y_net
2
= 1 -0.1 + 0.580 0.2 + 0.521 0.1 + 0.589 0.3 + 0.602 -0.1 + 0.548 0.2 = 0.294
Karena pada lapisan tersembunyi ke lapisan output menggunakan fungsi aktivasi identitas fx = x, maka
y
1
= fy_net
1
= -0.646 y
2
= fy_net
2
= -0.294 Target y
1
= 0.194 dan y
2
= 0.145 Karena hasil keluaran jaringan masih memilki selisih yang cukup besar
maka dilanjutkan ke langkah 6. Pada langkah 6 sampai langkah 9 hasil perhitungan ditunjukkan pada Lampiran 7. Di bawah ini hanya ditunjukkan
formula pada setiap langkah. Langkah 6: Hitung faktor
δ di unit keluaran y
k
δ
k
= t
k
– y
k
f’y_net
k
= t
k
-y
k
y
k
1-y
k
Langkah 7: Hitung penjumlahan kesalahan dari unit tersembunyi δ
δ_net
j
=
Langkah 8: Hitung semua perubahan bobot
Perubahan bobot unit keluaran w
jk
baru = w
jk
lama + Δw
jk
dan v
ij
baru = v
ij
lama + Δv
ij
Langkah 9: Kembali ke langkah 1
Secara terinci perhitungan menggunakan algoritma yang dilakukan pada penelitian ini disajikan pada Lampiran 8. Hasil akhir perhitungan bobot
berdasarkan nilai target MSE dan epoch ditunjukkan pada Tabel 11, guna menentukan nilai bobot lapisan input ke lapisan tersembunyi
Tabel 11 Bobot dari lapisan input ke lapisan tersembunyi w
ij
z1 z2
z3 z4
z5 x1 harga tertinggi
-29.49 4.79
13.70 48.91
24.99 x2 harga terendah
-21.89 -37.52
-18.65 29.49
12.36 x3 haga penutupan
-9.16 -27.64
36.68 -12.39
-29.94 x4 volume penutupan
-16.97 -15.89
31.78 -54.87
43.22 x5 volume pembukaan
-2.30 2.17
-4.74 -0.98
-3.86 1bias
19.97 12.50
-10.10 -4.62
-4.60
Selanjutnya untuk hasil perhitungan bobot dari lapisan tersembunyi ke lapisan output ditampilkan pada Tabel 12.
Tabel 12 Bobot dari lapisan tersembunyi ke lapisan output v
jk
y1 harga y2 volume
z1 neuron1 hidden layer 0.504
-0.161 z2 neuron2 hidden layer
-0.036 -0.001
z3 neuron3hidden layer 0.499
-0.351 z4 neuron4 hidden layer
-0.023 0.018
z5 neuron5hidden layer -0.042
0.029 1bias
0.194 -0.064
Berdasarkan arsitektur terbaik dilakukan prediksi untuk harga dan volume permintaan untuk periode 16 minggu yang akan datang. Hasil prakiraan harga dan
prakiraan volume permintaan dan tingkat akurasi disajikan pada Tabel 13. Tabel 13 Hasil Pengujian Harga dan Volume Permintaan TSR 20
Tingkat akurasi dihitung dengan rumus sebagai berikut : Minggu
Ke Aktual
Pengujian Akurasi
Harga US centkg
Volume lot
Harga US centkg
Volume lot
Harga US centkg
Volume lot
1 297,91
1829,9 310,38
116,98 97,42
63,51 2
313,19 1164,0
305,60 994,63
97,57 85,92
3 313,42
858,3 308,17
1222,5 98,32
82,11 4
322,98 790,6
316,19 1091,5
97,89 90,07
5 326,11
1272,5 345,03
1099,1 94,20
91,70 6
276,15 1690,1
294,32 1497,7
93,42 92,76
7 294,10
679,2 294,04
1069,7 99,97
94,41 8
293,01 594,1
269,02 982,90
93,52 95,67
9 286,97
148,21 309,49
851,84 89,12
55,94 10
306,36 903,6
295,58 1004,6
96,48 91,48
11 321,66
773,8 315,88
1112,6 98,20
77,31 12
330,74 928,1
343,94 1043,4
96,01 70,72
13 361,29
1044,2 353,18
1082,8 97,60
87,27 14
395,45 1531,0
429,96 1765,1
81,30 83,17
15 425,23
1042,3 493,57
463,09 81,93
88,66 16
441,93 1032,1
311,82 906,10
94,38 87,78
Rata-rata 94,72
83,65
Berdasarkan hasil perhitungan maka tingkat akurasi untuk prakiraan harga mencapai 91 sedangkan akurasi prakiraan volume permintaan mencapai 87.
Akurasi volume permintaan lebih rendah karena fluktuasi data volume permintaan pada saat pembukaan pada beberapa periode berbeda drastis dengan pola saat
penutupan. Berdasarkan nilai pencapaian tingkat akurasi pada prakiraan harga dan volume permintaan selanjutnya aristektur JST digunakan untuk memprediksi
parameter harga dan volume permintaan periode yang akan datang Tabel 14.
Tabel 14 Hasil Prakiraan Harga dan Volume Permintaan TSR 20
Minggu ke Prakiraan
Harga US centkg Volume lots
1 296
1.829 2
313 1.164
3 314
853 4
322 798
5 326
1.272 6
269 1.690
7 294
837 8
293 1.594
9 286
2.369 10
306 903
11 321
1.773 12
330 928
13 361
1.044 14
395 1.531
15 425
1.042 16
493 1.032
Maksimum 493
2369 Minimum
269 798
Prakiraan harga dan volume permintaan yang akan datang memiliki pola yang mendekati pola masa lalu. Fluktuasi harga maupun volume yang cukup besar
seperti yang terjadi dalam pasar komoditas SICOM sangat dipengaruhi isu-isu yang berkaitan dengan pertumbuhan industri otomotif sejalan dengan perubahan
yang terjadi dalam perekonomian global. Transaksi harian akan bergerak sejalan dengan perkembangan yang terjadi dalam perdagangan Internasional, sehingga
terdapat pola fluktuasi yang cukup tajam pada beberapa periode.
Hasil prakiraaan harga dan prakiraan volume permintaan dibandingkan dengan harga rata-rata untuk memperoleh klasifikasi aturan yang akan digunakan
sebagai input untuk menyusun aturan pada sub model perencanaan produksi. Perhitungan selisih antara nilai maksimum prakiraan dengan nilai rata-rata
dinyatakan sebagai kategori tinggi, sementara selisih antara nilai rata-rata dengan nilai minimum dinyatakan sebagai kategori rendah. Kondisi normal adalah
kondisi diantara kategori tinggi dan rendah. Keseluruhan kategori harga dan permintaan ditunjukkan pada Tabel 8 .
Perancangan JST untuk model prakiraan harga dan permintaan ini menggunakan bantuan sofware Matlab versi 2.09. Hasil pengolahan dengan
Matlab sebagai contoh ilustrasi disajikan pada Gambar 33. Berdasarkan lima input parameter yang berbeda yaitu harga terendah, harga tertinggi, harga
penutupan, volume pembukaan dan volume penutupan dapat dihitung prakiraan untuk harga dan volume permintaan untuk 16 minggu yang akan datang.
Gambar 33 Tampilan menu untuk prakiraan harga dan permintaan karet spesifikasi teknis TSR 20
Berdasarkan hasil diskusi dengan pakar serta studi pustaka, harga dan permintaan karet spesifikasi teknis dipengaruhi beberapa faktor, diantaranya; 1
pasokan karet dunia yang diartikan sebagai jumlah produksi, yang dihasilkan oleh negara pengekspor karet, 2 permintaan karet dunia merupakan nilai impor
dari negara industri pengguna karet, 3 harga di pasar fisik yaitu harga pada
pelelangan karet, 4 harga pasar berjangka yaitu harga pada saat pelelangan di bursa komoditas, 5 nilai tukar mata uang yaitu nilai kurs yang berlaku sesuai
mata uang yang digunakan dan 6 musim atau iklim yang mempengaruhi perkebunan karet dalam menghasilkan lateks. Diperlukan kajian lebih dalam
untuk menentukan faktor yang paling berpengaruh selain harga untuk digunakan pada pengembangan model berikutnya.
6.1.2 Ketersediaan Bahan baku
Model ketersediaan bahan baku digunakan untuk memperkirakan tingkat ketersediaan bahan baku berdasarkan data pasokan mingguan pada periode tahun
2009 sampai 2011 yang lalu Lampiran 12. Pada model ini metode JST backpropagation digunakan untuk menghitung prakiraan pasokan bahan baku
untuk periode yang akan datang. Berbeda dengan arsitektur pada model prakiraan harga dan volume permintaan, arsitektur JST pada model ketersediaan bahan
baku menggunakan input pasokan bahan baku untuk memprediksi jumlah pasokan yang akan datang. Data input dibuat menjadi 138 pola dan setiap pola
terdiri atas 12 neuron pada input layer dan 1 neuron pada output layer. Untuk pola pelatihan dan pengujian pola data dibagi dengan perbandingan 70:30
sehingga untuk pelatihan digunakan sebanyak 98 pola data dan untuk pengujian sebanyak 40 pola data.
Hasil simulasi untuk mencapai target yang ditetapkan berupa parameter training epoch 10.000 kali dan tingkat kesalahan dengan parameter Mean Square
Error 0,00001, maka arsitektur JST dirancang dengan menggunakan 12 neuron pada input layer dan 60 neuron pada hidden layer dan 1 neuron pada output layer.
Algoritma pembelajaran yang digunakan adalah dengan learning rate 0,001 dan fungsi aktivasi sigmoid.
Proses normalisasi dilakukan sebelum data diolah dalam JST pada proses pelatihan, pengujian dan implementasi, sedangkan setelah hasil diperoleh
dilakukan denormalisasi. Tujuan normalisasi dan denormalisasi adalah untuk menyesuaikan data dengan fungsi aktivasi yang digunakan. Perhitungan
dilakukan menggunakan perangkat lunak Matlab, langkah-langkah verifikasi secara manual sama dengan yang digunakan pada model prakiraan harga dan
volume permintaan. Berdasarkan pola data yang diinput pada proses pelatihan yang bertujuan untuk mengenali pola yang sudah ada pattern recognation maka
JST mampu belajar sendiri untuk memprediksi pola yang akan datang berdasarkan pola yang telah dikenali. Hasil perhitungan tingkat akurasi pada
tahap pengujian ditampilkan pada Tabel 15.
Tabel 15 Hasil Perhitungan Tingkat Akurasi Prakiraan Pasokan Bahan Baku
No Aktual
Pengujian Akurasi
No Aktual
Pengujian Akurasi
kg basah kg basah
kg basah kg basah
Pola 99 52.394
58.440 88,5
Pola 119 57.753
67.641 82,9
Pola 100 53.712
44.017 81,9
Pola 120 60.701
56.323 92,8
Pola 101 58.383
49.753 85,2
Pola 121 60.399
63.675 94,6
Pola 102 53.208
50.868 95,6
Pola 122 71.915
63.794 88,7
Pola 103 47.961
53.504 88,4
Pola 123 51.606
67.172 69,8
Pola 104 45.459
47.056 96,5
Pola 124 56.457
68.329 79,0
Pola 105 64.913
66.949 96,9
Pola 125 51.836
55.614 92,7
Pola 106 71.483
48.597 68,0
Pola 126 47.795
57.955 78,7
Pola 107 64.103
61.003 95,2
Pola 127 55.206
47.470 86,0
Pola 108 68.783
51.516 74,9
Pola 128 48.911
50.284 97,2
Pola 109 62.973
62.793 99,7
Pola 129 48.290
45.175 93,6
Pola 110 60.300
73.847 77,5
Pola 130 53.523
51.398 96,0
Pola 111 65.367
66.257 98,6
Pola 131 45.882
48.803 93,6
Pola 112 64.143
68.292 93,5
Pola 132 53.361
52.081 97,6
Pola 113 61.380
70.719 84,8
Pola 133 56.484
46.113 81,6
Pola 114 57.636
57.685 99,9
Pola 134 45.347
44.694 98,6
Pola 115 66.092
50.202 76,0
Pola 135 53.208
51.969 97,7
Pola 116 67.541
58.511 86,6
Pola 136 48.204
50.848 94,5
Pola 117 61.250
66.911 90,8
Pola 137 55.544
53.918 97,1
Pola 118 69.696
61.510 88,3
Pola 138 48.843
45.900 94,0
Rata-rata
89,3
Nilai akurasi JST dalam mengenali pola sejenis dapat dihitung dengan
formulasi Tingkat akurasi: persentase tingkat akurasi dihitung dengan
menggunakan persamaan sebagai berikut:
Sebagai contoh perhitungan untuk pola 134, tingkat akurasi adalah :
= 1 - | 0,06 | 100 = 94 Berdasarkan tingkat akurasi mencapai 89,3 maka arsitektur JST ini
digunakan untuk memprediksi jumlah pasokan bahan baku untuk 12 minggu yang akan datang Tabel 16.
Tabel 16 Hasil Prakiraan Pasokan Bahan Baku
Jumlah bahan baku Periode
kg basah ton basah
Minggu ke-1 55.206
55,21 Minggu ke-2
48.911 48,91
Minggu ke-3 48.290
48,29 Minggu ke-4
53.523 53,52
Minggu ke-5 45.882
45,88 Minggu ke-6
53.361 53,36
Minggu ke-7 56.484
56,48 Minggu ke-8
45.347 45,35
Minggu ke-9 53.208
53,21 Minggu ke-10
48.204 48,20
Minggu ke-11 55.544
55,54 Minggu ke-12
48.843 48,84
Rata-rata 51.067
51,07 Maksimum
56.484 56,48
Minimum 45.347
45,35
Hasil prakiraan akan menjadi input model perencanaan produksi. Kategori nilai input bahan baku untuk menyusun nilai himpunan fuzzy dilakukan dengan
membagi data ke dalam nilai tinggi, sedang dan rendah berdasarkan selisih antara
nilai maksimum dan nilai minimum. Untuk membandingkan antara data aktual, data pengujian dan prakiraan dapat dilihat pada Gambar 34.
Gambar 34 Pola data aktual, data pengujian dan prakiraan
Pola data pelatihan, pengujian memiliki kecendrungan berfluktuasi pada periode tertentu demikian juga hasil prakiraan pasokan bahan baku juga memiliki
pola data yang berfluktuasi. Fluktuasi terjadi secara berulang pada periode minggu yang sama setiap tahun. Pengaruh musim terhadap jumlah pasokan
bahan baku terjadi pada saat bulan dengan curah hujan tinggi dan saat kemarau yang mengakibatkan turunnya produktifitas tanaman karet untuk menghasilkan
getah. Hujan yang tinggi menyebabkan lateks menjadi menggumpal karena tercampur dengan ion-ion yang terkandung dalam air hujan. Tampilan menu hasil
perhitungan dengan JST backpropagation ditampilkan pada Gambar 35.
Gambar 35 Tampilan Menu untuk Prakiraan Pasokan Bahan Baku
20000 40000
60000 80000
1 10
19 28
37 46
55 64
73 82
91 100
109 118
127 136
145 154
kg b
asah
Minggu
Aktual Pengujian
Prakiraan
6.1.3 Penyusunan Rencana Produksi
Perencanaan produksi merupakan aktifitas perencanaan taktis dan operasional dengan tujuan untuk menyusun keputusan yang optimum guna
memenuhi permintaan konsumen pada periode mendatang. Pada umumnya metode perencanaan produksi mengasumsikan permintaan bersifat konstan dan
diprediksi menggunakan data historis dari jumlah permintaan masa lalu. Prakiraan permintaan belum mempertimbangkan pengaruh faktor yang
signifikan, hanya memperhatikan trend dari pola permintaan masa lalu. Model sistem manjemen ahli perencanaan produksi yang direkayasa,
rencana produksi disusun berdasarkan integrasi dinamika pada permintaan dan pasokan sehingga adaptif terhadap perubahan. Pada sisi permintaan tidak hanya
memperhatikan volume permintaan, tapi memasukkan faktor harga dan pola interaksi keduanya sebagai input untuk pola pembelajaran dengan jaringan syaraf
tiruan yang digunakan pada model prakiraan. Guna membantu pengambilan keputusan yang mempertimbangkan
prakiraan harga, prakiraan volume permintaan, prakiraan dan pasokan bahan baku untuk penentuan jumlah produksi dikembangkan sistem pakar model
penyusunan rencana produksi. Tingkat akurasi rencana produksi yang dihasilkan untuk periode satu tahun mendatang membutuhkan suatu sistem pengambilan
keputusan yang memungkinkan untuk melakukan penyesuaian karena perubahan kecendrungan data yang bergerak dalam periode yang lebih pendek.
Pertimbangan dinamika untuk melakukan penyesuaian menjadi dasar untuk penggunaan sistem pakar yang diintegrasikan dengan sistem pengambil
keputusan menjadi sistem manajemen ahli untuk perencanaan produksi. Dalam pengembangan sistem pakar, terdapat dua komponen utama yaitu
basis pengetahuan knowledge base dan mesin inferensi Marimin, 2005 dan Unahabhokha et al., 2007
. Basis pengetahuan dalam sistem pakar perencanaan produksi ini adalah; 1 karakteristik variabel input dan output yang disusun
menjadi fungsi keanggotaan dan, 2 kumpulan aturan yang disusun dalam bentuk Fuzzy If Then Rules yang menjelaskan aturan untuk menghubungkan variabel
input dan variabel output. Mesin inferensi yang digunakan adalah metode penalaran Mamdani, dimana nilai variabel yang bersifat samar dapat digunakan
dalam pengambilan keputusan melalui proses fuzifikasi dan defuzifikasi Kusumadewi, 2003; Unahabhokha et al., 2007.
Untuk membangun basis pengetahuan penyusunan rencana produksi, dilakukan akuisisi pengetahuan pakar melalui wawancara mendalam.
Keterlibatan pakar sesuai dengan keahlian, fungsi dan kewenangannya diperlukan untuk menyusun karakteristik himpunan fuzzy untuk variabel input
maupun output. Hasil representasi pengetahuan pakar dalam menyusun karakteristik himpunan fuzzy, fungsi keanggotaan dan nilai parameter setiap
fungsi keanggotaan disajikan pada Tabel 17. Setiap input data dalam bentuk fungsi keanggotaan fuzzy direpresentasikan dalam bentuk kurva yang
menunjukkan titik-titik input ke dalam keanggotaanya. Bentuk kurva pada variabel input menggunakan kurva trapesium untuk nilai rendah dan tinggi,
sedangkan untuk nilai normal atau sedang menggunakan kurva segitiga. Bentuk kurva yang mencerminkan fungsi keanggotaan output menggunakan kurva
segitiga triangular fuzzy number.
Tabel 17 Representasi kurva untuk variabel input dan variabel output
Fungsi Himpunan
Fuzzy Jenis Kurva
Parameter
INPUT Prakiraan harga
US centkg Rendah
Normal Tinggi
Trapesium Segitiga
Trapesium [ 269 297 325 353]
[ 330 375 405] [ 390 425 460 493]
INPUT Prakiraan Volume
Permintaan lots Rendah
Normal Tinggi
Trapesium Segitiga
Trapesium [ 837 1028 1220 1411]
[ 1300 1600 1900] [ 1750 1950 2150 2369]
INPUT Pasokan bahan baku
tonbulan Rendah
Sedang Tinggi
Segitiga Segitiga
Segitiga [ 45 47 50]
[ 48 51 53] [ 52 55 57]
OUTPUT Jumlah Produksi
tonkering Rendah
Normal Tinggi
Trapesium Segitiga
Trapesium [ 65 85 105 120]
[ 105 135 150] [ 145 185 202 202]
Setelah penyusunan karakteristik variabel input dan output, selanjutnya pakar memberikan penilaian terhadap aturan dan logika keputusan dari 27 aturan
yang disusun mengikuti kaidah aturan 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 normalt inggi. Semua aturan dapat dilihat pada Lampiran 14.
Berdasarkan nilai parameter yang disusun sebagai himpunan keanggotaan dalam metode Fuzzy Inference System FIS, dengan menggunakan program Matlab
nilai diinput dalam menu FIS editor untuk prakiraan harga, prakiraan volume dan prakiraan ketersediaan bahan baku dengan menggunakan data yang pada Tabel
17. Perhitungan secara manual juga dilakukan untuk mendukung proses verifikasi.
Hasil akuisisi pengetahuan para pakar, menunjukkan dari 27 aturan disusun, kepastian pasokan bahan baku merupakan faktor penting dalam
penentuan jumlah produksi. Mengikuti aturan If – Then yang telah disusun
dapat disimpulkan bahwa implikasi dari aturan terhadap keputusan jumlah produksi ditentukan oleh jumlah ketersediaan bahan baku. Hanya dua dari aturan
yang disusun yaitu aturan no 13 jika harga normal, permintaan normal dan bahan baku tinggi maka jumlah produksi tinggi dan aturan no 14 jika harga
normal, permintaan normal dan bahan baku sedang maka jumlah produksi sedang yang memiliki daerah implikasi Lampiran 14. Hasil pengolahan secara
manual untuk evaluasi aturan 13 dan 14 sebagai berikut :
Evaluasi aturan α13= min α harga normal [381] , α permintaan normal [1600] , α bahan baku
tinggi [57] = min 0,8 ; 1; 0,68 = 0,68 α14= min α harga normal [381] , α permintaan normal [1600] , α bahan baku
sedang [51] = min 0,8 ; 1; 0,6 = 0,6
Fungsi Implikasi pada basis aturan no. 13 Jika harga normal dan permintaan normal dan bahan baku tinggi maka jumlah
produksi tinggi memiliki daerah implikasi
µ
jmlprod
= 0,68 Pada saat
µ
JMLPROD
TINGGI [x] = 0.68, maka nilai x dapat ditentukan sebagai berikut:
0.68 = x-155 30 x = 175,4
; x ≤ 155 atau x ≥ 202
µ
JMLPROD 13
[ X] = x-155 30
; 155 x ≤ 175,4
0,68 ; 175,4
x ≤ 202
Fungsi Implikasi pada basis aturan no. 14 Jika harga normal dan permintaan normal dan bahan baku sedang maka
jumlah produksi normal memiliki daerah implikasi
µ
jmlprod
= 0,6 Pada saat
µ
JMLPROD
NORMAL [x] = 0.60, maka nilai x dapat ditentukan sebagai berikut:
0.6 = x-105 30 x = 123
0.6 = 150-x 15 x = 141
; x ≤ 105 atau x ≥ 150
µ
JMLPROD 14
[ X] = x-105 30
; 105 ≤ x ≤ 123
0,6 ; 123
≤ x ≤ 141 150-x 15
; 141 ≤ x ≤ 150
Prakiraan harga dan volume permintaan memiliki pengaruh yang relatif kecil dibandingkan dengan kepastian pasokan bahan baku. Hal ini disebabkan
para pakar menilai saat ini relatif sulit mendapatkan bahan baku dari petani dan pasokan dari kebun sendiri masih diprioritaskan untuk jenis karet kualitas tinggi
seperti lateks pekat. Pengolahan data dengan perangkat lunak Matlab relatif mudah digunakan.
Melalui menu FIS editor Gambar 36, tersedia interface untuk memasukkan nilai setiap himpunan fuzzy variabel input maupun variabel output sesuai dengan
fungsi keanggotaan yang diinginkan.
Gambar 36 Tampilan parameter input pada Fuzzy Inference System Sebagai contoh penggunaan FIS editor nilai himpunan fuzzy pada input prakiraan
harga ditampilkan pada Gambar 37. Dengan bentuk kurva trapesium pada nilai rendah dan nilai tinggi sera kurva segitiga untuk himpunan fuzzy normal.
Gambar 37 Fungsi keanggotan dan nilai input untuk prakiraan harga
Setelah semua input dan output dan logika aturan diinput ke dalam menu FIS editor maka dilanjutkan dengan menginput 27 aturan yang disusun dalam
basis aturan mengikuti aturan dalam Tabel 9 pada Bab 5. Berdasarkan hasil agregasi dari seluruh nilai input prakiraan harga, prakiraan permintaan dan
ketersediaan bahan baku, maka dapat dihitung jumlah produksi. Jumlah produksi untuk periode bulan pertama sebesar 161 ton kering SIR 20, nilai ini berada pada
kategori tinggi. Tampilan hasil input dan output FIS untuk penentuan jumlah produksi dapat dilihat pada Gambar 38.
Gambar 38 Tampilan hasil input- output FIS untuk jumlah produksi. Perhitungan secara manual dalam menggunakan metode FIS dengan
penalaran Mamdani dan metode defuzikasi menggunakan metode centroid disajikan pada Lampiran 14. Hasil perhitungan manual dekomposisi fungsi
implikasi menggunakan metode centroid ditampilkan pada Gambar 39.
= 1 600 = 57
0. 1
0.2 0.4
0.3 0.5
0.6 1
0.8 0.7
0.9
135 150
155 105
185 202
M1 M4
M2 M3
Jumlah Produksi
µ
x
M4
123 141
0,68
175,4
Gambar 39 Dekomposisi fungsi implikasi
Perhitungan Momen : Perhitungan Luas :
M1 =
123 105
30 105
dx x
x = 631,8
A1 = 123-1050,62 = 5,4 M2 =
141 123
6 .
xdx = 1425,6
A2 = 141-1230,6 = 10,8 M3 =
150 142
15 150
dx x
x = 308,62
A3 = 150-1410,62 = 2,7 M4 =
4 ,
175 155
30 155
dx x
x = 1170,41
A4 = 175,4-1550,682 = 6,94 M5 =
202 4
, 175
68 .
xdx
= 3415,21 A5 = 202-175,40,68 = 18,09
Menghitung titik pusat : x =
93 ,
43 64
, 6948
= 158,18 Terdapat sedikit perbedaan dimana hasil dengan Matlab jumlah produksi
adalah 161 ton kering sedangkan dengan perhitungan manual sebesar 158,18. Selisih merupakan pembulatan dari perhitungan secara manual.
M5 M4
Berdasarkan perbandingan jumlah produksi dengan volume permintaan dapat terjadi kondisi bahwa jumlah produksi :
1. Melebihi jumlah permintaan sehingga karet SIR 20 yang dihasilkan akan menambah persediaan barang jadi yang bisa digunakan pada kondisi
tingginya volume permintaan 2. Kurang dari volume permintaan, sehingga kemungkinan yang dipilih adalah
menggunakan persediaan barang jadi jika tersedia atau mengupayakan tambahan pasokan bahan baku.
Untuk menentukan jumlah produksi pada bulan-bulan berikutnya dapat dilakukan proses yang sama dengan menggunakan data yang telah disesuaikan
updating data dengan dinamika yang terjadi pada permintaan dan pasokan. Berdasarkan rencana produksi selanjutnya ditentukan kapasitas yang dibutuhkan
yang disajikan pada model ketersediaan kapasitas
6.1.4 Ketersediaan Kapasitas Produksi
Perencanaan produksi merupakan langkah awal untuk menentukan tindakan berapa banyak dan kapan suatu produk akan diproduksi. Perencanaan
yang disusun atas dasar prakiraan perlu dievaluasi secara berkala, dengan periode waktu mengikuti siklus perubahan yang mempengaruhinya serta kemampuan
perusahaan untuk melakukan penyesuaian. Pada kegiatan perencanaan produksi, hasil akhir perencanaan dinyatakan sebagai Jadwal Induk Produksi Master
Production Schedulling, MPS yang disusun dalam periode yang lebih pendek. Penyusunan MPS dipengaruhi oleh kebijakan berproduksi, baik kebijakan make
to stock atau kebijkan make to order. Kelayakan MPS dievaluasi dengan cara membandingkan antara kapasitas
yang dibutuhkan dengan kapasitas tersedia, menggunakan metode RCCP Rough Cut Capacity Planning. Dasar perhitungan kapasitas yang dibutuhkan selain
MPS adalah waktu proses pada setiap stasiun kerja dan waktu proses untuk memproduksi setiap ton karet spesifikasi teknis. Tahapan dan waktu proses rata-
rata menggunakan bahan baku koagulum ditunjukkan pada Tabel 18.
Tabel 18 Tahapan dan waktu proses pembuatan SIR 20 per ton kering
Stasiun kerja tahapan proses
Tujuan proses Waktu
proses
Sortasi Pembelahan koagulum, dan klasifiaksi
berdasarkan kadar kotoran 2 menit
Pemecahan hammer mill dan Pencucian bak
pencucian Pemecahan menjadi potongan kecil dan
membuang kotoran dengan air 6 menit
Penggilingan 1 macerator Mencampur dan menyatukan potongan
koagulum yang terpisah menjadi lembaran 2 -3 kali giling
6 menit Penggilingan 2creper
Meratakan permukaan lembaran 5-6 kali giling
5 menit Pengeringan pendahuluan
Mengurangi kadar air menjadi 35 4 menit
Peremahan shredder Membentuk butiran kecil ,ukuran sekitar
3 cm x 3 cm 5 menit
Pengeringan dryer Mengeringkan butiran karet dengan
menggunakan uap panas pada mesin pengering 4 menit
Pengempaan mesin hidrolik
Membentuk remahan karet menjadi balok bandela
5 menit Pengemasan
Membungkus bandela dengan plastik polyetylen dan menyusun dalam palet.
3 menit Total Waktu Proses per ton SIR 20
40 menit
Secara garis besar tahapan proses dan waktu yang dibutuhkan untuk memproduksi karet spesifikasi teknis adalah 40 menitton kering. Tahapan proses
berdasarkan hasil diskusi belum mempertimbangkan konsep produksi bersih, karena masih diperlukan tahapan pembersihan bokar yang menggunakan air
dalam jumlah relatif besar. Waktu proses dihitung berdasarkan pengamatan di lapangan dengan mengkonversi jumlah waktu yang dibutuhkan untuk setiap
bahan yang diproses pada mesin stasiun kerja yang ada. Waktu proses belum dibakukan dengan mengikuti mekanisme penghitungan standar time
menggunakan konsep time study. Berdasarkan perhitungan kapasitas yang tersedia dievaluasi apakah MPS
yang dihasilkan sesuai dengan kapasitas pabrik untuk memproduksi sejumlah yang direncanakan. Hasil pemodelan rencana produksi untuk periode bulan,
namun juga dapat dilakukan untuk periode yang lebih pendek atau lebih panjang, tergantung data updating yang diinput ke dalam model serta kebutuhan dalam
penyusunan rencana produksi. Jumlah produksi karet spesifikasi teknis dari model perencanaan produksi sebesar 161 ton keringbulan.
Menyesuaikan dengan ketersediaan data di lapangan, pada validasi model digunakan teknik perhitungan metode CPOF, yang dihitung berdasarkan proposi
historis sebagai perbandingan antara waktu proses setiap stasiun kerja dengan total waktu proses. Proporsi historis dijadikan faktor pengali untuk menentukan
kapasitas yang dibutuhkan setiap bulan. Hasil perhitungan kapasitas yang dibutuhkan dapat dilihat pada Tabel 19. Hasil perhitungan dengan jumlah
produksi 161 ton keringbulan pada bulan pertama , kapasitas yang dibutuhkan sebesar 107, 33 jam.
Perhitungan kapasitas tersedia dengan menggunakan penghitungan jam kerja tersedia adalah 7 jamhari 1 shifthari, 1 jam istirahatshift , jumlah hari
kerja 24 haribulan , jumlah mesin satu unit untuk setiap stasiun kerja diperoleh jam tersedia sebesar 168 jambulan. Utilisasi sebagai perbandingan jam yang
digunakan dengan jam tersedia pada perhitungan ini bernilai 67 atau setara dengan 85,7 dan tingkat efisiensi mesin 95 diperoleh kapasitas tersedia
sebesar 136,8 jam. Jika dibandingkan antara kapasitas yang tersedia dan kapasitas yang dibutuhkan maka terdapat kelebihan kapasitas sebesar 29, 47 jam
atau sebesar 21,54 . Hal ini berarti dengan 1 shifthari kapasitas yang tersedia hanya terpakai sebesar 78,46.
Perhitungan rencana produksi untuk bulan berikutnya, dihitung dengan asumsi jumlah produksi mengalami peningkatan 10 dari bulan sebelumnya.
Berdasarkan hasil simulasi menunjukkan utilisasi kapasitas tersedia akan digunakan secara optimal jika jumlah produksi SIR 20 antara 195 sampai 214 ton
keringbulan. Rencana produksi dari bulan ke-1 sampai bulan ke-12 disajikan pada Tabel 19. Berdasarkan hasil validasi di lapangan, kapasitas yang tersedia
jauh lebih besar dibanding dengan kapasitas yang dibutuhkan. Kondisi ini terjadi karena pabrik masih kekurangan pasokan bahan olah karet. Pasokan bahan baku
dari kebun sendiri sebesar 82 sedang 18 berasal dari perkebunan rakyat di sekitar agroindustri. Untuk mengoptimalkan utilisasi mesin perlu upaya untuk
memperoleh bahan baku dalam jumlah yang lebih banyak pada tingkat utilisasi optimal.
Tabel 19 Perhitungan kapasitas yang dibutuhkan dengan metode CPOF dari bulan ke -1 sampai ke -12
Rencana Produksi ton
161 177
195 214
236 259
285 314
345 380
418 459
Waktu proses 40
40 40
40 40
40 40
40 40
40 40
40 menitton kering
Stasiun Kerja Proporsi.
Historis Bulan
ke - 1 Bulan
ke - 2 Bulan
ke - 3 Bulan
ke - 4 Bulan
ke - 5 Bulan
ke - 6 Bulan
ke -7 Bulan
ke -8 Bulan
ke -9 Bulan
ke -10 Bulan
ke -11 Bulan
ke - 12 Sortasi
0,050 322
354 390
429 471
519 570
627 690
759 835
919 Pemecahan dan
pencucian 0,150
966 1.063
1.169 1.286
1.414 1.556
1.711 1.882
2.071 2.278
2.506 2.756
Penggilingan 1 0,150
966 1.063
1.169 1.286
1.414 1.556
1.711 1.882
2.071 2.278
2.506 2.756
Penggilingan 2 0,125
805 886
974 1.071
1.179 1.296
1.426 1.569
1.726 1.898
2.088 2.297
Pengeringan1 0,100
644 708
779 857
943 1.037
1.141 1.255
1.380 1.519
1.670 1.837
Peremahan 0,125
805 886
974 1.071
1.179 1.296
1.426 1.569
1.726 1.898
2.088 2.297
Pengeringan 2 0,100
644 708
779 857
943 1.037
1.141 1.255
1.380 1.519
1.670 1.837
Pengempaan 0,125
805 886
974 1.071
1.179 1.296
1.426 1.569
1.726 1.898
2.088 2.297
Pengemasan 0,075
483 531
584 643
707 778
856 941
1.035 1.139
1.253 1.378
Total menit
6.440 7.084
7.792 8.572
9.429 10.372
11.409 12.550
13.805 15.185
16.704 18.374
Total jam
107,33 118,1
129,9 142,9
157,1 172,9
190,1 209,2
230,1 253,1
278,4 306,2
114
Agar pasokan bahan baku lebih terjamin diperlukan upaya untuk peningkatan pasokan bahan baku seperti memiliki suatu supply contract dengan
perkebunan rakyat. Rantai distribusi pasokan dari petani melalui pedagang pengumpul sebagai salah satu simpul rantai pasokan, membutuhkan suatu upaya
pendekatan agar dapat terjadi koordinasi yang saling menguntungkan bagi pihak agroindustri, petani dan pedagang pengumpul. Alternatif lain adalah perusahaan
mengalihkan sebagian lateks langsung menjadi koagulum untuk memenuhi target produksi SIR-20 sehingga mengikuti tingginya volume permintaan dan
peningkatan harga.
6.1.5 Pengukuran Kinerja Rantai Pasok
Model pengukuran kinerja yang dirancang dalam SMA Proplan-TSR20 ini merupakan alat evaluasi terhadap rencana produksi dan implementasinya dalam
bentuk realisasi produksi dalam lingkup operasional. Selain dari sisi kemampuan produksi juga digunakan untuk evaluasi perencanaan permintaan kebutuhan bahan
baku dan jumlah pasokan dari pemasok. Pengukuran kinerja diperlukan untuk mengevaluasi kemampuan aktifitas perencanaan produksi untuk berdaptasi
dengan dinamika yang dijadikan input pada model perencanaan produksi. Perbandingan nilai antara rencana dan realisasi dihitung sebagai besarnya
amplifikasi informasi dalam ukuran Bullwhip Effect BE. Perhitungan nilai BE menggunakan perhitungan statistik, standar deviasi dan variansi. Hasil
perhitungan nilai BE diverifikasi menggunakan data dari PT Bakrie Sumatera Plantation Tbk., yang telah disesuaikan untuk menjaga kepentingan perusahaan.
Untuk kepentingan verifikasi model, maka data untuk rencana produksi dan realisasi produksi adalah data yang sudah ada di lapangan, belum dikaitkan
dengan hasil pemodelan rencana produksi pada bagian sebelumnya. Data yang digunakan dalam perhitungan kinerja adalah data rencana dan realisasi produksi
tahun 2009-2011 pada Lampiran 15. Rumus perhitungan yang digunakan untuk rata-rata , standar deviasi
, koefisien variansi CV dan bullwhipt effect adalah :
dan
dan
Untuk contoh perhitungan digunakan data tahun 2011, dengan langkah perhitungan sebagai berikut :
Perhitungan untuk rencana produksi tahun 2011 adalah :
Perhitungan untuk realisasi produksi tahun 2011 adalah :
Perhitungan Bullwhip Effect untuk kinerja produksi tahun 2011 adalah:
Secara keseluruhan hasil perhitungan nilai kinerja produksi untuk periode 2009-2011 disajikan pada Tabel 20. Hasil perhitungan nilai BE sebagai
perbandingan variablitas rencana produksi dengan realisasi produksi PT BSP di bawah angka satu, artinya perbandingan variansi mengikuti pola yang mendekati
sama antara perencanaan dan yang diproduksi.
Tabel 20 Perhitungan nilai Bullwhip Effect kinerja produksi Tahun Keterangan
µ s
CV BE
2009 Rencana Produksi
419,67 89,95
0,21 0,80
Realisasi Produksi 146,83
39,43 0,27
2010 Rencana Produksi
366,00 80,96
0,22 0,70
Realisasi Produksi 120,00
37,70 0,31
2011 Rencana Produksi
389,75 67,12
0,17 0,64
Realisasi Produksi 135,42
36,43 0,27
Pola antara permintaan dan pasokan memiliki pola fluktuasi yang sama untuk beberapa periode Gambar 40. Nilai BE akan mencerminkan besarnya
distorsi informasi dari sisi hilir ke sisi hulu. Kondisi ini akan menimbulkan dampak peningkatan persediaan pada sisi hulu melebihi kebutuhan yang
sesungguhnya.
Gambar 40 Perbandingan antara rencana dan realisasi produksi Untuk penghitungan nilai BE pasokan bahan baku, data yang digunakan
adalah data masa lalu dari perbandingan permintaan bahan baku dan realisasi pasokan bahan baku dari kebun Lampiran 16. Contoh perhitungan nilai
amplifikasi antara permintaan dan pasokan bahan baku menggunakan data tahun 2011. Hasil perhitungan rata-rata µ, standar deviasi s dan koefisien variansi
CV sebagai berikut : Rencana permintaan bahan baku tahun 2011 adalah :
100 200
300 400
500 600
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 Rencana Produksi Ton
Kering Realisasi Produksi Ton
Kering
Realisasi pasokan bahan baku tahun 2011 adalah :
Perhitungan Bullwhip Effect untuk kinerja pasokan bahan baku tahun 2011:
Secara keseluruhan perhitungan nilai BE dapat dilihat pada Tabel 21,
Tabel 21 Perhitungan nilai Bullwhip Efect kinerja pasokan bahan baku
Tahun Keterangan
µ s
CV BE
2009 Permintaan Bahan Baku
442.889,15 75.341,02
0,17 1,26
Realisasi Pasokan Bahan Baku 233.689,38
31.451,19 0,13
2010 Permintaan Bahan Baku
434.684,76 65.985,78
0,15 0,90
Realisasi Pasokan Bahan Baku 237.100,46
40.100,39 0,17
2011 Permintaan Bahan Baku
475.125,26 103.673,13
0,22 0,92
Realisasi Pasokan Bahan Baku 244.040,96
58.012,85 0,24
Hasil perhitungan menunjukkan nilai amplifikasi relatif kecil, mendekati angka satu dengan fluktuasi pola yang relatif sama antara permintaan dan pasokan
Gambar 41. Angka BE yang mendekati satu menunjukan varaibilitas
permintaan bahan baku terhadap pasokan relatif kecil, artinya terjadi penghalusan pola pesanan dan pola pasokan.
Khususnya untuk kepentingan verifikasi pada penelitian ini amplifikasi relatif kecil diduga karena data yang digunakan berupa data pendekatan. Pada
kondisi nyata jika nilai BE melebihi satu ini menunjukkan distorsi informasi pada sisi hulu rantai pasokan, karena tidak mendapatkan informasi permintaan
sesungguhnya dari pelanggan di sisi hilir. Distorsi informasi akan semakin fluktuatif ke arah hulu rantai pasokan sehingga mengakibatkan inefisiensi seperti
peningkatan persediaan, jam lembur atau di sisi sebaliknya terjadinya idle capacity Pujawan, 2005. Jika amplifikasi cukup besar perlu dicari akar
penyebabnya, salah satu cara untuk mengurangi terjadinya bullwhip effect adalah melakukan information sharing khususnya untuk data permintaan pelanggan
akhir.
Gambar 41 Perbandingan permintaan dan realisasi pasokan bahan baku
6.2 Validasi Model
Validasi adalah proses untuk menjamin bahwa model memenuhi persyaratan yang ditetapkan berkaitan dengan metode yang digunakan untuk
mencapai tujuan yang diharapkan. Tujuan validasi model untuk memastikan bahwa model bermanfaat dan menyediakan informasi yang akurat sesuai dengan
kondisi nyata dan model dapat diimplementasikan Conwell, 2000; Macal, 2005. Proses validasi pada model sistem manajen ahli perencanaan produksi
agroindustri karet spesifikasi teknis dilakukan dengan menguji model dengan data aktual yang diambil dari PT. BSP sebagai obyek penelitian. Proses validasi hasil
- 100,000
200,000 300,000
400,000 500,000
600,000 700,000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 Rencana Permintaan
Bahan Baku Kg Basah
perekayasaan model dilakukan secara menyeluruh pada paket program sistem manajemen ahli,selain itu juga dilakukan konsultasi dengan pakar yang terkait
dengan sistem yang dimodelkan. Rekayasa sistem manajemen ahli perencanaan produksi ini dirancang atas
dua dasar pemikiran yaitu sisi pengembangan metode perencanaan produksi dan sisi kepentingan praktis. Rasionalitas dari sisi pengembangan metode adalah
diperlukan suatu sistem pengambilan keputusan untuk kegiatan perencanaan produksi yang terintegrasi dan adaptif terhadap dinamika permintaan dan
dinamika pasokan bahan baku, sehingga kapasitas produksi dapat dioptimalkan. Pengembangan metode perencanaan produksi tidak lagi dipandang sebagai suatu
kegiatan parsial yang hanya didasarkan atas prakiraan permintaan yang diterima pada periode sebelumnya, namun diperlukan suatu metode penyusunan rencana
produksi yang mampu menyeimbangkan antara dinamika pada sisi hilir dan sisi hulu serta kapasitas produksi dalam pengelolaan rantai pasok.
Dasar pemikiran dari kepentingan praktis adalah perlunya suatu sistem pengambilan keputusan dalam rangka penerapan konsep manajemen rantai pasok,
khususnya dalam integrasi kegiatan rencana produksi antara pabrik, pemasok dan kondisi pasar dalam agroindustri karet spesifikasi teknis. Integrasi perencanaan
produksi diharapkan akan meningkatkan kinerja rantai pasok sehingga meningkatkan pendapatan setiap mata rantai pasokan. Pemilihan karet alam jenis
SIR 20 sebagai obyek kajian, dengan pertimbangan karet SIR 20 adalah; 1 penyumbang ekspor terbesar dari total ekspor karet alam Indonesia, 2
meningkatnya permintaan oleh industri pengguna, 3 meningkatnya harga SIR 20 di pasar Internasional serta, 4 peluang untuk memaksimalkan penyerapan bahan
olah karet dari petani karet sehingga dapat meningkatkan pendapatan petani. Atas dasar pemikiran tersebut maka dirancang suatu model konseptual
perencanaan produksi dengan menggabungkan beberapa model menggunakan metode analitik dan metode kecerdasan buatan artificial intellengence seperti
jaringan syaraf tiruan dan metode Fuzzy Inference System. Untuk membangun keterkaitan antar model konseptual perencanaan produksi selanjutnya model
direkayasa dalam program komputasi sistem manajemen ahli yang diberi nama Proplan-TSR 20 Production Planning for Technically Specified Rubber-20,
yang mengintegrasikan berbagai model dalam basis model dengan pengetahuan pakar, sehingga mampu mengambil keputusan dan melakukan penyesuaian
terhadap perubahan seperti yang dilakukan pakar. Untuk menghubungkan
sistem dengan pengguna dirancang sistem manajemen dialog user interface.
Implementasi sistem manajemen ahli Proplan-TSR20 menggunakan user interface dengan cara mengakses username sehingga dapat membuka menu yang
diperuntukkan bagi pengguna user. Untuk kepentingan menginput data dan melakukan penyesuaian editing tersedia user name bagi aministrator admin.
Halaman depan dari SMA Proplan-TSR20 ditunjukkan pada Gambar 42. Manual untuk menggunakan model ini disajikan pada Lampiran 17.
Gambar 42 Tampilan depan sistem manajemen ahli Proplan-TSR20
Hasil validasi menunjukkan bahwa model dapat digunakan untuk melakukan perencanaan produksi yang lebih adaptif karena telah
mempertimbangkan dinamika pada sisi permintaan dan dinamika pasokan bahan baku serta ketersediaan kapasitas yang direncanakan. Sistem manajemen ahli
Proplan-TSR 20 dapat membantu para pengambil keputusan dalam menyusun rencana produksi SIR 20 dengan lebih cepat dan dapat digunakan untuk mengukur
kinerja pasokan dan kinerja perencanaan produksi.
6.3 Implikasi Model
Hasil rancangbangun model sistem manajemen ahli perencanaan produksi yang diverifikasi dan divalidasi pada agroindustri karet spesifikasi teknis
memberikan implikasi dari sisi teoritis dan sisi praktis. Pembahasan implikasi hasil perekayasaan secara teoritis berkaitan dengan relevansi dan kesesuaian hasil
rekayasa model dengan teori. Implikasi pada sisi praktis berkaitan dengan implementasi dan kegunaan model untuk diaplikasikan sebagai sistem
pengambilan keputusan pada agroindustri karet spesifikasi teknis.
6.3.1 Implikasi Teoritis
Implikasi rekayasa model sistem manajemen ahli perencanaan produksi secara teoritis berkaitan dengan MRP II dan proses perencanaan terintegrasi
dalam pengelolaan rantai pasok menggunakan kerangka model SCOR. Pada MRP II penyusunan jadual induk produksi merupakan proses yang disusun
mengacu kepada perencanaan operasi dan penjualan, serta berdasarkan pada perencanaan strategis perusahaan. Dasar perencanaan produksi pada umumnya
adalah hasil prakiraan permintaan berdasarkan permintaan yang diterima periode sebelumnya sebagai dasar penyusunan rencana produksi yang relatif statis.
Pada model Proplan-TSR20 prakiraan permintaan dikembangkan dengan menggabungkan prediksi harga dan volume permintaan di pasar dunia dan
selanjutnya diintegrasikan dengan prakiraan ketersediaan bahan baku guna menentukan rencana produksi yang akan datang. Integrasi prakiraan permintaan
dan prakiraan pasokan bahan baku mengkonfirmasi pernyataan Tang 2006, tentang konsep consumer produser driver sebagai upaya untuk mengurangi
resiko dalam pengelolaan rantai pasok agroindustri. Selain itu model telah mengakomodir pernyataan Nakano 2009 tentang kolaborasi dalam prakiraan
pada perencanaan produksi sebagai salah satu prinsip pengelolaan rantai pasok. Pemilihan metode yang menggunakan teknik kecerdasan buatan jaringan
syaraf tiruan dalam melakukan prakiraan merupakan teknik yang lebih tepat dalam karena kemampuan mengenali pola data dalam rentang waktu yang lebih
panjang. Arsitektur jaringan syaraf tiruan yang mengkombinasikan neuron dengan parameter berbeda pada model prakiraan harga dan permintaan, menjadikan
model dapat mengenali pola yang terbentuk dari interaksi kedua parameter secara bersama-sama, sehingga menghasilkan prakiraan permintaan yang lebih dinamis.
Integrasi dan dinamis juga diakomodir dalam pengembangan sistem pakar guna
penyusunan rencana produksi menggunakan pendekatan fuzzy inference system FIS. Metode FIS merepresentasikan proses pengambilan keputusan oleh pakar
ketika menemui kondisi tertentu yang mengandung unsur ketidaktepatan unprecissed dan keraguan ambiguities. Berdasarkan sejumlah input data yang
bersifat fuzzy dan aturan yang tersedia yang disusun, melalui akuisisi pengetahuan pakar, maka pengambil keputusan dapat mengambil keputusan atau tindakan
yang sesuai sebagaimana yang dilakukan pakar Siler, 2005. Sebagai bentuk pengembangan metode perencanaan produksi yang lebih
komprehensif, hasil rencana produksi divalidasi dengan ketersediaan kapasitas, sesuai dengan teori yang dikembangkan pada teknik MRP II. Perbandingan antara
kapasitas yang tersedia dan kapasitas yang diperlukan menjadi dasar untuk melakukan beberapa alternatif tindakan penyesuaian baik pada sisi pengadaan
bahan baku, rencana produksi dan kapasitas produksi. Model pengukuran kinerja rantai pasok sebagai proses penentuan tingkat
kemajuan untuk mencapai tujuan perlu dilakukan secara spesifik dan terukur. Kinerja dapat dibedakan atas kinerja yang berkaitan dengan aspek ekonomi
seperti biaya dan aspek opereasional seperti kinerja teknis Grunberg, 2004; Tonchia dan Toni, 2001. Pengukuran kinerja teknis pada penelitian ini adalah
performansi penyusunan rencana produksi dalam mengakomodir dinamika pasokan, permintaan dan kapasitas produksi. Perhitungan dilakukan dengan
membandingkan antara rencana produksi dengan realisasi produksi dengan membandingkan variansi nilai keduanya menggunakan metode perhitungan
pengukuran bullwhip effect. Nilai kinerja ini berkaitan dengan metrik ukuran yang berasosiasi pada atribut pengukuran kinerja dari SCOR yang berhubungan
dengan metrik; 1 realibility yang berkaitan dengan keandalan dalam pemenuhan pesanan, 2 responsiveness yang terkait dengan kecepatan waktu respon dalam
pemenuhan pesanan dan 3 flexibility yang berhubungan dengan kemampuan beradaptasi terhadap perubahan.
6.3.2 Implikasi Manajerial
Penerapan model sistem manajemen ahli perencanaan produksi hasil rekayasa penelitian ini secara khusus dapat digunakan untuk menyusun rencana
produksi karet alam SIR 20 pada agroindustri penghasil karet spesifikasi teknis. Implementasi model pada agroindustri memungkinkan manajemen untuk
melakukan penyesuaian terhadap rencana produksi yang telah disusun. Fasilitas yang tersedia pada model untuk melakukan prediksi atas harga dan volume
permintaan menjadi input bagi manajemen untuk mengelola perencanaan permintaan sebagai bagian dari kegiatan updating dalam demand management.
Aplikasi model pada agoindustri karet spesifikasi teknis harus didasari keinginan pihak manajemen untuk menerapkan pendekatan perencanaan
pengendalian produksi dengan memperhatikan keterkaitannya dengan mata rantai lainnya. Perencanaan produksi dalam konteks manajemen rantai pasok adalah
upaya setiap pelaku mata rantai pasok secara bersama-sama dari hulu ke hilir menghasilkan dan mengantarkan produk kepada konsumen akhir sehingga
meningkatkan service level dan memberikan nilai optimal melalui penurunan biaya Levi et,al.2002
Implikasi manajerial berkaitan dengan validasi di lapangan menunjukkan bahwa agroindustri karet spesifikasi teknis berada dalam kondisi kekurangan
bahan baku, sehingga kapasitas yang tersedia masih belum digunakan. Terkait dengan kondisi ini diusulkan beberapa upaya untuk mengoptimalkan kinerja yang
dikelompokkan menjadi; 1 upaya yang berkaitan dengan penyesuaian strategi produksi dalam lingkup perencanaan dan pengendalian produksi dan 2 upaya
berkaitan dengan pengadaan bahan baku. Alternatif upaya berkaitan dengan penyesuaian lingkup perencanaan
pengendalian produksi yang dapat dikendalikan secara internal adalah : 1. Penyusunan rencana produksi secara agregat untuk setiap jenis produk dengan
mempertimbangkan arah dan dinamika permintaan pasar dunia. 2. Mengalihkan sebagian bahan baku berupa lateks yang berasal dari kebun
sendiri menjadi koagulum untuk menghasilkan produk karet yang memiliki kenaikan dalam volume permintaan dan harga dalam rentang stabil dan
mengalami kenaikan . Pada jenis SIR 20 meskipun harga per unit SIR 20 lebih murah dibanding dengan jenis high grade atau produk berbasis lateks, volume
permintaan yang besar merupakan faktor kali untuk menghasilkan keuntungan yang lebih besar.
3. Melakukan kolaborasi dalam penyusunan rencana produksi melalui information sharing antar mata rantai di sisi hulu dan sisi hilir.
Implikasi manajerial yang berkaitan dengan pengadaan bahan baku dan terkait dengan pihak eksternal diantaranya :
1. Meningkatkan penyerapan bahan olah karet dari kebun rakyat melalui mekanisme supply contract yang saling menguntungkan. Posisi tawar yang
bersifat win-win solution antara petani dan agroindustri diharapkan mampu memperpendek jalur distribusi yang menjadi penghalang akses secara
langsung antara petani dengan agroindustri. 2. Perlu suatu kelembagaan untuk mengkordinasi dan melakukan fungsi antara
mata rantai pasok sehingga dapat ditingkatkan produktifitas dalam menghasilkan karet spesifikasi teknis, serta meningkatkan produksi koagulum
dari petani. Beberapa bentuk kelembagaan tersebut adalah konsep inti plasma dan kemungkinan melakukan koordinasi vertikal.
3. Perlu upaya pemanfaatan lahan perkebunan karet dan peningkatan produktivitas kebun lebih optimal, sehingga kapasitas terpasang pabrik pada agroindustri
dapat ditingkatkan utilisasinya.
6.4 Kelebihan dan Keterbatasan Model
Sistem manajemen ahli perencanaan produksi yang dihasilkan memiliki keterbatasan dan kelebihan. Beberapa kelebihan dari model yang dihasilkan
adalah kemampuan model untuk menyusun rencana produksi dengan mempertimbangkan dinamika permintaan dan pasokan serta ketersediaan
kapasitas. Untuk mengevaluasi kinerja dirancang model kinerja rantai pasok untuk menentukan keberhasilan perencanaan produksi dalam meginterpretasikan
dinamikan pasokan dan permintaan rencana dan realisasi. Integrasi beberapa variabel dalam penyusunan rencana produksi ke dalam sistem manajemen ahli,
menghasilkan keputusan rencana produksi yang lebih akurat dan lebih cepat. Model yang dihasilkan merupakan rangkaian dari proses pengolahan
secara simultan dari setiap sub model, akurasinya sangat ditentukan oleh input data baik berupa data statistik maupun pengetahuan pakar dalam menyusun
logika aturan. Jika pakar memiliki pandangan yang pesimis terhadap kemampuan
dalam menterjemahkan hasil prakiraan, maka rules yang dibangun cenderung untuk menghasilkan rencana produksi dalam tingkat rendah. Untuk
mengakomodasi berbagai pendapat pakar diperlukan suatu modul untuk mengagregasikan pendapat beberapa pakar baik yang berpandangan pesimis
maupun optimis, atau perlu dilakukan mekanisme refinement rules pemampatan aturan yang memberikan implikasi pada penarikan kesimpulan secara signifikan.
Keterbatasan model belum mempertimbangkan faktor lain yang membentuk dinamika permintaan dan pasokan karet spesifikasi teknis seperti
pengaruh iklim, harga minyak mentah, harga karet sintetis, pertumbuhan industri pengguna. Pertimbangan pengaruh faktor tersebut dapat diteliti dan dimodelkan
untuk melengkapi sistem pengambilan keputusan baik dalam melengkapi basis pengetahuan agar lebih komprehensif.
Implementasi di lapangan akan memberikan input untuk perbaikan dalam rangka penyempurnaan hasil perancangan sistem manajemen ahli Proplan-TSR20.
Model belum
mencakup perencanaan
kebutuhan material
yang mempertimbangkan pengelolaan persediaan dan belum ditinjau sebagai suatu
perencanaan agregat dengan memperhatikan jenis produk berupa lateks pekat, RSS dan produk SIR lainnya. Berkembangnya penggunaan internet
memungkinkan model dirancang dalam aplikasi berbasis web sehingga pengguna dapat melakukan information sharing secara real time.
Verifikasi dan validasi pada PT. BSP dalam konteks manajemen rantai pasok masih dalam lingkup inbound supply chain, karena antara kebun dan
agroindustri berada pada entitas yang sama. Perlu dikembangkan model yang mengakomodir kompleksitas dalam mengelola rantai pasok yang melibatkan mata
rantai dengan kepemilikan yang berbeda seperti kemungkinan melakukan koordinasi vertikal antara agroindustri dengan petani.