5 RANCANG BANGUN SISTEM

Transkripsi

1 85 5 RANCANG BANGUN SISTE Pada bab ini akan diuraikan rancang bangun Sistem Pendukung Keputusan Intelijen PPIC Adaptif pada industri pangan yang untuk pembahasan berikutnya akan diberi nama S IPRADIPA. Rancang bangun S IPRADIPA sesuai dengan tahapan metode System Life Cycle (SLC) yang digunakan, yaitu meliputi tahapan perencanaan, analisis, perancangan dan implementasi. Pada tahapan perencanaan, rancang bangun S IPRADIPA ini ditujukan untuk menunjang dan memudahkan kebutuhan pengguna hasil pengembangan model PPIC Adaptif sesuai dengan pembahasan pada bab Pemodelan Sistem sebelumnya. Berikutnya akan dilakukan tahap analisis untuk menganalisis kebutuhan sistem dan menentukan bagaimana sistem akan dirancang. Setelah itu dilakukan tahap perancangan dimana pada tahapan ini dilakukan perancangan sistem secara fisik dengan menggunakan teknik pemodelan yang dipilih meliputi pembuatan flowchart atau struktur yang dibutuhkan sistem dan dilanjutkan dengan tahap transformasi model fisik sistem menjadi program. Selanjutnya setelah tahap perancangan selesai, dapat dilakukan tahap implementasi sistem dan penggunaan sistem oleh pengguna. Tahap implementasi dibatasi hanya diuji coba oleh beberapa pakar sistem produksi hanya untuk mengetahui apakah hasil rancang bangun sudah dapat memenuhi tujuan rancang bangun PPIC Adaptif, mengingat bahwa rancangan bangun S IPRADIPA hanyalah berupa prototipe. Untuk tahapan penggunaan tidak dibahas dalam disertasi ini. 5. Analisis Kebutuhan S IPRADIPA Sesuai dengan pembahasan sub bab Analisis Kebutuhan Sistem pada bab Pemodelan Sistem diketahui bahwa dibutuhkan sistem informasi yang dapat mendukung aplikasi fungsi PPIC dengan model-model keputusan yakni Prakiraan Permintaan, Penjadwalan Induk Produksi, Perencanaan dan Pengendalian Persediaan Bahan Baku dan Penentuan Urutan Job Produksi dengan keterkaitan antar model keputusan PPIC sesuai dengan gambar berikut.

2 86 Gambar adalah gambar keterkaitan antar model keputusan PPIC untuk mendukung kebutuhan sistem informasi serta kerangka S IPRADIPA. Penjelasannya adalah sesuai uraian berikut. Riwayat data penjualan dari Regular Outlet (RO) serta riwayat data penjualan Fixed Order (FO) akan menjadi masukan data untuk melakukan model Prakiraan Permintaan menggunakan metode Jaringan Syaraf Tiruan. Proses prakiraan permintaan jangka pendek dengan luaran yang akan menjadi masukan perhitungan penjadwalan induk produksi akan memanfaatkan data RO, sedangkan proses perkiraan permintaan jangka menengah dengan luaran yang akan menjadi masukan perhitungan perencanaan persediaan bahan baku akan memanfaatkan data RO dan FO sekaligus. Selanjutnya, hasil prakiraan permintaan jangka pendek RO yang dilengkapi dengan masukan lainnya berupa data item produk jadi (beberapa varian produk roti) dan data lainnya akan menjadi masukan perhitungan penjadwalan induk produksi menggunakan metode Fuzzy ulti Objective Linear Programming. Luaran model ini berupa jadwal induk produksi berbagai varian produk roti perhari, yang selanjutnya, bersama dengan data lainnya (antara lain data urutan proses dan waktu produksi) akan menjadi masukan untuk perhitungan penentuan urutan job/lot produksi menggunakan Algoritma Genetika. Hasil prakiraan permintaan jangka menengah RO dan FO bersama dengan data lainnya (antara lain data lead time, ukuran lot supply dan % persediaan pengaman bahan baku) akan menjadi masukan proses perhitungan model Perencanaan Persediaan Bahan Baku dengan luaran berupa data rencana pemesanan bahan baku ke pemasok. Lanjutnya, dengan mempertimbangkan luaran jumlah produksi dari model Penjadwalan Induk Produksi serta penggunaan bahan baku untuk tiap item produk jadi, juga hasil perhitungan stok opname bahan baku berdasarkan pengamatan secara hari-an, dapat perhitungan model Pengendalian Persediaan Bahan Baku untuk mengetahui apakah perlu dilakukan revisi pemesanan bahan baku ke pemasok atau tidak.

3 87 - Data Penjualan Reguler Outlet (RO) Data Penjualan Fixed Order (FO) PRAKIRAAN PERINTAAN RO dan FO : Jaringan Syaraf Tiruan - Data Item Produk Jadi - Data Biaya Produksi Item Produk Jadi - Data Utilisasi Produksi Item Produk Jadi - Data Fixed Order (FO) - Data Stock Opname Produk Jadi - Data % Persediaan Pengamans Produk Jadi - Data Fuzzy Waktu Proses Produksi - Data Fuzzy Kebutuhan Bahan Baku - Data Kapasitas Produksi Jk enengah Jk Pendek - Data Prakiraan Permintaan RO - Data Prakiraan Permintaan FO 3 Perencanaan Persediaan Bahan Baku : aterial Requirement Planning (RP) - Data Prakiraan Permintaan Reguler Outlet (RO) - Data Lead Time - Data StokPersediaan Bahan Baku di awal perencanaan - Data % Persediaan Pengaman Bahan Baku - Data Biaya Persediaan - Data Ukuran Lot 2 Penjadwalan Induk Produksi : Fuzzy ulti Objective Linier Programming - Data Jadwal Induk Produksi Item Produk Jadi 5 Penentuan Urutan Job Produksi : Genetic Algorithm - Data Waktu penyelesaian lot produksi (makespan) - Data Pemesanan Bahan Baku - Lotting : EOQ dan perjanjian dengan pemasok 4 Pengendalian Persediaan Bahan Baku : Continuous Review System Probabilistic Revisi Pemesanan ke pemasok : ROP & Jumlah Pemesanan EOQ sesuai perjanjian pemasok - Data Proses Produksi Item Produk Jadi - Data Kapasitas Input Produksi - Data Waktu Proses Produksi Item Produk Jadi - Data Gross Requirement berdasarkan Jadwal Induk Produksi Item Produk Jadi Data Lead Time Pemesanan - Data Kebutuhan Bahan Baku selama Lead Time Pemesanan - Data Stock Opname Item Bahan Baku - Data % Persediaan Pengamans Bahan Baku Gambar 20 Keterkaitan antar model keputusan PPIC.

4 88 empertimbangkan bahwa aplikasi sistem pendukung tersebut juga dapat mengendalikan gangguan yang terjadi pada sistem produksi industri pangan, maka dibutuhkan rancang bangun Sistem Pendukung Keputusan PPIC Adaptif dengan kerangka sebagai berikut: Subsistem Basis odel Subsistem Basis Data : Produk Jadi : Persediaan, Receipt, Routing, Waktu Proses, Stasiun Kerja/ esin, Biaya Produk, Safety Stock Bahan Baku : Persediaan, Safety Stock, Supplier, Ukuran Lot inimum, Biaya Simpan, Biaya Pesan, Harga Beli Operator Produksi : Kapasitas esin : Kapasitas, Waktu Proses odel PPIC : PRAKIRAAN PERINTAAN(Artificial Neural Network ) PENJADWALAN INDUK PRODUKSI(Fuzzy ulti Objective Linier Programmng) PERENCANAAN PERSEDIAAN BAHAN BAKU(aterial Requirement Planning EOQ) PENGENDALIAN PERSEDIAAN BAHAN BAKU(Reorder Point ; Safety Stock) PENENTUAN URUTAN LOT PRODUKSI (Flow Shop Scheduling Genetic Algorithm) odel Pengendalian Gangguan : Aksi Pengendalian Gangguan Kebijakan Lanjutan Pengendalian Gangguan Perhitungan Toleransi Persediaan Subsistem Basis Kasus : Inventarisir Gangguan & Atributnya, Tindakan Pengendalian Gangguan, Aturan Keputusan Subsistem Dialog Pengguna Sistem Gambar 2 Kerangka Sistem Pendukung Keputusan Intelijen PPIC Pada gambar 2 di atas, pengguna S IPRADIPA, yaitu General anager Pabrik atau anajer Supply Chain anagement akan menggunakan sistem untuk menjalankan fungsi-fungsi yang terdapat pada Subsistem Basis odel terdiri atas model PPIC dan model Pengendalian Gangguan. 5.2 Perancangan S IPRADIPA Proses rancang bangun sistem meliputi pembuatan model aliran proses berupa Diagram Konteks dan Diagram Aliran Data (Data Flow Diagram untuk tiap-tiap model yang tersedia), perancangan model aliran data berupa Entity Relationship Diagram (ERD) serta perancangan menu dialog yang memudahkan interaksi antara sistem dengan pengguna sistem. Pengguna sistem adalah manajer

5 89 atau kepala divisi Supply Chain yang membawahi PPIC, Produksi, Pembelian, Pembelian, Penjualan dan Pemasaran, Gudang serta Distribusi Pemodelan Aliran Proses Kegiatan rancang bangun model aliran data diawali dengan pembuatan Diagram Konteks S IPRADIPA. Berdasarkan rancang bangun Diagram Konteks terkait, dapat tergambar dengan jelas aliran proses penyampaian informasi antar Divisi yang terlibat dalam pnggunaan S IPRADIPA. Aliran informasi tersebut akan dimanfaatkan dalam pemrosesan yang dilakukan S berdasarkan basis model yang mendukung fungsi PPIC yang dilengkapi dengan basis model Pengendalian Gangguan yang akan mendukung pengguna sistem melakukan aksi pengendalian gangguan sistem produksi yang terjadi, menentukan kebijakan lanjutan berdasarkan rekapitulasi nilai gangguan serta memperbaharui nilai toleransi % persediaan pengaman Bahan Baku dan % persediaan pengaman Produk Jadi. Pembaharuan nilai toleransi % persediaan pengaman ini akan menjadi input S khususnya dalam pemrosesan model PPIC pada periode perencanaan berikutnya.

6 90 Pada gambar Diagram Konteks atau sering disebut sebagai Data Flow Diagaram Level 0 di atas terlihat bahwa sistem memiliki entitas PPIC, Produksi, Gudang, Pembelian, Penjualan dan Pemasaran serta Distribusi. Pada Diagram Konteks belum dicantumkan entitas eksternal seperti Supplier, Konsumen serta basis penyimpanan data, meliputi basis data Produk, basis data Bahan Baku, basis data Operator Produksi dan basis data esin. Aliran data yang terjadi antara

7 9 sistem dengan tiap entitas terlihat pada gambar panah yang terhubung antara entitas dengan sistem. Dekomposisi fungsi S Intelijen PPIC Adaptif Industri Pangan meliputi 2 level fungsi seperti pada gambar 23 berikut ini.

8 92 Untuk memperjelas aliran data yang terjadi pada setiap proses akan dibuat ekstraksi Diagram Konteks dalam bentuk Data Flow Diagram Level 0 (dalam hal ini dikaitkan dengan implementasi model-model yang terdapat dalam S Intelijen PPIC Adaptif Industri Pangan, maka digambarkan Diagram Konteks level berikutnya (level ) atau sering disebut dengan Data Flow Diagram (DFD) Level (Lihat gambar 24 berikut). Berdasarkan diagram konteks dan dekomposisi fungsi S Intelijen PPIC Adaptif industri pangan, model-model yang dijalankan S Intelijen PPIC Adaptif dibuatkan model secara lebih rinci untuk memperjelas aliran proses ataupun aliran data atau informasi antara entitas dengan pengguna sistem. Berikutnya, untuk mendukung operasional S Intelijen PPIC Adaptif Pada Industri Pangan, dilakukan perancangan Data Flow Diagram (DFD) Level 2 untuk memperjelas ekstraksi sistem yang terdiri atas basis model sebagai berikut :. Basis model Prakiraan Permintaan (Demand anagement) berdasarkan metode Artificial Neural Network (ANN). 2. Basis model Penjadwalan Induk Produksi (aster Production Scheduling/PS) berdasarkan metode Fuzzy ulti Objective Linear Programming. 3. Basis model Perencanaan Persediaan Bahan Baku berdasarkan metode aterial Requirement Planning (RP). 4. Basis model Pengendalian Persediaan Bahan Baku, 5. Basis model Penentuan Urutan Job Produksi berdasarkan metode penjadwalan Flowshop Genetic Algorithm. 6. Basis model Pengendalian Gangguan.

9 93

10 94 ini. Gambar DFD untuk masing-masing model dapat dilihat pada gambar-gambar berikut Produk Jadi Varian Penjualan dan Pemasaran Pesanan RO, FO Riwayat Penjualan. PRAKIRAAN PERINTAAN : etode ANN Prakiraan Permintaan Jk enengah Prakiraan Permintaan Jk Pendek PPIC KONSUEN Gambar 25 Data flow diagram level 2 Prakiraan Permintaan. Dengan memanfaatkan informasi riwayat penjualan dari Penjualan dan Pemasaran dilakukan pemrosesan S untuk fungsi PPIC model anajemen Permintaan, menghasilkan output yang akan diterima oleh PPIC berupa data Prakiraan Permintaan Jangka Pendek (berikutnya akan dimanfaatkan sebagai input model Penjadwalan Induk Produksi) serta data Prakiraan Permintaan Jangka enengah (berikutnya akan dimanfaatkan sebagai input model Perencanaan Persediaan Bahan Baku). Produk Jadi PPIC Prakiraan Permintaan Jk Pendek % Loss Produk Jadi Persediaan 2. PENJADWALAN INDUK PRODUKSI : etode Fuzzy ulti Objective Linear Programming JIP Produksi Persediaan Kapasitas Kapasitas Bahan Baku Operator Produksi esin Gambar 26 Data flow diagram level 2 Penjadwalan Induk Produksi

11 95 Sistem akan menggunakan input Prakiraan Permintaan Jangka Pendek odel Penjadwalan Induk Produksi yang dimiliki PPIC sekaligus input data % persediaan pengaman Produk Jadi yang didapatkan dari pemrosesan model Pengendalian Gangguan periode sebelumnya. Untuk awal pemrosesan, sistem akan menggunakan data awal % persediaan pengaman Produk Jadi yang merupakan nilai batas minimum % persediaan pengaman yang sesuai dengan kebijakan perusahaan terkait (berdasarkan pertimbangan pengguna sistem). Bahan Baku SUPPLIER Lot Pemesanan Persediaan PPIC Prakiraan Pemintaan Jk enengah % Persediaan Pengaman Bahan Baku 3. PERENCANAAN PERSEDIAAN BAHAN BAKU : etode aterial Requirement Planning : Netting Lotting : EOQ Time Offsetting Waktu dan Ukuran Pemesanan Pembelian Gambar 27 Data flow diagram level 2 Perencanaan Persediaan Bahan Baku. Output model Prakiraan Permintaan berdasarkan metode Artificial Neural Network (ANN) berupa informasi Prakiraan Permintaan Jangka enengah akan digunakan sebagai input pemrosesan model Perencanaan Persediaan Bahan Baku berdasarkan metode aterial Requirement Planning (RP) dengan tahapan proses sebagai berikut :. Netting, yaitu penentuan nilai bersih berdasarkan data kebutuhan bahan baku hasil konversi data prakiraan permintaan sesuai dengan receipt produk yang telah mempertimbangkan data stok persediaan pada awal periode perencanaan. 2. Lotting, yaitu penentuan ukuran pemesanan ekonomis berdasarkan optimasi antara biaya simpan dan biaya pesan untuk tiap jenis bahan baku dengan menggunakan rumus EOQ.

12 96 3. Penentuan kebutuhan ketersediaan bahan baku yang dioperasionalkan dalam penentuan Planned Order Receipt sejumlah lot tertentu yang telah disesuaikan dengan kebijakan pemasok (supplier) terkait. dengan mempertimbangkan nilai kebutuhan bersih yang nilainya nilai safety stock (% persediaan pengaman Bahan Baku). 4. Time Offsetting. Pada tahapan ini dilakukan pemesanan sejumlah ukuran pemesanan bahan baku dengan mempertimbangkan waktu ancang-ancang (Lead Time) tertentu untuk mendapatkan bahan baku. Informasi pemrosesan adalah berupa data waktu dan ukuran pemesanan bahan baku yang akan diterima oleh Pembelian untuk kemudian ditindaklanjuti dengan kegiatan administrasi pemesanaan kepada pemasok terkait. Berikut adalah penjelasan pemrosesan model Pengendalian Persediaan Bahan Baku yang akan memanfaatkan input data Stok Opname Bahan Baku dari Gudang, data hasil Jadwal Induk Produksi (JIP) output model Penjadwalan Induk Produksi yang dimiliki Produksi. Apabila ada perbedaan antara output model Perencanaan Persediaan Bahan Baku (informasi Planned Order Release), maka akan dilakukan revisi sesuai hasil model ini berupa data Revisi Waktu Pemesanan yang akan diterima oleh Pembelian dan berikutnya didiskusikan dengan pemasok bahan baku terkait. Gudang SUPPLIER PPIC Produksi Planned Order Release JIP Stok Opname Bahan Baku 4. PENGENDALIAN PERSEDIAAN BAHAN BAKU : Pendekatan Continuous Review System Probabilistic : EOQ Safety Stock Reorder Point (ROP) Revisi Waktu Pemesanan Revisi Waktu Pemesanan Pembelian Gambar 28 Data flow diagram level 2 Pengendalian Persediaan Bahan Baku.

13 97 odel berikut adalah pemrosesan yang dilakukan S PPIC Adaptif untuk mendapatkan data urutan job produksi yang memberikan nilai waktu penyelesaian seluruh job (makespan) minimum dengan menggunakan metode Penjadwalan Flowshop Genetic Algorithm. Proses pembagian job dilakukan oleh sistem berdasarkan data Jadwal Induk Produksi (JIP), output model Penjadwalan Induk Produksi, data urutan proses untuk tiap job dan waktu proses mesin yang digunakan untuk melakukan proses. Job Urutan Proses Waktu Proses esin PPIC Pembagian Job 5.PENENTUAN URUTAN JOB PRODUKSI : etode FlowShop Genetic Algorithm Urutan Job Produksi Gambar 29 Data flow diagram level 2 Penentuan Urutan Job Produksi. Untuk mempermudah pengguna sistem mempelajari hasil pemrosesan, sistem juga akan memberikan output berupa diagram yang menunjukkan waktu penyelesaian untuk tiap-tiap job sesuai dengan urutan job yang sudah mendekati optimal berdasarkan running model yang memanfaatkan metode Genetic Algorithm. Hal-hal yang membedakan hasil rancang bangun S Intelijen PPIC Adaptif Industri Pangan dengan S PPIC lainnya adalah adanya model Pengendalian Gangguan yang dapat memberikan output aksi pengendalian gangguan berdasarkan input gangguan yang terjadi, hasil rekomendasi kebijakan lanjutan berdasarkan rekapitulasi nilai gangguan serta informasi toleransi persediaan berupa % persediaan pengaman Bahan Baku dan % persediaan pengaman Produk Jadi hasil perhitungan % persediaan pengaman yang juga sudah mempertimbangkan gangguan sistem produksi yang terjadi.

14 98

15 99 Hasil rancang bangun S Intelijen PPIC Adaptif Pada Industri Pangan tidak mencakup model operasional Travelling Salesman Problem, dikarenakan adanya keterbatasan sumber daya waktu yang tersedia. Apabila diinginkan, S Intelijen PPIC Adaptif Pada Industri Pangan ini dapat dilengkapi dengan model operasional Travelling Salesman Problem. Walaupun demikian, hasil rancang bangun S Intelijen PPIC Adaptif ini sudah dapat menunjukkan keefektifan fungsi PPIC dan fungsi Adaptif dari model-model yang sudah dioperasionalkan pada S terkait. Untuk memperjelas rancang bangun model S Intelijen PPIC Adaptif Industri Pangan, akan dibuat dekomposisi fungsi yang akan memperjelas fungsifungsi yang akan dijalankan sistem pada S. Berikut adalah gambar Dekomposisi Fungsi S Intelijen PPIC Adaptif Pemodelan Database Setelah dilakukan rancang bangun model keputusan pada S Intelijen PPIC Adaptif Industri Pangan, tahapan berikutnya adalah pemodelan database dengan mengembangkan Diagram Keterkaitan Entitas (Entity Relationship Diagram/ERD). Basis Data meliputi Data aster (Tabel Data) Produk, Bahan Baku, esin, Operator Produksi, Job, Proses, Batch Produksi, Supplier, Konsumen, Regular Order, Pemesanan Bahan Baku, Fixed Order, Gangguan serta Rekap Gangguan. Keterkaitan antar data dapat dilihat pada gambar berikut. Pada gambar terlihat hubungan antar tabel data dimana angka menunjukkan data tunggal dan menunjukkan banyak banyak. Sebagai contoh, Tabel Data Produk dan Tabel Data Bahan Baku memiliki hubungan (satu ) to (banyak) mempertimbangkan bahwa tiap produk memiliki komposisi lebih dari Bahan Baku.

16 00 PRODUK Kode Produk Urutan Proses Receipt Ukuran Batch Spesifikasi Stok Harga Jual Biaya Produksi Waktu Proses Kode Gangguan Nama Produk No RO No FO REGULER ORDER (RO) No RO Nama Produk Jumlah Due Date ID Konsumen SUPPLIER Kode Supplier Nama Supplier Alamat Supplier Telepon kantor Nama staf No HP staf supplier Kode Bahan Baku FIXED ORDER No FO Nama Produk Jumlah Due Date ID Konsumen OPERATOR LINI PRODUKSI ID Operator Kapasitas No Batch Shift BAHAN BAKU Kode Bahan Baku Supplier Lead time pemesanan Biaya Simpan Biaya Pesan Harga beli Stok Kode Produk Kode Gangguan Nama Bahan Baku PEESANAN BAHAN BAKU No Order Date Jumlah Nama Bahan Baku Supplier Kode Bahan Baku Kode Supplier BATCH PRODUKSI No Batch JOB No Job Nama Job Jumlah Urutan Proses Kode Produk Jumlah Due Date Waktu Start Waktu Finish Nama Lini Kasus Ketaksesuaian No Job Urutan Job ID Operator KONSUEN ID Konsumen ESIN Kode esin Waktu Proses Kapasitas Spesifikasi Kondisi No Job Nama Proses Kode Proses PROSES GANGGUAN Kode Gangguan Nama Gangguan Aksi Pengendalian Sumber Bahan Baku Terkait Produk Jadi Terkait Kode Bahan Baku Kode Produk Jadi REKAP GANGGUAN Kode Rekap Kode Proses Nama Proses Kode esin Waktu Proses No Job Kode Produk Tanggal Frekuensi Keparahan Dampak Nilai Gangguan Sumber Kode Gangguan Rekomendasi Kbjkn Nilai Loss % Persediaan Bahan Pengaman Baku Bahan Baku dan Produk Jadi Nilai Loss Produk Jadi Atribut Penilaian Rekap Atribut Perhitungan Penilaian %Persed Rekap_Loss Pengaman Kode Bahan Baku Kode Produk Nama Konsumen Alamat Konsumen Telp Konsumen Gambar 3 Diagram keterkaitan entitas S Intelijen PPIC Adaptif.

17 Perancangan Sistem Dialog Berikut ini akan ditunjukkan menu-menu sistem yang akan menjadi fasilitas dialog antara pengguna S Intelijen PPIC Adaptif dengan sistem. Pengguna S Intelijen PPIC Adaptif Pada Industri Pangan adalah bervariasi sesuai dengan struktur organisasi pada perusahaan terkait. Sesuai dengan fungsinya, pengguna sistem adalah adalah Kepala Divisi atau anajer Supply Chain anagement atau anajer Umum yang membawahi departemen PPIC, departemen Produksi, departemen Pembelian, departemen Gudang, departemen Penjualan dan Pemasaran juga departemen Distribusi. S Intelijen PPIC Adaptif ini dibutuhkan untuk membantu pihak manajemen untuk menjalankan fungsi PPIC sekaligus memberikan informasiinformasi yang mendukung keefektifan fungsi PPIC yakni fungsi Prakiraan Permintaan (Demand anagement) berdasarkan metode Artificial Neural Network (ANN), fungsi Penentuan Jadwal Induk Produksi (aster Production Scheduling/PS) berdasarkan metode Fuzzy ulti Objective Linier Programming, fungsi Perencanaan Persediaan Bahan Baku berdasarkan metode aterial Requirement Planning (RP), fungsi Pengendalian Persediaan Bahan Baku berdasarkan pendekatan Continuous Review System dengan permintaan yang tidak pasti menggunakan nilai safety stock (pada disertasi ini akan disebut % persediaan pengaman), fungsi Penentuan Urutan Job Produksi Flowshop berdasarkan Algoritma Genetika (Genetic Algorithm) dan khususnya, yang menjadi kebaruan pada disertasi ini adalah fungsi Pengendalian Gangguan yang berkolaborasi dengan fungsi PPIC untuk meningkatkan fungsi PPIC menjadi PPIC Adaptif. Output perhitungan toleransi % persediaan pengaman Bahan Baku (% persediaan pengaman R) akan menjadi input pada model RP, sedangkan perhitungan toleransi % persediaan pengaman Produk Jadi (% persediaan pengaman FG) akan menjadi input pada model PS. Untuk memudahkan pengguna dalam menjalankan S, dirancang menu dialog sesuai dengan model-model yang tersedia. Rancangan S ini dibuat

18 02 dengan basis data yang tersimpan pada format icrosoft Excell dengan sofware aplikasi berdasarkan program Visual Basic dan program athlab. Untuk membuka enu Utama, tampilan dijalankan dalam program athlab versi 200b karena integrasi S akan dijalankan dengan program ini walaupun sebenarnya Program aplikasi athlab tidak memiliki banyak variasi perancangan tampilan. enu utama berisi nama sistem, yaitu S Intelijen PPIC Adaptif Pada Industri Pangan (S IPRADIPA), dimana pada bagian atas enu Utama akan ditunjukkan nama-nama model yang disediakan pada S ini yang akan menjadi Sub enu pada S. Sub enu yang tersedia adalah : a. Sub enu Demand anagement untuk model Prakiraan Permintaan b. Sub enu PS untuk model Penjadwalan Induk Produksi c. Sub enu RP untuk model Perencanaan Persediaan Bahan baku dan model Pengendalian Persediaan Bahan Baku d. Sub enu Genetic Algorithm untuk model Penentuan Urutan Job e. Sub enu Gangguan untuk model Pengendalian Gangguan Sub enu Demand anagement, Genetic Algorithm dan Gangguan akan dijalankan dengan menggunakan program athlab untuk menyimpan basis data dan menjalankan aplikasi sedangkan sub menu PS dan RP akan menggunakan icrosoft Excel untuk menyimpan data dan memanfaatkan Excel Solver untuk proses perhitungan dan optimasi dan menggunakan software Visual Basic perancangan aplikasi data. Sub menu PS dan RP ini akan diintegrasikan dengan sub menu yang lain dibawah menu aplikasi athlab. Hasil rancang bangun menu dialog S IPRADIPA akan ditampilkan hasilnya pada bahasan Implementasi.