chapter iii vii

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


(Lanjutan)


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


(Lanjutan)


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


(Lanjutan)


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


Periode 01 April 2011 - 31 Mei 2011 (Lanjutan)


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




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




25/05/2011 59

26/05/2011 62

27/05/2011 54

28/05/2011 61

30/05/2011 54

31/05/2011 53


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


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


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


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


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


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


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.


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 %


Terpakai


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


Input PrPending


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


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



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


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


4. Membuat tabel penentuan nilai X2hitung

Tabel 5.7. Penentuan Nilai X

yang dapat dilihat pada Tabel 5.7.

2hitung

Kelas


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


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


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


4. Membuat tabel penentuan nilai X2hitung

Tabel 5.10. Penentuan Nilai X

yang dapat dilihat pada Tabel 5.10.

2hitung

Kelas


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


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


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


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


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


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


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


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


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)


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


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


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 %


Adapun hasil uji validitas model terhadap data penggunaan bokar dapat


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.



Keterangan Nilai







AME -0,02085 = 2,085 %

AVE 0,003247 = 0,3247 %



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 (Lanjutan)




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


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


Gambar 5.22. Time Graph Hasil Simulasi Dinamis Penerimaan Bokar dengan


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


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


Gambar 5.23. Time Table Hasil Simulasi Dinamis Persediaan Bokar dan


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


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


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


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


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)


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.



Keterangan Nilai








Data Penggunaan Bokar (Lanjutan)

Keterangan Nilai

AME -0,01389 = 1,389 %

AVE -0,02623 = 2,623 %



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






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




Keterangan Nilai







AME -0,02085 = 2,085 %

AVE 0,003247 = 0,3247 %



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.








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


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


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



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.

chapter iii vii

Documents