2 TINJAUAN PUSTAKA

2.1 Production Planning & Inventory Control (PPIC)

Production Planning and Inventory Control (umumnya disingkat dengan

PPIC) adalah bagian dari kegiatan manajemen produksi dan persediaan. Tujuan

dari kegiatan PPIC adalah untuk dapat melakukan perencanaan produksi dan

persediaan. Kegiatan ini dilakukan dalam rangka pemanfaatan sumber secara

efektif serta dapat melakukan pengendalian produksi dan persediaan dengan

melakukan penyesuaian dari perencanaan yang telah dibuat dengan kegiatan

produksi sehari-hari. Permasalahan yang harus dihadapi dalam PPIC antara lain

adalah : penyesuaian apa (dilakukan pada level sistem manufaktur), berapa

banyak, kapan, siapa serta bagaimana penyesuaian harus dilakukan.

Dalam arah pengembangan sistem perencanaan dan pengendalian produksi,

Bedworth menggambarkan PPIC sebagai aliran material dan informasi fungsi

pengendalian produksi dalam kegiatan perencanaan sumber daya manufaktur pada

perusahaan.

Perkembangan fungsi perencanaan produksi dan pengendalian persediaan

diawali oleh Oliver Wigth dan Joseph Orlicky pada tahun 1960 yang

memperkenalkan Material Requirement Planning (MRP) untuk membantu

menyediakan bahan baku yang tepat untuk menghasilkan produk jadi yang tepat

dengan jumlah yang sesuai sehingga produsen dapat mengirimkan produk sesuai

dengan permintaan konsumen (Koh, 2006).

Pada tahun 1975, sistem MRP diperluas menjadi sistem Manufacturing

Resources Planning yang sering disebut dengan MRP II, dimana MRP merupakan

fungsi utama sistem MRP II. MRP II mengintegrasikan informasi, teknologi

manufaktur, rencana dan sumber daya untuk perbaikan efisiensi pada perusahaan

manufaktur. MRP II berisi berbagai fungsi yang saling terkait meliputi :

perencanaan bisnis, perencanaan penjualan dan operasional, perencanaan produksi,

Master Production Scheduling (MPS), MRP, perencanaan kebutuhan kapasitas

serta sistem pendukung untuk operasionalisasi kapasitas dan bahan baku. Output

dari sistem ini terintegrasi dengan laporan finansial seperti rencana bisnis, laporan

pembelian, anggaran pengiriman dan proyeksi persediaan dalam nilai finansial.

8

Konsep Enterprise Resource Planning (ERP) mulai dikembangkan pada

sekitar tahun 1990 dan makin berkembang menjadi versi lengkap MRP II

(Davenport, 2000 dalam Koh, 2006). Sistem ini mengintegrasikan sejumlah

fungsi bisnis seperti penjualan, pemasaran, akuntansi, pembelian, logistik dan

sumber daya manusia. Terkait dengan sistem ERP, dinyatakan oleh Berchat &

Habechi (2005) bahwa perencanaan produksi merupakan modul terpenting yang

mendukung sistem Enterprise Resources Planning (ERP). Dalam makalah

tersebut, dinyatakan oleh Stadtler (2005) bahwa kekuatan ERP bukan berada pada

area perencanaan, melainkan cenderung untuk fokus pada aspek integrasi.

Fogarty (1991) memperjelas kegiatan perencanaan produksi dan

pengendalian persediaan dengan menggambarkan secara detil kegiatan PPIC

dalam framework Manufacturing Resources Planning (MRP II) sesuai dengan

gambar 1 berikut. Sesuai dengan konsep MRP II yang telah dikembangkan oleh

Fogarty (1991), diketahui bahwa lingkup kegiatan Production Planning &

Inventory Control (PPIC) pada industri manufaktur meliputi kegiatan

perencanaan dan pengendalian produksi yang bersifat jangka panjang, jangka

menengah dan jangka pendek, tergantung dari waktu yang dibutuhkan untuk

menyelesaikan pelaksanaan produksi. Perencanaan jangka panjang mencakup

kegiatan : Business Forecasting, Product & Sales Planning, Resources

Requirement Planning dan Financial Planning. Kegiatan yang termasuk dalam

perencanaan jangka menengah meliputi : Distribution Resources Planning (DRP),

Demand Management, Master Production Scheduling (MPS), Rough Cut

Capacity Planning (RCCP), Material Requirement Planning (MRP) dan Capacity

Requirement Planning (CRP). Perencanaan jangka pendek terdiri atas : Final

Assembly Scheduling (FAS) dan Input/Output Planning & Control (meliputi

kegiatan Production Activity Control / PAC dan Purchase Planning & Control).

Kegiatan PPIC dimulai dari kegiatan Perencanaan Produksi yang telah

mempertimbangkan Perencanaan Produk dan Penjualan, Perencanaan Kebutuhan

Sumber Daya dan Perencanaan Finansial. Kegiatan ini umumnya dilakukan pada

awal perusahaan mulai melakukan kegiatannya dalam berproduksi untuk

mengetahui strategi berproduksi yang sesuai untuk diterapkan perusahaan dengan

mempertimbangkan keterbatasan dan ketersediaan sumber daya yang dimiliki

9

perusahaan termasuk rencana penjualan dan produk yang dilakukan perusahaan.

Kegiatan Perencanaan Produksi ini akan dilakukan peninjauan kembali apabila

terjadi perubahan cukup radikal dari rencana produk dan penjualan perusahaan

ataupun kondisi finansial dan sumber daya yang dimiliki perusahaan.

Sasaran OrganisasiPerencanaan

Kebutuhan Sumber

Daya

Perencanaan Produk

dan Penjualan

Perencanaan Produksi

Perencanaan Finansial

Peramalan Bisnis

Perencanaan Sumberdaya

Distribusi

Manajemen

Permintaan

Penjadwalan Induk

Produksi

Perencanaan

Kapasitas Kasar

Perencanaan

Kebutuhan Bahan

Baku

Perencanaan

Kebutuhan Kapasitas

Pengendalian

Kegiatan Produksi

Pengendalian dan

Perencanaan

Pembelian

Penjadwalan

Perakitan Akhir

JANGKA PANJANG

JANGKA MENENGAH

JANGKA PENDEK

PERENCANAAN DAN PENGENDALIAN

MASUKAN/LUARAN

Kegiatan

Production Planning & Inventory Control

(PPIC)

Gambar 1 Lingkup kegiatan Production Planning & Inventory Control (PPIC)

sebagai bagian dari Manufacturing Resources Planning (MRP II)

(Fogarty, 1991).

10

Setelah diketahui strategi berproduksi yang diterapkan perusahaan, dengan

mempertimbangkan permintaan produk, dilakukan kegiatan manajemen

permintaan dengan melakukan prakiraan permintaan, dilanjutkan dengan kegiatan

penjadwalan induk produksi yang juga telah mempertimbangkan rencana

sumberdaya distribusi.

Kegiatan penjadwalan induk produksi yang telah mempertimbangkan

kapasitas produksi yang dimiliki perusahaan menghasilkan rencana jadwal induk

produksi dan berikutnya dapat dilakukan perencanaan kebutuhan bahan baku.

Rencana jadwal induk produksi ini akan menjadi dasar dalam kegiatan

penjadwalan produksi. Kegiatan perencanaan bahan baku menjadi masukan

dalam kegiatan pengendalian kegiatan produksi serta perencanaan dan

pengendalian kegiatan pembelian.

2.2 Ketidakpastian dalam PPIC

Bonney (2000) dalam makalahnya yang berjudul : Deflection on

Production Planning & Control (PPC) telah mengidentifikasi beberapa

perubahan sistem PPC untuk mengantisipasi kebutuhan pasar. PPC diharapkan

menjadi lebih fleksibel untuk dapat merespon secara efektif perubahan internal

dan eksternal. Untuk menjalankan sistem PPC dibutuhkan perbaikan prosedur

perencanaan serta perbaikan pengendalian operasional pada lantai produksi

sedemikian sehingga dapat merespon ketidakpastian dalam lingkungan produksi

dan pasar. Koh dan Saad (2003) mendukung yang disampaikan oleh Bonney dan

menyatakan bahwa performansi ERP kurang baik dalam menghadapi

ketidakpastian. Untuk itu dibutuhkan tambahan fasilitas pendukung keputusan

dalam area perencanaan ERP.

Mula, J. et al. (2006) dalam makalahnya mengatakan bahwa Galbraith

(1973) mendefinisikan ketidakpastian sebagai perbedaan antara kebutuhan

informasi untuk melakukan kegiatan dengan informasi yang telah dimiliki.

Terdapat berbagai bentuk ketidakpastian yang mempengaruhi proses produksi

yang dikategorikan oleh Ho (1989) menjadi 2 kelompok besar yaitu :

a. Environmental uncertainty : meliputi demand uncertainty dansupply

uncertainty

11

b. System uncertainty, meliputi antara lain : operation yield uncertainty

danproduction lead time uncertainty.

Dalam makalah tersebut, Yano dan Lee (1995) juga Sethi, et.al. (2002)

memformalisasikan berbagai model ketidakpastian dalam sistem manufaktur yang

memanfaatkan antara lain konsep safety stocks dan safety lead time dengan

menggunakan pendekatan berbasis intelijensia buatan maupun model analitis.

Berikutnya dinyatakan oleh Koh et al. (2002) bahwa ketidakpastian dalam

lingkungan ERP belum dipelajari secara sistematis sehingga banyak peneliti

berusaha menemukan cara untuk menghadapi ketidakpastian dan bukannya

mendiagnosa penyebab terjadinya ketidakpastian tersebut. Menurut Koh et al.

(2000), terdapat asumsi-asumsi yang mendasari MRP sehingga menjadi

keterbatasan MRP, yaitu : waktu ancang yang tetap dalam pembelian bahan baku

dan produksi, urutan proses dan aliran material yang tetap yang tidak

memungkinkan adanya terhentinya mesin atau terjadinya keterlambatan waktu

proses, serta jumlah produk dengan prosentase cacat yang tetap sehingga tidak

memungkinkan terjadinya kejadian tak terduga yang sebenarnya dapat menambah

jumlah produk cacat. Asumsi-asumsi ini menyebabkan ketidakmampuan MRP

dalam mengantisipasi ketidakpastian yang terjadi pada lingkungan nyata

manufaktur, sehingga perencana harus menggunakan beberapa teknik lain seperti

penjadwalan ulang, subkontrak atau teknik lainnya untuk mengantisipasi

ketidakpastian yang terjadi (Mandal dan Gunasekaran, 2003).

Vollman et al. (1999) mengkategorikan 4 tipe ketidakpastian yang terjadi

disebabkan karena kebutuhan pergantian antar periode, kekurangan atau kelebihan

bahan baku dari yang direncanakan, pemasok tidak mengirimkan pesanan bahan

baku tepat waktu serta adanya ketidaksesuaian jumlah pesanan yang diterima dari

pemasok. Koh et al. (2002) juga mengkategorikan ketidakpastian menjadi

ketidakpastian input dan ketidakpastian proses meliputi :

kekurangan/ketidaktersediaan bahan baku, kekurangan/ketidaktersediaan operator

produksi, kekurangan/ketidaktersediaan kapasitas mesin, produk rusak/cacat dan

keterlambatan pengiriman produk.

12

Mengantisipasi permasalahan ketidakpastian yang terjadi dalam

lingkungan manufakatur tersebut, Koh dan Saad telah mengembangkan rencana

kontingensi yang dapat memudahkan proses diagnosa dan antisipasi

ketidakpastian yang terjadi dalam lingkungan manufaktur MRP/MRP II/ERP

dengan merekomendasikan pemberian persediaan penyangga (buffering) atau

penambahan waktu ancang (dampening).

Edmund (2005) dalam penelitiannya berjudul A framework for

Understanding the Interaction of Uncertainty and Information System on Supply

Chains menyatakan adanya ketidakpastian dalam rantai pasok dan

menyampaikan pemikirannya mengenai alternatif pemecahan dan metode yang

tepat untuk menyelesaikan permasalahan ketidakpastian pada rantai pasok.

Datta, Partha Priya (2007) dalam penelitiannya yang berjudul : A

Complex System, Agen Based Model for Studying and Improving the Resiliance

of Production and Distribution Networks, mengupas berbagai permasalahan

mengenai resiliansi dalam rantai pasok dengan berbagai pendekatan dan metode

penyelesaiannya lengkap dengan ulasan mengenai kelebihan dan keterbatasannya.

Peneliti sekaligus memberikan ulasan teoritis untuk penelitian lanjutan dalam

resiliansi rantai pasok yang membantu dalam mengembangkan prosedur yang

efektif untuk mengelola berbagai situasi ketidakpastian dengan kasus pada rantai

pasok manufaktur kertas tissue. Pada penelitian tersebut juga diuraikan beberapa

penelitian yang juga dikembangkan berdasarkan pendekatan sistem agen, antara

lain oleh Parunak et al. (1998) yang mengeksplorasi kemampuan model berbasis

agen dalam permasalahan jaringan pasokan manufaktur. Schicritz dan Grobler

(2003) mencoba mengintegrasikan pemodelan dinamika sistem dan pemodelan

berbasis agen, juga Ahn et al. (2003) yang mengusulkan sistem agen yang

fleksibel yang dapat beradaptasi dengan perubahan-perubahan dinamis pada

transaksi di suatu rantai pasok.

13

2.3 Industri Pangan

Industri pangan adalah bagian dari sistem pangan yang mencakup kegiatan

produksi, pemrosesan, distribusi dan konsumsi produk-produk pangan dalam

agroindustri. Bahan baku untuk industri pangan mencakup hasil-hasil pertanian,

peternakan, produk-produk laut, bahan pengemas, perasa makanan dan bahan

kimia untuk makanan. Industri ini umumnya memiliki karakteristik yang

membutuhkan perhatian khusus dibandingkan agroindustri yang lainnya dalam hal

tingkat variabilitas dan sensitivitas bahan baku utamanya disamping adanya

kebutuhan perhatian untuk masalah kualitas dan standard produk yang harus

mempertimbangkan masalah kesehatan dan keselamatan konsumennya.

Salah satu industri di sektor pangan yang mengalami pertumbuhan cukup

pesat adalah industri yang berbasis tepung terigu. Pertumbuhan industri ini di

Indonesia dipacu oleh beberapa faktor, antara lain adalah adanya peningkatan

kesadaran bahwa tepung terigu adalah makanan yang sehat dan bergizi serta

peningkatan kesadaran makanan berbasis tepung terigu sebagai alternatif

diversifikasi pangan.

Industri roti adalah contoh industri pangan berbasis tepung terigu.

Berdasarkan data yang bersumber dari Asosiasi Produsen Tepung Terigu

Indonesia (APTINDO) tahun 2001 diketahui bahwa 25% dari industri berbasis

tepung terigu adalah industri roti. Tingkat persaingan industri ini dari tahun ke

tahun semakin ramai dengan makin banyaknya industri yang bergerak pada

bidang ini. Bersumber dari Bisnis Indonesia Online, diketahui bahwa hingga

akhir tahun 2007, terdapat lebih dari 15.000 UKM di tingkat nasional dan 2.000

unit industri menengah besar dan modern yang masuk dalam persaingan industri

roti ini (Sekarasih, 2008).

Kebanyakan perusahaan besar pada industri pangan menghasilkan produk-

produk makanan setengah jadi atau produk jadi yang akan dikonsumsi langsung

dalam suatu kegiatan operasional produksi yang memiliki aliran produksi

kontinyu yang sesuai dengan karakteristik industri proses. Industri-industri ini

membutuhkan investasi modal yang besar untuk melakukan produksi dan

mengendalikan peralatan yang akan digunakan secara kontinyu. Untuk itu,

14

aplikasi komputer akan membantu kegiatan pemrosesan dan meningkatkan

efisiensi dalam operasional pabrik (Connor, 1997).

Dengan karakteristik sistem produksi yang bersifat kontinyu, dibutuhkan

ketersediaan yang kontinyu pula dari input-input sistem produksinya (seperti

mesin/peralatan dan material). Sehingga terhentinya kegiatan produksi yang

diakibatkan adanya gangguan yang menyebabkan ketidaktersediaan input

pendukung kegiatan produksi akan menyebabkan kerugian ekonomis yang sangat

besar bagi perusahaan.

APICS mendefinisikan industri proses sebagai bisnis yang menambah nilai

pada materia melalui proses pencampuran, pemisahan, pembentukan ataupun

reaksi kimia. (Fransoo, 1994). Proses-proses tersebut dapat bersifat kontinyu atau

batch dan umumnya membutuhkan pengendalian proses yang ketat dan investasi

modal yang tinggi. Proses-proses tersebut juga sulit untuk dikendalikan dan sering

menyebabkan dihasilkannya output yang bervariasi.

Burt dan Kraemer dalam Fransoo (1994) menunjukkan strategi untuk

mengantisipasi output yang bervariasi , antara lain dengan menyediakan

persediaan pengaman (safety stock) untuk bahan baku yang paling banyak

menyebabkan terjadinya variasi output. Bahan baku pada industri proses juga

bervariasi dalam kualitas mengakibatkan output ataupun potensi kerusakan

kualitas umumnya tidak diketahui ataupun tidak terukur hingga dimulainya proses.

Variabilitas dari kualitas bahan baku juga sering digunakan sebagai informasi

untuk menentukan produk yang akan dihasilkan. Bila didapatkan kualitas yang

tidak standard, maka dapat dilakukan pemesanan kembali atau proses daur ulang

yang menyebabkan terjadinya kekurangan persediaan. Terjadinya kekurangan

persediaan ini dapat dikendalikan dengan adanya persediaan pengaman.

Berikutnya disampaikan oleh Rutten dalam Fransoo (1994) bahwa variasi

dalam kualitas bahan baku dapat menyebabkan timbulnya variasi dalam struktur

produk (recipes).

Pada industri proses, umumnya digunakan lini produksi yang akan

menghasilkan berbagai varian produk dengan variasi yang rendah diantara produk.

Variasi yang rendah, kompleksitas produk yang rendah dan tahapan proses yang

15

relatif tidak banyak menyebabkan seluruh produk memiliki urutan proses

(routing) yang sama.

Berikutnya disampaikan bahwa dengan penggunaan lini produksi pada

industri proses secara kontinyu, maka perhitungan penentuan ketersediaan

kapasitas produksi untuk industri proses menjadi lebih sederhana.

Metode penjadwalan produksi yang dikembangkan untuk industri proses

adalah metode yang sesuai untuk permasalahan penjadwalan mesin tunggal -

banyak produk (single machine multiproduct). Leachman dan Gascon dalam

Fransoo (1994) telah melakukan investigasi mengenai aplikasi model-model

deterministik pada situasi stokastik dan mengusulkan pendekatan heuristik untuk

mengantisipasi adanya ketidakpastian.

2.4 Persediaan (Inventory)

Persediaan adalah sumber daya menganggur yang dipandang sebagai

pemborosan karena dapat menimbulkan biaya persediaan yang tinggi jika terdapat

dalam jumlah yang berlebihan. Keberadaan persediaan harus diminimalkan,

dengan tetap menjamin terpenuhinya permintaan produk dari pelanggan. Efisiensi

produksi (salah satu muaranya adalah penurunan biaya produksi) dapat

ditingkatkan melalui pengendalian sistem persediaan. Menurut Baroto (2002 )

terdapat beberapa fungsi persediaan sebagai berikut :

1. Fungsi independensi. Persediaan barang jadi diperlukan untuk memenuhi

permintaan pelanggan yang tidak pasti. Permintaan pasar tidak dapat

diduga dengan tepat, demikian pula dengan pasokan dari pemasok.

2. Fungsi ekonomis. Seringkali dalam kondisi tertentu, memproduksi dengan

jumlah produksi tertentu (lot) akan lebih ekonomis daripada memproduksi

secara berulang atau sesuai permintaan. Pada beberapa kasus, membeli

dengan jumlah tertentu juga akan lebih ekonomis daripada membeli sesuai

kebutuhan.

3. Fungsi antisipasi. Fungsi ini diperlukan untuk mengantisipasi perubahan

permintaan atau pasokan.

16

4. Fungsi fleksibilitas. Bila dalam proses produksi terdiri atas beberapa

tahapan proses operasi dan kemudian terjadi kerusakan pada satu tahapan

proses operasi, maka akan diperlukan waktu untuk melakukan perbaikan.

Persediaan barang setengah jadi (work in process) pada situasi ini akan

merupakan faktor penolong untuk kelancaran proses operasi.

Untuk mengatur persediaan permintaan (demand) diperlukan strategi yang

tepat mempertimbangkan bahwa permintaan dipengaruhi oleh faktor-faktor

eksternal yang sulit dikendalikan. Dalam sistem pengendalian persediaan terdapat

dua pendekatan yaitu : Continuous Review System (sering disebut dengan Q

system) dan Periodic Review System (sering disebut dengan P system).

Sistem persediaan berdasarkan pendekatan Continuous Review System

sering disebut dengan sistem Reorder Point (sistem ROP atau sistem Fixed Order

Quantity/FOQ). Dalam prakteknya, pengamatan (review) dilakukan secara berkala

(misalnya hari-an) dan kontinyu. Dalam setiap pengamatan, dilakukan

pengambilan keputusan berdasarkan posisi persediaan item. Jika jumlah

persediaan dipertimbangkan terlalu rendah, sistem merekomendasikan

dilakukannya pemesanan (order baru). Pada saat posisi persediaan mencapai

tingkat minimum persediaan yang telah ditentukan (ROP), dilakukan pemesanan

item sejumlah kuantitas tertentu (Q). Q dapat ditentukan berdasarkan rumus

Economic Order Quantity (EOQ), ukuran lot minimum, ukuran kontainer atau

kuantitas lainnya sesuai dengan pertimbangan pihak manajemen (Krajewski,

2002).

Kim C.O., et.al (2005) dalam makalahnya yang berjudulAdaptive

Inventory Control Models for Supply Chain Management mengamati

permasalahan pengendalian persediaan pada sistem rantai pasok yang terdiri dari

pemasok tunggal dan banyak retailer. Untuk menghadapi situasi permintaan yang

dinamis, mereka mengusulkan dua model pengendalian persediaan adaptif dengan

asumsi bahwa supplier mampu mengakses informasi mengenai permintaan

pelanggan dan posisi persediaan tiap retailer secara on line. Dengan menggunakan

teknik reinforcement-learning, parameter pengendali dari kedua model

pengendalian persediaan dirancang untuk dapat berubah secara adaptif sesuai

dengan perubahan pola permintaan pelanggan.

17

Tersine dalam bukunya Principles of Inventory and Materials

Management (1994) menyatakan bahwa resiko dan ketidakpastian termasuk

dalam analisis persediaan yang melibatkan banyak peubah(variable). Namun yang

paling berperan sebagai resiko dan ketidakpastian adalah variasi dalam

permintaan dan waktu ancang-ancang (lead time). Variasi tersebut diserap dalam

bentuk persediaan pengaman (safety stock) atau buffer stock atau fluctuation stock.

Persediaan pengaman (safety stock) adalah persediaan tambahan yang

disimpan sebagai penyangga untuk mencegah terjadinya kekurangan persediaan

(stockout) disebabkan adanya gangguan acak dari alam atau lingkungan.

Persediaan pengaman dibutuhkan untuk menangani permintaan selama waktu

ancang-ancang pemesanan pada saat permintaan aktual melebihi permintaan yang

diharapkan atau dapat juga disebabkan waktu ancang-ancang (lead time) aktual

melampaui waktu ancang-ancang yang diharapkan. Di samping itu, persediaan

pengaman dibutuhkan karena prakiraan permintaan kurang sempurna dan supplier

kadang-kadang gagal untuk mengirimkan barang tepat waktu.

Dalam kenyataannya, permintaan dan waktu ancang-ancang tidak selalu

dapat diprediksi. Situasi ini mendukung kebutuhan adanya persediaan pengaman.

Dalam upaya mempertahankan pelayanan terhadap permintaan yang tidak pasti

(uncertain) diperlukan tingkat pelayanan (service level).Tingkat pelayanan adalah

kemungkinan bahwa kekurangan persediaan tidak akan terjadi selama waktu

ancang-ancang. Jika permintaan bervariasi kecil di sekitar rata-rata permintaan,

persediaan pengaman adalah kecil, dan berlaku sebaliknya. Variabilitas diukur

berdasarkan distribusi probabilitas yang ditunjukkan berdasarkan nilai rata-rata

(mean) dan variansinya (variance). Menurut Tersine (1994), persediaan pengaman

ditentukan oleh pihak manajemen dengan mempertimbangkan kebijakan tingkat

pelayanan (service level) yang logis .

2.5 Manajemen Permintaan

Fungsinya adalah untuk menentukan permintaan produk. Penentuan ini

mencerminkan prakiraan permintaan (forecast) dan mencakup pesanan pelanggan

yang diterima, pesanan dari outlet gudang, promosi khusus, kebutuhan persediaan

pengaman serta komponen-komponen pelayanan dan persediaan untuk

18

mengantisipasi kebutuhan permintaan yang tinggi. Output dari kegiatan ini adalah

penjumlahan dari permintaan produk per-periode (Fogarty, 1991).

Kegiatan perencanaan dan pengendalian produksi dimulai dengan fungsi

prakiraan permintaan berdasarkan plot data riwayat penjualan produk. Analisis

plot data akan merujuk beberapa metode pengujian prakiraan permintaan yang

sesuai dengan hasil analisis plot data permintaan. Metode prakiraan permintaan

yang akurat adalah metode yang memberikan nilai kesalahan minimum.

Terdapat berbagai alternatif metode prakiraan permintaan yang layak

untuk digunakan dalam pengujian prakiraan permintaan. Metode deret waktu,

regresi linier, dan dekomposisi adalah beberapa metode yang banyak

diaplikasikan oleh industri karena kesederhanaannya dalam perhitungan. Metode

Jaringan Syaraf Tiruan (Artificial Neural Network) menjadi metode yang mulai

banyak diaplikasikan untuk pengenalan pola data karena dapat menghasilkan

prakiraan permintaan dengan nilai akurasi yang baik.

Pada model deret waktu ini permintaan merupakan fungsi dari waktu. Pola

permintaan pada masa yang akan datang diperkirakan identik dengan pola data

masa lalu. Model ini dikembangkan berdasarkan informasi masa lalu, dengan

variabel tidak bebas dan asumsi, bahwa variabel tidak bebas ini akan memiliki

pola yang sama dengan masa lalu. Metode deret waktu yang banyak diaplikasikan

industri antara lain adalah metode rata-rata bergerak (moving average) dan

metode pemulusan eksponensial (exponential smoothing).

Salah satu bentuk peramalan yang paling sederhana adalah regresi linier.

Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara

variabel yang ingin diramalkan (variabel dependen) dengan variabel lain (variabel

independen). Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola

pertumbuhan dari data historis bersifat linier. Pola pertumbuhan ini didekati

dengan suatu model yang menggambarkan hubungan-hubungan yang terkait

dalam suatu keadaan.

Metode dekomposisi merupakan metode peramalan time series dengan

pendekatan yang digunakan bila data historis memiliki pola kecenderungan(trend),

siklis atau musiman. Metode dekomposisi mencoba memisahkan faktor trend

(kecenderungan) dan faktor musiman dari pola dasar. Faktor kecenderungan

19

menggambarkan perilaku data dalam jangka panjang yang dapat meningkat,

menurun atau tidak berubah. Faktor musiman berkaitan dengan fluktuasi periodik

dengan panjang konstan yang disebabkan oleh hal-hal seperti curah hujan, saat

liburan dan lain-lain (Fogarty, 1991).

Menurut Makridakis (1983), dalam melakukan prakiraan permintaan, hasil

prakiraan permintaan yang diperoleh tidak mungkin benar-benar tepat. Selisih

yang terjadi antara nilai prakiraan permintaan dengan nilai aktual disebut sebagai

galat atau kesalahan (error). Melalui nilai kesalahan ini dilakukan beberapa

analisa sehingga dapat ditentukan metode prakiraan permintaan yang paling sesuai

dengan data yang dimiliki serta seberapa baik metode yang digunakan tersebut.

Metode yang terbaik adalah metode yang memberikan nilai prakiraan permintaan

paling sesuai dengan data aktual, berarti memiliki nilai kesalahan prakiraan

permintaan yang paling kecil.

2.6 Metode Jaringan Syaraf Tiruan

Metode Jaringan Syaraf Tiruan (JST) merupakan metode prakiraan

permintaan yang banyak diaplikasikan karena memiliki hasil prakiraan

permintaan yang optimal dan akurat. JST atau Artificial Neural Network (ANN)

merupakan salah satu representasi buatan otak manusia yang selalu mencoba

mensimulasikan proses pembelajaran pada otak manusia. Keunggulan utama

metode ini adalah kemampuan untuk belajar dari contoh yang diberikan. Selain

itu, dalam proses belajarnya metode JST dapat melakukan pengolahan terhadap

data yang non-linier (Siang, 2009).

Bakhary (2004) dalam makalahnya menyampaikan bahwa JST mampu

memberikan model terbaik dibandingkan dengan model regresi dan multi-regresi.

Kemampuan untuk menggeneralisasi memungkinkan jaringan syaraf tiruan untuk

belajar bahkan dalam kasus data pencilan ataupun tidak adanya data.

Zhang (2005) menyatakan bahwa variasi musiman dan kecenderungan

(trend) merupakan dua gejala yang selalu terjadi dan harus dihadapi dalam

berbagai sektor ekonomi dan bisnis. Bagaimana memodelkan dan melakukan

prakiraan permintaan variasi-variasi yang terjadi merupakan hal yang penting

dalam kegiatan perencanaan dan pengambilan keputusan. JST merupakan metode

20

yang sesuai untuk digunakan dalam peramalan data yang sifatnya musiman dan

kecenderungan dengan tingkat akurasi yang tinggi. Dinyatakan dalam makalah

terkait oleh Zhang (1998) bahwa meskipun JST merupakan model non linier,

namun JST memiliki kemampuan untuk memodelkan proses-proses yang linier

juga. Gorr (1994) bahkan menyatakan bahwa JST mampu secara simultan

mendeteksi kecenderungan maupun musiman data yang tidak linier. Sharda dan

Patil (1992) mendapatkan hasil pengujian bahwa JST dapat memodelkan data

musiman secara efektif. Hansen dan Nelson (2003) berikutnya menemukan bahwa

kombinasi transformasi dan jaringan syaraf melalui konsep generalisasi sehingga

memberikan hasil prakiraan permintaan yang lebih akurat dibandingkan model

Dekomposisi maupun ARIMA.

Propagasi Balik (Backpropagation)

Seperti halnya model JST lain, Backpropagation melatih jaringan untuk

mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola

yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan

respon yang benar terhadap pola masukan yang serupa (tetapi tidak sama) dengan

pola yang dipakai selama pelatihan.

Arsitektur propagasi balik memiliki beberapa unit tersembunyi. Gambar 2

adalah contoh gambar arsitektur propagasi balik dengan 3 buah masukan

(ditambah sebuah bias), sebuah lapisan tersembunyi yang terdiri dari 2 unit

(ditambah sebuah bias), serta 1 buah unit keluaran. vji merupakan bobot garis

dari unit masukan xi ke unit lapisan tersembunyi zj (vj0 merupakan bobot garis

yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi zj). Wkj

merupakan bobot dari unit lapisan tersembunyi zj ke unit keluaran yk ( wk0

merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran yk)

(Siang,2009).

21

x1 x2 x3

z1 z2

y

Nilai Input

Input

Matriks Bobot Input

ke Lapisan

Tersembunyi

Lapisan

Tersembunyi

Matriks Bobot Lapisan

Tersembunyi ke Output

Output

Nilai Output

wi w2

v32v31v22v21

v12v11

Gambar 2 Struktur jaringan syaraf tiruan (Hermawan, 2006).

Dalam propagasi balik, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu : kontinyu, terdiferensial dengan mudah dan tidak menurun

secara monoton. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga

sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1)

(Siang,2009).

Fungsi ini merupakan fungsi yang umum digunakan untuk aplikasi JST

dalam prakiraan permintaan. Kisaran nilai yang digunakan pada fungsi ini adalah

(0,1) dan didefinisikan sebagai f1(x) dengan fungsi turunan f1(x).

xe

xf

1

1)(1 ........................................................................................(1)

))(1)(()( 11'

1 xfxfxf ..........................................................................(2)

f(x)

1

0X

Gambar 3 Fungsi sigmoid biner.

22

2.7 Penentuan Jadwal Induk Produksi (Master Production Schedulling /

MPS)

Jadwal induk produksi merupakan suatu pernyataan tentang produk akhir

dari suatu perusahaan industri manufaktur yang merencanakan memproduksi

produk berkaitan dengan kuantitas dan periode waktu (Fogarty, 1991).

Vasant (2004) dalam makalahnya berjudul Application of Multi

Objective Fuzzy Linear Programming in Supply Production Planning Problem

menyatakan bahwa terdapat beberapa kesulitan dalam pemilihan solusi dalam

menyatakan permasalahan dalam suatu fungsi keanggotaan linier. Untuk itu, pada

makalahnya diusulkan suatu fungsi keanggotaan kurva-s dimodifikasi untuk

mengatasi defisiensi yang dihadapi fungsi keanggotaan linier. Dinyatakan juga

oleh peneliti bahwa fungsi keanggotaan kurva-s lebih fleksibel untuk

menggambarkan kesamaran dalam parameter fuzzy untuk permasalahan

penyediaan untuk kebutuhan perencanaan produksi.

2.7.1 Model Fuzzy Multi Objective Linear Programming

Dalam pengambilan keputusan dengan menggunakan model Fuzzy Linear

Programming (FLP), variable sumber daya mungkin saja tidak pasti (fuzzy),

walaupun dalam model linier programming non fuzzy (crisp Linear

Programming), angka yang digunakan sudah merupakan angka yang mendekati

kenyataannya ; karena pada kondisi nyata bisa saja terdapat potensi

ketidaklengkapan informasi dan ketidakpastian pada berbagai lingkungan dan

pemasok. Itu sebabnya angka tersebut sebaiknya dipertimbangkan sebagai angka

sumber daya fuzzy. Permasalahan ini dapat dijadikan permasalahan FLP yang

akan diselesaikan dengan menggunakan teori himpunan fuzzy (Vasant, 2004).

Permasalahan FLP diformulasikan sebagai :

Max z = c~ x .......................................................................................(3)

s/t : A~

x b~

.......................................................................................(4)

x 0 .......................................................................................(5)

dimana :

x adalah vektor variabel keputusan

A~

, b~

dan c~ adalah angka fuzzy

23

Dalam persamaan tersebut, operasional penjumlahan dan perkalian angka

fuzzy dinyatakan dengan berdasarkan prinsip-prinsip yang dikembangkan oleh

Zadeh (1975). Berikutnya, hubungan pertidaksamaan (0. Makin besar nilai parameter , makin kecil nilai

ketidakjelasan (vagueness). Parameter seharusnya ditentukan oleh pakar

berdasarkan hasil percobaan secara heuristic.

Menurut Watada dalam Vasant (2004), fungsi keanggotan triangular atau

trapezoidal menunjukkan batas bawah dan batas atas untuk pada tingkat 0 - 1.

Disamping itu, dengan mempertimbangkan fungsi keanggotaan non linier seperti

fungsi logistic, batas bawah dan batas atas mungkin didekati dengan nilai 0.001

dan 0.999. Untuk itu, kurva dimodifikasi dengan menentukan skala sumbu x

sebagai xa

= 0dan xb

= 1 untuk menemukan nilai B, C dan , Novakowska dalam

Vasant (2004) juga telah menunjukkan hasil yang sama dalam penelitiannya di

area sosial. Berdasarkan persamaan di atas diperoleh nilai-nilai sebagai berikut :

B = 1 ; C = 0.001001001 dan adalah konstanta dan = 13.8131

24

Fungsi keanggotaan kurva-s termodifikasi memiliki bentuk yang sama

dengan fungsi logistik sesuai dengan yang disampaikan pada penelitian Watada

dan juga sama dengan fungsi hiperbolik tangent seperti yang disampaikan pada

penelitian Leberling. Disamping itu, fungsi keanggotaan trapezoidal dan

triangular merupakan pendekatan dari fungsi logistic, sehingga fungsi sigmoid

lebih sesuai untuk digunakan pada penyelesaian masalah dengan sasaran yang

tidak jelas (vague). Disamping itu dalam hal ini fungsi keanggotaan kurva s

mungkin untuk merubah bentuknya sesuai dengan nilai parameternya.

Dengan menggunakan fungsi keanggotan non-linear sesuai dengan fungsi

kurva-S (Bells, 1999) dalam Vasant (2004), fungsi keanggotaan bi dan interval

fuzzy, bai hingga b

bi adalah sesuai dengan gambar berikut :

Gambar 4 Fungsi keanggotaan bi dan interval fuzzy bi.

Untuk variabel sumber daya ib~

; untuk interval bai < bi < b

bi, , berlaku :

ai

bi

ai

bb

bbibi

Ce

B

1

......................................................................................(7)

Berikutnya persamaan diatas dapat diselesaikan hingga diperoleh nilai bi sebagai

berikut :

25

1

1ln

bi

a

i

b

ii

a

B

C

bbbbi

......................................................................(8)

Karena bi adalah variabel fuzzy yang dituliskan sebagai ib~

, maka persamaan

diatas dapat dituliskan menjadi :

1

1ln

~

bi

a

i

b

ii

ai

B

C

bbbb

......................................................................(9)

2.8 Perencanaan Kebutuhan Bahan Baku / Material Requirement Planning

(MRP)

Fogarty dan Hoffman (1983) dalam tesis yang disusun oleh Scott Wright

(2007) menyatakan bahwa Material Requirement Planning (MRP) menjadi hasil

pengembangan metode yang paling berarti dalam kegiatan pengendalian produksi

dan persediaan dalam lima hingga 20 tahun. MRP menjadi pendukung yang

sangat penting dalam kegiatan pengendalian produksi dan persediaan untuk bisnis

manufaktur. Konsep ini dikembangkan pada area bisnis yang lain yang disebut

dengan MRP II. Mabert (2007) juga menyampaikan bahwa sistem MRP telah

menjadi pendekatan yang menonjol performansinya untuk mengatur aliran bahan

baku maupun komponen pada lantai produksi hingga akhir abad ke-20 .

Sistem perencanaan kebutuhan bahan baku (Material Requirement

Planning/MRP) umum dilakukan pada industri, khususnya industri manufaktur

yang menghasilkan produk jadi yang memiliki struktur berjenjang. MRP

(Material Requirement Planning) menjadi teknik perencanaan dan pengendalian

produksi dengan memanfaatkan data Jadwal Induk Produksi, data status

persediaan dan struktur produk,untuk membuat atau membeli material/ item

permintaan yang bersifat tidak memiliki ketergantungan. Sistem MRP bermanfaat

dalam mengatur kebutuhan bahan baku dan komponen-komponen supaya dapat

tersedia dalam jumlah dan waktu yang tepat (Fogarty, 1991).

Menurut Jonsson, perencanaan bahan baku dapat dilihat sebagai tingkat

perencanaan taktis yang fokus pada penyeimbangan antara pasokan (supply) dan

permintaan (demand). Fungsi ini berkaitan dengan kegiatan persiapan,

pengendalian, pengawasan manufaktur dan order pembelian dalam rangka

26

menjaga aliran material serta kegiatan yang memberikan nilai tambah dalam

pelaksanaan proses manufaktur tanpa interupsi. Menurut Jonsson, Material

Requirement Planning (MRP) dan sistem Re Order Point (ROP) merupakan

metode-metode yang paling banyak dikenal dan digunakan oleh masyarakat

industri.

Selanjutnya disampaikan bahwa ketidakpastian dalam pasokan dan

permintaan pada dasarnya dapat dikelola dengan menggunakan dua cara yang

berbeda, yakni dengan menambah persediaan pengaman (safety stock) atau

dengan menambah penyangga waktu (time buffers) berupa waktu pengaman

(safety lead time). Ketidakpastian waktu biasanya dikelola secara efisien dengan

mekanisme berdasarkan waktu, sedangkan ketidakpastian dalam jumlah lebih

efisien bila dikelola dengan mekanisme berdasarkan jumlah. Berdasarkan hasil

survai, cara yang paling banyak digunakan untuk menentukan safety stock dan

safety lead times masih menggunakan pertimbangan pengalaman.

Menurut Tersine (1994), dunia nyata kadang digambarkan sebagai model

deterministik dengan menganggap beberapa hal bersifat probabilistik (contohnya

model stokastik yang beberapa atau seluruh variabelnya adalah probabilistik).

Model deterministik/tertentu dapat menjadi pendekatan yang berhasil dengan

menjadi titik awal yang baik untuk menggambarkan fenomena persediaan .

Berikutnya disampaikan oleh Tersine (1994) mengenai alasan utama

dibutuhkannya persediaan adalah karena perusahaan mampu membeli atau

memproduksi persediaan dalam ukuran yang ekonomis. Model penentuan ukuran

lot (lot sizing) berdasarkan rumus Economic Order Quantity (EOQ )merupakan

model persediaan yang sudah banyak diaplikasikan untuk mendapatkan ukuran

pemesanan yang ekonomis dalam perencanaan kebutuhan bahan baku. Model

persediaan klasik ini merupakan model deterministik yang mengasumsikan bahwa

untuk memenuhi permintaan produk yang konstan dan tertentu, akan dilakukan

pengambilan bahan baku dari persediaan dan mengurangi jumlah persediaan. Bila

jumlah persediaan telah mencapai titik pemesanan kembali (reorder point), harus

dilakukan pemesanan sejumlah EOQ dan pada waktunya akan diterima bahan

baku sejumlah EOQ sekaligus yang akan menambah kembali jumlah persediaan.

27

2.9 Penjadwalan Flow Shop Genetic Algorithm

Baker (1974) mengatakan bahwa penentuan urutan job produksi atau

sering disebut dengan penjadwalan merupakan alokasi dari sumber daya terhadap

waktu untuk menghasilkan sejumlah pekerjaan (job). Penjadwalan dibutuhkan

untuk memproduksi pesanan dengan pengalokasian sumber daya yang tepat,

seperti mesin yang digunakan, jumlah operator yang bekerja, urutan pengerjaan

part, dan kebutuhan material. Penjadwalan yang baik akan memaksimumkan

efektivitas pemanfaatan setiap sumber daya yang ada, sehingga penjadwalan

merupakan kegiatan yang penting dalam perencanaan dan pengendalian produksi

(Bedworth, 1987).

Permasalahan penjadwalan flowshop fokus pada pemrosesan sejumlah job

berupa lot produksi pada sejumlah mesin. Permasalahan ini memiliki keterbatasan

tambahan bahwa pemrosesan setiap job haruslah kontinyu. Tujuan yang biasanya

digunakan untuk mendapatkan urutan job terbaik adalah minimasi waktu

penyelesaian (makespan) (Baker 1974, Nawaz et.al. 1983 dalam Rajkumar, 2009).

Rajkumar (2009) dalam makalah yang berjudul An Improved Genetic

Algorithm for the Flowshop Scheduling Problem mencoba mempertimbangkan

permutasi dalam permasalahan penjadwalan flowshop dengan tujuan untuk

meminimasi waktu penyelesaian pekerjaan (makespan). Genetic Algorithm (GA)

merupakan salah satu penelitian heuristik yang digunakan untuk menyelesaikan

permasalahan global dalam area penelitian yang rumit. Berdasarkan observasi

yang dilakukan diketahui bahwa efisiensi GA dalam menyelesaikan permasalahan

flowshop dapat diperbaiki secara signifikan dengan mencoba berbagai operator

GA untuk menyesuaikan struktur permasalahan.

Algoritma Genetika (Genetic Algorithm) adalah algoritma pencarian yang

didasarkan atas mekanisme seleksi alam dan proses genetika secara alamiah.

Algoritma ini dilakukan atas dasar populasi dari solusi dan berusaha untuk

mengarahkan pencarian menuju perbaikan dengan menggunakan kemampuan

bertahan berdasarkan fungsi kebugaran (fitness function).

Menurut Goldberg 1989 dalam Rajkumar (2009), algoritma genetika

terdiri atas tahapan berikut :

Tahap 1 : Penentuan populasi awal dari sejumlah kromosom.

28

Tahap 2 : Evaluasi nilai kebugaran (fitness) untuk tiap kromosom.

Tahap 3 : Kembangkan kromosom-kromosom baru dengan menggunakan

operator genetika yakni pertukaran silang (crossover) dan proses mutasi

untuk kromosom yang tersedia.

Tahap 4 : Evaluasi nilai kebugaran untuk populasi baru dari kromosom-

kromosom.

Tahap 5: Bila kondisi penghentian telah terpenuhi, berhenti dan kembali pada

kromosom terbaik, bila tidak kembali ke tahap 3.

Secara tradisional, penentuan populasi awal dibangkitkan secara acak.

Berikutnya dalam fungsi evaluasi kebugaran (fitness), untuk mengikuti proses

alamiah dari kemampuan bertahan, fungsi evaluasi kebugaran dihitung untuk tiap

anggota populasi. Fungsi evaluasi ini adalah nilai yang merefleksikan superioritas

relatif yang dimiliki. Setiap kromosom memiliki kriteria evaluasi berdasarkan

fungsi obyektif. Permasalahan minimasi dapat dikonversi menjadi permasalahan

maksimasi dengan menggunakan fungsi kebugaran. Fungsi kebugaran dinyatakan

sebagai :

.....................................................................................(10)

Dimana Cmax(makespan ) merupakan waktu penyelesaian seluruh pekerjaan (job)

yang harus diminimasi.

Rumus untuk menghitung makespan menurut Bedworth (1987) adalah sebagai

berikut :

n

i

is tM1

..................................................................................................(11)

Ms adalah Makespan untuk n pekerjaan dalam jadwal S

ti adalah waktu proses pekerjaan i

Boukef (2007) dengan makalah yang berjudul A Proposed Genetic

Algorithm Coding for Flow-Shop Scheduling Problems mengusulkan proses

pengkodean GA yang baru untuk menyelesaikan permasalahan penjadwalan

flowhop. Diusulkan penggunaan optimasi dengan fungsi jamak untuk

29

menunjukkan efisiensi dari pendekatan yang digunakan pada industri makanan

dan farmasi .

Hejazi (2005) menyampaikan bahwa kebanyakan penelitian dalam

penjadwalan flowshop menggunakan kriteria makespan. Berdasarkan hasil ulasan

berbagai makalah dengan permasalahan dan kriteria yang sama diketahui bahwa

dikarenakan permasalahan penjadwalan flowshop n-job m-mesin merupakan

permasalahan yang termasuk kelompok NP-hard (Ronnooy Kan 1976, Lentra et al.

1977, Gonzales dan Sahni 1978), kebutuhan komputasi untuk mendapatkan solusi

optimal meningkat secara eksponensial linier dengan peningkatan ukuran

permasalahan. Akibatnya adalah beberapa pendekatan heurisik konstruktif

dikembangkan untuk permasalahan tersebut. Sebagai tambahan, disampaikan

bahwa beberapa pendekatan heuristik modern atau sering disebut dengan meta

heuristik dan beberapa algoritma evolutionary telah diterapkan untuk

menyelesaikan permasalahan flowshop pada banyak penelitian, meliputi

pendekatan Simulated Annealing (SA), Genetic Algorithm (GA), Tabu Search

(TS), Ant Colony System (ACS), Artificial Neural Network (ANN) serta berbagai

pendekatan penelitian terdekat lainnya.

Selanjutnya disampaikan juga dalam makalah terkait bahwa selama

beberapa dekade terakhir, GA telah banyak digunakan secara luas untuk berbagai

area optimasi (antara lain permasalahan Travelling Salesman Problem /TSP dan

penjadwalan). Implementasi dari GA untuk permasalahan penjadwalan flowshop

makin banyak dilakukan di berbagai makalah ( antara lain Reeves 1995, Murata et

al. 1996, Reeves dan Yamada 1998, Ponnambalam et al. 2001, Wang dan Zheng

2003). Reeves, 1998 dalam Hejazi (2005) telah membandingkan performansi SA

dan GA untuk menguji permasalahan flowshop dengan kisaran 20 job dan 5 mesin

hingga 500 job dan 20 mesin. Hasil penelitiannya menunjukkan bahwa GA

unggul sebagai solusi untuk permasalahan dengan kasus yang besar. Murata et al.

(1996) dalam Hejazi (2005) juga mendapatkan hasil yang sama .

Dalam kaitannya dengan pemanfaatan algoritma genetika untuk

permasalahan penentuan rute pengiriman (Travelling Salesman Problem/TSP),

Al-Dulaimi (2008) menyampaikan dalam makalahnya bahwa banyak pendekatan

yang telah digunakan untuk penyelesaian permasalahan TSP. Pendekatan yang

30

digunakan antara lain dengan menggunakan Simulated Annealing, Genetic

Algorithm (GA) dan Neural Network. Dalam perkembangan pemanfaatan GA,

banyak pencapaian yang telah diperoleh peneliti untuk permasalahan TSP.

Philip (2011) dalam makalahnya berjudul A Genetic Algorithm for

Solving Travelling Salesman Problem menunjukkan bahwa GA merupakan

algoritma penelitian lokal yang sangat baik untuk digunakan untuk menyelesaikan

permasalahan TSP dengan membangkitkan sejumlah angka acak dan berikutnya

memperbaiki populasi hingga kondisi penghentiannya terpenuhi dan terpilih

kromosom terbaik sebagai solusi.

2.10 Sistem Pendukung Keputusan Intelijen

Sistem Pendukung Keputusan (Decision Support System) membantu

pengambil keputusan memilih berbagai alternatif keputusan yang merupakan hasil

pengolahan informasi-informasi yang diperoleh/tersedia dengan menggunakan

model-model pengambilan keputusan. Ciri utama sekaligus keunggulan dari

Sistem Pendukung Keputusan/SPK adalah kemampuannya untuk menyelesaikan

masalah-masalah yang tidak terstruktur (Kadarsah, 1998).

SPK mulai melibatkan banyak teknik-teknik baru seperti data warehouse,

OLAP, data mining dan teknologi web dalam perancangan dan pengembangan

SPK sejak awal tahun 1970. Pada tahun 1980, model-model optimasi Operation

Research dan Management Science telah banyak dimasukkan dalam rancangan

SPK. Di tahun 1990, teknik-teknik Artificial Intelligence dan Statistik banyak

dimanfaatkan dalam aplikasi SPK.

Holsapple (2008) mendeskripsikan SPK sebagai teknologi mendapatkan

pengetahuan bagi pengambil keputusan secara tepat, pada waktu yang tepat dalam

representasi yang tepat dengan biaya yang tepat Perkembangan teknik-teknik

pemrosesan informasi dan teknologi digital dalam mendukung kegiatan

penyelesaian masalah dan pengambilan keputusan makin mendorong munculnya

sistem pendukung keputusan yang cerdas.

Menurut Power, 2004 dalam Jain, 2010, terdapat 5 tipe Sistem Pendukung

Keputusan (SPK), yaitu : 1) SPK berbasis Komunikasi untuk mendapatkan

kolaborasi yang efisien, 2) SPK berbasis Data yang berguna untuk mencari basis

31

data atau gudang data untuk mendapatkan jawaban khusus suatu tujuan tertentu,

3) SPK berbasis dokumen yang digunakan untuk mencari halaman web dan

menemukan dokumen berdasarkan sekumpulan kata kunci atau istilah penelitian

tertentu. 4) SPK berbasis Pengetahuan untuk membantu mengambil keputusan

berdasarkan berbagai paradigma dalam intelijensia buatan, serta 5) SPK berbasis

Model yang merupakan pengembangan sistem kompleks berdasarkan beberapa

model (model matematis atau model analitis) untuk membantu menganalisis

keputusan atau memilih diantara alternatif yang berbeda.

SPK menggunakan sistem informasi berbasis komputer yang fleksibel,

interaktif, dan dapat diadaptasi yang dikembangkan untuk mendukung solusi

untuk masalah manajemen spesifik yang tidak terstruktur. Sistem ini memiliki

tiga subsistem utama yang menentukan kapabilitas teknis sistem tersebut, yaitu :

subsistem manajemen data, subsistem manajemen model, dan subsistem

perangkat lunak penyelenggara dialog untuk antar muka pengguna. Selain itu,

SPK dapat memiliki subsistem manajemen berbasis pengetahuan sebagai opsional,

yang dapat memberikan manfaat karena memberikan intelijensia bagi ketiga

subsistem utama tersebut, mengingat banyak masalah tak terstruktur dan semi

terstruktur yang sangat kompleks sehingga solusinya memerlukan keahlian

(Turban, 2005).

Dalam kaitannya dengan SPK berbasis Pengetahuan dan SPK berbasis

Model, sejumlah teknik intelijensia buatan seperti Jaringan Syaraf Tiruan,

Algoritma Genetika, sistem Fuzzy, Case base reasoning, dan sistem berbasis agen

dapat diaplikasikan untuk merancang dan mengembangkan SPK Intelijen. Dalam

pemanfaatan SPK Intelijen untuk menyelesaikan permasalahan dunia nyata,

direkomendasikan untuk menggunakan kombinasi beberapa teknik intelijensia

buatan tersebut supaya diperoleh solusi yang efektif (Jain, 2010).

2.11 Teknik Klasifikasi dalam Data Mining

Data mining adalah sebuah proses percarian secara otomatis informasi

yang berguna dalam tempat penyimpanan data berukuran besar. Teknik data

mining digunakan untuk memeriksa basis data berukuran besar sebagai cara untuk

32

menemukan pola yang baru dan berguna. Teknik-teknik data mining dapat

digunakan untuk meningkatkan kemampuan sistem-sistem dalam menemukan

informasi (information retrieval).

Klasifikasi adalah proses menemukan model (fungsi) yang menjelaskan

dan membedakan kelas-kelas atau konsep, dengan tujuan agar model yang

diperoleh dapat digunakan untuk memprediksikan kelas atau objek yang memiliki

label kelas tidak diketahui. Model yang diturunkan didasarkan pada analisis dari

pelatihan data (yaitu objek data yang memiliki label kelas yang diketahui serta

dapat direpresentasikan dalam berbagai bentuk seperti aturan IF-THEN , pohon

keputusan, formula matematika atau jaringan syaraf (Tan, 2006).