chapter iii vii
Post on 12-Aug-2015
120 Views
Preview:
TRANSCRIPT
BAB III
TINJAUAN PUSTAKA
3.1. Persediaan2
Perusahaan yang melakukan kegiatan produksi (industri manufaktur) akan
memiliki tiga jenis persediaan, yaitu persediaan bahan baku dan penolong,
persediaan bahan setengah jadi dan persediaan barang jadi. Sedangkan perusahaan
perdagangan minimal memiliki satu jenis persediaan, yaitu persediaan barang
dagangan. Adanya berbagai macam persediaan ini menuntut pengusaha untuk
melakukan tindakan yang berbeda untuk masing-masing persediaan, dan ini akan
sangat terkait dengan permasalahan lain seperti masalah peramalan kebutuhan
bahan baku serta peramalan penjualan atau permintaan konsumen. Bila
melakukan kesalahan dalam menetapkan besarnya persediaan maka akan
merembet ke masalah lain, misalnya tidak terpenuhinya permintaan konsumen
Persediaan dapat diartikan sebagai barang-barang yang disimpan untuk
digunakan atau dijual pada masa atau periode yang akan datang. Persediaan terdiri
dari persediaan bahan baku, persediaan bahan setengah jadi dan persediaan barang
jadi. Persediaan bahan baku dan bahan setengah jadi disimpan sebelum digunakan
atau dimasukkan ke dalam proses produksi, sedangkan persediaan barang jadi
atau barang dagangan disimpan sebelum dijual atau dipasarkan. Dengan
demikian, setiap perusahaan yang melakukan kegiatan usaha umumnya memiliki
persediaan.
2 Ristono, Agus. 2009. Manajemen Persediaan. Graha Ilmu : Yogyakarta. Hal : 1-3.
atau bahkan berlebihnya persediaan sehingga tidak semuanya terjual, timbulnya
biaya ekstra penyimpanan atau pesanan bahan dan sebagainya.
Persediaan merupakan suatu model yang umum digunakan untuk
menyelesaikan masalah yang terkait dengan usaha pengendalian bahan baku
maupun barang jadi dalam suatu aktivitas perusahaan. Ciri khas dari model
persediaan adalah solusi optimalnya difokuskan untuk menjamin persediaan
dengan biaya yang serendah-rendahnya.
lnventory adalah suatu teknik untuk manajemen material yang berkaitan
dengan persediaan. Manajemen material dalam inventory dilakukan dengan
beberapa input yang digunakan yaitu permintaan yang terjadi (demand) dan biaya-
biaya yang terkait dengan penyimpanan, serta biaya apabila terjadi kekurangan
persediaan (shortage).
Secara teknis, inventory adalah suatu teknik yang berkaitan dengan
penetapan terhadap besarnya persediaan bahan yang harus diadakan untuk
menjamin kelancaran dalam kegiatan operasi produksi, serta menetapkan jadwal
pengadaan dan jumlah pemesanan barang yang seharusnya dilakukan oleh
perusahaan. Penetapan jadwal dan jumlah pemesanan yang harus dipesan
merupakan pernyataan dasar yang harus terjawab dalam pengendalian persediaan.
Pengendalian pengadaan persediaan perlu diperhatikan karena berkaitan
langsung dengan biaya yang harus ditanggung perusahaan sebagai akibat adanya
persediaan. Oleh sebab itu, persediaan yang ada harus seimbang dengan
kebutuhan, karena persediaan yang terlalu banyak akan mengakibatkan
perusahaan menanggung risiko kerusakan dan biaya penyimpanan yang tinggi di
samping biaya investasi yang besar. Tetapi, jika terjadi kekurangan persediaan
akan berakibat terganggunya kelancaran dalam proses produksinya. Oleh
karenanya, diharapkan terjadi keseimbangan dalam pengadaan persediaan
sehingga biaya dapat ditekan seminimal mungkin dan dapat memperlancar
jalannya proses produksi.
Beberapa pengertian persediaan menurut para ahli adalah sebagai berikut:
1. Suatu kegiatan untuk menentukan tingkat dan komposisi dari part atau bagian,
bahan baku dan barang hasil produksi, sehingga perusahaan dapat melindungi
kelancaran produksi dan penjualan serta kebutuhan pembelanjaan perusahaan
dengan efektif dan efisien.
2. Serangkaian kebijakan dengan sistem pengendalian yang memonitor tingkat
persediaan yang harus dijaga kapan persediaan harus diisi dan berapa pesanan
yang harus dilakukan.
Berdasarkan pada kedua pengertian di atas, maka dapat diambil
kesimpulan bahwa pengertian pengendalian merupakan suatu usaha memonitor
dan menentukan tingkat komposisi bahan yang optimal dalam menunjang
kelancaran dan efektivitas serta efisiensi dalam kegiatan perusahaan.
3.2. Faktor Biaya Persediaan3
Dikarenakan persediaan merupakan salah satu faktor yang menentukan
kelancaran produksi dan penjualan, maka persediaan harus dikelola secara tepat.
Dalam hal ini, perusahaan harus dapat menentukan jumlah persediaan optimal,
3Ibid. Hal : 3-4.
sehingga di satu sisi kontinuitas produksi dapat terjaga dan pada sisi lain
perusahaan dapat memperolah keuntungan, karena perusahaan dapat memenuhi
setiap permintaan yang datang. Karena persediaan yang kurang akan sama tidak
baiknya dengan persediaan yang berlebihan, sebab kondisi keduanya memiliki
beban dan akibat masing-masing.
Bila persediaan kurang, maka perusahaan tidak akan dapat memenuhi
semua permintaan sehingga akibatnya pelanggan akan kecewa dan beralih ke
perusahaan lainnya. Sebaliknya, bila persediaan berlebih, ada beberapa beban
yang harus ditanggung, yaitu:
1. Biaya penyimpanan di gudang, semakin banyak barang yang disimpan maka
akan semakin besar biaya penyimpanannya.
2. Risiko kerusakan barang, semakin lama barang tersimpan di gudang maka
risiko kerusakan barang semakin tinggi.
3. Risiko keusangan barang, barang-barang yang tersimpan lama akan out of
date atau ketinggalan zaman.
3.3. Tujuan Pengelolaan Persediaan4
Suatu pengendalian persediaan yang dijalankan oleh suatu perusahaan
sudah tentu memiliki tujuan-tujuan tertentu. Pengendalian persediaan yang
dijalankan adalah untuk menjaga tingkat persediaan pada tingkat yang optimal
sehingga diperoleh penghematan-penghematan untuk persediaan tersebut. Hal
inilah yang dianggap penting untuk dilakukan perhitungan persediaan sehingga
4 J. Bowersox, Donald. 2002. Manajemen Logistik. PT. Bumi Aksara : Jakarta. Hal : 32-34.
dapat menunjukkan tingkat persediaan yang sesuai dengan kebutuhan dan dapat
menjaga kontinuitas produksi dengan pengorbanan atau pengeluaran biaya yang
ekonomis.
Dengan demikian, yang dimaksud dengan pengelolaan persediaan adalah
kegiatan dalam memperkirakan jumlah persediaan (bahan baku/penolong) yang
tepat, dengan jumlah yang tidak terlalu besar dan tidak pula kurang atau sedikit
dibandingkan dengan kebutuhan atau permintaan. Dari pengertian tersebut, maka
tujuan pengelolaan persediaan adalah sebagai berikut:
1. Untuk dapat memenuhi kebutuhan atau permintaan konsumen dengan cepat
(memuaskan konsumen).
2. Untuk menjaga kontinuitas produksi atau menjaga agar perusahaan tidak
mengalami kehabisan persediaan yang mengakibatkan terhentinya proses
produksi, hal ini dikarenakan alasan:
a. Kemungkinan barang (bahan baku dan penolong) menjadi langka sehingga
sulit untuk diperoleh.
b. Kemungkinan supplier terlambat mengirimkan barang yang dipesan.
3. Untuk mempertahankan dan bila mungkin meningkatkan penjualan dan laba
perusahaan.
4. Menjaga agar pembelian secara kecil-kecilan dapat dihindari, karena dapat
mengakibatkan ongkos pesan menjadi besar.
5. Menjaga supaya penyimpanan dalam emplacement tidak besar-besaran, karena
akan mengakibatkan biaya menjadi besar.
Dari beberapa tujuan pengendalian di atas maka dapat disimpulkan bahwa
tujuan pengendalian persediaan adalah untuk menjamin terdapatnya persediaan
sesuai kebutuhan. Ada dua macam kelompok bahan baku, yaitu:
1. Bahan baku langsung (direct material), yaitu bahan yang membentuk dan
merupakan bagian dari barang jadi yang biayanya dengan mudah bisa
ditelusuri dari biaya barang jadi tersebut. Jumlah bahan baku langsung bersifat
variabel, artinya sangat tergantung atau dipengaruhi oleh besar kecilnya
volume produksi atau perubahan output.
2. Bahan baku tak langsung (indirect material), yaitu bahan baku yang dipakai
dalam proses produksi, tetapi sulit menelusuri biayanya pada setiap barang
jadi.
3.4. Sistem Persediaan5
1. Sistem pemesanan ukuran tetap (fixed order size inventory system) atau sering
disebut dengan “Q system”.
Masalah persediaan merupakan hal yang penting dalam logistik. Karena
persediaan sendiri menunjukkan kemampuan perusahaan dalam memenuhi
permintaan.
Secara umum, ada dua macam sistem persediaan yang biasa dipakai yang
satu sama lain bervariasi yaitu :
2. Sistem pemesanan interval tetap (fixed order interval inventory system) atau
sering disebut “P system”.
5 Pujawan, I Nyoman. 2002. Manajemen Logistik. PT. Bumi Aksara : Jakarta. Hal : 105-110.
Adapun ciri-ciri dari Q system adalah sebagai berikut :
1. Jumlah bahan yang dipesan selalu sama untuk setiap kali pemesanan yaitu
sebesar lot ekonomis.
2. Selang waktu pemesanan tidak tetap, bervariasi sesuai fluktuasi pemakaian
bahan.
3. Pemesanan dilakukan kembali apabila jumlah persediaan telah mencapai titik
pemesanan kembali (reorder point).
4. Titik pemesanan kembali besarnya sama dengan perkiraan pemakaian selama
lead time ditambah dengan safety stock.
Adapun ciri ciri “P system” adalah sebagai berikut :
1. Jumlah bahan yang dipesan tidak tetap, tetapi tergantung pada jumlah
persediaan yang ada di gudang pada saat pemesanan dilakukan.
2. Selang waktu persediaan adalah tetap untuk setiap kali pemesanan dilakukan.
3. Model P tidak mempunyai titik pemesanan kembali, tetapi lebih menekankan
pada target persediaan.
4. Model P tidak mempunyai nilai EOQ karena jumlah pemesanan akan
bervariasi tergantung permintaan yang sesuai dengan target persediaan.
Adapun gambar dari Q system dan P system dapat dilihat pada Gambar
3.1. dan Gambar 3.2.
Gambar 3.1. Q System
Gambar 3.2. P System
Titik pemesanan kembali (reorder point) dapat dilihat pada Gambar 3.3.
Gambar 3.3. Titik Pemesanan Kembali (Reorder Point)
Dari Gambar 3.3. terlihat bahwa dalam satu siklus Persediaan Y, saat
memesan adalah t1 yaitu saat jumlah persediaan sudah mencapai titik R (Reorder
Point). Lead Time (L) adalah selang waktu antara pesanan dibuat dan pesanan
datang. Maka, selama t1-t2, proses menggunakan persediaan gudang selama L.
ΔR/Δt adalah tingkat penggunaan persediaan sejak pesanan dibuat. Artinya,
selama itu pula titik kritis dimulai, karena penyimpangan atau perubahan ΔR/Δt
akan menyebabkan persediaan tidak tepat habis di t2 padahal persediaan yang
sudah dipesan saat t1 akan datang tepat di t2
Masalah pokok pengendalian inventory dengan menggunakan metode Q
adalah penentuan jumlah pemesanan optimal dengan biaya minimum dan masalah
titik pemesanan kembali atau reorder point (ROP). Penentuan titik pemesanan
kembali mencakup penentuan persediaan pengaman (safety stock) dan kebutuhan
selama lead time. Keadaan yang dihadapi adalah permintaan terhadap suatu item
bersifat kontinu dengan tingkat yang seragam dengan lead time (tenggang waktu)
tetap, perhitungan EOQ (Economic Order Quantity) biasa tidak dapat
menyelesaikan masalah tersebut sehingga dibutuhkan perhitungan metode Q
sesuai kondisi tersebut. Mencari harga Q optimal (Q*), yaitu:
.
HD2C
Q* o=
Keterangan:
Q* = Jumlah pemesanan optimum
C0
D = Jumlah permintaan tiap periode
= Ongkos pemesanan (Rp/pemesanan)
H = Ongkos simpan (Rp)
Jika model EOQ yang diterapkan, maka faktor penting adalah lead time.
Lead time adalah jarak waktu antara saat melakukan order hingga order datang.
Adanya lead time membuat kita harus menentukan waktu pemesanan. Pada model
EOQ, lead time diketahui dengan pasti. Namun pada kenyataannya, baik
permintaan maupun lead time sama-sama tidak pasti. Oleh karena itu, waktu
pemesanan suatu barang harus mempertimbangkan ketidakpastian dari dua aspek
tersebut. Maka, pada situasi dimana ada ketidakpastian pada sisi pasokan maupun
permintaan, reorder point dapat dihitung dengan menggunakan rumus berikut:
ROP = d x l + SS
Keterangan:
d = rata-rata permintaan
l = lead time
SS = safety stock
3.5. Safety Stock6
Penentuan safety stock dipengaruhi oleh beberapa hal tergantung pada
tujuannya yaitu untuk mencapai service level tertentu, berdasarkan distribusi
permintaan seperti distribusi normal, distribusi empiris, dan permintaan yang
Ketidakpastian jumlah dan waktu permintaan, lead time, dan jumlah serta
penyelesaian produksi merupakan problem yang sering terjadi. Ketidakpastian ini
dapat menyebabkan kehabisan persediaan atau sebaliknya jumlah persediaan yang
terlalu banyak. Resiko kehabisan persediaan antara lain disebabkan oleh beberapa
hal yaitu permintaan yang lebih besar, lead time bertambah serta permintaan
terlalu tinggi. Untuk mengantisipasi ketidakpastian tersebut, khususnya dalam
permintaan dan lead time, maka disediakan suatu jumlah tertentu (safety stock =
SS) yang akan mengurangi resiko kehabisan persediaan.
6 Baroto, Teguh. 2002. Perencanaan dan Pengendalian Produksi. Ghalia Indonesia : Jakarta.
Hal : 84.
tidak pasti. Pada kesempatan ini, penentuan safety stock dibatasi pada service
level dan permintaan yang berdistribusi normal.
Tujuan penentuan safety stock dengan service level tertentu adalah
mengurangi resiko kekurangan persediaan tersebut menjadi hanya 5% atau 10%
saja (umumnya). Bila diinginkan resiko terjadi kekurangan persediaan adalah 5%,
maka tingkat keyakinan tidak terjadi kekurangan persediaan adalah sebesar 95%
(yaitu didapat dari 100% - 5%).
Permintaan berdistribusi normal adalah bila permintaan berpola pada
kurva normal dalam bidang ilmu statistika. Pareto adalah seorang peneliti
mengenai persediaan menemukan fakta bahwa penggunaan suatu item tertentu
kadang kala dalam jumlah sedikit, kadang kala dalam jumlah besar dan kadang
kala dalam jumlah yang sangat besar. Bila dibuat grafik peluangnya, dimana garis
mendatar menunjukkan jumlah penggunaan dan grafik vertikal menunjukkan
peluang, maka akan didapatkan kurva berbentuk lonceng. Pola data seperti inilah
yang dimaksud dengan distribusi (pola) normal.
Bila permintaan berdistribusi normal, parameter yang digunakan untuk
menentukan safety stock adalah rata-rata (μ) dan standar deviasi (σ ). Misalnya,
suatu perusahaan mempunyai item persediaan yang permintaannya berdistribusi
normal selama periode pemesanan ulang. Rata-rata permintaan selama periode
pemesanan ulang sebesar 300 unit dengan standar deviasi 20 unit. Manajemen
ingin menjaga agar kemungkinan terjadinya stock out hanya 5% (dengan kata lain,
tingkat pelayanan sebesar 95% dari permintaan). Besarnya persediaan pengaman
dapat dicari sebagai berikut:
μ : rata-rata permintaan = 300 unit
σ : standar deviasi = 20 unit
X : rata-rata permintaan + persediaan pengaman
SS : persediaan pengaman = X- μ
σSS
σμXZ =
−= atau SS = Z.σ
Tingkat pelayanan (service level) 95% menentukan besarnya nilai Z.
Dengan menggunakan tabel distribusi normal, nilai Z pada daerah di bawah
kurva normal 95% (1-0,05) dapat diperoleh, yaitu 1,65.
Maka SS = 1,65 (20) = 33 unit.
3.6. Perencanaan Produksi7
1. Menjalin rencana penjualan dan rencana produksi konsisten terhadap rencana
strategis perusahaan.
Perencanaan produksi adalah pernyataan rencana produksi ke dalam
bentuk agregat. Perencanaan produksi ini merupakan alat komunikasi antara
manajemen teras (top management) dan manufaktur. Di samping itu juga,
perencanaan produksi merupakan pegangan untuk merancang Jadwal Induk
Produksi (JIP). Beberapa fungsi lain dari perencanaan produksi adalah:
2. Sebagai alat ukur performansi proses perencanaan produksi.
3. Menjamin kemampuan produksi konsisten terhadap rencana produksi.
7 Ginting, Rosnani. 2007. Sistem Produksi. Graha Ilmu : Yogyakarta. Hal : 69-70.
4. Memonitor hasil produksi aktual terhadap rencana produksi dan membuat
penyesuaian.
5. Mengatur persediaan produk jadi untuk mencapai target produksi dan rencana
strategis.
6. Mengarahkan penyusunan dan pelaksanaan Jadwal Induk Produksi (JIP).
Sedangkan tujuan perencanaan produksi adalah:
1. Sebagai langkah awal untuk menentukan aktivitas produksi yaitu sebagai
referensi perencanaan lebih rinci dari rencana agregat menjadi item dalam
jadwal induk produksi.
2. Sebagai masukan sumber daya sehingga perencanaan sumber daya dapat
dikembangkan untuk mendukung perencanaan produksi.
3. Meredam (stabilisasi) produksi dan tenaga kerja terhadap fluktuasi
permintaan.
3.7. Fungsi Perencanaan dan Pengendalian8
8 Sinulingga, Sukaria. 2009. Perencanaan dan Pengendalian Produksi. Graha Ilmu : Yogyakarta.
Hal : 81.
Perencanaan dan pengendalian adalah dua fungsi manajemen yang tidak
dapat dipisahkan dalam setiap bidang kegiatan termasuk kegiatan produksi.
Perencanaan adalah langkah pertama dalam proses manajemen yang meliputi
penetapan tujuan dan sasaran yang ingin dicapai dan keputusan tentang
bagaimana cara untuk mencapai tujuan dan sasaran tersebut. Hubungan
perencanaan dan pengendalian dapat dilihat pada Gambar 3.4.
Perencanaan
Pengendalian
EksekusiHasil
Gambar 3.4. Hubungan Perencanaan dan Pengendalian dalam
Sistem Produksi
3.8. Karakteristik Perencanaan Produksi9
Perencanaan produksi mempunyai waktu perencanaan yang cukup
panjang, biasanya 5 tahun. Rencana ini digunakan untuk perencanaan sumber
daya seperti : ekspansi dan pembelian mesin. Proses peramalan telah memberikan
Agar manajemen dapat memfokuskan seluruh tingkat produksi tanpa harus
rinci, maka perencanaan produksi dinyatakan dalam kelompok produk atau famili
(agregat). Satuan unit yang dipakai dalam perencanaan produksi bervariasi dari
satu pabrik ke pabrik lain. Hal ini bergantung dari jenis produk seperti : ton, liter,
kubik, jam mesin atau jam orang. Jika satuan menit sudah ditetapkan maka faktor
konversi harus ditetapkan sebagai alat komunikasi dengan departemen lainnya
seperti departemen pemasaran dan akuntansi. Satuan unit di atas harus
dikonversikan dalam bentuk satuan rupiah. Di samping menjaga konversi
diperlukan untuk menterjemahkan perencanaan produksi ke jadwal induk
produksi.
9 Ginting, Rosnani. 2007. Sistem Produksi. Graha Ilmu : Yogyakarta. Hal :70-71.
informasi mengenai besarnya permintaan akan produk yang direncanakan.
Langkah selanjutnya adalah membuat rencana produksinya itu sendiri. Dalam hal
ini, tidak semua permintaan dari hasil peramalan mungkin bisa diproduksi karena
kapasitas produksi yang dimiliki tidak mencukupi. Pada dasarnya, perencanaan
produksi adalah upaya menjabarkan hasil peramalan menjadi rencana produksi
yang layak dilakukan dalam bentuk jadwal rencana produksi.
3.9. Definisi Simulasi10
Imitasi suatu keberadaan nyata pada prinsipnya tidak bersifat total
menyeluruh melainkan terbatas untuk satu atau beberapa hal tertentu. Sebagai
contoh, imitasi suatu perhiasan terbatas hanya untuk meniru warna dan kemilau
Simulasi dapat didefinisikan sebagai pengimitasian proses dan kejadian
nyata. Imitasi dalam rangka penelitian, penyelidikan ataupun pengujian bersifat
terbatas dan terfokus pada suatu aktivitas atau operasi tertentu dengan maksud
untuk mengetahui karakteristik, keadaan dan hal-hal lainnya yang berkaitan
dengan kehadiran dan keberadaan dari aktivitas dan peristiwa dalam bentuk nyata.
Imitasi pada simulasi tidak menghasilkan sistem atau objek yang sama dan
tidak bertujuan untuk menggandakan sistem atau objek. Imitasi pada simulasi
bertujuan untuk menghadirkan sistem nyata dalam bentuk maya melalui
penggunaan tiruan dari komponen-komponen dan strukturnya.
10 Napitupulu, Humala L. 2009. Simulasi Sistem Pemodelan dan Analisis. USU Press : Medan.
Hal :1.
dari logam emas, tidak termasuk bentuk, bahan dan komposisi dari perhiasan asli
yang terbuat dari emas.
3.10. Tujuan Imitasi pada Simulasi11
Tujuan imitasi sistem nyata dengan menghadirkan elemen dan komponen
tiruan adalah untuk peniruan fungsi dan hubungan nyata serta interaksi antar
objek dan komponen nyata pada sistem tiruan. Komponen-komponen sistem
tiruan hadir dalam bentuk fungsi dan interaksi imitasi yang disajikan dalam
bentuk rangkaian proses dalam aktivitas dan operasi sistem yang disimulasi.
Operasi tiruan yang berlangsung dengan penggunaan data input tiruan diperlukan
Menurut pendefinisian pada berbagai kamus, kata simulasi diartikan
sebagai cara mereproduksi kondisi dari suatu keberadaan dengan menggunakan
model dalam rangka studi pengenalan atau pengujian atau pelatihan dan yang
sejenis lainnya. Simulasi dalam bentuk pengolahan data merupakan imitasi dari
proses dan input nyata yang menghasilkan data output sebagai gambaran
karakteristik operasional dan keadaan pada sistem.
Imitasi dalam simulasi menghasilkan model representasi dari suatu proses
atau operasi dan keadaan nyata. Model sebagai imitasi disusun dalam bentuk yang
sesuai menyajikan sistem nyata atas hal-hal tertentu yang perlu direpresentasikan
dengan maksud untuk menghadirkan tiruan dari kegiatan dan sistem nyata.
Sebagai contoh, model sistem antrian sebagai imitasi dari sistem pelayanan
disusun untuk menggambarkan posisi dari pelanggan di depan stasiun pelayanan.
11 Ibid. Hal :2.
untuk menghasilkan output sebagai gambaran dari hasil operasi dan keadaan pada
sistem yang disimulasi.
3.11. Prinsip Dasar Simulasi12
12 Ibid. Hal : 8.
Pada sistem nyata dalam dunia nyata, setiap komponen sistem hadir
dengan bentuk hubungan dan interaksi antar komponen yang tidak berubah-ubah
dalam aktivitas sistem yang berlangsung berkesinambungan dari waktu ke waktu.
Berdasarkan hubungan dan interaksi yang beraturan serta fungsi komponen yang
tidak berubah-ubah dalam aktivitas sistem yang sama, kehadiran suatu komponen
dalam aktivitas sistem adalah khas dengan karakteristik tertentu. Sebagai contoh,
fungsi mobil bus pada suatu sistem transportasi adalah khas sebagai sarana
pengangkutan penumpang dari satu kota ke kota lainnya.
Dengan bentuk kehadiran dan fungsi komponen yang tidak berubah-ubah
dalam aktivitas yang serupa, imitasi komponen atas suatu fungsi tertentu layak
dilakukan pada pengoperasian sistem tiruan tanpa perubahan ataupun
penyimpangan. Sebagai contoh, imitasi suatu sistem sebagai satu komponen
dalam sistem produksi dapat dihadirkan dengan fungsi yang tidak berubah-ubah
sebagai sarana produksi dengan batas kapasitas tertentu. Mesin dimaksud adalah
tetap sebagai komponen sarana produksi dengan kapasitas efektif yang diprediksi
pada pengoperasian sistem. Kapasitas mesin atas fungsi yang sama dapat berubah,
tetapi fungsi mesin adalah tetap dan tidak berubah sebagai sarana produksi.
Kehadiran komponen-komponen sistem dengan fungsi yang berubah-ubah
merupakan dasar dari simulasi sistem dengan pengoperasian sistem tiruan.
Pengoperasian sistem tiruan dapat berlangsung melalui imitasi fungsi komponen
nyata dalam bentuk nilai dan persamaan pada proses pengolahan data input tiruan
sesuai dengan bentuk hubungan input-output dalam operasi nyata.
Perumusan proses dan fungsi yang tidak berubah-ubah dalam aktivitas
sistem merupakan dasar penyusunan model simbolik dan prosedur pengoperasian
sistem tiruan. Penggunaan model-model simbolik untuk berbagai proses ataupun
fungsi pada pengoperasian sistem tiruan dalam simulasi berlaku valid selama
bentuk sistem dan susunan komponen serta bentuk dari hubungan dan interaksi
dalam aktivitas sistem tidak mengalami perubahan.
3.12. Langkah-langkah Simulasi13
1. Formulasi Masalah
Adapun langkah-langkah dalam melakukan simulasi adalah sebagai
berikut:
Pendefinisian masalah yang akan dipelajari meliputi pernyataan pemecahan
masalah.
2. Membangun Model
Abstraksi dari sistem ke dalam hubungan matematis yang logis sesuai dengan
formulasi masalah.
13 Pritsker, A. Alan B. 1986. Introduction to Simulation and Slam II. West Lafayette : Indiana. Hal
10-11.
3. Akuisisi Data
Identifikasi, spesifikasi, dan pengumpulan data.
4. Menerjemahkan Model
Persiapan model untuk pemrosesan dengan komputer.
5. Verifikasi
Proses pembuktian bahwa program komputer berjalan sesuai dengan maksud
yang diharapkan.
6. Validasi
Proses pembuktian bahwa ada keakuratan yang diinginkan atau hubungan
antara model simulasi dan sistem nyata.
7. Perencanaan Taktis dan Strategis
Proses penentuan kondisi eksperimen yang akan digunakan pada model.
8. Eksperimen
Eksekusi model simulasi dengan kondisi eksperimen yang telah ditentukan
untuk memperoleh nilai output.
9. Analisis Hasil
Proses analisis hasil simulasi untuk menarik kesimpulan dan membuat
rekomendasi untuk pemecahan masalah.
10. Implementasi dan Dokumentasi
Proses mengimplementasikan hasil keputusan simulasi dan
mendokumentasikan model dan kegunaannya.
3.13. Sistem Umpan Balik (Feedback System)14
1. Masalah yang akan dimodelkan mempunyai sifat dinamis, yakni menyangkut
kuantitas yang berubah menurut waktu sehingga dapat direpresentasikan
dalam grafik kuantitas terhadap waktu.
Permasalahan yang dimodelkan dengan pendekatan sistem dinamis
sebaiknya mengandung dua karakteristik yaitu:
2. Adanya sistem umpan balik (feedback system).
Lingkaran umpan balik merupakan suatu lingkaran tertutup dimana
sederetan keputusan dihubungkan untuk menentukan tindakan, keadaan (level)
sistem serta informasi mengenai keadaan sistem. Informasi tersebut kemudian
akan kembali kepada keputusan.
Hal-hal yang mempengaruhi keputusan bukanlah keadaan (level) saja,
melainkan juga informasi tentang keadaan yang mungkin berbeda dari keadaan
sebenarnya akibat kesalahan atau keterlambatan (delay) yang terjadi dalam
lintasan. Diagram lingkar umpan balik dapat dilihat pada Gambar 3.5.
Keadaan (Level)
Keputusan
Informasi Keadaan Sistem (Level)
Gambar 3.5. Diagram Lingkar Umpan Balik
14 Utami, Rahayu. 2006. Simulasi Dinamis Sistem Ketersediaan Ubi Kayu (Studi Kasus di
Kabupaten Bogor). IPB : Bogor. Hal : 29-31.
Lingkar umpan balik dibedakan menjadi dua yaitu positif dan negatif.
Lingkar umpan balik positif menghasilkan proses pertumbuhan yang
menghasilkan kegiatan yang selalu meningkat, hal ini akan merupakan gangguan
terhadap sistem yang dicirikan sebagai ketidakstabilan, ketidakseimbangan, makin
memperkuat pertumbuhan. Lingkar umpan balik positif jika jumlah tanda (-)
dalam loop genap. Tanda (-) ini dibentuk dari hubungan antara dua parameter.
Hubungan positif jika :
1. Parameter A menambah terhadap parameter B.
2. Atau, jika parameter A berubah maka parameter B berubah searah.
Lingkar umpan balik negatif jika jumlah tanda (-) dalam loop ganjil.
Hubungan negatif jika :
1. Parameter A sifatnya mengurangi terhadap parameter B.
2. Atau, jika parameter A berubah maka parameter B berubah berlawanan arah.
Lingkar umpan balik hubungan positif dan hubungan negatif dapat dilihat
pada Gambar 3.6.
Gambar 3.6. Lingkar Umpan Balik Positif dan Negatif
Lingkar umpan balik tersebut terdiri atas lingkar umpan balik positif yaitu
hubungan antara kelahiran dengan penduduk, dimana semakin banyak kelahiran
bayi semakin bertambah jumlah penduduk, di lain pihak semakin banyak jumlah
penduduk, semakin banyak jumlah kelahiran bayi. Sebaliknya, lingkar umpan
balik negatif yaitu hubungan antara kematian dengan penduduk, dimana semakin
banyak kematian bayi semakin berkurang jumlah penduduk, di lain pihak semakin
banyak jumlah penduduk, semakin banyak jumlah kematian bayi.
3.14. Powersim15
Membuka Powersim dapat dilakukan dengan cara
Powersim adalah salah satu software untuk simulasi model sistem dinamis.
Jadi, Powersim hanyalah merupakan alat (tool) untuk mempermudah simulasi
model sistem dinamis. Perlu ditegaskan di sini bahwa menggunakan software
Powersim tidak berarti dengan sendirinya menggunakan metodologi sistem
dinamis. Sistem dinamis dapat disimulasikan dengan berbagai jenis software,
termasuk dengan software spreadsheet, misalnya Excel.
Software-software yang didisain untuk membuat simulasi model sistem
dinamis, sampai saat ini tersedia di pasar adalah : Dynamo, Vensim, Stella, I-think,
Powersim. Masing-masing software ini mempunyai versi yang beragam, sesuai
dengan perkembangannya. Software yang akan dipakai untuk pengenalan simulasi
sekarang ini adalah Powersim Constructor.
16
1. Dari start menu. Klik start → geser cursor ke Programs → geser cursor ke
Powersim → klik Constructor dengan ikon yang dapat dilihat pada Gambar
3.7.
:
15 Avianto, Teten W. 2006. Tutorial Powersim. Lablink. Hal : 3-4. 16 Ibid. Hal : 15-17.
Gambar 3.7. Ikon Powersim Constructor
2. Dari desktop komputer. Klik 2 kali ikon pada Gambar 3.7.
3. Kemudian akan muncul di layar seperti terlihat pada Gambar 3.8.
Gambar 3.8. Tampilan Powersim Constructor
Adapun keterangan tampilan Powersim Constructor dapat dilihat pada
Gambar 3.9.
Gambar 3.9. Keterangan Tampilan Powersim Constructor
Beberapa tools dalam Powersim Constructor dapat dilihat pada Gambar
3.10.
Gambar 3.10. Beberapa Tools dalam Powersim Constructor
3.15. Komponen Powersim17
17 Utami, Rahayu. 2006. Simulasi Dinamis Sistem Ketersediaan Ubi Kayu (Studi Kasus di
Kabupaten Bogor). IPB : Bogor. Hal : 31-33.
Dalam simulasi menggunakan powersim terdapat besaran-besaran pokok
yang terdiri atas variabel-variabel. Variabel dalam powersim yang digunakan
adalah variabel level, variabel rate, variabel auxiliary, dan variabel constant.
a. Level
Level merupakan variabel yang menyatakan akumulasi dari sejumlah benda
(nouns) seperti orang, uang, inventori, dan lain-lain terhadap waktu. Level
dipengaruhi oleh variabel rate dan dinyatakan dengan simbol persegi panjang.
Pada bagian bawah simbol variabel level menunjukkan nama variabel level
tersebut. Adapun simbol variabel level dapat dilihat pada Gambar 3.11.
Gambar 3.11. Simbol Variabel Level
b. Rate
Rate merupakan suatu aktivitas, pergerakan (movement), atau aliran yang
berkontribusi terhadap perubahan per satuan waktu dalam suatu variabel level.
Rate merupakan satu-satunya variabel yang mempengaruhi variabel level.
Dalam Powersim simbol rate dinyatakan dengan kombinasi antara flow dan
auxiliary. Simbol ini harus terhubung dengan sebuah variabel level. Adapun
simbol variabel rate dapat dilihat pada Gambar 3.12.
Gambar 3.12. Simbol Variabel Rate
c. Auxiliary
Auxiliary merupakan variabel tambahan untuk menyederhanakan hubungan
informasi antara level dan rate. Seperti variabel level, variabel auxiliary juga
dapat digunakan untuk menyatakan sejumlah benda (nouns). Simbol auxiliary
dinyatakan dengan sebuah lingkaran. Adapun simbol variabel auxiliary dapat
dilihat pada Gambar 3.13.
Gambar 3.13. Simbol Variabel Auxiliary
d. Constant
Constant merupakan input bagi persamaan rate baik secara langsung maupun
melalui auxiliary. Constant menyatakan nilai parameter dari sistem nyata.
Simbol constant dinyatakan dengan segi empat. Adapun simbol variabel
constant dapat dilihat pada Gambar 3.14.
Gambar 3.14. Simbol Variabel Constant
Selain keempat variabel di atas, dikenal pula istilah snapshot dalam
software Powersim Studio. Snapshot adalah sebuah simbol variabel dengan
sebuah extra set of corners yang menunjukkan representasi dari sebuah variabel
yang sama dan telah ada pada simulasi. Snapshot digunakan untuk melakukan link
antar semua sub model agar dapat menjadi sebuah main model yang utuh.
Snapshot juga dapat digunakan sebagai connector saat melakukan simplifikasi
main model menjadi beberapa sub model dengan melakukan blocking. Adapun
simbol snapshot dapat dilihat pada Gambar 3.15.
Gambar 3.15. Simbol Snapshot
3.16. Persamaan Simulasi Dinamis18
Dalam proses simulasi, perhitungan persamaan dilakukan setahap demi
setahap terhadap waktu. Pertambahan waktu yang kontinyu, dipecah-pecah dalam
interval waktu yang pendek dan sama besar. Menurut Tasrif (2004), persamaan
model sistem dinamis merupakan persamaan discrete differential. Sistem
persamaan tersebut memiliki bentuk umum sebagai berikut:
Lsk = Lsb + PLsb→sk .................... (1)
PLsb→sk = f (Lsb) .................... (2)
Persamaan (1) menyatakan nilai variabel level (L) pada saat sekarang (Lsk)
adalah sama dengan nilai variabel L pada saat sebelumnya (Lsb) ditambah dengan
perubahan nilai variabel L dari sebelumnya sampai sekarang (PLsb→sk).
Persamaan (2) menyatakan bahwa perubahan nilai variabel L dari
sebelumnya (sb) sampai sekarang (sk), PLsb→sk, merupakan suatu fungsi dari nilai
variabel sebelumnya (Lsb
Dalam formulasi pemodelan sistem dinamis digunakan operasi aritmatika
sebagai berikut :
). Apabila interval waktu antara sb→sk dinyatakan
sebagai Δt, dan dipilih cukup kecil, maka perilaku L terhadap waktu mendekati
perilaku suatu sistem kontinyu.
18 Ibid. Hal : 35-41.
+ = Penjumlahan
- = Pengurangan
* = Perkalian
/ = Pembagian
^ = Pangkat
( ) = Pengelompokkan
Dalam simulasi dinamis, urutan komputasi simulasi dapat dilihat pada
Gambar 3.16.
Gambar 3.16. Urutan Komputasi Simulasi Dinamis
dimana:
Sb : Sebelumnya
Sk : Sekarang
Ya : Yang akan datang
Dt : Interval waktu simulasi (Δt)
Sesuai dengan banyaknya jenis variabel dan konstanta, dikenal beberapa
macam persamaan yaitu :
1. Persamaan Level
Persamaan level merupakan persamaan yang menghitung akumulasi aliran
masuk dan aliran keluar pada selang waktu tertentu. Harga baru suatu level
dihitung dengan menambah atau mengurangi harga level suatu interval waktu
sebelumnya dengan rate yang bersangkutan dikalikan dengan interval waktu
yang digunakan. Harga variabel level dapat diubah oleh beberapa buah
variabel rate.
Contoh : Lsk = Lsb + DT * (RMsb→sk – RKsb→sk
dimana:
)
L : level (unit)
Lsk
L
: harga baru dari level yang akan dihitung pada saat sekarang (sk)
sb
DT : interval waktu (satuan waktu)
: harga level pada saat sebelumnya (sb)
RM : rate yang akan menambah level L (rate masuk)
RK : rate yang akan mengurangi level L (rate keluar)
RMsb→sk
sb→sk (unit/satuan waktu)
: harga rate yang akan menambah level L selama interval waktu
RKsb→sk
sb→sk (unit/satuan waktu)
: harga rate yang akan mengurangi level L selama interval waktu
2. Persamaan Rate
Persamaan rate menyatakan bagaimana aliran di dalam sistem diatur. Harga
variabel rate dalam suatu interval waktu sering dipengaruhi oleh variabel
variabel level, auxiliary, atau constant dan tidak dipengaruhi oleh panjangnya
waktu. Persamaan rate dihitung pada saat sk, dengan menggunakan informasi
dari level atau auxiliary pada saat sk untuk mendapatkan rate aliran selama
interval waktu selanjutnya (sk→ya). Asumsi yang diambil dalam perhitungan
rate ini adalah bahwa selama interval waktu DT, harga rate konstan. Hal ini
merupakan pendekatan dari keadaan sebenarnya dimana rate berubah terhadap
waktu secara kontinyu. Bentuk persamaan rate adalah:
RM sk→ya
3. Persamaan Auxiliary
= f (level, auxiliary, dan constant)
Persamaan auxiliary berfungsi untuk membantu menyederhanakan persamaan
rate yang rumit. Harga auxiliary dipengaruhi oleh variabel level, variabel
auxiliary lain dan constant yang telah diketahui.
Contoh : Ask = Lsk
dimana:
/ C
A : variabel auxiliary
Ask
L
: harga variabel auxiliary A yang akan dihitung pada saat sk
sk
C : harga constant
: harga variabel level L pada saat sk
4. Persamaan Constant / Parameter
Suatu constant mempunyai harga yang tetap sepanjang selang waktu simulasi,
sehingga tidak memerlukan notasi waktu di belakangnya. Persamaan constant
menunjukkan nilai parameter yang selalu mengikuti persamaan variabel level,
rate, atau auxiliary.
Contoh : Const = 0,04
dimana:
Const : nama dari suatu Constant
5. Persamaan Fungsi Tabel (Graph)
Persamaan fungsi tabel nilainya ditentukan melalui sebuah tabel sebagai
fungsi dari besaran tertentu. Dalam Powersim, tabel ini dinyatakan dalam
fungsi GRAPH yang dapat memberikan solusi hubungan antara dua variabel
dalam bentuk grafik. Fungsi GRAPH digunakan bila data berupa tabel atau
data menunjukkan hubungan yang nonlinier. Di samping fungsi GRAPH
sendiri, terdapat beberapa bentuk fungsi GRAPH antara lain : GRAPH CURVE,
GRAPH LINAS, dan GRAPH STEP. Perbedaan keempat fungsi GRAPH
tersebut adalah terletak pada output yang dimunculkan.
Contoh : GR = GRAPH [X, X1, Dx
dimana:
, Y(N)]
X : variabel input, variabel independen (bebas), disebut juga sumbu X
X1
D
: nilai pertama dari variabel X
x
positif
: pertambahan nilai (increment) dari variabel bebas X, nilainya selalu
Y(N) : vektor (sumbu Y, disebut juga output)
6. Persamaan Fungsi Tunda (Delay)
Delay merupakan suatu bentuk kelambatan (waktu) yang terjadi pada aliran
material, informasi, ataupun aliran lainnya dan merupakan aspek yang penting
dalam sistem dinamis. Delay sering terjadi dalam sistem nyata, misalnya
dalam pengambilan keputusan, dalam transportasi, penyebaran informasi, dan
lain-lain Dalam Powersim terdapat tiga bentuk persamaan yang dapat
digunakan untuk menyatakan delay. Delay aliran material dinyatakan oleh
fungsi DELAYMTR, delay aliran informasi dinyatakan oleh fungsi DELAYINF,
dan delay aliran material dengan infinite order dinyatakan dengan fungsi
DELAYPPL. Contoh bentuk fungsi delay adalah :
DELAYMTR (Input, Delay_Time, n, Initial)
DELAYINF (Input, Delay_Time, n, Initial)
DELAY PPL (Input, Delay_Time, Initial)
dimana:
Input : variabel yang menjadi input bagi variabel yang mengalami
delay
Delay_Time : rata-rata waktu delay
n : orde delay
Initial : nilai inisial dari delay
7. Persamaan Fungsi Logika
Beberapa fungsi logika yang terdapat dalam Powersim adalah fungsi IF,
TIMECYCLE, MAX, dan MIN.
a. IF
Digunakan untuk menggambarkan suatu kondisi (conditional function).
IF (Condition, Val1, Val2)
dimana:
Condition : suatu logical value (true or false)
Val1 : angka sembarang (computational parameter)
Val2 : angka sembarang (computational parameter)
b. TIMECYCLE
Digunakan untuk menguji siklus waktu atau interval waktu.
TIMECYCLE (First, Interval)
dimana:
First : waktu pertama untuk pengecekan
Interval : waktu diantara pengecekan satu ke pengecekan berikutnya
c. MAX
Digunakan untuk memilih nilai yang paling besar dari beberapa nilai.
MAX (X1, X2, X3,...., Xn
d. MIN
)
Digunakan untuk memilih nilai yang paling kecil dari beberapa nilai.
MIN (X1, X2, X3,...., Xn
8. Persamaan Fungsi Bilangan Acak (Random Number)
)
Beberapa fungsi bilangan acak antara lain : fungsi RANDOM, dan fungsi
NORMAL.
a. RANDOM
Digunakan untuk membangkitkan sejumlah bilangan acak yang
berdistribusi uniform.
RANDOM (0,5;1,5)
b. NORMAL
Digunakan untuk memberikan bilangan acak yang sebarannya sesuai
dengan sebaran normal.
NORMAL (Mean, StdDev)
dimana:
Mean : mean nilai yang ditentukan
StdDev : nilai standar deviasinya
Setiap persamaan yang telah disebutkan di atas dalam Powersim diberi
simbol sesuai dengan jenis persamaan yang diwakilinya, yaitu : persamaan level,
persamaan rate, persamaan auxiliary, dan persamaan constant. Persamaan level
merupakan penjumlahan/akumulasi, atau persamaan integral. Persamaan rate dan
auxiliary adalah perhitungan aritmatik. Sedangkan persamaan constant
merupakan masukan nilai untuk parameter yang harganya konstan selama
simulasi.
3.17. Validitas dan Sensitivitas Model19
Validitas struktur meliputi dua pengujian, yaitu validitas konstruksi dan
validitas kestabilan. Validitas konstruksi melihat apakah konstruksi model yang
Model yang baik adalah model yang dapat merepresentasikan keadaan
yang sebenarnya. Untuk menguji kebenaran suatu model dengan kondisi objektif
dilakukan uji validasi. Ada dua jenis validasi dalam model, yakni validasi struktur
dan validasi kinerja.
Validasi struktur dilakukan untuk memperoleh keyakinan konstruksi
model valid secara ilmiah, sedangkan validitas kinerja untuk memperoleh
keyakinan sejauh mana model sesuai dengan kinerja sistem nyata atau sesuai
dengan data empiris.
19 Dradio. 2007. Tinjauan Pustaka Validasi Model. Jakarta. Hal : 30-31.
dikembangkan sesuai dengan teori. Uji validitas konstruksi ini sifatnya abstrak,
tetapi konstruksi model yang benar secara ilmiah berdasarkan teori yang ada akan
terlihat dari konsistensi model yang dibangun.
Validitas kestabilan merupakan fungsi dari waktu. Model yang stabil akan
memberikan output yang memiliki pola yang hampir sama antara model agregat
dengan model yang lebih kecil (disagregasi). Validitas kinerja atau output model
bertujuan untuk memperoleh keyakinan sejauh mana kinerja model sesuai
(compatible) dengan kinerja sistem nyata, sehingga memenuhi syarat sebagai
model ilmiah yang taat fakta.
Caranya adalah memvalidasi kinerja model dengan data empiris, untuk
melihat sejauh mana perilaku output model sesuai dengan perilaku data empiris.
Hal ini dapat dilakukan dengan cara:
1. Membandingkan pola output model dengan data empiris.
2. Melakukan pengujian secara statistik untuk melihat penyimpangan antara
output simulasi dengan data empiris dengan beberapa cara, antara lain : AVE
(Absolute Variation Error), AME (Absolute Mean Error), dan uji kecocokan
dengan Kalman Filter.
Adapun penjelasan untuk tiga metode pengujian yang akan digunakan
untuk menguji kinerja atau output model yaitu:
a. Uji penyimpangan rata-rata (Absolute Mean Error / AME)
Uji penyimpangan rata-rata bertujuan untuk melihat penyimpangan rata-rata
simulasi terhadap rata-rata aktual. Nilai AME ditentukan dengan persamaan:
AME = ( iS−
- −
iA ) / −
iA
Dimana: iS−
= Si / N
−
iA = Ai
b. Uji penyimpangan variasi (Absolute Variation Error / AVE)
/ N
Uji penyimpangan variasi bertujuan untuk melihat penyimpangan variasi
simulasi terhadap variasi aktual. Nilai AVE ditentukan dengan persamaan:
AVE = (SS - SA) / S
Dimana: S
A
S = (Si iS−
- )2 / N
SA = (Ai−
iA - )2
c. Uji Kecocokan Kalman Filter (KF)
/ N
Uji kecocokan Kalman Filter (KF) bertujuan untuk melihat kecocokan
(fitting) antara nilai simulasi dengan nilai aktual. Nilai KF ditentukan dengan
persamaan:
KF = VS / (VS + VA
Dimana: V
)
S = (Si iS−
- )2 / (N-1)
VA = (Ai−
iA - )2
Keterangan:
/ (N-1)
iS−
: Rata-rata nilai simulasi
−
iA : Rata-rata nilai aktual
Si :
A
Nilai simulasi
i :
S
Nilai aktual
S : Standar deviasi nilai simulasi
SA
V
: Standar deviasi nilai aktual
S :
V
Varians nilai simulasi
A :
KF : Kalman Filter
Varians nilai aktual
Adapun batas kritis untuk setiap metode pengujian kinerja model dapat
dilihat pada Tabel 3.1.
Tabel 3.1. Batas Kritis untuk Setiap Metode Pengujian Kinerja Model
No. Metode Validasi Batas Kritis
1 Uji penyimpangan rata-rata (AME) < 5 %
2 Uji penyimpangan variasi (AVE) < 5 %
3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 %
Untuk mengetahui kekuatan (robustness) model dalam dimensi waktu
dilakukan uji sensitivitas. Uji ini dilakukan untuk mengetahui respon model
terhadap stimulus. Tujuan utamanya adalah untuk mengetahui alternatif tindakan
baik untuk menjelaskan sensitivitas parameter, variabel, dan hubungan antar
variabel dalam model.
Hasil uji sensitivitas dalam bentuk perubahan perilaku atau kinerja model,
digunakan untuk menganalisis efek intervensi terhadap model. Uji sensitivitas
model dapat dilakukan dengan dua cara yaitu:
1. Intervensi fungsional, yakni dengan memberikan fungsi-fungsi khusus
terhadap model dengan menggunakan fasilitas, antara lain : step, random,
pulse, ramp dan forecast, trend, if, sinus, dan setengah sinus.
2. Intervensi struktural, yakni dengan mempengaruhi hubungan antar unsur atau
struktur model dengan cara mengubah struktur modelnya.
Sensitivitas model mengungkapkan hasil-hasil intervensi terhadap unsur
dan struktur sistem. Di samping itu, analisis sensitivitas model juga berfungsi
dalam menemukan alternatif tindakan atau kebijakan, baik untuk mengakselerasi
kemungkinan pencapaian hasil positif maupun untuk mengantisipasi
kemungkinan dampak negatif.
BAB IV
METODOLOGI PENELITIAN
4.1. Tempat dan Waktu Penelitian
Penelitian ini dilakukan pada PT. Batanghari Tebing Pratama yang
berlokasi di Jalan Prof. HM. Yamin, SH, Kelurahan Tambangan, Kecamatan
Padang Hilir, Kota Tebing Tinggi, Provinsi Sumatera Utara. Penelitian ini
dilakukan selama 1 bulan.
4.2. Objek Penelitian
Objek penelitian yang diamati adalah sistem penentuan jumlah persediaan
bahan baku dan jumlah produksi pada perusahaan serta berbagai faktor yang
mempengaruhi sistem tersebut.
4.3. Variabel Penelitian
Penentuan variabel penelitian didasarkan atas studi pendahuluan, studi
kepustakaan, dan pengalaman pihak perusahaan yang berkaitan dengan
permasalahan yang sedang dihadapi.
Ada dua jenis varibel penelitian yang akan diamati dalam penelitian ini
yaitu:
1. Variabel Independen
Variabel independen adalah variabel yang dijadikan objek utama dalam
penelitian dan menjadi penentu dalam rangka perbaikan kondisi operasi.
Variabel independen yang digunakan pada penelitian ini yaitu persediaan
bokar dan persediaan produk crumb rubber
2. Variabel Dependen
Variabel dependen adalah variabel-variabel atau faktor-faktor yang
berpengaruh terhadap variabel independen. Variabel-variabel dependen yang
digunakan pada penelitian ini antara lain:
a. Lead time pemesanan bahan baku.
b. Reorder point bahan baku.
c. Persediaan awal bokar.
d. Persediaan awal produk crumb rubber.
e. Effisiensi dan scrap proses produksi.
4.4. Kerangka Pikir
Suatu penelitian dapat dilaksanakan apabila tersedianya sebuah
perancangan kerangka berpikir yang baik sehingga langkah-langkah penelitian
lebih sistematis. Kerangka berpikir inilah yang merupakan landasan awal dalam
melaksanakan penelitian. Adapun kerangka berpikir penelitian ini dapat dilihat
pada Gambar 4.1.
- Data primer- Data sekunder- Informasi Pendukung
Input
Proses
Penentuan jumlah persediaan bahan baku dan jumlah produksi dengan teknik simulasi dinamis
Hasil simulasi yang akan dijadikan pertimbangan pihak perusahaan untuk memecahkan masalah yang sedang dihadapi
Output
Target produksi tercapaiFluktuasi permintaan produk crumb rubber dapat terpenuhi
Tujuan perusahaan dapat tercapai
Gambar 4.1. Kerangka Berpikir Penelitian
4.5. Rancangan Penelitian
Rancangan penelitian yang digunakan adalah rancangan analitik sebab
penelitian ini menggunakan data historis pada masa lalu dan kemudian diolah
dengan melakukan perhitungan secara analitik dalam sebuah simulasi dinamis
dengan menggunakan software Powersim Studio.
Penelitian ini dilaksanakan dengan mengikuti langkah-langkah berikut:
1. Pada awal penelitian dilakukan studi pendahuluan untuk mengetahui kondisi
perusahaan, proses produksi, dan informasi pendukung yang diperlukan serta
studi literatur tentang metode pemecahan masalah yang digunakan dan teori
pendukung lainnya.
2. Tahapan selanjutnya adalah melakukan pengumpulan data.
3. Data yang dikumpulkan dipilah menjadi dua jenis yaitu:
a. Data primer berupa uraian proses produksi
b. Data sekunder berupa data historis penggunaan bokar, data historis
permintaan produk crumb rubber, lead time pemesanan bahan baku,
persediaan awal bokar, persediaan awal produk crumb rubber, data
effisiensi dan scrap proses produksi.
4. Dilakukan pengolahan data primer dan sekunder yang telah dikumpulkan.
5. Dilakukan analisis terhadap hasil pengolahan data.
6. Ditarik kesimpulan dan diberikan saran untuk penelitian
Adapun blok diagram langkah-langkah penelitian yang dapat dilihat pada
Gambar 4.2.
Mulai
Studi Literatur1. Metode Pemecahan Masalah2. Teori Pendukung
Pengumpulan Data
Kesimpulan dan Saran
Data Primer- Uraian proses produksi
Data Sekunder- Data historis penggunaan bokar- Data historis permintaan produk crumb rubber- Lead time pemesanan bahan baku - Persediaan awal bokar- Persediaan awal produk crumb rubber- Data effisiensi dan scrap proses produksi
Studi Pendahuluan1. Kondisi Perusahaan2. Proses Produksi3. Informasi Pendukung
Pengolahan Data
Analisis Pemecahan Masalah
Selesai
Gambar 4.2. Blok Diagram Langkah-langkah Penelitian
4.6. Instrumen Penelitian
Adapun instrumen yang digunakan dalam penelitian ini adalah sebagai
berikut:
1. Lembar checklist yang digunakan untuk mengarahkan observasi (pengamatan)
agar terfokus pada objek penelitian.
2. Pedoman wawancara yang digunakan untuk mengarahkan wawancara agar
dapat diperoleh data yang relevan dengan objek penelitian.
3. Software Powersim Studio sebagai alat (tool) untuk melakukan simulasi
dinamis.
4.7. Sumber Data
Sumber data adalah tempat data diperoleh yaitu proses produksi di lantai
pabrik dan juga pihak manajemen perusahaan.
Adapun jenis-jenis data yang dikumpulkan dalam melakukan penelitian ini
adalah sebagai berikut:
1. Data Primer
Data primer adalah data yang diperoleh dari hasil pengamatan secara langsung
selama melakukan penelitian. Adapun data primer yang dikumpulkan dalam
penelitian ini adalah uraian proses produksi perusahaan.
2. Data sekunder
Data sekunder adalah data yang diperoleh dari hasil dokumentasi dan
penelitian yang telah ada sebelumnya. Adapun data sekunder yang
dikumpulkan dalam penelitian ini adalah data historis penggunaan bokar, data
historis permintaan produk crumb rubber, lead time pemesanan bahan baku,
persediaan awal bokar, persediaan awal produk crumb rubber, dan data
effisiensi dan scrap proses produksi.
4.8. Metode Pengumpulan Data
Data primer yang dibutuhkan dalam penelitian ini dikumpulkan dengan
cara sebagai berikut:
1. Observasi (Pengamatan)
Pengumpulan data ini dilakukan dengan pengamatan dan pengukuran secara
langsung terhadap objek penelitian di lapangan terutama pada bagian
produksi. Instrumen yang digunakan dalam pengumpulan data secara
observasi ini adalah lembar checklist.
2. Wawancara
Pengumpulan data ini dilakukan dengan tanya jawab dan diskusi secara
langsung dengan pimpinan atau karyawan mengenai hal-hal yang
berhubungan dengan pekerjaan mereka di perusahaan dimana data tersebut
dapat digunakan untuk menunjang pembahasan masalah. Instrumen yang
digunakan dalam pengumpulan data secara wawancara ini adalah pedoman
wawancara.
Data sekunder yang dibutuhkan dalam penelitian ini dikumpulkan dengan
cara telaah dokumentasi yatiu meninjau dan mencatat dokumen-dokumen
perusahaan yang berhubungan dengan penelitian yang dilakukan.
4.9. Pengolahan Data
Adapun beberapa tahapan dalam pengolahan data menggunakan teknik
simulasi adalah sebagai berikut:
1. Formulasi Masalah
Penentuan masalah utama yang akan dipecahkan dengan menggunakan teknik
simulasi serta tujuan simulasi yang ingin dicapai.
2. Membangun Model
Diawali dengan membentuk causal loop untuk menentukan hubungan antar
komponen. Setelah itu, dilakukan penentuan kedinamisan sistem berdasarkan
prinsip dasar sistem dinamis yakni terdapat kesinambungan proses dimana
output mesin pertama akan menjadi input mesin berikutnya, demikian
seterusnya. Setelah itu, pembuatan main model simulasi yang mencakup
kegiatan pembelian bahan baku, penggunaan bahan baku, penentuan
persediaan bahan baku, sistem produksi dari bahan baku bokar menjadi
produk crumb rubber, penentuan jam kerja overtime apabila terjadi defisit
(kekurangan) produksi akibat kapasitas reguler harian terpakai tidak dapat
mencukupi permintaan harian produk crumb rubber, dan penentuan upah
buruh produksi per hari. Namun, sebelum membuat main model, terlebih
dahulu dibuat sub model tiap bagian untuk mempermudah penyusunan main
model nantinya.
3. Akuisisi Data
Pada tahap ini, dilakukan identifikasi terhadap data yang dikumpulkan.
Identifikasi dilakukan untuk mengetahui pola data masa lalu untuk
memperoleh spesifikasi data yakni parameter distribusi dari data yang akan
dijadikan acuan untuk pembangkitan data tiruan pada simulasi dinamis
nantinya. Pola data masa lalu ditentukan dengan melakukan uji distribusi data.
4. Menerjemahkan Model
Pada tahap ini, dilakukan penerjemahan model dengan cara mendefinisikan
komponen yang digunakan. Mendefinisikan komponen dilakukan dengan
kuantifikasi yaitu melakukan double click pada komponen dan menginput
formulasi untuk komponen rate dan auxiliary, sedangkan untuk komponen
level dan constant yang diinput adalah nilai. Setelah selesai mendefinisikan
komponen maka tanda tanya akan hilang dan komponen akan menjadi
terdefinisi dan dapat digunakan untuk simulasi dinamis.
5. Verifikasi
Langkah ini dilakukan untuk mengetahui apakah program simulasi dinamis
yang dibuat berjalan sesuai dengan maksud yang diharapkan. Verifikasi model
dilakukan dengan dua cara yakni:
a. Pengujian verifikasi struktur model dengan verifikasi teoritis dan
konsistensi unit analisis.
b. Melakukan test run untuk melihat apakah ada trouble yang terjadi.
6. Validasi
Validasi model dilakukan dengan uji kinerja atau output model yakni dengan
melakukan pengujian secara statistik dengan uji penyimpangan rata-rata
(Absolute Mean Error / AME), uji penyimpangan variasi (Absolute Variation
Error / AVE), dan uji kecocokan Kalman Filter (KF) terhadap data
penggunaan bokar dan data permintaan produk crumb rubber.
7. Perencanaan Taktis dan Strategis
Pada tahap ini, dilakukan penerapan kebijakan tertentu yakni melakukan
modifikasi terhadap model. Modifikasi terhadap model dilakukan dengan
memberikan perlakuan-perlakuan atau kondisi-kondisi eksperimen pada
model untuk melihat sensitivitas model yang dibangun.
8. Eksperimen
Pada tahap ini, dilakukan eksekusi model simulasi dengan kondisi eksperimen
yang telah ditentukan untuk memperoleh nilai output eksperimen.
9. Analisis Hasil
Pada tahap ini, dilakukan analisis terhadap semua hasil simulasi.
10. Implementasi dan Dokumentasi
Pada tahap ini, dilakukan implementasi hasil simulasi dan didokumentasikan
model yang telah dibuat dalam bentuk hard copy dan soft copy.
Adapun blok diagram pengolahan data dapat dilihat pada Gambar 4.3.
Membangun Model
Formulasi Masalah
Akuisisi Data
Verifikasi
Menerjemahkan Model
Validasi
Perencanaan Taktis dan Strategis
Eksperimen
Analisis Hasil
Implementasi dan Dokumentasi
Gambar 4.3. Blok Diagram Pengolahan Data
Sebelum mulai membuat simulasi, perlu dibuat struktur sistem sebagai
landasan awal bagi pola pikir penulis. Adapun struktur sistem dalam penelitian ini
dapat dilihat pada Gambar 4.4.
Gambar 4.4. Struktur Sistem
4.10. Analisis Pemecahan Masalah
Analisis yang akan dilakukan adalah analisis terhadap hasil pengolahan
data dengan menggunakan teknik simulasi dinamis.
4.11. Kesimpulan dan Saran
Langkah akhir yang dilakukan adalah penarikan kesimpulan yang berisi
hal-hal penting dalam penelitian tersebut dan pemberian saran untuk penelitian
selanjutnya bagi peneliti yang ingin mengembangkan penelitian ini secara lebih
mendalam lagi.
BAB V
PENGUMPULAN DAN PENGOLAHAN DATA
5.1. Pengumpulan Data
5.1.1. Penggunaan Bokar
Data penggunaan bokar diambil dari periode 01 April 2011 - 31 Mei 2011.
Data ini disajikan dalam periode per hari. Data ini digunakan untuk melihat pola
distribusi data penggunaan bokar masa lalu yang akan dijadikan dasar untuk
melihat distribusi penggunaan bokar pada masa mendatang. Data penggunaan
bokar periode 01 April 2011 - 31 Mei 2011 dapat dilihat pada Tabel 5.1.
Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011
Periode Penggunaan Bokar (Ton)
01/04/2011 68
02/04/2011 69
04/04/2011 67
05/04/2011 75
06/04/2011 70
07/04/2011 69
08/04/2011 69
09/04/2011 67
11/04/2011 75
12/04/2011 77
Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011
(Lanjutan)
Periode Penggunaan Bokar (Ton)
13/04/2011 69
14/04/2011 70
15/04/2011 74
16/04/2011 65
18/04/2011 73
19/04/2011 77
20/04/2011 68
21/04/2011 70
23/04/2011 71
25/04/2011 75
26/04/2011 76
27/04/2011 70
28/04/2011 72
29/04/2011 75
30/04/2011 69
02/05/2011 69
03/05/2011 67
04/05/2011 66
05/05/2011 72
Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011
(Lanjutan)
Periode Penggunaan Bokar (Ton)
06/05/2011 72
07/05/2011 72
09/05/2011 68
10/05/2011 71
11/05/2011 75
12/05/2011 72
13/05/2011 74
14/05/2011 70
16/05/2011 69
18/05/2011 76
19/05/2011 69
20/05/2011 67
21/05/2011 72
23/05/2011 72
24/05/2011 68
25/05/2011 71
26/05/2011 71
27/05/2011 67
28/05/2011 73
Tabel 5.1. Data Penggunaan Bokar Periode 01 April 2011 - 31 Mei 2011
(Lanjutan)
Periode Penggunaan Bokar (Ton)
30/05/2011 68
31/05/2011 71
Sumber : PT. Batanghari Tebing Pratama
5.1.2. Permintaan Produk Crumb Rubber
Data permintaan produk crumb rubber diambil dari periode 01 April 2011
- 31 Mei 2011. Data ini disajikan dalam periode per hari. Data ini digunakan
untuk melihat pola distribusi data permintaan produk crumb rubber masa lalu
yang akan dijadikan dasar untuk melihat distribusi permintaan produk crumb
rubber pada masa mendatang. Data permintaan produk crumb rubber periode 01
April 2011 - 31 Mei 2011 dapat dilihat pada Tabel 5.2.
Tabel 5.2. Data Permintaan Produk Crumb Rubber
Periode 01 April 2011 - 31 Mei 2011
Periode Permintaan Produk Crumb Rubber (Ton)
01/04/2011 61
02/04/2011 59
04/04/2011 61
05/04/2011 59
06/04/2011 56
07/04/2011 56
Tabel 5.2. Data Permintaan Produk Crumb Rubber
Periode 01 April 2011 - 31 Mei 2011 (Lanjutan)
Periode Permintaan Produk Crumb Rubber (Ton)
08/04/2011 58
09/04/2011 63
11/04/2011 64
12/04/2011 64
13/04/2011 56
14/04/2011 56
15/04/2011 60
16/04/2011 59
18/04/2011 54
19/04/2011 56
20/04/2011 61
21/04/2011 58
23/04/2011 59
25/04/2011 62
26/04/2011 59
27/04/2011 57
28/04/2011 59
29/04/2011 58
30/04/2011 55
Tabel 5.2. Data Permintaan Produk Crumb Rubber
Periode 01 April 2011 - 31 Mei 2011 (Lanjutan)
Periode Permintaan Produk Crumb Rubber (Ton)
02/05/2011 58
03/05/2011 57
04/05/2011 62
05/05/2011 55
06/05/2011 59
07/05/2011 60
09/05/2011 62
10/05/2011 61
11/05/2011 62
12/05/2011 58
13/05/2011 58
14/05/2011 60
16/05/2011 58
18/05/2011 53
19/05/2011 55
20/05/2011 59
21/05/2011 62
23/05/2011 56
24/05/2011 66
Tabel 5.2. Data Permintaan Produk Crumb Rubber
Periode 01 April 2011 - 31 Mei 2011 (Lanjutan)
Periode Permintaan Produk Crumb Rubber (Ton)
25/05/2011 59
26/05/2011 62
27/05/2011 54
28/05/2011 61
30/05/2011 54
31/05/2011 53
Sumber : PT. Batanghari Tebing Pratama
5.1.3. Lead Time Pemesanan Bahan Baku, Persediaan Awal Bahan Baku
dan Persediaan Awal Produk Crumb Rubber Periode 01 Juni 2011
Adapun data lead time pemesanan bahan baku, persediaan awal bahan
baku dan persediaan awal produk crumb rubber periode 01 Juni 2011 adalah
sebagai berikut:
Lead time pemesanan bahan baku : 1-2 hari
Persediaan awal bokar periode 01 Juni 2011 : 71 Ton
Persediaan awal produk crumb rubber periode 01 Juni 2011: 23 Ton
5.1.4. Data Effisiensi dan Scrap Proses Produksi
Data effisiensi dan scrap proses produksi diklasifikasi berdasarkan proses
yang terjadi yakni proses produksi yang dilakukan secara manual oleh operator
dan proses produksi yang dilakukan dengan mesin.
Adapun data effisiensi dan scrap proses produksi secara manual dapat
dilihat pada Tabel 5.3.
Tabel 5.3. Data Effisiensi dan Scrap Proses Produksi Secara Manual
Proses Produksi Secara Manual Effisiensi (%) Scrap (%)
Proses penyortiran dan penimbangan 98 2
Proses penyimpanan bahan baku 100 0
Proses penjemuran 100 0
Proses pendinginan 100 0
Proses pembungkusan 100 0
Sumber : PT. Batanghari Tebing Pratama
Adapun data effisiensi dan scrap mesin produksi PT. Batanghari Tebing
Pratama dapat dilihat pada Tabel 5.4.
Tabel 5.4. Data Effisiensi dan Scrap Mesin Produksi
PT. Batanghari Tebing Pratama
Mesin Effisiensi (%) Scrap (%)
Slab Cutter I 99 1
Slab Cutter II 99 1
Hummer Mill 99 1
Rotary Cutter 99 1
Tabel 5.4. Data Effisiensi dan Scrap Mesin Produksi
PT. Batanghari Tebing Pratama (Lanjutan)
Mesin Effisiensi (%) Scrap (%)
Creeper I 99 1
Creeper II 99 1
Creeper III 99 1
Shredder 98 1
Dryer 99 1
Press Hidrolik 98 2
Sumber : PT. Batanghari Tebing Pratama
5.1.5. Blok Diagram Pembuatan Crumb Rubber
Blok diagram memberikan petunjuk mengenai proses yang terjadi dalam
pembuatan crumb rubber. Adapun blok diagram pembuatan crumb rubber di PT.
Batanghari Tebing Pratama dapat dilihat pada Gambar 5.1.
Bokar
Penyortiran dan penimbangan
Penyimpanan di gudang bahan baku
Pencincangan dengan mesin Slab Cutter I
Pencincangan dengan mesin Slab Cutter II
Pencincangan dengan mesin Hummer Mill
Pencincangan dan penyeragaman dengan mesin Rotary Cutter
Pembentukan lembaran dengan mesin Creeper I
Pembentukan lembaran dengan mesin Creeper II
Pembentukan lembaran dengan mesin Creeper III
Penjemuran selama 12-16 hari
Pencincangan dengan mesin Shredder
Pemanasan dengan mesin Dryer
Pendinginan selama 3 jam
Penimbangan dengan timbangan duduk
Pengepresan dengan mesin Press Hidrolik
Pembungkusan dengan kantong plastik
Palleting
Penyimpanan di gudang produk crumb rubber
Gambar 5.1. Blok Diagram Pembuatan Crumb Rubber di
PT. Batanghari Tebing Pratama
5.2. Pengolahan Data
5.2.1. Formulasi Masalah
Langkah awal dalam melakukan simulasi adalah melakukan formulasi
masalah untuk menentukan masalah utama yang akan dipecahkan dengan
menggunakan teknik simulasi. Dari hasil formulasi masalah, diketahui bahwa
yang menjadi masalah utama yang dialami oleh perusahaan adalah permintaan
yang datang secara fluktuatif yang menyebabkan perusahaan sulit menentukan
jumlah bahan baku yang diperlukan serta jumlah produksi yang harus dihasilkan
secara tepat. Pemecahan masalah yang menjadi tujuan simulasi ini adalah
menentukan jumlah persediaan bahan baku yang diperlukan serta jumlah produksi
yang harus dihasilkan untuk dijadikan pertimbangan pihak perusahaan.
5.2.2. Membangun Model
Sebelum membangun model simulasi, terlebih dahulu dibentuk loop
umpan balik (causal loop) yaitu sebuah diagram yang menggambarkan hubungan
antara komponen yang digunakan dalam simulasi dinamis. Hubungan yang terjadi
antara komponen terbagi menjadi dua yaitu :
1. Hubungan similar (s) yaitu hubungan berbanding lurus yakni apabila nilai satu
komponen bertambah besar, nilai komponen yang dipengaruhinya juga
bertambah besar dan sebaliknya.
2. Hubungan opposite (o) yaitu hubungan berbanding terbalik yakni apabila nilai
satu komponen bertambah besar, nilai komponen yang dipengaruhinya
menjadi bertambah kecil dan sebaliknya.
Pembentukan causal loop harus dilakukan secara logis dan tepat sebab
causal loop ini akan menjadi dasar dalam pembuatan model simulasi dinamis.
Akan diberikan satu contoh pembuatan causal loop secara rinci dari awal sampai
selesai. Causal loop yang akan diuraikan secara rinci sebagai contoh adalah
causal loop untuk bagian persediaan bokar.
Pertama-tama bentuk dulu entitias utama sistem yakni persediaan bokar
serta varibel yang mempengaruhinya yakni penerimaan bokar dan penggunaan
bokar. Kemudian ditentukan hubungan variabel dengan entitas. Penerimaan bokar
berbanding lurus dengan persediaan bokar sebab makin besar penerimaan bokar
tentu persediaan bokar akan semakin besar. Oleh karena itu, terjadi hubungan
similar (s) antara penerimaan bokar dan persediaan bokar. Demikian pula,
ditentukan hubungan antara penggunaan bokar dan persediaan bokar, makin besar
penggunaan bokar maka persediaan bokar akan makin kecil. Oleh karena itu,
terjadi hubungan opposite (o) antara penggunaan bokar dengan persediaan bokar.
Langkah pertama pembentukan causal loop persediaan bokar dapat dilihat pada
Gambar 5.2.
PenerimaanBokar
Gambar 5.2. Langkah Pertama Pembentukan Causal Loop Persediaan Bokar
Langkah kedua, adalah mengembangkan variabel yang mempengaruhi
entitas. Untuk penggunaan bokar sendiri, akan menjadi input proses penyortiran
dan penimbangan. Hubungan yang terjadi antara penggunaan bokar dengan input
proses penyortiran dan penimbangan adalah hubungan similar (s) sebab makin
besar penggunaan bokar maka akan semakin besar pula yang menjadi input proses
penyortiran dan penimbangan. Untuk penerimaan bokar sendiri, dipengaruhi oleh
dua faktor yakni reorder point bokar dan beli bokar. Hubungan antara penerimaan
bokar dan reorder point bokar adalah hubungan similar (s) sebab makin besar
besar reorder point bokar maka akan semakin besar pula penerimaan bokar.
Untuk hubungan antara penerimaan bokar dan beli bokar adalah hubungan similar
(s) juga sebab makin besar jumlah bokar yang dibeli maka akan semakin besar
pula bokar yang diterima. Langkah kedua pembentukan causal loop persediaan
bokar dapat dilihat pada Gambar 5.3.
PenerimaanBokar
Gambar 5.3. Langkah Kedua Pembentukan Causal Loop Persediaan Bokar
Langkah ketiga, adalah melakukan pengembangan lagi dengan
menambahkan variabel yang mempengaruhi variabel pada langkah kedua
sebelumnya. Untuk variabel beli bokar, dipengaruhi secara bersamaan oleh dua
variabel yaitu persediaan bokar main supplier dan persediaan bokar additional
supplier. Hubungan beli bokar dengan persediaan bokar main supplier dan
persediaan bokar additional supplier adalah hubungan similar (s) sebab semakin
banyak persediaan bokar pada main supplier dan additional supplier maka akan
semakin banyak bokar yang dapat dibeli (sesuai dengan kebutuhan yang
diperlukan). Untuk reorder point bokar sendiri dipengaruhi oleh tiga variabel
yakni : rata-rata penggunaan bokar, safety stock bokar dan lead time bokar.
Hubungan antara reorder point bokar dengan ketiga variabel tersebut dapat dilihat
dari rumus yang digunakan untuk menghitung reorder point bokar yaitu : (rata-
rata penggunaan bokar x lead time bokar) + safety stock bokar. Dari rumus
tersebut terlihat bahwa ada hubungan similar (s) antara reorder point bokar
dengan ketiga variabel yang mempengaruhinya dimana apabila terjadi
penambahan nilai pada salah satu variabel dari ketiga variabel tersebut maupun
penambahan nilai pada semua variabelnya tentu nilai reorder point bokar akan
senakin besar. Langkah ketiga pembentukan causal loop persediaan bokar dapat
dilihat pada Gambar 5.4.
PenerimaanBokar
Gambar 5.4. Langkah Ketiga Pembentukan Causal Loop Persediaan Bokar
Langkah terakhir, adalah penyempurnaan dengan penambahan sub-sub
variabel yang mempengaruhi variabel pada langkah ketiga sebelumnya. Variabel
yang akan ditinjau pada langkah ini adalah variabel safety stock bokar. Safety
stock bokar dipengaruhi oleh dua sub variabel yakni standar deviasi penggunaan
bokar dan service level 95 % (tingkat pelayanan ditentukan oleh penulis 95 %
berarti stock out atau resiko kekurangan persediaan hanya diperbolehkan 5 %).
Hubungan antara safety stock bokar dengan kedua sub variabel tersebut dapat
dilihat dari rumus yang digunakan untuk menghitung safety stock bokar yaitu :
(service level 95 % x standar deviasi penggunaan bokar). Dari rumus tersebut
terlihat bahwa ada hubungan similar (s) antara safety stock bokar dengan kedua
variabel yang mempengaruhinya dimana apabila terjadi penambahan nilai pada
service level 95 % maupun standar deviasi penggunaan bokar tentu nilai safety
stock bokar akan semakin besar. Setelah dilakukan penentuan hubungan antara
variabel dan sub variabel, selesailah causal loop persediaan bokar yang dapat
dilihat pada Gambar 5.5.
PenerimaanBokar
Gambar 5.5. Causal Loop Persediaan Bokar
Untuk causal loop selanjutnya, dapat dilihat langsung hasilnya. Causal
loop untuk bagian persediaan produk crumb rubber dapat dilihat pada Gambar
5.6.
Jumlah Produksi CrumbRubber dalam Ton
Kapasitas ProduksiReguler Harian
Terpakai
Estimasi Jam KerjaOvertime Harian yang
Dibutuhkan
Kapasitas Produksi
s
L j P i t
Gambar 5.6. Causal Loop Persediaan Produk Crumb Rubber
Causal loop untuk bagian sub proses produksi crumb rubber dapat dilihat
pada Gambar 5.7.
Scrap ProsesPendinginan
Gambar 5.7. Causal Loop Sub Proses Produksi Crumb Rubber
Causal loop untuk bagian penentuan total upah kerja buruh harian dapat
dilihat pada Gambar 5.8.
Jam KerjaReguler dalam
Sehari
Gambar 5.8. Causal Loop Penentuan Total Upah Kerja Buruh Harian
Setelah membuat causal loop tiap bagian, dilakukan penggabungan dan
penambahan komponen yang diperlukan sehingga diperoleh main causal loop
yang dapat dilihat pada Gambar 5.9.
Jumlah Produksi CrumbRubber dalam Ton
s
Input ProsesPenimbangan
ProsesPenimbangan
s Output ProsesPenimbangan
sInput Mesin
Press Hidrolik
EffisiensiMesin Press
Hidrolik
Output MesinPress Hidrolik
s
Scrap MesinPress Hidrolik
s
o
Input ProsesPembungkusan
Output ProsesPembungkusan
Effisiensi ProsesPembungkusan
Scrap ProsesPembungkusan
s
s
s
o
Input ProsesPalleting
s
Proses Palleting
s
Output ProsesPalleting
s s
Jumlah Produksi CrumbRubber dalam Pallet
Kapasitas ProduksiPabrik Harian
Terpakai
s
Persediaan ProdukCrumb Rubbers Penyaluran Produk
Crumb Rubber
Kapasitas ProduksiOvertime Harian
Terpakai
Permintaan Harian
Laju Permintaan
Safety Stock
Standar DeviasiPermintaan
Service Level 95 %
Kapasitas ProduksiReguler Harian
Terpakai
Kapasitas ProduksiReguler Harian
Terpasang
Kapasitas Produksi PerJam Terpakai
s
s
s
s
s
ss
s
o
o
s
s
s
Kapasitas ProduksiTahunan Terpasang
Jam Kerja Regulerdalam SebulanKapasitas Produksi Per
Jam Terpasang
ss
Jumlah Hari Kerjadalam Seminggu Jumlah Jam Kerja
dalam Sehari
s
oo
Output ProsesPendinginan
s
sInput ProsesPendinginan
Effisiensi ProsesPendinginan Scrap Proses
Pendinginan
s
o s
Output MesinDryer
sInput Mesin
Dryer
Effisiensi MesinDryer
Scrap MesinRotary Cutter
s
o s Output MesinShredder
s
Input MesinShredder
Effisiensi MesinShredder
sScrap Mesin Dryer
os
Output ProsesPenjemurans
Input ProsesPenjemuran
Effisiensi ProsesPenjemuran Scrap Proses
Penjemuran
s
os
Output MesinCreeper III
s
Input MesinCreeper III
Effisiensi MesinCreeper III
Scrap MesinCreeper III
s
o s
Output MesinCreeper II
s Input MesinCreeper II
Effisiensi MesinCreeper II
Scrap MesinCreeper II
s
os
Output MesinCreeper I
s
Input MesinCreeper I
Effisiensi MesinCreeper I
Scrap MesinCreeper I
s
os
Output MesinRotary Cutter
Input MesinRotary Cutter
Effisiensi MesinRotary Cutter
s
so
Scrap MesinShredder
Output MesinHummer Mill
s
Input MesinHummer Mill
Effisiensi MesinHummer Mill
Scrap MesinHummer Mill
s
o s
Output MesinSlab Cutter II
s
Input Mesin SlabCutter II
s
Effisiensi MesinSlab Cutter II
Scrap Mesin SlabCutter II
os
Output MesinSlab Cutter I
s
Input Mesin SlabCutter I
Effisiensi MesinSlab Cutter I
Scrap Mesin SlabCutter I
s
o s
Output ProsesPenyimpananBahan Baku
sInput ProsesPenyimpananBahan Baku
s
Effisiensi ProsesPenyimpananBahan Baku
Scrap ProsesPenyimpananBahan Baku
o s
Output ProsesPenyortiran danPenimbangan
s
Input ProsesPenyortiran danPenimbangan
s
Effisiensi ProsesPenyortiran dan
Scrap ProsesPenyortiran dan
o s
o
Input MesinCreeper I
s
PenerimaanBokar
Lead TimeBokar
PersediaanBokar
PenggunaanBokar
so
Beli Bokar
PersediaanBokar Main
Supplier
PersediaanBokar Additional
Supplier
s
Reorder PointBokar
s
Rata-rataPenggunaan
Bokar
Safety StockBokar
s
s
s
s
s
Standar DeviasiPenggunaan
Bokar
Service Level 95 %
s s
s
Jam KerjaReguler dalam
Sehari
Estimasi JamKerja Overtime
yang Dibutuhkan
Upah KerjaBuruh Reguler
Per Jam
Upah KerjaBuruh Reguler
Harian
Upah Kerja BuruhOvertime Harian
Total Upah KerjaBuruh Harians
s
s
s
s
Jumlah Buruh
s
s
Upah KerjaOvertime Per
Jam
s
Estimasi JamKerja Overtime
Harian yangDibutuhkan
Gambar 5.9. Main Causal Loop
Setelah membentuk causal loop, maka dibangunlah main model simulasi.
Main model simulasi yang dibangun adalah main model yang dinamis sebab
terdapat kesinambungan proses diman output mesin pertama akan menjadi input
mesin berikutnya, demikian seterusnya. Main model simulasi yang dibangun
mencakup kegiatan pembelian bahan baku, penggunaan bahan baku, penentuan
persediaan bahan baku, sistem produksi dari bahan baku bokar menjadi produk
crumb rubber, penentuan jam kerja overtime apabila terjadi defisit (kekurangan)
produksi akibat kapasitas reguler harian terpakai tidak dapat mencukupi
permintaan harian produk crumb rubber, dan penentuan upah buruh produksi per
hari. Namun, sebelum membuat main model, terlebih dahulu dibuat sub model
tiap bagian untuk mempermudah penyusunan main model nantinya.
Legend untuk model dan sub model dapat dilihat pada Gambar 5.10.
?
?
?
?
Constant
Auxiliary
Rate
Level
Gambar 5.10. Legend
Sub model untuk persediaan bokar dapat dilihat pada Gambar 5.11.
Gambar 5.11. Sub Model Persediaan Bokar
Sub model untuk persediaan produk crumb rubber dapat dilihat pada
Gambar 5.12.
Gambar 5.12. Sub Model Persediaan Produk Crumb Rubber
Sub model untuk sub proses produksi crumb rubber dapat dilihat pada
Gambar 5.13.
Effisiensi ProsesPendinginan
S P
Output ProsesPendinginan
Input PrPending
Jumlah Produksi CrumbRubber dalam Ton
Gambar 5.13. Sub Model untuk Sub Proses Produksi Crumb Rubber
Sub model untuk penentuan total upah kerja buruh harian dapat dilihat pada
Gambar 5.14.
Gambar 5.14. Sub Model Penentuan Total Upah Kerja Buruh Harian
Setelah membuat sub model tiap bagian, dilakukan penggabungan
sehingga diperoleh main model simulasi dinamis yang dapat dilihat pada Gambar
5.15.
Kapasitas Produksi PerJam Terpasang
Jumlah Hari Kerja dalamSeminggu Jumlah Jam Kerja dalam
Sehari
Jam Kerja RegulerDalam Sehari
Persediaan Produk Crumb Rubber
Kapasitas ProduksiReguler Harian
Terpasang
Kapasitas ProduksiPabrik Harian Terpakai
Kapasitas ProduksiOvertime Harian
Terpakai
Jumlah ProduksiCrumb Rubber
dalam Ton
Penyaluran ProdukCrumb Rubber
Laju Permintaan
Permintaan Harian
Service Level 95 %Standar DeviasiPermintaan
Safety Stock
Kapasitas ProduksiTahunan Terpasang
Kapasitas ProduksiReguler Harian Terpakai
Estimasi Jam KerjaOvertime Harian Yang
Dibutuhkan
Kapasitas ProduksiReguler Harian Terpakai
Kapasitas Produksi PerJam Terpakai
Kapasitas Produksi PerJam Terpakai
Effisiensi ProsesPembungkusan Scrap Proses
Pembungkusan
Effisiensi Mesin PressHidrolik
Scrap Mesin PressHidrolikInput Proses
Penimbangan
Proses Penimbangan
Output ProsesPenimbangan
Input Mesin PressHidrolik
Output Mesin PressHidrolik
Input ProsesPembungkusan
Output ProsesPembungkusan
Input Proses Palleting
Proses Palleting
Output Proses Palleting
Jumlah Produksi CrumbRubber dalam Pallet
Effisiensi MesinShredder
Scrap Mesin Shredder
Effisiensi Mesin Dryer
Scrap Mesin Dryer
Effisiensi ProsesPendinginan
Scrap ProsesPendinginan
Output ProsesPendinginan
Input ProsesPendinginan
Output Mesin Dryer
Input Mesin Dryer
Output Mesin Shredder
Input Mesin Shredder Output ProsesPenjemuran
Output Mesin RotaryCutter
Input Mesin RotaryCutter
Effisiensi Mesin Slab
Scrap Mesin Slab CutterIEffisiensi Mesin Slab
Cutter IIScrap Mesin Slab Cutter
II
Input Mesin Slab CutterI
Output Mesin HummerMill
Input Mesin HummerMill
Output Mesin SlabCutter II Input Mesin Slab Cutter
II Output Mesin SlabCutter I
Effisiensi ProsesPenjemuran Scrap Proses
Penjemuran
Input ProsesPenjemuran
Effisiensi MesinCreeper I
Scrap Mesin Effisiensi Mesin
Creeper II Scrap Mesin Creeper II
Effisiensi MesinCreeper III
Scrap Mesin Creeper III
Output Mesin CreeperIII
Input Mesin Creeper III
Output Mesin CreeperII Input Mesin Creeper II
Output Mesin Creeper I
Input Mesin Cre
Input ProsesPenyortiran &Penimbangan
Effisiensi ProsesPenyortiran &
Scrap ProsesPenyortiran &
Output ProsesPenyimpanan Bahan
Baku
Effisiensi ProsesPenyimpanan Bahan
Baku
Input ProsesPenyimpanan Bahan
Baku
Output ProsesPenyortiran &Penimbangan
Persediaan BokarPenerimaan Bokar
Reorder Point Bokar
Lead Time Bokar
f k k
Beli BokarPersediaan Bokar Main
Supplier
Penggunaan Bokar
Upah Kerja BuruhReguler Per Jam
Jam Kerja RegulerDalam Sehari
Jumlah Buruh
Upah Kerja BuruhReguler Harian
Estimasi Jam KerjaOvertime HarianYang Dibutuhkan
Upah Kerja OvertimePer Jam
Upah Kerja BuruhOvertime Harian
Total Upah Kerja BuruhHarian
Gambar 5.15. Main Model Simulasi Dinamis
Logika dasar yang digunakan dalam membangun main model simulasi
dinamis pada Gambar 5.15. dapat dilihat pada blok diagram model yang disajikan
dalam Gambar 5.16.
Output Proses
Pendinginan
Jumlah Produksi
Crumb Rubber dalam Ton
Formula : (100<<%>>/'Effisiensi Proses Pendinginan')*(100<<%>>/(100%-'Scrap
Proses Pendinginan'))*'Output Proses Pendinginan'
Effisiensi Proses
Pendinginan
Scrap Proses
Pendinginan
Input Proses
Pendinginan
Output Mesin Dryer
Siklus Perhitungan Input yang
samaInput
Proses Penyortiran & Penimbangan
Penggunaan Bokar
Beli BokarFormula :
IF('Persediaan Bokar Main Supplier'>='Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';'Penggunaan
Bokar'*1<<da>>+'Safety Stock Bokar';IF('Persediaan Bokar Additional
Supplier'>='Penggunaan Bokar'*1<<da>>+'Safety Stock Bokar';'Penggunaan Bokar'*1<<da>>+'Safety
Stock Bokar';'Persediaan Bokar Main Supplier'+'Persediaan Bokar Additional Supplier'))
Persediaan Bokar Main
Supplier
Persediaan Bokar
Additional Supplier
σData AktualPenggunaan Bokar
Uji Distribusi (Normal) Diterima
Service Level 95 %
Safety Stock Bokar
Service Level 95 % x σ
Penerimaan BokarFormula :
STEP(IF('Persediaan Bokar'<='Reorder Point
Bokar';'Beli Bokar';0<<Ton>>);STARTTIME+'
Lead Time Bokar')/1<<da>>
μ
Lead Time Bokar
Reorder PointFormula :
('Rata-rata Penggunaan Bokar'
(μ)*'Lead Time Bokar')/
1<<da>>+'Safety Stock Bokar'
Safety Stock Bokar
Persediaan Bokar
Input Proses Penimbangan
Proses PenimbanganFormula :
INTEGER('Input Proses Penimbangan'/
35*1<<Bongkahan>>/1<<Kg>>)
Output Proses Penimbangan
Input Mesin Press Hidrolik
Siklus Perhitungan Output yang
samaJumlah
Produksi Crumb Rubber dalam Pallet
Service Level 95 % Service Level 95 %
x Standar Deviasi Permintaan
Safety Stock
Kapasitas Produksi Harian
Terpakai
Formula :'Kapasitas Produksi Reguler Harian Terpakai'+'Kapasitas Produksi Overtime Harian
Terpakai'
Kapasitas Produksi Reguler Harian Terpakai
Formula :'Kapasitas Produksi Per Jam Terpasang'*'Jam Kerja Reguler Dalam
Sehari'
Kapasitas Produksi Overtime Harian
TerpakaiFormula :
('Kapasitas Produksi Per Jam Terpakai'*'Estimasi
Jam Kerja Overtime Harian Yang
Dibutuhkan')/1<<hr>>
Estimasi Jam Kerja Overtime Harian Yang Dibutuhkan
Formula :IF('Kapasitas Produksi Reguler Harian
Terpakai'>='Permintaan Harian';0<<hr>>;INTEGER(INTEGER(
('Permintaan Harian'-'Kapasitas Produksi Reguler Harian Terpakai'))/INTEGER('Kapasitas Produksi Per
Jam Terpakai'))*1<<hr>>)
Data AktualPermintaan
Produk Crumb Rubber
Uji Distribusi (Normal) Diterima
μ;σ
Data TiruanLaju Permintaan
Formula :INTEGER(NORMAL(μ
;σ;0,99))*1<<Ton>>
Permintaan Harian
Kapasitas Produksi Per Jam Terpaka
Penyaluran Produk Crumb RubberFormula :
IF('Persediaan Produk Crumb Rubber'>='Permintaan
Harian';'Permintaan Harian';'Persediaan Produk Crumb Rubber'+'Safety Stock')/1<<da>>
σ
Persediaan Produk Crumb Rubber
Gambar 5.16. Blok Diagram Model
5.2.3. Akuisisi Data
Pada langkah ini, akan dilakukan identifikasi terhadap data yang
dikumpulkan. Identifikasi dilakukan untuk mengetahui pola data masa lalu agar
dapat memperoleh spesifikasi data yakni parameter distribusi dari data yang akan
dijadikan acuan untuk pembangkitan data tiruan pada simulasi dinamis nantinya.
Pola data masa lalu ditentukan dengan melakukan uji distribusi data. Adapun data
yang akan diuji polanya adalah data penggunaan bokar dan data permintaan
produk crumb rubber.
Uji distribusi data penggunaan bokar dilakukan secara statistik dengan uji
Chi Square. Adapun langkah-langkah dalam melakukan pengujian distribusi data
penggunaan bokar adalah sebagai berikut:
1. Menetapkan hipotesis awal
Ho : Data berdistribusi normal
Ha : Data tidak berdistribusi normal
Ho diterima apabila X2hitung < X2
tabel dan sebaliknya ditolak apabila X2hitung >
X2tabel
2. Menentukan nilai deskriptif statistik dari data penggunaan bokar dengan
menggunakan software Microsoft Excel
.
a. Menentukan jumlah data (N) dengan formula : COUNT (Range Data)
b. Menentukan nilai maksimum data dengan formula : MAX (Range Data)
c. Menentukan nilai minimum data dengan formula : MIN (Range Data)
d. Menentukan nilai Range (J) dengan formula : MAX – MIN
e. Menentukan banyak kelas (k) dengan formula :
ROUNDUP(1+(3,3*LOG10(COUNT(Range Data)));0)
f. Menentukan panjang kelas dengan formula : ROUNDUP(range/banyak
kelas;0)
g. Menentukan nilai rata-rata dengan formula : AVERAGE (Range Data)
h. Menentukan nilai standar deviasi dengan formula : ROUND(STDEV(Range
Data);2)
Adapun hasil penentuan nilai deskriptif statistik dari data penggunaan
bokar dapat dilihat pada Tabel 5.5.
Tabel 5.5. Hasil Penentuan Nilai Deskriptif Statistik dari
Data Penggunaan Bokar
Deskriptif Statistik Nilai
N 50
Max 77
Min 65
Range (J) 12
Banyak kelas (k) 7
Panjang kelas 2
Rata-rata 71
Standar Deviasi 3,05
Sumber : Pengolahan dengan Microsoft Excel
3. Membuat tabel distribusi frekuensi data yang dapat dilihat pada Tabel 5.6.
Tabel 5.6. Distribusi Frekuensi Data Penggunaan Bokar
Kelas Interval BKB BKA Frekuensi
1 65 - 66 64,5 66,5 2
2 67 - 68 66,5 68,5 10
3 69 - 70 68,5 70,5 13
4 71 - 72 70,5 72,5 12
5 73 - 74 72,5 74,5 4
6 75 - 76 74,5 76,5 7
7 77 - 78 76,5 78,5 2
Jumlah 50
Sumber : Pengolahan dengan Microsoft Excel
4. Membuat tabel penentuan nilai X2hitung
Tabel 5.7. Penentuan Nilai X
yang dapat dilihat pada Tabel 5.7.
2hitung
Kelas
Data Penggunaan Bokar
Interval fo n(x;μ;σ) fe (fo-fe)2
1
/fe
65 - 66 2 0,077375 3,86876 0,902683
2 67 - 68 10 0,144102 7,20511 1,084149
3 69 - 70 13 0,234142 11,70711 0,142781
4 71 - 72 12 0,25125 12,56249 0,025186
5 73 - 74 4 0,178061 8,903041 2,70018
6 75 - 76 7 0,083324 4,16621 1,9275
7 77 - 78 2 0,031745 1,587274 0,107318
Jumlah 50 1 50 6,889796
Sumber : Pengolahan dengan Microsoft Excel
5. Menentukan nilai X2 tabel αdimana tingkat kepercayaan ( ) = 5 %. Nilai X2
tabel
α
ditentukan menggunakan software Microsoft Excel dengan formula :
ROUND(CHIINV( ;banyak kelas-3);3). Dengan menggunakan formula
tersebut diperoleh nilai X2 tabel
6. Melakukan uji hipotesis data
= 9,488.
X2hitung
X
= 6,889796
2 tabel
X
= 9,488
2hitung < X2
tabel
Setelah melakukan uji distribusi data penggunaan bokar, dilakukan pula uji
distribusi data permintaan produk crumb rubber dengan uji Chi Square. Adapun
langkah-langkah dalam melakukan pengujian distribusi data permintaan produk
crumb rubber adalah sebagai berikut:
maka Ho diterima (data berdistribusi normal).
1. Menetapkan hipotesis awal
Ho : Data berdistribusi normal
Ha : Data tidak berdistribusi normal
Ho diterima apabila X2hitung < X2
tabel dan sebaliknya ditolak apabila X2hitung >
X2tabel
2. Menentukan nilai deskriptif statistik dari data permintaan produk crumb
rubber dengan menggunakan software Microsoft Excel
.
a. Menentukan jumlah data (N) dengan formula : COUNT (Range Data)
b. Menentukan nilai maksimum data dengan formula : MAX (Range Data)
c. Menentukan nilai minimum data dengan formula : MIN (Range Data)
d. Menentukan nilai Range (J) dengan formula : MAX – MIN
e. Menentukan banyak kelas (k) dengan formula :
ROUNDUP(1+(3,3*LOG10(COUNT(Range Data)));0)
f. Menentukan panjang kelas dengan formula : ROUNDUP(range/banyak
kelas;0)
g. Menentukan nilai rata-rata dengan formula : AVERAGE (Range Data)
h. Menentukan nilai standar deviasi dengan formula : ROUND(STDEV(Range
Data);2)
Adapun hasil penentuan nilai deskriptif statistik dari data permintaan
produk crumb rubber dapat dilihat pada Tabel 5.8.
Tabel 5.8. Hasil Penentuan Nilai Deskriptif Statistik dari
Data Permintaan Produk Crumb Rubber
Deskriptif Statistik Nilai
N 50
Max 66
Min 53
Range (J) 13
Banyak kelas (k) 7
Panjang kelas 2
Rata-rata 59
Standar Deviasi 3,03
Sumber : Pengolahan dengan Microsoft Excel
3. Membuat tabel distribusi frekuensi data yang dapat dilihat pada Tabel 5.9.
Tabel 5.9. Distribusi Frekuensi Data Permintaan Produk Crumb Rubber
Kelas Interval BKB BKA Frekuensi
1 53 - 54 52,5 54,5 5
2 55 - 56 54,5 56,5 9
3 57 - 58 56,5 58,5 9
4 59 - 60 58,5 60,5 12
5 61 - 62 60,5 62,5 11
6 63 - 64 62,5 64,5 3
7 65 - 66 64,5 66,5 1
Jumlah 50
Sumber : Pengolahan dengan Microsoft Excel
4. Membuat tabel penentuan nilai X2hitung
Tabel 5.10. Penentuan Nilai X
yang dapat dilihat pada Tabel 5.10.
2hitung
Kelas
Data Permintaan Produk Crumb Rubber
Interval fo n(x;μ;σ) fe [fo-fe]2
1
/fe
53 - 54 5 0,083864 4,193224 0,155224
2 55 - 56 9 0,152061 7,603031 0,256677
3 57 - 58 9 0,240389 12,01947 0,758534
4 59 - 60 12 0,249652 12,48262 0,01866
5 61 - 62 11 0,170329 8,516472 0,724233
6 63 - 64 3 0,076325 3,816241 0,174583
7 65 - 66 1 0,027379 1,368948 0,099436
Jumlah 50 1 50 2,187346
Sumber : Pengolahan dengan Microsoft Excel
5. Menentukan nilai X2 tabel αdimana tingkat kepercayaan ( ) = 5 %. Nilai X2
tabel
α
ditentukan menggunakan software Microsoft Excel dengan formula :
ROUND(CHIINV( ;banyak kelas-3);3). Dengan menggunakan formula
tersebut diperoleh nilai X2 tabel
6. Melakukan uji hipotesis data
= 9,488
X2hitung
X
= 2,187346
2 tabel
X
= 9,488
2hitung < X2
tabel
maka Ho diterima (data berdistribusi normal).
5.2.4. Menerjemahkan Model
Setelah membangun main model, langkah selanjutnya adalah
menerjemahkan model dengan cara mendefinisikan komponen yang digunakan.
Sebelum didefinisikan, komponen masih berupa undefined variable yang
memiliki tanda tanya. Mendefinisikan komponen dilakukan dengan kuantifikasi
yaitu melakukan double click pada komponen dan menginput formulasi untuk
komponen rate dan auxiliary, sedangkan untuk komponen level dan constant yang
diinput adalah nilai. Setelah selesai mendefinisikan komponen maka tanda tanya
akan hilang dan komponen akan menjadi terdefinisi dan dapat digunakan untuk
simulasi dinamis. Pendefinisian komponen yang dilakukan adalah sebagai berikut:
Setelah semua komponen terdefinisi, maka dapat dilakukan perhitungan
dengan model simulasi dinamis yakni dengan cara menjalankan simulasi dinamis
yang dibuat. Menjalankan simulasi dinamis dilakukan dengan cara mengklik
perintah RUN pada menu bar atau dapat juga dilakukan dengan cara shortcut
melalui keyboard yakni dengan menekan tombol Ctrl dan Space secara
bersamaan. Adapun hasil simulasi dinamis penggunaan bokar dapat dilihat
melalui Time Table pada Tabel 5.11. dan Time Graph pada Gambar 5.17.
Tabel 5.11. Time Table Hasil Simulasi Dinamis Penggunaan Bokar
Time Penggunaan Bokar (Ton/da)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
70,11
69,32
72,77
71,00
69,32
66,17
71,69
78,48
73,26
72,48
73,26
72,18
72,18
74,05
72,08
70,11
74,74
71,69
70,90
66,96
65,39
69,32
70,11
74,84
72,48
72,48
73,26
71,69
70,90
63,81
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02
65
70
75
Ton/da
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.17. Time Graph Hasil Simulasi Dinamis Penggunaan Bokar
Adapun hasil simulasi dinamis jumlah produksi crumb rubber dapat dilihat
melalui Time Table pada Tabel 5.12. dan Time Graph pada Gambar 5.18.
Tabel 5.12. Time Table Hasil Simulasi Dinamis Jumlah Produksi
Crumb Rubber
Time Jumlah Produksi Crumb Rubber dalam Ton (Ton/da) Jumlah Produksi Crumb Rubber dalam Pallet (Pallet)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
55,63
55,00
57,73
56,33
55,00
52,50
56,88
62,27
58,13
57,50
58,13
57,27
57,27
58,75
57,19
55,63
59,30
56,88
56,25
53,13
51,88
55,00
55,63
59,38
57,50
57,50
58,13
56,88
56,25
50,63
42,00
42,00
44,00
43,00
42,00
40,00
43,00
47,00
44,00
44,00
44,00
44,00
44,00
45,00
44,00
42,00
45,00
43,00
43,00
40,00
40,00
42,00
42,00
45,00
44,00
44,00
44,00
43,00
43,00
39,00
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02
40
45
50
55
60
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.18. Time Graph Hasil Simulasi Dinamis Jumlah Produksi
Crumb Rubber
Adapun hasil simulasi dinamis permintaan harian produk crumb rubber
dapat dilihat melalui Time Table pada Tabel 5.13. dan Time Graph pada Gambar
5.19.
Tabel 5.13. Time Table Hasil Simulasi Dinamis Permintaan Harian
Produk Crumb Rubber
Time Permintaan Harian (Ton)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
54,00
60,00
58,00
57,00
61,00
54,00
62,00
63,00
60,00
52,00
58,00
59,00
60,00
51,00
57,00
54,00
60,00
60,00
60,00
53,00
57,00
54,00
59,00
59,00
60,00
60,00
57,00
61,00
57,00
56,00
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 02
55
60
Ton
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.19. Time Graph Hasil Simulasi Dinamis Permintaan Harian
Produk Crumb Rubber
Adapun hasil simulasi dinamis persediaan bokar dapat dilihat melalui Time
Table pada Tabel 5.14. dan Time Graph pada Gambar 5.20.
Tabel 5.14. Time Table Hasil Simulasi Dinamis Persediaan Bokar
Time Persediaan Bokar (Ton)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
71,00
0,89
8,76
79,99
8,99
16,86
24,73
32,60
40,47
48,34
56,21
64,08
141,90
69,72
77,59
155,51
85,40
10,66
18,53
26,40
34,27
42,14
50,01
57,88
65,75
135,28
62,80
70,67
78,54
86,41
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 020
50
100
150
Ton
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.20. Time Graph Hasil Simulasi Dinamis Persediaan Bokar
Adapun hasil simulasi dinamis penentuan upah kerja buruh Harian dapat
dilihat melalui Time Table pada Tabel 5.15. dan Time Graph pada Gambar 5.21.
Tabel 5.15. Time Table Hasil Simulasi Dinamis
Penentuan Upah Kerja Buruh Harian
(Rupiah)
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 020
5.000.000
10.000.000Rupiah
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.21. Time Graph Hasil Simulasi Dinamis
Penentuan Upah Kerja Buruh Harian
5.2.5. Verifikasi
Langkah ini dilakukan untuk mengetahui apakah program simulasi
dinamis yang dibuat berjalan sesuai dengan maksud yang diharapkan. Verifikasi
model dapat dilakukan dengan pengujian verifikasi struktur model. Adapun
langkah-langkah uji verifikasi struktur model adalah sebagai berikut:
1. Verifikasi Teoritis
Verifikasi teoritis dilakukan dengan membandingkan causal loop yang dibuat
dengan sistem nyata yang ada. Pada sistem nyata, semakin besar penerimaan
bokar tentu persediaan bokar akan makin besar. Pada causal loop, hubungan
penerimaan bokar dan persediaan bokar adalah similar atau berbanding lurus
artinya semakin besar penerimaan bokar maka persediaan bokar akan makin
besar. Oleh karena itu, verifikasi teoritis menunjukkan hubungan antara
penerimaan bokar dan persediaan bokar pada sistem nyata dengan causal loop
yang dibuat telah sesuai dan benar. Untuk komponen distribusi produk crumb
rubber dan persediaan produk crumb rubber, pada sistem nyata tentu semakin
besar distribusi produk crumb rubber tentu jumlah persediaan produk crumb
rubber akan semakin kecil. Pada causal loop, hubungan distribusi produk
crumb rubber dan persediaan produk crumb rubber adalah opposite atau
berbanding terbalik artinya semakin besar distribusi produk crumb rubber
maka jumlah persediaan produk crumb rubber akan semakin kecil. Oleh
karena itu, verifikasi teoritis menunjukkan hubungan antara distribusi produk
crumb rubber dan persediaan produk crumb rubber pada sistem nyata dengan
causal loop yang dibuat telah sesuai dan benar. Demikian pula, verifikasi
teoritis untuk komponen-komponen lain.
2. Konsistensi Unit Analisis
Konsistensi unit analisis dilakukan dengan membandingkan formulasi secara
manual dengan formulasi powersim pada equation window powersim.
Formulasi pada powersim harus dibuat sesuai dengan konsep formulasi secara
manual. Satuan yang terdapat pada formulasi powersim juga harus sesuai
dengan satuan yang terdapat pada formulasi secara manual. Adapun
perbandingan formulasi beberapa komponen secara manual dengan formulasi
pada powersim dapat dilihat pada Tabel 5.16.
Tabel 5.16. Perbandingan Formulasi Beberapa Komponen Secara Manual
dengan Formulasi pada Powersim
No. Komponen Formulasi Secara Manual Formulasi pada Powersim
1 Jumlah jam kerja
dalam sehari 8 jam 8<<hr>>
2 Effisiensi Mesin
Creeper I 99% 99<<%>>
3 Input Mesin
Creeper I
(100% / Effisiensi Mesin Creeper
I) x (100% / (100% -Scrap Mesin
Creeper I)) x Output Mesin
Creeper I
(100<<%>>/’Effisiensi Mesin
Creeper I’)*(100<<%>>/(100%-
‘Scrap Mesin Creeper I’))*’Output
Mesin Creeper I’
4 Penyaluran Produk
Crumb Rubber
Jika persediaan produk crumb
rubber > = permintaan harian
maka yang disalurkan adalah
sebesar permintaan harian, jika
persediaan produk crumb rubber
< permintaan harian maka yang
disalurkan adalah sebesar
persediaan produk crumb rubber
ditambah safety stock
IF(‘Persediaan Produk Crumb
Rubber’>=’Permintaan Harian’;
’Permintaan Harian’;’Persediaan
Produk Crumb Rubber’+’Safety
Stock’)/1<<da>>
Dari Tabel 5.16. di atas, terlihat bahwa formulasi secara manual sudah
sesuai dengan formulasi pada powersim. Dengan demikian, konsistensi unit
analisis menunjukkan bahwa formulasi secara manual konsisten dengan formulasi
pada powersim.
Verifikasi dilakukan pula dengan melakukan test run untuk melihat apakah
ada trouble yang terjadi. Test run dilakukan dengan menginput nilai minimum
yakni 0. Dengan logika, seharusnya jika input nilai adalah 0 maka output juga
haruslah bernilai 0. Pada model yang dibuat, laju permintaan dibuat 0 ton dan jam
kerja dibuat 0 jam dan diperoleh hasil permintaan harian adalah 0 ton, penggunaan
bokar adalah 0 ton, jumlah produksi bokar adalah 0 ton, dan total upah kerja
buruh harian adalah Rp 0,-. Dari hasil test run, terlihat bahwa tidak terjadi trouble,
yang berarti model telah terverifikasi.
5.2.6. Validasi
Setelah selesai melakuan verifikasi, barulah dilakukan validasi model
untuk menilai kesahihan alat yang digunakan untuk melakukan simulasi yakni
software powersim studio. Validasi model dilakukan dengan uji kinerja atau
output model. Ada tiga metode pengujian yang akan digunakan untuk menguji
kinerja atau output model yaitu:
a. Uji penyimpangan rata-rata (Absolute Mean Error / AME)
Uji penyimpangan rata-rata bertujuan untuk melihat penyimpangan rata-rata
simulasi terhadap rata-rata aktual. Nilai AME ditentukan dengan persamaan:
AME = ( iS−
- −
iA ) / −
iA
Dimana: iS−
= Si / N
−
iA = Ai
/ N
b. Uji penyimpangan variasi (Absolute Variation Error / AVE)
Uji penyimpangan variasi bertujuan untuk melihat penyimpangan variasi
simulasi terhadap variasi aktual. Nilai AVE ditentukan dengan persamaan:
AVE = (SS - SA) / S
Dimana: S
A
S = (Si iS−
- )2 / N
SA = (Ai−
iA - )2
c. Uji Kecocokan Kalman Filter (KF)
/ N
Uji kecocokan Kalman Filter (KF) bertujuan untuk melihat kecocokan
(fitting) antara nilai simulasi dengan nilai aktual. Nilai KF ditentukan dengan
persamaan:
KF = VS / (VS + VA
Dimana: V
)
S = (Si iS−
- )2 / (N-1)
VA = (Ai−
iA - )2
Keterangan:
/ (N-1)
iS−
: Rata-rata nilai simulasi
−
iA : Rata-rata nilai aktual
Si :
A
Nilai simulasi
i :
S
Nilai aktual
S :
S
Standar deviasi nilai simulasi
A
V
: Standar deviasi nilai aktual
S : Varians nilai simulasi
VA :
KF : Kalman Filter
Varians nilai aktual
Adapun langkah-langkah validasi model dengan melakukan uji statistik
AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dengan
menggunakan software Microsoft Excel adalah sebagai berikut:
1. Menghitung rata-rata nilai simulasi dengan formula : AVERAGE (Range Data
Hasil Simulasi Penggunaan Bokar)
2. Menghitung rata-rata nilai aktual dengan formula : AVERAGE (Range Data
Aktual Penggunaan Bokar)
3. Menghitung standar deviasi nilai simulasi dengan formula : ROUND (STDEV
(Range Data Hasil Simulasi Penggunaan Bokar);2)
4. Menghitung standar deviasi nilai aktual dengan formula : ROUND (STDEV
(Range Data Aktual Penggunaan Bokar);2)
5. Menghitung varians nilai simulasi dengan formula : ROUND (VARA (Range
Data Hasil Simulasi Penggunaan Bokar);2)
6. Menghitung varians nilai aktual dengan formula : ROUND (VARA (Range
Data Aktual Penggunaan Bokar);2)
7. Menghitung nilai AME dengan formula : (Cell Rata-rata Nilai Simulasi - Cell
Rata-rata Nilai Aktual) / Cell Rata-rata Nilai Aktual
8. Menghitung nilai AVE dengan formula : (Cell Standar Deviasi Nilai Simulasi
- Cell Standar Deviasi Nilai Aktual) / Cell Standar Deviasi Nilai Aktual
9. Menghitung nilai Kalman Filter dengan formula : Cell Varians Nilai Simulasi
/ (Cell Varians Nilai Simulasi + Cell Varians Nilai Aktual)
Adapun hasil uji statistik AME, AVE, dan Kalman Filter terhadap data
penggunaan bokar dapat dilihat pada Tabel 5.17.
Tabel 5.17. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap
Data Penggunaan Bokar
Keterangan Nilai
Rata-rata nilai simulasi 71,00
Rata-rata nilai aktual 72,00
Standar deviasi nilai simulasi 2,97
Standar deviasi nilai aktual 3,05
Varians nilai simulasi 8,84
Varians nilai aktual 9,32
AME -0,01389 = 1,389 %
AVE -0,02623 = 2,623 %
Kalman Filter 0,4868 = 48,68 %
Sumber : Pengolahan dengan Microsoft Excel
Adapun hasil uji validitas model terhadap data penggunaan bokar dapat
dilihat pada Tabel 5.18.
Tabel 5.18. Hasil Uji Validitas Model Terhadap Data Penggunaan Bokar
No. Metode Validasi Batas Kritis Nilai Uji
Statistik Keterangan
1 Uji penyimpangan rata-rata (AME) < 5 % 1,389 % Valid
2 Uji penyimpangan variasi (AVE) < 5 % 2,623 % Valid
3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 % 48,68 % Valid
Setelah itu, dilakukan lagi validasi model dengan melakukan uji statistik
AME, AVE, dan Kalman Filter terhadap data permintaan produk crumb rubber
dengan menggunakan software Microsoft Excel dimana langkah-langkahnya
adalah sebagai berikut:
1. Menghitung rata-rata nilai simulasi dengan formula : AVERAGE (Range Data
Hasil Simulasi Permintaan Produk Crumb Rubber)
2. Menghitung rata-rata nilai aktual dengan formula : AVERAGE (Range Data
Aktual Permintaan Produk Crumb Rubber)
3. Menghitung standar deviasi nilai simulasi dengan formula : ROUND (STDEV
(Range Data Hasil Simulasi Permintaan Produk Crumb Rubber);2)
4. Menghitung standar deviasi nilai aktual dengan formula : ROUND (STDEV
(Range Data Aktual Permintaan Produk Crumb Rubber);2)
5. Menghitung varians nilai simulasi dengan formula : ROUND (VARA (Range
Data Hasil Simulasi Permintaan Produk Crumb Rubber);2)
6. Menghitung varians nilai aktual dengan formula : ROUND (VARA (Range
Data Aktual Permintaan Produk Crumb Rubber);2)
7. Menghitung nilai AME dengan formula : (Cell Rata-rata Nilai Simulasi - Cell
Rata-rata Nilai Aktual) / Cell Rata-rata Nilai Aktual
8. Menghitung nilai AVE dengan formula : (Cell Standar Deviasi Nilai Simulasi
- Cell Standar Deviasi Nilai Aktual) / Cell Standar Deviasi Nilai Aktual
9. Menghitung nilai Kalman Filter dengan formula : Cell Varians Nilai Simulasi
/ (Cell Varians Nilai Simulasi + Cell Varians Nilai Aktual)
Adapun hasil uji statistik AME, AVE, dan Kalman Filter terhadap data
permintaan produk crumb rubber dapat dilihat pada Tabel 5.19.
Tabel 5.19. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap
Data Permintaan Produk Crumb Rubber
Keterangan Nilai
Rata-rata nilai simulasi 57,77
Rata-rata nilai aktual 59,00
Standar deviasi nilai simulasi 3,09
Standar deviasi nilai aktual 3,08
Varians nilai simulasi 9,50
Varians nilai aktual 9,20
AME -0,02085 = 2,085 %
AVE 0,003247 = 0,3247 %
Kalman Filter 0,5080 = 50,80 %
Sumber : Pengolahan dengan Microsoft Excel
Adapun hasil uji validitas model terhadap data permintaan produk crumb
rubber dapat dilihat pada Tabel 5.20.
Tabel 5.20. Hasil Uji Validitas Model Terhadap
Data Permintaan Produk Crumb Rubber
No. Metode Validasi Batas Kritis Nilai Uji
Statistik Keterangan
1 Uji penyimpangan rata-rata (AME) < 5 % 2,085 % Valid
2 Uji penyimpangan variasi (AVE) < 5 % 0,3247 % Valid
Tabel 5.20. Hasil Uji Validitas Model Terhadap
Data Permintaan Produk Crumb Rubber (Lanjutan)
No. Metode Validasi Batas Kritis Nilai Uji
Statistik Keterangan
3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 % 50,80 % Valid
5.2.7. Perencanaan Taktis dan Strategis
Langkah selanjutnya adalah perencanaan taktis dan strategis dengan
menerapkan kebijakan tertentu yakni melakukan modifikasi terhadap model.
Modifikasi terhadap model dilakukan dengan memberikan perlakuan-perlakuan
atau kondisi-kondisi eksperimen pada model untuk melihat sensitivitas model
yang dibangun. Adapun perlakuan yang akan diberikan pada model adalah
sebagai berikut:
1. Lead time bokar berfluktuasi secara probabilistik dengan interval 1-3 hari.
2. Reorder point bokar dibuat deterministik sebesar 75 ton.
5.2.8. Eksperimen
Pada tahap ini, dilakukan eksekusi model simulasi dengan kondisi
eksperimen yang telah ditentukan untuk memperoleh nilai output eksperimen.
Perlakuan pertama adalah perlakuan lead time bokar dibuat berfluktuasi secara
probabilistik dengan interval 1-3 hari. Perlakuan ini diberikan karena bisa saja
terjadi keterlambatan penerimaan bokar dari supplier akibat masalah-masalah
yang terjadi saat transportasi.
Adapun hasil simulasi dinamis penerimaan bokar dengan lead time bokar
berfluktuasi secara probabilistik dapat dilihat melalui Time Table pada Tabel 5.21.
dan Time Graph pada Gambar 5.22.
Tabel 5.21. Time Table Hasil Simulasi Dinamis Penerimaan Bokar dengan
Lead Time Bokar Berfluktuasi Secara Probabilistik
Time Penerimaan Bokar (Ton/da)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
0,00
0,00
79,08
77,51
79,77
73,57
76,72
79,08
78,30
68,84
155,00
74,36
72,78
69,63
69,63
69,63
73,57
75,14
72,78
0,00
72,78
73,57
76,72
79,48
78,10
80,07
70,42
78,30
74,36
73,57
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 020
50
100
150
Ton/da
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.22. Time Graph Hasil Simulasi Dinamis Penerimaan Bokar dengan
Lead Time Bokar Berfluktuasi Secara Probabilistik
Perlakuan kedua adalah reorder point bokar dibuat deterministik sebesar
75 ton. Perlakuan ini diberikan untuk mempermudah penentuan waktu pembelian
bokar.
Adapun hasil simulasi dinamis persediaan bokar dan penerimaan bokar
dengan reorder point bokar dibuat deterministik dapat dilihat melalui Time Table
pada Tabel 5.22. dan Time Graph pada Gambar 5.23.
Tabel 5.22. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan
Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik
Sumber : Pengolahan dengan Powersim Studio 2005
03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 01 020
50
100
150
Sumber : Pengolahan dengan Powersim Studio 2005
Gambar 5.23. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan
Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik
5.2.9. Analisis Hasil
Adapun analisis yang dapat diberikan untuk semua hasil simulasi di atas,
adalah terdapat konsistensi model yaitu periode 10 Juni 2011 permintaan harian
produk crumb rubber paling kecil sehingga penggunaan bokar pada periode
periode 10 Juni 2011 juga paling kecil yang tentu saja menyebabkan jumlah
produksi crumb rubber pada periode 10 Juni 2011 menjadi paling kecil.
Untuk hasil simulasi persediaan bokar, terdapat perbedaan dimana
persediaan bokar paling kecil adalah pada periode 04 Juni 2011 dan persediaan
bokar paling besar adalah pada periode 18 Juni 2011. Hal ini disebabkan reorder
point bokar tidak deterministik karena reorder point bokar dihitung dengan rumus
: (rata-rata penggunaan bokar x lead time bokar) + safety stock bokar. Dimana
lead time bokar sendiri adalah probabilistik dengan interval 1-2 hari.
5.2.10. Implementasi dan Dokumentasi
Implementasi hasil simulasi diserahkan sepenuhnya kepada pihak
perusahaan. Perusahaan berhak mempercayai dan mengimplementasikan hasil
simulasi atau hanya menjadikannya sebagai pertimbangan dalam menentukan
jumlah persediaan bahan baku yang diperlukan serta jumlah produksi yang harus
dihasilkan. Dokumentasi model dilakukan dalam bentuk penyerahan hard copy
(print out) dan soft copy (CD) kepada pihak perusahaan.
BAB VI
ANALISIS PEMECAHAN MASALAH
6.1. Analisis Langkah Formulasi Masalah
Berdasarkan hasil pengolahan data, analisis yang dapat diberikan adalah
formulasi masalah harus dilakukan secara tajam dan tepat agar diperoleh masalah
utama yang dialami oleh perusahaan. Adapun yang menjadi masalah utama yang
dialami oleh perusahaan adalah permintaan yang datang secara fluktuatif yang
menyebabkan perusahaan sulit menentukan jumlah bahan baku yang diperlukan
serta jumlah produksi yang harus dihasilkan secara tepat.
6.2. Analisis Langkah Membangun Model
Analisis yang diberikan untuk langkah ini adalah analisis terhadap
pembuatan causal loop dan analisis terhadap pembuatan model simulasi dinamis.
Analisis yang diberikan untuk pembuatan causal loop adalah pembuatan causal
loop harus dilakukan secara logis dan tepat sebab causal loop ini akan menjadi
dasar dalam pembuatan main model simulasi dinamis. Hubungan antar komponen
harus ditentukan secara tepat dan tidak boleh terbalik karena sangat menentukan
hasil simulasi main model nantinya terutama untuk komponen yang menjadi rate
pada main model.
Analisis yang diberikan untuk pembuatan main model adalah main model
simulasi dinamis harus dibuat secara kompleks dengan mempertimbangkan
faktor-faktor yang dominan berpengaruh terhadap masalah yang telah
diidentifikasi agar dapat merepresentasikan sistem nyata dengan tepat.
6.3. Analisis Langkah Akuisisi Data
Analisis yang diberikan untuk langkah ini adalah analisis terhadap hasil
pengujian distribusi untuk mengetahui pola data masa lalu agar dapat memperoleh
spesifikasi dari data. Dari hasil pengujian distribusi, analisis yang dapat diberikan
adalah data penggunaan bokar aktual berdistribusi normal dengan nilai rata-rata
(µ) sebesar 71 ton dan nilai standar deviasi (σ ) sebesar 3,05 ton. Data permintaan
produk crumb rubber aktual berdistribusi normal dengan nilai rata-rata (µ) sebesar
59 ton dan nilai standar deviasi (σ ) sebesar 3,03 ton. Nilai rata-rata (µ) dan
standar deviasi (σ ), kedua nilai parameter distribusi normal inilah yang akan
dijadikan acuan dalam pembangkitan data tiruan untuk simulasi dinamis
perencanaan persediaan bahan baku dan jumlah produksi di PT. Batanghari
Tebing Pratama.
6.4. Analisis Langkah Menerjemahkan Model
Analisis yang diberikan untuk langkah ini adalah analisis cara
pendefinisian komponen yang digunakan dalam menerjemahkan model.
Pendefinisian komponen harus dilakukan dengan benar dan logis agar simulasi
dapat berjalan. Pendefinisian komponen harus mempertimbangkan satuan dari tiap
komponen yang disimulasikan. Satuan waktu yang digunakan untuk semua rate
pada main model harus konsisten. Apabila hasil simulasi yang diinginkan adalah
harian maka semua rate harus dibuat harian.
Selain itu, pada langkah ini akan dilakukan analisis terhadap hasil
perhitungan simulasi dinamis. Hasil simulasi dinamis untuk penggunaan bokar
adalah fluktuatif tiap harinya dimana penggunaan bokar paling kecil adalah pada
periode 02 Juli 2011 yaitu sebesar 63,81 ton dan penggunaan bokar paling besar
adalah pada periode 10 Juni 2011 yaitu sebesar 78,48 ton. Hasil simulasi dinamis
untuk penggunaan bokar dapat dilihat pada Tabel 6.1.
Tabel 6.1. Time Table Hasil Simulasi Dinamis Penggunaan Bokar
Time Penggunaan Bokar (Ton/da)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
70,11
69,32
72,77
71,00
69,32
66,17
71,69
78,48
73,26
72,48
73,26
72,18
72,18
74,05
72,08
70,11
74,74
71,69
70,90
66,96
65,39
69,32
70,11
74,84
72,48
72,48
73,26
71,69
70,90
63,81
Sumber : Pengolahan dengan Powersim Studio 2005
Hasil simulasi dinamis untuk jumlah produksi crumb rubber adalah
fluktuatif tiap harinya dimana jumlah produksi crumb rubber paling kecil adalah
pada periode 02 Juli 2011 yaitu sebesar 50,63 ton dan jumlah produksi crumb
rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 62,27 ton.
Hasil simulasi dinamis untuk jumlah produksi crumb rubber dapat dilihat pada
Tabel 6.2.
Tabel 6.2. Time Table Hasil Simulasi Dinamis Jumlah Produksi
Crumb Rubber
Time Jumlah Produksi Crumb Rubber dalam Ton (Ton/da) Jumlah Produksi Crumb Rubber dalam Pallet (Pallet)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
55,63
55,00
57,73
56,33
55,00
52,50
56,88
62,27
58,13
57,50
58,13
57,27
57,27
58,75
57,19
55,63
59,30
56,88
56,25
53,13
51,88
55,00
55,63
59,38
57,50
57,50
58,13
56,88
56,25
50,63
42,00
42,00
44,00
43,00
42,00
40,00
43,00
47,00
44,00
44,00
44,00
44,00
44,00
45,00
44,00
42,00
45,00
43,00
43,00
40,00
40,00
42,00
42,00
45,00
44,00
44,00
44,00
43,00
43,00
39,00
Sumber : Pengolahan dengan Powersim Studio 2005
Hasil simulasi dinamis untuk permintaan harian produk crumb rubber
adalah fluktuatif tiap harinya dimana permintaan harian produk crumb rubber
paling kecil adalah pada periode 16 Juni 2011 yaitu sebesar 51,00 ton dan
permintaan harian produk crumb rubber paling besar adalah pada periode 10 Juni
2011 yaitu sebesar 63,00 ton. Hasil simulasi dinamis untuk permintaan harian
produk crumb rubber dapat dilihat pada Tabel 6.3.
Tabel 6.3. Time Table Hasil Simulasi Dinamis Permintaan Harian
Produk Crumb Rubber
Time Permintaan Harian (Ton)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
54,00
60,00
58,00
57,00
61,00
54,00
62,00
63,00
60,00
52,00
58,00
59,00
60,00
51,00
57,00
54,00
60,00
60,00
60,00
53,00
57,00
54,00
59,00
59,00
60,00
60,00
57,00
61,00
57,00
56,00
Sumber : Pengolahan dengan Powersim Studio 2005
Hasil simulasi dinamis untuk persediaan bokar adalah fluktuatif tiap
harinya dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011
yaitu sebesar 0,89 ton dan persediaan bokar paling besar adalah pada periode 18
Juni 2011 yaitu sebesar 155,51 ton. Hasil simulasi dinamis untuk persediaan
bokar dapat dilihat pada Tabel 6.4.
Tabel 6.4. Time Table Hasil Simulasi Dinamis Persediaan Bokar
Time Persediaan Bokar (Ton)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
71,00
0,89
8,76
79,99
8,99
16,86
24,73
32,60
40,47
48,34
56,21
64,08
141,90
69,72
77,59
155,51
85,40
10,66
18,53
26,40
34,27
42,14
50,01
57,88
65,75
135,28
62,80
70,67
78,54
86,41
Sumber : Pengolahan dengan Powersim Studio 2005
Hasil simulasi dinamis untuk total upah kerja buruh harian adalah
fluktuatif tiap harinya sebab upah kerja lembur (overtime) buruh tiap hari berbeda
tergantung jam lembur tiap harinya. Hasil simulasi dinamis untuk total upah kerja
buruh harian dapat dilihat pada Tabel 6.5.
Tabel 6.5. Time Table Hasil Simulasi Dinamis
Total Upah Kerja Buruh Harian
(Rupiah)
Sumber : Pengolahan dengan Powersim Studio 2005
6.5. Analisis Langkah Verifikasi
Analisis yang diberikan untuk langkah ini adalah analisis terhadap
verifikasi struktur model dan analisis terhadap hasil test run Adapun analisis yang
dilakukan terhadap verifikasi struktur model adalah sebagai berikut:
1. Verifikasi Teoritis
Verifikasi teoritis yang dilakukan sudah benar dan tepat. Hal ini terlihat dari
kesesuaian antara causal loop yang dibuat dengan sistem nyata yang ada.
2. Konsistensi Unit Analisis
Dari pengolahan data, terlihat bahwa formulasi secara manual sudah sesuai
dan konsisten dengan formulasi pada powersim. Hal ini berarti menunjukkan
bahwa konsistensi unit analisis sudah benar dan tepat
Adapun analisis yang diberikan terhadap hasil test run adalah dari hasil
test run pada pengolahan data, terlihat bahwa tidak terjadi trouble, yang berarti
model telah terverifikasi dengan baik.
6.6. Analisis Langkah Validasi
Pada langakah validasi ini, yang akan dianalisis adalah hasil uji statistik
AME, AVE, dan Kalman Filter terhadap data penggunaan bokar dan data
permintaan produk crumb rubber. Dari hasil pengolahan data, diperoleh hasil uji
statistik AME, AVE, dan Kalman Filter terhadap data penggunaan bokar yang
dapat dilihat pada Tabel 6.6.
Tabel 6.6. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap
Data Penggunaan Bokar
Keterangan Nilai
Rata-rata nilai simulasi 71,00
Rata-rata nilai aktual 72,00
Standar deviasi nilai simulasi 2,97
Standar deviasi nilai aktual 3,05
Varians nilai simulasi 8,84
Varians nilai aktual 9,32
Tabel 6.6. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap
Data Penggunaan Bokar (Lanjutan)
Keterangan Nilai
AME -0,01389 = 1,389 %
AVE -0,02623 = 2,623 %
Kalman Filter 0,4868 = 48,68 %
Sumber : Pengolahan dengan Microsoft Excel
Setelah memperoleh hasil uji statistik AME, AVE, dan Kalman Filter
terhadap data penggunaan bokar dapat dilakukan uji validitas model terhadap data
penggunaan bokar yang dapat dilihat pada Tabel 6.7.
Tabel 6.7. Hasil Uji Validitas Model Terhadap Data Penggunaan Bokar
No. Metode Validasi Batas Kritis Nilai Uji
Statistik Keterangan
1 Uji penyimpangan rata-rata (AME) < 5 % 1,389 % Valid
2 Uji penyimpangan variasi (AVE) < 5 % 2,623 % Valid
3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 % 48,68 % Valid
Dari Tabel 6.7. di atas, terlihat bahwa semua nilai uji statistik yaitu AME,
AVE, dan Kalman Filter (KF) tidak melewati batas kritis. Ini menunjukkan
bahwa model yang dibuat telah valid.
Dari hasil pengolahan data, juga diperoleh hasil uji statistik AME, AVE,
dan Kalman Filter terhadap data permintaan produk crumb rubber yang dapat
dilihat pada Tabel 6.8.
Tabel 6.8. Hasil Uji Statistik AME, AVE, dan Kalman Filter Terhadap
Data Permintaan Produk Crumb Rubber
Keterangan Nilai
Rata-rata nilai simulasi 57,77
Rata-rata nilai aktual 59,00
Standar deviasi nilai simulasi 3,09
Standar deviasi nilai aktual 3,08
Varians nilai simulasi 9,50
Varians nilai aktual 9,20
AME -0,02085 = 2,085 %
AVE 0,003247 = 0,3247 %
Kalman Filter 0,5080 = 50,80 %
Sumber : Pengolahan dengan Microsoft Excel
Setelah memperoleh hasil uji statistik AME, AVE, dan Kalman Filter
terhadap data permintaan produk crumb rubber, dilakukan lagi uji validitas model
terhadap data permintaan produk crumb rubber yang dapat dilihat pada Tabel 6.9.
Tabel 6.9. Hasil Uji Validitas Model Terhadap
Data Permintaan Produk Crumb Rubber
No. Metode Validasi Batas Kritis Nilai Uji
Statistik Keterangan
1 Uji penyimpangan rata-rata (AME) < 5 % 2,085 % Valid
2 Uji penyimpangan variasi (AVE) < 5 % 0,3247 % Valid
3 Uji kecocokan Kalman Filter (KF) 47,5 % - 52,5 % 50,80 % Valid
Dari Tabel 6.9. di atas, terlihat bahwa semua nilai uji statistik yaitu AME,
AVE, dan Kalman Filter (KF) tidak melewati batas kritis. Ini menunjukkan
bahwa model yang dibuat telah valid.
6.7. Analisis Langkah Perencanaan Taktis dan Strategis
Analisis yang diberikan untuk langkah ini adalah perencanaan taktis dan
strategis berupa pemberian perlakuan-perlakuan dalam melakukan modifikasi
terhadap model haruslah dipilih perlakuan yang benar-benar diperlukan yaitu
perlakuan yang sering terjadi pada sistem nyata sehingga dapat dilihat sensitivitas
model dalam memberikan tanggapan (respon) atas perlakuan yang diberikan
6.8. Analisis Langkah Eksperimen
Analisis yang diberikan untuk langkah ini adalah analisis terhadap nilai
output eksperimen dari perlakuan-perlakuan yang diberikan. Untuk perlakuan lead
time bokar dibuat berfluktuasi secara probabilistik dengan interval 1-3 hari, hasil
simulasi dinamis penerimaan bokarnya dapat dilihat pada Tabel 6.10.
Tabel 6.10. Time Table Hasil Simulasi Dinamis Penerimaan Bokar dengan
Lead Time Bokar Berfluktuasi Secara Probabilistik
Time Penerimaan Bokar (Ton/da)
03 Jun
04 Jun
05 Jun
06 Jun
07 Jun
08 Jun
09 Jun
10 Jun
11 Jun
12 Jun
13 Jun
14 Jun
15 Jun
16 Jun
17 Jun
18 Jun
19 Jun
20 Jun
21 Jun
22 Jun
23 Jun
24 Jun
25 Jun
26 Jun
27 Jun
28 Jun
29 Jun
30 Jun
01 Jul
02 Jul
0,00
0,00
79,08
77,51
79,77
73,57
76,72
79,08
78,30
68,84
155,00
74,36
72,78
69,63
69,63
69,63
73,57
75,14
72,78
0,00
72,78
73,57
76,72
79,48
78,10
80,07
70,42
78,30
74,36
73,57
Sumber : Pengolahan dengan Powersim Studio 2005
Dari Tabel 6.10. di atas, terlihat bahwa perlakuan lead time bokar dibuat
berfluktuasi secara probabilistik dengan interval 1-3 hari memberikan pengaruh
yang cukup besar pada penerimaan bokar.
Untuk perlakuan reorder point bokar dibuat deterministik sebesar 75 ton,
hasil simulasi dinamis persediaan bokar dan penerimaan bokarnya dapat dilihat
pada Tabel 6.11.
Tabel 6.11. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan
Penerimaan Bokar dengan Reorder Point Bokar Dibuat Deterministik
Sumber : Pengolahan dengan Powersim Studio 2005
Dari Tabel 6.11. di atas, terlihat bahwa perlakuan reorder point bokar
dibuat deterministik sebesar 75 ton membuat persediaan bokar dan penerimaan
bokar menjadi lebih stabil. Hal ini disebabkan sudah ada kepastian tentang
besarnya reorder point bokar sehingga lebih mudah dalam menentukan waktu
pembelian bokar dari supplier.
6.9. Analisis Hasil Simulasi Secara Keseluruhan
Pada tahap ini akan dilakukan analisis terhadap hasil simulasi secara
keseluruhan. Adapun analisis yang dapat diberikan adalah terdapat konsistensi
model yaitu periode 10 Juni 2011 permintaan harian produk crumb rubber paling
kecil sehingga penggunaan bokar pada periode periode 10 Juni 2011 juga paling
kecil yang tentu saja menyebabkan jumlah produksi crumb rubber pada periode
10 Juni 2011 menjadi paling kecil.
Untuk hasil simulasi persediaan bokar, terdapat perbedaan dimana
persediaan bokar paling kecil adalah pada periode 04 Juni 2011 dan persediaan
bokar paling besar adalah pada periode 18 Juni 2011. Hal ini disebabkan reorder
point bokar tidak deterministik karena reorder point bokar dihitung dengan rumus
: (rata-rata penggunaan bokar x lead time bokar) + safety stock bokar. Dimana
lead time bokar sendiri adalah probabilistik dengan interval 1-2 hari.
6.10. Analisis Langkah Implementasi dan Dokumentasi
Analisis yang dapat diberikan untuk langkah ini adalah implementasi hasil
simulasi diserahkan sepenuhnya kepada pihak perusahaan. Perusahaan yang
berhak menentukan apakah akan menggunakan hasil penelitian ini atau tidak.
Sedangkan untuk dokumentasi harus dilakukan dengan baik yakni dengan
melakukan dokumentasi dalam bentuk hard copy (print out) dan soft copy (CD)
agar data tersimpan dengan baik sehingga dapat digunakan kembali bila
diperlukan nanti.
BAB VII
KESIMPULAN DAN SARAN
7.1. Kesimpulan
Adapun kesimpulan yang dapat diberikan penulis sesuai dengan hasil
pengolahan data dan analisis adalah sebagai berikut :
1. Formulasi masalah harus dilakukan secara tajam dan tepat agar diperoleh
masalah utama yang dialami oleh perusahaan. Adapun yang menjadi masalah
utama yang dialami oleh perusahaan adalah permintaan yang datang secara
fluktuatif yang menyebabkan perusahaan sulit menentukan jumlah bahan baku
yang diperlukan serta jumlah produksi yang harus dihasilkan secara tepat.
2. Pembuatan causal loop harus dilakukan secara logis dan tepat sebab causal
loop ini akan menjadi dasar dalam pembuatan main model simulasi dinamis.
Hubungan antar komponen harus ditentukan secara tepat dan tidak boleh
terbalik karena sangat menentukan hasil simulasi main model nantinya
terutama untuk komponen yang menjadi rate pada main model.
3. Model simulasi dinamis yang dibuat secara kompleks harus
mempertimbangkan faktor-faktor yang dominan berpengaruh terhadap
masalah yang telah diidentifikasi agar dapat merepresentasikan sistem nyata
dengan tepat.
4. Data penggunaan bokar aktual berdistribusi normal dengan nilai rata-rata (µ)
sebesar 71 ton dan nilai standar deviasi (σ ) sebesar3,05 ton.
5. Data permintaan produk crumb rubber aktual berdistribusi normal dengan
nilai rata-rata (µ) sebesar 59 ton dan nilai standar deviasi (σ ) sebesar 3,03
ton.
6. Pendefinisian komponen harus dilakukan dengan benar dan logis agar
simulasi dapat berjalan.
7. Hasil simulasi dinamis untuk penggunaan bokar adalah fluktuatif tiap harinya
dimana penggunaan bokar paling kecil adalah pada periode 02 Juli 2011 yaitu
sebesar 63,81 ton dan penggunaan bokar paling besar adalah pada periode 10
Juni 2011 yaitu sebesar 78,48 ton.
8. Hasil simulasi dinamis untuk jumlah produksi crumb rubber adalah fluktuatif
tiap harinya dimana jumlah produksi crumb rubber paling kecil adalah pada
periode 02 Juli 2011 yaitu sebesar 50,63 ton dan jumlah produksi crumb
rubber paling besar adalah pada periode 10 Juni 2011 yaitu sebesar 62,27 ton.
9. Hasil simulasi dinamis untuk permintaan harian produk crumb rubber adalah
fluktuatif tiap harinya dimana permintaan harian produk crumb rubber paling
kecil adalah pada periode 16 Juni 2011 yaitu sebesar 51,00 ton dan permintaan
harian produk crumb rubber paling besar adalah pada periode 10 Juni 2011
yaitu sebesar 63,00 ton.
10. Hasil simulasi dinamis untuk persediaan bokar adalah fluktuatif tiap harinya
dimana persediaan bokar paling kecil adalah pada periode 04 Juni 2011 yaitu
sebesar 0,89 ton dan persediaan bokar paling besar adalah pada periode 18
Juni 2011 yaitu sebesar 155,51 ton.
11. Dari hasil uji statistik terhadap data penggunaan bokar diperoleh nilai AVE
sebesar 1,389 %, nilai AME sebesar 2,623 %, nilai Kalman Filter (KF)
sebesar 48,68 %.
12. Dari hasil uji statistik terhadap data permintaan produk crumb rubber
diperoleh nilai AVE sebesar 2,085 %, nilai AME sebesar 0,3247 %, nilai
Kalman Filter (KF) sebesar 50,80 %.
13. Perlakuan lead time bokar dibuat berfluktuasi secara probabilistik dengan
interval 1-3 hari memberikan pengaruh yang cukup besar pada penerimaan
bokar.
14. Perlakuan reorder point bokar dibuat deterministik sebesar 75 ton membuat
persediaan bokar dan penerimaan bokar menjadi lebih stabil.
7.2. Saran
Adapun saran yang dapat diberikan penulis sesuai dengan kesimpulan dan
analisis sebelumnya adalah sebagai berikut :
1. Sebaiknya peneliti berikutnya meneliti lebih lanjut dengan memperhitungkan
komponen cost (biaya).
2. Sebaiknya dilakukan penelitian apakah perlu dilakukan produksi dua shift
sebab pemenuhan permintaan dengan lembur (overtime) menghabiskan biaya
yang besar.
top related