PERENCANAAN PRODUKSI AGREGAT MENGGUNAKAN METODE LINEAR PROGRAMMING DI PABRIK OTSUKA INDONESIA

Transkripsi

1 B-14-1 PERENCANAAN PRODUKSI AGREGAT MENGGUNAKAN METODE LINEAR PROGRAMMING DI PABRIK OTSUKA INDONESIA Sudiartono, Moses L Singgih ITS Surabaya totok@fact.otsuka.co.id ABSTRAK Pengelolaan sistem produksi yang optimal mutlak perlu dilakukan untuk mendapatkan keuntungan semaksimal mungkin yang salah satunya dapat dilakukan melalui perencanaan agregat produksi yang baik. Penelitian Perencanaan Produksi Agregat di PT Otsuka Indonesia ini bertujuan untuk membuat dan menganalisa perencanaan produksi yang meminimumkan total biaya produksi serta menggunakan informasi dari perencanaan untuk optimalisasi produksi sehingga diperoleh keuntungan yang maksimum. Terdapat lima jenis produk Infus yang diteliti (Produk A, B, C, D dan E) dalam perencanaan agregat. Metode-metode yang digunakan dalam penelitian diantaranya adalah metode peramalan dengan menggunakan sembilan model peramalan dan metode Linear Programming untuk perencanaan agregat dan optimasi produksi di unit produk Infus. Pengolahan data untuk menentukan metode peramalan terbaik digunakan bantuan software QS (Quantitative System) dan untuk perencanaan agregat serta disagregasi produk digunakan bantuan software WinQSB dengan model dasar Linear Programming. Pemilihan model peramalan terbaik didasarkan pada parameterparameter Bias, Mean Square Error (MSE) atau Mean Squared Deviation (MSD). Model peramalan terpilih untuk produk A, B, C, D dan E berturut-turut adalah model Moving Average with Linear Trend (M=12), model Weighted Moving Average (M=12), model Simple Average, Model Double Exponential Smoothing with Linear Trend dan model Moving Average with Linear Trend (m=4). Perencanaan agregat memberikan rekomendasi jumlah produksi total dalam satu tahun kedepan yang terbagi dalam 12 periode dengan total produksi sebanyak botol dengan total biaya produksi Rp dan keuntungan Rp Solusi optimal dari disagregasi adalah Produk A= botol, B= botol, C= botol, D= botol dan E= botol. Untuk antisipasi perubahan kondisi di masa mendatang disusun dua skenario kebijakan lain yaitu tidak memperbolehkan overtime dan memungkinkan overtime dengan pemenuhan tingkat produksi minimum untuk setiap jenis produk. Berdasarkan solusi optimal yang diperoleh ternyata skenario 1 seperti diatas yang memperbolehkan overtime maksimum masih memberikan tingkat keuntungan tertinggi dibanding skenario 2 (Rp ) dan skenario 3 (Rp ). Kata kunci : Perencanaan Agregat, peramalan, disagregasi, solusi optimal, skenario kebijakan.

2 B-14-2 ABSTRACT The production system should be manage optimum in accordance to gain maximum profit, in which can be through a good aggregate production plan. The study of aggregate production planning in PT Otsuka Indonesia has a goal to build and analyze production plan to minimize total production cost. And to utilize the gathered information of the plan to optimize the cost of product. So that, can achieve the maximum profit. There are five main IV (intra vena) solution products involved in this aggregate planning study (product A, B, C, D and E). One of the method which be using in this study is the nine forecasting model and Linear Programming method to optimize the production in IV solution unit. In data processing to get the best forecasting method by utilizing the QS (Quantitative System) software, the selection of the fittest base on the parameter : bias, Mean Square Error (MSE) and Mean Square Deviation (MSD). And to do aggregation or to do the dis-aggregration with the basic is Linear Programming model, utilize the WinQSB software. The forecast model selected for A, B, C, D and E products are : Moving Average with Linear Trend (M=12) model, Weighted Moving Average (M=12) model, Simple Average, Model Double Exponential Smoothing with Linear Trend model, and Moving Average with Linear Trend (M=4) model. Aggregate Production Planning gives recommendation of production unit number in a year totally units divided in 12 periods with total production cost Rp and profit margin Rp Dis-aggregation optimum solutions are : Product A= units, B= units, C= units, D= units and E= units. To anticipate the change of the conditions in the future, there are two other policies constructed which are no overtime allowed but no lower bound for each products and the other one with lower bound for each. Base on optimum solution, the best result is the 1st scenario which allow overtime, compare to the 2nd scenario with the profit margin Rp and the 3rd scenario Rp Key words : Aggregate Planning, forecasting, dis-aggregation, optimum solution, policy scenario. PENDAHULUAN PT Otsuka Indonesia merupakan perusahaan yang bergerak dibidang manufaktur obat atau pharmasi. Perusahaan patungan antara pemodal Jepang dan mitranya Indonesia terbentuk pada tahun Unit produksi cairan infus di Lawang mulai berproduksi pada tahun Produk utama yang dihasilkan diantaranya adalah jenis cairan infus dalam kemasan plastik dengan volume 1000 ml, 500 ml, 250 ml, 100 ml dalam kemasan botol gelas volume 500 ml dan 250 ml. Cairan infus yang diproduksi terdiri lebih dari 90 jenis, dapat dikelompokkan dalam 3 kategori : karbohidrat, elektrolit dan asam amino. Produk lainnya berupa ampul untuk injeksi dalam kemasan 25 ml. Unit produksi ampul mulai berproduksi pada tahun Unit produksi alat kesehatan berupa set

3 B-14-3 (plastik) infus mulai beroperasi pada tahun Unit produksi alat kesehatan ini ditujukan untuk melengkapi persyaratan penanaman modal untuk lebih mengembangkan industrinya ke arah hulu. Unit produksi obat terapi (therapeutic drug) dalam bentuk tablet dan sirup mulai beroperasi pada tahun Dan unit produksi enteral nutrisi dengan produk berbentuk bubuk mulai beroperasi pada tahun Unit produksi cairan infus terdiri dari satu lini produksi yang digunakan untuk memproduksi semua jenis produk cairan infus secara bergantian. Sesuai standar CPOB (Cara Pembuatan Obat yang Baik) maka setiap pergantian produksi produk jenis berbeda dipersyaratkan adanya pembersihan semua alat dan jalur produksi yang digunakan (CIP : Cleaning In Place). Yang berarti jadual produksi yang bergantian jenis produk cairan infus akan berdampak pengurangan waktu produksi karena keperluan pembersihan tersebut. Sebagai perusahaan manufaktur yang menggunakan distributor untuk produk cairan infusnya, maka perencanaan produksi produk cairan infus mengikuti permintaan pasar yang terwakili oleh permintaan distributor. Pertumbuhan permintaan jumlah dan jenis produk cairan infus yang makin meningkat dan makin beragam mengakibatkan tingkat kerumitan yang lebih tinggi dalam perencanaan jadual produksi. Dimana kapasitas terpasang unit produksi cairan infus lebih rendah dibanding dengan jumlah permintaan distributor. Permintaan jumlah dan jenis produk cairan infus dari distributor perlu diterjemahkan menjadi perencanaan produksi dengan baik, karena unit produksi cairan infus hanya menggunakan satu lini produksi yang digunakan untuk memproduksi semua jenis produk cairan infus secara bergantian. Dalam suatu unit produksi yang hanya memiliki satu lini produksi yang digunakan untuk memproduksi beberapa jenis produk secara bersama, maka perlu dibuat rencana produksi untuk memaksimumkan penggunaan pada tingkat kebutuhan yang berbeda-beda. Dimana keterbatasan kapasitas menjadi faktor pembatas utama dalam pemenuhan untuk jenis produk tertentu yang diminta oleh pelanggan. Untuk itu perlu dibuat perencanaan produksi secara terpadu dan menyeluruh agar didapatkan keuntungan yang maksimal dari optimalisasi pengelolaan sumber daya yang terbatas tersebut. METODOLOGI Penelitian tentang perencanaan agregat pada sistem produksi ini dilakukan melalui tahapan sistematis, sehingga dapat mempermudah dan menjaga alur penelitian dan mampu menjawab beberapa tujuan yang diinginkan dari penelitian ini. Adapun langkah-langkah penelitian yang dilakukan dapat digambarkan sebagai berikut. Perumusan Masalah Pada tahap awal dari penelitian ini dilakukan pengamatan pada sistem produksi di PT Otsuka Indonesia yang sudah berjalan dan dilanjutkan dengan identifikasi masalah-masalah yang ada. Berdasarkan batasan masalah yang telah dikemukakan pada bab sebelumnya, maka pengamatan hanya dibatasi pada persoalan produksi di Perusahaan khususnya produksi cairan Infus serta hal-hal lain yang masih berkaitan dengan sistem produksi.

4 B-14-4 Permasalahan yang cukup dominan dialami di perusahaan adalah adanya perbedaan antara rencana atau harapan dengan kenyataan hasil di lapangan. Hal ini dapat memberikan dampak langsung terhadap keuntungan perusahaan. Permintaan yang tidak mampu dipenuhi secara tepat dan sebaliknya kelebihan stok produk menimbulkan biaya opportunity yang relatif besar sehingga ketidaktepatan ini secara keseluruhan akan meningkatkan biaya total produksi. Sehingga dalam tahap ini dapat dilakukan perumusan masalah dengan jelas mengenai subyek yang akan diteliti lebih lanjut. Observasi Lapangan. Dan Pengumpulan Data Sekunder. Dalam tahapan ini dilakukan pengumpulan data yang sudah tersedia dari lapangan yang relevan dengan penelitian dan model yang disusun. Data yang diperlukan dalam penelitian ini adalah : - Permintaan produk dalam kurun waktu tertentu. - Kebutuhan bahan baku dan waktu pemenuhannya. - Proses dan Kapasitas produksi untuk masing-masing jenis produk. - Biaya-biaya yang terkait dengan proses produksi dan perhitungannya. - Biaya-biaya yang terkait dengan pengadaan dan penyimpanan bahan baku. - Data-data lain yang berkaitan dengan perencanaan produksi dan sediaan bahan baku. Pengolahan dan Analisa Data Dalam tahap ini dilakukan pengolahan data yang diperoleh dengan pentahapan sebagai berikut : a. Dilakukan penghitungan peramalan permintaan produk berdasarkan data yang ada dan relevan dengan menggunakan metode perhitungan yang sesuai. Hasil perhitungan peramalan permintaan ini dapat digunakan untuk perhitungan selanjutnya. Misalnya digunakan untuk merencanakan kapasitas produksi yang diperlukan dalam periode mendatang, digunakan untuk menghitung sediaan bahan baku yang diperlukan. b. Menyusun perencanaan produksi agregat. Dalam tahap ini digunakan pendekatan metode program linear. Diharapkan dengan metode tersebut didapatkan hasil optimal pada fungsi tujuan dengan kendala produksi yang ada. Adapun unsur yang terkait adalah : - variabel keputusan - parameter perencanaan produksi - fungsi tujuan yang ingin dicapai - fungsi pembatas/kendala yang diperlukan. Penyusunan perencanaan produksi ini akan diselesaikan dengan algoritma metode simplex dengan menggunakan paket program yang sudah ada. Hasil tahapan ini adalah jumlah dan jenis produk dan total biaya produksi yang terkait. HASIL DAN DISKUSI Ramalan Permintaan Produk Peramalan permintaan terhadap lima jenis produk Infus yang diteliti dilakukan dengan menggunakan bantuan perangkat lunak QS. Model ini dipilih karena cukup user

5 B-14-5 friendly sehingga memudahkan proses eksekusinya. Terdapat sembilan model yang digunakan untuk peramalan yaitu model Simple Average, model Weighted Moving Average (M=4 dan M=12), model Moving Average with Linear Trend (M=4 dan M=12), model Single Exponential Smoothing, model Adaptive Exponential Smoothing, model Double Exponential Smoothing, model Exponential Smoothing with Linear Trend dan model Double Exponential Smoothing with Linear Trend serta Model Winter. Hasil lengkap peramalan lima produk (Produk A, B, C, D dan E) terlihat di Lampiran 2. Beberapa indikator digunakan sebagai pertimbangan menentukan model terbaik dalam meramalkan permintaan beberapa periode kedepan, diantaranya Mean Absolute Deviation (MAD), Mean Squared Deviation (MSD) dan Bias. Yang terbaik adalah model yang memiliki nilai terkecil pada ketiga indikator tersebut. Berdasarkan hasil pengolahan data dengan kesembilan model diatas, maka dapat ditampilkan rekapitulasi nilai keempat indikator tersebut untuk semua jenis produk yang diteliti dan semua jenis model yang digunakan seperti pada tabel 5.4. Keluaran dari sembilan model tersebut kemudian dimintakan pendapat kepada ahli (expert) yang terbiasa menangani perencanaan produksi, untuk dipilih mana yang paling sesuai dengan kondisi yang berlaku selama ini menurut data dan pengalaman yang lampau. Tbel 3.1. Model peramalan permintaan terbaik untuk lima jenis produk Jenis Produk A B C D E Model Terpilih Model Moving Average with Linear Trend (M=12) Model Weighted Moving Average (M=12) MAD MSD Bias E E Model Simple Average E Model Double Exponential Smoothing with Linear Trend Model Moving Average with Linear Trend (m=4) E E Berdasarkan hasil running kesembilan model peramalan yang dicobakan untuk data permintaan masa lalu Produk A terpilih model Moving Average with Linear Trend (parameter penggerak 12 periode) dengan nilai MSD sebesar 1.156E11, nilai ini bukan nilai terkecil dibandingkan dengan hasil running pada kedelapan model lainnya. Namun dari expert memilih model ini yang lebih tepat. Berarti untuk kebutuhan perencanaan produksi agregat, kebutuhan yang diestimasi dari jumlah permintaan mendatang dapat diperoleh dengan menggunakan model Moving Average with Linear Trend. Model dengan nilai kecil terdekat dengan model tersebut sebagai alternatif adalah Model Exponential Smoothing with Linear Trend dengan nilai MSD sebesar 1.171E11. Permintaan produk B juga memiliki karakteristik yang sama dengan produk A, hal ini ditunjukkan dengan terpilihnya model terbaik yang sama untuk meramalkan permintaan kedepan yaitu model Moving Average with Linear Trend dengan periode bergerak sebanyak 12 periode, nilai MSD untuk model ini adalah E9. Sementara itu peramalan permintaan yang terbaik untuk produk E juga oleh model yang sama namun dengan periode bergerak 4 periode dengan nilai MSD sebesar 1.139E10. Terpilihnya model Moving Average with Linear Trend untuk peramalan produk A, produk B dan produk E sekaligus menunjukkan karakteristik dari pemintaan produk-

6 B-14-6 produk tersebut. Permintaan Produk A, B dan E oleh pasar relatif bersifat konstan dengan sedikit perubahan, hal ini sesuai dengan sifat model terpilih. Perubahan yang sangat kecil setiap periodenya ditunjukkan oleh parameter bergerak yang cukup besar yaitu 12 periode, hal ini juga dapat diindikasikan dari plot data yang terbentuk pada gambar 4.2. Running model peramalan permintaan produk C memberikan hasil yang sedikit berbeda dengan produk-produk sebelumnya. Expert memilih model peramalan permintaan terbaik model Simple Average walau nilai MSD sebesar 1.005E10 bukan yang terkecil dibandingkan dengan kedelapan model yang lain. Dibandingkan model terpilih sebelumnya, model simple average ini memiliki periode bergerak yang lebih sedikit dan relatif sederhana dalam perhitungannya yaitu periode bergerak 2. Namun demikian karakteristik data dan permintaan kedepan relatif sama dengan produk-produk yang telah dibahas sebelumnya. Produk yang memiliki tingkat fluktuasi yang cukup signifikan perbedaannya dengan produk lainnya adalah produk D. Model peramalan terbaik yang terpilih untuk produk ini adalah model Double Exponential Smoothing with Linear Trend dengan nilai MSD terkecil dibanding model-model lainnya yaitu E9. Tingkat fluktuasi permintaan ditunjukkan oleh nilai slope model yaitu alpha ( )sebesar Perencanaan Produksi Agregat Kebijakan perusahaan di bidang layanan ke pelanggan adalah sedapat mungkin memenuhi 100% permintaan distributor. Untuk itu walaupun sudah menggunakan waktu lembur hari libur untuk dapat mempertahankan tingkat kualitas layanan permintaan distributor (Service Quality Level), maka diatur juga kebijakan safety stock sebesar 50% dari satu bulan permintaan dan setiap tiga bulan ditingkatkan sebesar 10% sampai mencapai setidaknya 1 juta unit produk di akhir tahun. Hasil perhitungan atas kondisi-kondisi tersebut memperlihatkan bahwa terpenuhinya 100% jumlah ramalan permintaan (demand forecast) sehingga tidak terdapat adanya kehilangan kesempatan menjual karena tidak terpenuhinya permintaan distributor, tercapainya rencana safety stock yang meningkat dari 50% permintaan per bulan sehingga mencapai setidaknya 1 juta unit di akhir tahun. Pemenuhan permintaan distributor dan peningkatan safety stock tersebut diperoleh dari adanya tambahan produksi reguler yang rata-rata perbulan unit per bulan ditambah produksi waktu lembur rata-rata unit per bulan yang merupakan 13.5% dari jumlah total produksi per bulan.

7 B-14-7 Tabel 3.2. Tabel Perencanaan Produksi Agregat dengan tambahan waktu lembur. Forecast Regular Overtime Total Lost Ending Bulan Demand Production Production Production Sales Inventory 656, % Jan 1,301,739 1,217, ,479 1,414, , % Feb 1,314,355 1,217, ,640 1,330, , % Mar 1,326,971 1,217, ,280 1,443, , % Apr 1,429,588 1,217, ,960 1,386, , % May 1,352,204 1,217, ,280 1,443, , % Jun 1,364,820 1,217, ,960 1,386, , % Jul 1,377,436 1,217, ,280 1,443, ,037, % Aug 1,390,052 1,217, ,960 1,386, ,034, % Sep 1,402,669 1,217, ,280 1,443, ,075, % Oct 1,415,285 1,217, ,960 1,386, ,046, % Nov 1,427,901 1,217, ,280 1,443, ,061, % Dec 1,440,517 1,217, ,960 1,386, ,008,362 Total 16,543,537 14,615,040 2,280,319 16,895,359 Rata-rata 1,378,628 1,217, ,027 1,407, , % 13.5% Penambahan jumlah unit produksi sebesar unit (13.5%) menjadi total unit dalam satu tahun, diperoleh dengan adanya tambahan waktu lembur yang berdampak pada tambahan biaya lembur sebesar Rp ,- (8.0%) dalam satu tahun. Penambahan jumlah unit produksi sebesar 13.5% dari total unit produksi setahun dari hasil penambahan waktu lembur tersebut dapat dinyatakan optimum dibanding penambahan jumlah biaya lembur yang sebesar 8.0% dari total biaya setahun. Selain itu penambahan waktu lembur juga mampu menaikkan tingkat safety stock sesuai yang direncanakan, dan berdampak pada penambahan biaya inventory sebesar Rp ,- atau 0.3% dari total biaya sebesar Rp ,- sebagaimana tabel di bawah ini.

8 B-14-8 Tabel 3.3. Biaya Produksi Agregat Regular Time Overtime Inventory Holding Cost Other Production Cost Total Cost Jan Rp834,397,000 Rp167,861,800 Rp5,076,720 Rp1,026,854,000 Rp2,034,189,000 Feb Rp834,397,000 Rp96,233,980 Rp5,183,673 Rp965,986,600 Rp1,901,801,000 Mar Rp834,397,000 Rp192,468,000 Rp5,950,785 Rp1,047,763,000 Rp2,080,579,000 Apr Rp834,397,000 Rp144,351,000 Rp5,668,912 Rp1,006,875,000 Rp1,991,292,000 May Rp834,397,000 Rp192,468,000 Rp6,269,485 Rp1,047,763,000 Rp2,080,898,000 Jun Rp834,397,000 Rp144,351,000 Rp6,415,081 Rp1,006,875,000 Rp1,992,038,000 Jul Rp834,397,000 Rp192,468,000 Rp6,849,124 Rp1,047,763,000 Rp2,081,477,000 Aug Rp834,397,000 Rp144,351,000 Rp6,828,189 Rp1,006,875,000 Rp1,992,451,000 Sep Rp834,397,000 Rp192,468,000 Rp7,095,693 Rp1,047,763,000 Rp2,081,724,000 Oct Rp834,397,000 Rp144,351,000 Rp6,908,220 Rp1,006,875,000 Rp1,992,531,000 Nov Rp834,397,000 Rp192,468,000 Rp7,009,194 Rp1,047,763,000 Rp2,081,637,000 Dec Rp834,397,000 Rp144,351,000 Rp6,655,189 Rp1,006,875,000 Rp1,992,278,000 Total Rp10,012,764,000 Rp1,948,190,780 Rp75,910,263 Rp12,266,030,600 Rp24,302,895,000 Rata-2 Rp834,397,000 Rp162,349,232 Rp6,325,855 Rp1,022,169,217 Rp2,025,241,250 Penambahan unit produksi dengan menambah jumlah waktu lembur pada hari libur nasional atau hari cuti bersama terhitung efektif dan efisien. Efektif karena menggunakan tenaga kerja yang sudah terlatih dengan baik, sehingga dari sisi kualitas kuantitas serta safety dapat dijaga pada level yang sama dengan produksi di waktu reguler. Efisien dikarenakan penambahan biaya hanya dari sisi biaya variabel berupa upah lembur karyawan dan yang terkait dengan tambahan waktu lembur seperti biaya dan tunjangan transport, penyediaan makan, dan biaya material lainnya. Artinya tidak terdapat adanya tambahan biaya tetap (fix cost overhead) yang bisa terjadi kalau penambahan waktu kerja dilakukan dengan menambah jumlah karyawan, yaitu berupa yang terkait dengan penambahan fasilitas kerja karena adanya penambahan jumlah karyawanan, seperti : pakaian seragam, pakaian dan kelengkapan kerja termasuk sepatu, loker, dan biaya lainnya. KESIMPULAN Model peramalan terpilih untuk produk A, B, C, D dan E berturut-turut adalah model Moving Average with Linear Trend (M=12), model Weighted Moving Average (M=12), model Simple Average, Model Double Exponential Smoothing with Linear Trend dan model Moving Average with Linear Trend (m=4). Perencanaan agregat memberikan rekomendasi jumlah produksi total dalam satu tahun kedepan yang terbagi dalam 12 periode dengan total produksi sebanyak botol dengan total biaya produksi Rp dan keuntungan Rp Solusi optimal dari disagregasi adalah produk A= unit, B= unit, C= unit, D= unit dan E= unit.

9 B-14-9 DAFTAR PUSTAKA Ballou, Ronald H., Business Logistics Management. Third edition. Prentice Hall Inc. Englewood Cliffs, NJ. Buxey, Geoff, Strategy not Tactics Drive Aggregate Planning. International Journal of Production Economics: Manufacturing Systems, Strategy and Design. Vol. 85 No. 3 : Chopra, S. dan Meindl, P., 2001, Supply Chain Management : Strategy, Planning and Operation. Prentice Hall, Inc., Upper Saddle River, New Jersey. Markridakis S. & Wheelwright S.C Foecasting Methods & Applications. John Wiley & Sons Inc. Narasimhan, S.L, McLeveay, D.W., Billington, P.J., 2002, Production Planning and Inventory Control. Prentice Hall International Inc. Sumayang, L., 2003, Dasar-Dasar Manajemen Produksi & Operasi. Edisi Pertama. PT. Salemba Empat Patria, Jakarta. Tersine, R. J., 1988, Principles of Inventory and Materials management. Third edition. Elsevier Science Publishing Co. Inc., New York. Vollmann, T. E. ; Lee Berry, William dan Whyback, D.C., 1988, Manufacturing Planning and Control Systems. Second edition. Dow Jones-Irwin, Hoemwood, Illinois.