pembuatan aplikasi perencanaan produksi mmt.its.ac.id/download/semnas/semnas xi/mti/09. prosiding...

Download PEMBUATAN APLIKASI PERENCANAAN PRODUKSI mmt.its.ac.id/download/SEMNAS/SEMNAS XI/MTI/09. Prosiding Cindy... ·

Post on 22-Mar-2019

214 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

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 profitF 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

Recommended

View more >