19 Kecenderungan penurunan pesanan mendadak atau sisipan
20 Peningkatan tingkat pelayanan rata-rata oleh pemasok
21 Kondisi internal sistem produksi yang menyebabkan penurunan kejadian
gangguan-gangguan yang bisa menurunkan persediaan bahan baku
Pada awal periode pemanfaatan sub model ini, akan ditentukan rata-rata persediaan pengaman yang kemudian akan diperbaharui untuk periode berikutnya.
Tiap perusahaan akan menentukan batas interval persediaan pengaman yang sesuai dengan kondisi perusahaan masing-masing. Sebagai contoh, untuk PT NIC,
Tbk batas interval persediaan pengaman Bahan Baku adalah 2 - 6. Sehingga apabila terjadi penurunan atau peningkatan nilai persediaan
pengaman tidak diperbolehkan melewati batas interval ini. Flowchart perhitungan nilai persediaan pengaman berdasarkan hasil rekapitulasi gangguan pada akhir
periode adalah sesuai dengan gambar berikut.
Inventarisir Gangguan yang terjadi : - Gangguan operasional
- Gangguan Variansi dan Lainnya - Jumlah total gangguan = n
Penentuan Nilai Pengaruh pada Persediaan Pengaman Bahan Baku :
Penurunan atau Peningkatan Skala 1 – 3
Penentuan Nilai Pengaruh pada Persediaan Pengaman Produk Jadi :
Penurunan atau Peningkatan Skala 1 – 3
Penentuan Bahan Baku terkait Penentuan Produk Jadi terkait
- Penjumlahan nilai pengaruh Penurunan pada Persediaan Pengaman Bahan Baku = LBH-
- Penjumlahan nilai pengaruh Peningkatan pada Persediaan Pengaman Bahan Baku = LBH+
- Tentukan ∆ LBH = {LBH+ + LBH-}n
- Tentukan PersediaanPengaman Bahan Baku LBHt = LBHt-1 +
∆ LBH - Penjumlahan nilai pengaruh Penurunan pada
Persediaan Pengaman Produk Jadi = LPJ- - Penjumlahan nilai pengaruh Peningkatan pada
Persediaan Pengaman Produk Jadi = LPJ+ -
Tentukan ∆ LPJ = {LPJ+ + LPJ-}n - Tentukan Persediaan Pengman Produk Jadi
LPJt = LPJt-1 + ∆ LPJ
Input Persediaan Pengaman Bahan Baku = LBH t-1 dan Persediaan Pengaman Produk Jadi = LPJt-1 pada periode
sebelumnya
Persediaan Pengaman Bahan Baku
Persediaan Pengaman Produk Jadi
Gambar 18 Flowchart perhitungan persediaan pengaman bahan baku dan persediaan pengaman produk jadi berdasarkan metode rata-rata gangguan.
4.5 Keterkaitan Model PPIC dan Model Pengendalian Gangguan
Sub model Toleransi Persediaan ini akan terkait dengan pengembangan model PPIC yang diusulkan. Keterkaitan antara model PPIC dengan sub model ini
dapat dijelaskan sebagai berikut. Pemikiran mengenai pengaruh gangguan sistem produksi terhadap
besarnya persediaan pengaman yang harus disesuaikan untuk periode perencanaan berikutnya dalam kegiatan PPIC sesuai dengan penjelasan berikut ini.
Pada gambar 19 berikut dapat dilihat bahwa setelah dibuat PPIC dengan menggunakan model yang diusulkan, di akhir periode secara periodik dilakukan
perhitungan nilai variansi a,b,c,d,e,f,g sekaligus perhitungan persediaan
pengaman Produk Jadi dan persediaan pengaman Bahan Baku berdasarkan data produksi.
Nilai variansi a,d,e, f dan variansi g terkait dengan persediaan pengaman Produk Jadi, sedangkan nilai variansi b dan c terkait dengan
persediaan pengaman Bahan Baku. Hasil perhitungan ini akan memperbaharui nilai persediaan pengaman Bahan Baku yang akan menjadi input untuk model
Perencanaan dan Pengendalian Persediaan Bahan Bakudan juga akan meng- update nilai persediaan pengaman Produk Jadi yang akan menjadi input untuk
model Penjadwalan Induk Produksi.
1 PRAKIRAAN PERMINTAAN :
Artificial Neural Network
4 PENGENDALIAN PERSEDIAAN BAHAN
BAKU
: Continuous Review System
Probabilistic : - EOQ
- Reorder Point - Safety Stock
2 PENJADWALAN INDUK PRODUKSI :
Fuzzy Multi Objective Linier Programming
6 PENENTUAN URUTAN JOB
PRODUKSI : Flow Shop Genetic Algorithm
Jk Pendek
J k
M e
ne ng
a h
Persediaan Pengaman
Produk Jadi
Persediaan Pengaman
Bahan Baku
3 PERENCANAAN PERSEDIAAN BAHAN
BAKU :
Material Requirement Planning MRP
- Lotting : EOQ dan perjanjian dgn supplier
- Safety Stock : Loss Bahan Baku
7 PENENTUAN RUTE PENGIRIMAN TSP
– Genetic Algorithm
Gambar 19 Keterkaitan antara persediaan pengaman produk jadi , persediaan pengaman bahan baku dan model PPIC.
Tabel 5 menunjukkan keterkaitan antara model PPIC dan variansi pada model Pengendalian Gangguan. Variansi a terkait dengan model Prakiraan
Permintaan. Prakiraan Permintaan menggunakan model yang cukup handal menghasilkan proyeksi permintaan yang cukup akurat dengan nilai MSE yang
minimum. Hasil prakiraan permintaan yang digunakan sebagai dasar perencanaan produksi menentukan jumlah produksi yang dibuat. Pemanfaatan model Prakiraan
Permintaan yang cukup akurat diharapkan dapat menghasilkan prakiraan permintaan yang tidak berbeda dengan penjualan produk jadi. Indikator
keberhasilan model Prakiraan Permintaan adalah berkurangnya nilai Variansi a karena makin akuratnya hasil prakiraan permintaan dibandingkan dengan aktual
penjualan produk jadi. Besarnya nilai Variansi a dipengaruhi oleh adanya gangguan demand. Jadi, walaupun sudah digunakan model Prakiraan Permintaan
yang cukup handal, namun dengan adanya gangguan demand, Variansi a akan terjadi. Secara periodik, nilai Variansi a diharapkan dapat berkurang dengan
pembaharuan nilai persediaan pengaman Persediaan Pengaman Produk Jadi untuk periode perencanaan berikutnya.
Variansi d terkait dengan model Penjadwalan Induk Produksi. Dengan menggunakan metode Fuzzy Multi Objective Linier Programming, diharapkan
rencana induk produksi sudah sesuai dengan permintaan konsumen dengan mempertimbangkan keterbatasan kapasitas input produksi yang digunakan. Aktual
jumlah produksi yang dihasilkan belum tentu sesuai dengan hasil rencana induk produksi disebabkan adanya gangguan internal sistem produksi yang terjadi.
Rekomendasi Sub model 1 Pengendalian Gangguan - Aksi Pengendalian Gangguan Operasional diharapkan dapat mengurangi variansi d, terkait dengan
tindakan koreksi yang direkomendasikan. Rekomendasi Sub model 2 Pengendalian Gangguan
– Kebijakan Lanjutan Pengendalian Gangguan juga turut mendukung penurunan nilai variansi d, terkait dengan rekomendasi aksi lanjutan
yang harus dilakukan mempertimbangkan nilai gangguan yang tinggi sesuai dengan hasil pengembangan aturan keputusan Tabel 3.
Variansi b dan variansi c terkait dengan model Perencanaan Persediaan Bahan Baku dan Pengendalian Persediaan Bahan Baku. Variansi b dan variansi c
ini timbul disebabkan karena adanya gangguan supply ataupun karena gangguan
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.
