3. Resources Profile Approach
Teknik perhitungan resource profile hampir sama dengan dua metode sebelumnya yang menggunakan pendekatan data waktu baku. Selain itu juga
membutuhkan data lead time yang diperlukan pada stasiun-stasiun kerja tertentu. Pendekatan ini membutuhkan input due date untuk tiap-tiap stasiun
kerja. Due date merupakan waktu dimana suatu pekerjaan harus selesai.
2.6 Prakiraan dan Pengelolaan Permintaan
Berbagai definisi dan pemahaman tentang prakiraan forecasting telah dikembangkan, secara garis besar prakiraan adalah proses menganalisis data
historis masa lalu yang diproyeksikan ke dalam sebuah model untuk meperkirakan keadaan di masa yang akan datang Groover, 2001. Teknik
prakiraan dikelompokkan atas ; 1 metode kualitatif dan 2 metode kuantitatif. Peramalan dengan metode kualitatif adalah peramalan dengan melibatkan
pendapat pribadi dan pakar. Metode kuantitatif dibedakan menjadi dua kategori yaitu; 1 model deret waktu time series yang, dan 2 metode kausal yaitu
didasarkan pada hubungan sebab akibat. Metode time series relatif banyak digunakan dalam melakukan prakiraan
untuk menyusun rencana produksi, beberapa metode time series adalah, 1 metode pemulusan terdiri atas rata-rata bergerak, pemulusan eksponensial, 2
metode ARIMA yaitu gabungan metode autoregresif dan rata-rata bergerak. 3 metode Fourier, dan 4 metode jaringan syaraf tiruan.
Beberapa hal yang perlu dipertimbangkan dalam mengimplementasikan hasil prakiraan adalah nilai kesalahan peramalan dan jangka waktu periode
prakiraan. Prakiran pasti mengandung kesalahan, besarnya nilai kesalahan dapat dihitung sebagai selisih antara nilai prakiraan dengan nilai sesungguhnya yang
dikenal dengan istilah error kesalahan. Menurut Groover 2001 dan Makridarkis et al. 1998, besarnya nilai error dapat digunakan untuk menganalisa
ketepatan metode yang digunakan. Formula umum perhitungan nilai kesalahan prakiraan adalah :
e
t
= x
t
- F
t
dimana :
e
t
:
kesalahan pada periode ke-i
x
t
:
nilai sesungguhnya pada periode ke-i
F
t
:
nilai hasil prakiraan pada periode ke-i Ukuran nilai kesalahan sebagai ukuran bias atau selisih tidak efektif untuk
menghitung jumlah kesalahan. Untuk menghindari kondisi saling menetralkan antara nilai kesalahan positif dan negatif sehingga ada kemungkinan nilai
kesalahan menjadi nol, pada umunya digunakan perhitungan nilai kesalahan adalah Mean Square Error MSE dengan formula :
Nilai kesalahan hasil prakiraan menunjukkan kemampuan model prakiraan mengurangi ketidakpastian yang terjadi. Panjang periode prakiraan menentukan
akurasi hasil peramalan, prakiraan untuk perioe yang lebih pendek lebih akurat karena faktor-faktor yang mempengaruhi permintaan relatif masih konstan.
Periode yang lebih panjang mengkibatkan semakin besarnya kemungkinan terjadinya perubahan faktor-faktor yang mempengaruhi permintaan Santoso,
2009. Terjadinya perubahan pada faktor-faktor yang mempengaruhi permintaan, mengakibatkan hasil prakiraan memiliki bias yang tinggi, sehingga diperlukan
penyesuaian pada hasil prakiraan sehingga adaptif terhadap perubahan. Menurut Hanna 2009 prakiraan adalah kunci untuk menyeimbangkan antara kelebihan
atau kekurangan pada tingkat produksi atau pasokan. Pada umumnya perencanaan produksi disusun berdasarkan hasil prakiraan
permintaan. Prakiraan permintaan merupakan bagian dari aktifitas pengelolaan permintaan demand management. Pada dekade 30 tahun yang lalu prakiraan
permintaan dianggap suatu aktifitas yang kurang penting. Era berkembangnya kekuatan bersaing melalui keberhasilan pengelolaan rantai pasok, demand
management menjadi salah satu faktor penting untuk menciptakan keunggulan. Berbagai metode dikembangkan sehingga terjadi sinkronisasi dan kolaborasi
antara sisi permintaan dan pasokan dalam sistem rantai pasok. Gambaran evolusi dari konsep demand management disajikan pada Gambar 5.
Gambar 5 Evolusi manajemen permintaan Crum dan Palmatier, 2003
Pada konsep demand management hasil prakiraan permintaan yang dijadikan landasan dalam kegiatan produksi harus dapat beradaptasi dengan
perubahan sehingga penyesuaian demand updating bisa dilakukan dalam horizon waktu yang lebih pendek. Proses mengelola permintaan dalam model
demand mangement yang dikembangkan oleh Crum dan Palmatier 2003 yang ditunjukkan pada Gambar 6, meliputi ; 1 perencanaan permintaan, 2 komunikasi
permintaan, 3 pengaruh permintaan dan 4 prioritas permintaan.
Gambar 6 Demand management process model Crum dan Palmatier, 2003 Pemasok dan konsumen melakukan komunikasi dalam rangka
berkolaborasi dalam penyebaran informasi yang berkaitan dengan rencana permintaan. Hasil perencanaan dianalisis sehingga dapat diidentifikasi faktor
yang mempengaruhi tercapainya rencana. Tidak semua rencana permintaan dapat
evolusi manajemen permintaan
direalisasi, namun diperlukan suatu proses penyesuaian berdasarkan skala tingkat kepentingan sehingga pengelolaan permintaan ini dapat mengurangi faktor-faktor
ketidakpastian.
2.7 Pendekatan Sistem
Pendekatan sistem merupakan pendekatan terpadu sebagai metodologi pemecahan masalah yang kompleks dan bersifat interdisiplin dalam suatu sistem.
Ciri-ciri pendekatan sistem adalah memiliki suatu metodologi perencanaan dan pengelolaan, bersifat multidisiplin terorganisir, menggunakan model matematik,
berpikir secara kualitatif serta dapat diaplikasikan dengan komputer. Menurut Eriyatno 1999 persyaratan suatu substansi yang dikaji melalui
pendekatan sistem adalah : 1 kompleks yang menggambarkan interaksi antar elemen yang cukup rumit, 2 dinamis dalam arti terdapat faktor yang berubah
menurut waktu dan ada pendugaan ke masa depan, 3 probabilistik yaitu diperlukan suatu fungsi peluang didalam inferensi kesimpulan maupun
rekomendasi. Sistem dapat didefinisikan sebagai suatu gugus dari elemen yang saling
berhubungan dan terorganisasi untuk mencapai suatu tujuan atau merupakan suatu gugus dari tujuan-tujuan. Tahapan pemecahan masalah dalam pendekatan sistem
dimulai dengan analisis kebutuhan, identifikasi sistem dan formulasi masalah dari suatu sistem nyata. Pengkajian masalah menggunakan pendekatan sistem
didasari alasan 1 memastikan bahwa pandangan menyeluruh telah dilakukan, 2 mencegah analis menyajikan secara dini definisi masalah yang spesifik, 3
mencegah analis menerapkan secara dini model tertentu, 4 memastikan lingkungan masalah didefinisikan secara luas sehingga berbagai kebutuhan yang
relevan dapat dipenuhi Simatupang 1995; Eriyatno, 1999.
2.8 Sistem Manajemen Ahli
Sistem Manajemen Ahli SMA merupakan integrasi dari Sistem Penunjang Keputusan SPK dan Sistem Pakar Turban, 2001. SPK didefinisikan
sebagai sistem berbasis komputer interaktif yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan
masalah-masalah tidak terstruktur Gorry dan Scott Morton, 1971 dalam Turban, 2001. Sedangkan sistem pakar adalah suatu sistem yang menggunakan
pengetahuan manusia yang tersimpan pada suatu komputer untuk menyelesaikan masalah yang membutuhkan keahlian pakar. Dalam proses pengambilan
keputusan, banyak masalah tidak terstruktur dan bahkan semi terstruktur yang sangat kompleks sehingga solusinya memerlukan keahlian yang dapat diberikan
oleh suatu sistem pakar. Banyak SPK canggih yang dilengkapi dengan satu komponen yang disebut sub sistem manajemen berbasis pengetahuan. Komponen
ini dapat menyediakan keahlian yang diperlukan untuk memecahkan beberapa aspek masalah dan memberikan pengetahuan yang dapat meningkatkan operasi
komponen SPK yang lain Turban, 2001. Selanjutnya Turban 2001 menyatakan integrasi sistem pakar dengan SPK
dapat berupa memasukkan sistem pakar ke dalam komponen-komponen SPK atau dengan membuat sistem pakar sebagai komponen yang terpisah dari SPK. Nama
lain untuk integrasi sistem pakar dengan SPK adalah SPK intelejen dan Sistem Manajemen Ahli. Konfigurasi model dasar dalam sistem manajemen ahli
ditampilkan pada Gambar 7.
Gambar 7 Konfigurasi model dasar sistem manajemen ahli Turban, 2001
Sistim Pengolahan Terpusat
Sistem Manajemen Dialog
Model Sistem
Manajemen Basis Model
SMA
Mekanisme Inferensi
rule-base skenario Pengetahuan
Sistem Manajemen Basis
Pengetahuan Data
Sistem Manajemen
Data
Pengguna
SPK
Tujuan perancangan sistem pakar adalah untuk mempermudah kerja atau bahkan mengganti tenaga ahli, penggabungan ilmu dan pengalaman dari beberapa
tenaga ahli. Pada prinsipnya sistem pakar tersusun dari beberapa komponen yang mencakup Marimin, 2005 :
1. Fasilitas akuisisi pengetahuan 2. Sistem berbasis pengetahuan knowledge based system
3. Mesin inferensi inference engine 4. Fasilitas untuk penjelasan dan justifikasi
5. Penghubung antara pengguna dan sistem pakar user interface Fasilitas akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau
mendapatkan pengetahuan, fakta, aturan dan model yang diperlukan oleh sistem pakar dari berbagai sumber. Tahap akuisisi pengetahuan merupakan tahap
penting, kritis dan sangat menentukan keberhasilan sistem pakar yang akan dikembangkan untuk pemecahan persoalan yang biasanya dapat diselesaikan oleh
seorang pakar. Sistem basis pengetahuan merupakan bagian yang memuat obyek-obyek
pengetahuan serta hubungan yang dimiliki antar obyek-obyek tersebut. Basis pengetahuan merupakan sumber kecerdasan sistem dan hal ini dimanfaatkan oleh
mekanisme inferensi untuk mengambil kesimpulan. Basis pengetahuan dapat dilakukan dengan cara jaringan semantik, ekspresi logika, obyek-atribut-nilai,
frame, script, kaidah produksi, jaringan neural, representasi fuzzy dan pattern invocked program.
Mesin inferensi merupakan komponen sistem pakar yang memanipulasi dan mengarahkan pengetahuan dari basis pengetahuan sehingga tercapai
kesimpulan. Penarikan kesimpulan dilakukan melalui pemilihan aturan –aturan
yang ada pada basis pengetahuan yang dianggap sesuai dengan fakta yang dimasukkan oleh pengguna. Mekanisme inferensi juga dapat memberikan
prioritas kepada setiap aturan yang dipilih dari basis pengethauan.Terdapat dua strategi dalam mesin inferensi yaitu strategi penalaran dan strategi pengendalian
Marimin, 2005. Fasilitas penjelasan merupakan bagian yang menerangkan penalaran, aksi
ataupun rekomendasi yang dilakukan oleh sistem pakar. Interaksi manusia-mesin