RANCANG BANGUN OPTIMASI PERENCANAAN KEBUTUHAN BAHAN BAKU DENGAN ALGORITMA SILVER-MEAL

Transkripsi

1 RANCANG BANGUN OPTIMASI PERENCANAAN KEBUTUHAN BAHAN BAKU DENGAN ALGORITMA SILVER-MEAL Aulia Bahar, Sarwosri Jurusan Teknik Informaika, Fakulas Teknologi Informasi, Insiu Teknologi Sepuluh Nopember Kampus ITS Sukolilo, Surabaya ABSTRAK Suau usaha bisnis biasanya mengaur dengan sanga hai-hai sekali mengenai barang-barang invenori agar usahanya dapa berjalan lancar. Sebuah fakor pening dalam formulasi dan solusi dari suau model invenori adalah perminaan (per sauan waku) dari suau iem yang bersifa deerminisik (bersifa enu) aau bersifa probabilisik (dienukan oleh disribusi kemungkinan). Maerial Requiremen Planning (MRP) adalah siuasi yang erjadi karena perminaan deerminisik muncul. Kepopuleran sisem MRP dalam indusri mengakibakan meningkanya mina erhadap opik dalam pengambilan kepuusan dalam sisem manufakur mulisage. Akan eapi, prosedur Lo-Sizing yang digunakan oleh sisem MRP yang sudah ersedia agak erbaas dalam kemampuannya unuk mengkoordinasi rencana produksi dari berbagai ahap dari proses manufakur dan berbagai macam baas kapasias. Masalah lo-sizing adalah menenukan ukuran lo produksi dari berbagai iem dalam ahap produksi. Tujuan dari permasalahan ini adalah mengurangi biaya oal manufakuring (emasuk biaya seup, biaya invenori holding, dan lain-lain) dengan eap memperhaikan kebuuhan konsumen. Kaa kunci: MRP, Lo Sizing, Algorima Geneika. 1. PENDAHULUAN Kepopuleran sisem Maerial Requiremen Planning (MRP) dalam indusri mengakibakan meningkanya mina erhadap opik dalam pengambilan kepuusan dalam sisem manufakur mulisage. Akan eapi, prosedur Lo-Sizing yang digunakan oleh sisem MRP yang sudah ersedia agak erbaas dalam kemampuannya unuk mengkoordinasi rencana produksi dari berbagai ahap dari proses manufakur dan berbagai macam baas kapasias. Masalah lo-sizing adalah menenukan ukuran lo produksi dari berbagai iem dalam ahap produksi. Tujuan dari permasalahan ini adalah mengurangi biaya oal manufakuring (emasuk biaya seup, biaya invenori holding, dan lain-lain) dengan eap memperhaikan kebuuhan konsumen. Langkah-langkah dalam MRP erdiri dari (1) Neing, yaiu menenukan kebuuhan bersih perusahaan akan bahan baku; (2) Loing, yaiu menenukan besarnya pesanan per iem yang opimal berdasarkan kebuuhan bersih; (3) Offseing, yaiu pembuaan jadwal yang epa unuk melakukan pemesanan sesuai dengan kebuuhan bersih; (4) Exploding, yaiu perhiungan kebuuhan koor akan bahan baku. Salah sau eknik lo adalah algorima Silver- Meal. Algorima ini bisa dikaakan heurisik yang "hampir opimal" dimana membua order kuanias dengan mengambil pendekaan analisis marginal. Jika diliha pada pendekaan Economic Order Quaniy (EOQ) yang sederhana, ukuran lo yang eap akan membua "lefover" dimana akan meningkakan biaya oal. Sebuah pendekaan yang lebih baik adalah pemesanan sok "senilai semua periode". Meningkakan kuanias pembelian akan mengurangi jumlah biaya yang akan dikeluarkan karena biaya pemesanan dikurangi karena banyaknya pembelian akan berkurang. Walaupun pemesanan kuanias yang besar akan mulai meningkakan biaya oal dan biaya holding akan meningka. Pada peneliian sebelumnya penenuan kuanias pemesanan dilakukan dengan algorima Wagner Whiin dan algorima geneika. Algorima Wagner-Wihin cocok digunakan karena memberikan solusi opimal bagi persoalan ukuran pemesanan dinamis-deerminisik pada periode waku erenu dimana kebuuhan seluruh periode harus erpenuhi. Algorima Wagner- Whiin selalu menghasilkan gabungan minggu. Hasil penggabungan pada minggu perama akan menghasilkan biaya minimum unuk seluruh minggu produksi. Algorima Geneika merupakan sebuah heurisic search yang menggunakan sekumpulan individu (populasi) unuk mencapai suau solusi yang opimal. Algorima dimulai dengan pembangkian populasi awal secara acak, kemudian finess value masing-masing 7

2 Volume 9, Nomor 2, Juli 2011: 7 12 kromosom dievaluasi unuk mencari kromosom mana yang akan direproduksi dengan 2 operaor yaiu crossover dan muasi. Hasil dari algorima Geneika ini menunjukkan bahwa algorima ini mampu mereduksi oal biaya produksi dengan menggabungkan beberapa periode pemesanan sehingga biaya pemesanan dapa diekan. Pada peneliian ini akan digunakan algorima Silver-Meal. Algorima Silver-Meal menukar biaya pemesanan dan biaya holding dengan menganalisa masalah "sau pembelian dalam sau waku". Sau pembelian dalam sau waku adalah pembelian perama harus dapa memenuhi periode 1, periode 1 dan 2, periode 1, 2, dan 3, dan seerusnya. Unuk menjawab peranyaan ini, prosedur mengenai poensi iap kuanias pembelian dan penghiungan biaya raaraa per periode yang erpenuhi adalah hasil dari penjumlahan dari pemesanan dan biaya penyimpanan dinyaakan oleh poensi pembelian dibagi dengan jumlah periode yang harus erpenuhi. 2. MATERIAL REQUIREMENT PLANNING Maerial Requiremen Planning adalah suau eknik aau prosedur unuk mengelola persediaan dalam suau operasi manufakur. Meode ini dikembangkan secara spesifik dengan ujuan berhadapan dengan kompleksias penempaan waku dan hubungannya dengan invenori. Pengendalian persediaan ini memperhaikan hubungan anar iem persediaan, sehingga dapa meningkakan efisiensi dalam menenukan hubungan seiap iem secara cepa dan epa. Hasil perencanaan akan memberikan maser producion schedule (MPS). Dengan menggunakan MPS akan dikeahui jadwal kapan selesainya produk akhir. Jadwal ini akan sanga diperlukan unuk perencanaan produksi unuk mengeahui berapa jumlah produk akhir yang akan diproduksi Konsep dalam perhiungan MRP (liha Gambar 1) melipui: 1. Lo Size: kuanias dari iem yang biasanya dipesan dari pabrik aau pemasok. Sering disebu juga sebagai kuanias pesanan (order quaniy) aau ukuran bach (bach size). Ada banyak algorima yang dapa digunakan unuk menenukan ukuran lo, dianaranya adalah Algorima Silver Meal. 2. Gross Requiremen (Kebuuhan koor): Toal perminaan yang diharapkan dari suau iem aau bahan baku unuk masing-masing periode waku. 3. On Hand Invenory (Persediaan awal): Menyaakan jumlah persediaan yang ersedia pada suau periode waku erenu. Nilai persediaan pada awal periode dimasukkan sesuai dengan jumlah persediaan saa iu. 4. Ne Requiremen/NR (Kebuuhan Bersih): Jumlah kebuuhan yang sebenarnya yang dibuuhkan pada masing-masing periode waku unuk memenuhi kebuuhan iem pada gross requiremen. 5. Planned Order Receips/POR (Rencana Penerimaan): jumlah dari pemesanan yang direncanakan (belum iba) dalam suau periode. Rencana penerimaan pada periode ini akan ada dengan sendirinya jika erdapa kebuuhan bersih (NR ) suau iem pada periode erenu, dimana jumlah POR ini berganung pada ukuran lo yang dipergunakan. 6. Planned Order Release (Rencana Pemesanan). Rencana pemesanan pada suau level aau ingka menenukan kebuuhan koor pada level di bawahnya. Rencana pemesanan merupakan informasi erpening dari sisem Maerial Requiremen Planning yang menunjukkan iem apa, berapa banyak, dan kapan dibuuhkan. Nilai dari rencana pemesanan erganung dari eknik lo sizing yang digunakan dan nilainya sama dengan nilai Planned Order Receips pada periode +lead ime. 2.1 Bill Of Maerials Gambar 1. Sisem MRP Bill of Maerials (BOM) adalah suau susunan bahan, maerial yang dibuuhkan unuk memproduksi produk akhir. Menyusun srukur BOM adalah proses yang mengaur rincian maerial dan menghasilkan subrakian yang menuju perakian dan kemudian menjadi bagian dari produk akhir. Seiap kaian produk induk dengan komponen menghasilkan kaian anara produk akhir dengan bagian-bagiannya aau anara dua aau lebih komponen. Conoh BOM dapa diliha pada Gambar 2. Tabel 1 menunjukkan daa BOM yang digunakan pada peneliian ini. 8

3 Bahar & Sarwosri, Rancang Bangun Opimasi Perencanaan Kebuuhan Bahan Baku dengan Algorima Silver Meal F = ( 1 φ 2 ) + σ + φ1* F ) + ( 2* F e (1) F adalah jumlah suau uni pada waku. σ adalah nilai raa-raa (mean). φ 1 adalah nilai unuk eha1. φ 2 adalah nilai unuk eha2. F F adalah nilai unuk -1 dan -2. & 1 2 Gambar 2. Bill Of Maerial Tabel 1. Daa BOM yang digunakan ID Nama RC SC OC HC LT 23 Top Board Glue_A Glue_B Table Base Legs Legs_Bol Frame Ends Leg_Suppor Slides Auo Regressive (2) Dalam melakukan suau peramalan dipengaruhi beberapa aspek, anara lain: horison waku peramalan, fakor yang nenenukan hasil sebenarnya, ipe pola daa dan berbagai aspek lainnya. Unuk menghadapi penggunaan yang luas ersebu, beberapa eknik elah dikembangkan. Teknik ersebu dibagi ke dalam 2 kaegori uama yaiu meode kuaniaif dan meode kualiaif. Meode kuaniaif dapa dibagi ke dalam dere berkala (ime series) dan meode kausal. Kedua model dere berkala (ime series) dan kausal mempunyai keunungan dalam siuasi erenu. Model dere berkala sering kali dapa digunakan dengan mudah unuk meramal, sedangkan model kausal dapa digunakan dengan keberhasilan yang lebih besar unuk pengambilan kepuusan dan kebijaksanaan. Aplikasi ini menggunakan meode Auo Regressive (2). Auo Regressive (AR) merupakan salah sau meode forecas (peramalan) yang bersifa ime series (beruruan) dalam sebuah serial waku. Meode ersebu adalah ala kunci unuk mengidenifikasi pola dasar dan meneapkan model yang sesuai unuk sebuah serial waku. Rumusnya sebagai beriku: 2.3 PERAMALAN EXPONENTIAL SMOOTHING: HOLT S METHOD Exponenial Smoohing adalah salah sau cara unuk melakukan esimasi nilai berikunya dari sebuah ime series. Teknik Forecasing ini dalam benuk dasarnya sebaiknya hanya digunakan pada non-seasonal ime series yang menunjukkan idak adanya pola yang sisemaik. Rumus exponenial smoohing dapa diperluas menjadi linear exponenial smoohing sehingga bisa melakukan forecasing daa dengan rends. Hol s Linear exponenial smoohing menggunakan dua smoohing consan, α dan β (dengan nilai anara 0 dan 1), dan ada 3 persamaan sebagai beriku: L = + ( 1 )( + α Y α L 1 b 1 ) (2) b = β ( L L 1 ) + (1 β ) b 1 (3) F + m = L + bm (4) L adalah esimasi kenaikan dari series pada waku ; b adalah esimasi penurunan dari series pada waku. Persamaan (2) mengaur L unuk menjadi rend dari periode sebelumnya, b 1, dengan menambahkannya ke nilai erakhir yang dihaluskan, L 1. Persamaan (3) dan (4) adalah updae dari rend, dimana diekspresikan sebagai selisih anara dua nilai erakhir yang dihaluskan (smoohed). Rumus ini digunakan karena ada rend dalam daa, nilai baru seharusnya lebih inggi aau lebih rendah dari daa sebelumnya. Conoh perhiungan, dengan α = 0, 501 dan β = 0,072 : F 23 = L 22 + b22 L 22 =0,501Y ,499( L 21 + b21 ) = 0,501(242) + 0,499 (227,33 + 5,31) = 237,33 b 22 = 0,072 ( L22 L21 ) + 0,928b 21 = 0.072( ) (5.31) = 5.64 Maka, F 23 = =

4 Volume 9, Nomor 2, Juli 2011: 7 12 Nilai peramalan unuk periode ke 23 adalah 242, ALGORITMA SILVER-MEAL Algorima Silver-meal adalah heurisik yang "hampir opimal" dimana membua order kuaias dengan mengambil pendekaan analisis marginal. Opimal adalah nilai oal cos yang rendah. Model Silver-Meal hanya bisa digunakan pada invenori yang mempunyai biaya produksi eap dan idenik unuk iap periode. Jika diliha pada pendekaan EOQ yang sederhana, ukuran lo yang eap akan membua "lefover" dimana akan meningkakan biaya oal. Sebuah pendekaan yang lebih baik adalah pemesanan sok "senilai semua periode". Meningkakan kuanias pembelian akan mengurangi jumlah biaya yang akan dikeluarkan karena biaya pemesanan dikurangi karena banyaknya pembelian akan berkurang. Walaupun pemesanan kuanias yang besar akan mulai meningkakan biaya oal dan biaya penyimpanan akan meningka. Algorima Silver- Meal menukar biaya pemesanan dan biaya holding dengan menganalisa masalah "sau pembelian dalam sau waku". Maksudnya adalah, pembelian perama harus dapa memenuhi periode 1, periode 1 dan 2, periode 1, 2, dan 3, dan seerusnya. Unuk menjawab peranyaan ini, prosedur mengenai poensi iap kuanias pembelian dan penghiungan biaya raa-raa per periode yang erpenuhi adalah hasil dari penjumlahan dari pemesanan dan biaya. Rumus dari algorima Silver-Meal adalah: TC( i, ) TCU ( i, ) = (5) i + 1 dimana i adalah periode dimulainya ierasi (conoh: ierasi 1 dimulai pada periode 1 maka i=1, ierasi 2 dimulai pada periode 4 maka i=4), adalah banyak periode dalam sau ierasi. Tujuan dari model ini adalah unuk meminimalisir biaya seup dan biaya holding. Tabel 2 menunjukkan conoh perhiungan Silver- Meal. Tabel 2. Conoh perhiungan Silver-Meal uji ersebu akan menggunakan masukan dari user. Seiap daa uji coba coba unuk sisem ini mempunyai beberapa komponen seperi mean, Y1, Y2, eha1, eha2, bea, periode, mean error dan sandard deviaion. Tabel 3 menunjukkan daa uji coba sisem yang digunakan. Tabel 3. Daa uji coba sisem Daa Mean Y Y Teha Teha Periode Mean Error Sandar_dev Berdasarkan pada Tabel 3 dapa dikeahui bahwa unuk melakukan suau pembangkian daa, diperlukan beberapa masukan sandar seperi mean yang nilainya sebaiknya berada dianara nilai 10% sampai 50 % dari Y1. Nilai Y2 harus lebih besar dari Y1. Nilai kesalahan raaraa (mean error) harus mempunyai nilai maksimal 10% dari Y1. Unuk sandard deviaion harus sebanyak seengah aau kurang dari mean error. Jumlah periode yang harus dimasukkan adalah 52. Proses pembangkian daa uji coba dijalankan dengan jumlah pembangkian sebanyak 52 daa pembangkian sesuai dengan masukan periode. Unuk mendapakan acual daa, daa-daa ersebu akan dihiung dengan menggunakan rumus (1), acual daa kemudian dijadikan masukan unuk proses selanjunya yaiu peramalan. Proses peramalan akan menggunakan rumus (2,3,4). Grafik hasil uji coba dapa diliha pada Gambar 3-8. Hasil peramalan daa kemudian disimpan menjadi Maser Producion of Schedule (MPS). MPS adalah salah sau masukan unuk proses losizing (Silver-Meal) yang menggunakan rumus (5). Dari perhiungan lo-sizing diperoleh biaya oal unuk semua produk. Tabel 4-6 menunjukkan biaya oal dari berbagai uji coba. 4. HASIL UJI COBA Agar dapa mengeahui hasil dari sisem opimasi kebuuhan bahan baku dengan menggunakan algorima Silver-Meal, maka diperlukan daa-daa unuk melakukan uji. Daa 10 Gambar 3. Hasil uji coba 1

5 Bahar & Sarwosri, Rancang Bangun Opimasi Perencanaan Kebuuhan Bahan Baku dengan Algorima Silver Meal Gambar 4. Hasil uji coba 2 Gambar 8. Hasil uji coba 6 Tabel 4. Biaya oal uji 1 & 2 Gambar 5. Hasil uji coba 3 Uji Id TC Uji Id TC Tabel 5. Biaya oal uji 3 & 4 Gambar 6. Hasil uji coba 4 Gambar 7. Hasil uji coba 5 Uji Id TC Uji Id TC KESIMPULAN Dari hasi uji coba dapa dihasilkan beberapa simpulan sebagai beriku: 1) Apabila daa yang dimasukkan idak sesuai dengan masukan sandar, maka besar kemungkinannya akan menghasilkan nilai negaif seperi pada gambar

6 Volume 9, Nomor 2, Juli 2011: 7 12 Tabel 6. Biaya oal uji 5 & 6 Uji Id TC Uji Id TC ) Peramalan daa dengan menggunakan Exponenial Smoohing: Hol s Mehod menghasilkan mean absolue percenage error (MAPE) 7,7%, 5% dan 7,4%. Semakin kecil nilai MAPE, nilai forecasing daa dengan nilai acual daa akan semakin mirip. 3) Semakin besar nilai Fixed Seup Cos maka semakin banyak periode yang dapa digabungkan sehingga nilai Toal Cos dapa menjadi lebih rendah. 4) Dari uji coba 1 sampai uji coba 6 diperoleh 95% Confidence Inerval unuk oal cos dengan menggunakan -disribuion, yaiu: < TC < DAFTAR PUSTAKA [1] Richard J. Tersine. Principles of Invenory and Maerials Managemen. [2] Prof. Duane S.Boning. Manufacuring Sysem. Lecure 11: Forecasing. [3] Logisic Sysem Fall Finie Planning Horizon Invenory Problems. [4] Jaenuddin ST Belajar Sendiri.ne dengan Visual C# 2005 [5] Mohd Omar, Musafa Ma Deris The Silver Meal Heurisic Mehod for Deerminisic Time Varying Demand, Deparemen Compuer Science & IT Universiy of College Terengganu, Insiue of Mahemaical Science Universiy of Malaya, Malasyia. [6] Prajaka S. Kalekar. December Time Series Forecasing using Hol s Winer Exponenial Smoohing. Kanwal Rekhi School of Informaion Technology. [7] Box, G. E. P., Jenkins,G. M. dan Reinsel, G. C. 1970, Time Series Analysis Forecasing and Conrol, Prenice Hall/Pearson [8] Hamdy, A. Taha Operaions Research. Unied Saes of America: Prenice-Hall Inernaional. 12