Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

PEMBUATAN APLIKASI PERENCANAAN PRODUKSIDISTRIBUSI AGREGAT PADA MANAJEMEN RANTAI PASOKDENGAN MENGGUNAKAN PENDEKATAN FUZZY-GENETIC

Cindy Masyta, Rully SoelaimanManajemen Teknologi Informasi - Magister Manajemen Teknologi

Institut Teknologi Sepuluh NopemberEmail: aral2e@yahoo.com

ABSTRAK

Rantai pasok meliputi semua pelaku-pelaku rantai pasok yang terlibat, baiksecara langsung maupun tidak langsung, dalam usaha pemenuhan permintaan darikonsumen. Tujuan dari manajemen rantai pasok adalah untuk memaksimumkanprofitabilitas keseluruhan komponen rantai pasok. Adapun fungsi dari rantai pasok yangturut memegang peranan penting dalam mencapai tujuan adalah fungsi produksi dandistribusi. Pengintegrasian kedua fungsi tersebut berpotensi besar dalammemaksimalkan kinerja rantai pasok.

Permasalahan dalam perencanaan produksi-distribusi agregat antara lain adanyapermintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepatwaktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Untuk mengatasimasalah ketidakpastian dapat digunakan pendekatan fuzzy untuk pemodelan, sedangkanalgoritma genetika digunakan sebagai pemecahan untuk mencari solusi yang optimal.

Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksidistribusi agregat dengan menggunakan metode fuzzy-genetic. Penentuan nilaiparameter genetik berpengaruh terhadap tingkat profit yang diperoleh. Banyaknyaiterasi ditentukan oleh pembuat keputusan berdasarkan profit yang diperoleh dari setiapiterasi. Jika hasil yang didapat dari iterasi belum memuaskan, pembuat keputusan dapatmelakukan proses iterasi lebih lanjut.

Kata kunci: Supply Chain Management, Perencanaan Agregate Produksi-Distribusi,Algoritma Genetika, Fuzzy Mathematical Programming

PENDAHULUAN

Bagian dari rantai pasok yang turut memegang peran penting untuk mencapaitujuan rantai pasok adalah perencanaan produksi agregat dan perencanaan distribusi.Pengintegrasian kedua fungsi tersebut sangat diperlukan karena hal ini berpotensi besaruntuk mengoptimalkan kinerja produksi dan distribusi agar biaya-biaya yang terjadidapat diminimumkan. Perencanaan produksi-distribusi agregat memperhitungkan sifatdari sistem produksi dan distribusi yang tidak saling terhubung. Penggabungan duaproses yang tidak saling terhubung akan memberikan perencanaan dan manajemen yanglebih baik.

Permasalahan dalam perencanaan produksi-distribusi agregat adalah adanyapermintaan pasar dan kapasitas produksi yang tidak menentu, proses yang tidak tepatwaktu dan faktor-faktor lain yang menyebabkan ketidakpastian solusi. Penerapankecerdasan buatan bisa menjadi salah satu cara untuk mengatasi situasi rantai pasokdalam lingkungan ketidakpastian. Beberapa model yang sudah dikembangkan untuk

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-2

menyelesaikan masalah perencanaan produksi-distribusi agregat [1]. Modeldikembangkan dengan pendekatan fuzzy-genetic untuk menyelesaikan masalahperencanaan produksi linear fuzzy pada Rantai Pasok untuk memberikan hasil yanglebih memuaskan. Tujuan penelitian ini adalah mendeskripsi model, membuatimplementasi terhadap model tersebut serta membuat skenario uji coba untukmemperoleh hasil studi terhadap kondisi yang ada. Kemudian dari hasil uji coba akandiambil kesimpulan dimana dapat ditentukan strategi yang tepat sehingga dapatmerekomendasikan manajemen dalam memaksimumkan keseluruhan laba.

Struktur dari paper ini yaitu sebagai berikut. Bagian 2 akan membahas dasarteori yang digunakan dalam memecahkan permasalahan tersebut di atas. Bagian 3 akanmembahas tentang pemodelan serta solusi yang diusulkan untuk memperoleh hasil yangoptimal. Bagian 4 membahas hasil uji yang diperoleh. Bagian 5 membahas kesimpulanyang diperoleh berdasarkan hasil ujicoba.

METODE

Pernyataan masalah pada model Supply chain perencanaan produksi distribusiadalah sebagai berikut : Terdapat nPU (PU adalah production unit), nDC disctributioncenters (DC) dan nCZ customer zones (CZ). Beberapa PU memproduksi item-itemproduk. Biaya produksi dari suatu item tertentu pada PU yang berbeda dapat jugaberbeda. Setiap PU digolongkan dengan fixed cost per periode dan kapasitas produksi.Beberapa Distribution Center digunakan untuk menyimpan produksi yang dihasilkan diDC. DC berbeda dalam kapasitas penyimpanan, fixed cost dan biaya penyimpanan.Biaya penyimpanan tidak linear terhadap jumlah item. Harga penjualan untuk item yangsama dapat berbeda pada CZ yang berbeda. Hanya item yang dipesan konsumen yangdikirim ke CZ (CZ tidak mempunyai penyimpanan; CZ dapat menyimpan item-itemdengan periode tertentu). Pada periode waktu t, tersedianya peramalan permintaan fuzzyuntuk periode waktu yang akan datang untuk semua CZ. PU dapat mensupply ke DCmanapun dan DC dan mensupply ke CS manapun. Biaya transportasi tergantung darilokasi PU, DC dan CZ.

Formula Matematis Pemodelan

Fungsi tujuan utama, menggambarkan keseluruhan laba maksimum, bentuknya:

(1)Dimana :

(2)

(3)

Komponen E digambarkan dalam bentuk:

(4)

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-3

(5)

(6)

Notasi variabel:

adalah jumlah (fuzzy) yang diproyeksikan untuk dikirim dari PU i ke DC jpada periode t;

adalah jumlah item (fuzzy) yang diproyeksikan untuk dikirim dari DC j keCZ k pada periode t;

adalah jumlah item produk p diproyeksikan untuk dihasilkan oleh PU ipada waktu t;

adalah jumlah item di DC j untuk disupply ke berbagai CZ pada waktu t;

, , adalah total (proyeksi) laba; total (proyeksi) pengembalian setelahpenjualan; total (proyeksi) biaya;

,~EPU , adalah total (proyeksi) biaya DC, PU, Transportasi;

adalah jumlah item produk p diproyeksikan untuk suplai dan dijual padaCZ k pada periode t;

adalah nilai fuzzy mewakili jumlah item maksimum yang dapat disimpandi DC j;

adalah biaya transportasi (sekelompok) item dari PU i ke DC j;U jk adalah biaya transportasi (sekelompok) item dari DC j ke CZ k;

adalah ramalan permintaan fuzzy untuk item produk p di CZ k padaperiode t;

adalah harga penjualan item produk p di CZ k;

adalah fixed cost untuk eksploitasi PU i selama periode tertentu;

adalah fixed cost untuk eksploitasi DC j selama periode tertentu;

adalah biaya penyimpanan satu item di DC selama periode tertentu;

adalah biaya produksi satu item produk p di PU i;

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-4

Vi max~

adalah nilai fuzzy yang mewakili kapasitas produksi maksimum (yaitujumlah maksimum item yang dapat dihasilkan pada PU i selama periodetertentu);

adalah jumlah item produk p di DC j diproyeksikan untuk suplai keberbagai CZ pada periode t.

Batasan Pemodelan (Constraint)

Adapun batasan-batasan pada model APDP adalah sebagai berikut:

Batasan Produk yang Diproduksi Pabrik ≥ 0 (7)

Batasan Produk yang Disuplai Pusat Distribusi ≥ 0 (8)

Batasan Produk yang Disimpan Pusat Distribusi ≥ 0 (9)

Batasan Kapasitas Pabrik ≤ (10)

Batasan Kapasitas Penyimpanan Pusat Distribusi ≤ (11)

Batasan Pemenuhan Permintaan ≥ (12)

Batasan Pengiriman ke Pusat Distribusi (13)

Batasan Pengiriman ke Customer Zone (14)

Batasan Penyimpanan Produk (15)

Metode Optimasi

Garis besar prosedur optimal distribusi produk dapat dilihat sebagai berikut:1. Memperoleh peramalan permintaan (demand forecast) untuk periode t dan tn-1

menggantikan quarter (t+1,t+2,t+n-1,dst). Memperbaharui nilai data lain (contoh:biaya DC/PU, harga penjualan produk, dan lain-lain). Masukkan input datadistribusi produk dan karakteristik Algoritma Genetika.

2. Melakukan optimasi berdasarkan Algoritma Genetika. Flowchart umum dari satupopulasi algoritma genetika dapat dilihat dalam gambar 2.1.a. Siapkan structure kromosom untuk menjaga coded yang mewakili dari nilai

parameter menjadi optimal ( , , dan ).b. Generate secara random populasi dari kromosom (mewakili coded dari potensial

solusi) : Populasi ={ S1,S2,….,S popsize }. Solosi sesungguhnya dari periodesebelumnya diubah untuk kromosom dapat ditambahkan pada populasi (sepertimemilih parent genome dari generasi sebelumnya).

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-5

c. Evaluasi nilai fitness untuk tiap kromosom.

Fungsi fitness dihitung pada dasar dari nilai peramalan permintaan.Dimana:

F max adalah nilai terpilihnya kemungkinan maksimum (terburuk) dari nilaifitness yang dibutuhkan untuk menyeimbangkan efek fungsi fitness daritujuan fillrate dan profit.ETP (Expected Total Profit) adalah defuzzified fuzzy diproyeksikan total profit–F dikalkulasikan berdasarkan data yang diberikan dan produksi/transportasidan asumsi dari peramalan permintaan.MinFillRate adalah memilih minimum level yang dapat diterima untuk fillrate.

d. Menggunakan operator genetik yaitu crossover, mutasi untuk generasi yangbaru.

e. Menggunakan operator selection dan elitism. Memilih generasi yang lebih baikuntuk generasi baru

f. Mengembalikan solusi terbaik yang ada dari populasi kromosom terpilih. Jikadefinisi awal dari iterasi (generasi) telah selesai dilakukan, Pembuat keputusanmengevaluasi jika optimasi lebih lanjut dibutuhkan. Jika solusi yang dapatditerima sudah ditemukan lakukan langkah 3. Jika tidk lanjutkan mulai langkah2c.

3. Persiapkan rencana produksi dan transportasi untuk period saat ini (yang berikutnya)dan menyertakan periode n -1.

HASIL DAN DISKUSI

Aplikasi diuji coba diatas perangkat keras dengan Processor Intel Core 2 Duo1,83 GHz, Memori 0,99 GB RAM. Sedangkan untuk sistem operasi yang digunakanadalah Microsoft Windows XP Professional Version 2002 SP2.

Pengujian data implementasi akan menggunakan data sebagai berikut:

Tabel 1 Data (fuzzy) Kapasitas Pabrik PU (Vi max~

), itemsPU1 PU2

(195.000; 200.000; 205.000) (95.000; 100.000; 105.000)

Tabel 2 Data (fuzzy) Kapasitas Ppusat Distribusi DC ( ), itemsDC1 DC2

(125.000; 130.000; 135.000) (165.000; 170.000; 175.000)

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-6

Tabel 3 Tabel Biaya dan Harga Penjualan Produk CZPU1 PU2

Fixed Cost ( ), USD 250.000 200.000

Biaya Produksi ( ), USD 65 5

DC1 DC2

Fixed Cost ( ), USD 45.000 54.000

Biaya Penyimpanan ( ), USD 3 2

CZ1 CZ

Harga Jual ( ), USD 95 10

Tabel 4 Biaya Transportasi (dalam satuan 1000 item/bunches)

Biaya transportasi ( ), USDDiterima oleh :

DC1 DC2

Dikirim oleh :PU1 10 15PU2 12 8

Biaya transportasi (U jk ), USDDiterima oleh :

CZ1 CZ2

Dikirim oleh :DC1 16 16DC2 11 22

Tabel 5 Jumlah Item (fuzzy) Ramalan Permintaan untuk Dijual ( )t CZ1 CZ2 Total1 (168.000; 170.000; 172.000) (94.000; 96.000; 98.000) (262.000; 266.000; 270.000)2 (170.000;173.000;176.000) (98.000;101.000;104.000) (268.000;274.000;280.000)

Studi kasus menggunakan nPU=2; nDC=2, nCZ=2 dan periode t=2. Pengujiandilakukan dengan menggunakan skenario sebagai berikut :

Uji #1 Uji Hasil Optimasi dengan Hasil Aktual Pasar

nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0;probMutasi=5%; probCrossover=30%; jumPoint=38; minFillRate=90%; beta=1Hasil Uji coba:

Hasil Optimasi Iterasi ke-1 Hasil Optimasi Iterasi ke-5 Pasar AktualRevenue 52.656.780 53.440.795 51.096.725Epu expenses 36.224.620 36.689.970 35.209.860Edc expenses 1.582.441 1.594.292 1.423.281Et expenses 13.716.112 13.919.335 13.226.312Expense 51.523.173 52.203.597 49.859.453Profit 1.133.607 1.237.198 1.237.272

Dari hasil uji coba dapat dilihat bahwa: pada iterasi 1 nilai keuntungan (profit) yangdiperoleh sebesar 1.133.607, setelah mengalami iterasi sebanyak 5 kali, keuntunganyang diperoleh menjadi sebesar 1.237.198, semakin mendekati hasil nyata yang ada dipasar.

Uji#2 Uji Parameter MinimumFillRate

nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0;probMutasi=5%; probCrossover=30%; jumPoint=38; minFillRate=20%; beta=1

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-7

Hasil Uji coba:Hasil Optimasi Nilai Terkecil Hasil Optimasi Nilai Terbesar Pembanding

Revenue 54.079.770 53.077.375 53.440.795Epu expenses 37.098.530 35.536.550 36.689.970Edc expenses 1.613.254 1.548.112 1.594.292Et expenses 14.087.672 13.866.907 13.919.335Expense 52.799.456 50.951.569 52.203.597Profit 1.280.314 2.125.806 1.237.198

Dari hasil uji coba dapat dilihat bahwa: Nilai profit terbesar yang diperoleh adalah2.125.806. dan nilai profit terkecil yang diperoleh dari uji coba adalah 1.280.314. Darinilai profit terbesar yang diperoleh nilai jauh lebih besar daripada hasil yang diperolehpada uji coba hasil optimasi dengan aktual pasar (1.237.198), profit naik sebesar888.608 atau naik sebesar 71%. Yang dapat dikatakan bahwa minFillRate dengankeuntungan yang diperoleh perusahaan bersifat berbanding terbalik. Sedangkan darinilai profit terkecil naik 43.116 atau sekitar 3%. Kenaikannya tidak terlalu besar, tetapimasih dapat dikatakan bahwa dengan menurunkan minfillrate akan tetap menaikkanprofit.

Uji#3 Uji Parameter Probabilitas Mutasi dan Pindah Silang

nVar=16; nBit=21; jumPopulasi=50; jumGenerasi=750; parentPass=10; randomPass=0;probMutasi=6%; probCrossover=50%; jumPoint=38; minFillRate=90%; beta=1Hasil Uji coba:

Hasil Optimasi Nilai Terkecil Hasil Optimasi Nilai Terbesar PembandingRevenue 53.364.370 53.665.705 53.440.795Epu expenses 36.632.140 36.807.555 36.689.970Edc expenses 1.592.025 1.598.489 1.594.292Et expenses 13.902.694 14.001.113 13.919.335Expense 52.126.859 52.407.157 52.203.597Profit 1.237.511 1.258.548 1.237.198

Dari hasil uji coba dapat dilihat bahwa: Nilai profit terkecil yang diperoleh adalah1.237.511. dan nilai profit terbesar yang diperoleh dari uji coba adalah 1.258.548,dimana bisa meningkatkan hasil optimasi sebesar 0.025%-1.725%. Hal ini menandakan,dengan memperbesar nilai probMutasi dan probCrossover memberikan perubahan profityang tidak terlalu signifikan. Sehingga dapat ditarik kesimpulan bahwa variasi yangbesar atau banyak pada kromosom tiap generasi belum tentu membawa hasil akhir yangbaik pula. Hal tersebut bergantung juga kromosom yang dihasilkan pada tiap generasi.

KESIMPULAN

Setelah melakukan beberapa kali uji coba maka dapat diambil kesimpulansebagai berikut:1. Implementasi yang dibuat telah teruji kebenarannya, karena hasil pembangkitan

random aplikasi sudah memenuhi constraint-constraint dari model.2. Aplikasi yang dibuat dapat mengoptimalkan profit dalam perencanaan produksi

distribusi agregat dengan menggunakan metode fuzzy-genetic.3. Penentuan nilai parameter genetik berpengaruh terhadap hasil output. Nilai

probabilitas mutasi dan probabilitas crossover mempengaruhi variasi kromosomyang dihasilkan pada tiap iterasi. Semakin besar nilai kedua variabel tersebut maka

Prosiding Seminar Nasional Manajemen Teknologi XIProgram Studi MMT-ITS, Surabaya 6 Pebruari 2010

ISBN : 978-979-99735-9-7C-9-8

akan semakin besar kemungkinan terjadinya mutasi dan crossover sehinggakromosom yang dihasilkan pada suatu iterasi akan semakin bervariasi.

4. Semakin besar nilai minimum FillRate maka akan semakin kecil profit yang didapat.Ini berarti bahwa tingkat pemenuhan permintaan pelanggan minimum (minFillRate)bersifat berbanding terbalik dengan tingkat profit yang diperoleh.

5. Semakin banyak iterasi yang dilakukan maka hasil profit yang diperoleh semakinbesar. Banyaknya iterasi ditentukan oleh pembuat keputusan berdasarkan profityang diperoleh dari setiap iterasi. Jika hasil yang didapat dari iterasi belummemuaskan, pembuat keputusan dapat melakukan proses iterasi lebih lanjut.

DAFTAR PUSTAKA

DeCETI. (2009), Possibility Theory. Diambil darihttp://www.survey.ntua.gr/main/labs/rsens/DeCETI /IRIT/MSI-FUSION/node93.html pada tanggal 12 April 2009, pukul 19:23 WIB[10]

IlmuKomputer.Com. (2007), Algoritma Genetika dan Contoh Aplikasinya, Entry fromHermawanto, D. Diambil dari http://ilmukomputer.com/wp -content/uploads/2007/ 03/denny-agoptimasi.doc pada tanggal 17 Maret 2009, pukul 18:00 WIB[3]

Kamaluddin, R. (1987), Ekonomi Transportasi, Cetakan Pertama, Ghalia Indonesia,Jakarta[4]

Kusuma, H (2002), Manajemen Produksi Perencanaan dan Pengendalian Produksi,Edisi 2, Andi, Yogyakarta[5]

Kusumadewi, S. (2002), Analisis & Desain Sistem Fuzzy Menggunakan ToolBoxMathLab, Graha Ilmu, Yogyakarta[6]

R Aliev, R.A, Fazlollahi, B. dan Guirimov, B.G. (2007), “Fuzzy-Genetic Approach toAggragate Production-Distribution Planning in Supply Chain Management”,Information Sciences, hal. 4241-4255 [1]

S Chopra, S. dan Meindl, P. (2001), “Supply Chain Management Strategy, Planning &Operations”, Third Edition, Prentice Hall, New Jersey[2]

Salim, A. (1995), “Manajemen Transportasi”, Cetakan Kedua, Raja Grafind Persada,Jakarta[7]

Simchi-Levi, D., Kaminsky, P. dan Simchi-Levi, E. (2000), “Designing and Managingthe Supply Chain”, Second Edition, McGraw Hill, New York.Sri Kusumadewi,2003, Metode Pendekatan Heuristik ,Yogyakarta:Graha Ilmu[8]

Sipper, D. dan Bulfin, R.L., Jr. (1997), “Production Planning, Control and Integration”, McGraw Hill, New York[9]

Yan, J., Ryan, M., Power, J. (1994), “Using Fuzzy Logic (Toward IntelligentSystems)”, Prentice Hall, Inggris[11]