesanan - Data Kebutuhan Bahan Baku selama Lead Time Pemesanan - Data Stock Opname Item Bahan Baku - Data Persediaan Pengamans Bahan Baku Revisi Pemesanan ke pemasok : ROP Jumlah Pemesanan EOQ sesuai perjanjian pemasok 5 Penentuan Urutan Job Produksi : Genetic Algorithm - Data Proses Produksi Item Produk Jadi - Data Kapasitas Input Produksi - Data Waktu Proses Produksi Item Produk Jadi - Data Waktu penyelesaian lot produksi makespan Gambar 20 Keterkaitan antar model keputusan PPIC. Mempertimbangkan bahwa aplikasi sistem pendukung tersebut juga dapat mengendalikan gangguan yang terjadi pada sistem produksi industri pangan, maka dibutuhkan rancang bangun Sistem Pendukung Keputusan PPIC Adaptif dengan kerangka sebagai berikut: Subsistem Basis Data : Produk Jadi : Persediaan , Receipt, Routing, Waktu Proses, Stasiun Kerja Mesin, Biaya Produk, Safety Stock Bahan Baku : Persediaan , Safety Stock, Supplier, Ukuran Lot Minimum, Biaya Simpan, Biaya Pesan, Harga Beli Operator Produksi : Kapasitas Mesin : Kapasitas , Waktu Proses Subsistem Basis Model Model PPIC : PRAKIRAAN PERMINTAANArtificial Neural Network PENJADWALAN INDUK PRODUKSIFuzzy Multi Objective Linier Programmng PERENCANAAN PERSEDIAAN BAHAN BAKUMaterial Requirement Planning – EOQ PENGENDALIAN PERSEDIAAN BAHAN BAKUReorder Point ; Safety Stock PENENTUAN URUTAN LOT PRODUKSI Flow Shop Scheduling – Genetic Algorithm Model Pengendalian Gangguan : Aksi Pengendalian Gangguan Kebijakan Lanjutan Pengendalian Gangguan Perhitungan Toleransi Persediaan Subsistem Basis Kasus : Inventarisir Gangguan Atributnya, Tindakan Pengendalian Gangguan , Aturan Keputusan Subsistem Dialog Pengguna Sistem Gambar 21 Kerangka Sistem Pendukung Keputusan Intelijen PPIC Pada gambar 21 di atas, pengguna SPK IPRADIPA, yaitu General Manager Pabrik atau Manajer Supply Chain Management akan menggunakan sistem untuk menjalankan fungsi-fungsi yang terdapat pada Subsistem Basis Model terdiri atas model PPIC dan model Pengendalian Gangguan.

5.2 Perancangan SPK IPRADIPA

Proses rancang bangun sistem meliputi pembuatan model aliran proses berupa Diagram Konteks dan Diagram Aliran Data Data Flow Diagram untuk tiap-tiap model yang tersedia, perancangan model aliran data berupa Entity Relationship Diagram ERD serta perancangan menu dialog yang memudahkan interaksi antara sistem dengan pengguna sistem. Pengguna sistem adalah manajer atau kepala divisi Supply Chain yang membawahi Departemen PPIC, Departemen Produksi, Departemen Pembelian, Departemen Pembelian, Departemen Penjualan dan Pemasaran, Departemen Gudang serta Departemen Distribusi.

5.2.1 Pemodelan Aliran Proses

Kegiatan rancang bangun model aliran data diawali dengan pembuatan Diagram Konteks SPK IPRADIPA. Berdasarkan rancang bangun Diagram Konteks terkait, dapat tergambar dengan jelas aliran proses penyampaian informasi antar Divisi yang terlibat dalam pnggunaan SPK IPRADIPA. Aliran informasi tersebut akan dimanfaatkan dalam pemrosesan yang dilakukan SPK berdasarkan basis model yang mendukung fungsi PPIC yang dilengkapi dengan basis model Pengendalian Gangguan yang akan mendukung pengguna sistem melakukan aksi pengendalian gangguan sistem produksi yang terjadi, menentukan kebijakan lanjutan berdasarkan rekapitulasi nilai gangguan serta memperbaharui nilai toleransi persediaan pengaman Bahan Baku dan persediaan pengaman Produk Jadi. Pembaharuan nilai toleransi persediaan pengaman ini akan menjadi input SPK khususnya dalam pemrosesan model PPIC pada periode perencanaan berikutnya. Pada gambar Diagram Konteks atau sering disebut sebagai Data Flow Diagaram Level 0 di atas terlihat bahwa sistem memiliki entitas Departemen PPIC, Departemen Produksi, Departemen Gudang, Departemen Pembelian, Departemen Penjualan dan Pemasaran serta Departemen Distribusi. Pada Diagram Konteks belum dicantumkan entitas eksternal seperti Supplier, Konsumen serta basis penyimpanan data, meliputi basis data Produk, basis data Bahan Baku, basis data Operator Produksi dan basis data Mesin. Aliran data yang terjadi antara sistem dengan tiap entitas terlihat pada gambar panah yang terhubung antara entitas dengan sistem. Dekomposisi fungsi SPK Intelijen PPIC Adaptif Industri Pangan meliputi 2 level fungsi seperti pada gambar 23 berikut ini.